Yapay Zekâ Sözlüğü: İş Dünyası İçin 40'tan Fazla Terim ve Anlamları
LLM, token, RAG, embedding, AI agent, MCP, prompt injection, AB Yapay Zekâ Yasası ve ROI gibi iş dünyasında en sık geçen yapay zekâ terimlerinin sade açıklamaları.

Yapay zekâ projelerinin kendine özgü bir dili var ve toplantıdakilerin yarısı "RAG", "agentic" ya da "bağlam penceresi"nin ne anlama geldiğinden emin değilse konuşma ilerlemiyor. Bu sözlük, yöneticilerin, iş birimlerinin ve proje ekiplerinin en sık karşılaştığı terimleri abartıya kaçmadan, sade bir dille açıklıyor. Bir terim tek paragraftan fazlasını hak ediyorsa, ilgili rehberimize bağlantı veriyoruz.
Kısa cevap
- Beş terimle başlayın: büyük dil modeli, token, getirme destekli üretim (RAG), AI agent ve halüsinasyon. Yapay zekâ konuşmalarının çoğu bunların üzerine kurulur.
- Chatbot yanıtlar, agent harekete geçer. Aradaki fark, bir projenin ne kadar risk, entegrasyon ve gözetim gerektirdiğini belirler.
- Kurumsal yapay zekânın çoğu model eğitmez. Şirketler genellikle mevcut modelleri RAG, araçlar ve entegrasyonlarla kendi verileriyle birleştirir.
- Yönetişim terimleri teknik terimler kadar önemlidir. Veri yerleşimi, yapay zekâ okuryazarlığı ve AB Yapay Zekâ Yasası, hangi tasarımlara izin verildiğini belirler.
Temel kavramlar
Yapay zekâ (AI)
Dili anlamak, görüntüleri tanımak ya da tahmin yapmak gibi normalde insan muhakemesi gerektiren işleri yapan yazılımlar. Bugün iş dünyasında "yapay zekâ" çoğunlukla makine öğrenmesi sistemlerini, giderek artan biçimde de üretken yapay zekâyı ifade eder.
Makine öğrenmesi (machine learning)
Yazılımın elle yazılmış kuralları izlemek yerine örneklerden örüntü öğrenmesini sağlayan yöntem. Binlerce etiketli e-postayla eğitilmiş bir spam filtresi klasik bir örnektir.
Derin öğrenme ve sinir ağları
Çok katmanlı sinir ağları kullanan makine öğrenmesi. Modern konuşma tanıma, görüntü tanıma ve dil modelleri derin öğrenmeyle çalışır.
Üretken yapay zekâ (generative AI)
Yalnızca sınıflandırma ya da tahmin yapmak yerine metin, görsel, ses, video ya da kod gibi yeni içerik üreten yapay zekâ. Sohbet asistanları ve görsel üreticiler üretken yapay zekâdır.
Büyük dil modeli (LLM)
Çok büyük miktarda metinle, bir sonraki token'ı tahmin etmek üzere eğitilmiş sinir ağı. Bu basit hedef, büyük ölçekte; yazabilen, özetleyebilen, çevirebilen, problemler üzerinde akıl yürütebilen ve talimat izleyebilen modeller ortaya çıkarır. GPT, Claude, Gemini, Llama ve Qwen bilinen LLM aileleridir.
Temel model (foundation model)
Geniş veriyle eğitilmiş ve pek çok göreve uyarlanabilen büyük model. LLM'lerin çoğu temel modeldir; şirketler kendi modellerini sıfırdan eğitmek yerine bunların üzerine inşa eder.
Çok modlu (multimodal) model
Birden fazla girdi ya da çıktı türüyle çalışan model; örneğin bir görseli okuyup onunla ilgili soruyu yanıtlayan ya da bir görüşmeyi yazıya döküp özetleyen.
Küçük dil modeli (SLM)
Mütevazı donanımda çalışabilecek kadar küçük dil modeli. Sabit bir sınır yoktur; terim genellikle birkaç milyar parametreye kadar olan modeller için kullanılır. Küçük modeller daha ucuz ve hızlıdır, kendi sunucularınızda çalışabilir; bu da gizlilik ve veri yerleşimi açısından avantaj sağlar.
Açık ağırlıklı (open-weight) model
Eğitilmiş parametreleri, yani ağırlıkları yayımlanan ve indirip kendiniz çalıştırabileceğiniz model. Açık ağırlık her zaman açık kaynak anlamına gelmez: Lisans kullanımı kısıtlayabilir ve eğitim verisi çoğu zaman yayımlanmaz.
