VERİ VE ANLAM · YAPAY ZEKÂNIN TÜRKÇESİ · 01

Yapay zekânın Türkçesi: İmden eylemene uzanan kavram zinciri

Token, embedding, unembedding, agent ve agentic için teknik anlam ve Türkçenin türetme gücüne dayalı beş karşılık önerisi

Bir teknolojiyi adlandırmak yalnız çeviri yapmak değildir. Kavramın sınırını çizmektir.

Yapay zekâ alanında kullandığımız kelimelerin önemli bir bölümü Türkçeye çevrilmeden aktarılıyor: token, embedding, unembedding, agent, agentic…

Bu kelimelerin bazıları Türkçe ekler alarak günlük teknik dile de yerleşiyor. Tokenize etmekten, embedding üretmekten ve agent geliştirmekten söz ediyoruz. Alan içinde çalışanlar çoğu zaman ne anlatılmak istendiğini anlıyor. Bu nedenle ortada yalnızca bir “yabancı kelime kullanma” sorunu yok.

Daha temel bir sorun var:

Aynı kelimeleri kullanırken aynı kavramları mı düşünüyoruz?

Token bir kelime midir? Embedding bir vektör müdür, işlem midir, yoksa temsil biçimi midir? Unembedding, embedding işleminin basitçe tersine çevrilmesi midir? Bir büyük dil modeli tek başına agent sayılır mı? Agentic denildiğinde özerklik mi, araç kullanımı mı, amaç güdümü mü, yoksa bunların birlikte oluşturduğu bir sistem niteliği mi kastedilir?

Bu yazıda yapay zekâ terminolojisinin beş temel terimi için birbirinden bağımsız beş çeviri değil, birlikte çalışan bir Türkçe kavram ailesi öneriyorum:

Bunların doğal devamı olarak, agency kavramı için de eyleyicilik karşılığını öneriyorum.

Bu karşılıkları kesinleşmiş standartlar olarak değil; teknik anlam, İngilizce köken, Türkçe türetilebilirlik, kavramsal ayrım ve terim ailesi kurma gücü bakımından tartışmaya açılan öneriler olarak sunuyorum.

İddiam şu: Bunlar birbirinden bağımsız beş sözcük değildir. Metnin ayrık birimlerinden modelin iç temsillerine, oradan çıktı uzayına ve görev üstlenen yapay zekâ sistemlerine uzanan tek bir kavram zincirinin parçalarıdır.

Önce modelin içinde gerçekleşen im–sinim–serim zincirini, ardından modelin araç, bellek ve yetkiyle bir sistem içinde görev üstlendiği eylemen–eyleyici katmanını ele alacağım.

Önerinin özü

Bir büyük dil modelinin metin işleyişini çok sadeleştirerek şu zincirle gösterebiliriz:

METİN
  ↓
İMLEME
  ↓
İM DİZİSİ
  ↓
SİNİM
  ↓
İÇSEL VEKTÖREL İŞLEME
  ↓
SERİM
  ↓
HAM İM PUANLARI (LOGİTLER)
  ↓
SOFTMAX İLE NORMALLEŞTİRME
  ↓
SONRAKİ İM OLASILIKLARI

Bir yapay zekâ sistemi, bu model işleyişini araçlar, veri kaynakları, bellek, görev planlama, yetki, denetim ve eylem döngüsüyle genişlettiğinde başka bir katman ortaya çıkar:

AMAÇ
  ↓
EYLEMEN
  ↓
BAĞLAM · ARAÇ · BELLEK · YETKİ
  ↓
PLANLAMA VE KARAR
  ↓
EYLEM
  ↓
SONUCU GÖZLEME VE UYARLANMA

İlk zincir modelin metni nasıl sayısal olarak işlediğini, ikincisi ise bir sistemin model çıktısını nasıl gerçek bir göreve ve eyleme bağladığını gösterir.

Bu ayrım önemlidir. Model ile eylemeni, metin üretimi ile eyleyiciliği aynı şey kabul etmek; mimari, güvenlik, değerlendirme ve yönetişim sınırlarını bulanıklaştırır.

Modelin içinde: im, sinim ve serim

Token için “im”

Token bir kelime değildir.

