Algoritmaların Yargısal Denetimi: Bir Bilişim Bilirkişisinin Gözünden 2026-2030 Yapay Zekâ Eylem Planı

Algoritmaların Yargısal Denetimi: Bir Bilişim Bilirkişisinin Gözünden 2026-2030 Yapay Zekâ Eylem Planı

Meral BALSAK  (BİLİŞİM TEKNOLOJİLERİ ÖĞRETMENİ ARAŞTIRMACI VE YAZAR)

Giriş: İnovasyondan Hesap Verebilirliğe Geçiş ve Hukuki Paradigma Değişimi

18 Ağustos 2026 tarihinde, 33344 sayılı Resmî Gazete’de yayımlanan 2026/9 sayılı Cumhurbaşkanlığı Genelgesi ile yürürlüğe giren “Türkiye Yapay Zekâ Eylem Planı (2026-2030)”, ülkenin teknoloji ve dijitalleşme politikalarında tarihsel bir dönüm noktasını işaret etmektedir. 2021-2025 dönemini kapsayan Ulusal Yapay Zekâ Stratejisi’nin birikimi ve kazanımları üzerine inşa edilen bu yeni vizyon belgesi, teknolojinin yalnızca bir inovasyon, kapasite inşası ve ekonomik büyüme aracı olmadığını; aynı zamanda “hesap verebilirlik”, “güvenilirlik”, “şeffaflık” ve “etik sorumluluk” boyutlarıyla devletin en üst seviyesinde regüle edilmesi gereken bir alan olduğunu tescillemiştir. Sanayi ve Teknoloji Bakanlığı koordinasyonunda hazırlanan plan, 1 trilyon lirayı aşan devasa bir ekonomik değer oluşturulmasını ve özel sektörden 500 milyar Türk Lirası tutarında bir yatırımın mobilize edilmesini hedeflemektedir.

Hukuk ve bilişim ekosistemi için bu belge, kelimenin tam anlamıyla yeni bir dönemin başlangıcını simgelemektedir. Eylem Planı, “Fark Et, İstifade Et, Üret ve Yönet” olmak üzere dört temel stratejik eksen üzerine oturtulmuş olup, iki yıllık periyotlarla (2026-2027 ve 2028-2030) aşamalı bir uygulama takvimi öngörmektedir. 2026-2027 döneminde temel yönetişim yapılarının kurulması, sektörel veri alanlarının pilotlanması ve kamu öncü uygulamalarının devreye alınması planlanırken; 2028-2030 döneminde bu sistemlerin ulusal çapta ölçeklenmesi ve ticarileşmesi hedeflenmektedir. Ayrıca, 5 milyon vatandaşa yapay zekâ okuryazarlığı kazandırılması, 100 bin yapay zekâ uygulama profesyoneli ve 10 bin ileri düzey uzman yetiştirilmesi gibi devasa insan kaynağı hedefleri, teknolojinin toplumun her kılcal damarına nüfuz edeceğinin en somut göstergesidir.

Bu noktada, yazının geri kalanını doğru okumak için hukuki bir ayrım şart. Eylem Planı bir kanun değildir; Cumhurbaşkanlığı Genelgesi ile yürürlüğe konmuş, muhatabı kamu idaresi olan bir politika belgesidir. Genelge metni de açıkça tüm kamu kurum ve kuruluşlarından “üzerlerine düşen görev ve sorumlulukları hassasiyetle yerine getirmelerini” ve uygulama sürecinde ihtiyaç duyulacak her türlü desteği sağlamalarını istemektedir. Dolayısıyla plan, özel sektördeki bir geliştiriciye doğrudan yükümlülük getirmez, ispat kuralı koymaz ve bir savunmayı tek başına hukuken geçersiz kılmaz.

Ancak pratik etkisini küçümsemek de hata olur. Plan; kamu alımları, ihale şartnameleri, sertifikasyon programları, düzenleyici deney alanına kabul kriterleri ve hazırlanacak ikincil mevzuat üzerinden şekillenecektir. Yani geliştiriciyi doğrudan değil, pazara erişim koşulları üzerinden dolaylı olarak bağlayacaktır. Bilirkişi açısından bu ayrım kritiktir: plana aykırılık tek başına hukuka aykırılık anlamına gelmez; ancak özen yükümlülüğünün ölçüsünü belirlemede giderek daha güçlü bir objektif referans noktası oluşturacaktır.

Planın bilirkişilik pratiğini ilgilendiren asıl kısmı ise kurduğu kurumsal mimaridir. Stratejik yönlendirme ve etik rehberlik Ulusal Yapay Zekâ Kurulu’na; uygulama takibi Sanayi ve Teknoloji Bakanlığı bünyesindeki Program Ofisi’ne; teknik ve güvenlik değerlendirmesi ise Cumhurbaşkanlığı Siber Güvenlik Başkanlığı ile TÜBİTAK Yapay Zekâ Enstitüsü’ne verilmektedir. Ayrıca adalet, veri mahremiyeti, açıklanabilirlik ve insan gözetimi ilkeleri etrafında rehber yayımlayacak ve yüksek etkili sistemler için görüş verecek bir Ulusal Yapay Zekâ Etik Kurulu, en az beş öncelikli sektörde kurulacak düzenleyici deney alanları ve her eylemin hedef, bütçe ve zaman uyumunu kamuya açık yayımlayacak bir Şeffaflık Portalı öngörülmektedir. Bu yapıların üreteceği görüş, rehber ve algoritmik etki değerlendirmesi raporları, ileride bilirkişinin önüne dosyada zaten var olan teknik belge olarak gelecektir.

Tabloyu tamamlayan bir eksiklik de var: Türkiye’de yapay zekâya özgü, yürürlükte tek bir kanun bulunmuyor. Türkiye Büyük Millet Meclisi’ne 2024 ve 2025 yıllarında üç ayrı kanun teklifi sunulmuş, ancak hiçbiri yasalaşmamıştır. Meclis’in 28. Dönem Yapay Zekâ Araştırma Komisyonu’nun Mart 2026 tarihli raporu ise konuyu bütüncül ele alan ilk kurumsal belge olup, düzenleyici otoriteyi tek çatı altında toplayacak bir Türkiye Yapay Zekâ Kurumu kurulmasını önermektedir. Kısacası elimizde güçlü bir politika belgesi, olgunlaşmakta olan bir kurumsal mimari ve hâlâ doldurulmamış bir kanun boşluğu var. Bu boşluk, yükü doğrudan hâkimin ve bilirkişinin omuzlarına bindirmektedir.