Parametreler
Bir modelin eğitim sırasında öğrendiği sayılar. 7B (yedi milyar) gibi parametre sayısı, modelin boyutu ve donanım ihtiyacı için kaba bir göstergedir; kalitesinin doğrudan ölçüsü değildir.
Token
Bir dil modelinin okuduğu ve yazdığı metin birimi; çoğu zaman bir kelime ya da kelimenin bir parçası. Kullanıma dayalı fiyatlandırma ve bağlam sınırları token ile ölçülür. Türkçe ve Arapça metinler, aynı mesajın İngilizcesine göre çoğu zaman daha fazla token gerektirir; bu da maliyeti ve gecikmeyi artırır.
Bağlam penceresi (context window)
Bir modelin aynı anda dikkate alabileceği, token ile ölçülen en fazla metin miktarı. Talimatlarınızı, verdiğiniz belgeleri, o ana kadarki konuşmayı ve modelin yanıtını kapsar.
Eğitim, ön eğitim ve çıkarım (inference)
Eğitim, modelin parametrelerini öğrendiği süreçtir; ön eğitim ise geniş veriyle yapılan ilk ve en pahalı aşamadır. Çıkarım, eğitilmiş modelin bir yanıt üretmek için çalıştırılmasıdır. Şirketler çoğunlukla çıkarım için ödeme yapar.
İnce ayar (fine-tuning)
Mevcut bir modelin davranışını, üslubunu ya da çıktı biçimini değiştirmek için kendi örneklerinizle ek eğitime tabi tutulması. İnce ayar, modele nasıl yanıt vereceğini öğretir; değişen bilgileri öğretmenin genellikle en iyi yolu değildir, o iş için bilgi getirme kullanılır.
Halüsinasyon
Modelin akıcı ama yanlış ya da dayanaksız bilgi üretmesi; örneğin uydurma bir politika ya da kaynak. Yanıtları onaylı kaynaklara dayandırmak, kaynakları göstermek ve değerlendirme setleriyle test etmek halüsinasyonu azaltır, ama tamamen ortadan kaldırmaz.
Prompt, sistem prompt'u ve prompt mühendisliği
Prompt (istem), modele verdiğiniz girdidir: soru, talimatlar, örnekler ve bağlam. Sistem prompt'u, bir asistanın rolünü, kurallarını ve üslubunu belirleyen kalıcı talimattır. Prompt mühendisliği, çıktının güvenilir olması için prompt'ları yazma ve test etme pratiğidir.
Yapay zekâ sistemleri kurmak
Embedding (vektör temsili)
Bir metin ya da görselin anlamını temsil eden sayı dizisi; benzer anlamlar benzer sayılar alır. Embedding'ler anlamsal aramayı mümkün kılar; örneğin müşteri "siparişimi iade etmek" diye sorduğunda iade süreleriyle ilgili paragrafı bulmak.
Vektör veritabanı
Embedding'leri saklamak ve en benzerlerini hızla bulmak için tasarlanmış veritabanı. RAG sistemlerinin arkasındaki olağan arama katmanıdır.
Getirme destekli üretim (RAG)
Sistemin önce kendi belgelerinizden ilgili bölümleri getirdiği, ardından modelden bunları kullanarak yanıt vermesini istediği yaklaşım. RAG, modeli yeniden eğitmeden yanıtları güncel ve onaylı kaynaklara bağlı tutar. Ayrıntılar için RAG nedir? rehberimize bakın.
Kaynağa dayandırma (grounding)
Modelin yanıtını bilgi tabanınız ya da bir veritabanı gibi güvenilir bir kaynağa bağlamak ve ideal olarak bu kaynağı kullanıcıya göstermek.
Araç kullanımı (function calling)
Modelin başka bir yazılımdan bir işlem talep edebilmesi; örneğin bir siparişi sorgulamak, veritabanında arama yapmak ya da destek kaydı açmak. Model aracı ve girdilerini seçer; çağrıyı sizin sisteminiz çalıştırır ve sonucu geri döndürür.
AI agent (yapay zekâ ajanı)
Bir modelin, sizin belirlediğiniz sınırlar içinde, sonraki adımlarını seçerek, araçları çağırarak, sonuçları kontrol ederek ve iş bitene kadar tekrarlayarak bir hedefe doğru çalıştığı sistem. Bkz. Chatbot mu, AI agent mı?
