Bir Gün İçinde Tüm Büyük AI Ajanlarını Test Ettim: En İyi Hangisi?

Geçtiğimiz yıl, yapay zeka ajanlarının hâlâ pek çok eksikliği olduğu yönündeki eleştirileri sıkça duyan WIRED ekibi, bu yıl piyasaya sürülen yeni nesil ajanların ne kadar ilerlediğini ölçmek için bir deneme düzenledi. Yazar, iPhone’una Meta Muse, OpenAI Dots, Instinct, Anthropic Claude Duet, Google Gemini Spark ve xAI Grok Bot olmak üzere altı ajan kurdu ve her birine dört temel senaryo üzerinden puan verdi: sabah haber derlemesi, öğle yemeği siparişi, takvim çakışması tespiti ve tatil planı hazırlama.

Sabah haber derlemesi testinde, ajanların araştırma süresi ve başlık kalitesi değerlendirildi. Gemini Spark 5 üzerinden 5 puan alarak en kapsamlı ve ilgi çekici başlığı sundu, ardından Claude Duet 4 puan, Muse 3 puan, Dots 2 puan ve Grok Bot ile Instinct ise 1 puan aldı. Öğle yemeği senaryosunda ise Dots 5 puanla en doğru ve uygun siparişi oluştururken, Gemini Spark sadece 1 puan alarak yetersiz bir menü önerdi.

Takvim çakışması testinde, ajanların e-posta ve takvim verilerini birleştirerek çakışmayı tespit edip alternatif önerme yetenekleri ölçüldü. Dots yine 5 puanla en hızlı ve etkili uyarıyı sağladı, Claude Duet 4 puanla çakışmayı fark etti ancak çözüm önerisi sunamadı. Grok Bot, Instinct ve Muse 2 puan alırken, Gemini Spark 1 puanla çakışmayı hiç fark etmedi.

Tatildeki rota planlama testinde sadece Muse puan verildi; 5 üzerinden 5 puan alarak net, tablo şeklinde ve görsel açıdan anlaşılır bir Çin seyahat programı sundu. Diğer ajanların bu testteki performansına dair detaylar metinde yer almadı. Test sonuçları, ajanların hâlâ görev odaklılık ve veri bütünlüğü konularında farklı seviyelerde olgunlaştığını gösteriyor ve gizlilik, güvenlik risklerinin hâlâ önemli bir endişe kaynağı olduğunu vurguluyor.