Modele ve kullanılan imleyiciye göre tam bir sözcük, sözcüğün bir bölümü, tek bir karakter, noktalama işareti veya boşlukla ilişkili bir parça token olabilir. OpenAI’ın güncel açıklamasında da tokenların tek karakter kadar kısa veya tam bir sözcük kadar uzun olabileceği; boşlukların, noktalama işaretlerinin ve sözcük parçalarının token sayısına katılabildiği belirtiliyor (OpenAI).

Bu nedenle token için “kelime”, “sözcük” veya “sözcükbirim” karşılıkları büyük dil modeli bağlamında fazla dar kalır.

İm karşılığını üç nedenle öneriyorum.

Birincisi, im kısa ve ayrık bir işaret birimini anlatır. İkincisi, token kelimesinin tarihsel anlamındaki “işaret, simge, belirti ve kanıt” alanıyla yakınlık kurar. İngilizce token, Eski İngilizcedeki “işaret, simge, kanıt, belirti” anlamındaki tacen köküne dayanır (Online Etymology Dictionary). Üçüncüsü, im Türkçede üretken ve taşınabilir bir terim ailesi oluşturabilir:

“Bu cümle 18 token içeriyor” yerine:

Bu cümle, kullanılan imleyiciye göre 18 imden oluşuyor.

“Model metni tokenize eder” yerine:

Modelin imleyicisi metni imler.

Burada “im”, metnin anlamlı en küçük dilbilimsel parçası olduğunu iddia etmez. İmleyicinin sözlüğünde bir kimlikle temsil edilen ve modelin ayrık girdi ya da çıktı birimi olarak işlediği metin parçasını adlandırır.

Bu ayrım Türkçe açısından da önemlidir. Eklemeli bir dilde tek bir sözcük, imleyiciye göre birden fazla ime ayrılabilir. Dolayısıyla sözcük sayısı ile im sayısı aynı ölçü değildir.

Embedding için “sinim”

İmleyici her imi sözlükteki ayrık bir kimlikle gösterir. Model ise bu kimliği doğrudan dilsel anlam olarak işlemez. Sinim katmanı, ayrık im kimliğini yoğun ve sürekli bir vektörel temsile eşler.

Bu dönüşüm ve ortaya çıkan temsil çoğunlukla embedding olarak adlandırılır. Embedding kavramı yalnızca büyük dil modellerinin giriş katmanıyla sınırlı değildir. Metinlerin, görsellerin, kullanıcıların, ürünlerin ve başka varlıkların benzerlik ilişkilerini taşıyan vektörel temsilleri için de kullanılır. Google’ın makine öğrenmesi kaynakları embeddingleri, seyrek ve yüksek boyutlu girdilerin daha düşük boyutlu, yoğun vektörlerle temsil edilmesini sağlayan yapılar olarak açıklıyor (Google for Developers).

Embedding için kullanılan başlıca Türkçe karşılıklar “gömme”, “gömülü temsil” ve “yerleştirme”dir. Bunlar İngilizce kelimenin yüzey anlamına yakındır. Embed kelimesi de tarihsel olarak bir şeyi çevreleyen bir yatağın veya ortamın içine yerleştirme anlamından gelir (Online Etymology Dictionary).

Ancak yapay zekâdaki işlem yalnızca bir nesneyi başka bir kabın içine koymaz. Ayrık bir girdiyi, modelin iç hesaplama düzeninde kullanılabilecek sürekli bir temsile dönüştürür.

Bu nedenle sinim karşılığını öneriyorum.

Sinim, “içine işlemek, emilmek, bir yapının içinde yer edinmek” anlam alanındaki sin- kökünden, işlem veya sonuç adı oluşturan -im ekiyle türettiğim bir karşılıktır. Sözcük, ayrık birimin modelin sürekli temsil uzayında işlenebilir bir karşılık kazanmasını vurgular (Nişanyan Sözlük).

Sinim, daha önce düşündüğüm “içselleştirme” karşılığının kavramsal gücünü korur; ancak psikolojik benimseme ve insan zihni çağrışımını azaltır. Daha kısa, teknik ve türetilebilir bir ad sunar.

Örneğin:

Her im, sinim katmanında bir sinim vektörüne dönüştürülür.

