From Answers to Agents: What Must Change Before Generative and Agentic AI Become Clinical Infrastructure in Hematology

Generative artificial intelligence in hematology is entering a new phase. The dominant question, whether large language models are accurate enough for clinical decision support, is being overtaken by a harder one, as systems shift from answering questions to acting: extracting structured cases, routing them, classifying variants, and grounding recommendations in guidelines and case memory. In 2026, a hematology agent achieved roughly 83% concordance with tumor-board decisions in a prospective silent trial, with hallucinations in 0.3%, suggesting that for well-structured tasks the binding constraint is shifting from accuracy to governability. Moving from experimental support to reliable infrastructure requires four changes: validating trajectories rather than answers; allocating autonomy inversely to case complexity; treating deployed models as regulated instruments under continuous surveillance; and engineering against automation bias, with data-privacy and consent safeguards throughout. For hematologists, this reframes AI adoption as a governance and human-factors program rather than a search for a better model.

Keywords: large language models, agentic AI, hematologic malignancies, clinical decision support, governance, automation bias

Yanıtlardan Ajanlara: Üretken ve Ajansal Yapay Zekâ Hematolojide Klinik Altyapıya Dönüşmeden Önce Neler Değişmeli?

Hematolojide üretken yapay zekâ yeni bir evreye girmektedir. Alanın güncel sorusu, yani büyük dil modellerinin klinik karar desteği için yeterince doğru olup olmadığı, yerini daha zorlu bir soruya bırakmaktadır; çünkü sistemler artık yalnızca soru yanıtlamaktan eyleme geçmeye kaymaktadır: yapılandırılmış olgu çıkarımı, olguların yönlendirilmesi, varyant sınıflandırması ve önerilerin kılavuzlar ile olgu belleğine dayandırılması. 2026 yılında, bir hematoloji ajanı prospektif bir sessiz denemede tümör kurulu kararlarıyla yaklaşık %83 uyum ve yalnızca %0,3 halüsinasyon oranına ulaşarak, yapılandırılmış görevlerde belirleyici kısıtın doğruluktan yönetilebilirliğe kaymakta olduğunu düşündürmektedir. Deneysel destekten güvenilir altyapıya geçiş dört değişimi gerektirir: yanıtların değil, süreçlerin (karar yörüngelerinin) doğrulanması; özerkliğin olgu karmaşıklığıyla ters orantılı biçimde dağıtılması; kullanıma alınan modellerin sürekli gözetim altındaki düzenlenmiş araçlar olarak ele alınması; ve otomasyon yanlılığına karşı tasarım yapılması, veri gizliliği ile hasta onamının güvence altına alınması. Hematologlar için bu, yapay zekânın benimsenmesini “daha iyi bir model arayışı” olmaktan çıkarıp bir yönetişim ve insan faktörleri programı olarak yeniden çerçeveler.

Anahtar Kelimeler: Büyük dil modelleri, ajansal yapay zekâ, hematolojik maligniteler, klinik karar desteği, yönetişim, otomasyon yanlılığı