Yayıncı İmtiyaz Sahibi: Ali ERŞİN © 2021 Tüm Hakları Hukuk ve Bilişim Dergisi'ne aittir.
Yayıncı İmtiyaz Sahibi: Ali ERŞİN © 2021 Tüm Hakları Hukuk ve Bilişim Dergisi'ne aittir.
Yapay Zeka ve Robot Hukuku

Avukatların Yapay Zeka Kullanırken Düştüğü 10 Hata

Okuma Süresi: 12 Dakika

Avukatların Yapay Zeka Kullanırken Düştüğü 10 Hata

Yazar: Zeynep Sıla Demirtaş / Hammurabi

Yapay zeka artık hukuk bürolarının günlük rutininin bir parçası. Ancak çoğu avukat için bu araçlar hâlâ bir “sihirli kutu”: bir soru sorulur, akıcı ve kendinden emin bir yanıt gelir, ve bu yanıtın nasıl üretildiği neredeyse hiç sorgulanmaz. Oysa büyük dil modelleri “doğruyu bilme” ilkesiyle değil, bir metindeki bir sonraki kelimeyi istatistiksel olarak tahmin etme ilkesiyle çalışır[1]. Eğitim sürecinde modele hangi bilginin doğru hangisinin yanlış olduğunu gösteren açık bir etiket verilmez; model yalnızca hangi kelime diziliminin en olası olduğunu öğrenir. Bu nedenle, hakkında hiçbir güvenilir verisi olmayan bir konuda dahi, tıpkı uzmanı olduğu bir konudaki kadar akıcı ve kendinden emin bir cümle kurabilir.

Bu durumun tesadüf olmadığı, konuyla ilgili yapılan güncel teknik çalışmalarda da gösterilmiştir: mevcut değerlendirme yöntemleri modelleri “bilmiyorum” demek yerine tahmin etmeye teşvik etmektedir, çünkü belirsizliği kabul etmek sınavda soruyu boş bırakmak gibi garanti bir puan kaybı anlamına gelirken, tahmin etmek bazen doğru çıkabilmektedir[2]. Sonuç, kendinden emin ama yanlış cevaplardır; bu ise hukuk mesleğinin en az tahammül edebileceği kombinasyondur. Nitekim Türkiye’de avukatların hukuk teknolojilerini kullanma deneyimlerine dair yapılan bir saha araştırması da benzer bir tabloya işaret etmektedir: avukatlar dijital araçları günlük iş akışına kolaylıkla dahil ederken, yapay zeka temelli sistemlerin karar alma süreçlerinde kullanılmasına karşı belirgin bir temkinlilik göstermektedir[3]. Aracın iç işleyişini bilmeden yaygınlaşan bu kullanım, aşağıda sıralanan on hataya davetiye çıkarmaktadır.

1. Halüsinasyon Tuzağı

Konunun en temel ve yaygın örneği New York’tan gelmektedir. Şubat 2022’de açılan bir kişisel yaralanma davasında davacı avukatları dilekçelerini ChatGPT’nin yardımıyla hazırlamış; model “uydurma havayolu şirketlerini” içeren tamamen sahte dava kararları üretmiştir[4]. Karşı taraf avukatları bu kararların hiçbirinin bulunamadığını mahkemeye bildirince ortaya çıkan tablo nettir: avukatlar, modelin kendilerine bu davaların gerçek olduğu ve hukuk veritabanlarında bulunabileceği güvencesini verdiğini savunmuştur. Mahkeme, avukatlara 5.000 dolar para cezası vermiş ve hukuki analizin bir kısmını “anlamsız” olarak nitelendirmiştir[5].

Mata v. Avianca bir istisna değil, bir başlangıç noktası olmuştur. Büyük dil modellerinin hukuki atıf üretme performansını inceleyen bir çalışma, test edilen modellerin federal mahkeme kararlarına ilişkin doğrudan sorularda yüzde 58 ila yüzde 88 oranında halüsinasyon ürettiğini, yani var olmayan ya da içeriği çarpıtılmış atıflar sunduğunu ortaya koymuştur[6]; karşılaştırmalı hukuk incelemeleri de benzer vakaların Amerika Birleşik Devletleri’nin yanı sıra İngiltere, Kanada, Avustralya ve Pakistan gibi farklı hukuk sistemlerinde de görüldüğünü, sorunun tekil değil yapısal olduğunu göstermektedir[7]. En çarpıcı örneklerden biri, Claude yapay zekasının geliştiricisi Anthropic’in kendi avukatlarının başına gelmiştir: Mayıs 2025’te bir bilirkişi ifadesindeki atıfları Claude ile biçimlendiren avukat, modelin ürettiği yanlış başlık ve yazar bilgisini kontrol aşamasında farketmemiş; mahkeme ifadenin ilgili kısmını dosyadan çıkarmıştır[8]. Yapay zeka şirketinin kendi hukuk ekibinin dahi bu tuzağa düşmesi, meselenin bir teknoloji bilgisi sorunu değil bir süreç disiplini sorunu olduğunu göstermektedir.

