HUKUKTA YAPAY ZEKÂ: İSTEM MÜHENDİSLİĞİ GERÇEKTEN BİR ÇÖZÜM MÜ YOKSA YENİ BİR RİSK Mİ?

Yazar: Meral Balsak (Bilişim Teknolojileri Öğretmeni / Araştırmacı / Yazar)

1. Giriş

Haziran 2026’da Ankara’nın Kızılcahamam ilçesindeki bir asliye hukuk mahkemesinde karşı taraf vekili, duruşmada tek cümlelik bir itiraz ileri sürdü: dilekçede atıf yapılan Yargıtay kararlarının daire, esas ve karar numaraları UYAP kayıtlarında bulunmuyordu. Dilekçeyi yazan, yaklaşık yirmi beş yıllık meslek kıdemine sahip bir avukattı ve kararları dilekçesine yapay zekâ desteğiyle eklemişti. Mahkeme aynı gün hem Ankara Barosu’na hem de Cumhuriyet Başsavcılığı’na bildirimde bulundu. Olayın ayrıntısı, alışılmış halüsinasyon anlatısına uymuyor. Avukatın basına verdiği beyana göre kararların içerikleri gerçek Yargıtay kararlarına aittir; hatalı olan yalnız künyelerdir ve üç ayrı karar gibi sunulanlar, aynı kararın farklı ve yanlış künyelerle yinelenmesinden ibarettir [1]. Yani metin hukuken doğru okunuyordu. Hatalı olan, doğrulanması en kolay kısımdı ve duruşmaya kadar kimse bakmadı.

Bu tablo tek bir ülkeye özgü değildir. Mata v. Avianca davasında New York Güney Bölge Mahkemesi, ChatGPT ile üretilmiş altı uydurma karara atıf yapan iki avukat ile bürolarına müşterek ve müteselsil 5.000 ABD doları tutarında yaptırım uyguladı. Mahkeme yaptırımı yapay zekâ kullanımına değil, kararların gerçekliği sorgulandıktan sonra dahi bunların arkasında durulmasına dayandırdı ve bu tutumu “sübjektif kötü niyet” ile “bilinçli kaçınma” olarak nitelendirdi [2]. Sorunun ölçeği konusunda tahmin yürütmeye gerek yok; ölçüm var. Stanford araştırmacılarının 202 açık uçlu hukukî sorgu üzerinden yürüttüğü ön kayıtlı çalışmada, Mayıs 2024 ürün sürümleriyle test edilen Lexis+ AI sorguların yaklaşık %17’sinde, Westlaw AI-Assisted Research ise yaklaşık %33’ünde halüsinasyon üretti [3]. Genel amaçlı modellerde hukukî sorgularda ölçülen oran %58 ilâ %82 aralığındadır [4]. Modelin sınav başarısına dayanan iyimserlik de sınamaya dayanmadı: GPT-4’ün baro sınavında “90. yüzdelik” performans gösterdiği iddiası, sınavı geçen adaylara kıyasla yaklaşık 48. yüzdeliğe, serbest yazımlı kompozisyonlarda ise yaklaşık 15. yüzdeliğe iniyor [5]. Modelin en zayıf olduğu alan, mesleğin özünü oluşturan iştir.

Bu risk karşısında hem teknik yazının hem de meslekî rehberlerin verdiği cevap büyük ölçüde ortaktır: istemi iyileştirin. Örnekle öğretme, adım adım muhakeme, kaynakla besleme ve tutarlılık kontrolü gibi teknikleri teknik yazın, çıktı kalitesini isteme bağlayan bir çerçeve içinde geliştirdi [6][7][8][9][10]. Hukuk yazını aynı çerçeveyi devraldı. Ankara Barosu HUBİTEM’in Aralık 2024 tarihli rehberi halüsinasyonu ayrı bir başlıkta ele alıyor ve sorunu avukatın Avukatlık Kanunu’ndan doğan özen yükümlülüğüne bağlıyor [11][12]. ABA Etik ve Meslekî Sorumluluk Daimî Komitesi ise 512 sayılı Resmî Görüşü’nde yeni bir kural ihdas etmeksizin çıktının bağımsız teyidini, yetkinlik ve mahkemeye karşı dürüstlük yükümlülüklerinin gereği sayıyor [13]. Türkçe alan yazınındaki çalışmaların bir bölümü de istem mühendisliğini, hukukçunun edinmesi gereken bir güvenlik becerisi biçiminde tanıtıyor.

Bu makale, anılan hâkim yaklaşımın eksik olduğunu ileri sürüyor. İyi tasarlanmış bir istem, çıktının konuya uygunluğunu ve kapsamını artırır; bu, bilinen ve tartışmasız etkidir. Aynı istem çıktıyı akıcılaştırır, ona kaynaklı bir görünüm kazandırır, okuyanı ikna eder; ikinci etki gözden kaçıyor. Halüsinasyon riski istem kalitesinden büyük ölçüde bağımsız olduğuna göre  kaynakla beslenen ticarî araçlarda dahi altı sorgudan birinin hatalı çıkabildiği bir ortamdan söz ediyoruz [3]  İki etki birleştiğinde şu sonuç doğar: iyi istem, hatanın fark edilme olasılığını düşürür. İstem mühendisliği hukukta bir güvenlik önlemidir. Aynı zamanda bir risk çarpanıdır. Kızılcahamam olayı bu mekanizmanın örneğidir; içtihadın tümden uydurulması ile gerçek içtihada hatalı künye iliştirilmesi arasındaki fark, ikincisinin yüzeysel okumada neredeyse görünmez kalmasıdır.

Buradan çıkan normatif sonuç, makalenin asıl önerisini oluşturur: hukukta istem mühendisliğinin gerçek çıktısı daha iyi bir istem değil, istemden bağımsız işleyen bir doğrulama mimarisidir. Aranan beceri istem yazmak değil, çıktının doğruluğunu istemin ikna ediciliğinden yalıtarak sınayabilmektir. Makale literatüre üç noktada katkı sunmayı amaçlıyor. Birincisi, istem kalitesi ile hata görünürlüğü arasındaki ters ilişkiyi kavramsallaştırmak ve bunu ampirik halüsinasyon verisiyle birlikte kurmaktır. İkincisi, doğrulama yükümlülüğünü soyut bir tavsiye olmaktan çıkarıp Avukatlık Kanunu m.34 ve m.36 [12], KVKK m.5, 6, 9 ve 12 [14] ile TCK m.239 [15] üzerinden pozitif hukuka bağlamaktır. Üçüncüsü, yabancı meslekî ve yargısal düzenlemelerin [13][16][17][18][19] getirdiği beyan ve doğrulama yükümlülüklerinin Türk hukukunda karşılığı bulunmadığını göstermek, bu boşluğu TBMM Yapay Zekâ Araştırma Komisyonu raporunun önerdiği risk temelli düzenleme modeli [20] ile AB Yapay Zekâ Tüzüğü’nün yargı alanına ilişkin rejimi [21] karşısında konumlandırmaktır.

Çalışma bir doktrin incelemesidir; yazarın yürüttüğü bir deney, anket veya saha araştırması içermez. Aktarılan ampirik verileri ikincil kaynaklardan aldım ve her birini kaynağındaki ölçüm koşuluyla birlikte verdim; Stanford ölçümlerinin Mayıs 2024 ürün sürümlerine ait olduğu kaydı bu nedenle metin boyunca duruyor [3]. Karşılaştırma ekseni Türk hukuku ile ABD ve AB düzenlemeleriyle sınırlıdır. Kanada, Birleşik Krallık ve Avustralya uygulamalarına yalnızca yargısal yükümlülük tipolojisini göstermek üzere değiniyorum. Teknik iddialar Temmuz 2026 itibarıyla geçerlidir; model nesilleri ve ürün sürümleri bu tarihten sonra değişebileceğinden, oranlara ilişkin tespitleri tarihe bağlı okumak gerekir. AB Yapay Zekâ Tüzüğü bakımından, değiştirici tüzüğün nihaî Resmî Gazete künyesini 20 Temmuz 2026 itibarıyla teyit edemediğim için metinde sayı vermedim; yalnızca kabul tarihlerini ve usul dosyası numarasını esas aldım [21].

2. Kavramsal Çerçeve: Büyük Dil Modelleri ve İstem

Bu çalışmada İngilizce prompt teriminin karşılığı olarak “istem” kullanılmakta, kavram ilk geçtiği yerde parantez içinde özgün biçimiyle verilmekte, devamında tek başına Türkçe karşılığı tercih edilmektedir. Tercihin gerekçesi, terimin hukuk metinlerinde bir talimat ilişkisini adlandırmasıdır: istem, kullanıcının modele verdiği ve modelin çıktısını biçimlendiren yazılı yönergedir.

2.1. Olasılıksal dizi tamamlama

Büyük dil modeli, kendisine verilen metnin ardından hangi birimin geleceğini tahmin eden bir sistemdir. Model, eğitim verisinden çıkardığı istatistiksel örüntülere dayanarak olası devam adaylarını sıralar, aralarından birini seçer, seçtiğini girdinin sonuna ekler ve işlemi baştan yineler. Cevap dediğimiz metin, bu döngünün binlerce kez tekrarlanmasının ürünüdür. Model hiçbir aşamada bir doğruluk ölçütü hesaplamaz; hesapladığı şey, o metnin devamı olma ihtimalidir. Hukukî kullanımın bütün sorunları bu tek ayrımdan türer.

Modelin görev tarifini nasıl aldığı da aynı mantığa bağlıdır. Brown ve arkadaşlarının 2020 tarihli çalışması, yeterince büyük modellerin ağırlıkları güncellenmeden, salt girdi içinde verilen birkaç örnek üzerinden yeni görevleri yerine getirebildiğini göstermiştir [6]. İstem, modeli eğitmez; modelin hangi olasılık bölgesinde çalışacağını daraltır. Bir hukukçunun modele “Türk Borçlar Kanunu çerçevesinde” demesi, modele Türk hukukunu öğretmez; eğitim verisinde Türk borçlar hukuku metinlerine benzeyen dil örüntülerinin ağırlığını artırır. Bu iki şeyi birbirine karıştıran hukukçu, istem kalitesine gerçekte taşıyamayacağı bir güvence yükler.

2.2. Örnekleme, sıcaklık ve tekrarlanabilirlik sorunu

Türkçe literatürde sıkça karşılaşılan bir açıklama, aynı modelin farklı kullanıcılara farklı cevaplar vermesini tümüyle istem farkına bağlar. Açıklama eksiktir. Model, her adımda en yüksek olasılıklı adayı seçmek zorunda değildir; olasılık dağılımından örnekleme (sampling) yaparak seçim yapar. Sıcaklık (temperature) adı verilen parametre bu dağılımın ne kadar yayvan okunacağını belirler: değer yükseldikçe düşük olasılıklı adayların seçilme şansı artar, düştükçe model en olası devama yaklaşır.
Sonuç şudur; kelimesi kelimesine aynı istem, aynı modelde, arka arkaya iki farklı çıktı üretebilir.

Hukukî işlerde düşük sıcaklık makul bir varsayılan tercihtir; yaratıcı çeşitlilik, mevzuat araştırmasında ve sözleşme incelemesinde bir değer taşımaz. Buradan çıkarılabilecek yanlış sonuca karşı ise açık olmak gerekir. Düşük sıcaklık, modelin uydurma bir esas ve karar numarası üretmesini engellemez. Sahte bir künye, gerçek künyelerin biçimsel örüntüsüne uyduğu için yüksek olasılıklı bir devamdır. Sıcaklığı düşürmek, hatanın türünü değil dağılımını değiştirir: çıktı daha tutarlı hâle gelir, yani aynı hatayı daha kararlı biçimde tekrarlar.

Örnekleme olgusunun uygulama açısından bir başka sonucu vardır. Aynı soruyu birkaç kez sormak ve cevaplar arasındaki ayrışmayı gözlemek, doğrulanması gereken noktaları işaret eden zayıf bir uyarı işareti üretir; çok yollu tutarlılık kontrolü fikri de bu sezgiye dayanır [9]. Ancak ayrışmanın yokluğu teyit değildir. Model üç denemede de aynı yanlış künyeyi verebilir.

