Yapay zekâ halüsinasyonu, bir dil modelinin gerçekte var olmayan bir bilgiyi, var olan bir bilgiyle aynı akıcılıkta ve aynı kendinden emin tonda üretmesidir. Hukukta bunun en tipik biçimi uydurulmuş bir karar künyesidir: daire, esas numarası, karar numarası ve tarih birbiriyle tutarlı görünür, dilekçeye kusursuz oturur, karşılığı yoktur. Bu bir yazılım arızası değildir. Modelin normal çalışma biçiminin doğrudan sonucudur; bu yüzden yazılım güncellemesiyle ortadan kalkmamıştır ve hukuka özel araçlarda dahi sıfırlanmamıştır. Konu Türkiye için de teorik değildir: Haziran 2026’da Ankara’da bir dilekçedeki Yargıtay künyelerinin karşılığı bulunmadığı duruşmada tespit edilmiş ve iki ayrı soruşturma başlatılmıştır. Dünyada ise mahkemelerin bu meseleyi esaslı biçimde ele aldığı karar sayısı binleri bulmuştur. Avukat açısından pratik sonuç tektir: yapay zekâ çıktısındaki her künye ve her önerme, dosyaya girmeden önce otoritatif kaynaktan teyit edilmek zorundadır. Bu yazı, halüsinasyonun mekanik olarak neden meydana geldiğini, ölçülmüş oranlarını, getirmeye dayalı sistemlerin (RAG) neyi çözüp neyi çözmediğini, dünyadaki yaptırım eğrisini ve Türkiye’deki durumu tek bir yerde toplar.
Kısaca
- Halüsinasyon bir arıza değil, çıktı biçimidir. Dil modeli sonraki kelimeyi tahmin eder; “doğru” diye bir kavramı, doğruluk tablosu veya yer gerçeği sinyali yoktur.
- Karar künyesi, tam olarak modelin başarısız olduğu içerik sınıfıdır. Künyenin biçimi öğrenilebilir bir örüntüdür; hükmün belirli bir esas/karar numarasıyla bağı ise keyfî bir olgudur.
- Akıcılık ile hata aynı süreçten çıkar. Halüsinasyonlu künye bozuk değil, azami ölçüde tipik bir çıktıdır. Okurken fark edilmemesinin sebebi budur.
- Hukuka özel araçlar oranı düşürür, sıfırlamaz. Stanford ekibinin 2024 ölçümünde önde gelen hukuk araştırma araçları sorguların %17 ila %33’ünde halüsinasyon üretti.
- Bağlantı, doğrulama değildir. Bir bağlantı yalnızca belgenin var olduğunu gösterir; belgenin iddiayı desteklediğini göstermez.
- Yaptırımlar ağırlaşıyor. 2023’te beş bin dolarlık müteselsil para cezasıyla başlayan eğri, 2026’da avukat başına on beş bin dolar, karşı tarafın tüm vekâlet ücreti ve meslekten geçici men noktasına geldi.
- Türkiye’de belgelenmiş bir olay vardır, ancak yayımlanmış bir mahkeme kararı veya baro disiplin kararı henüz yoktur.
Halüsinasyon mekanik olarak nedir
Halüsinasyon, modelin bir şeyi bilmeyip uydurması değildir; modelin bilme ile uydurma arasında bir ayrım yapmıyor olmasıdır. Büyük dil modeli bir sonraki-token tahmincisidir. Ön eğitimde tek bir şey için optimize edilir: önceki metin verildiğinde bir sonraki parçacık üzerinde bir olasılık dağılımı atamak ve oradan örneklemek. Bu döngüde hiçbir veritabanı sorgusu, doğruluk tablosu veya yer gerçeği sinyali bulunmaz.
Bunun sonucu, hukukçu için alışılmadık derecede yabancıdır. Modelde “bu künye vardır” ile “bu künye yoktur” ayrımının bir temsili yoktur. Yalnızca “burada bu tür bir dizge gelir” temsili vardır. Dolayısıyla model, bir emsali hatırlayıp hatırlamadığını kendi içinde sorgulayamaz. Sorabileceği tek soru şudur: bu bağlamda hangi dizge olasıdır.