Peki, mahkeme salonlarına yansıyacak olan giderek karmaşıklaşan uyuşmazlıklarda “teknik gerçeği” arayan bir bilişim bilirkişisi için bu devasa eylem planı ne anlama gelmektedir? Yapay zekâ sistemlerinin otonom kararları, istihdamdan sağlığa, ulaşımdan ceza adaletine kadar hayatımızın merkezine yerleştikçe, hukuki ihtilafların doğası da kökten değişmektedir. İşe alım algoritmalarının veri setlerindeki gizli örüntüler nedeniyle cinsiyet ayrımcılığı yapmasından, yapay zekâ destekli tıbbi teşhis yazılımlarının fatal hatalarına ve otonom araçların karıştığı zincirleme kazalara kadar uzanan geniş bir yelpazede, hukukun en büyük sınavı “sorumluluğun kime ait olduğunu” ve “illiyet bağını” (nedensellik) bulmak olacaktır. İşte tam bu noktada, yeni eylem planının “Yönet” ekseninde sunduğu çerçeve, adli bilişim (digital forensics) ve bilirkişilik süreçleri için ulusal ve uluslararası normlarla uyumlu hayati standartlar getirmektedir.

1. “Kara Kutu”ya Karşı Açıklanabilir Yapay Zekâ (XAI)

Yapay zekâ, özellikle derin öğrenme (deep learning) ve çok katmanlı yapay sinir ağları (artificial neural networks) modellerinin en büyük hukuki handikabı, bir karara nasıl vardıklarının şeffaf olmamasıdır. Hukuk sistemi gerekçelendirme, nedensellik ve ispat üzerine kuruludur. İdari bir kararın, yargısal bir hükmün veya ticari bir sözleşme feshinin gerekçesi açıkça ortaya konmalıdır.

Oysa modern derin öğrenme modelleri “kara kutu” (black box) mantığıyla çalışır. Girdi (örneğin bir bireyin özgeçmişi veya kredi başvuru formu) ile çıktı (kredi reddi veya işe alım onayı) arasındaki matematiksel ağırlıklar, gizli katmanlarda (hidden layers) milyarlarca parametre halinde dağılmış durumdadır ve bu parametreler insanın doğal dilde anlayabileceği bir gerekçe sunmaz. Türkiye Yapay Zekâ Eylem Planı (2026-2030), “güven ve sorumluluk” ilkesine dayanarak bu şeffaflık sorununu çözmeyi amaçlayan “açıklanabilirlik” (explainability) kavramını ve algoritmik etki değerlendirmesini merkeze almaktadır.

Adli Bilişimde Paradigma Değişimi: Kaynak Kodundan Model Karar Haritalandırmasına

Bilirkişi Perspektifi: Gelecekte, bir algoritmanın verdiği hatalı, zararlı veya ayrımcı bir karar dava konusu olduğunda, mahkemeler bilirkişilerden sadece yazılımın kaynak kodlarını (source code) incelemelerini beklemeyecektir. Kaynak kodunun kendisi statiktir; oysa yapay zekânın davranışı dinamiktir ve veriden öğrendiği örüntülere (patterns) dayanır. Bu bağlamda, Eylem Planı’nın şeffaflık vurgusu, bilişim bilirkişilerini “Açıklanabilir Yapay Zekâ” (Explainable AI – XAI) metodolojilerini kullanmaya sevk etmektedir. Bir algoritmanın karar alma sürecini haritalandırmak, LIME (Local Interpretable Model-agnostic Explanations) veya SHAP (SHapley Additive exPlanations) gibi ileri düzey istatistiksel tersine mühendislik araçlarıyla mümkündür.

Bu noktada önemli bir ayrımı netleştirmek gerekir. ISO/IEC 42001 (Yapay Zekâ Yönetim Sistemi) ve NIST AI RMF (Yapay Zekâ Risk Yönetim Çerçevesi) gibi standartlar hukuken bağlayıcı değildir; ikisi de gönüllü çerçevelerdir ve bağlayıcılık kazandıkları yol sözleşme ya da ihale şartnamesidir. Buna karşılık bir uyuşmazlıkta bu standartlar, “sektörde beklenen özen düzeyini” gösteren objektif ölçüt olarak bilirkişi raporuna girer: ISO/IEC 42001’in öngördüğü olay kayıtlarını (audit log) hiç tutmamış bir geliştirici, kanuni bir yükümlülüğü değil ama sektörün asgari özen standardını ihlal etmiş sayılır. Eylem Planı da bu standartları doğrudan dayatmaz; kamu alımları, sertifikasyon programları ve düzenleyici deney alanı kriterleri üzerinden dolaylı biçimde yaygınlaştırır.

Bir bilişim bilirkişisi, sunulan dijital delilleri incelerken şu teknik metrikleri arayacaktır:

1. JSON Şemaları ve Olay Özetleri: ISO/IEC 42001 uyumlu bir sistemde log kayıtları, olay özetlerini (event_hashes) ve zaman damgası otoritelerini (timestamp_authorities) içerecek şekilde standartlaştırılmış JSON formatlarında tutulmalıdır. Bu durum, logların sonradan değiştirilemezliğini (non-repudiation) garanti altına alır.
2. İnsan Müdahalesi (Human-in-the-loop) Kayıtları: Sistem, kritik kararlar öncesinde insan onayına başvurdu mu? Başvurduysa bu süreç loglandı mı? Avrupa Birliği Yapay Zekâ Yasası (EU AI Act), yüksek riskli sistemler için insan gözetimini (m. 14) ve otomatik olay kaydı tutulmasını (m. 12) açıkça zorunlu kılar; 6698 sayılı Kanun ise ilgili kişiye, münhasıran otomatik sistemlerle alınan aleyhe karara itiraz hakkı tanır (m. 11/1-g). Bilirkişi, “decision log” (karar günlüğü) dosyalarını inceleyerek algoritmanın nerede bağımsız hareket ettiğini, nerede insan yönlendirmesi aldığını tespit eder.

Eylem Planı’nın bu şeffaflık vurgusu, bilirkişilerin dijital delil toplama süreçlerini standardize edecek bir zemin yaratmaktadır. Ancak “ticari sır” savunmasını tek başına hukuken geçersiz kılmaz; bu savunmanın sınırını çizecek olan, belge ibrazına ilişkin usul hükümleri ve hâkimin somut olaydaki menfaat dengesi değerlendirmesidir. Uygulamada beklenen çözüm, modelin tümüyle açılması değil; bilirkişiye kapalı devre inceleme imkânı tanınması ve raporda yalnızca karar mantığının açıklanmasıdır.