Sinim yalnızca bir işlem adı olarak değil, işlemin ürettiği temsil için de kullanılabilir. İngilizcedeki embedding de uygulamada hem dönüşüm sürecini hem de ortaya çıkan vektörü adlandırabilmektedir. Teknik metinlerde belirsizlik oluşacaksa “sinim işlemi” ile “sinim vektörü” ayrımı açıkça kurulmalıdır.

Sinim ayrıca anlamın tek bir noktaya “depolandığı” izlenimini vermemelidir. Bir sinim vektörünün anlamı, çoğu zaman tek başına bileşenlerinden değil; öğrenilmiş uzaydaki diğer vektörlerle ilişkilerinden, kullanıldığı görevden ve modelin devamındaki işlemlerden doğar.

Unembedding için “serim”

Bir dil modelinin son iç temsili, doğrudan okunabilir bir sözcük veya cümle değildir. Model bu temsili, sözlükteki olası sonraki imlerin her biri için ham puanlara dönüştürür.

Dönüştüreç yorumlanabilirliği yazınında bu son doğrusal çıktı dönüşümü unembedding olarak adlandırılır. Güncel mekanizma temelli yorumlanabilirlik çalışmalarında, son artık akışı temsilinin sabit bir unembedding matrisiyle sözlük üzerindeki puanlara eşlendiği ifade ediliyor (Transformer Circuits).

Bu işlem için serim karşılığını öneriyorum.

Serim, modelin iç temsilini doğrudan bir kelimeye çevirmekten çok, onu sözlükteki bütün aday imler üzerine ham puanlar hâlinde açmasını ifade eder. İçeride oluşan temsilin olası çıktılar düzlemine serilmesi çağrışımını taşır.

Sinim ile serim bu nedenle birbirini tamamlayan bir kavram çifti oluşturur:

İM
  ↓
SİNİM
  ↓
İÇSEL İŞLEME
  ↓
SERİM
  ↓
HAM İM PUANLARI

Sinim, dışarıdaki ayrık imi modelin iç temsil alanına taşır. Serim ise son iç temsili yeniden sözlük uzayına açar. Bununla birlikte serim, sinimin matematiksel anlamda zorunlu olarak tersi değildir. “Unembedding” adı böyle bir simetri çağrıştırsa da uygulanan işlem, modelin son temsilinden sözlük puanlarına yapılan bir çıktı izdüşümüdür.

Serim için kısa teknik tanımım şudur:

Serim, son gizil temsili sözlükteki bütün aday imler üzerine ham puanlar hâlinde açan çıktı izdüşümüdür.

Bu ham im puanları softmax işleviyle normalleştirildiğinde sonraki imler üzerinde bir olasılık dağılımı elde edilir.

Teknik not: Logit ile olasılık aynı şey değildir

İkili istatistikte logit, bir olayın olma olasılığının olmama olasılığına oranının logaritmasıdır:

logit(p) = ln(p / (1 - p))

Dil modellerinde “sözlük logitleri”, sözlükteki her olası sonraki im için çıktı katmanında üretilen normalleştirilmemiş gerçek sayılardır. Bunlar henüz olasılık değildir. Softmax uygulandığında imler üzerinde bir olasılık dağılımına dönüşür.

Her sözlük logitini tek başına klasik ikili logit tanımıyla özdeşleştirmek yerine, bunları softmax öncesi ham im puanları olarak açıklamak daha doğrudur. İki imin logitleri arasındaki fark, bu imlerin olasılıkları arasındaki logaritmik oranı belirler.

“Son gizlenmiş durum unembedding matrisiyle logitlere çevrilir” yerine şu ifade daha doğru ve Türkçe açısından daha temizdir:

Son gizil temsil, serim matrisi üzerinden sözlük uzayına açılır ve her im için bir ham im puanı üretilir.

Daha kısa biçimiyle:

Son gizil temsil, serim matrisi üzerinden ham im puanlarına açılır.

Serim, her model mimarisinin çıktı katmanı için kullanılacak evrensel bir ad değildir. Unembedding, özellikle dönüştüreç tabanlı dil modellerinde ve yorumlanabilirlik yazınında iç temsili sözlük uzayına izdüşüren işlem için kullanılır. Bir mimarideki çıktı katmanı farklı bir işleve veya teknik yapıya sahipse “çıktı izdüşümü”, “çıktı dönüşümü” veya doğrudan “çıktı katmanı” daha doğru olabilir.