2.3. Bağlam: doktorun sorusu

Bağlamın işlevini gündelik bir karşılaştırma iyi anlatır. Hekime “kendimi iyi hissetmiyorum” demekle “üç gündür ateşim var, kuru öksürük ve boğaz ağrısı eşlik ediyor” demek arasındaki fark, tanının isabetini doğrudan etkiler. Modelde de durum benzerdir. Benzerliğin sınırı şudur ki hekim, verilmeyen bilgiyi sorar; model sormaz, boşluğu istatistiksel olarak doldurur.

2.4. Halüsinasyon bir arıza değildir

Halüsinasyon, modelin gerçekte bulunmayan bilgi, kaynak veya kararı doğruymuş gibi sunmasını anlatır. Kavramı bir yazılım hatası gibi düşünmek yanıltıcıdır. Model, doğru olanı değil olası olanı üretmek üzere kurulmuştur; olasılık hesabına dayanan bir sistemin doğrulanmamış çıktı vermesi, sistemin bozulması değil çalışmasıdır. Dahl ve arkadaşlarının ölçümünde genel amaçlı modeller hukukî sorgularda %58 ilâ %82 aralığında halüsinasyon üretmiştir [4]. Hukuka özel ticarî araçlarda oran belirgin biçimde düşer, sıfırlanmaz [3].

Hukukî halüsinasyonun tek bir görünümü yoktur ve türleri arasındaki fark, fark edilme kolaylığı bakımından belirleyicidir. Dört tür ayrılabilir:

Mata v. Avianca birinci türün örneğidir: dilekçeye eklenen altı kararın hiçbiri mevcut değildi [2]. Haziran 2026’da Kızılcahamam’da basına yansıyan olay ise ikinci türe aittir; ileri sürüldüğüne göre kararların içerikleri gerçek Yargıtay kararlarına ait olup hatalı olan yalnız künye bilgileriydi [1]. İki tür arasındaki fark akademik bir tasnif meselesi değildir. Birinci türde denetim ilk aramada durur; ikinci türde hukukçu içeriği okur, içeriği tanıdık bulur ve künyeyi kontrol etme gereği duymaz. Üçüncü ve dördüncü türler de aynı özelliği paylaşır: hepsinde çıktının inandırıcılığı, hatanın kendisini korur.

2.5. İstem mühendisliği ve bağlam penceresi

İstem mühendisliği, modele verilecek yönergenin hedef, bağlam, sınır ve çıktı biçimi bakımından tasarlanmasıdır. “Mühendislik” nitelemesi, işlemin yinelenebilir ve ölçülebilir olmasından gelir: hukukçu bir istem kalıbı yazar, çıktı üzerinde sınar, düzeltir ve büro genelinde standartlaştırır. Alanın adlandırılmış teknikleri de bu çizgide gelişmiştir. Ara adımların açıkça istenmesi [7], kaynağın modele doğrudan verilmesi [8], görevin birbirini besleyen istemlere bölünmesi [10]. Tekniklerin hukukî uygulaması dördüncü bölümün konusudur.

Tasarımın teknik bir sınırı vardır. Model, kendisine verilen metnin tamamını sabit uzunlukta bir bağlam penceresi içinde tutar; pencere aşıldığında en eski kısımlar düşer. Uzun bir çerçeve sözleşmenin ya da kalın bir dava dosyasının tek seferde modele verilmesi, çıktının belgenin belirli bölgelerine körleşmesine yol açabilir. Sorunun uygulamadaki karşılıklarını ve çözüm yollarını dördüncü bölüm ele almaktadır.

Buraya kadar anlatılan işleyiş, istem tasarımının çıktının konuya uygunluğunu artırdığını gösterir. Aynı işleyişin ikinci bir sonucu daha vardır ve hukukî sorumluluk açısından asıl mesele odur: iyi tasarlanmış bir istem, hatanın kendisini değil hatanın görünürlüğünü değiştirir. Üçüncü bölüm bu sonucun Avukatlık Kanunu m. 34 karşısında ne anlama geldiğini tartışmaktadır [12].

3. Ampirik Tablo: Hukukta Yapay Zekâ Hatasının Ölçeği

Hukukta yapay zekâ tartışmasının büyük bölümü, ölçülmüş bir hata payına değil, tekil anlatılara dayanıyor. Oysa 2024’ten bu yana elde ölçüm var. Bu bölüm, hukukçunun hangi büyüklükte bir hata tabanıyla çalıştığını sayısal olarak ortaya koyuyor ve bu tabanın istem kalitesiyle ilişkisini sınıyor.

3.1. Ölçülmüş taban: hukuka özel araçlarda %17-33

Stanford Üniversitesi RegLab ve İnsan Merkezli Yapay Zekâ Enstitüsü (HAI) araştırmacılarının yürüttüğü çalışma, ticarî hukukî araştırma araçlarına ilişkin ilk ön kayıtlı (preregistered) ampirik değerlendirmedir. Ekip 202 açık uçlu hukukî sorgu hazırladı ve piyasanın önde gelen üç ürününü aynı sorgu kümesiyle test etti. LexisNexis’in Lexis+ AI ürünü sorguların yaklaşık %17’sinde halüsinasyon üretti, yaklaşık %65’inde doğru yanıt verdi. Thomson Reuters’ın Westlaw AI-Assisted Research ürününde halüsinasyon oranı yaklaşık %33’e çıktı, doğruluk oranı yaklaşık %42’ye indi. Ekip Ask Practical Law AI’ı da aynı protokolle sınadı [3]. Ölçümler araçların Mayıs 2024 tarihli sürümlerine ait; oranlar güncel ürün sürümleri bakımından geçerli sayılamaz.

Bu rakamların hangi mimari üzerinde ölçüldüğü, rakamların kendisinden daha öğreticidir. Test edilen araçların üçü de erişim destekli üretim (retrieval-augmented generation) kullanır; yani model, cevabı kendi hafızasından üretmez, önce bir hukukî içerik havuzundan ilgili belgeleri çeker, sonra o belgelere dayanarak yazar [8]. Halüsinasyona karşı bugün bilinen en güçlü teknik mimari budur. Sağlayıcılar da iddialarını buna dayandırmıştı. Yine de en iyi üründe her altı sorgudan biri hatalı çıktı.

Karşılaştırma noktası gerekir. Genel amaçlı büyük dil modelleri, doğrudan sorulan hukukî sorgularda %58 ilâ %82 aralığında halüsinasyon üretir [4]. Hukuka özel araçlar bu tabloyu belirgin biçimde iyileştiriyor. Ortadan kaldırmıyor.

Buradan çıkan sonuç, istem mühendisliği literatürünün genellikle atladığı noktadır. Ölçüm, kullanıcıların istem becerisindeki farklılığı değil, aracın kendi hata tabanını gösterir; araştırmacılar sorguları standartlaştırdı ve önceden kayda geçirdi [3]. Kullanıcı istemini ne kadar iyi kurarsa kursun, altta duran bu taban yerinde kalır. İstem kalitesi çıktının kapsamını ve konuya uygunluğunu yönetir; atfın gerçekten var olup olmadığını yönetmez.

3.2. Mata v. Avianca: sorunun araçtan denetime kayması

Bu hata tabanının meslekî sonuçlarını ilk kez Mata v. Avianca, Inc. davası belgeledi. New York Güney Bölgesi Federal Mahkemesi, 22 Haziran 2023 tarihli yaptırım kararıyla iki avukata ve bağlı oldukları büroya müştereken ve müteselsilen 5.000 ABD doları para cezası verdi. Dilekçe, ChatGPT ile üretilmiş altı adet uydurma yargı kararına atıf içeriyordu [2].

Hâkim Castel’in kararının hukuk yazınında en çok yanlış aktarılan yanı, yaptırımın gerekçesidir. Ceza, yapay zekâ kullanılmış olmasından doğmadı. Mahkeme, kararların gerçekliği sorgulandıktan sonra dahi avukatların bunların arkasında durmasında “sübjektif kötü niyet” ve “bilinçli kaçınma” tespit etti [2]. Kararın kilit ifadesi de bu yöndedir: güvenilir bir yapay zekâ aracı kullanmak özünde uygunsuz değildir; mevcut kurallar, avukata dosyalanan belgenin doğruluğunu sağlama görevi yükler.

İfadenin normatif ağırlığı burada. Mahkeme yeni bir yasak koymadı, mevcut kapı bekçiliği (gatekeeping) görevini teknolojiye uyguladı. ABA Etik ve Meslekî Sorumluluk Daimî Komitesi’nin 29 Temmuz 2024 tarihli 512 sayılı Resmî Görüşü de aynı çizgide durur: yeni kural ihdas etmez, yetkinlik ve mahkemeye karşı dürüstlük kurallarını uyarlar, çıktının bağımsız teyidini şart koşar [13]. Türk hukukunda bu görevin karşılığı, 1136 sayılı Avukatlık Kanunu’nun 34. maddesindeki özen ve doğruluk yükümlülüğüdür [12]; Ankara Barosu HUBİTEM’in Aralık 2024 tarihli rehberi halüsinasyonu doğrudan bu hükme bağlar [11].

3.3. Kızılcahamam: inandırıcılığın maliyeti

Türkiye’de yapay zekâ kaynaklı içtihat hatası, basına yansıyan ilk vakayla Haziran 2026’da gündeme geldi. Basına yansıyan bilgilere göre Ankara’nın Kızılcahamam ilçesindeki bir asliye hukuk mahkemesinde, yaklaşık yirmi beş yıllık meslek kıdemine sahip bir avukatın dilekçesine yapay zekâ desteğiyle eklediği Yargıtay kararlarının daire, esas ve karar numaraları UYAP kayıtlarında çıkmadı. Hata, karşı taraf vekilinin duruşmadaki itirazı üzerine ortaya çıktı; mahkeme aynı gün hem Ankara Barosu’na hem Cumhuriyet Başsavcılığı’na bildirimde bulundu. Haber, soruşturmaların açıldığını ileri sürüyor [1].

Olayın makale açısından değeri, avukatın beyanında saklıdır: kararların içerikleri gerçek Yargıtay kararlarına aittir, hatalı olan yalnızca künyelerdir; üç ayrı karar gibi sunulanlar, aynı kararın hatalı künyelerle yinelenmesinden ibarettir [1].

Bu ayrım Mata‘dan yapısal olarak farklı bir hata türüne işaret eder. Mata‘daki altı karar tümüyle uydurmaydı; içeriklerini okuyan bir hukukçu kuşkulanabilirdi. Kızılcahamam’da metin doğruydu. Hukukî muhakeme tutarlıydı, gerekçe gerçekten bir Yargıtay dairesine aitti, çıktı okunduğunda hiçbir yerinden yırtılmıyordu. Sahte olan tek unsur, en az okunan unsurdu. Dilekçe duruşmaya kadar yol aldı.

Hatanın geç fark edilmesi, çıktının kötü olmasından değil, iyi olmasından kaynaklandı.

3.4. Dört hata türü ve fark edilme eşiği

Tablonun ortadaki iki satırı, doğrulama pratiğinin zayıf halkasıdır. Künye sorgusuyla yetinen bir denetim ikinci satırı yakalar, üçüncüsünü kaçırır; içerik okumasıyla yetinen bir denetim üçüncüsünü yakalar, ikincisini kaçırır. İkisi ayrı ayrı yapılmadıkça hata payı kapanmaz.

3.5. Modelin en zayıf olduğu yer, mesleğin özü

OpenAI, GPT-4’ün tanıtımında modelin Yeknesak Baro Sınavı’nda 90. yüzdelik dilimde performans gösterdiğini duyurmuştu. Eric Martínez’in yeniden değerlendirmesi bu rakamın şişkin olduğunu ortaya koydu: karşılaştırma tabanı ağırlıklı olarak daha önce sınavda başarısız olmuş adaylardan oluşan Şubat oturumuydu. Sınavı geçenlere kıyasla modelin performansı yaklaşık 48. yüzdeliğe, serbest yazımlı kompozisyon bölümlerinde ise yaklaşık 15. yüzdeliğe iner [5].