2. Eğitim Verisinin Bütünlüğü ve Önyargı (Bias) Denetimi

Bir yapay zekâ modelinin kalitesi ve çıktısının hukuka uygunluğu, bütünüyle beslendiği verinin kalitesine, kapsamına ve tarafsızlığına bağlıdır. “Çöp giren çöp çıkar” (garbage in, garbage out) evrensel bilişim kuralı, yapay zekâ çağında “önyargılı giren, ayrımcılık çıkar” şekline evrilmiştir. Hukuka aykırı yollarla toplanmış veya tarihsel, toplumsal önyargılar (bias) barındıran veri setleri ile eğitilen algoritmalar, doğrudan temel hak ihlallerine ve sistematik eşitsizliklere yol açar. Literatürde “algoritmik ayrımcılık” (algorithmic discrimination) olarak adlandırılan bu olgu, etnik köken, cinsiyet, yaş, inanç veya engellilik gibi özelliklere dayanarak belirli kişi veya gruplara karşı adaletsiz muamelede bulunulmasını ifade eder.

İstihdamda ve Sosyal Haklarda Algoritmik Ayrımcılık Pratikleri

İş ilişkilerinde ve idari süreçlerde algoritmaların kullanılması, görünürde insan hatalarını azaltmayı ve objektifliği sağlamayı vadetse de, çoğu zaman tarihsel eşitsizlikleri kodlayarak kalıcı hale getirmektedir. En bilinen örnek Amazon’un işe alım aracıdır: şirket 2014’te özgeçmişleri otomatik değerlendiren bir sistem geliştirmeye başlamış, 2015’te sistemin kadın adayları sistematik olarak dezavantajlı konuma düşürdüğünü fark etmiştir. Model, on yıllık başvuru arşivinden teknik pozisyonlara çoğunlukla erkeklerin başvurduğunu ve işe alındığını öğrenmiş; “kadın” kelimesi geçen özgeçmişleri (örneğin “Kadın Satranç Kulübü Kaptanı”) aşağı çekmiştir. Proje 2017’de kapatılmış, olay Reuters’ın Ekim 2018 tarihli haberiyle kamuoyuna yansımıştır.

Yargıya taşınan iki örnek ise birbirinin zıddı sonuçlar vermiştir. Amerika Birleşik Devletleri’nde ceza yargılamasında kullanılan COMPAS risk değerlendirme algoritmasına yönelik State v. Loomis davasında Wisconsin Yüksek Mahkemesi, 2016 yılında algoritmanın hükümde kullanılmasını hukuka aykırı bulmamış; yalnızca raporda aracın grup verisine dayandığına ve ırksal önyargı eleştirilerine ilişkin yazılı uyarılar bulunması ile algoritmanın cezanın tek belirleyicisi olmaması şartlarını getirmiştir. Buna karşılık konut kiralamalarında risk puanlaması yapan algoritmaya karşı açılan Louis v. SafeRent Solutions davası, 2,275 milyon dolarlık uzlaşmayla sonuçlanmış; mahkeme 20 Kasım 2024’te bu uzlaşmayı onaylayarak konut yardımı alan başvurucular için ileriye dönük koruma tedbirleri de getirmiştir. Aradaki fark tesadüf değildir: ilkinde ceza yargılamasının usuli güvence mantığı, ikincisinde ayrımcılık hukukunun orantısız etki (disparate impact) ölçütü işlemiştir.

Türk hukukunda ayrımcılık yasağı, Anayasa’nın 10. maddesi (Eşitlik İlkesi) ve 4857 sayılı İş Kanunu’nun 5. maddesi (Eşit Davranma İlkesi) ile güçlü bir biçimde güvence altına alınmıştır. İş Kanunu m. 5/son fıkrası, ispat yüküne ilişkin çok kritik bir düzenleme içerir: Kural olarak işçi eşit davranma ilkesinin ihlal edildiğini ispatla yükümlü olsa da, işçi bir ihlalin varlığına dair “güçlü bir olasılık” (kuvvetli emare) gösterdiğinde, işveren böyle bir ihlalin mevcut olmadığını kanıtlamakla (ispat yükünün yer değiştirmesi) mükellef hale gelir.

Ayrımcılık yasağının yanında, algoritmik kararlara doğrudan temas eden bir hüküm daha vardır ve uygulamada hak ettiği ilgiyi görmemektedir: 6698 sayılı Kişisel Verilerin Korunması Kanunu’nun 11. maddesinin (g) bendi, ilgili kişiye “işlenen verilerin münhasıran otomatik sistemler vasıtasıyla analiz edilmesi suretiyle kişinin kendisi aleyhine bir sonucun ortaya çıkmasına itiraz etme” hakkı tanır. Bu hüküm, Türk hukukunda algoritmik karara karşı ileri sürülebilecek en doğrudan dayanaktır ve veri sorumlusuna kararı yeniden değerlendirme ile insan müdahalesi sağlama yükümlülüğü doğurur.

Türkiye’de bu tartışmanın en somut yaşandığı alanlar; bankacılıkta kredi skorlama ve otomatik kredi reddi, sigortacılıkta risk fiyatlaması, kamuda sosyal yardım ve vergi risk analizi gibi karar destek sistemleri ile e-ticarette satıcı hesabının otomatik kapatılmasıdır. Bir kredi başvurusu münhasıran otomatik bir skorlama sonucunda reddedildiğinde, ilgili kişinin m. 11/1-(g) kapsamındaki itirazı, kurumu skorlama modelinin girdilerini ve ağırlıklandırmasını açıklayabilir konumda olmaya zorlar. Bilişim bilirkişisi incelemesinin çıkış noktası tam olarak burasıdır.

Bilirkişi Perspektifi: Bu hukuki çerçeve, bilirkişiler için tamamen yeni bir inceleme alanı yaratmaktadır. İşçi, yapay zekâ tabanlı bir işe alım veya performans değerlendirme sistemi yüzünden dolaylı ayrımcılığa (indirect discrimination) uğradığına dair bir istatistik sunduğunda ve ispat yükü işverene geçtiğinde, mahkeme işverenin kullandığı algoritmanın “tarafsız” olduğunu ispatlamasını isteyecektir. Bu noktada bilişim bilirkişileri artık sadece verinin nerede saklandığına (sunucu analizi) veya sistemin çöküp çökmediğine değil, “verinin algoritmayı nasıl eğittiğine” ve çıktıların demografik etkilerine odaklanacaktır.