Sorunun yalnızca genel amaçlı sohbet botlarıyla sınırlı olmadığı, avukatlara özel olarak üretilen ve “halüsinasyon içermez” ya da “düşük halüsinasyon” iddiasıyla üretilen hukuki araştırma araçları için de geçerli olduğu, en güncel çalışmalarla ortaya konmuştur: önde gelen hukuka özgü yapay zeka araştırma araçlarının güvenilirliğini test eden 2025 tarihli bir çalışma, bu araçların da önemli oranlarda halüsinasyon ürettiğini ve sorunun iddia edildiği gibi “çözülmüş” olmaktan uzak olduğunu göstermiştir[9]. ChatGPT-4, Copilot, DeepSeek, Llama 3 ve Lexis+ AI gibi 2025 itibarıyla en güncel modelleri karşılaştıran bir başka çalışma da benzer bir sonuca varmış, bu araçların tamamının, aralarındaki performans farkına rağmen, halüsinasyon üretmeye devam ettiğini tespit etmiştir[10].

Çözüm tam olarak halüsinasyonu ortadan kaldıran bir çözüm olmamakla beraber basit ama zahmetlidir: yapay zekanın önerdiği her içtihat ve mevzuat atfı, orijinal kaynaktan (resmî mevzuat veritabanları, UYAP, Yargıtay Kararları veritabanı veya güvenilir hukuk veritabanları üzerinden) tek tek doğrulanmalı; “bu karar gerçekten var mı, gerçekten bu içerikte mi” sorusu asla atlanmamalıdır.

2. Müvekkil Sırrını Sohbet Kutusuna Yazmak

Ücretsiz ve halka açık yapay zeka araçlarına girilen veriler, aksi açıkça belirtilmedikçe model eğitimi veya insan incelemesi amacıyla saklanabilir. Bu ihtimal, avukatın sır saklama yükümlülüğüyle doğrudan çatışır. Ankara Barosu’nun yayımladığı Avukatlıkta Yapay Zeka Araçlarının Kullanımı Rehberi bu noktayı açıkça vurgulamaktadır: “Sır saklama yükümlülüğü göz önüne alındığında, kullanılan yapay zeka aracının kendini eğiten türden bir sistem olup olmadığını bilmek gerekir.”[11] Doktrinde de avukatlık mesleğinin temelini oluşturan bu yükümlülüğün kapsamının geniş yorumlanması gerektiği; müvekkile ait, genel olarak bilinmeyen ve açıklanmasında müvekkilin menfaati bulunan her türlü bilginin (üçüncü bir tarafın bu bilgiden hareketle müvekkili belirleyebileceği hâllerde özellikle) koruma altında olduğu kabul edilmektedir[12]. Rehbere göre avukatlar kişisel bilgileri anonimleştirmeli, müvekkili tanımlayan verileri genel amaçlı araçlara girdi olarak vermemelidir.

Amerikan Barolar Birliği’nin (ABA) üretken yapay zeka konusundaki ilk resmî etik görüşü olan 512 Sayılı Görüş de aynı çizgidedir: avukat, müvekkile ait bilgileri müvekkilin bilgilendirilmiş rızası olmadan paylaşamaz[13]. Türkiye’deki alan araştırmaları da avukatların bu riskin bilincinde olduğunu, ancak günlük iş yoğunluğu içinde hassas bilgilerin denetimsiz sistemlere aktarılması konusunda yine de temkinli bir çizgide kalmakta zorlandığını göstermektedir[14]. Çözüm, kapalı/kurumsal sözleşmeli araçlarla halka açık araçlar arasındaki farkı öğrenmek ve müvekkil verisini yalnızca veri işleme sözleşmesi bulunan, eğitim amaçlı kullanmayan platformlara girmektir.