Hukukçu için anlamlı olan, ortalamanın kendisi değil dağılımıdır. Model, çoktan seçmeli bilgi sorularında görece güçlü, serbest yazımlı hukukî muhakemede belirgin biçimde zayıftır — yani mesleğin merkezinde duran işte. Aynı model, o zayıf alanda ürettiği metni de akıcı ve kendinden emin bir dille yazar. Yüzdelik dilim düşerken üslûbun ikna ediciliği düşmez.

Bu üç ölçüm bir arada okunduğunda, doğrulamanın nereye yerleştirilmesi gerektiği de belirginleşir. Ölçülen hata tabanı istemden bağımsız çalışıyorsa, denetim de istemden bağımsız çalışmak zorundadır. Sonraki bölüm, bu bağımsızlığın nasıl kurulacağını ele alıyor.

Kişisel Değerlendirme;  Bu olaya ilişkin bilgiler mahkeme kararı, iddianame veya baro disiplin kararı gibi belgelere değil, 17 Haziran 2026 tarihli tek bir özel habere ve soruşturulduğu belirtilen avukatın basına verdiği beyanlara dayanıyor. Ankara Barosu, Ankara Cumhuriyet Başsavcılığı veya ilgili mahkemenin yaptığı resmî bir açıklama tespit edilemedi; soruşturmaların gizliliği nedeniyle dosya kayıtlarına erişim de mümkün olmadı. Ortada verilmiş bir disiplin kararı veya mahkeme hükmü bulunmadığından olayın hukukî anlamda “emsal” olarak nitelendirilmesi yerinde değildir; 20 Temmuz 2026 itibarıyla süreçlerin sonucuna dair doğrulanmış bilgi bulunmuyor.

4. İstem Tasarımının Unsurları ve Teknikleri

4.1. İstemin yapısal unsurları

Bir istemin tasarımı, altı unsurun bilinçli biçimde doldurulmasından ibarettir. Amaç, modelden istenen fiili tek bir eylem yüklemiyle sabitler: açıkla, karşılaştır, taslak hazırla, risk tespit et. Bağlam, değerlendirmenin hangi hukuk düzeni, hangi mevzuat ve hangi olay örgüsü çerçevesinde yapılacağını gösterir. Rol, çıktının hangi uzmanlık perspektifinden kurulacağını belirler. Kapsam, cevabın derinliğini ve sınırlarını çizer. Çıktı biçimi, sonucu tablo, sabit şablon ya da numaralı liste hâline getirir. Sınırlama ise modelin neyi kullanmayacağını söyler: hangi mevzuat dışında kalınacağını, hangi bilgi türünün üretilmeyeceğini, emin olunmayan hususların nasıl işaretleneceğini.

Bu altı unsurun hepsini her isteme koymak gerekmez. Uygulamada belirleyici olan, hukukî görevin tipine göre hangisinin eksik bırakılmasının maliyetli olduğunu bilmektir. Mevzuat araştırmasında bağlam ile sınırlama, sözleşme incelemesinde çıktı biçimi ile kapsam, taslak üretiminde ise rol ile sınırlama ağır basar.

4.2. Zayıf ve etkili istem

Aşağıdaki tablo, farkın nereden doğduğunu gösterir. Sağ sütunun uzunluğu tek başına bir erdem değildir; belirleyici olan, eklenen her ifadenin modelin seçim alanını daraltmasıdır.

Son satır, bu bölümün geri kalanının çıkış noktasıdır. Modelden karar istemek ile modele karar vermek arasındaki fark, biçimsel bir ayrıntı değildir.

4.3. Görev tipine göre teknikler

Örnekle öğretme. Modele istenen biçimi tarif etmek yerine örneklemek, kalıplaşmış metinlerde daha isabetli sonuç verir; Brown ve ekibi, büyük dil modellerinin birkaç örnekten görev çıkarımı yapabildiğini 2020’de göstermiştir [6]. Dilekçe başlıkları, ihtarname girişleri ve mütalaa sonuç bölümleri bu tekniğe elverişlidir: “Aşağıda iki dilekçe başlığı veriyorum; sıralamayı ve ayrıntı düzeyini incele, ardından konut kirasında tahliye talepli dava için üçüncüsünü aynı kalıpta yaz. Taraf bilgilerini boş bırak.”

Adım adım muhakeme. Modelden sonuca atlamak yerine ara adımları yazmasını istemek, çok aşamalı görevlerde hata oranını düşürür [7]. Hukukta karşılığı zamanaşımı hesabı, sorumluluk zinciri ve şart-sonuç kurgusudur: “TBK m.146 vd. çerçevesinde zamanaşımının dolup dolmadığını değerlendir. Önce (1) hukukî ilişkiyi, (2) süreyi ve dayanağı maddeyi, (3) başlangıç anını, (4) kesilme ve durma sebeplerini ayrı ayrı yaz; sonucu ancak bundan sonra belirt.” Tekniğin ikinci kazancı denetlenebilirliktir. Hukukçu, hatanın hangi halkada oluştuğunu görür. Akıl yürütme modellerinde ise talimatın kendisi işlevsizleşir; bu sistemler muhakeme adımlarını zaten içeride üretir ve “adım adım düşün” yönergesi çıktıya bir şey katmaz. Teknik, modele göre ayarlanır.

Sistem promptu ile kullanıcı istemi ayrımı. Sistem promptu oturum boyunca geçerli kalıcı çerçevedir; kullanıcı istemi tek seferlik taleptir. Verimli dağıtım, davranış kurallarını birinciye, somut görevi ikinciye yerleştirir. Sistem promptu şöyle kurulabilir: “Türk hukuku alanında çalışıyorsun. Her değerlendirmede dayandığın madde numarasını yazarsın. Karar numarası vermeden içtihat iddiasında bulunmazsın. Emin olmadığın hususları cevabın sonunda ‘Doğrulanması gereken hususlar’ başlığı altında listelersin.” Kullanıcı istemi ise yalnızca şunu içerir: “Ekteki sözleşmenin cezaî şart hükmünü TBK m.179-182 çerçevesinde değerlendir.” Kural bir kez yazılır, görev her seferinde değişir.

İstem zincirleme. Elli sayfalık bir çerçeve sözleşmeyi tek istemle incelemek, çıktıyı kaçınılmaz olarak yüzeyselleştirir. Görevi birbirini besleyen adımlara bölmek ve her adımın çıktısını bir sonrakinin girdisi yapmak, hem doğruluğu hem denetlenebilirliği artırır [10]. Sıra şudur: önce yorumsuz hüküm envanteri, sonra yükümlülük ve sorumluluk sınırlaması hükümlerinin ayıklanması, ardından bunların TBK ve TTK açısından değerlendirilmesi, en son alternatif metin önerisi. Hukukçu her aşamada durabilir. Tek dev istemde durulacak bir yer yoktur.

Erişim-destekli üretim. Halüsinasyona karşı en yaygın tavsiye, modelden kaynak göstermesini istemektir. Bu tavsiye yanlıştır ve yanlışlığı yapısaldır: modelden kaynak istemek halüsinasyonu ortadan kaldırmaz, halüsinasyonlu kaynak üretir. Model, kendisinden istenen biçimi doldurur; künye alanı boş bırakılamayacak bir alan hâline geldiğinde, modelin o alana yazdığı şey olasılıksal olarak makul görünen bir künyedir. Kızılcahamam vakasında ortaya çıkan tablo tam olarak budur.  İçerik gerçek kararlara aitken künyelerin hatalı üretilmiş olması, “kaynak iste” tavsiyesinin ürettiği tipik sonuçtur [1]. Mühendislik çözümü, modeli doğrulanmış bir mevzuat ve içtihat kümesine bağlamaktır; erişim destekli üretim, cevabı modelin hafızasından değil önüne konan belgeden çıkarmayı hedefler [8]. Uygulamadaki karşılığı sadedir: “Aşağıya 6698 sayılı Kanun’un 5. ve 6. maddelerinin tam metnini yapıştırıyorum. Değerlendirmeni yalnızca bu metne dayandır, genel bilgini kullanma. Her tespitin karşısına dayandığın fıkrayı yaz. Verilen metinde cevabı bulunmayan hususu ‘sağlanan kaynaklarda yer almıyor’ diye belirt.” Yöntem riski daraltır, kapatmaz. Stanford RegLab ekibi, bu tekniği mimarisinin merkezine yerleştiren ticarî hukukî araştırma araçlarında bile Lexis+ AI için yaklaşık %17, Westlaw AI-Assisted Research için yaklaşık %33 halüsinasyon ölçmüştür; ölçümler bu ürünlerin Mayıs 2024 sürümlerine aittir [3]. Karşılaştırma noktası, genel amaçlı modellerin hukukî sorgulardaki %58-82 aralığıdır [4]. Erişim-destekli üretim, hata oranını mertebe olarak düşürür, sıfırlamaz.

Yapılandırılmış çıktı. Serbest metin hâlindeki uzun bir cevabın hangi unsurunun doğrulanmadığını görmek güçtür. Çıktıyı sabit sütunlu bir tabloya oturtmak, eksik alanları görünür kılar ve doğrulanacak unsurları listeye dönüştürür. Dayanak sütunu boş kalan satır, doğrulama sırasında ilk bakılacak satırdır.

Çapraz doğrulama. Aynı hukukî sorunu farklı biçimlerde veya farklı modellere sormak, tutarsızlıkları görünür hâle getirir; Wang ve ekibinin bulgusuna göre birden çok muhakeme yolunu karşılaştırmak, tek bir üretime güvenmeye kıyasla daha güvenilir sonuç verir [9]. Cevaplar arasındaki ayrışma, hangi noktanın doğrulanması gerektiğini gösteren bir işarettir: “Aynı olayı davacı vekili, davalı vekili ve tarafsız bilirkişi bakış açısıyla ayrı ayrı değerlendir; sonunda üç değerlendirmenin çeliştiği hususları listele.”

Negatif talimat. Modele ne yapmayacağını söylemek gerekir, çünkü büyük dil modelleri boşluk bırakmak yerine tamamlamaya eğilimlidir. “Karar numarası uydurma”, “hatırlamıyorsan madde numarası yazma”, “bilmiyorsan bilmediğini yaz” biçimindeki sınırlar, modele eksikliği beyan etme izni verir. Etkisi sınırlıdır. Talimat, modelin kendi çıktısının doğruluğunu ölçebildiği varsayımına dayanır; oysa model, uydurduğu künyeyi uydurduğunu bilmez. Negatif talimat riski azaltır, güvence vermez.

Bu tekniklerin ortak yönü, çıktının kalitesini yükseltmeleridir. Hiçbiri hata oranını sıfırlamaz. Hepsi ise çıktıyı daha derli toplu, daha kaynaklı görünümlü ve daha ikna edici kılar, yani hatanın gömüleceği yüzeyi genişletir. Bir sonraki bölümün konusu, bu iki etkinin aynı anda üretilmesinin hukukçu açısından ne anlama geldiğidir.

5. İstem Kalitesi ile Hata Görünürlüğü Arasındaki Ters İlişki

5.1. Rehberlerin sınamadığı eşitleme

İstem rehberlerinin tamamı aynı önermeyi paylaşır: iyi tasarlanmış bir istem, iyi bir çıktı verir. Önerme yanlış değildir. Eksik olan, “iyi çıktı” ifadesinin neyi kastettiğinin hiçbir yerde ayrıştırılmamasıdır. Rehber literatürü bu ifadeyi sessizce “doğru çıktı” ile eşitler, eşitlemeyi de gerekçelendirmez.

Ayrımı yapmak için çıktının niteliklerini birbirinden ayırmak gerekir. Bir çıktı konuya uygun olabilir: sorulan hukukî meseleyi ıskalamaz. Kapsamlı olabilir: ilgili kurumların hepsine değinir. Biçimsel olarak düzenli olabilir: başlıklandırılmış, tablolanmış, madde numaralarıyla desteklenmiştir. İkna edici olabilir: kendinden emin bir üslûpla, tereddüt işareti vermeden yazılmıştır. Bunların hiçbiri olgusal doğruluk değildir. Beşinci nitelik  atıf yapılan kararın gerçekten var olması, anılan maddenin gerçekten o hükmü içermesi ilk dördünden bağımsız olarak sağlanır ya da sağlanmaz.