Bilirkişinin gerçekleştireceği “Algoritmik Önyargı Denetimi” şu aşamaları içerir:

• Veri Seti Demografik Analizi (Under/Over Representation): Eğitim verisinin belirli grupları yeterince temsil edip etmediği analiz edilir. Örneğin, bir yüz tanıma sisteminin eğitim verisi ağırlıklı olarak beyaz tenli bireylerden oluşuyorsa, sistemin koyu tenli bireylerde hata yapma oranı asimetrik olarak artacaktır. Bilirkişi, eğitim verisindeki dağılım matrisini çıkarır.
• Vekil Veri (Proxy Data) İncelemesi: Algoritmalar, açıkça yasaklanmış kriterleri (örneğin ırk veya din) kullanmasa bile, bunlarla yüksek korelasyon gösteren “vekil verileri” (örneğin kişinin yaşadığı posta kodu veya mezun olduğu lise) temel alarak ayrımcılık yapabilir. Bilirkişi, algoritmanın özellik ağırlıklandırmasını (feature importance) inceleyerek dolaylı ayrımcılık unsurlarını tespit eder.
• Çıktı Testleri (Demographic Parity & Equal Opportunity): Sisteme, bağımsız değişkenleri (isim, cinsiyet belirten ibareler vb.) manipüle edilmiş kurgusal (dummy) profiller yüklenerek, sistemin verdiği yanıtların objektifliği istatistiksel A/B testleri ile raporlanır.

Eylem planı doğrultusunda, veri setlerinin anonimleştirilme kalitesi ve algoritmik ayrımcılık testleri, adli bilişim raporlarının ana konusu haline gelecektir.

3. Yapay Zekâ Eğitim Süreçlerinde KVKK ve Veri İhlallerinin Tespiti

Yapay zekâ modellerinin “yakıtı” olan büyük veri (big data), çoğu zaman terabaytlarca kişisel ve hatta özel nitelikli kişisel veriyi (sağlık, biyometri, genetik veriler) barındırır. Yeni YZ ekosisteminde veri ihlallerinin tespiti, geleneksel siber güvenlik olaylarındaki bir sunucu sızıntısını, SQL enjeksiyonunu veya izinsiz erişimi (hack) incelemekten çok daha girifttir. Günümüzde şirketler ve araştırmacılar; web kazıma (web scraping), açık kaynak istihbaratı (OSINT) veya şirket içi operasyonel sistemlerden elde ettikleri devasa verileri çoğu zaman uygun anonimleştirme filtrelerinden geçirmeden makine öğrenmesi modellerine doğrudan besleyebilmektedir.

2026-2030 Eylem Planı’nda altı çizilen veri güvenliği, dijital egemenlik ve mahremiyet hedefleri, Kişisel Verileri Koruma Kurumu’nun yayımladığı rehberlerle birlikte okunmalıdır. Kurum’un 2021 tarihli “Yapay Zekâ Alanında Kişisel Verilerin Korunmasına Dair Tavsiyeler” belgesi bu alandaki ilk metindir; ancak tek başına güncel değildir. Kurum o tarihten bu yana doğrudan bu konuda dört belge daha yayımlamıştır: 8 Kasım 2024 tarihli “ChatGPT ve Benzeri Sohbet Robotları Bilgi Notu”, 24 Kasım 2025 tarihli “Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda)”, 5 Mart 2026 tarihli “İş Yerlerinde Üretken Yapay Zekâ Araçlarının Kullanımı” ve 12 Mart 2026 tarihli “Etken Yapay Zekâ (Agentic AI)” dokümanı. Bu belgelerin ortak omurgası şudur: “Tasarımdan Başlayan Uyum” (Privacy by Design), ölçülülük, veri minimizasyonu ve hesap verebilirlik. Bilirkişi açısından bunlar, 6698 sayılı Kanun’un m. 4 (genel ilkeler), m. 6 (özel nitelikli veriler) ve m. 12 (veri güvenliği) hükümlerinin somut uygulama ölçütlerini verir.

Bir bilişim bilirkişisi olarak, bir makine öğrenmesi modelinin eğitim sürecinde (training phase) KVKK’nın ihlal edilip edilmediğini tespit etmek, sistemin mimarisini hücresel düzeyde incelemeyi gerektirir. İhtilaf anında bilirkişiden beklenen adli bilişim standartları şunlardır:

Model Ezberlemesi (Memorization) ve İfşa Analizi

Büyük Dil Modelleri (LLM – Large Language Models) veya derin öğrenme ağları, eğitim süreçlerinde karşılaştıkları verileri her zaman “genelleştirmek” (generalization) yerine, bazen birebir “ezberleme” (memorization) eğilimi gösterir. Kurumlar, eğitim verisine müşteri veri tabanını veya telifli materyalleri dahil ettiğinde telif hakkı ihlalleri (copyright exposure) ile kişisel veri ihlalleri birlikte meydana gelir. Bir davada bilirkişi, modelin çıkarım (inference) aşamasında son kullanıcıya eğitim setindeki bir kişinin kimlik numarasını, ev adresini, kredi kartı bilgilerini veya tıbbi kayıtlarını ifşa edip etmediğini tespit etmelidir. Bunun için kullanılan yöntem “eğitim verisi çıkarımı” (training data extraction) ve “üyelik çıkarımı” (membership inference) testleridir; modele özel olarak kurgulanmış girdiler verilerek ezberlenmiş içeriğin geri çekilip çekilemediği ölçülür. Bu testler, modele verilen talimatların ele geçirilmesini hedefleyen komut enjeksiyonundan (prompt injection) farklı bir saldırı sınıfıdır ve ikisi raporda karıştırılmamalıdır.

Model Tersine Mühendisliği (Model Inversion) ve Yeniden Kimliklendirme

Geliştiriciler genellikle verileri anonimleştirdiklerini iddia ederek sorumluluktan kurtulmaya çalışırlar. Ancak anonimleştirildiği iddia edilen veri setleriyle eğitilmiş bir modelin çıktıları üzerinden, “Model Inversion” (Model Tersine Mühendisliği) veya “Membership Inference” (Üyelik Çıkarımı) saldırıları ile üçüncü şahıslar, eğitim verisinde yer alan kişilerin kimliklerini yeniden tespit edebilir (re-identification). Bilirkişinin görevi, uygulanan anonimleştirme algoritmalarının matematiksel geçerliliğini test etmek ve modelin bu tür çıkarım saldırılarına karşı istatistiksel direncini mahkemeye raporlamaktır.

Veri Ön İşleme (Data Pre-processing) ve Maskeleme Mimarilerinin Denetimi

KVKK, kişisel veri işleme esaslı yapay zekâ teknolojileri geliştirilirken aynı sonuca kişisel veri işlenmeksizin veya verilerin anonim hale getirilerek işlenmesi yöntemleriyle ulaşılabiliyorsa bu yöntemlerin tercih edilmesini zorunlu kılar (Veri Minimizasyonu). Eğer sağlık veya biyometrik veriler gibi “özel nitelikli kişisel veriler” işleniyorsa, teknik ve idari tedbirler çok daha sıkı uygulanmalıdır.

