Ağ yönetiminde yapay zekâ artık yalnızca “akıllı alarm” demek değil. Büyük üreticiler, sorunları kendi başına araştıran, kök nedeni bulan ve hatta çözüm uygulayan yapay zekâ ajanlarını ürünlerinin merkezine koyuyor. Cisco bu yaklaşımı “AgenticOps” olarak adlandırıyor, HPE Juniper ise Marvis platformunu “kendi kendini yöneten ağ” hedefiyle ajan tabanlı hâle getirdi. Bu yazıda ağ operasyonlarında yapay zekâ ajanlarının ne yapabildiğini, nasıl çalıştığını ve en önemlisi hangi riskleri beraberinde getirdiğini ele alacağız.
AIOps’tan Ajanlara: Ne Değişti?
Klasik AIOps; log, metrik ve olay verilerini makine öğrenmesiyle analiz ederek anomalileri tespit eder, alarmları gruplar ve gürültüyü azaltır. Karar ve uygulama yine insana kalır. Yapay zekâ ajanları ise büyük dil modellerini (LLM) araç kullanma yeteneğiyle birleştirir: Ajan bir hedef alır, hangi komutları çalıştıracağına kendisi karar verir, sonuçları yorumlar ve bir sonraki adımı planlar.
| Seviye | Yapay zekânın rolü | Örnek |
|---|---|---|
| 1. Gözlem | Veriyi toplar, anomaliyi raporlar | “Şube-12 WAN gecikmesi normalin 3 katı” |
| 2. Analiz | Kök neden önerir, ilişkili olayları bağlar | “Gecikmenin nedeni ISP tarafında paket kaybı, BGP oturumu stabil” |
| 3. Öneri | Çözüm önerir, değişikliği hazırlar | “Trafiği yedek hatta yönlendirecek SD-WAN politikası hazır, onaylıyor musunuz?” |
| 4. Onaylı uygulama | İnsan onayıyla değişikliği uygular ve doğrular | Tek tıkla politika uygulanır, sonuç otomatik test edilir |
| 5. Otonom | Belirlenen sınırlar içinde kendi başına uygular | RF kanal ve güç ayarlarının sürekli optimizasyonu |
Bugün sahada gerçekçi olan, 1-4. seviyelerin geniş kullanımı ve 5. seviyenin yalnızca düşük riskli, iyi tanımlanmış görevlerle (kablosuz RF optimizasyonu gibi) sınırlı tutulmasıdır.
Üreticiler Ne Sunuyor?
- Cisco AgenticOps: Şubat 2026’da Cisco Live EMEA’da genişletilen yaklaşımda ajanlar kampüs, şube ve endüstriyel ağlarda bağlantı sorunlarını uçtan uca inceleyip kök nedeni bulmayı, RF ve QoS ayarlarını optimize etmeyi, planlanan değişikliklerin etkisini canlı topoloji ve telemetriyle doğrulamayı hedefliyor. Ortak çalışma alanı olarak AI Canvas, birleşik veri katmanı olarak Deep Network Model kullanılıyor.
- HPE Juniper Mist / Marvis: Ağustos 2025’te duyurulan ajan tabanlı Marvis, yanlış yapılandırılmış portlar veya kapasite sorunları gibi durumları otonom olarak düzeltebilen “Marvis Actions”, kullanıcı deneyimini önceden simüle eden “Marvis Minis” ve Zoom/Teams verisini kullanan deneyim modelleriyle kablolu, kablosuz, WAN ve veri merkezi ağlarını kapsıyor.
- Açık ekosistem ve MCP: Model Context Protocol (MCP), yapay zekâ modellerinin harici araçlara standart bir şekilde bağlanmasını sağlıyor. Ağ cihazları, NetBox, monitoring sistemleri ve ticket sistemleri için MCP sunucuları hızla çoğalıyor. Bu sayede genel amaçlı bir yapay zekâ asistanı da ağ verisine erişip analiz yapabiliyor.
Gerçek Kullanım Senaryoları
- Sorun giderme: “Kullanıcı X Teams görüşmesinde ses kesiliyor” şikâyetiyle ajan; istemcinin bağlı olduğu AP’yi, RF durumunu, switch portunu, WAN gecikmesini ve uygulama verisini tarayıp özet bir kök neden raporu çıkarır.
- Değişiklik öncesi doğrulama: Bir ACL veya rota değişikliğinin hangi trafiği etkileyeceği, değişiklik uygulanmadan önce analiz edilir.
- Uyumluluk kontrolü: Cihaz yapılandırmalarının kurum standartlarına (SSH zorunlu, Telnet kapalı, AAA aktif vb.) uygunluğu sürekli denetlenir.