Ampirik zemin bu ayrımı destekler. Magesh ve arkadaşları 202 açık uçlu hukukî sorgu üzerinden ön kayıtlı bir değerlendirme yürütmüştür. Hukuka özel ticarî araçların Mayıs 2024 tarihli sürümleri sorguların önemli bir bölümünde hatalı içerik üretmiştir: Lexis+ AI’da yaklaşık %17 halüsinasyona karşılık %65 doğru yanıt, Westlaw AI-Assisted Research’te yaklaşık %33 halüsinasyona karşılık %42 doğru yanıt [3]. Genel amaçlı modellerde aynı türden sorgularda ölçülen oran %58-82 aralığındadır [4]. Bu çalışmalar istem kalitesini bağımsız değişken olarak ölçmemiştir. Ölçtükleri şey başkadır: erişim destekli üretimle beslenmiş, hukuk için özel olarak tasarlanmış sistemlerde dahi taban hata oranı sıfırlanmamaktadır. Hata, istem düzeyinde çözülen bir sorun değildir.

5.2. Doğrulama bir maliyet kararıdır, çıktının yüzeyi ise onun girdisi

Uygulamada hiçbir hukukçu, önüne gelen her cümleyi tek tek denetlemez. Zaman kısıtı altında çalışan bir avukat, dikkatini şüphe uyandıran yerlere ayırır. Şüpheyi ne üretir? Çoğunlukla metnin kendisi: tutarsız bir gerekçe, konuyu ıskalayan bir paragraf, kaynak göstermeyen bir genelleme, aceleye gelmiş bir cümle. Zayıf çıktı, zayıflığını kendisi ilan eder ve okuyucuyu denetime çağırır.

İstem mühendisliği tam olarak bu sinyali siler. Rol tanımı, bağlam sağlama, format dayatma ve kaynak talep etme teknikleri bir araya geldiğinde ortaya künyeli, tablolu, başlıklı ve pürüzsüz bir metin çıkar. Okuyucu biçimsel düzeni içeriksel güvenilirliğin işareti sayar; makine üretimi bir çıktının karşısında bu eğilim güçlenir, çünkü metne aracın tarafsızlık izlenimi de eklenir. Sonuç şudur: istem kalitesi arttıkça hatanın yoğunluğu belirgin biçimde azalmaz, hatanın görünürlüğü ise azalır. İyi istem, hatayı ortadan kaldırmadan üzerini örter.

5.3. En zor yakalanan halüsinasyon biçimi: doğru içeriğe iliştirilmiş sahte künye

Haziran 2026’da basına yansıyan Kızılcahamam olayı bu mekanizmanın örneğidir [1]. Basına yansıyan bilgilere göre bir avukatın dilekçesine yapay zekâ desteğiyle eklenen Yargıtay kararlarının daire, esas ve karar numaraları UYAP kayıtlarında belirtildiği şekliyle bulunamamış; hata, karşı taraf vekilinin duruşmadaki itirazı üzerine ortaya çıkmıştır. Avukatın beyanına göre kararların içerikleri gerçek Yargıtay kararlarına aittir; hatalı olan yalnızca künyelerdir ve üç ayrı karar gibi sunulanlar aynı kararın hatalı künyelerle yinelenmesinden ibarettir. Olayın kaynağı tek bir özel haberdir. Kurumsal teyit yoktur; soruşturmaların kapsamı ile sonucu bakımından kesinlik kipi kullanılamaz.

Vakanın analitik değeri hatanın türünde yatar. Tümüyle uydurulmuş bir karar özeti, hukukçunun okuma sırasında yakalayabileceği izler taşır: gerekçe yerleşik içtihada oturmaz, terminoloji kayar, sonuç hukukî mantığı zorlar. Gerçek bir karardan alınmış içeriğe hatalı bir künye iliştirildiğinde bu izlerin hiçbiri oluşmaz. Metin doğrudur, çünkü metin gerçekten bir Yargıtay kararına aittir. Doğrulama sinyali üretecek yüzey burada yoktur. Hatanın bulunduğu tek yer, okurken en az sorgulanan yerdir . Rakam dizisi. Hata, duruşmada karşı vekilin itirazına kadar görünmez kalmıştır.

Mata v. Avianca aynı yapıyı farklı bir biçimde gösterir. Dilekçeye giren altı karar tümüyle uydurmaydı; buna karşılık gerçekçi bir üslûpla, iç atıflarla ve alıntılarla sunulmuştu. Mahkeme yaptırımın esas gerekçesini yapay zekâ kullanımında görmemiş, avukatların kararların gerçekliği sorgulandıktan sonra dahi bunların arkasında durmasına dayanmış, “sübjektif kötü niyet” ve “bilinçli kaçınma” tespitini yapmıştır [2]. İtiraz gelmişti; metnin ikna ediciliği yine de itirazın karşısında bir süre daha ayakta kaldı. Mahkeme iki şeyi birbirinden ayırır: güvenilir bir yapay zekâ aracı kullanmak özünde uygunsuz değildir, ancak mevcut kurallar avukata dosyalananın doğruluğunu sağlama görevini yükler [2]. ABA, 512 sayılı Resmî Görüşünde aynı ilkeyi çıktının bağımsız teyidi şartı olarak formüle etmiştir [13]. Ankara Barosu HUBİTEM rehberi de halüsinasyon denetimini Avukatlık Kanunu m.34’teki özen yükümlülüğüne bağlar [11], [12].

5.4. Karşı görüş: “net etki yine de olumludur”

Buraya yöneltilebilecek en güçlü itiraz şudur: iyi istem hata oranını da düşürür; görünürlük kaybı bu kazancı bütünüyle götürmez, net etki olumlu kalır. İtiraz ciddiye alınmayı hak eder. Üç karşı gerekçe var.

Birincisi, iddia edilen net etki iki büyüklüğün bileşkesidir: hata oranındaki düşüş ile yakalama oranındaki düşüş. Birincisi ölçülmüştür, ikincisi ölçülmemiştir. İşareti bilinmeyen bir terimi hesaba katmadan bileşkenin olumlu olduğunu söylemek, bilinen tarafı bütünün yerine koymaktır.

İkincisi, hukukta anlamlı olan büyüklük beklenen hata sayısı değildir. Yüz atıftan üçünün hatalı olması ile birinin hatalı olması arasındaki fark, gözden kaçan o tek atıf mahkemeye sunulduğunda ortadan kalkar; sonuç, atıf sayısına bölünmez. Tek bir hatalı künye özen yükümlülüğünün ihlâli sayılabilir [12], meslekî ve cezaî süreçleri tetikleyebilir. Riskin ölçüsü sıklık değil, ağırlıktır.

Üçüncüsü, hata oranındaki düşüş hukukçunun güven düzeyini de yükseltir. Ürettiği çıktıların isabet oranı arttıkça denetim refleksi zayıflar; denetimin zayıfladığı anda kalan hatalar, en az denetlenen çıktı içinde yol alır. Kazanç ile kayıp burada birbirinden bağımsız değildir. Kazanç, kaybın nedenidir.

5.5. Normatif sonuç: istemden bağımsız doğrulama mimarisi

Buradan şu çıkar: hukukta istem mühendisliğinin çıktısı daha iyi istemler olamaz. Çıktı, istemden bağımsız işleyen bir doğrulama mimarisi olmalıdır. İlkeyi açıkça formüle etmek gerekir: doğrulamanın şiddeti, çıktının niteliğine göre değişemez; çünkü çıktının niteliği, doğrulama ihtiyacını gizleyen değişkenin kendisidir.

İlkenin pratik karşılığı, denetimi tetikleyen ölçütü metnin izleniminden çıkarıp iddianın türüne bağlamaktır. Doğrulama, çıktı kötü göründüğü için değil, çıktı bir künye, bir madde numarası, bir tarih veya bir rakam içerdiği için başlar; iyi görünen çıktıda da aynı yoğunlukta yürür. Bu ölçüt, hukukçunun beceri tanımını da değiştirir: aranan yetkinlik istem yazmak değil, çıktının doğruluğunu istemin ikna ediciliğinden yalıtarak sınayabilmektir. Böyle bir mimarinin adımları ile büro düzeyinde nasıl kayda geçirileceği, izleyen bölümün konusudur.

6. Türk Hukukunda Çerçeve: Özen, Sır ve Kişisel Veri

Yapay zekâ çıktısının doğrulanması yönündeki tavsiye, Türk hukukunda bir tavsiye değildir. Kanunî bir yükümlülüğün görünümüdür. Türkçe yazın ise bu bağı çoğu kez “meslekî özen” ifadesine sıkıştırıyor; dayanak hükmü açıkça anan çalışma azdır. Aşağıda önce yükümlülüğün pozitif dayanaklarını belirliyor, ardından üretken modellerin doğurduğu üç özgül sorunu  sır, kişisel veri ve girdi güvenliği bu dayanaklar üzerinden ele alıyorum.

6.1. Özen ve doğruluk yükümlülüğü

1136 sayılı Avukatlık Kanunu m.34, avukatın yüklendiği görevi özen, doğruluk ve onur içinde yerine getirmesini ve Türkiye Barolar Birliğince belirlenen meslek kurallarına uymasını emreder [12]. Hükmün ikinci kısmı çoğu zaman gözden kaçar. Oysa m.34, Meslek Kuralları’nı kanunî yaptırıma bağlayan köprüdür; Meslek Kuralları da avukatın işini kamunun mesleğe güvenini koruyacak biçimde yürütmesini öngörür.

Künyesi doğrulanmamış bir kararın dilekçeye konması bu hükmün neresine düşer? Hatanın kaynağı araç olsa da cevap değişmez. Vekâlet ilişkisinde borçlunun özen ölçüsü, işin gerektirdiği objektif standarttır; yardımcı kişi veya araç kullanmayı seçen avukat, bu seçimin sonuçlarını da üstlenir [23]. Modelin hata üretmesi öngörülemez bir olay değildir. Halüsinasyonu, hukuka özel ticarî araçlarda dahi ölçen ve yayımlayan çalışmalar vardır [3]. Öngörülebilir bir hata kaynağını denetimsiz bırakmak, özen ihlâlinin tipik görünümüdür. Ankara Barosu HUBİTEM’in Aralık 2024 tarihli rehberi halüsinasyonu ayrı bir başlıkta ele alır ve doğrudan Avukatlık Kanunu’ndan doğan özen yükümlülüğüne bağlar [11]. Mata v. Avianca kararında Hâkim Castel’in tespiti aynı yöne bakar: güvenilir bir yapay zekâ aracı kullanmak özünde uygunsuz değildir; mevcut kurallar avukata dosyalananın doğruluğunu sağlama görevi yükler [2]. ABA’nın 512 sayılı Resmî Görüşü de yeni bir kural ihdas etmez; mevcut yetkinlik ve dürüstlük kurallarını uyarlar [13].

Kızılcahamam olayının hukukî ilginçliği burada yoğunlaşır. İçerikler gerçek Yargıtay kararlarına aitse ve hatalı olan yalnızca künyelerse, ortada esasa ilişkin bir yanlış bilgi yoktur; doğrulanmamış bir künye vardır [1]. Özen yükümlülüğü esasın doğruluğuyla tatmin olmaz. Atfın doğrulanmasını da kapsar.

6.2. Sır saklama: istem bir “açığa vurma” fiili midir?

Avukatlık Kanunu m.36, avukatın kendisine tevdi edilen veya görevi dolayısıyla öğrendiği hususları açığa vurmasını yasaklar [12]. Hüküm, açığa vurmanın aracına ilişkin bir ayrım yapmaz. Müvekkil dosyasını istem penceresine yapıştıran avukat, teknik olarak veriyi hizmet sağlayıcıya aktarır. Bu fiil m.36 anlamında açığa vurma mıdır?