Bilirkişi incelemeleri artık yalnızca geleneksel veri tabanı erişim loglarıyla sınırlı kalmayacak;

• Maskeleme Algoritmaları: Eğitim setindeki k-anonymity (k-anonimlik) ve l-diversity (l-çeşitlilik) gibi matematiksel maskeleme yöntemlerinin kalitesi incelenecektir. Bu yöntemler 2000’li yılların standardıdır; günümüzde model eğitiminde asıl ölçüt diferansiyel gizliliktir (differential privacy) ve uygulanan gizlilik bütçesi (epsilon değeri), modelin üyelik çıkarımı saldırılarına direncini doğrudan belirler. Bilirkişi, maskeleme iddiasını bu parametre üzerinden sınar.
• Prompt (Komut) Geçmişi Analizi: Çalışanların ChatGPT, yerel LLM’ler veya diğer yapay zekâ araçlarına girdikleri komut (prompt) geçmişlerinin incelenmesi zorunlu hale gelecektir. Kişisel Verileri Koruma Kurumu bu konuyu 5 Mart 2026 tarihli “İş Yerlerinde Üretken Yapay Zekâ Araçlarının Kullanımı” belgesiyle ayrıca ele almıştır; dolayısıyla müşteri verilerinin bu araçlara kopyalanıp kopyalanmadığının tespiti artık uzak bir yabancı mevzuat sorunu değil, doğrudan yerel bir uyum sorunudur. Bulgu, kurumsal kusurun (organizasyon kusuru) tespiti bakımından hayati önem taşır.

4. Sorumluluk Atfı: Yazılımcı mı, Kullanıcı mı, Yapay Zekâ mı?

Yapay zekâ teknolojilerinin “üretken” (generative) veya “tavsiye edici” (recommender) nitelikten çıkıp fiziksel dünyada “otonom” hareket yeteneği kazanması (otonom araçlar, insansız hava araçları, robotik süreç otomasyonu, yapay zekâ destekli otonom cerrahi sistemler vb.), fiziksel ve maddi zararların doğmasına zemin hazırlamaktadır. Otonom bir sistem zarar verdiğinde kusurun kimde olduğu hukukun en karmaşık problemidir. Kusur; yazılımı hatalı kodlayan geliştirici şirkette mi, sistemi yanlış yapılandıran veya uyarıları dikkate almayan son kullanıcıda mı, altyapı/donanım sağlayıcısında mı, yoksa sistemin kendi içinde “öngörülemez” (emergent) bir otonom karar almasında mı aranmalıdır?

2026-2030 Eylem Planı, bu karmaşayı çözmek adına “orantılı risk yaklaşımı” ve “güvenlik/sertifikasyon” temelli bir felsefe benimsemektedir. Referans aldığı model AB Yapay Zekâ Yasası’dır (EU AI Act): sistemler taşıdıkları riske göre kabul edilemez, yüksek, sınırlı ve minimal olarak sınıflandırılır; yüksek riskli sistemler (sağlık, istihdam, otonom sürüş gibi) sıkı belgelendirme ve denetime tabi tutulur.

Burada güncel bir düzeltme şart: EU AI Act artık bir taslak değildir. (AB) 2024/1689 sayılı Tüzük 1 Ağustos 2024’te yürürlüğe girmiş; yasak uygulamalar ve yapay zekâ okuryazarlığı yükümlülüğü 2 Şubat 2025’te, genel amaçlı yapay zekâ yükümlülükleri 2 Ağustos 2025’te uygulanmaya başlamıştır. 27 Temmuz 2026’da yürürlüğe giren Dijital Omnibus düzenlemesiyle yüksek riskli sistemlere ilişkin yükümlülükler, Ek III kapsamındakiler için 2 Aralık 2027’ye, ürüne gömülü Ek I sistemleri için 2 Ağustos 2028’e ertelenmiştir. Buna karşılık Madde 50’deki şeffaflık yükümlülükleri (yapay zekâ ile etkileşimin bildirilmesi, sentetik içeriğin etiketlenmesi, deepfake’lerin işaretlenmesi) 2 Ağustos 2026 itibarıyla uygulanmaktadır. Yani Türkiye’nin Eylem Planı’nı yayımladığı 18 Ağustos 2026, Avrupa’da takvimin bir kısmının gevşetildiği, bir kısmının ise yeni yürürlüğe girdiği bir aralığa denk gelmiştir. Türkiye’de faaliyet gösterip AB pazarına ürün veren bir geliştirici için Madde 50 yükümlülükleri bugün bağlayıcıdır ve bir uyuşmazlıkta “etiketleme yapılmış mı” sorusu teknik incelemenin doğal parçasıdır.

Türk Borçlar Hukuku Kapsamında Sorumluluk Rejimi ve İlliyet Bağı

Türk hukuk doktrininde yapay zekâ otonom eylemlerinden doğan sorumluluk iki ana eksende tartışılmaktadır:

1. Kusur Sorumluluğu (TBK m. 49): Klasik haksız fiil teorisi bağlamında, zarara sebep olan kişinin (geliştirici veya kullanıcı) doğrudan kusurlu davranışının (kasıt veya ihmal) ispatına dayanır.
2. Tehlike Sorumluluğu (TBK m. 71): Doktrindeki en güçlü yaklaşım, fiziksel yapay zekâ uygulamalarının ve robotik sistemlerin TBK m. 71 uyarınca “önemli ölçüde tehlike arz eden işletme” olarak değerlendirilmesidir. Bu maddeye göre, uzman bir kişiden beklenen tüm özen gösterilmiş olsa bile, mahiyeti gereği “sıkça veya ağır zararlar doğurmaya elverişli” olan bir işletmenin faaliyetinden doğan zararlardan işletme sahibi ve varsa işleten müteselsilen ve kusursuz olarak sorumlu tutulur. Sık yapılan bir hatayı burada düzeltmek gerekir: Türk hukukunda üreticinin kusursuz sorumluluğunun dayanağı 6502 sayılı Tüketicinin Korunması Hakkında Kanun değildir. Kanun koyucu ürün sorumluluğunu bu kanuna bilinçli olarak almamış, konuyu ürün güvenliği mevzuatına bırakmıştır; bugünkü dayanaklar 7223 sayılı Ürün Güvenliği ve Teknik Düzenlemeler Kanunu ile 2003 tarihli Ayıplı Malın Neden Olduğu Zararlardan Sorumluluk Hakkında Yönetmelik’tir.