3. KVKK Yokmuş Gibi Davranmak

Bir müvekkil dosyasındaki kimlik, sağlık veya ceza kaydı gibi kişisel verileri bir yapay zeka aracına “kes-yapıştır” yapmak, çoğu zaman bu veriyi yurt dışında sunucusu bulunan üçüncü bir tarafa aktarmak anlamına gelebilir. Kişisel Verileri Koruma Kurumu (KVKK), 24 Kasım 2025’te yayımladığı Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi’yle (15 Soruda) tam da bu boşluğu hedef almıştır; rehber üretken yapay zeka sistemlerinin içerik üretim sürecini, veri sorumlusu ve veri işleyen rollerinin sistem yaşam döngüsü boyunca nasıl dağıldığını ve bireylerin günlük kullanımda alması gereken önlemleri ele almaktadır[15].

Doktrinde de vurgulandığı üzere, kanun koyucu profilleme ve otomatik karar alma kavramlarını tanımlamaksızın yalnızca ilgili kişiye, kendisi hakkında münhasıran otomatik sistemlerle analiz yoluyla üretilen ve aleyhine sonuç doğuran çıktılara itiraz hakkı tanımıştır; bu boşluk, yapay zeka destekli hukuki değerlendirmelerde şeffaflık ve hesap verebilirlik sorunlarını beraberinde getirmektedir[16]. Bu riskin yönetilmesi için KVKK uyumuna özgü yazılım mimarilerinin geliştirilmesi ve bu sistemlere yapay zekanın kontrollü biçimde entegre edilmesi önerilmektedir[17]. Pratikte avukatların büyük kısmı, bir yapay zeka aracına veri girdiği anda kişisel veriyi “veri sorumlusu” sıfatıyla yurt dışına aktarmış olabileceğinin, aydınlatma yükümlülüğünün doğabileceğinin farkında değildir. Çözüm, dosyaya girmeden önce kişisel verileri anonimleştirmek veya takma adlandırmak (veriyi maskelemek), aracın veri saklama/aktarım politikasını okumak ve gerektiğinde müvekkile aydınlatma yapmaktır.

4. Yapay Zekayı “Hukukçu” Sanmak

Yapay zeka veri işleyebilir, alternatif senaryolar üretebilir; ama vicdani kanaate dayalı nihai kararı yalnızca insan verebilir. Hukuk teknolojileri (legaltech) üzerine yapılan akademik çalışmalar, bu araçların hukuk bürolarında verimliliği artırdığını, ama başarının teknolojiye karşı önyargıların aşılmasına ve araçların mesleğin sınır ve kapsamına uygun biçimde konumlandırılmasına bağlı olduğunu vurgulamaktadır; yapay zeka avukatın yerini almaktan çok, iş yapış modellerini dönüştüren bir unsur olarak değerlendirilmelidir[18]. Türkiye’de 2025 yılında yayımlanan bir inceleme de bu tabloyu doğrulamaktadır: Bu araştırmada kullanılan anket verilerine göre araştırmaya katılan 700 avukatın yüzde 73’ü önümüzdeki on iki ay içinde üretken yapay zekayı mesleki olarak kullanmayı planlamakta; ancak aynı inceleme halüsinasyon, güvenilirlik ve önyargı risklerinin bu araçları “kullanılır mı, kullanılmaz mı” tartışmasının ötesine taşıdığını, asıl sorunun bu araçların nasıl kullanılacağı ve nasıl düzenleneceği olduğunu vurgulamaktadır[19].

Ankara Barosu’nun rehberi de bunu teyit etmektedir: “Avukatın mesleki sorumluluktan feragat etmesi mümkün değildir.”[20] Sorumluluğun avukatta kalmasının nedeni yapısaldır: baro levhasını avukat taşır, algoritma taşımaz. Nitekim saha araştırmaları da avukatların özellikle ceza davaları gibi hassas alanlarda yapay zekanın “sınırlı ve yalnızca yardımcı konumda” kullanılması gerektiği görüşünde büyük ölçüde hemfikir olduğunu göstermektedir[21]. Kısacası yapay zeka bir hukukçu değil, en fazla iyi eğitilmiş bir stajyerdir; nihai muhakeme ve stratejiyi devretmek mümkün değildir.