Yeni karşılık, teknik ayrımı ortadan kaldırmamalıdır.

Modelden sisteme: eylemen ve eyleyici

Agent için “eylemen”

Agent kelimesinin anlam çekirdeği “casus” değildir.

Kelime Latincedeki agere, yani harekete geçirmek, yapmak, yürütmek ve ileri götürmek fiiliyle ilişkilidir. Agent kelimesinin tarihsel anlamı “eyleyen, işi yapan”dır (Online Etymology Dictionary).

Yapay zekâ bağlamında da agent yalnızca cevap üreten model değildir. OpenAI’ın güncel uygulama rehberi, agentları kullanıcı adına iş akışlarını yüksek ölçüde bağımsız yürütebilen sistemler olarak ele alıyor; temel yapıyı model, araçlar ve davranışı yöneten yönergeler etrafında kuruyor (OpenAI).

Bu nedenle agent için eylemen karşılığını öneriyorum.

Eylemen, eyle- köküne bir işi veya görevi üstlenen özne adı kuran -men ekinin getirilmesiyle türettiğim bir karşılıktır. Sözcük, agent kavramının “bir işi yapan ve eyleme geçen özne” anlam çekirdeğini taşır.

Eylemen, belirli bir amacı veya görevi üstlenen; bağlam kullanan, karar veren, araç çağıran, dış sistemlerle etkileşen veya başka eylemenlere görev aktaran yazılım birimini adlandırır.

Eylemen sözcüğünün önemli bir işlevi, model ile sistem arasındaki sınırı görünür kılmasıdır.

Bir büyük dil modeli tek başına eylemen sayılmamalıdır; eylemenin akıl yürütme ve karar bileşeni olabilir.

Model; yönergeler, araçlar, veri bağlantıları, bellek, durum yönetimi, yürütme döngüsü, yetki sınırları ve denetim mekanizmalarıyla bir sistem içinde görev üstlendiğinde eylemen rolü kazanır.

Bu ayrım güvenlik bakımından da kritiktir. Metin üretme yeteneği ile e-posta gönderme, veri tabanını değiştirme, kod çalıştırma, ödeme başlatma veya kurumsal kayıtları güncelleme yetkisi aynı risk düzeyinde değildir.

Agentic için “eyleyici”

Agent bir varlığı veya sistem bileşenini adlandırırken agentic o varlığın ya da sistemin niteliğini anlatır.

Bu nedenle agent ile agentic için aynı Türkçe kökten, fakat farklı dilbilgisel ve kavramsal işlevlerde iki karşılık öneriyorum:

Eyleyici, eyleme geçme eğilimini, işlevini veya niteliğini anlatan bir sıfattır. Böylece özne adı olan eylemen ile davranış niteliği olan eyleyici birbirine karıştırılmaz.

Eyleyici yapay zekâ yalnızca metin üretmez. Bir amaca göre birden fazla adımı ilişkilendirebilir, plan oluşturabilir, araç seçebilir, dış sistemlerle etkileşebilir, sonucunu gözlemleyebilir ve izleyen adımını buna göre değiştirebilir.

Bu nitelik ikili değildir. Bir sistem ya bütünüyle eyleyici ya da bütünüyle eyleyici olmayan bir yapı olarak düşünülmemelidir. Eyleyicilik farklı boyutlardan oluşabilir:

Bu nedenle agentic artificial intelligence için yalnızca “özerk yapay zekâ” demek yeterli değildir. Özerklik, eyleyiciliğin önemli bir boyutudur; ancak amaç, plan, araç, durum, uyarlanma, yetki ve denetim ilişkilerinin tamamını tek başına anlatmaz.

Bu terminoloji çerçevesinde:

2026’da neden bu kavramlar daha önemli?

Yapay zekâ alanındaki ağırlık merkezi, kısa ve tek seferlik sohbetlerden daha uzun süreli, araç kullanan ve görev devralan sistemlere doğru kayıyor.

OpenAI’ın 25 Haziran 2026’da yayımladığı Codex kullanım analizi, yoğun kullanıcıların eylemenleri giderek daha uzun süreli görevlerde kullandığını gösteriyor. Mayıs 2026 örnekleminde kullanıcıların önemli bir bölümünün, insan emeğiyle yarım saatten veya bir saatten uzun süreceği tahmin edilen en az bir görevi Codex’e verdiği bildiriliyor. Bu bulgu, tek seferlik sohbetlerden devredilmiş ve uzun ufuklu işlere yönelişin somut örneklerinden biridir (OpenAI).

