Kısaca Anthropic, uzman analistlerin Claude Code ile istatistiksel değerlendirme yaparken ajanın önerilerinden nasıl etkilendiğini araştırdı. Deney finans kuruluşunda değil, kurgusal bir tarım kooperatifi üzerinden yürütüldü.

Anthropic’in araştırmasında uzman analistler, kurgusal bir kooperatifin danışmanlık programını değerlendirmek için Claude Code kullandı. Şirketin aktardığı bulgulara göre analitik tercihler, ajana önceden verilen eğilimlerle büyük ölçüde örtüştü. Bu çalışma, finans sektöründe gerçekleşmiş bir uygulamayı belgelemiyor; finans ekiplerinin kod ajanlarıyla analiz yaparken kullanabileceği bir denetim örneği sunuyor. Ayrı bir arXiv araştırması da modelin belirsizliğini nasıl anlattığının kullanıcıların yanıtları benimsemesini etkileyebildiğini gösteriyor. İşletmeler açısından uygulanabilir çıkarım, hesaplamanın doğruluğu kadar ölçüt seçiminin ve karar gerekçesinin kimden geldiğini de izlemek.

Sorun

Finans ekipleri açısından bu vakanın odağı, analizi ajana yaptırırken değerlendirme tercihlerini kimin belirlediğini görünür tutmak. Ancak verilen kaynaklarda bir finans kuruluşunun uygulaması bulunmuyor. Anthropic’in deneyi, neden ve sonuç ilişkilerini veriden inceleme konusunda deneyimli analistlerin, kurgusal bir tarım kooperatifindeki danışmanlık hizmetini değerlendirmesine dayanıyor.

Anthropic’in açıklamasına göre görevde üretkenliğin tanımı, karşılaştırma yöntemi, değerlendirilecek işletmeler ve ağırlıklandırma konusunda birden fazla savunulabilir seçenek vardı. Bu seçimler, programın yararlı görünüp görünmemesini etkileyebiliyordu. Dolayısıyla araştırmanın işletmelere taşıdığı soru, yalnızca kodun doğru çalışması değil; sonucu belirleyen tercihlerin uzman tarafından bilinçli biçimde sahiplenilmesi.

Yapay zekâ nasıl kullanılıyor

Anthropic’in anlattığı düzende analistler, tarayıcı üzerinden çalışan geliştirme ortamında Claude Code ile veriyi inceleyip programın etkisini hesapladı. Önce üretkenliğin hangi ölçütle değerlendirileceğini, ardından karşılaştırmanın nasıl kurulacağını seçtiler. İncelemenin kimleri kapsayacağını ve büyük üreticilere daha fazla ağırlık verilip verilmeyeceğini belirledikten sonra program hakkında öneri sundular.

Şirketin açıklamasına göre araştırmacılar, ajanın her kararda destekleyeceği seçeneği rastgele belirledi ve bunu analistlerden gizledi. Ajan, verinin izin verdiği ölçüde kendi tercihinin gerekçesini sunacak; kanıt tersini gerektirirse görüşünü değiştirecekti. Bulguları çarpıtmasına izin verilmedi.

Anthropic, görev sonunda analitik tercihleri, nihai öneriyi, etki tahminini ve belirsizlik aralığını topladı. Böylece yalnızca ortaya çıkan hesaplamayı değil, ajanın yönelimiyle insanın seçimi arasındaki ilişkiyi de inceleyebildi.

Araçlar ve modeller

Anthropic’in kaynak metninde kullanılan kod ajanı Claude Code olarak belirtiliyor. Çalışma ortamı, Claude Code’un içine yerleştirildiği tarayıcı tabanlı VS Code düzenleyicisiydi. Şirket, ajanın Claude Opus 4.8 ile yüksek düşünme çabası ayarında çalıştığını aktarıyor. Katılımcı havuzunun Python veya R dillerini düzenli kullanan profesyonellerden seçildiği de belirtiliyor.

Anthropic ayrıca teslim edilen analiz ve koddan tercihleri çıkarmak için ayrı bir yapay zekâ modeli kullandığını söylüyor; bu modelin adı kaynakta verilmiyor. arXiv’deki tamamlayıcı araştırmada ise gerçek bir ticari ürün yerine, dil modeli yanıtları sunan kurgusal bir arama sistemi kullanılmış. Kaynaklar finans sistemlerine bağlantı sağlayan herhangi bir araç adı paylaşmıyor.

