Kodlama ajanları Stripe'ta mühendisliği dönüştürdü; ancak satış temsilcileri, finans analistleri, teknik müşteri yöneticileri ve diğerleri gibi mühendis olmayanlar, Claude Code ve Codex'in yarattığı AI dalgasının gerisinde kaldıklarını hissetti. Stripe'ın ihtiyaç duyduğu veri güvenliği gereksinimlerini ve belirli iş akışlarını karşılayabilecek hiçbir mevcut araç yoktu: veri ambarlarını sorgulamak, satış görüşmelerinden önce hesapları araştırmak, olayları triyajlamak, gelir senaryolarını modellemek veya uyum incelemeleri hazırlamak. Stripe'ın bilgi AI ajanını kullanıma sunduğumuzda her şey değişti.
GIF
Nisan lansmanımızdan sonraki iki hafta içinde, Stripe'ın çoğu, Kai olarak da bilinen Stripe'ın Knowledge AI Platformu'nu kullanıyordu. Bugün, GTM'nin (pazarlama, satış, müşteri başarı yöneticileri ve teknik müşteri yöneticileri) neredeyse tamamı dahil olmak üzere çalışanların %83'ü haftalık aktif kullanıcı. Çoğu Kai oturumu çok sayıda tur gerektiriyor; kullanıcılar derinlemesine araştırmalar yapıyor, belirli artifact'lar oluşturuyor veya içeride ya da dışarıda paylaşmadan önce varlıkları (asset) iyileştiriyor. Kai ile Stripe'taki herkesin, günlük işlerinde kendilerine yardımcı olmak için özel olarak geliştirilmiş bir ajanı var.
Neden bir Knowledge AI Platformu Geliştirdik
Kodlama görevlerinde yapılacak değişiklik farklılık gösterir, ancak görevi gerçekleştirmek için gereken iş akışı ve araçlar hemen hemen aynı kalır. Dosyaları düzenlersiniz, testleri çalıştırırsınız, commit atarsınız. Programlama dilleri değişir, ancak işin yapısı oldukça tek tiptir; bu yüzden tek bir ajan mimarisi iyi çalışır. Bilgi çalışması bu yelpazenin tam zıt tarafındadır. Bir hesabı araştırmak veya uyum incelemesi hazırlamak gibi görevler; farklı araçlar, farklı veriler, farklı çıktılar ve farklı "tamamlandı" tanımları gerektirir.
Kai'den önce bilgi çalışmaları için iki AI seçeneğimiz vardı:
- NoCode Agent Builder: Herkes, araçları kullanabilen iş akışına özel ajanlar geliştirip dağıtabiliyordu. Bu sistemle 4.000'den fazla ajan geliştirildi. Ancak kısa sürede ekiplerin kavramsal olarak benzer, kalite düzeyleri farklı prompt'lar yazdığını fark ettik ve bu mikro ajanların çoğalmasını izlemenin ve bakımını yapmanın giderek zorlaştığını gördük.
- Kodlama ajanları: Kodlama ajanları güçlüydü, ancak beraberlerinde farklı bir risk seti getirdiler. Hedefimiz Stripe'ın tamamında verimliliği artırmak olduğu için bazı kullanıcılar iş akışlarını değiştirerek kodlama ajanlarını seçti. Ancak kısa sürede güvenlik endişeleri ortaya çıktı; ayrıca daha önce hiç mühendis olmayanları desteklememiş kod kalitesi ekipleri için yeni bir destek yükü oluştu.
Bu deneyimlerden, bir knowledge AI platformu geliştirmenin üç şeyi doğru yapmayı gerektirdiğini anladık: uzmanlığı merkezileştirmeden ölçeklendirmek, kullanıcılarla çalıştıkları her yerde buluşmak ve kodda var olmayan güvenlik mekanizmalarını uygulamak.
Uzmanlığı merkezileştirmeden ölçeklendirmek
Stripe kullanıcılarına hizmet vermek için gereken uzmanlık yelpazesi inanılmaz geniş. Bir fatura eskalasyonunu triyajlamayı veya gelir senaryosunu modellemeyi bilen kişiler merkezi bir yerde değiller ve kesinlikle ajan altyapısını geliştiren ekipte de değiller. Bu kişiler GTM, Finans, Pazarlama, Hukuk, Veri Bilimi ve daha fazlası gibi düzinelerce uzmanlık alanına dağılmış durumda; her alanın kendi araçları, veri kaynakları, iş akışları ve "iyinin" neye benzediğine dair kendi yargısı var. Bunu Stripe'ın faaliyet gösterdiği tüm ürünler ve ülkelerle çarptığınızda sonuç şaşırtıcı derecede karmaşık. Kai'nin bu karmaşıklığı görünmez kılacak şekilde modellemesi gerekiyor; böylece görev sadece çalışır.