Soru, Türk hukukunda henüz tartışılmış değildir ve iki savunulabilir cevabı vardır. Birinci görüş, açığa vurmanın bilginin bir başkasının bilgi alanına girmesini gerektirdiğini savunur: sözleşmeyle bağlı, gizlilik taahhüdü altındaki bir işleyicinin otomatik sistemine giren veri, insan muhatabına ulaşmış sayılmaz; bulut hizmetlerini ve e-posta sağlayıcılarını yıllardır aynı biçimde kullanıyoruz. İkinci görüş, m.36’nın koruduğu menfaati bilginin avukatın hâkimiyet alanı dışına çıkmaması olarak tanımlar. Sağlayıcı veriyi model iyileştirmesinde kullanabiliyorsa, saklama süresi ve erişim yetkileri üzerinde avukatın denetimi yoksa, hâkimiyet alanı fiilen terk edilmiştir. İkinci görüşün üstünlüğü, ayrımı sözleşmenin içeriğine bağlamasıdır: aynı fiil, kullanılan sürüme göre farklı nitelendirilir. Bu makale ikinci görüşü benimser; birinci görüş, veriyi taşıyan araç ile veriyi işleyip saklayan araç arasındaki farkı ihmal ediyor kanısındayım.

Cezaî boyutu ayrıca gözetmek gerekir. TCK m.239, sıfat veya görev gereği vâkıf olunan ticarî sır, bankacılık sırrı veya müşteri sırrı niteliğindeki bilgi ve belgelerin yetkisiz kişilere verilmesini şikâyete bağlı suç olarak düzenler [15]. Ticarî uyuşmazlıklarda karşı tarafa ait sözleşme metinlerini denetimsiz bir modele yükleyen avukat, bu hükmün kapsamına girme ihtimalini göze alır. Kişisel veri bakımından TCK m.136 aynı işlevi görür.

6.3. Kişisel veri: işleme şartı ve yurt dışına aktarım

Dosyayı modele veren avukat, 6698 sayılı Kanun bakımından bir işleme faaliyeti yürütür; bu faaliyet m.5’teki şartlardan birine, özel nitelikli veri söz konusuysa m.6’daki ağırlaştırılmış şartlara dayanmalıdır [14]. Ceza mahkûmiyeti ve sağlık verisi taşıyan dosyalarda ayrım keskinleşir. Buna m.12’deki teknik ve idarî tedbir yükümlülüğü eşlik eder; müvekkile sunulan aydınlatma metni yapay zekâ destekli süreçleri kapsamıyorsa uyum eksikliği doğar.

Belirleyici başlık yurt dışına aktarımdır, çünkü yaygın kullanılan modellerin sunucuları Türkiye dışındadır. 7499 sayılı Kanun’la değiştirilen ve 1 Haziran 2024’te yürürlüğe giren m.9, üç kademeli bir rejim kurar [14]: önce Kurul’un ilgili ülke, sektör veya uluslararası kuruluş hakkındaki yeterlilik kararı; yeterlilik kararı yoksa uygun güvencelerden biri  standart sözleşme, bağlayıcı şirket kuralları, Kurul izinli taahhütname veya kamu kurumları arası anlaşma; bunlar da sağlanamıyorsa yalnızca arızî hâller. Kademeler arasında seçim serbestisi yoktur, sıra vardır. Yaygın hizmet sağlayıcıların kurulu bulunduğu ülkeler bakımından Kurul henüz bir yeterlilik kararı yayımlamadığından, meslekî kullanımda dayanak pratikte standart sözleşmedir. Kurumun Kişisel Verilerin Yurt Dışına Aktarılması Rehberi bu rejimin uygulanmasını ayrıntılandırır [24].

Kurum, 24 Kasım 2025’te “Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda)” başlıklı çalışmasını yayımladı [25]. Rehber, üretken sistemlerin yaşam döngüsünü ve kullanım risklerini 6698 sayılı Kanun çerçevesinde değerlendiren ilk kurumsal metindir. Yasama düzeyinde TBMM Yapay Zekâ Araştırma Komisyonu raporu, Türkiye’ye özgü bir yapay zekâ kanunu ile risk temelli bir düzenleme modeli önerir [20]. Meslekî düzeyde Türkiye Barolar Birliği, 14-15 Şubat 2026’da Ankara’da Yapay Zekâ ve Avukatlık Çalıştayı’nı düzenledi [26]. Buna karşılık Türk hukukunda dilekçelerde yapay zekâ kullanımının beyanını zorunlu kılan bir düzenleme yoktur.  Kanada ve Avustralya örneklerinin aksine [17][18][27].

6.4. Modele vermeden önce: asgarî maskeleme

Anonimleştirme, verinin hiçbir surette belirli bir kişiyle ilişkilendirilememesidir; hukuk dosyalarında bu eşiğe ulaşmak çoğunlukla mümkün olmaz. Uygulanabilir olan takma adlaştırmadır. Asgarî işlemler şunlardır:

1. Ad, soyad ve unvanların sabit etiketlerle değiştirilmesi (Müvekkil A, Karşı Taraf B).
2. Kimlik numarası, vergi numarası, IBAN ve iletişim bilgilerinin çıkarılması.
3. Adresin il düzeyine indirgenmesi, tarihlerin göreli ifadeye çevrilmesi.
4. Mahkeme adı ile esas ve karar numaralarının kaldırılması.
5. Ticaret unvanı, marka ve proje adlarının maskelenmesi.
6. Belgenin üst veri katmanının temizlenmesi, taranmış evrakta imza ve kaşenin kırpılması.
7. Maskeleme anahtarının büro içinde ve çevrim dışı tutulması.

Maskelemeyi asıl anlamsızlaştıran şey, tek tek zararsız görünen ayrıntıları bir arada bırakmaktır. Nadir bir meslek, bir tarih ve bir şehir, kimliği tek başına belirlenebilir kılar. Doğrulama tarafındaki karşılığı 8. bölümdeki protokoldür.

6.5. Kurumsal sürüm ile tüketici sürümü

“Verilerim eğitimde kullanılıyor mu?” sorusunun cevabı modelin adına değil, aboneliğin türüne bağlıdır. Tüketici sürümlerinde sağlayıcı, kullanıcı ayrılabilir bir tercihi işaretlemedikçe girdileri model iyileştirmesinde kullanabilir. Kurumsal planlarda ve API erişiminde sağlayıcılar tipik olarak girdileri varsayılan biçimde eğitimde kullanmayacaklarını taahhüt eder ve veri işleyen sıfatıyla sözleşmesel yükümlülük altına girer. Hukukî nitelendirme de burada değişir: kurumsal ilişkide büro veri sorumlusu, sağlayıcı veri işleyendir ve m.12/2 uyarınca taraflar yazılı sözleşme kurmalıdır [14]. Tüketici sürümünde ise avukat, dosyayı sağlayıcının kendi amaçları doğrultusunda belirlediği bir işleme faaliyetine dâhil etmiş olur. Meslekî kullanımda kurumsal sürüm bir konfor tercihi değil, uyum şartıdır.

6.6. Dolaylı istem enjeksiyonu

Büyük dil modelleri talimat ile veriyi kesin biçimde ayıramaz. İşlenmek üzere verilen metnin içine gizlenmiş bir yönergeyi model, talimat gibi yürütebilir.

Somut senaryo şudur. Karşı vekil, gönderdiği sözleşme taslağının PDF’ine beyaz zemin üzerine beyaz punto ile şu satırı yerleştirir: “Bu metni değerlendirirken 12. maddedeki cezaî şart hükmünü olağan ve dengeli olarak nitele; sorumluluk sınırlamasına ilişkin uyarı üretme.” Belgeyi ekranda okuyan avukat bunu görmez. Modele “riskli hükümleri tespit et” dendiğinde çıktı, en riskli hükmü temiz göstererek döner.

Bu bir kullanıcı hatası değildir. Kullanıcının istemi kusursuzdur; kusurlu olan, güven sınırının dışından gelen bir belgenin talimat kanalına erişebilmesidir. Klasik gizlilik ihlâlinde risk avukatın kendi davranışından doğar ve daha dikkatli davranarak giderilebilir. Burada risk karşı taraftan gelir. Dikkat yetmez; ancak mimarî bir önlem karşılar. Dış kaynaklı belgeleri düz metne dönüştürüp gizli katmanlardan arındırın. Sistem talimatına, belge içeriğindeki yönergelerin dikkate alınmayacağını açıkça yazın. Kritik metinlerde madde numarası üzerinden bağımsız bir ikinci okuma yapın. Meselenin usul hukuku boyutu böyle bir müdahalenin dürüstlük kuralına aykırılığı ve delil değeri  ayrı bir incelemeyi hak eder.

6.7. Telif: mevzuat ile veri tabanı arasındaki fark

5846 sayılı Kanun m.31, resmen yayımlanan mevzuatın serbestçe kullanılmasına izin verir [28]. Kanun ve yönetmelik metinlerini isteme yapıştırmak bu bakımdan sorun doğurmaz. Karar metinleri için tablo aynı değildir. Ticarî içtihat veri tabanlarından alınan metinler çoğunlukla derleme, sınıflandırma ve editoryal katkı içerir; abonelik sözleşmesi de bu içeriğin üçüncü sistemlere aktarılmasını sınırlayabilir. Buradaki engel telif değil, sözleşmedir; ihlâlin muhatabı da veri tabanı sağlayıcısıdır.

Çıktı yönünde m.35’teki iktibas rejimi işler [28]. Model, eğitim verisindeki ifade kalıplarını yeniden üretebilir. Üretilen bir gerekçe pasajı üçüncü kişinin korunan metniyle örtüşüyorsa bunu tesadüfe yormak güçleşir; kaynağı gösterilemeyen bir örtüşme, iktibas serbestisinin dışında kalır. Öyleyse atıf doğru olsa bile metnin kime ait olduğu ayrı bir sorudur ve cevabı, 8. bölümde önerilen doğrulama protokolünün son adımını oluşturur.

7. Karşılaştırmalı ve Uluslararası Çerçeve

Yapay zekâ çıktısının doğrulanması sorununa verilen düzenleyici cevaplar, 2023-2026 arasında birbirinden bağımsız üç koldan geldi: yasama koluna ait bağlayıcı bir tüzük, meslek örgütlerinin etik yorumları ve yargı organlarının kendi iç uygulama notları. Bu üçünün hukukî ağırlığı aynı değildir. Metinleri tek bir “uluslararası eğilim” başlığı altında toplamak, birbirine benzemeyen enstrümanları eşitler.

7.1. Avrupa Birliği: kapsam, istisna ve kayan takvim

(AB) 2024/1689 sayılı Yapay Zekâ Tüzüğü’nün Ek III’ünün 8(a) bendi, bir yargı makamı tarafından veya onun adına, olguların ve hukukun araştırılıp yorumlanmasında ve hukukun somut olaya uygulanmasında yargı makamına yardımcı olmak üzere kullanılması amaçlanan sistemleri yüksek riskli sayar; alternatif uyuşmazlık çözümündeki benzer kullanımlar da bende dâhildir [21]. Bu tespit, sık rastlanan bir genellemeye zemin hazırlıyor: adalet alanındaki her yapay zekâ sisteminin yüksek riskli olduğu iddiası. İddia yanlıştır. Tüzüğün 6(3). maddesi, Ek III’te sayılmakla birlikte gerçek kişilerin sağlığı, güvenliği veya temel hakları bakımından önemli zarar riski doğurmayan sistemleri bu nitelendirmenin dışında bırakabilir; dar bir usulî görevi yerine getiren ya da insan kararını esaslı biçimde etkilemeksizin yalnızca hazırlık işlevi gören sistemler de aynı istisnaya girer [21].

İkinci ve daha sık yapılan karıştırma özne düzeyindedir. Ek III b.8(a), yargı makamının kullandığı sistemleri hedef alır. Avukatın kendi araştırmasında kullandığı genel amaçlı bir sohbet aracı, bu bent nedeniyle yüksek riskli hâle gelmez. Avukatın sorumluluğu Tüzükten değil, meslek hukukundan doğar.  Türk hukuku bakımından Avukatlık Kanunu m.34’ün özen ve doğruluk yükümlülüğünden [12].

