Yapay Zekâ ile Japon Çileği: Dikey Tarımda Yeni Dönem

Japon çileği, dünyanın birçok yerinde “lüks meyve” kategorisine giriyor. Kokusu, aroması ve görünümüyle bir hediyelik ürün gibi konumlanıyor; bu da onu tedarik ve kalite açısından acımasız bir ürün yapıyor. Tek bir sevkiyatta standardın altına düşmek, hem marka algısını hem de kârlılığı etkileyebiliyor.

17.12.2025 tarihli bir duyuruda Agroz’un, Malezya’daki kontrollü ortam tarımı (CEA) dikey çiftliklerinde yapay zekâ destekli sistemlerle Japon çileği yetiştirebildiğini açıklaması bu yüzden önemli. Benim gördüğüm asıl değer şu: Bu haber, “akıllı tarım teknolojilerinde yapay zekâ” anlatısını teoriden çıkarıp somut bir üretim problemine bağlıyor. Yani sadece sensör takmak değil; tutarlılık, ölçeklenebilirlik ve iş gücü verimliliği gibi kritik başlıklarda ölçülebilir bir yaklaşım gösteriyor.

Bu yazıda, bu örneği “Tarım ve Akıllı Tarım Teknolojilerinde Yapay Zekâ” serimizin çerçevesine oturtacağım: Yapay zekâ burada neyi çözüyor, hangi mimariyle çalışıyor, Türkiye’deki üreticiler ve agri-tech ekipleri bu modelden ne öğrenebilir?

Neden Japon çileği, neden CEA? (Sorun aslında kalite tutarlılığı)

Japon çileği yetiştirmenin temel zorluğu verimden çok kalite standardıdır. Şeker-asit dengesi, doku, renk homojenliği, koku profili ve raf ömrü küçük sapmalarla bile değişebiliyor. Açık tarlada bu değişkenliği yönetmek; sıcaklık dalgaları, nem, rüzgâr, hastalık basıncı ve işçilik kalitesi yüzünden zor.

CEA dikey tarımın güçlü olduğu yer burası: çevreyi sabitleyerek ürünün “her partide aynı” kalmasını sağlamak. Ama CEA’nın da zayıf noktası var: enerji maliyeti, karmaşık operasyon ve hataya kapalı süreçler. İşte yapay zekâ burada devreye giriyor.

Agroz’un yaklaşımı; donanım (dikey yetiştirme altyapısı), bir işletim sistemi katmanı (Agroz OS) ve AI agent sistemi ile çiftçi/operatör arayüzü (Agroz Copilot for Farmers) etrafında şekilleniyor. Bu yapı, CEA’yı “manuel ustalık”tan çıkarıp veriye dayalı standart işletim haline getirmeyi hedefliyor.

CEA + yapay zekâ birleşince hangi kazanımlar beklenir?

CEA’da yapay zekâ doğru kurgulanırsa, en çok şu alanlarda değer üretir:

• Mikro-iklim optimizasyonu: sıcaklık, nem, CO₂, hava akımı, VPD gibi parametrelerin hedef doku/aroma için ayarlanması
• Işık yönetimi: spektrum, fotoperiyot ve PPFD optimizasyonu ile kalite/verim dengesi
• Hastalık ve stres erken uyarısı: yaprak görüntüsü ve çevresel veriden anomali yakalama
• İş gücü planlama: hasat zamanı tahmini, görev dağıtımı, rutin kontrol sıklığı
• Parti bazlı izlenebilirlik: aynı SKU’da bile kalite sapmalarının nedenini geriye dönük bulma

Bu listeyi okuyunca “tamam da bunlar zaten biliniyor” denebilir. Fark şurada: Japon çileği gibi premium ürünlerde bu optimizasyonların toleransı dar. Yapay zekâ burada bir “konfor” değil, doğrudan ticari gereklilik.

Agroz örneğinde yapay zekâ hangi parçaları birleştiriyor?

Ana fikir: CEA operasyonunu, birden fazla sensör ve kameradan gelen veriyi bir araya getirip karar öneren/karar veren bir sisteme çevirmek.