Ajanın dolaşması gerekiyor
Ajanın nerede ortaya çıktığı, ne bildiği kadar önemlidir. Herkes bir tarayıcı sekmesinde çalışmaz, terminalde çalışanların sayısı daha da azdır. Dolayısıyla bir bilgi ajanı yalnızca tek bir ürün olamaz; işin gerçekleştiği her yere kendini entegre edebilecek kadar esnek bir platform olmalıdır.
Örneğin, Finans ekibimizin Stripe'ın işletme bütçesindeki karmaşık değişiklikleri modellemek için kullandığı dahili bir uygulamayı düşünün: ajanın, kullanıcıları uygulamanın dışına çıkarmadan bağlamı okuması, ilgili belgeleri araştırması, geçerli değişiklikler önermesi ve farkları özetlemesi gerekiyor.
Bağımsız (standalone) bir ajan ürünü geliştirmek işe yaramazdı. Bu, kullanıcıları doğal iş akışlarından çıkarıp yeni bir uygulamaya girmeye zorlardı. Her yüzey için ayrı bir ajan ürünü geliştirmek de işe yaramazdı; bakımı zor olurdu ve birden fazla araç kullanan kullanıcılar parçalanmış bir deneyim yaşardı. Platformun kullanıcıyla bulunduğu yerde buluşması gerekiyor.
Güvenlik mekanizmalarını sıfırdan geliştirmek
Kodlama ajanları, onlarca yıldır var olan hızlı ve doğrulanabilir güvenlik mekanizmalarına sahip bir ortamda çalışır: derleyiciler geçersiz söz dizimini reddeder, testler gerilemeleri (regresyonları) yakalar ve git her hatayı geri alınabilir kılar. Bilgi çalışmalarının bu yapılar için çok az desteği vardır.
Stripe'ta temel bir değişmezi (invariant) ele alalım: "birbiriyle ilişkisiz iki müşteri bağlamındaki verileri tek bir analizde birleştirmemelisiniz." Bir kullanıcının her iki bağlama da bağımsız olarak meşru erişimi olabilir, ancak bu bağlamlar asla aynı oturumda yer alamaz. İzolasyon sınırı "bu kişi yetkilendirme token'ına göre neye erişebilir?" değil, "bu görevin bu bağlamda neyi görüntülemesine izin verilmeli?" sorusudur. Platformun, kullanıcıların güvendiği bu örtük güvenlik mekanizmalarını uygulaması gerekiyor.
Kai'yi Nasıl Geliştirdik
Tek bir monolitik ajan tüm bu kısıtlamaları etkili bir şekilde kodlayamaz. Ayrıca her alan ekibinden bağımsız olarak güvenli, barındırılan ve yüksek performanslı ajan altyapısı geliştirmesini istemek de ölçeklenmez. Bu zorluğu yönetmek için Kai'yi üç katman halinde geliştirdik:
- Platformdan bağımsız API'ler: aynı ajana birden fazla arayüz sağlar
- AgentStudio: alan sahiplerinin kendi Kai ajanlarını geliştirdiği ve yönettiği yer, ve
- Yürütme ortamları: kimsenin altyapıyı düşünmesine gerek kalmadan saniyeler içinde güvenlik sağlar
Platformdan bağımsız API'ler
Kai, belirli bir yaklaşım benimseyen bir web uygulaması ve bir Slack entegrasyonuyla gelir; ancak ana yapı taşı, her ikisine de güç veren temel API'dir. Ajan bir hizmettir, bir uygulama değildir ve yüzeyler (surface'ler) yalnızca ona açılan özelleştirilmiş görünümlerdir.
Stripe çalışanlarının çoğu, Kai ile dahili olarak barındırılan web uygulaması üzerinden etkileşime girer. Kurulması gereken hiçbir altyapı yoktur – daha ilk günden her çalışanın kullanımına açıktır.