Aynı zamanda tek bir eylemenin yeteneğinden çok, eylemenin çevresiyle nasıl ilişki kurduğu önem kazanıyor.

Model Context Protocol, yapay zekâ uygulamalarının araçlara, veri kaynaklarına ve iş akışlarına standart bir bağlantı kurmasını amaçlıyor. MCP, 9 Aralık 2025’te Linux Foundation bünyesinde kurulan Eyleyici Yapay Zekâ Vakfının (AAIF) kurucu projelerinden biri oldu ve tarafsız açık yönetişim çatısına taşındı (Linux Foundation).

Agent2Agent protokolü ise farklı sağlayıcı ve çerçevelerde geliştirilen eylemenlerin birbirini keşfetmesi, iletişim kurması ve görev devretmesi sorununa odaklanıyor. Google’ın Mart 2026 tarihli geliştirici rehberi, A2A’nın eylemen keşfi ve iletişimi için standart bir arayüz sağladığını açıklıyor (Google Developers Blog).

Böylece yapay zekâ mimarisinde en az üç farklı ilişki katmanı belirginleşiyor:

MODEL ↔ BAĞLAM
EYLEMEN ↔ ARAÇ VE VERİ
EYLEMEN ↔ EYLEMEN

Bu katmanların hepsine yalnızca “YZ entegrasyonu” demek tasarım kararlarını görünmez hâle getirir. Kavramların ayrılması, mimarinin de ayrıştırılmasını sağlar.

İstem mühendisliğinden bağlam mühendisliğine

Eyleyici sistemlerin başarısı yalnızca iyi yazılmış bir isteme bağlı değildir.

Modelin o anda görebildiği imlerin seçimi, araç tanımları, getirilen belgeler, bellek kayıtları, önceki eylem sonuçları ve sistem kuralları birlikte davranışı belirler. Bu nedenle istem mühendisliğinin yanında bağlam mühendisliği kavramı öne çıkmıştır.

Anthropic, bağlamı model örnekleme yaparken sunulan sonlu im kümesi olarak ele alıyor ve asıl mühendislik sorununu, istenen davranışı oluşturacak en yararlı bağlamın seçilmesi ve korunması olarak tanımlıyor (Anthropic).

Önerdiğim terminolojiyle bunu şöyle ifade edebiliriz:

Bağlam mühendisliği, eylemenin karar anında hangi imlere, araç tanımlarına, bellek kayıtlarına ve işlem sonuçlarına erişeceğini tasarlama işidir.

Burada im bütçesi, modelin tek bir işlem sırasında bağlam penceresinde taşıyabildiği sınırlı im kapasitesidir.

“İm” karşılığı bu nedenle yalnızca dilsel bir tercih değildir. Bağlamın soyut ve sınırsız bir bilgi alanı olmadığını; modelin işleyebildiği ayrık birimlerden oluşan, kapasitesi ve maliyeti olan sonlu bir kaynak olduğunu hatırlatır.

Eyleyicilikte yetki arttıkça denetim daha kritik hâle gelir

Bir sohbet modelinin yanlış cevap vermesi ile bir eylemenin yanlış eylem gerçekleştirmesi aynı sonuçları doğurmaz.

Eylemenler web sayfalarını okuyabilir, dosya değiştirebilir, kod çalıştırabilir, ileti gönderebilir veya kurumsal sistemlere bağlanabilir. Bu yetenekler üretkenliği artırırken saldırı yüzeyini ve olası etki alanını da genişletir.

OpenAI’ın ChatGPT agent güvenlik açıklaması; eylemenin e-posta, dosya veya hesap ayarı gibi hassas verilere erişebileceğini, kullanıcı adına işlem yapabileceğini ve istem enjeksiyonu saldırılarıyla karşılaşabileceğini belirtiyor. Yüksek etkili eylemler için kullanıcı onayı, istem enjeksiyonu izlemesi ve bazı ortamlarda gözetim gerektiren çalışma biçimleri kullanılan önlemler arasındadır (OpenAI Help Center).