Agroz’un duyurusunda öne çıkan bileşenler:

• Agroz Groz Wall: Dikey üretim altyapısı (yetiştirme yüzeyi/katmanlama yaklaşımı)
• Agroz OS: Çiftlik koşullarını yöneten otomasyon + yazılım ekosistemi
• AI agent sistemi: Operasyonel hedeflere göre sürekli izleyen, sapma yakalayan ve aksiyon üreten ajanlar
• Agroz Copilot for Farmers: Operatörün günlük işini kolaylaştıran komut/öneri katmanı
• Agroz Robotics (Walker S AI humanoid robotlar): İzleme, yönetim ve muhtemelen rutin görev otomasyonu

Bu, akıllı tarımda çok kritik bir mimariyi gösteriyor: tek bir model değil, görev odaklı ajanlardan oluşan bir sistem. Örneğin bir ajan “iklim istikrarı”na bakarken, bir diğeri “hastalık riski”ni izler, bir başkası “hasat penceresi”ni optimize eder. Operatör ise Copilot üzerinden bunları anlaşılır aksiyonlara çevirir.

“Robotlar iş gücünü azaltır” cümlesi tek başına eksik

Duyuruda robotların işçilik ihtiyacını azaltacağı söyleniyor. Ben bunu şöyle okuyorum: Amaç sadece işçi sayısını düşürmek değil; işin değişkenliğini düşürmek.

CEA’da kaliteyi bozan hataların önemli bir kısmı insan kaynaklıdır:

• Aynı kontrolün farklı vardiyalarda farklı yapılması
• Yanlış sulama/EC/pH müdahalesi
• Hasatta standart dışı seçim (çok erken/çok geç)

Robotik izleme ve standardize görev akışları, özellikle premium üründe “her seferinde aynı” üretimi güçlendirir. İş gücü maliyeti düşse bile asıl kazanç iade/iskarta ve kalite dalgalanması maliyetinin düşmesidir.

Akıllı tarım için pratik dersler: Bu yaklaşımı Türkiye’de nasıl okuruz?

Türkiye’de çilek üretimi güçlü; örtü altı, iyi tarım uygulamaları, ihracat odaklı işletmeler var. Ancak premium segmentte (özellikle raf ömrü ve aroma standardı) iki konu sürekli karşımıza çıkıyor: iklim dalgalanmaları ve iş gücü kalitesi/erişimi.

Agroz örneğini “biz de Japon çileği üretelim” diye değil, şu bakışla almak daha doğru:

“Yüksek katma değerli üründe kalite standardını güvenceye almak için yapay zekâ nerede ve nasıl konumlanmalı?”

1) Yapay zekâdan önce KPI’lar netleşmeli

Birçok işletme “AI kuralım” diyerek başlıyor, sonra veri çöplüğüne dönüyor. Daha iyi yol:

• Hedef kalite metriği: Brix aralığı, renk skoru, sertlik, iade oranı
• Operasyon metriği: kg/iş-saat, enerji/kilogram, fire oranı
• Pazar metriği: hedef raf ömrü (gün), parti tutarlılığı

Yapay zekâ bu KPI’lara bağlanmadıkça “gösterge paneli” kalır.

2) Veri katmanını üçe ayırın: çevre, bitki, operasyon

Agroz’un sistem yaklaşımı bize şunu hatırlatıyor: Tek veri türü yetmez.

• Çevre verisi: sıcaklık, nem, CO₂, ışık, VPD, substrat nemi
• Bitki verisi: görüntü (yaprak/çiçek/meyve), büyüme hızı, stres belirtileri
• Operasyon verisi: kim ne zaman müdahale etti, hangi reçete uygulandı, hangi parti nereye gitti

Kalite sapmasını bulmak için bu üç katman birlikte gerekir.

3) “Copilot” yaklaşımı, sahada benim en sevdiğim model

Tam otomasyon her zaman doğru hedef değil. Özellikle tarımda, ustalığı tamamen sıfırlamak yerine ustaya doğru öneri sunmak daha hızlı sonuç veriyor.

Copilot benzeri bir yaklaşımın sahada karşılığı:

• Operatöre “şu an nem iyi” demek yerine: “2 saat içinde yoğuşma riski var; hava akımını %10 artır”
• “Bitki sağlıklı” yerine: “Bölge-3’te anomali: yaprak dokusunda lekelenme paterni; numune kontrolü öner”

Bu dil, yapay zekâyı ekibin günlük işine gerçekten sokar.