5. Yanlış Hukuk Sisteminin Cevabını Almak

Büyük dil modellerinin eğitim verisi ağırlıklı olarak belirli hukuk sistemlerinden ve belirli dillerden beslenmektedir. Hukuk alanında kullanılan büyük dil modelleri üzerine yapılan güncel bir derleme çalışması, tek bir hukuk sistemine odaklanan veri kümeleriyle eğitilen modellerin başka yargı sistemlerine genellenmesinde ciddi güçlükler yaşandığını; örneğin belirli bir ülkenin hukuk sistemine göre optimize edilmiş bir modelin farklı bir hukuk kültüründeki soruları o kültürün kendi iç mantığıyla değil, eğitildiği sistemin kategorileriyle yanıtlama eğiliminde olduğunu ortaya koymaktadır[22]. Bunun somut sonucu, kıta Avrupası hukuk sistemine (ve özelde Türk hukukuna) ilişkin sorularda modelin fark ettirmeden yanlış sisteme kaymasıdır: örneğin bir modele “kasten adam öldürme suçunun cezası nedir” diye sorulduğunda, cevabın eğitim verisinde baskın olan bir başka ülkenin hukuk sistemine dayanma ihtimali hiç düşük değildir; oysa bu ceza her ülkede farklılık göstermektedir.

Çözüm: yapay zekadan gelen her hukuki değerlendirmede önce “hangi hukuk sistemine göre cevap verdin” sorusu sorulmalı, cevap mutlaka ilgili Türk mevzuatı ve güncel içtihatla karşılaştırılmalıdır.

6. Kötü Prompt, Kötü Sonuç

Yapay zekadan alınan cevabın kalitesi, sorunun kalitesiyle doğru orantılıdır. Hukuki muhakeme görevlerinde prompt tekniklerinin etkisini ölçen bir çalışma, genel/serbest biçimli sorulardan ziyade hukuki muhakemenin kendi yapısını (örneğin mesele-kural-uygulama-sonuç şeklindeki klasik hukuki analiz şemasını) yansıtan yapılandırılmış istemlerin belirgin biçimde daha isabetli sonuçlar ürettiğini göstermiştir[23]. Buna göre etkili bir hukuki prompt en az şu unsurları içermelidir: modele bir rol/kimlik verilmesi; “analiz et”, “taslak hazırla”, “karşılaştır” gibi spesifik bir amacın belirtilmesi; yargı yetkisi ve geçerli mevzuat gibi bağlamsal bilginin sağlanması; istenen çıktı formatının (tablo, madde, özet) tanımlanması; kelime sayısı ve kaynak sayısı gibi sınırların konulması; ve modelden kendi boşluklarını ve belirsizliklerini işaretlemesinin istenmesi.

“Bu sözleşmeyi incele” gibi belirsiz bir talimat, belirsiz ve genellikle işe yaramaz bir çıktı üretir. Buna karşılık “bu sözleşmedeki cayma bedeli maddesini 6098 sayılı Türk Borçlar Kanunu’nun emredici hükümleri açısından değerlendir, çelişen ifadeleri madde numarasıyla tablo hâlinde listele” gibi bir talimat, doğrulanabilir ve kullanılabilir bir çıktı üretir.

7. Mahkemeye/Müvekkile Şeffaf Olmamak

Yapay zeka kullanımını gizlemek, giderek daha somut bir etik risk hâline gelmektedir. Karşılaştırmalı hukuk incelemeleri, birçok yargı çevresinde mahkemelerin özel talimatlarla dilekçelerde yapay zeka kullanılmışsa bunun beyan edilmesini ve içeriğin insan tarafından doğrulandığının teyit edilmesini zorunlu koştuğunu, ancak bu düzenlemelerin ülkeden ülkeye, hatta hâkimden hâkime, büyük farklılıklar gösterdiğini ve tek tip, kapsamlı politika yönergelerine duyulan ihtiyacın giderek arttığını ortaya koymaktadır[24]. Türkiye’de henüz böyle merkezi bir düzenleme bulunmasa da, mahkemeye karşı dürüstlük yükümlülüğü aynı sonucu doğurmaktadır: kaynağı doğrulanmamış bir atfı sunmak, kullanılan aracın yapay zeka olup olmadığından bağımsız olarak bir dürüstlük ihlalidir.