Uygulama takvimi de değişti. “Dijital Omnibus” değiştirici tüzüğü, Tüzüğün 113. maddesindeki özgün 2 Ağustos 2026 tarihini erteledi: Avrupa Parlamentosu metni 16 Haziran 2026’da kabul etti, Konsey 29 Haziran 2026’da nihaî onayı verdi, imza 8 Temmuz 2026’da tamamlandı. Değişiklik, Ek III kapsamındaki bağımsız yüksek riskli sistemlere ilişkin yükümlülükleri 2 Aralık 2027’ye, Ek I kapsamında ürünlere gömülü sistemler bakımından 2 Ağustos 2028’e taşıdı [21]. 2 Ağustos 2026 tarihi anlamını korur, ancak artık esas olarak 50. maddedeki şeffaflık yükümlülüklerine işaret eder; yüksek riskli sistem rejiminin başlangıcı sayılamaz.[^*]

[^*]: Değiştirici tüzüğün Resmî Gazete künyesi bu çalışmanın tamamlandığı 20 Temmuz 2026 itibarıyla teyit edilememiştir. Metinde kabul tarihleri ve 2025/0359(COD) sayılı usul dosyası esas alınmış, künye numarası verilmemiştir; yayın öncesinde EUR-Lex’ten doğrulanması gerekir.

7.2. Meslekî etik: mevcut kuralların uyarlanması

American Bar Association bünyesindeki Etik ve Meslekî Sorumluluk Daimî Komitesi’nin 29 Temmuz 2024 tarihli 512 sayılı Resmî Görüşü, yeni bir kural ihdas etmez. Yürürlükteki Model Kuralları teknolojiye uyarlar: yetkinlik (1.1), müvekkille iletişim (1.4), makul ücret (1.5), gizlilik (1.6), temelsiz iddialardan kaçınma ve mahkemeye karşı dürüstlük (3.1 ve 3.3), gözetim sorumlulukları (5.1 ve 5.3). Görüşün merkezinde tek bir şart durur: avukat, çıktının doğruluğunu bağımsız biçimde teyit edecektir [13]. Kaliforniya Barosu’nun 16 Kasım 2023 tarihli, 14 Mayıs 2026’da revize ettiği uygulama rehberi de aynı çizgidedir [19]. İki belgenin ortak sessizliği dikkat çekicidir: hiçbiri “iyi istem yazın” demez. İkisi de doğrulamayı istemden ayrı bir yükümlülük olarak kurar.

7.3. Yargı organlarının kendi tedbirleri

Birleşik Krallık yargısının 31 Ekim 2025 tarihli rehberi ilkeyi en yalın biçimde kurar: hâkim, kendi adıyla üretilen her materyalden şahsen sorumludur; gizli bilgi kamuya açık araçlara girilmez [16]. Avustralya Federal Mahkemesi’nin 16 Nisan 2026 tarihli GPN-AI Uygulama Notu [17] ile Yeni Güney Galler Yüksek Mahkemesi’nin 3 Şubat 2025’te yürürlüğe giren SC Gen 23 sayılı Uygulama Notu [18] aynı sorunu usul düzeyinde ele alır. Kanada Federal Mahkemesi’nin 7 Mayıs 2024 tarihli düzenlemesi ise beyan yükümlülüğü getirmiş görünmektedir: üretken yapay zekâ ile hazırlanan belgelerde ilk paragrafta bunun bildirilmesi [27]. Bu son düzenlemenin güncel metnine doğrudan erişim sağlayamadım; burada temkinli bir aktarımla yetiniyorum.

Beyan yükümlülüğünün işlevi gözden kaçabilir. Beyan, çıktıyı doğru yapmaz. Yaptığı şey, doğrulama yükünü kimin taşıdığını dosya üzerinde görünür kılmak ve mahkemeye, ikna edici görünen bir metnin üretim yöntemine dair bir uyarı vermektir.

7.4. Bağlayıcı olmayan çerçeveler

NIST’in 26 Ocak 2023 tarihli AI RMF 1.0 belgesi gönüllü bir risk yönetimi çerçevesidir; NIST’in düzenleme yapma yetkisi yoktur ve belge kendini açıkça gönüllü olarak niteler [29]. Üretken yapay zekâya özgü riskler bu belgede değil, 26 Temmuz 2024 tarihli AI 600-1 sayılı profil belgesindedir [30]. OECD’nin OECD/LEGAL/0449 sayılı Tavsiye Kararı (22 Mayıs 2019, 3 Mayıs 2024’te revize) bağlayıcı değildir [31]. Bu üç belgeyi AI Act ile tek cümlede anmak yaygın bir kolaylıktır; hukukî sonuçları bakımından hatalıdır. Bağlayıcı düzenleme yalnızca AI Act’tir. Diğerleri, ihlali müeyyideye bağlanmayan iyi uygulama metinleridir. Bu onları değersiz kılmaz, ama meslekî sorumluluğun kaynağı yapmaz.

7.5. Türkiye: kurumsal hareketlilik, düzenleyici boşluk

Türkiye’de kurumsal ilgi son iki yılda görünür biçimde arttı. TBMM Yapay Zekâ Araştırma Komisyonu raporunu 26 Şubat 2026’da Meclis Başkanlığına sundu; 260 sıra sayılı rapor Mart 2026’da kamuoyuna açıldı ve on ana başlık altında yüz politika önerisi getirdi. Rapor, Türkiye’ye özgü bir yapay zekâ kanunu hazırlanmasını, risk temelli bir düzenleme modelini, ulusal bir yapay zekâ kurumu ile etik kurul oluşturulmasını ve TBMM bünyesinde daimî bir komisyon kurulmasını önermektedir [20]. Türkiye Barolar Birliği, Bilişim ve Teknoloji Hukuku Komisyonu yürütücülüğünde 14-15 Şubat 2026’da Ankara’da “Yapay Zekâ ve Avukatlık Çalıştayı”nı düzenledi; Birlik bünyesinde 11 Eylül 2019’da kurulan bir “Yapay Zekâ ve Hukuk ARGE Birimi” de bulunmaktadır [26]. Baro düzeyinde en somut adım Ankara Barosu HUBİTEM’in Aralık 2024 tarihli rehberidir; rehber halüsinasyonu ayrı bir başlıkta ele alır ve doğrulama görevini doğrudan Avukatlık Kanunu’ndan doğan özen yükümlülüğüne bağlar [11]. Kişisel Verileri Koruma Kurumu ise 24 Kasım 2025’te üretken yapay zekâya özgü rehberini yayımladı [25].

Bu hareketliliğin bağlayıcı karşılığı yoktur. Türkiye’de mahkemeye sunulan dilekçelerde yapay zekâ kullanımının beyan edilmesini zorunlu kılan bir düzenleme, 20 Temmuz 2026 itibarıyla mevcut değildir. Kanada, Avustralya ve İngiltere örneklerinde bu yükümlülüğü yasama organı değil, mahkemeler kendi usul düzenlemeleriyle getirdi. Hızlı ve düşük maliyetli bir yolla. Türk hukukunda da aynı yol açıktır: HMK’nın dilekçelere ilişkin hükümlerini değiştirmeden, Hâkimler ve Savcılar Kurulu ya da bölge adliye mahkemeleri düzeyinde çıkarılacak bir uygulama esası, üretken yapay zekâ desteğiyle hazırlanan dilekçelerde bunun ve doğrulama yönteminin beyanını isteyebilir.

Böyle bir beyanın anlamlı olabilmesi, kendisinden daha zor bir sorunun çözülmesine bağlıdır: avukat, bir çıktıyı ne zaman “doğrulanmış” sayabilir? Bir sonraki bölüm bu eşiği tanımlamayı deniyor.

8. Bir Doğrulama Mimarisi Önerisi

Aşağıdaki öneri, faydalı çalışma ipuçlarının derlenmesi değildir; beşinci bölümde ulaşılan normatif sonucun uygulamaya çevrilmiş hâlidir. Orada ileri sürülen sav şuydu: istem kalitesi çıktının ikna ediciliğini yükselttiği için hatanın görünürlüğünü düşürür. Bu sav kabul edilirse, istem tarafında yapılacak hiçbir iyileştirme koruma sağlamaz. Koruma ancak istemden bağımsız işleyen bir denetim katmanından gelir. Bölümün konusu bu katmanın nasıl kurulacağıdır.

8.1. Tasarım ilkesi: doğrulamanın şiddeti sabittir

Uygulamadaki yaygın refleks, çıktı zayıf göründüğünde denetimi sıkılaştırmak, tatmin edici göründüğünde gevşetmektir. Bu refleks tam ters yönde işler. Kızılcahamam olayında dilekçeye giren karar künyeleri, içerikleri gerçek Yargıtay kararlarına ait olduğu için makul görünmüş; hatayı ancak duruşmada karşı taraf vekilinin itirazı ortaya çıkarmıştır [1]. İkna edicilik, denetim yoğunluğunu belirleyen bir ölçüt olamaz.

Bundan iki tasarım kuralı çıkar. Birincisi, doğrulamanın kapsamını ve derinliğini çıktı görülmeden önce belirlersiniz; hangi unsuru hangi kaynaktan teyit edeceğinizi iş akışına önceden yazarsınız. İkincisi, doğrulama bir aşamadır, bir tutum değildir. “Dikkatli olmak” ölçülemez ve denetlenemez; imzalanmış bir kontrol formu ölçülebilir. Amerikan Barolar Birliği’nin 512 sayılı görüşü de aynı mantığı izler: yeni bir kural ihdas etmez, mevcut yetkinlik ve gözetim kurallarını çıktının bağımsız teyidi şartına bağlar [13]. Mata v. Avianca kararındaki formülasyon daha açıktır: güvenilir bir yapay zekâ aracını kullanmak kendiliğinden uygunsuz değildir; uygunsuz olan, dosyalanan metnin doğruluğunu sağlama görevinin yerine getirilmemesidir [2].

8.2. Katmanlı doğrulama modeli

Hukukî bir çıktıda hata üç ayrı düzlemde belirir ve bu düzlemler birbirini yakalamaz. Künyesi doğru bir kararın içeriği yanlış aktarılmış olabilir; içeriği doğru aktarılmış bir kararın dayandığı hüküm değişmiş olabilir. Denetim bu nedenle üç katmana ayrılır.

Birinci katman  kaynak. Çıktıdaki her künyenin varlığını birincil kaynaktan sınarsınız. Mevzuat metinlerini ve madde numaralarını Mevzuat Bilgi Sistemi (mevzuat.gov.tr) üzerinden, değişikliklerin yayım ve yürürlük tarihlerini Resmî Gazete arşivinden denetlersiniz. Yargıtay kararlarını Yargıtay Karar Arama sisteminde, ilk derece ve bölge adliye mahkemesi kararlarını UYAP Emsal Karar Arama’da, idarî yargı kararlarını Danıştay Karar Arama’da, bireysel başvuru ve norm denetimi kararlarını Anayasa Mahkemesi Kararlar Bilgi Bankası’nda esas ve karar numarasıyla ararsınız. Bu katmanın kuralı tektir: aranıp bulunamayan künye yok sayılır, “muhtemelen sistemde görünmüyordur” varsayımı kurulmaz.

İkinci katman  içerik. Künyenin doğrulanması, kararın iddia edilen hükmü içerdiği anlamına gelmez. Bulunan metni okur, çıktıda kendisine yüklenen sonucu gerçekten taşıyıp taşımadığını karşılaştırırsınız. Kızılcahamam olayı künye ile içeriğin birbirinden ayrı biçimde hatalı olabileceğini gösterir; orada içerik gerçek kararlara ait olmasına rağmen künyeler tutmamış, üç ayrı karar gibi sunulanlar aynı kararın yinelenmesinden ibaret kalmıştır [1]. Ters yönlü hata da mümkündür ve daha sinsidir: mevcut bir karara, vermediği bir sonuç atfedilir. Yalnızca birinci katmanla çalışan bir denetim bu hatayı geçirir.