Tek cümleyle: yapay zekâ yalan söylemiyor, çünkü “doğru” diye bir kavramı yok. En olası kelime dizisini üretiyor ve uydurma bir Yargıtay künyesi, gerçek bir künye kadar olası görünüyor.
Bu kavrayış, mesleki açıdan bir sonuç doğurur. Bir stajyerin hatası, dikkatle giderilebilecek bir dikkatsizliktir. Bir dil modelinin künye hatası, dikkatle giderilebilecek bir dikkatsizlik değildir; aracın çalışma biçiminin normal ürünüdür ve ancak dışarıdan bir doğrulama katmanıyla yakalanır.
Model neden uydurmaya eğilimlidir
Uydurma eğilimi tesadüf değil, eğitim ve değerlendirme düzeneğinin öngörülebilir sonucudur. Bu konudaki en otoritatif teknik kaynak, Kalai ve arkadaşlarının 5 Eylül 2025 tarihli “Why Language Models Hallucinate” çalışmasıdır. Argüman üç bölümdür ve hukukçu diline şöyle çevrilebilir.
Birincisi, ön eğitimde olumsuz örnek yoktur. Model, olan metni görür. “Bu künye yanlıştır” diye etiketlenmiş bir metin örneği hiç görmez. İmla ve sözdizimi hataları ölçek büyüdükçe kaybolur, çünkü bunların tutarlı örüntüleri vardır ve örüntü öğrenilebilir. Keyfî olgular kaybolmaz. Bir dosya numarasının doğru olup olmadığı, dilin iç örüntüsünden türetilebilecek bir bilgi değildir.
İkincisi, düşük frekanslı olgular yapısal olarak öngörülemez. Eğitim verisinde bir kez görülmüş veya hiç görülmemiş bir künye, örüntü eşlemesiyle yeniden kurulamaz. Model o künyeyi “hatırlamaya” çalışmaz; o künyenin bulunması gereken yere benzeyen bir dizge üretir.
Üçüncüsü, değerlendirme teşvikleri tahmini ödüllendirir. Standart kıyaslamalarda yanlış cevap ile “bilmiyorum” aynı puanı alır, ikisi de sıfırdır. Şanslı tahmin ise bir puan alır. Bu puanlama, modelleri sistematik olarak çekinmek yerine blöf yapmaya eğitir. Çalışmanın reçetesi de buradan çıkar: “penalize confident errors more than you penalize uncertainty.”
Üçüncü madde, avukatın gözünde en tanıdık olanıdır. Bir tanığın bilmediğini söylemesi ile tahmin yürütmesi arasındaki fark, usul hukukunda ciddiye alınır. Dil modelleri, bugüne kadar bunun tam tersi yönde ödüllendirildi.
Neden tam olarak karar künyesi başarısız oluyor
Karar künyesi, öğrenilebilir bir biçim ile öğrenilemez bir olgunun aynı dizgede birleştiği ender içerik türlerinden biridir. Künyenin biçimi yüksek derecede örüntülüdür: daire, esas, karar, tarih. Bu örüntü kolayca öğrenilir ve kusursuz taklit edilir. Buna karşılık belirli bir hükmün belirli bir esas ve karar numarasıyla bağı keyfî bir olgudur. Düşük frekanslıdır ve örüntüden türetilemez.
Sonuç, avukatın gördüğü tablodur: biçim kusursuz, içerik boş. Uydurulan künye, gerçek bir künyenin bütün yüzey özelliklerini taşır. Daire numarası makul aralıktadır, esas numarası yıl formatına uyar, tarih tutarlıdır. Sadece karşılığı yoktur.