Şeffaflık sorunu her ne kadar Türkiye’de saat başı faturalandırma sistemi kullanılmıyor olsa bile ücretlendirmede de karşımıza çıkmaktadır. ABA’nın 512 Sayılı Görüşü bu noktada açıktır: aracı kullanmak için harcanan zaman faturalandırılabilir, ama avukat aracı öğrenme süresini müvekkile yükleyemez; yapay zekanın sağladığı verimlilik artışı, saatlik ücretlendirmenin “makullüğü” ilkesiyle çelişmemelidir[25]. Çözüm: müvekkile yapay zeka kullanımını baştan bildirmek ve faturalandırmayı gerçekte harcanan emek ve süreye göre yapmaktır.

8. “Kopyala-Yapıştır” ile Ham Çıktıyı Teslim Etmek

Anthropic örneği bu maddenin en çarpıcı kanıtıdır: yapay zeka şirketinin kendi avukatları, Claude’un ürettiği atfı kontrol etmeden dosyaya koymuş ve hata kontrol aşamasında da yakalanamamıştır[26]. Büyük dil modellerinin hukuki atıflarda yüzde 58-88 gibi yüksek oranlarda hata yapabildiği göz önüne alındığında, çıktının insan tarafından özenle kontrol edilerek doğrulanması bir tercih değil zorunluluk olmalıdır[27]. Karşılaştırmalı hukuk incelemeleri de aynı sonuca varmakta, sorunun çözümünün teknolojiyi terk etmekte değil, avukatın nihai doğrulama sorumluluğunu içeren standart bir denetim sürecinin kurumsallaşmasında yattığını vurgulamaktadır[28]; nitekim avukatlara özel, ücretli hukuki araştırma araçlarının güvenilirliğini test eden yakın tarihli çalışmalar da bu denetimin “genel amaçlı” araçlarla sınırlı tutulamayacağını, iddia edilenin aksine profesyonel araçlar için de aynı ölçüde geçerli olduğunu göstermektedir[29]. Yapay zeka çıktısı bir başlangıç noktasıdır, bitmiş bir ürün değildir; editörlük ve çıktı denetimi, iş akışının atlanabilir değil zorunlu bir aşaması olarak görülmelidir.

9. Önyargıyı Görmezden Gelmek

Yapay zeka modelleri, eğitildikleri verideki tarihsel eşitsizlikleri de öğrenir. Algoritmik önyargı üzerine yapılan bir hukuki inceleme, bu önyargının üç temel kaynağını ayırt etmektedir: önyargılı ve temsili olmayan eğitim verisi kullanımı; toplumsal eşitsizliklerin model tarafından “doğru sonuç” olarak kodlanması; ve makine öğrenmesi ile kodlama sürecinden kaynaklanan tasarım hataları[30]. Ceza adaletinde risk değerlendirmesi için kullanılan COMPAS algoritmasının tartışıldığı State v. Loomis kararında, Wisconsin Yüksek Mahkemesi algoritmanın ticari sır gerekçesiyle şeffaf olmadığını ve ayrımcı sonuçlar üretebileceği iddialarını değerlendirmiş; algoritmanın hâkimin takdir yetkisini ortadan kaldırmadığına hükmetmiş, ancak kullanımına ilişkin uyarı şartları getirmiştir[31]. Konu üzerine yapılan bağımsız bir bilimsel çalışma da çarpıcı bir bulgu ortaya koymuştur: COMPAS’ın doğruluk oranı, internetten rastgele seçilen ve hukuk veya kriminoloji eğitimi almamış gönüllülerin tahminlerinden istatistiksel olarak ayırt edilememiştir[32]. Bu bulgu, 2026 yılında yapılan bir tekrar çalışmasıyla da güncellenerek doğrulanmıştır: siyah sanıklar için yanlış pozitif oranının beyaz sanıklara kıyasla tutarlı biçimde daha yüksek kaldığı, önyargıyı azaltmaya yönelik teknik müdahalelerin (hiper-parametre optimizasyonu, korelasyon giderme gibi) faydalı olmakla birlikte sınırlı bir etkiye sahip olduğu ve veriye gömülü önyargının risk değerlendirme araçlarında kalıcı olabileceği tespit edilmiştir[33].

Bu örnek özellikle ceza hukuku ve aile hukukunda (velayet, nafaka gibi) kullanılabilecek yapay zeka destekli araçlara dikkat çekmektedir. Model “nötr” görünse de eğitim verisindeki eşitsizlikleri yeniden üretebilir; avukatın bu riski bilerek çıktıyı sorgulaması, özellikle hassas ve ayrımcılığa açık alanlarda ek bir denetim katmanı uygulaması gerekir.