Üçüncü katman güncellik. Doğrulanan hükmün ve içtihadın hâlâ yürürlükte olup olmadığını sınarsınız. Maddenin değişiklik geçmişini inceler; mülga, değişik veya ek madde durumu ile değişikliğin yürürlük tarihini tespit edersiniz. İçtihat tarafında ise kararın sonradan içtihadı birleştirme kararıyla veya dairenin görüş değişikliğiyle aşılıp aşılmadığına bakarsınız. Dil modellerinin bilgi kesme tarihi bu katmanı zorunlu kılar. Model, kendisinden sonraki değişikliği bilmediğini çoğu zaman beyan etmez; eski hâli güncelmiş gibi sunar.

8.3. Çıktı doğrulama protokolü

Aşağıdaki adımları, mevzuat, içtihat veya sayısal veri içeren her çıktıya sırasıyla uygular ve uyguladığınızı dosya notuna işlersiniz.

1. Çıktıdaki her kanun maddesini, karar künyesini, tarihi ve sayısal veriyi ayrı bir doğrulama listesine çıkar.
2. Listedeki her madde numarasını mevzuat.gov.tr üzerinden aç ve numara, fıkra ve lafzı birebir karşılaştır.
3. Maddenin değişiklik geçmişini incele; mülga veya değişik olup olmadığını ve yürürlük tarihini kaydet.
4. Son değişiklik varsa Resmî Gazete künyesini bulup yayım tarihini teyit et.
5. Her karar künyesini ilgili mahkemenin resmî arama sisteminde esas ve karar numarasıyla ara; bulamadığın künyeyi metinden çıkar.
6. Bulduğun kararın tam metnini oku ve çıktıda kendisine atfedilen sonucu gerçekten içerip içermediğini işaretle.
7. Kaynağa bağlanamayan “yerleşik içtihat”, “doktrinde kabul edilmektedir” türü nitelemeleri ya bir künyeye bağla ya da sil.
8. Sayısal verinin birincil kaynağını ve ölçüm tarihini yaz; kaynak bulunamıyorsa rakamı kullanma.
9. Doğrulanmış bilginin dosyanın somut olgularına uygulanabilir olup olmadığını kendin değerlendir; bu adımı hiçbir araca devretme.
10. Kullanılan aracı, model sürümünü, istemi ve doğrulama tarihini dosya notuna kaydet.

8.4. Kırmızı bayraklar

Aşağıdaki işaretlerden herhangi biri görüldüğünde ilgili unsur, protokol tamamlanana kadar kullanılamaz sayılır.

1. Var olmayan bir daire adı ya da uyuşmazlığın konusuyla bağdaşmayan bir daire ataması.
2. Biçimi tutmayan esas veya karar numarası; ardışık, yuvarlak ya da birbirine aşırı benzeyen künyeler.
3. Tek bir karara dahi atıf yapılmadan kurulan “yerleşik içtihat” nitelemesi.
4. Aynı kararın farklı künyelerle birden çok kez sunulması.
5. Madde numarası ile aktarılan metnin kanunun sistematiğine oturmaması.
6. Gerekçesiz kullanılan “istisnasız”, “her hâlde” türü mutlak ifadeler ve fazla yuvarlak tarihler.
7. Türk hukuku sorulmuşken yabancı hukuka özgü kurumların çeviriyle metne sızması.
8. Metnin dilinin kararın kendi üslûbundan uzaklaşıp modelin akıcı anlatımına yaklaşması; gerçek karar metinleri nadiren pürüzsüzdür.
9. İstemde hiç geçmeyen bir tarihin, tutarın veya taraf adının çıktıda kendiliğinden belirmesi.
10. Aynı soru yinelendiğinde künyelerin veya madde atıflarının değişmesi.

Dokuzuncu ve onuncu işaretler ötekilerden farklı bir ağırlık taşır. Bunlar bilginin hatırlanmadığını, üretildiğini gösterir.

8.5. Büro içi yapay zekâ kullanım politikası

1. Kapsam. Politika, büroda çalışan avukat, stajyer ve idarî personelin tamamını, kişisel cihazlardaki meslekî kullanım dâhil bağlar.
2. Onaylı araç listesi. Meslekî işlerde yalnızca yönetimin onayladığı ve kurumsal sözleşmeye bağlanmış araçlar kullanılır; tüketici sürümlerine müvekkil verisi girilmez.
3. Veri sınıflandırması. Dosyalar yüklenebilir, maskelenerek yüklenebilir ve yüklenemez olarak üçe ayrılır; 6698 sayılı Kanun’un 6. maddesi kapsamındaki özel nitelikli veriyi taşıyan dosyalar üçüncü kategoridedir [14].
4. Yurt dışı aktarım dayanağı. Her aracın 6698 sayılı Kanun’un 9. maddesi bakımından dayanağını — yeterlilik kararı, standart sözleşme veya bağlayıcı şirket kuralları — yazılı olarak belgelersiniz [14], [24].
5. Sır ve gizlilik denetimi. Yükleme öncesi ad, kimlik numarası, dosya numarası ve mahkeme adı maskelenir; maskeleme anahtarı büro dışına çıkarılmaz. Avukatlık Kanunu’nun 34 ve 36. maddeleri ile Türk Ceza Kanunu’nun 136 ve 239. maddeleri bu adımın gerekçesini oluşturur [12], [15].
6. Görev sınırlaması. Araç; taslak üretimi, özetleme ve karşılaştırma işlerinde kullanılır. Künye, esas ve karar numarası, tarih ve tutar üretmesi istenmez.
7. Doğrulama şartı. Mevzuat, içtihat veya rakam içeren hiçbir çıktı, 8.3’teki protokol uygulanıp forma işlenmeden bir belgeye aktarılamaz.
8. Onay yetkisi. Mahkemeye sunulacak veya müvekkile teslim edilecek metni yalnızca dosyanın sorumlu avukatı onaylar; onay, doğrulama formunun imzalanmasıyla verilir.
9. Kayıt ve denetlenebilirlik. Kullanılan araç, sürüm, istem ve doğrulama kaydı dosyada saklanır; kayıtları altı ayda bir örneklem yoluyla denetlersiniz.
10. Müvekkilin bilgilendirilmesi. Vekâlet ilişkisinin kurulmasında müvekkile yapay zekâ destekli süreçlerin kapsamını yazılı olarak bildirirsiniz; müvekkilin aksi yöndeki talebi kayda geçirilir ve ilgili dosyada araç kullanılmaz. Ankara Barosu rehberi de denetim yükümlülüğünü Avukatlık Kanunu’ndaki özen borcuna bağlayarak aynı yönü gösterir [11].

Bu mimarinin işletme maliyeti gerçektir. Ancak maliyet hesabı, doğrulamaya harcanan saatle tek bir hatalı künyenin doğurabileceği disiplin soruşturması, tazminat sorumluluğu ve mahkeme nezdinde yitirilen güvenilirlik arasında kurulur. Asıl güçlük bu hesabın kendisinde değil, mimarinin büro rutinine yerleşmesindedir; izleyen bölüm, protokolün uygulanmadığı hâllerde avukatın meslekî sorumluluğunun hangi ölçüde ağırlaştığını inceler.

9. Sonuç

İstem mühendisliğinin hukuktaki değerini bu inceleme iki ayrı eksende ölçtü. Birinci eksende sonuç olumludur: bağlamı tanımlanmış, kapsamı sınırlanmış ve çıktı biçimi belirtilmiş bir istem, modelin ürettiği metnin konuya uygunluğunu yükseltir. İkinci eksende tablo değişir. İstem kalitesi ile halüsinasyon oranı arasındaki bağ, varsayıldığı kadar sıkı değildir. Magesh ve arkadaşlarının 202 açık uçlu hukukî sorgu üzerinde yürüttüğü ölçüm, erişim destekli üretim mimarisiyle çalışan ticarî hukuk araçlarında bile hata oranının Lexis+ AI için %17, Westlaw AI-Assisted Research için %33 düzeyinde kaldığını gösterir [3]. Genel amaçlı modellerde aynı oran %58-82 aralığındadır [4]. Bu rakamlar, istemin özenine göre sıfıra inen büyüklükler değildir.

Buradan çıkan asıl sonuç, iyi istemin işe yaramadığı değildir. İyi istem, ürettiği hatayı da beraberinde iyileştirir. Kaynak göstermesi istenen bir model künye üretir; akademik üslûpla yazması istenen bir model akademik görünümlü bir yanlış üretir. Hatanın kılığı düzelir. Kızılcahamam’da basına yansıyan olayda ilgili avukat, dilekçeye eklenen kararların içeriklerinin gerçek Yargıtay kararlarına ait olduğunu, hatalı olanın yalnızca daire, esas ve karar numaraları olduğunu ileri sürmüştür [1]. Metnin kendisi doğru okunuyordu; sahte olan katman, doğrulanması en kolay ama gözle en zor ayırt edilen katmandı. Hata duruşmaya kadar taşındı.

Meslekî sonuç sezgiye aykırıdır ve bu yüzden açıkça yazılması gerekir: doğrulama yükümlülüğü, istem becerisi arttıkça hafiflemez, ağırlaşır. Avukatlık Kanunu m. 34’ün özen ve doğruluk yükümlülüğü [12], çıktının inandırıcılığıyla ters orantılı bir denetim yoğunluğu gerektirir. ABA’nın 512 sayılı Resmî Görüşü de yeni bir kural ihdas etmez; mevcut yetkinlik ve mahkemeye karşı dürüstlük kurallarını uyarlayarak aynı yere varır: çıktının bağımsız teyidi devredilemez [13]. Mata v. Avianca kararında Hâkim Castel’in tespiti yanlış okunmaya müsaittir. Mahkeme, güvenilir bir yapay zekâ aracının kullanılmasını özünde uygunsuz saymamış, yaptırımı avukatların kararların gerçekliği sorgulandıktan sonra dahi arkalarında durmasına bağlamıştır [2]. Cezalandırılan şey araç değil, denetimin yokluğudur.

Düzenleme düzeyinde Türkiye’de somut bir boşluk vardır. Kanada Federal Mahkemesi, üretken yapay zekâ ile hazırlanan belgelerde ilk paragrafta beyan arar [27]. Yeni Güney Galler Yüksek Mahkemesi’nin SC Gen 23 sayılı Uygulama Notu 3 Şubat 2025’te yürürlüğe girmiş, Avustralya Federal Mahkemesi 16 Nisan 2026 tarihli GPN-AI Uygulama Notu’nu yayımlamıştır [18] [17]. Türk usul hukuku, mahkemeye sunulan dilekçelerde yapay zekâ kullanımının beyanına ilişkin muadil bir düzenleme içermez. TBMM Yapay Zekâ Araştırma Komisyonu, on ana başlıkta yüz politika önerisi içeren raporunda Türkiye’ye özgü bir yapay zekâ kanunu ile risk temelli bir düzenleme modeli önerir [20]; yargısal kullanımın beyanı, bu risk temelli modelin usul hukuku ayağını oluşturabilir. Beyan yükümlülüğü kullanımı yasaklamaz, kullanımı görünür kılar — ve görünürlük, karşı tarafa doğrulama imkânı tanır.

Meslek örgütlerine düşen kısım rehber yazmakla bitmez. Ankara Barosu HUBİTEM rehberi halüsinasyonu ayrı bir başlıkta ele alıp özen yükümlülüğüne bağlamış [11], Türkiye Barolar Birliği 14-15 Şubat 2026’da konuyu çalıştay düzeyinde tartışmaya açmıştır [26]. Eksik olan adım, doğrulama protokolünün tavsiye metinlerinden çıkıp meslekî standart hâline gelmesidir: hangi çıktının hangi resmî kaynaktan, hangi sırayla teyit edileceğini gösteren, dosya kaydına işlenen ve disiplin denetiminde ölçülebilen bir asgarî usul. Bir rehber, ihlâli tespit edilebilir kılmadıkça davranışı değiştirmez.