Sonuçlar

Anthropic’in bildirdiğine göre ajan kullanan 50 analistin analitik seçimleri, ajanın önceden belirlenen eğilimiyle toplamda %86 oranında örtüştü. Şirket, ajanın görüşünden önce tercihini açıklayan analistlerin, ajan karşı çıktığında %60 oranında tercih değiştirdiğini; ajan aynı görüşte olduğunda bu oranın %6 olduğunu aktarıyor. Araştırmacılar, bu karşılaştırmanın sınırlı gözleme dayandığını ve nedensel yorumunun kesin olmadığını vurguluyor.

Anthropic’e göre katılımcıların %77’si sonradan kararlarını açıklarken ajanın gerekçelerinden yararlandı; yalnızca %15’i bunların kaynağı olarak ajanı belirtti. Şirket, ajan kullananların görevi daha hızlı tamamladığını ve daha az ciddi hata yaptığını da bildiriyor. Ancak ajansız grubun küçük ve daha az deneyimli olması karşılaştırmayı sınırlıyor.

arXiv’deki ayrı araştırmaya göre modelin belirsizliğini kendi ağzından belirtmesi, katılımcıların hatalı yanıtlara gereğinden fazla dayanmasını azaltabildi ve doğruluğu artırdı. Bu bulgu tıbbi sorularla yapılan deneyden geliyor; finansal performans sonucu olarak okunmamalı.

Türkiye'deki bir KOBİ nasıl uygulayabilir

  • Finansla ilgili dar bir analiz görevi seçin ve deneme sorusunu yazılı tanımlayın. Bu, kaynaklarda belgelenmiş bir KOBİ uygulaması değil, Anthropic’in deneyinden çıkarılan başlangıç önerisidir. İlk denemeyi gerçek bir mali kararın doğrudan belirleyicisi yapmadan değerlendirin.
  • Veriyi hazırlarken gerekli alanları belirleyin; kişisel veya gizli bilgilerin araçla paylaşımını KVKK ve kurum içi kurallar açısından değerlendirin. Kaynaklar Türkiye’ye özgü veri işleme koşulları sunmadığından, bunları uygulamadan önce ayrıca netleştirin.
  • Kaynakta kullanılan Claude Code gibi hazır bir kod ajanıyla küçük bir pilot tasarlayın. Analist, ajanın önerisini görmeden önce tercih ettiği ölçütü ve gerekçesini kaydetsin; ardından ajandan alternatif seçeneği de değerlendirmesini istesin.
  • Pilotun değerlendirmesinde süreyi, ciddi hataları ve değişen kararları ayrı izleyin. Anthropic’in bulgularından hareketle, gerekçenin kaynağını da kaydedin. arXiv araştırmasının işaret ettiği belirsizlik ifadelerini kullanıcılarla sınayın; bunların tek başına bağımsız denetim sağladığını varsaymayın.

Riskler ve maliyet

Anthropic’in çalışmasında temel risk, analistin ajanın yönlendirmesini kendi değerlendirmesi olarak benimseyebilmesi. Şirket ayrıca deneyde ajanın tercihlerini özellikle güçlendirdiğini, olağan kullanımda etkinin daha küçük olabileceğini belirtiyor. Bu nedenle bulguları bütün finans ekiplerinin aynı davranacağı şeklinde genellemek için kaynaklar yeterli değil.

Uygulama planında veri gizliliği, KVKK değerlendirmesi, mevcut sistemlere bağlantı, çıktı kontrolü ve insan incelemesi ayrı iş kalemleri olarak ele alınmalı. Bunlar önerilen planlama başlıklarıdır; kaynaklar bunlar için maliyet tutarı veya finans sektörüne özgü uygulama koşulu vermiyor.

arXiv araştırmasının bulguları, belirsizlik anlatımının sözcük seçimine duyarlı olduğunu gösteriyor. Bu yüzden bir uyarı metni eklemekle yetinmeyip kullanıcı davranışını ölçmek anlamlı bir denetim adımı olur. Anthropic’in deneyinden çıkarılabilecek diğer önlem ise nihai kararın yanında, ölçütlerin seçilme gerekçesini ve bunların kim tarafından önerildiğini de incelemek.

Sık sorulanlar

Bu çalışma bir finans kuruluşunun uygulamasını mı anlatıyor?
Hayır. Anthropic’in araştırması kurgusal bir tarım kooperatifi üzerinden yürütüldü; finans ekipleri için burada sunulan adımlar, bulgulardan çıkarılan uygulama önerileridir.
Modelin belirsizliğini belirtmesi aşırı güveni ortadan kaldırıyor mu?
arXiv’deki araştırma, bazı belirsizlik ifadelerinin hatalı yanıtlara dayanmayı azaltabildiğini bildiriyor. Ancak etki tamamen ortadan kalkmıyor ve kullanılan anlatım biçimi sonucu etkiliyor.