Aynı mantık, künyeden ibaret değildir. Bir kanun maddesinin numarası, bir sürenin gün sayısı, bir yönetmeliğin Resmî Gazete tarihi de aynı sınıfa girer. Bunların hepsi keyfî, düşük frekanslı olgulardır. Modelin en zayıf olduğu yer burasıdır ve talihsiz biçimde bir dilekçenin en denetlenebilir kısmı da burasıdır.
| İçerik türü | Model için niteliği | Halüsinasyon riski |
|---|---|---|
| Künyenin biçimi (daire/esas/karar/tarih düzeni) | Öğrenilebilir örüntü | Düşük |
| Hukuki kavramın genel tanımı | Yüksek frekanslı, tekrar eden metin | Düşük |
| Bir hükmün belirli esas/karar numarasıyla bağı | Keyfî, düşük frekanslı olgu | Yüksek |
| Belirli bir kanun maddesinin numarası ve fıkra yapısı | Keyfî olgu | Yüksek |
| Süre, tarih, tutar gibi tekil sayılar | Keyfî olgu | Yüksek |
| Bir kararın hâlâ yürürlükte olup olmadığı | Zamansal, külliyat dışı bilgi | Yüksek |
Neden okurken fark edilmiyor
Fark edilmemesinin sebebi dikkatsizlik değil, akıcılık ile hatanın aynı süreçten çıkmasıdır. Model, metni inandırıcı kılan özellikleri ayrı bir aşamada eklemez. Kendinden emin ton, düzgün sözdizimi, yerinde hukuki terminoloji ve uydurulmuş künye, tek ve aynı olasılık hesabının ürünüdür.
Bunun doğal sonucu şudur: halüsinasyonlu bir künye bozuk bir çıktı değil, azami ölçüde tipik bir çıktıdır. Modelin ürettiği en olası dizgedir. Bir insanın uydurduğu künyede genellikle bir tutarsızlık kalır; ton düşer, cümle bozulur, ayrıntı eksilir. Modelde bu sinyaller yoktur, çünkü modelin uydururken de yaptığı iş aynıdır.
Buna bir de kalibrasyon sorunu eklenir. Dahl ve arkadaşlarının Stanford RegLab bünyesindeki çalışması, modellerin “struggle to accurately gauge their own level of certainty” tespitini yapmıştır. Yani kendinden emin ton, doğruluk hakkında hiçbir bilgi taşımaz. Bir bilirkişi raporunun kararlı üslubu, o raporun isabetliliği hakkında zayıf da olsa bir işaret sayılabilir. Bir dil modelinin kararlı üslubu hiçbir işaret sayılamaz.
Aynı çalışmanın ikinci bulgusu, dilekçe pratiği açısından daha da rahatsız edicidir: modeller “uncritically accept users’ incorrect legal assumptions”. Yanlış öncül içeren yönlendirici bir soru sorarsanız model size katılır. Avukatın kendi tezini modele onaylatarak sağlama yaptığını sanması, bu yüzden yanıltıcıdır.
Halüsinasyon ne sıklıkta oluyor
İki bağımsız akademik ölçüm vardır ve ikisi de oranın küçük olmadığını göstermektedir.
Genel amaçlı modeller. Dahl, Magesh, Suzgun ve Ho’nun Journal of Legal Analysis dergisinde yayımlanan çalışması, rastgele seçilmiş ABD federal mahkeme kararları hakkındaki spesifik ve doğrulanabilir sorularda şu bulguyu bildirir: “legal hallucinations are alarmingly prevalent, occurring between 58% of the time with ChatGPT 4 and 88% with Llama 2.”
Hukuka özel araçlar. Magesh ve arkadaşlarının Journal of Empirical Legal Studies dergisinde yayımlanan çalışması, önde gelen ticari hukuk araştırma araçlarını dört kategoride 202 sorguyla test etmiştir: 80 genel araştırma, 70 yargı çevresi veya zaman özelinde, 22 yanlış öncül, 30 olgusal hatırlama. Halüsinasyon tanımı iki ayaklıdır: yanıtın “either incorrect or misgrounded” olması. Yani ya içerik yanlıştır, ya da doğru bir ifade onu desteklemeyen bir kaynağa atfedilmiştir. Değerlendiriciler arası uyum %85,4, Cohen κ değeri 0,77’dir.
| Araç | Doğru | Halüsinasyon | Eksik |
|---|---|---|---|
| Lexis+ AI | %65 | %17 | %18 |
| Westlaw AI-Assisted Research | %41 | %33 | %25 |
| Ask Practical Law AI | %19 | %17 | %62 |
Yazarların kendi ifadesi şudur: “the AI research tools made by LexisNexis (Lexis+ AI) and Thomson Reuters (Westlaw AI-Assisted Research and Ask Practical Law AI) each hallucinate between 17% and 33% of the time.”