10. İki Uç: Körü Körüne Güven veya Toptan Ret

Bu on hatanın ortak paydası, iki aşırı uçtan birine savrulmaktır: yapay zekaya sorgusuz sualsiz güvenmek ya da onu tümüyle reddetmek. 2025 yılında yayımlanan bir incelemede isabetle belirtildiği üzere, üretken yapay zekanın hukuk mesleğinde yasaklanıp yasaklanmaması tartışması artık geçerliliğini yitirmiştir; asıl mesele, bu araçların hangi sınırlar ve denetim mekanizmaları çerçevesinde, mesleğin geleneksel ilkeleriyle uyumlu biçimde kullanılacağı ve nasıl düzenleneceği sorusuna dönüşmüştür[34]. Aynı doğrultuda, yapay zekanın hukuk mesleğini “tamamlamaktan” çok “kolaylaştıran” bir unsur olarak konumlandırılması gerektiği, teknolojiyle mesafeli ama ona kapalı olmayan bir tutumun benimsenmesinin isabetli olacağı vurgulanmaktadır[35]. Yapay zeka avukatlıkta artık kaçınılmaz bir gerçekliktir; ama bağımsız muhakeme ve etik sorumluluk hâlâ ve yalnızca insana aittir.

Sonuç

Bu on hatanın her biri aynı kök nedene işaret etmektedir: aracı anlamadan kullanmak. Yapay zeka, doğru kullanıldığında araştırmayı hızlandıran, taslak üretimini kolaylaştıran güçlü bir yardımcıdır; ama kontrolsüz kullanıldığında meslekten men cezasından KVKK ihlaline, müvekkil güveninin sarsılmasından adaletsiz sonuçlara kadar uzanan bir risk listesi barındırır. Ne teknolojiden korkan ne de ona tümüyle teslim olan avukat (aracın sınırlarını bilen, her çıktıyı sorgulayan ve nihai sorumluluğun kendisinde kaldığını unutmayan avukat) bu dönemin kazananı olacaktır.

Yazar: Zeynep Sıla Demirtaş / Hammurabi

Kaynakça

American Bar Association. Formal Opinion 512: Generative Artificial Intelligence Tools. 29 Temmuz 2024.

Ankara Barosu. Avukatlıkta Yapay Zeka Araçlarının Kullanımı Rehberi v.1.0. 2024.

Badur, Emel. “Yapay Zekâ Sistemleri Kullanılarak Yapılan İşleme Faaliyetlerinde Kişisel Verilerin Korunması.” Selçuk Üniversitesi Hukuk Fakültesi Dergisi 32, no. 4 (2024).

Bilgin, Hikmet. “Hukuk Alanındaki Hizmetlerde Kullanılan Teknolojik Olanaklar (Legaltech) ve Avukatlık Mesleğine Olası Etkileri.” Ankara Üniversitesi Hukuk Fakültesi Dergisi 73, no. 2 (2024): 1019–1067.

Cebeci Çorum, Fatmanur. “Algoritmik Ön Yargı ve Algoritmik Ayrımcılık: Kavramlar, Güncel Yargı Kararları ve Ön Yargının Azaltılmasına Yönelik Olası Bir Yol Haritası Olarak AB Yapay Zekâ Tüzüğü.” Hacettepe Hukuk Fakültesi Dergisi 16, no. 2 (2026): 301–336.

Dahl, Matthew, Varun Magesh, Mirac Suzgun, ve Daniel E. Ho. “Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models.” Journal of Legal Analysis 16, no. 1 (2024): 64–93.

Dehghani, Fatemeh, Roya Dehghani, Yazdan Naderzadeh Ardebili, ve Shahryar Rahnamayan. “Large Language Models in Legal Systems: A Survey.” Humanities and Social Sciences Communications 12 (2025).

Dressel, Julia, ve Hany Farid. “The Accuracy, Fairness, and Limits of Predicting Recidivism.” Science Advances 4, no. 1 (2018): eaao5580.

Geçgin, Ercan, ve Eylül Sinem Karadal. “Avukatların Hukuk Teknolojilerini Kullanma Deneyimleri Üzerine Bir Saha Araştırması: Aksaray Barosu Örneği.” Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, no. 45 (2023): 47–80.

Günergök, Özcan. “Avukatın Sır Saklama Yükümlülüğü.” Ankara Üniversitesi Hukuk Fakültesi Dergisi 7, no. 1–2 (2003).