Ajanlı (agentic) iş akışı
Bazı adımları AI agent'ların kendi başına yürüttüğü; sabit otomasyon ve insan onaylarıyla birlikte çalışan iş süreci. Bkz. otonom yapay zekâ iş akışı mimarisi.
Çoklu agent sistemi ve orkestrasyon
Birden fazla uzman agent'ın birlikte çalıştığı tasarım; örneğin biri araştırır, biri taslak yazar, biri kontrol eder. Orkestrasyon, işi agent'lar arasında yönlendiren, durumu takip eden ve kuralları uygulayan katmandır. Bkz. çoklu agent orkestrasyonu.
Model Context Protocol (MCP)
Anthropic'in Kasım 2024'te tanıttığı, yapay zekâ uygulamalarını araçlara ve veri kaynaklarına standart bir yolla bağlamaya yarayan açık protokol. Tek bir MCP sunucusu, CRM gibi bir sistemi pek çok yapay zekâ istemcisine açabilir. Bkz. MCP nedir?
Agent2Agent protokolü (A2A)
Google'ın Nisan 2025'te duyurduğu ve bugün bir Linux Foundation projesi olan, farklı tedarikçilerin agent'larının birbirini bulup görev devretmesini sağlayan açık protokol. MCP agent'ları araçlara, A2A ise agent'ları diğer agent'lara bağlar.
Güvenlik bariyerleri (guardrails)
Bir modelin ne alabileceğini, ne söyleyebileceğini ya da ne yapabileceğini sınırlayan kurallar ve kontroller; örneğin kişisel verileri engellemek, konu dışı talepleri reddetmek ya da bir işlemden önce onay istemek.
İnsan onayı (human in the loop)
Özellikle müşterileri, parayı ya da kişilerin haklarını etkileyen kararlarda, yapay zekânın çıktısını ya da işlemini belirli noktalarda bir insanın gözden geçirdiği veya onayladığı tasarım.
Değerlendirme (evals)
Bir yapay zekâ sisteminin, doğru yanıtı bilinen gerçekçi örneklerle sistematik olarak test edilmesi. Böylece kalite, yayına almadan önce ve her değişiklikten sonra ölçülür.
LLM gözlemlenebilirliği (observability)
Bir yapay zekâ sisteminin canlı ortamda yaptıklarını kaydetmek: prompt'lar, getirilen kaynaklar, araç çağrıları, maliyet, gecikme ve hatalar. Böylece sorunlar izlenebilir ve düzeltilebilir. Bkz. LLM gözlemlenebilirliği ve OpenTelemetry.
Prompt injection (istem enjeksiyonu)
Kullanıcı girdisine ya da yapay zekânın okuduğu web sayfası, e-posta veya belge gibi içeriklere gizlenmiş talimatların sistemin kurallarını geçersiz kılmaya çalıştığı saldırı. OWASP'ın LLM uygulamaları için hazırladığı Top 10 listesinde ilk sırada yer alır. Bkz. kurumsal LLM güvenliği.
Kendi sunucunuzda barındırılan (self-hosted) model
Bir sağlayıcının API'si yerine, kendi tesisinizde ya da özel bulutta, sizin kontrolünüzdeki altyapıda çalışan model. Donanımı kendiniz işletme karşılığında veriyi kendi ortamınızda tutar. Bkz. kurumlar için kendi sunucunuzda LLM.
Nicemleme (quantization)
Bir modelin parametrelerini daha az bitle saklamak; örneğin 16 bit yerine 4 bit. Böylece model daha az bellek ister ve daha küçük donanımda çalışır, genellikle küçük bir kalite kaybıyla.
İş ve yönetişim
Yapay zekâ yönetişimi
Bir kurumun hangi yapay zekâ sistemlerini, hangi amaçla, hangi verilerle kullanacağını ve bunlardan kimin sorumlu olacağını belirleyen politikalar, roller ve kontroller.
Yapay zekâ kullanım politikası
Çalışanlara hangi yapay zekâ araçlarını kullanabileceklerini, hangi verileri girebileceklerini ve çıktıyı kimin gözden geçireceğini söyleyen yazılı politika. Bkz. yapay zekâ kullanım politikası şablonu.
Yapay zekâ okuryazarlığı
Çalışanların yapay zekâyı etkili ve güvenli kullanmak için ihtiyaç duyduğu bilgi: neyi yapıp neyi yapamayacağı, çıktısının nasıl kontrol edileceği ve verilerin nasıl ele alınacağı. AB Yapay Zekâ Yasası, yapay zekâ sistemlerinin sağlayıcılarının ve uygulayıcılarının bunu destekleyen önlemler almasını şart koşar. Bkz. işe yarayan kurumsal yapay zekâ eğitimi.