Çekinceler, rakamlar kadar önemlidir. Bu ölçüm araçların 2024 sürümleri üzerinde yapılmıştır ve satıcılar metodolojiye itiraz etmektedir. Rakamlar “bugünkü oran” değil, “2024 tarihli ölçüm” olarak okunmalıdır. Ayrıca Türkçe hukuk yapay zekâsı araçları için eşdeğer, yayımlanmış bir bağımsız çalışma yoktur. Türkiye’de satılan bir aracın oranı hakkında yayımlanmış bir ölçüme dayanarak konuşmak bugün mümkün değildir.
Yine de yazarların çerçevesi tartışmasızdır: hukuka özel araçlarda halüsinasyon genel amaçlı sohbet botlarına kıyasla belirgin biçimde azalır, ama ortadan kalkmaz. Bu tespit, satıcıların “halüsinasyonsuz” pazarlamasını doğrudan çürütür.
RAG nedir, neyi çözer
RAG, modele parametrelerinden cevap verdirmek yerine gerçek belgeleri önüne koyarak keyfî olgu üretimini azaltan bir mimaridir. Açılımı Retrieval-Augmented Generation’dır ve ilk olarak Lewis ve arkadaşlarının NeurIPS 2020 çalışmasında tanımlanmıştır.
Mekanik dört adımdır. Sistem (1) sorguyu bir aramaya çevirir, (2) bir külliyattan gerçek belgeleri getirir, (3) bu belgeleri istemin içine yerleştirir, (4) modelden o bağlamdan cevap vermesini ister.
Neden işe yarar: keyfî olgular, yani künye, hüküm ve tarih, artık parametreden yeniden kurulmak yerine bağlam penceresinde fiilen bulunur. Model hatırlama yapmaz, okuduğunu anlama yapar. Halüsinasyon oranındaki büyük düşüş buradan gelir.
RAG neyi çözmez: dört başarısızlık biçimi
RAG halüsinasyonu ortadan kaldırmaz, çünkü belgelenmiş dört ayrı başarısızlık yolu vardır ve hiçbiri getirmenin varlığıyla kapanmaz.
1. Getirme başarısızlığı. Hukukta getirme alışılmadık ölçüde zordur. İlgili karar, sorguya konu bakımından benzemeyebilir. Hukukta “ilgililik” kelime benzerliğine değil, yargı çevresine, normlar hiyerarşisine ve zamansal geçerliliğe bağlıdır. Yanlış belge getirildiğinde model yine de cevap üretir.
2. Yanlış temellendirme. Getirilen belge gerçektir, künye gerçektir, ama model belgenin desteklemediği bir önermeyi ileri sürer. Çalışmanın en önemli kategorisi budur, çünkü künye tutar ve önerme yine de yanlıştır. Bağlantıya tıklayıp karşısında gerçek bir karar gören avukat rahatlar ve yine de yanılır.
3. Bozulmuş veya değişmiş içtihat. Getirme gerçek bir karar döndürür; model o kararın bozulduğunu veya içtihadın değiştiğini bilmez. Belge külliyatta bulunduğu için sistem çıktıyı “temellendirilmiş” sayar.
4. Yanlış öncüle uyum. RAG, isteminize gömülü yanlış varsayımı modelin kabul etmesini engellemez. Çalışmadaki 22 yanlış öncül sorgusu tam olarak bunu ölçmek için tasarlanmıştır.
| Başarısızlık | Ne olur | Avukat için görünüşü |
|---|---|---|
| Getirme başarısızlığı | İlgisiz veya yanlış yargı çevresinden belge gelir | Cevap makul, dayanak konu dışı |
| Yanlış temellendirme | Gerçek belgeye yanlış önerme atfedilir | Künye tutar, önerme yanlıştır |
| Bozulmuş içtihat | Yürürlükte olmayan karar canlı gibi sunulur | Karar gerçek, hukuken ölü |
| Yanlış öncüle uyum | Sorudaki hatalı varsayım onaylanır | Model avukatın tezini teyit eder |
Bu dördü bir araya geldiğinde, hukuka özel külliyat üzerinde ve hukuk için özel olarak kurulmuş sistemlerde bile artık bir halüsinasyon oranı kalır. Stanford ekibinin ölçtüğü %17 ila %33 bandı budur. Sonuç, tek kelimeyle özetlenirse “azaltılmış, ama giderilmemiş”tir.