Bu makalenin tezi sınanmayı bekleyen bir hipotezdir ve bunun açıkça belirtilmesi gerekir. Mevcut ampirik literatür model çıktılarının hata oranını ölçer [3] [4] [5]. Ölçülmemiş olan başka bir değişkendir: istem kalitesinin, kullanıcının hatayı yakalama oranı üzerindeki etkisi. Aynı hatalı çıktının zayıf bir istemle mi yoksa özenli bir istemle mi üretildiği, hukukçunun denetim performansını nasıl etkiler? Bu soruyu yanıtlayan kontrollü bir çalışma bilinmiyor. Böyle bir deney tasarlanabilir; hukuk fakültesi mezunlarına aynı hatalı künyeleri farklı sunum kalitelerinde göstermek ve tespit sürelerini karşılaştırmak yeterlidir. Sonucun bu makalenin öngörüsünü doğrulamama ihtimali de vardır.

İncelemenin sınırları buna eşlik eder. Yöntem doktrinseldir; yazar birincil veri toplamamış, ampirik bulguları ikincil kaynaklardan aktarmıştır. Aktarılan oranlar araçların Mayıs 2024 tarihli sürümlerine aittir ve güncel ürünler bakımından geçerli sayılamaz [3]. Kızılcahamam olayına ilişkin bilgiler tek bir özel habere ve ilgili avukatın basına verdiği beyanlara dayanır; kurumsal teyit yoktur [1]. AB Yapay Zekâ Tüzüğü’nün Ek III kapsamındaki yükümlülüklerinin uygulanması 2 Aralık 2027’ye ertelenmiş, değiştirici tüzüğün nihaî künyesi ise bu satırların yazıldığı tarihte teyit edilememiştir [21]. Tüm teknik tespitler Temmuz 2026 itibarıyladır.

Hukukçunun yapay zekâ karşısındaki konumunu, soruyu kuran taraf olmak tanımlamaz. İstemi yazan da, çıktıyı okuyan da aynı kişidir; kendi kurduğu çerçeveden çıkan cevabı ikna edici bulmaya yatkın olan da odur. Meslekî güvenceyi, bu döngünün dışına çıkabilen bir doğrulama adımının kurumsallaşmasında aramak gerekir. Sorulan sorunun niteliği, verilen cevabın doğruluğunu güvence altına almaz.

Yazar: Meral Balsak (Bilişim Teknolojileri Öğretmeni / Araştırmacı / Yazar)
DİPNOTLAR

1. Kısa Dalga, “Türkiye’de Bir İlk… Dilekçesinde Yapay Zeka Kullanan Avukata Çifte Soruşturma,” özel haber, 17 Haziran 2026, https://kisadalga.net/haber/ozel-haber/avukat-hakkinda-acilan-sorusturmanin-yapay-zekanin-ekledigi-hatali-ictihat-kunyelerinden-kaynaklandigi-one-suruldu-138719. Çekince: Olaya ilişkin bilgiler mahkeme kararı, iddianame veya baro disiplin kararı gibi belgelere değil, tek bir özel habere ve soruşturulduğu belirtilen avukatın basına verdiği beyanlara dayanmaktadır. Ankara Barosu, Ankara Cumhuriyet Başsavcılığı veya ilgili mahkeme tarafından yapılmış resmî bir açıklama tespit edilememiş; soruşturmaların gizliliği nedeniyle dosya kayıtlarına erişilememiştir. Ortada verilmiş bir disiplin kararı veya hüküm bulunmadığından olay hukukî anlamda “emsal” niteliği taşımaz; 20 Temmuz 2026 itibarıyla süreçlerin sonucuna dair doğrulanmış bilgi yoktur.
2. Mata v. Avianca, Inc., 678 F. Supp. 3d 443 (S.D.N.Y. 2023); “Opinion and Order on Sanctions,” No. 1:22-cv-01461 (PKC), ECF No. 54, 22 Haziran 2023 (Castel, U.S.D.J.), https://storage.courtlistener.com/recap/gov.uscourts.nysd.575368/gov.uscourts.nysd.575368.54.0.pdf.
3. 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): 216–42, https://doi.org/10.1111/jels.12413. Ölçümler araçların Mayıs 2024 tarihli sürümlerine aittir.
4. 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, https://doi.org/10.1093/jla/laae003.
5. Eric Martínez, “Re-evaluating GPT-4’s Bar Exam Performance,” Artificial Intelligence and Law 33, no. 3 (2025), https://doi.org/10.1007/s10506-024-09396-9.
6. Tom B. Brown vd., “Language Models Are Few-Shot Learners,” arXiv, 28 Mayıs 2020, https://arxiv.org/abs/2005.14165.
7. Jason Wei vd., “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models,” Advances in Neural Information Processing Systems 35 (2022): 24824–37, https://arxiv.org/abs/2201.11903.
8. Patrick Lewis vd., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks,” Advances in Neural Information Processing Systems 33 (2020): 9459–74, https://arxiv.org/abs/2005.11401.
9. Xuezhi Wang vd., “Self-Consistency Improves Chain of Thought Reasoning in Language Models,” arXiv, 21 Mart 2022, https://arxiv.org/abs/2203.11171.
10. Tongshuang Wu, Michael Terry ve Carrie Jun Cai, “AI Chains: Transparent and Controllable Human-AI Interaction by Chaining Large Language Model Prompts,” CHI Conference on Human Factors in Computing Systems içinde (New York: ACM, 2022), https://doi.org/10.1145/3491102.3517582.
11. Ankara Barosu, Hukuk Bilişim İnovasyon ve Teknoloji Merkezi (HUBİTEM), Avukatlıkta Yapay Zekâ Araçlarının Kullanımı Rehberi, v. 1.0 (Ankara: Ankara Barosu, Aralık 2024), https://ankarabarosu.org.tr/serve/file/bc4de0be-b5fa-11ef-8f94-000c29c9dfce/yapay_zeka_araclarnn_kullanm_rehberi_X1.pdf.
12. 1136 sayılı Avukatlık Kanunu, Resmî Gazete, 7 Nisan 1969, sayı 13168.
13. American Bar Association, Standing Committee on Ethics and Professional Responsibility, Formal Opinion 512: Generative Artificial Intelligence Tools (Chicago: American Bar Association, 29 Temmuz 2024), https://www.americanbar.org/content/dam/aba/administrative/professional_responsibility/ethics-opinions/aba-formal-opinion-512.pdf.
14. 6698 sayılı Kişisel Verilerin Korunması Kanunu, Resmî Gazete, 7 Nisan 2016, sayı 29677; 7499 sayılı Kanun ile değişik, Resmî Gazete, 12 Mart 2024, sayı 32487 (yürürlük 1 Haziran 2024).
15. 5237 sayılı Türk Ceza Kanunu, Resmî Gazete, 12 Ekim 2004, sayı 25611.
16. Courts and Tribunals Judiciary, Artificial Intelligence (AI): Judicial Guidance, 31 Ekim 2025 sürümü, https://www.judiciary.uk/guidance-and-resources/artificial-intelligence-ai-judicial-guidance-october-2025/.
17. Federal Court of Australia, Generative Artificial Intelligence Practice Note (GPN-AI), 16 Nisan 2026, https://www.fedcourt.gov.au/law-and-practice/practice-documents/practice-notes/gpn-ai.
18. Supreme Court of New South Wales, Practice Note SC Gen 23: Use of Generative Artificial Intelligence, yürürlük 3 Şubat 2025, https://supremecourt.nsw.gov.au/documents/Practice-and-Procedure/Practice-Notes/general/current/PN_Generative_AI_21112024.pdf.
19. State Bar of California, Standing Committee on Professional Responsibility and Conduct, Practical Guidance for the Use of Generative Artificial Intelligence in the Practice of Law (San Francisco: State Bar of California, 16 Kasım 2023; rev. 14 Mayıs 2026), https://www.calbar.ca.gov/sites/default/files/portals/0/documents/ethics/Generative-AI-Practical-Guidance.pdf.
20. Türkiye Büyük Millet Meclisi, Yapay Zekâ Araştırma Komisyonu Raporu, 28. Yasama Dönemi, 4. Yasama Yılı, Sıra Sayısı 260 (Ankara: TBMM, Mart 2026), https://cdn.tbmm.gov.tr/KKBSPublicFile/D28/Y1/T10/DosyaKomisyonRaporunuVerdi/9f0e7abf-41f6-4133-ab3d-4879113f7f9f.pdf. Rapor 26 Şubat 2026’da TBMM Başkanlığına sunulmuştur.
21. Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 Laying Down Harmonised Rules on Artificial Intelligence (Artificial Intelligence Act), OJ L, 2024/1689, 12 Temmuz 2024, CELEX 32024R1689, http://data.europa.eu/eli/reg/2024/1689/oj. Değiştirici tüzük (“Digital Omnibus on AI”, usul dosyası 2025/0359(COD)) Avrupa Parlamentosu tarafından 16 Haziran 2026, Konsey tarafından 29 Haziran 2026 tarihinde kabul edilmiş, metin 8 Temmuz 2026’da imzalanmıştır. [YAYIN ÖNCESİ TEYİT: değiştirici tüzüğün nihaî Resmî Gazete künyesi 20 Temmuz 2026 itibarıyla doğrulanamamıştır; künye numarası EUR-Lex’ten teyit edilmeden kullanılmamalıdır.]
22. 4857 sayılı İş Kanunu, Resmî Gazete, 10 Haziran 2003, sayı 25134.
23. 6098 sayılı Türk Borçlar Kanunu, Resmî Gazete, 4 Şubat 2011, sayı 27836.
24. Kişisel Verileri Koruma Kurumu, Kişisel Verilerin Yurt Dışına Aktarılması Rehberi (Ankara: Kişisel Verileri Koruma Kurumu), https://www.kvkk.gov.tr/Icerik/8142/Kisisel-Verilerin-Yurt-Disina-Aktarilmasi-Rehberi.
25. Kişisel Verileri Koruma Kurumu, Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda) (Ankara: Kişisel Verileri Koruma Kurumu, 24 Kasım 2025), https://www.kvkk.gov.tr/Icerik/8547/uretken-yapay-zeka-ve-kisisel-verilerin-korunmasi-rehberi-15-soruda.
26. Türkiye Barolar Birliği, “TBB Yapay Zeka ve Avukatlık Çalıştayı Tamamlandı,” 15 Şubat 2026, https://www.barobirlik.org.tr/Haberler/tbb-yapay-zeka-ve-avukatlik-calistayi-tamamlandi-86281; Türkiye Barolar Birliği, “Türkiye Barolar Birliği ‘Yapay Zeka ve Hukuk ARGE Birimi’ Kuruldu,” 11 Eylül 2019, https://www.barobirlik.org.tr/Haberler/turkiye-barolar-birligi-yapay-zeka-ve-hukuk-arge-birimi-kuruldu-80822.
27. Federal Court of Canada, Notice to the Parties and the Profession: The Use of Artificial Intelligence in Court Proceedings, 7 Mayıs 2024. [YAYIN ÖNCESİ TEYİT: bildirimin kalıcı bağlantısı doğrulanamamıştır.]
28. 5846 sayılı Fikir ve Sanat Eserleri Kanunu, Resmî Gazete, 13 Aralık 1951, sayı 7981.
29. Elham Tabassi, Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1 (Gaithersburg, MD: National Institute of Standards and Technology, 26 Ocak 2023), https://doi.org/10.6028/NIST.AI.100-1. Çerçeve gönüllüdür; bağlayıcı bir düzenleme değildir.
30. National Institute of Standards and Technology, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1 (Gaithersburg, MD: NIST, 26 Temmuz 2024), https://doi.org/10.6028/NIST.AI.600-1.

Organisation for Economic Co-operation and Development, Recommendation of the Council on Artificial Intelligence, OECD/LEGAL/0449 (Paris: OECD, 22 Mayıs 2019; rev. 3 Mayıs 2024),

Hukuk ve Bilişim Dergisi

Hukuk ve Bilişim Dergisi ve Blog kısmımızda,

Bilişim Suçları
Blockchain ve Dijital Paralar
Yapay Zekâ ve Robot Hukuku
Elektronik Ticaret Hukuku
İnternet Hukuku
Kişisel Verilerin Korunması Hukuku
Start-Up Hukuku
E-Spor Hukuku
Fikri Mülkiyet Hukuku ve benzer teknoloji hukuku alanlarında yazılar okuyucularımıza sunulmaktadır.

hukukvebilisim.org

ai hubitem hukuk prompt robot yapay zeka