Dolayısıyla eyleyici yapay zekâ mimarisi şu sorular cevaplanmadan yalnızca “daha akıllı otomasyon” olarak ele alınmamalıdır:

Kelimeler burada bir süs değildir. “Model”, “eylemen”, “araç”, “bağlam”, “yetki” ve “eylem” ayrımı kurulmadığında sorumluluk da bulanıklaşır.

Karşılıkları hangi ölçütlerle değerlendiriyorum?

Bir Türkçe terimin yalnızca kulağa hoş gelmesi yeterli değildir. Karşılık önerilerini şu ölçütlerle değerlendirmek gerekir:

Bu ölçütlerin bazıları birbiriyle çatışabilir.

“İm” çok kısa ve üretkendir; ancak genel ağ aramalarında başka kullanımlarla karışabilir. “Sinim” kavramsal çağrışımı güçlüdür; fakat ilk karşılaşmada açıklama gerektirir. “Serim” doğal bir Türkçe kelimedir; ancak başka alanlarda da kullanılmaktadır. “Eylemen” özne ile nitelik ayrımını destekler; fakat yerleşmesi için sürekli ve tutarlı kullanım gerekir.

Bu sınırlılıklar önerileri geçersiz kılmaz. Fakat görünür tutulmaları gerekir.

Bir terimin benimsenmesi yalnızca ilk önerildiği anda değil; teknik metinlerde, derslerde, yazılım belgelerinde, mimari modellerde ve meslek topluluklarında nasıl çalıştığıyla anlaşılır.

Aşağıdaki matris, önerilen terimleri bu ölçütler açısından yazarın göreli değerlendirmesiyle karşılaştırmaktadır. Yıldızlar standartlaştırılmış bir ölçüm veya kesin puanlama değildir; terimlerin güçlü ve sınırlı yönlerini birlikte görünür kılan editoryal bir özetlemedir.

Özgünlük iddiasının sınırı

Bu kelimelerin bazıları Türkçede farklı anlamlarda daha önce kullanılmış olabilir. Bir kelimenin geçmişte hiçbir metinde geçmediğini kanıtlamak güçtür.

Bu nedenle önerimi daha dar ve sınanabilir biçimde kuruyorum:

İm, sinim, serim, eylemen ve eyleyici terimlerini; token, embedding, unembedding, agent ve agentic kavramlarını birlikte karşılayan, teknik olarak tanımlanmış bir yapay zekâ terminolojisi ailesi olarak öneriyorum.

Amaç yalnızca yeni kelimeler üretmek değildir. İngilizce terimler arasındaki teknik ilişkileri Türkçede de görünür kılan, kullanılabilir ve eleştirilebilir bir kavram sistemi kurmaktır.

Bu öneri bir “öz Türkçeleştirme” iddiasına da indirgenmemelidir. Teknik kavramların tamamını tek kökenden gelen sözcüklerle karşılamak ne gereklidir ne de tek başına nitelik göstergesidir. Esas ölçüt, terimin kavramı doğru sınırlaması, Türkçe içinde çalışması ve ilgili terim ailesiyle tutarlılık kurmasıdır.

Önerilen kullanım

Bu terminolojiyle büyük dil modeli ve eyleyici sistem zinciri şöyle anlatılabilir:

Metin önce bir imleyici tarafından imlenir ve im dizisine dönüştürülür. Her im, sinim katmanında sürekli bir vektörel temsil kazanır. Model bu temsilleri katmanları boyunca işler. Son gizil temsil, serim matrisi üzerinden sözlükteki olası sonraki imlerin ham puanlarına açılır. Softmax bu puanları olasılık dağılımına dönüştürür. Model; araçlar, bellek, görev planlama, yetki ve denetim döngüsüyle bir sistem içinde görev üstlendiğinde eylemen rolü kazanır. Bu sistemin amaç güdümlü biçimde karar alıp eyleme geçme niteliği ise eyleyicilik olarak adlandırılabilir.

Kısa biçimiyle:

Metin imlenir.
İmler sinime dönüşür.
Temsiller işlenir.
Serim ham im puanlarını açar.
Softmax puanları olasılığa dönüştürür.
Eylemen görevi yürütür.
Eyleyicilik sistemi eyleme taşır.