Asıl sorun tam burada başlar: 7223 sayılı Kanun’un “ürün” tanımı dijital ürünleri ve bağımsız yazılımı kapsamamakta, sorumluluğu bir ürün güvenliği kavramı olan “uygunsuzluğa” bağlamaktadır. Yani otonom bir sistemin zararı yazılımdan kaynaklandığında Türk ürün sorumluluğu mevzuatı kavramsal olarak boşluktadır ve ağırlık uygulamada TBK m. 71’e biner. Avrupa bu boşluğu kapatmıştır: 23 Ekim 2024’te kabul edilip 8 Aralık 2024’te yürürlüğe giren (AB) 2024/2853 sayılı yeni Ürün Sorumluluğu Direktifi, “ürün” tanımına gömülü ve bağımsız yazılım ile yapay zekâ sistemlerini açıkça dahil etmiş, üye devletlere 9 Aralık 2026’ya kadar uyum süresi tanımıştır. Buna karşılık AB’nin Yapay Zekâ Sorumluluk Direktifi teklifi, uzlaşı sağlanamadığı gerekçesiyle Şubat 2025’te geri çekilme listesine alınmış ve Ekim 2025’te resmen geri çekilmiştir; böylece yapay zekâ sorumluluğu büyük ölçüde ulusal hukuklara kalmıştır. Türkiye açısından çıkarılacak sonuç açıktır: Eylem Planı’nın “hukuki öngörülebilirlik” hedefi, ürün tanımının yazılımı kapsayacak biçimde güncellenmesi olmadan tamamlanamaz.

Bilirkişi Perspektifi: Yeni eylem planı, yapay zekâ sistemlerinin risk seviyelerine göre belgelendirilmesini öngörüyor. Bir bilirkişi olarak, sistemin genelgede öngörülen ulusal standartlara (güvenlik, test ve sertifikasyon) uyup uymadığını denetlemek, kusur oranlarını belirlemede en kritik metrik olacaktır.

Örneğin, seviye 4 bir otonom aracın karıştığı bir kazada bilirkişinin yapacağı “decision log” (karar günlüğü) analizi şöyledir:

• Zaman Damgalı Log Analizi: Sensör verileri incelenerek, sistemin engeli hangi milisaniyede algıladığı, YZ’nin hangi anda otonom karar aldığı veya sürücüye devir alma uyarısı (handover alert / override beklentisi) gönderdiği tespit edilir. Bu deliller “hash değerleriyle” (kriptografik özet fonksiyonu) korunmalı, uluslararası “chain of custody” (delil zinciri) standardına uygun saklanmalıdır.
• Sorumluluk Bölüşümü: Analiz sonucunda kazanın sensörün kör noktayı görmemesinden kaynaklandığı tespit edilirse üreticinin kusuru; yazılımın doğru devir alma uyarısını göndermesine rağmen sürücünün müdahale etmediği tespit edilirse sürücünün taksiri; kazanın “geofencing” (coğrafi çitleme) veya yanlış yol verisi (GPS) yüzünden olduğu anlaşılırsa idarenin altyapı kusuru gündeme gelir. Örneğin üretici yüzde 60, sürücü yüzde 30, idare yüzde 10 gibi bir dağılım kurulabilir. Buradaki oranlar tamamen kurgusaldır ve yalnızca yöntemi göstermek için verilmiştir; gerçek dağılım her dosyada teknik bulgulara ve hâkimin takdirine göre belirlenir.

Bilirkişi raporları bu teknik verileri harmanlayarak hâkimin adil bir tazmin dengesi kurmasına olanak tanır. Burada iki hükmü ayırmak gerekir: TBK m. 61, birden çok kişinin birlikte sebebiyet verdiği zararda dış ilişkiyi düzenler ve zarar görenin sorumlulardan herhangi birinden zararın tamamını isteyebilmesini sağlar; sorumlular arasındaki paylaştırma ise TBK m. 62’nin konusudur. Tazminatın belirlenmesi ve indirilmesi bakımından ayrıca TBK m. 51 ve 52 uygulanır. Sistemin kendi kararlarında öngörülemeyen veya kontrol edilemeyen bir hata varsa, üreticinin tehlike sorumluluğu ve ürün sorumluluğu çerçevesinde tazminat yükümlülüğü doğacaktır.

5. Yapay Zekâya Yönelik Siber Saldırılar (Data Poisoning)

Yapay zekâ modelleri sadece sistemsel kazalar veya hatalar üretmez; aynı zamanda manipüle de edilebilirler. Yapay zekâya yönelik siber saldırılar, geleneksel BT (Bilgi Teknolojileri) altyapılarına yönelik saldırılardan (DDoS, fidye yazılımı, SQL injection) çok daha farklı ve tespiti olağanüstü derecede karmaşıktır. 2026-2030 Eylem Planı, 1 GW veri merkezi kurulu gücüne ulaşmayı ve ulusal hesaplama omurgası oluşturmayı hedeflerken “güvenlik değerlendirme kapasitesi” ve siber güvenlik boyutunu stratejik bir eksen (Yönet ekseni) olarak kurgulamıştır.

Geleneksel bir siber saldırıda saldırgan, sistemin kaynak koduna sızar veya ağ trafiğini boğar. Ancak yapay zekâya yönelik saldırılarda saldırgan, algoritmanın “öğrenme” (matematiksel ağırlıklandırma) yeteneğini hedefler.

Eğitim Verisinin Zehirlenmesi (Data Poisoning)

Data poisoning (veri zehirlenmesi) saldırısı, kötü niyetli bir aktörün, YZ modelinin eğitim (training) veya yeniden optimizasyon (fine-tuning) veri setine, modelin ileride belirli bir girdiyi kasıtlı olarak yanlış sınıflandırmasını sağlayacak şekilde kurgulanmış manipülatif veriler yerleştirmesidir. Örneğin, bir otonom sürüş algoritmasını yanıltmak isteyen bir saldırgan, eğitim veri setindeki “Dur” tabelası fotoğraflarına insan gözünün fark edemeyeceği spesifik piksel gürültüleri ekler. Model bu pikselleri öğrendiğinde, ileride aynı piksel gürültüsünü taşıyan bir etiketi gördüğünde “Dur” tabelasını “Hız Sınırı” olarak algılayıp ölümcül bir kazaya neden olabilir.

Tersine Mühendislikle Yanıltma (Adversarial Attacks / Çekişmeli Saldırılar)

Model yayına alındıktan sonra (inference/çıkarım aşamasında) yapılan saldırılardır. Sisteme verilen girdilerin, modeli yanıltacak şekilde özenle manipüle edilmesidir (adversarial perturbation). Örneğin, yüz tanıma tabanlı bir güvenlik sistemini yanıltmak için, saldırgan yüzüne algoritmanın ağırlık matrisini bozan özel desenli bir bant veya gözlük takarak sistemin kendisini “yetkili bir personel” olarak tanımasını sağlayabilir.