AB Yapay Zekâ Yasası (EU AI Act)
Avrupa Birliği'nin yapay zekâya ilişkin risk temelli yasası, (AB) 2024/1689 sayılı Tüzük. Aşamalı olarak uygulanır ve yapay zekâsı AB'de kullanılan AB dışındaki şirketleri de kapsar. Bkz. AB Yapay Zekâ Yasası Türk şirketlerini nasıl etkiler?
KVKK
6698 sayılı Kişisel Verilerin Korunması Kanunu. Yapay zekâ araçlarına girilen ve yurt dışındaki sağlayıcılara aktarılan veriler dahil, kişisel verilerin nasıl işleneceğini düzenler. Bkz. KVKK ve yapay zekâ.
PDPL
Kişisel Verilerin Korunması Kanunu'nun İngilizce kısaltması; Suudi Arabistan ve BAE başta olmak üzere çeşitli ülkelerin veri koruma kanunları için kullanılır. Her ikisi de bir yapay zekâ asistanının konuşma verilerini nereye gönderip nerede saklayabileceğini etkiler. Bkz. Suudi Arabistan ve BAE'de veri koruma ve yapay zekâ.
Veri yerleşimi (data residency)
Verilerin belirli bir ülkede ya da bölgede saklanması ve işlenmesi zorunluluğu veya tercihi. Bir şirketin hangi modelleri ve bulut bölgelerini kullanabileceğini belirler.
Toplam sahip olma maliyeti (TCO)
Bir yapay zekâ sisteminin ömrü boyunca toplam maliyeti: geliştirme ve entegrasyon, model kullanımı ya da barındırma, izleme, bakım ve hâlâ gereken insan kontrolü. Bkz. yapay zekâ asistanı maliyet rehberi.
Yatırım getirisi (ROI) ve gerçekleşme oranı
ROI, bir yapay zekâ sisteminin yarattığı değeri toplam maliyetiyle karşılaştırır. Gerçekleşme oranı, açığa çıkan sürenin gerçekten tasarrufa ya da değerli işe dönüşen payıdır ve ROI'yi en çok değiştiren varsayımdır. Kendi rakamlarınızla denemek için yapay zekâ ROI hesaplayıcısını kullanın.
Üretken motor optimizasyonu (GEO)
İçeriğin ChatGPT araması ve Google'ın yapay zekâ özellikleri gibi yapay zekâ arama araçları tarafından kolayca bulunmasını, anlaşılmasını ve alıntılanmasını sağlamak. Bkz. GEO rehberi.
Sık sorulan sorular
Yapay zekâ, makine öğrenmesi ve üretken yapay zekâ arasındaki fark nedir?
Yapay zekâ, insan muhakemesi gerektiren işleri yapan yazılımların genel adıdır. Makine öğrenmesi, bugün bunu inşa etmenin ana yoludur: örneklerden örüntü öğrenmek. Üretken yapay zekâ ise makine öğrenmesinin metin ya da görsel gibi yeni içerik üreten koludur.
RAG ile ince ayar arasındaki fark nedir?
RAG, modelin yanıt verdiği anda doğru bilgiyi belgelerinizden getirerek ona sunar. İnce ayar ise ek eğitimle modelin kendisini değiştirir. Fiyatlar ve politikalar gibi değişen bilgiler için RAG'i, tutarlı bir üslup ya da çıktı biçimi için ince ayarı düşünün.
Yöneticiler önce hangi yapay zekâ terimlerini öğrenmeli?
Büyük dil modeli, token, bağlam penceresi, RAG, AI agent, halüsinasyon ve insan onayı. Bu terimler birlikte, modern yapay zekâ sistemlerinin neler yapabildiğini, neye mal olduğunu ve nerede gözetim gerektirdiğini açıklar.
Sonraki adımlar
Ortak bir dil, iyi yapay zekâ kararlarının ilk adımıdır. Orbitra, bu dili kendi süreçleriniz üzerinden kazandıran kurumsal yapay zekâ eğitimi programları düzenler; Türkçe, İngilizce ya da Arapça. Ekiplerin bunu çalışan sistemlere dönüştürmesine ise yapay zekâ danışmanlığı ve AI otomasyonu ile yardımcı olur.