Dikey tarımda yapay zekânın gerçek sınavı: enerji, ölçek ve tedarik

CEA’nın eleştirildiği yer belli: enerji maliyeti. Aralık 2025’te enerji verimliliği hâlâ her CEA yatırımının ana sorusu. Bu yüzden yapay zekâ projelerinde ben “verim artışı” kadar şuna da bakıyorum: kWh/kg düşüyor mu?

Enerji optimizasyonunda hızlı kazanım alanları

• Işık reçetesi optimizasyonu (gereğinden fazla ışık çoğu tesiste yaygın)
• Fan/iklimlendirme zamanlaması (sabit çalıştırma yerine hedefe bağlı kontrol)
• Sulama ve besleme reçetesiyle bitki stresini düşürme (stres = verim kaybı = enerji israfı)

Agroz’un ölçek planı (2026 Q2 sonuna kadar Malezya’da dağıtım) bize şunu düşündürüyor: Sadece yetiştirmek değil, ticari tedarik planı yapmak. Premium üründe AI’nın görevi, üretimi “mümkün” kılmak kadar “planlanabilir” kılmaktır.

Sahada en çok sorulan sorular (kısa ve net)

Yapay zekâ, çilekte hastalığı gerçekten erken yakalar mı?

Evet, doğru veriyle yakalar. En iyi sonuç, görüntü verisini (kamera) çevresel verilerle birleştiren sistemlerde gelir. Sadece kamera, sadece sensör kadar güçlü değildir.

Küçük üretici için bu iş pahalı mı?

Tam CEA dikey çiftlik pahalı olabilir; ama AI’nın tamamı değil. Küçük ve orta ölçekli işletmeler için başlangıç:

1. Kamera + temel çevre sensörleri
2. Parti bazlı kayıt (basit ERP bile olur)
3. Anomali uyarıları ve sulama/iklim öneri sistemi

İnsan tamamen devreden çıkar mı?

Bu hedef çoğu zaman yanlış. Premium üründe doğru hedef: insanın karar kalitesini standardize etmek.

Yapılacaklar listesi: Yapay zekâ ile akıllı tarıma başlamak isteyenlere

Bu yazıyı bir “haber yorumu”ndan çıkarıp sahaya indirelim. Eğer siz de sera, CEA, dikey tarım veya yüksek katma değerli meyve-sebze üretiminde yapay zekâya geçmek istiyorsanız, şu sırayı öneririm:

1. Tek ürün ve tek hedef seçin: Örn. “çilekte fireyi %15 azaltmak” veya “raf ömrünü 2 gün uzatmak”.
2. Veri disiplinini kurun: sensör kalibrasyonu, veri aralığı, kayıt standardı.
3. Önce uyarı sistemi: otomatik karar vermeden önce anomali tespiti + öneri motoru.
4. Sonra kapalı döngü kontrol: (ör. iklimlendirme) sadece bir alanda otomatikleştirme.
5. Parti tutarlılığını raporlayın: kalite metriği–operasyon metriği ilişkisini gösterin.

Bu yaklaşım, “AI var ama kimse kullanmıyor” tuzağını ciddi ölçüde azaltır.

Serinin bağlamı: Yapay zekâ tarımda lüks değil, üretim disiplini

Agroz’un Japon çileğini Malezya’da CEA dikey çiftlikte yetiştirebilmesi, “akıllı tarım teknolojilerinde yapay zekâ” başlığının çok net bir örneği: veri + otomasyon + operasyonel disiplin birleştiğinde, coğrafyanın ve mevsimin kısıtları azalıyor.

Önümüzdeki dönemde (2026’ya girerken) ben şu trendin hızlanacağını düşünüyorum: Yapay zekâ, tarımda sadece “tahmin” değil, standart işletim (SOP) motoru olacak. Ürününüz premium ise, bu dönüşüm daha da hızlı gelir; çünkü tutarsızlık pahalıdır.

Sizce Türkiye’de yüksek katma değerli üretimde en büyük darboğaz hangisi: enerji mi, iş gücü mü, yoksa veri/izlenebilirlik disiplini mi?