Bilirkişi Perspektifi: Genelgede vurgulanan siber güvenlik ve yerli bulut altyapısı hedefleri, YZ sistemlerinin adli bilişim incelemelerinde yepyeni protokoller gerektirecektir. Mahkemede bir zararın oluştuğu sabitken (örneğin otonom aracın yayaya çarpması veya yüz tanıma sisteminin yetkisiz kişiye kapı açması), zararın kaynağının “üreticinin hatalı kodlamasından/tasarımından” mı yoksa “üçüncü bir kişinin dışarıdan yaptığı siber manipülasyondan (data poisoning / adversarial attack)” mı kaynaklandığını birbirinden ayırmak, bilişim bilirkişilerinin en büyük teknik sınavlarından biri olacaktır.

Bilirkişi bu tespiti yaparken:

• Modelin kaynak kodunda bir değişiklik göremez; zira saldırı koda değil matematiksel “ağırlıklara” (weights and biases) yapılmıştır.
• Eğitim verilerinin geriye dönük kriptografik özet fonksiyonlarını (hash) kontrol ederek veri setinin sonradan değiştirilip değiştirilmediğini inceler.
• Üreticinin, “kötü niyetli girdilere” (adversarial inputs) karşı yeterli sağlamlaştırma (robustness) testlerini yapıp yapmadığını, ISO/IEC 42001 ve Eylem Planı standartlarına göre denetler. Üretici, bilinen saldırı vektörlerine karşı modelini test etmemişse (ihmal), siber saldırıya uğramış olsa dahi zarardan TBK m. 112 (sözleşmeden doğan sorumluluk) veya kusur sorumluluğu kapsamında sorumlu tutulabilecektir.

6. Bilirkişilik Mevzuatı Ne Diyor, Ne Demiyor?

Yapay zekâ uyuşmazlıklarının teknik tarafı ne kadar yeni olursa olsun, bilirkişinin çalışma çerçevesi mevcut mevzuatla çizilidir. 6754 sayılı Bilirkişilik Kanunu ve Bilirkişilik Yönetmeliği bilirkişinin seçimini, yetkinliğini ve etik yükümlülüklerini belirler. Hukuk Muhakemeleri Kanunu’nun 266 ve devamı maddeleri hukuk yargılamasında bilirkişi incelemesini düzenlerken, 293. maddesi tarafın kendi seçtiği uzmandan bilimsel mütalaa (uzman görüşü) sunmasına imkân tanır; bu yol, karmaşık algoritma dosyalarında giderek daha sık kullanılacaktır. Ceza yargılamasında Ceza Muhakemesi Kanunu’nun 63 ve devamı maddeleri uygulanır. Bir yapay zekâ sisteminin sunucusuna, model dosyalarına veya eğitim verisine el konulması ve kopyasının (imajının) alınması ise doğrudan CMK m. 134’ün konusudur; inceleme aslın üzerinde değil, alınan kopya üzerinde yürütülür.

Henüz Tanımlanmış Bir Uzmanlık Alanı Yok

Uygulamadaki asıl darboğaz mevzuatın kendisinde değil, uzmanlık alanı tanımındadır. Bilirkişilik Daire Başkanlığı’nın uzmanlık alanları listesinde bilişim başlığı bulunmakla birlikte, algoritma denetimi, model doğrulama veya yapay zekâ sistemleri biçiminde tanımlanmış bir alt uzmanlık alanı henüz yer almamaktadır. Sonuç şudur: bir mahkeme, model önyargısının istatistiksel testini yapabilecek nitelikte bir uzmanı genel bilişim listesinden seçmek zorunda kalmaktadır. Eylem Planı’nın insan kaynağı hedefleri ile bilirkişilik uzmanlık alanlarının güncellenmesi arasında kurulacak bağ, önümüzdeki dönemin en somut düzenleme ihtiyacıdır.

Kararın Dayandığı Model Sürümü Korunmalıdır

Klasik adli bilişimde delil kural olarak sabit bir nesnedir; bir disk imajı alındığında içeriği değişmez. Yapay zekâ sistemlerinde ise durum farklıdır: modeller sürekli yeniden eğitilir, ince ayar (fine-tuning) görür ve güncellenir. Dava açıldığında, uyuşmazlığa konu kararı üreten model sürümü çoktan üzerine yazılmış olabilir. Bu, delil karartma tartışmasının yeni biçimidir. Klasik delil zinciri (chain of custody) yaklaşımının yapay zekâ çağındaki karşılığı, karar anındaki model sürümünün, ağırlık dosyalarının, yapılandırma parametrelerinin ve eğitim veri kümesi künyesinin özet değerleriyle (hash) birlikte arşivlenmesidir. Kurumlara verilecek en pratik hukuki tavsiye budur: yüksek etkili bir karar üreten her model sürümünü, en azından zamanaşımı süresince saklayın.

Bilirkişiye Sorulacak Sorular

Algoritma kaynaklı bir uyuşmazlıkta bilirkişiye yöneltilecek soruların isabeti, raporun kullanılabilirliğini doğrudan belirler. Uygulamada işe yarayan çekirdek soru seti şudur:

1. Karara esas alınan model hangi veri kümesiyle, hangi tarih aralığında eğitilmiştir?
2. Eğitim verisinin korunan gruplar bakımından dağılımı nedir; belirli bir grup eksik temsil edilmekte midir?
3. Model, korunan özelliklerle yüksek korelasyon gösteren vekil değişkenler (posta kodu, mezun olunan okul vb.) kullanmakta mıdır?
4. Karar anına ait olay kayıtları mevcut mudur; bütünlüğü kriptografik özet değerlerle doğrulanabilmekte midir?
5. Sistemde insan gözetimi öngörülmüş müdür; somut kararda insan müdahalesi gerçekleşmiş ve kayıt altına alınmış mıdır?
6. Model, dava konusu karardan sonra güncellenmiş midir; güncelleme öncesindeki sürüm saklanmış mıdır?

Sonuç Yerine: Algoritmaları Yargılamak

2026-2030 Türkiye Yapay Zekâ Eylem Planı, ülkede teknolojinin ve devasa veri ekonomisinin hukuksuz bir alanda (“vahşi batı” koşullarında) büyümesine izin verilmeyeceğinin açık ve kurumsal ilanıdır. İnsan hakları ve insan onurunun korunmasını temel alan, orantılı risk yaklaşımını benimseyen bu belge; hem yatırımcılar için bir hukuki öngörülebilirlik zemini hem de vatandaşlar için bir güvence kalkanı inşa etmektedir.

