# Yeni kontrol sistemi, otonom yapay zekâ ajanlarının gereksiz adımlarını azaltıyor

> Araştırmacıların Global Executive Control adını verdiği yönetişim katmanı, başarı oranlarını yüksek tutarken token kullanımını üçte bir oranında düşürüyor.

Oossa · 2026-09-28 · https://oossa.com/tr/new-control-system-cuts-wasted-steps-in-autonomous-ai-agents

Dongsheng Xiao’nun liderliğindeki bir ekip, 28 Eylül 2026’da “LLM Parkinsonizmi” adını verdikleri sorunu ele alan bir makale yayımladı. Bu terim, görev tamamlandıktan sonra da çalışmayı sürdüren, düşük değerli düzenlemeler yapan ve kendi işini tekrar tekrar kontrol eden yapay zekâ ajanlarını tanımlıyor. Yazarlara göre bunun nedeni, eylemleri oluşturan döngünün ne zaman durulacağına da karar vermesi. Önerdikleri çözüm, eylem üretimini proje düzeyindeki denetimden ayıran Global Executive Control (GEC) v0.2 adlı yeni bir mimari.

## Buraya nasıl gelindi?

Büyük dil modelleri (LLM’ler) plan yapabiliyor, kod yazabiliyor ve araçları kullanabiliyor; ancak çoğu zaman ne zaman durmaları gerektiğini açıkça belirten bir sinyalden yoksunlar. Testlerde, tek bir en iyi tahmin planını izleyen temel ajan, zor hedeflerin yüzde 67’sinde başarılı oldu. Aynı testte modele bir dizi eylem adayı arasından seçim yapma olanağı tanındığında başarı oranı yüzde 96,5’e çıktı. Araştırmacılar, iyileşmenin büyük bölümünü modele birden fazla seçenek sunulmasının sağladığını, ancak bunun daha fazla token kullanılmasına da yol açtığını söylüyor. Token’lar, modelin işlediği temel metin birimleridir.

## Yeni mimari ne yapıyor?

GEC, ajanın ilerleyişini izleyen ve ne zaman durmanın yeterli olduğuna karar veren, belirsizliği dikkate alan bir yönetişim katmanı ekliyor. 40.000 token sınırı bulunan ve 24.000 bölümden oluşan bir kıyaslamada GEC, aday kümesi yaklaşımının yüzde 96,5’lik başarı oranını korurken ortalama token tüketimini 19.782’den 12.574’e düşürdü; bu, yüzde 36’lık bir azalma. Ayrıca, token sınırına kadar bir görevi tamamlamak için gereken ortalama token sayısını 16.136’dan 13.114’e indirerek yüzde 18,7 tasarruf sağladı. Yönetişim için eklenen adımlar, her döngüde yaklaşık 500 sentetik tokene mal oluyor. Yazarlar bunun yine de verimli olduğunu belirtiyor.

## Sırada ne var?

Makale, simülasyonların kapsamı, kanıtları, kaynak kullanımını ve durmayı açıkça yöneten bir yaklaşımı desteklediğini; ancak gerçek dünyada doğrulama gerektiğini belirtiyor. Gelecek çalışmaların GEC’yi harici araçlarla veya kullanıcılarla etkileşime giren canlı ajanlarda sınaması bekleniyor. Yaklaşım başarılı olursa geliştiriciler, gereksiz işlemeyi önlemek ve sistemlerin tamamlanmış görevler üzerinde fazladan çalışmasını engellemek için benzer bir kontrol katmanını sohbet botlarına, kod yazma asistanlarına ve diğer otonom yapay zekâ hizmetlerine ekleyebilir.

## Gerçekler

- Makale, 28 Eylül 2026’da arXiv’de yayımlandı (arXiv:2609.30662).
- Tek aday kullanan temel ajanın zor hedeflerdeki başarı oranı yüzde 67,42 oldu.
- Aynı kıyaslamada aday kümesi kontrol yaklaşımının başarı oranı yüzde 96,53’e ulaştı.
- Global Executive Control v0.2, ortalama yüzde 36,4 daha az token kullanırken yüzde 96,57 başarı oranını korudu.
- 40.000 token sınırında görevi tamamlamak için gereken ortalama token sayısı GEC ile 16.136’dan 13.114’e düştü.
- Her yönetişim döngüsü yaklaşık 500 sentetik token ekledi; yazarlar bunu sınırlı bir ek maliyet olarak değerlendiriyor.

## Neden önemli

Günlük kullanıcılar için daha sıkı kontrol, yapay zekâ asistanlarının görevleri daha hızlı tamamlaması ve daha az işlem gücü kullanması anlamına geliyor; bu da maliyetleri ve enerji tüketimini düşürebilir. Geliştiriciler, iş tamamlandığında duran, gereksiz adımlara veya kafa karıştırıcı çıktılara yol açmayan daha akıllı ajanlar geliştirebilir. Bu yaklaşım ayrıca yapay zekâ davranışını denetlemek için daha net bir yöntem sunuyor; bu araçlar yaygınlaştıkça güvenlik ve güvenilirlik açısından önem taşıyor.

## Kaynaklar ve referanslar

1. [LLM Parkinsonism: Executive-Control Failure, Token-Inefficient Persistence, and an Uncertainty-Aware Global Executive Control Architecture for Autonomous Language-Model Agents](https://arxiv.org/abs/2609.30662) – arXiv, 2026-09-28

Son güncelleme: 2026-09-28