Herhangi bir dahili araç da Kai'yi entegre edebilir ve birçoğu bunu yapmayı tercih etti. Örneğin, iş zekâsı platformumuzda çalışan bir çalışan, mevcut uygulamasının içinden Kai'ye soru sorabilir; çünkü Chrome uzantılarımız, web tabanlı üçüncü taraf araçların içinde Kai yeteneklerini kullanıma sunar.
Özel uygulamalar, ajan tabanlı (agentic) deneyimleri tüm iş akışlarına taşımak için Kai'yi API'ler aracılığıyla entegre eder
AgentStudio
AgentStudio, alan sahipleri için kontrol düzlemidir. Ekipler; kendi skill'lerini, özel Kai ajanlarını ve araç seçimlerini geliştirmek, test etmek ve izlemek için burayı kullanır. Örneğin bir GTM ekibi, kendi iş akışlarına göre ayarlanmış bir Kai ajanına sahiptir. Ajan varsayılan olarak onların skill'lerini yükler, veri kaynaklarına bağlanır ve çıktıları kullanıcılarının beklediği formatta sunar. AgentStudio, her varlığın (asset) yanında kullanım verilerini ve kalite sinyallerini gösterir; böylece alan sahipleri platform ekibine sormadan neyin işe yaradığını görebilir.
Skill'ler, Stripe genelinde alan uzmanları tarafından yönetilen bölümlere göre düzenlenir
Yürütme ortamı
Platformun vaatlerini gerçeğe dönüştüren katman burasıdır. Ajan iskeleti (harness), sanal alan (sandbox), iş akışı orkestrasyonu ve erişim kontrolü çerçevesi dahil temel yapı taşları, bilinçli olarak Stripe'ın ürün odaklı ajanlarıyla paylaşılır. Dahili bilgi çalışmaları, harici ürünlerimizle aynı hassas veriler üzerinde çalışır ve aynı kullanıcılara hizmet eder; bu nedenle aynı güvenlik ve uyum standardını gerektirir. Temel katmanı paylaşmak disiplini zorunlu kılar ve bir ivme döngüsü (flywheel) yaratır: yürütme ortamına yapılan iyileştirmeler hem dahili hem de ürün ajanlarına aynı anda fayda sağlar.
LangChain'in deepagents'ı kullanılarak geliştirilen ajan iskeleti; güvenli, oturum başına sanal alan ve çok kiracılı (multi-tenant) bir sanal dosya sistemiyle Kubernetes üzerinde çalışır. Bir oturum içinde ajan, artifact'lar oluşturduğu ve bunlar üzerinde yinelemeli olarak çalıştığı bir sanal dosya sistemiyle hareket eder; analitik ve veri işleme için ise güvenli bir kod yürütme sanal alanı kullanılır.
Uzun ve karmaşık oturumlarda durumu korumak üzere geliştirilmiştir — yakın zamanda biri 932 tura ulaştı. Kai'nin derin görev yönetimi yetenekleri sayesinde, tek bir sohbet; zaman aşımına uğramadan veya bağlam penceresini aşırı yüklemeden yüzlerce tur ile yüzlerce araç ve LLM çağrısından oluşabilir. Bu önemlidir çünkü bilgi çalışması nadiren tek bir sorudan ibarettir. Bu, kendi üzerine inşa edilen yinelemeli bir akıl yürütmedir ve oturumun bu durumu bozulmadan koruması gerekir.
Kullanıcı davranışları değişiyor ve oturumlar giderek daha fazla derin, çok turlu iş birliği için kullanılıyor
İskeletin en ilginç kısımlarından biri, doğru skill'i kullanmayı nasıl seçtiğidir. Kai, çeşitli dahili sistemlere yayılmış 1.000'den fazla skill ve araca bağlıdır – temel metrikleri izleyen iş zekâsı panolarından dahili yürütmeyi organize eden proje yönetimi araçlarına ve Zoom ile Google Workspace gibi üçüncü taraf hizmetlere kadar. Herkes ona bir soru sorabilir ve işi halletmek için doğru bağlamı yükleyeceğine, doğru araçları kullanacağına güvenebilir. Kodlama ajanlarının burada doğal bir avantajı vardır: üzerinde çalıştıkları klasörler, skill'ler ve bağlam için doğal bir organizasyon sağlar. Bir sonraki yazımızda, önceden var olan bu yapı olmadan, diğer tekniklerin yanı sıra hibrit bir RAG/LLM yaklaşımı kullanarak bunu nasıl çözdüğümüzü detaylandıracağız.