- Dokümantasyon: Topoloji, IP planı ve cihaz envanteri canlı veriden otomatik güncellenir.
- Olay özeti: Gece yaşanan bir kesinti için sabah ekip, olayın zaman çizelgesini ve etkilenen servisleri içeren hazır bir özetle güne başlar.
Riskler ve Dikkat Edilmesi Gerekenler
Ağ, kurumun en kritik altyapısıdır. Yanlış bir yapılandırma tüm şirketi saniyeler içinde çevrim dışı bırakabilir. Bu nedenle ajanlara verilecek yetki dikkatle sınırlandırılmalıdır.
Halüsinasyon ve Yanlış Komut
LLM’ler kendinden emin şekilde hatalı sonuç üretebilir: var olmayan bir komut, yanlış arayüz adı veya yanlış yorumlanmış bir çıktı. Kritik değişikliklerde yapay zekânın önerisi, deterministik bir doğrulama adımından (ör. Batfish ile yapılandırma analizi veya lab testi) geçmelidir.
Prompt Injection
Ajanlar okudukları veriyi de yorumlar. Bir saldırgan, bir switch portunun description alanına, bir log mesajına veya bir ticket’a ajanı yönlendirecek talimatlar gizleyebilir. Ajan bu metni bir komut olarak algılarsa, yetkisi dahilinde istenmeyen bir işlem yapabilir. Ajanın okuduğu verinin talimat değil, veri olarak ele alınması ve yazma yetkilerinin sıkı şekilde sınırlandırılması bu yüzden kritiktir.
Aşırı Yetki
Ajanın kullandığı servis hesabı, en az yetki ilkesine göre tasarlanmalıdır. Başlangıç noktası olarak yalnızca okuma yetkisi verin. Cisco IOS üzerinde yerel kullanıcıyla basit bir örnek:
! Ajan için yalnızca izleme komutlarına izin veren yetki seviyesi
privilege exec level 3 show running-config
privilege exec level 3 show interfaces
privilege exec level 3 show ip route
privilege exec level 3 show logging
!
username ai-agent privilege 3 algorithm-type scrypt secret <guclu-parola>Üretim ortamında bu yetkilendirmeyi merkezi olarak TACACS+ / ISE üzerinden, komut bazlı yetkilendirme ve muhasebe (accounting) ile yapmanızı öneririm. Böylece ajanın çalıştırdığı her komut kayıt altına alınır.
Veri Gizliliği
Yapılandırma dosyaları; IP planı, parola hash’leri, SNMP community’leri ve VPN anahtarları gibi hassas veriler içerir. Bu verinin hangi bulut modeline, hangi bölgeye gönderildiği ve saklanıp saklanmadığı, sözleşme ve KVKK açısından değerlendirilmelidir. Mümkünse hassas alanları maskeleyin.
Güvenli Bir Başlangıç İçin Yol Haritası
- Salt okuma ile başlayın: İlk aşamada ajanı yalnızca analiz, raporlama ve öneri için kullanın.
- Kaynağın doğruluğunu sağlayın: Yapay zekâ, beslendiği veri kadar iyidir. Güncel bir envanter (NetBox gibi bir kaynak) ve tutarlı telemetri olmadan ajanlar yanlış sonuç üretir.
- İnsan onayını zorunlu kılın: Yapılandırma değişiklikleri için değişiklik yönetimi sürecine bağlı onay adımı ekleyin.
- Sınırları tanımlayın: Otonom çalışmaya yalnızca düşük riskli, geri alınabilir ve iyi tanımlanmış görevlerde izin verin.
- Her şeyi loglayın: Ajanın aldığı istek, çalıştırdığı komutlar ve sonuçlar denetlenebilir şekilde saklanmalı.
- Ekibi eğitin: Yapay zekânın çıktısını sorgulayabilecek temel ağ bilgisi her zamankinden daha önemli. Ajan “neden” sorusuna verdiği cevabı açıklayamıyorsa o değişiklik uygulanmamalı.
Önemli Notlar
- Yapay zekâ ajanları ağ mühendisinin yerini almıyor; tekrarlayan analiz ve dokümantasyon yükünü azaltarak mühendisin tasarım ve karar işlerine odaklanmasını sağlıyor.
- CCNA ve CCNP seviyesindeki temel bilgi, bir ajanın önerisinin doğru olup olmadığını anlamanın tek yolu olmaya devam ediyor.
- Ajanların yetkilerini ISO/IEC 27001 kapsamındaki ayrıcalıklı erişim hakları (A.8.2) ve değişiklik yönetimi (A.8.32) kontrolleriyle birlikte ele alın.