Önerdiğim çekirdek terminoloji şu şekilde özetlenebilir:

token       → im
embedding   → sinim
unembedding → serim
agent       → eylemen
agentic     → eyleyici
agency      → eyleyicilik

Sonuç: Türkçeleştirme değil, kavram mimarisi

Yapay zekâ terminolojisi yalnız dilbilimcilerin veya çevirmenlerin konusu değildir.

Bir kavramın adı, sistemde hangi bileşenin hangi sorumluluğu taşıdığını etkiler. Teknik şartnamelerde, mimari modellerde, eğitimlerde, risk değerlendirmelerinde, tedarikçi sözleşmelerinde ve yönetim sunumlarında aynı kelimenin farklı anlamlarda kullanılması gerçek tasarım hatalarına dönüşebilir.

Bu nedenle mesele “agent kelimesinin Türkçesi nedir?” sorusundan daha büyüktür.

Asıl soru şudur:

Modeli, temsili, görev öznesini, yetkiyi ve eylemi Türkçede birbirine karıştırmadan konuşabiliyor muyuz?

İm, sinim, serim, eylemen, eyleyici ve eyleyicilik terimlerini bu soruya bir başlangıç oluşturmak üzere öneriyorum.

Bu önerilerin değeri yalnız sözcüklerin yeniliğiyle değil; teknik yazıda, yazılım mimarisinde, eğitimde, değerlendirmede ve gerçek sistem tasarımında ne kadar iyi çalıştıklarıyla anlaşılacaktır.

Dolayısıyla bu metin bir kapanış değil, sürümlendirilecek bir terminoloji çalışmasının başlangıcıdır.

Yazar notu

Bu terminoloji önerileri Doç. Dr. Gürol Canbek tarafından yapay zekâ bağlamında teknik anlam, kavram ayrımı, İngilizce köken ve Türkçenin türetme olanakları gözetilerek geliştirilmiştir.

Terimler tartışmaya, eleştiriye ve kullanım örnekleriyle sınanmaya açıktır. Eğitim, araştırma ve teknik tartışmalarda bu sayfaya atıf verilerek kullanılabilir.

Terminoloji sürümü: 0.1

İlk yayın: 3 Ağustos 2026

Önerilen atıf

Canbek, G. (2026). “Yapay zekânın Türkçesi: İmden eylemene uzanan kavram zinciri.” Canbek Teknik Yazılar, Terminoloji Önerisi v0.1.

Bu yazıda kullanılan diğer Türkçe tercihler

Bu terimler, ana öneri kümesinin parçası değildir; metindeki teknik anlatımı Türkçede açık tutmak için kullanılan tercihlerdir.

Kaynaklar ve ileri okuma

1. OpenAI, Tokenlar nedir ve nasıl sayılır?
2. Google for Developers, Embeddings
3. Lindsey ve diğerleri, Verbalizable Representations Form a Global Workspace in Language Models, 2026.
4. OpenAI, A practical guide to building agents
5. OpenAI, How agents are transforming work, 25 Haziran 2026.
6. Linux Foundation, Eyleyici Yapay Zekâ Vakfının kuruluş duyurusu, 9 Aralık 2025.
7. Google Developers Blog, YZ eylemeni protokolleri için geliştirici rehberi, 18 Mart 2026.
8. Anthropic, Eylemenler için etkili bağlam mühendisliği, 29 Eylül 2025.
9. OpenAI Help Center, ChatGPT agent: Safety and privacy
10. Online Etymology Dictionary, Token: Origin and history
11. Online Etymology Dictionary, Embed: Origin and history
12. Online Etymology Dictionary, Agent: Origin and history
13. Nişanyan Sözlük, sin-

İlgili çalışma alanı

Yapay zekâya hazır veri ve anlamsal mimari

Yapay zekâ sistemlerinin dayandığı veriyi, kullandığı kavramları, ürettiği temsilleri ve eyleme geçtiği sistem sınırlarını kullanım amacıyla uyumlu hâle getirin.

Canbek; veri hazırlığı, anlamsal mimari, yapay zekâ değerlendirmesi, eylemen tasarımı ve yönetişim sınırlarının teknik olarak incelenmesine destek verir.

Çalışma alanını inceleyin · Teknik görüşme başlatın

18 DK OKUMA