Ancak, kanun koyucuların, hâkimlerin ve avukatların kod bilmediği; yazılımcıların, veri bilimcilerin ve yapay zekâ mimarlarının ise yasal mevzuat okumadığı veya hukuki riskleri (malpraktis, ürün sorumluluğu, KVKK vb.) geri plana ittiği bir düzende, normların tek başına adaleti sağlaması mümkün değildir. Hukuki normları ve mevzuatı baytlara (byte), gizli katmanlardaki karmaşık algoritmik parametreleri ise hâkimin anlayabileceği “hukuki gerekçelere” ve “illiyet bağlarına” çevirecek olanlar bilişim bilirkişileridir.

Adli bilişim mesleği, geleneksel olarak sabit disk imajı almaktan, silinmiş e-postaları veya log kayıtlarını kurtarmaktan ibaretken; yapay zekâ çağında “yapay sinir ağlarını” sorgulamaya, algoritmik ayrımcılık (bias) için demografik A/B testleri kurgulamaya, açıklanabilir yapay zekâ (XAI) haritaları çıkarmaya ve sentetik verilerin maskeleme kalitesini denetlemeye doğru evrilmektedir.

Mahkeme salonlarına yansıyacak olan “algoritma kaynaklı” uyuşmazlıklarda, 2026-2030 Eylem Planı’nın “Fark Et, İstifade Et, Üret ve Yönet” ilkeleri ile KVKK’nın “Tasarımdan Başlayan Uyum” (Privacy by Design) yönergeleri; bilirkişilerin raporlarını inşa ederken başucunda durması gereken ilk rehberdir. Bu standartlar, yazılımcının “özen yükümlülüğünü”, üreticinin “kusursuz sorumluluğunu” ve kurumların “hesap verebilirliğini” tespit etmede kullanılacak metriklerin referans kodları olacaktır. Yargı mekanizmasının otonom sistemler karşısında çaresiz kalmaması, bu yeni teknolojik-hukuki kavşakta bilişim bilirkişilerinin yetkinliklerini hızla bu evrensel standartlara adapte etmesine bağlıdır.

Meral Balsak’ın tüm yazılarını okumak için bağlantıya tıklayınız.

Yine Hukuk ve Bilişim Dergisi’nin Son Sayı’sında çıkan Meral BALSAK’ın “Yapay Zeka Modellerinin KVKK Kapsamında Değerlendirilmesi” isimli yazıyı bağlantıdan okuyabilirsiniz.

Meral BALSAK  (BİLİŞİM TEKNOLOJİLERİ ÖĞRETMENİ ARAŞTIRMACI VE YAZAR)

Kaynaklar

Türkiye Yapay Zekâ Eylem Planı (2026-2030) ile İlgili 2026/9 Sayılı Cumhurbaşkanlığı Genelgesi, Resmî Gazete, 18 Ağustos 2026, Sayı: 33344.

Türkiye Yapay Zekâ Eylem Planı (2026-2030), T.C. Sanayi ve Teknoloji Bakanlığı.

TBMM 28. Dönem Yapay Zekâ Araştırma Komisyonu Raporu, Mart 2026.

6698 sayılı Kişisel Verilerin Korunması Kanunu, m. 4, 6, 11 ve 12.

Kişisel Verileri Koruma Kurumu, Yapay Zekâ Alanında Kişisel Verilerin Korunmasına Dair Tavsiyeler, 2021.

Kişisel Verileri Koruma Kurumu, ChatGPT ve Benzeri Sohbet Robotları Bilgi Notu, 8 Kasım 2024.

Kişisel Verileri Koruma Kurumu, Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda), 24 Kasım 2025.

Kişisel Verileri Koruma Kurumu, İş Yerlerinde Üretken Yapay Zekâ Araçlarının Kullanımı, 5 Mart 2026.

Kişisel Verileri Koruma Kurumu, Etken Yapay Zekâ (Agentic AI), 12 Mart 2026.

6754 sayılı Bilirkişilik Kanunu ve Bilirkişilik Yönetmeliği.

6100 sayılı Hukuk Muhakemeleri Kanunu, m. 266 vd. ve m. 293.

5271 sayılı Ceza Muhakemesi Kanunu, m. 63 vd. ve m. 134.

6098 sayılı Türk Borçlar Kanunu, m. 49, 51, 52, 61, 62, 71 ve 112.

4857 sayılı İş Kanunu, m. 5.

7223 sayılı Ürün Güvenliği ve Teknik Düzenlemeler Kanunu; Ayıplı Malın Neden Olduğu Zararlardan Sorumluluk Hakkında Yönetmelik, 2003.

Regulation (EU) 2024/1689 (Artificial Intelligence Act) ve 2026 tarihli Dijital Omnibus düzenlemesi.

Directive (EU) 2024/2853 on liability for defective products.

ISO/IEC 42001:2023, Artificial Intelligence Management System.

NIST AI Risk Management Framework (AI RMF 1.0), 2023.

State v. Loomis, 881 N.W.2d 749 (Wis. 2016).

Louis v. SafeRent Solutions LLC, No. 1:22-cv-10800 (D. Mass.); uzlaşmanın onayı 20 Kasım 2024.

2018. Dastin, Amazon scraps secret AI recruiting tool that showed bias against women, Reuters, 10 Ekim 2018.

Yasal Uyarı: !!!Bu yazı genel bilgilendirme amacıyla hazırlanmıştır; hukuki danışmanlık niteliği taşımaz ve somut bir uyuşmazlıkta avukata danışmanın yerine geçmez. Mevzuat ve içtihat hızla değişmektedir; işlem yapmadan önce güncel durumu teyit ediniz.!!!

Meral Balsak

Meral Balsak (Araştırmacı / Yazar)

Meral Balsak; halihazırda bilişim teknolojileri öğretmenliği görevini aktif olarak sürdüren bir araştırmacı ve yazardır. Akademik ve mesleki çalışmalarını bilişim hukuku, yapay zekâ, siber güvenlik ve dijital dönüşüm ekseninde yürütmektedir.

Eğitim sahasındaki doğrudan tecrübesini teknik bilgi birikimiyle harmanlayan Balsak; bilhassa yapay zekâ teknolojilerinin hukuki yansımaları, bilişim suçları ve dijital veri güvenliği üzerine disiplinler arası bilimsel metinler ve sektörel yayınlar kaleme almaktadır.

Temel Araştırma ve Çalışma Alanları:

• Bilişim Hukuku

• Yapay Zekâ Hukuku

• Siber Güvenlik

• Bilişim Suçları

• Eğitim Teknolojileri

• Robotik Kodlama

• Dijital Dönüşüm

eylem eylem planı plan sektör üret yapay zeka