Kalai, Adam Tauman, Ofir Nachum, Santosh S. Vempala, ve Edwin Zhang. “Why Language Models Hallucinate.” arXiv preprint arXiv:2509.04664 (2025).

Kienzle, Sarah, Gissel Velarde, ve Brian Gannon. “AI and Prediction of Criminal Justice Risk: Revisiting the COMPAS Dataset, Experiments, and the Problem of Algorithmic Bias and Fairness.” AI and Ethics 6, no. 3 (2026): 264.

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

Magesh, Varun, Faiz Surani, Matthew Dahl, Mirac Suzgun, Christopher D. Manning, ve Daniel E. Ho. “Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools.” Journal of Empirical Legal Studies 22, no. 2 (2025): 216–242.

Munir, Bakht. “Evaluating AI in Legal Operations: A Comparative Analysis of Accuracy, Completeness, and Hallucinations in ChatGPT-4, Copilot, DeepSeek, Lexis+ AI, and Llama 3.” International Journal of Legal Information (2025).

Munir, Bakht. “Hallucinations in Legal Practice: A Comparative Case Law Analysis.” International Journal of Law, Ethics, and Technology, no. 2 (2025).

Oğurlu, Yücel. “Dünyadan Örnekleriyle Mahkemelerde Yapay Zekâ Hâkim Uygulamaları: Hedefler ve Mevcut Duruma Dair Bir Değerlendirme.” Balıkesir Üniversitesi Hukuk Dergisi 1, no. 1 (2024): 1–24.

Özkan, Erhan. “6698 Sayılı Kanun’a Uyumlu Yazılımların Geliştirilmesi ve Yapay Zekâ Uygulamaları.” Kişisel Verileri Koruma Dergisi 5, no. 1 (2023).

Reason (Volokh Conspiracy). “Judge Strikes Part of Anthropic (Claude.AI) Expert’s Declaration, Because of Uncaught AI Hallucination in Part of Citation.” 26 Mayıs 2025.

The Register. “Anthropic’s Law Firm Throws Claude Under the Bus over Citation Errors in Court Filing.” 15 Mayıs 2025.

Uluç, İnan. “Generative Artificial Intelligence in Legal Practice: Use and Regulation.” Ankara Barosu Dergisi 83, no. 3 (2025): 601–654.

Yu, Fangyi, Lee Quartey, ve Frank Schilder. “Exploring the Effectiveness of Prompt Engineering for Legal Reasoning Tasks.” In Findings of the Association for Computational Linguistics: ACL 2023. Toronto: Association for Computational Linguistics, 2023.

Kararlar

Mata v. Avianca, Inc., 678 F. Supp. 3d 443 (S.D.N.Y. 2023).

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

[1]Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, ve Edwin Zhang, “Why Language Models Hallucinate,” arXiv preprint arXiv:2509.04664 (2025).

[2]Kalai vd., “Why Language Models Hallucinate.”

[3]Ercan Geçgin ve Eylül Sinem Karadal, “Avukatların Hukuk Teknolojilerini Kullanma Deneyimleri Üzerine Bir Saha Araştırması: Aksaray Barosu Örneği,” Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, no. 45 (2023): 47–80.

[4]Mata v. Avianca, Inc., 678 F. Supp. 3d 443 (S.D.N.Y. 2023).

[5]Bakht Munir, “Hallucinations in Legal Practice: A Comparative Case Law Analysis,” International Journal of Law, Ethics, and Technology, no. 2 (2025).

[6]Matthew Dahl, Varun Magesh, Mirac Suzgun, ve Daniel E. Ho, “Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models,” Journal of Legal Analysis 16, no. 1 (2024): 64–93.

[7]Yücel Oğurlu, “Dünyadan Örnekleriyle Mahkemelerde Yapay Zekâ Hâkim Uygulamaları: Hedefler ve Mevcut Duruma Dair Bir Değerlendirme,” Balıkesir Üniversitesi Hukuk Dergisi 1, no. 1 (2024): 1–24.

[8]The Register, “Anthropic’s Law Firm Throws Claude Under the Bus over Citation Errors in Court Filing,” 15 Mayıs 2025; Reason (Volokh Conspiracy), “Judge Strikes Part of Anthropic (Claude.AI) Expert’s Declaration, Because of Uncaught AI Hallucination in Part of Citation,” 26 Mayıs 2025.

[9]Varun Magesh, Faiz Surani, Matthew Dahl, Mirac Suzgun, Christopher D. Manning, ve Daniel E. Ho, “Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools,” Journal of Empirical Legal Studies 22, no. 2 (2025): 216–242.

