Pazartesi sabahı, masanızda bir fincan kahveyle oturuyorsunuz. Geçen haftanın satış rakamları, müşteri geri bildirimleri, proje güncellemeleri… Hepsi farklı dosyalarda, farklı platformlarda dağınık halde. Haftalık raporu derleyip özetleyen AI ajanı otomasyonu tam da bu kaotik tabloyu ortadan kaldırmak için var. Doğru kurulmuş bir sistem, saatlerinizi alan manuel derleme işini dakikalara indirir ve üstelik tutarlı, okunabilir özetler sunar.
Kilit Çıkarım: AI destekli rapor otomasyonu, veri toplama + özetleme + dağıtım zincirini tek bir akışta birleştirir. Sonuç? Daha az insan hatası, daha fazla stratejik düşünme zamanı.
Başlamadan Önce
Bir AI ajanı otomasyonu kurmak, “sihirli bir düğmeye basmak” kadar basit değil. Ancak doğru hazırlıkla, teknik bilgisi sınırlı kullanıcılar bile birkaç saat içinde çalışan bir sistem elde edebilir.
Gerekenler
- Otomasyon platformu: n8n (açık kaynak, self-hosted), Make veya Zapier
- LLM API erişimi: OpenAI (GPT-4), Anthropic (Claude) veya yerel modeller
- Veri kaynakları: Google Sheets, Notion, Slack, CRM yazılımı vb.
- Çıktı kanalı: E-posta servisi, Slack webhook veya PDF oluşturucu
Ön Koşullar
- Hangi verilerin rapora gireceğini net olarak belirlemiş olmak
- API anahtarlarını güvenli bir şekilde saklamak (environment variables kullanın)
- Haftalık raporun hangi gün/saat tetikleneceğine karar vermek
- Özet formatını önceden tasarlamak (bullet points mi, paragraf mı?)
Tahmini Süre: İlk kurulum 2-4 saat | Risk Seviyesi: Düşük | Maliyet: Ücretsiz (n8n self-hosted) ile aylık $50+ arası değişir
AI Rapor Otomasyonu Nasıl Çalışır?
Temel mantık üç aşamadan oluşur: Veri çekme, işleme ve dağıtım. AI ajanı bu zincirin “beyin” kısmını üstlenir; ham veriyi anlamlı içgörülere dönüştürür.
| Aşama | Görev | Kullanılan Araç |
|---|---|---|
| 1. Veri Toplama | Farklı kaynaklardan bilgi çekme | API bağlantıları, webhook’lar |
| 2. İşleme & Özetleme | Ham veriyi analiz edip özet oluşturma | GPT-4, Claude veya yerel LLM |
| 3. Dağıtım | Raporu ilgili kişilere iletme | E-posta, Slack, PDF |
Pratikte en sık görülen senaryo şu: Pazartesi sabahı saat 08:00’de sistem otomatik tetiklenir, geçen haftanın verilerini toplar, LLM’e gönderir ve oluşan özeti yöneticilere e-posta olarak iletir. Siz kahvenizi içerken rapor çoktan hazırdır.
Adım Adım Kurulum Rehberi
Bu rehberde n8n platformunu kullanacağız çünkü hem ücretsiz self-hosted seçeneği sunuyor hem de görsel workflow builder’ı sayesinde kod yazmadan karmaşık akışlar oluşturabiliyorsunuz.
- n8n’i kur ve çalıştır. Docker ile kurulum en pratik yöntem. Terminal’de docker run -it --rm --name n8n -p 5678:5678 n8nio/n8n komutunu çalıştır. Tarayıcıda localhost:5678 adresine git.
- Yeni bir workflow oluştur. “Add workflow” butonuna tıkla. İlk node olarak “Schedule Trigger” ekle ve haftalık tetikleme için Pazartesi 08:00 ayarla.
- Veri kaynaklarını bağla. Google Sheets node’u ekle ve haftalık metriklerin bulunduğu spreadsheet’i seç. Birden fazla kaynak varsa her biri için ayrı node ekle.
- Verileri birleştir. “Merge” node’u kullanarak farklı kaynaklardan gelen verileri tek bir JSON nesnesinde topla. Bu adım, LLM’e gönderilecek context’i oluşturur.
- AI özetleme node’unu ekle. “OpenAI” veya “HTTP Request” node’u ile LLM API’sine bağlan. System prompt’a şunu yaz: “Sen bir iş analisti olarak haftalık verileri özetliyorsun. Kilit metrikler, önemli değişimler ve aksiyon önerileri içeren 300 kelimelik bir özet oluştur.”
- Çıktıyı formatla. “Code” node’u ile LLM yanıtını HTML veya Markdown formatına dönüştür. E-posta için HTML tercih edilir.
- Dağıtım kanalını ayarla. “Send Email” node’u ekle, alıcıları belirle ve subject satırına dinamik tarih ekle: Haftalık Rapor - {{$now.format('DD.MM.YYYY')}}
- Test et ve aktifleştir. “Execute Workflow” ile manuel test yap. Her şey yolundaysa sağ üstten workflow’u “Active” konumuna getir.