Temellendirmenin beş sert sınırı
Temellendirme bir köken kısıtıdır, doğruluk garantisi değildir. Teknik olarak temellendirme, üretimi, iddiaların model parametreleri yerine belirli bir dış kaynağa izlenebilir olacak şekilde kısıtlamak demektir. Bunun beş sınırı vardır ve hiçbiri mühendislikle kapanmamıştır.
- Temellendirme kaynak üzerinde bir kısıttır, doğruluk üzerinde değil. Bozulmuş bir karara temellendirilmiş cevap, kusursuz temellendirilmiş ve hukuken yanlıştır.
- Yalnızca külliyatta olanı kapsar. Güncel kararları içermeyen bir külliyat üzerinde temellendirme, o kararlar hakkındaki cevapları temellendiremez. Model çoğu zaman yine de cevap verir.
- Atfın kendisi model üretimidir. İddia ile kaynak pasaj arasındaki eşlemeyi genellikle aynı model kurar; dolayısıyla eşleme de aynı biçimde yanlış olabilir.
- Temellendirme muhakemeyi düzeltmez. Doğru kaynaklar artı geçersiz çıkarım, tam temellendirilmiş yanlış cevap eder.
- Temellendirme özetlemeden sağ çıkmaz. Çıktı bir mütalaaya sıkıştırıldığı anda bağlantılar düşer ve köken zinciri kopar.
Üçüncü sınırın canlı bir örneği vardır. Concord Music Group v. Anthropic dosyasında, Anthropic için Latham & Watkins tarafından sunulan bir bilirkişi beyanında halüsinasyonlu bir atıf yer aldı. Latham, modelin atfı yalnızca biçimlendirmek için kullanıldığını, buna rağmen kurgusal başlık ve yazar ürettiğini ve bunun “dürüst bir hata” olduğunu belirtti. Hâkim beyanın bir kısmını çıkardı. Bir yapay zekâ şirketinin kendi seçkin hukuk müşavirleri de bu sınıra takıldı.
Kaynak bağlantısı doğrulama sayılır mı
Hayır. Bir bağlantı yalnızca belgenin var olduğunu gösterir; belgenin iddiayı desteklediğini göstermez.
Bu ayrım, bu yazının en pratik değeri taşıyan kısmıdır. İki çıktı türünü ayırmak gerekir.
Özet veya sentez çıktısı (“şu konudaki hukuku anlat”) her önermesi bir tahmin olan metindir. Tıklanacak bir şey yoktur. Doğrulama maliyeti, tüm soruyu baştan araştırmaya eşittir. Bu tür bir çıktı zaman kazandırmaz, yalnızca zamanın nereye harcandığını değiştirir.
Kaynak bağlantılı çıktı, her önermenin getirilen kaynak belgeye nokta atışı bağlantı taşıdığı metindir. Bu, sınırsız bir doğrulama problemini sınırlı bir probleme çevirir. Her iddia için bağlantı açılır ve kaynağın gerçekten onu söyleyip söylemediğine bakılır. İddia saniyeler içinde yanlışlanabilir hale gelir.
Kritik nüans şudur: yukarıdaki ikinci başarısızlık biçimi, yani yanlış temellendirme, kaynak bağlantısından tamamen sağ çıkar. Doğru kural bu yüzden şöyle yazılmalıdır.
Bir bağlantı yalnızca “bu belge var” der. “Bu belge bunu söylüyor” demez. Bağlantıyı açıp pasajı okumadıysanız, doğrulama yapılmamıştır.
Bu, İngiltere’de Divisional Court’un Ayinde kararında ifade ettiği ödevin ta kendisidir. Doğrulama “by reference to authoritative sources” yapılır; yapay zekânın kendi künye listesine bakarak değil.