Etki
Sonuçlar çarpıcı oldu. GTM'deki yeni işe alımlar Kai'yi doğal olarak benimsiyor; Kai'yi 2,7 kat daha fazla kullanıyorlar ve aynı kohorttaki güçlü kullanıcılar, düşük kullanıcılara kıyasla %80 daha fazla değer kapatıyor. Account Executive'ler Kai'yi kullandıklarında, kullanmadıkları haftalardaki aynı satışçılara kıyasla 2 kat daha fazla satış faaliyeti üretiyor, %17 daha fazla fırsat yaratıyor, %26 daha fazla gelir fırsatı oluşturuyor ve %39 daha fazla anlaşma kapatıyor. Toplamda Kai, yılda 25.000 saatin idari işlerden gelir getiren işlere kaydırılmasına yardımcı oldu.
Finans ve operasyon alanlarında Kai, Stripe çalışanlarının dağınık verileri analiz etmesine, tekrarlayan özetler (digest) oluşturmasına ve parçalanmış bağlamı kullanılabilir artifact'lara dönüştürmesine yardımcı oluyor.
Mühendislikte Kai artık sistem soruları sormak, çalıştırma (run) istekleri için araştırma yapmak, logları analiz etmek, plan taslakları hazırlamak ve daha özel ajanları ile skill'leri çağırmak için doğal bir yer haline geldi.
Ayrıca Stripe genelinde her gün 5.000'den fazla oturum veri analizine odaklanıyor. Bu, Kai'yi benzersiz bir kaldıraç noktası haline getiriyor: veri kalitesi ve analitik katmanımızla ilgili doğru bağlamı ekleyerek çoğu soru için varsayılan olarak doğru yanıtlar verebiliyoruz.
Stripe çalışanlarının doğrudan geri bildirimleri bu ortalamaları destekliyor: "AI'ı benimsemek için güçlenmiş" hissettiklerini ve "Kai'nin tam da doğru yaptığı şeyler karşısında hayrete düştüklerini" ifade ediyorlar. Ancak en sevdiğimiz anekdot, bir Kai tanıtım oturumundan çıkan ve hemen Asana, Slack ve Jira'yı tek bir otomatik süreçte birleştiren bir özet üzerinde iş birliği yapmaya başlayan mühendis olmayan bir çalışan.
Henüz kazanmadık
Stripe'ta en sevdiğimiz sloganlardan biri "henüz kazanmadık"tır ve bu Kai için de geçerli. Bu yolculuğun en başındayız ve yapmak istediğimiz çok daha fazla şey var:
- Daha iyi durum yönetimi: Kai gibi genel amaçlı ajanlar, yinelemeli olarak araç çağrıları yaparken, büyük belgeler indirirken ve daha fazlasını yaparken çok fazla durum üretir. LLM'e gönderilen "aktif" bağlamı ve S3 veya sanal dosya sistemi gibi durum depolarında bekleyen "genişletilmiş" bağlamı sürekli olarak ayarlıyoruz.
- Yansıtma ve kendini geliştirme: Kai'nin bir skill'i içeren izler (trace) üzerinde düşünmesine, iyileştirmeler önermesine, bunları test etmesine ve skill sahibinin incelemesi için değişiklikleri sunmasına olanak tanıyan bir kalite iyileştirme döngüsü üzerinde çalışıyoruz.
- Daha iyi iş birliği yapı taşları: Kullanıcılar Kai oturumlarında şu anda "içeride kilitli" olan çok fazla bağlam üretiyor; ancak işler böyle yürümüyor. İnsanların Kai'nin oturumlar arasında ortaya çıkardıklarını paylaşmasını ve birden fazla kişinin (ve ajanın!) aynı artifact'lar üzerinde iş birliği yapmasını istiyoruz.
Kodlama ajanları, AI'ı ilk olarak yazılım mühendisleri için somut hale getirdi. Kai, aynı güç hissini Stripe genelindeki bilgi çalışanlarına taşımayı başardı. Bu ilginç çünkü verimliliği önemli ölçüde artırmış olsak da tavanın nerede olduğunu henüz bilmiyoruz – ve burada sınırları zorlamaya devam etmek için heyecanlıyız. Dahili verimliliğe güç veren ve harici ajanları destekleyen agentic sistemler geliştirmek size göre bir zorluk gibi geliyorsa, işe alım yapıyoruz.