[10]Bakht Munir, “Evaluating AI in Legal Operations: A Comparative Analysis of Accuracy, Completeness, and Hallucinations in ChatGPT-4, Copilot, DeepSeek, Lexis+ AI, and Llama 3,” International Journal of Legal Information (2025), yayım tarihi 30 Haziran 2025.

[11]Ankara Barosu, Avukatlıkta Yapay Zeka Araçlarının Kullanımı Rehberi v.1.0 (2024).

[12]Özcan Günergök, “Avukatın Sır Saklama Yükümlülüğü,” Ankara Üniversitesi Hukuk Fakültesi Dergisi 7, no. 1–2 (2003).

[13]American Bar Association, Formal Opinion 512: Generative Artificial Intelligence Tools, 29 Temmuz 2024.

[14]Geçgin ve Karadal, “Avukatların Hukuk Teknolojilerini Kullanma Deneyimleri.”

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

[16]Emel Badur, “Yapay Zekâ Sistemleri Kullanılarak Yapılan İşleme Faaliyetlerinde Kişisel Verilerin Korunması,” Selçuk Üniversitesi Hukuk Fakültesi Dergisi 32, no. 4 (2024).

[17]Erhan Özkan, “6698 Sayılı Kanun’a Uyumlu Yazılımların Geliştirilmesi ve Yapay Zekâ Uygulamaları,” Kişisel Verileri Koruma Dergisi 5, no. 1 (2023).

[18]Hikmet Bilgin, “Hukuk Alanındaki Hizmetlerde Kullanılan Teknolojik Olanaklar (Legaltech) ve Avukatlık Mesleğine Olası Etkileri,” Ankara Üniversitesi Hukuk Fakültesi Dergisi 73, no. 2 (2024): 1019–1067.

[19]İnan Uluç, “Generative Artificial Intelligence in Legal Practice: Use and Regulation,” Ankara Barosu Dergisi 83, no. 3 (2025): 601–654.

[20]Ankara Barosu, Avukatlıkta Yapay Zeka Araçlarının Kullanımı Rehberi v.1.0.

[21]Geçgin ve Karadal, “Avukatların Hukuk Teknolojilerini Kullanma Deneyimleri.”

[22]Fatemeh Dehghani, Roya Dehghani, Yazdan Naderzadeh Ardebili, ve Shahryar Rahnamayan, “Large Language Models in Legal Systems: A Survey,” Humanities and Social Sciences Communications 12 (2025).

[23]Fangyi Yu, Lee Quartey, ve Frank Schilder, “Exploring the Effectiveness of Prompt Engineering for Legal Reasoning Tasks,” in Findings of the Association for Computational Linguistics: ACL 2023 (Toronto: Association for Computational Linguistics, 2023).

[24]Munir, “Hallucinations in Legal Practice.”

[25]American Bar Association, Formal Opinion 512.

[26]The Register, “Anthropic’s Law Firm Throws Claude Under the Bus”; Reason (Volokh Conspiracy), “Judge Strikes Part of Anthropic (Claude.AI) Expert’s Declaration.”

[27]Dahl vd., “Large Legal Fictions.”

[28]Munir, “Hallucinations in Legal Practice.”

[29]Magesh vd., “Hallucination-Free?”

[30]Fatmanur Cebeci Çorum, “Algoritmik Ön Yargı ve Algoritmik Ayrımcılık: Kavramlar, Güncel Yargı Kararları ve Ön Yargının Azaltılmasına Yönelik Olası Bir Yol Haritası Olarak AB Yapay Zekâ Tüzüğü,” Hacettepe Hukuk Fakültesi Dergisi 16, no. 2 (2026): 301–336.

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

[32]Julia Dressel ve Hany Farid, “The Accuracy, Fairness, and Limits of Predicting Recidivism,” Science Advances 4, no. 1 (2018): eaao5580.

[33]Sarah Kienzle, Gissel Velarde, ve Brian Gannon, “AI and Prediction of Criminal Justice Risk: Revisiting the COMPAS Dataset, Experiments, and the Problem of Algorithmic Bias and Fairness,” AI and Ethics 6, no. 3 (2026): 264.

[34]Uluç, “Generative Artificial Intelligence in Legal Practice.”

[35]Bilgin, “Hukuk Alanındaki Hizmetlerde Kullanılan Teknolojik Olanaklar.”