Net konum şudur: getirme, kaynak bağlantısı ve temellendirme, hukuk yapay zekâsını “künye için kullanılamaz” konumundan “zorunlu doğrulamayla kullanılabilir” konumuna taşır. “Doğrulamasız kullanılabilir” konumuna taşımaz. Hiçbir ticari sistemin hukuki sorgularda %0 halüsinasyon oranına ulaştığına dair yayımlanmış kanıt yoktur.
Dünyada bunun ölçeği nedir
Ölçek artık tek tük vakalarla anlatılamayacak kadar büyüktür ve takip edilebilir bir veritabanı vardır. HEC Paris’ten araştırmacı Damien Charlotin’in yürüttüğü AI Hallucination Cases Database, mahkemelerin veya kurulların dosyalanan dilekçelerdeki yapay zekâ üretimi halüsinasyonu esaslı biçimde ele aldığı kararları toplar. Yalnızca iddiaları değil, doğrulanmış tespitleri kaydeder.
13 Ağustos 2026 tarihli erişimde veritabanı 1.870 vaka içermekteydi; veritabanının son güncellemesi 11 Ağustos 2026 tarihlidir. Aynı tarihteki ülke dağılımı şöyledir.
| Ülke | Vaka sayısı (11.08.2026) |
|---|---|
| ABD | 1.298 |
| Kanada | 206 |
| Avustralya | 98 |
| Birleşik Krallık | 61 |
| İsrail | 55 |
| İtalya | 15 |
| Fransa | 13 |
| Hindistan | 13 |
Elliden fazla ülke listede yer almaktadır. Bu sayı haftalık olarak değişmektedir; herhangi bir yazıda kullanılırken erişim tarihiyle birlikte verilmelidir.
Hacmi daha somut gösteren tek bir veri noktası vardır. Eugene Volokh’un 6 Nisan 2026 tarihli derlemesine göre, tek bir günde, 31 Mart 2026’da, on yedi ABD mahkeme kararı dosyalanan dilekçelerde yapay zekâ halüsinasyonu şüphesine değinmiştir. Volokh, bu sayının gerçeği eksik yansıttığını da belirtir: halüsinasyonların çoğu hiç fark edilmez ve kararların çoğu ticari veritabanlarında indekslenmeyen eyalet ilk derece kararlarıdır.
Yaptırımlar nasıl ağırlaştı
Yaptırım eğrisi üç yılda kamuya açık mahcubiyetten meslekten geçici men noktasına geldi. Bu eğri, halüsinasyonun mahkemeler nezdinde nasıl bir ihlal olarak sınıflandırıldığını gösterdiği için önemlidir.
| Tarih | Dosya | Ne oldu | Yaptırım |
|---|---|---|---|
| 22 Haziran 2023 | Mata v. Avianca (S.D.N.Y.) | Altı uydurma karar | 5.000 dolar müteselsil; gerçek hâkimlere bildirim zorunluluğu |
| Ocak 2025 | Kohls v. Ellison (D. Minn.) | Bilirkişi beyanında uydurma akademik atıflar | Beyan reddedildi |
| Şubat 2025 | Wadsworth v. Walmart (D. Wyo.) | Dokuz atıftan sekizi uydurma | Üç avukata yaptırım; birinin pro hac vice kabulü iptal |
| 6 Haziran 2025 | Ayinde ve Al-Haroun (EWHC, Divisional Court) | Beş var olmayan karar; ayrı dosyada 45 sorunlu atıftan 18’i kurgusal | Boşa giden masraf kararı; meslek kuruluşlarına sevk |
| 7 Temmuz 2025 | Coomer v. Lindell (D. Colo.) | Otuza yakın kusurlu atıf | Avukat başına 3.000 dolar; aynı avukatlara Mayıs 2026’da yeniden 5.000 dolar |
| 12 Eylül 2025 | Noland v. Land of the Free (Cal. Ct. App.) | Dilekçeler uydurma alıntılarla dolu | 10.000 dolar ve baroya sevk |
| 13 Mart 2026 | Whiting v. City of Athens (6th Cir.) | Üç istinaf başvurusunda yirmiden fazla uydurma atıf | Kişi başı 15.000 dolar, karşı tarafın tüm vekâlet ücretinden müteselsil sorumluluk, iki katı masraf, disiplin sevki |
| 15 Nisan 2026 | In re Greg Lake (Nebraska Yüksek Mahkemesi) | 63 atıftan 57’si sorunlu; kürsüde yapay zekâ kullanımının önce inkârı | “İkinci bir emre kadar” meslekten geçici men |
Bu tablodan üç ders çıkar.