Pro İpucu: LLM’e gönderdiğin prompt’a “Türkçe yanıt ver” ifadesini eklemeyi unutma. Aksi halde İngilizce özet alabilirsin. Ayrıca token limitini aşmamak için ham veriyi önceden filtrelemek maliyeti düşürür.
Platform Karşılaştırması: n8n vs Make vs Zapier
Hangi otomasyon platformunu seçeceğiniz, teknik kapasitenize ve bütçenize bağlı. İşte hızlı bir karşılaştırma:
| Özellik | n8n | Make | Zapier |
|---|---|---|---|
| Fiyat | Ücretsiz (self-hosted) | Ücretsiz başlangıç, $9/ay+ | Ücretsiz başlangıç, $19.99/ay+ |
| Kurulum Zorluğu | Orta (Docker bilgisi gerekir) | Kolay | Çok Kolay |
| AI Entegrasyonu | Kapsamlı (422+ entegrasyon) | İyi | İyi |
| Özelleştirme | Tam kontrol | Orta | Sınırlı |
| Veri Gizliliği | Yüksek (kendi sunucunuz) | Orta | Orta |
Kimler İçin n8n? Teknik ekipler, veri gizliliği hassasiyeti olanlar, maliyet bilincli kullanıcılar.
Kimler İçin Make/Zapier? Hızlı başlamak isteyenler, teknik altyapısı olmayanlar, kurumsal destek arayanlar.
Prompt Mühendisliği: Kaliteli Özet Almanın Sırrı
AI ajanınızın ürettiği raporun kalitesi, büyük ölçüde prompt tasarımına bağlıdır. Testlerde şu sonuç çıkıyor: Yapılandırılmış prompt’lar, genel talimatlardan %40-60 daha tutarlı çıktı üretiyor.
Etkili bir haftalık rapor prompt’u şu unsurları içermeli:
- Rol tanımı: “Sen şirketin kıdemli iş analistisin.”
- Çıktı formatı: “Özeti şu başlıklar altında yapılandır: Öne Çıkanlar, Dikkat Edilmesi Gerekenler, Önümüzdeki Hafta İçin Öneriler.”
- Kısıtlamalar: “Maksimum 400 kelime kullan. Jargondan kaçın.”
- Örnek: Few-shot learning için bir örnek özet eklemek tutarlılığı artırır.
Mini Senaryo: Diyelim ki satış rakamları geçen haftaya göre %15 düştü ama müşteri memnuniyeti arttı. İyi tasarlanmış bir prompt, bu çelişkili veriyi “Satışlardaki düşüşe rağmen müşteri sadakati güçleniyor; fiyatlandırma stratejisi gözden geçirilmeli” şeklinde yorumlayabilir. Kötü prompt ise sadece rakamları sıralar.
Yaygın Hatalar ve Çözümleri
- Hata: LLM’e çok fazla ham veri göndermek → Çözüm: Önceden filtreleme ve aggregation uygula.
- Hata: Tek seferlik test edip bırakmak → Çözüm: İlk 4 hafta çıktıları manuel kontrol et, prompt’u iteratif olarak geliştir.
- Hata: API anahtarını workflow içine hardcode etmek → Çözüm: Environment variables veya credential manager kullan.
- Hata: Hata durumlarını görmezden gelmek → Çözüm: Error handling node’u ekle, başarısız çalışmalarda bildirim al.
Sıkça Sorulan Sorular
Hangi LLM modeli rapor özetleme için en uygun?
GPT-4 ve Claude, uzun bağlam penceresi ve Türkçe desteğiyle öne çıkıyor. Maliyet öncelikliyse GPT-3.5-turbo veya yerel Llama modelleri değerlendirilebilir.
Otomasyon ne kadar güvenilir?
Doğru kurulmuş sistemler %95+ uptime sağlar. Kritik raporlar için yedek tetikleme mekanizması (manuel buton) eklemek iyi bir pratiktir.
Hassas veriler LLM’e gönderilmeli mi?
Kurumsal gizlilik politikalarınıza bağlı. OpenAI ve Anthropic’in enterprise planları veri işleme garantileri sunuyor. Maksimum gizlilik için self-hosted açık kaynak modeller tercih edilebilir.
Mevcut sistemlere entegrasyon zor mu?
Çoğu modern iş uygulaması (Slack, Google Workspace, Notion, Salesforce) API desteği sunuyor. n8n ve Make gibi platformlar bu entegrasyonları hazır node’larla kolaylaştırıyor.
Sonuç
Haftalık rapor derleme otomasyonu, yapay zeka ajanlarının en pratik kullanım alanlarından biri. Doğru araçlar ve iyi tasarlanmış bir workflow ile haftada 2-4 saat kazanmak mümkün. Başlangıç için n8n’in ücretsiz sürümü ve OpenAI API’si yeterli; sistem oturunca daha gelişmiş senaryolara geçebilirsiniz.
Aksiyon Planı: Bu hafta tek bir veri kaynağıyla (örneğin Google Sheets) basit bir özet akışı kurun. Çalıştığını gördükten sonra kaynak sayısını artırın ve prompt’u rafine edin. Karmaşıklığı kademeli olarak yükseltmek, hem öğrenme eğrisini yumuşatır hem de hata ayıklamayı kolaylaştırır.