Birincisi, mahkemeler aracı değil, avukatı sorumlu tutuyor. Hâkim P. Kevin Castel’in Mata kararındaki ifadesi bu çizginin başlangıcıdır: “Technological advances are commonplace and there is nothing inherently improper about using a reliable artificial intelligence tool for assistance. But existing rules impose a gatekeeping role on attorneys to ensure the accuracy of their filings.”
İkincisi, saklamak asıl ağırlaştırıcı sebep. Nebraska dosyasında avukat kürsüden doğrudan sorulduğunda yapay zekâ kullanmadığını söyledi, iki gün sonra kullandığını kabul eden bir beyan sundu ve inkârını “ağır bir muhakeme hatası” olarak niteledi. Geçici men kararı bu bağlamda verildi. Buna karşılık Kanada’da Zhang v. Chen dosyasında iki var olmayan karar duruşmadan önce geri çekildi; mahkeme özel masraf talebini reddetti ve geri çekmeyi hafifletici saydı.
Üçüncüsü, kural artık kaynağa bakılmaksızın formüle ediliyor. Altıncı Daire’nin Whiting kararındaki ifadesi budur: “no brief, pleading, motion, or any other paper filed in any court should contain any citations – whether provided by generative AI or any other source – that [counsel have not] read and verified.”
Ayrıca Divisional Court’un Ayinde‘de saydığı yaptırım seçenekleri yelpazenin genişliğini gösterir: kamuya açık kınama, boşa giden masraf kararı, dilekçenin reddi, meslek kuruluşuna sevk, mahkemeye saygısızlık yargılaması ve polise sevk. Aynı kararın tespiti açıktır: “Freely available generative artificial intelligence tools … are not capable of conducting reliable legal research.”
Türkiye’de durum nedir
Türkiye’de belgelenmiş bir olay vardır, ancak yayımlanmış bir mahkeme kararı veya baro disiplin kararı henüz yoktur. “Türkiye’de vaka yok” demek yanlıştır; “yayımlanmış karar yok” demek doğrudur.
Haziran 2026’da Ankara’nın Kızılcahamam ilçesindeki bir yerel mahkemede görülen bir dosyada, savunma dilekçesinde yer alan Yargıtay kararı künyelerinin karşılığı bulunmadığı tespit edildi. Karşı taraf vekilinin duruşmada şüphe dile getirmesi üzerine mahkeme heyeti UYAP üzerinden sorgulama yaptı ve numaraların karşılığı olmadığını gördü. Mahkeme aynı gün hem Ankara Barosu’na hem de Cumhuriyet Başsavcılığı’na bildirimde bulundu. Yirmi beş yıllık meslek kıdemine sahip avukat basına yansıyan ifadesinde daire numaraları ve karar künyelerinin yanlış yazıldığını, içeriğin doğru olduğunu ve olayın sehven yapılmış bir hata olduğunu belirtti. Olayın ayrıntılı hukuki analizi, hangi normların devreye girdiği ve uluslararası örüntüdeki yeri için Kızılcahamam vakası incelemesine bakabilirsiniz.
Bu vaka hakkında dört çekince zorunludur. Yayımlanmış bir mahkeme kararı veya baro disiplin kararı yoktur; tüm bilgi basına dayanır. Her iki soruşturmanın sonucu 13 Ağustos 2026 itibarıyla bilinmemektedir. Uydurulan künye sayısı bildirilmemiştir. Bazı yayınlardaki “Türkiye’de bir ilk” nitelemesi bir medya nitelemesidir, resmî bir tespit değildir.
Anlatım açısından en dikkat çekici ayrıntı, halüsinasyonu yakalayan aracın UYAP olmasıdır. Yapay zekâ ile güçlendirilmekte olan aynı altyapı, bugün fiilen doğrulama katmanı olarak çalışmıştır.
Mevzuat tarafında durum nettir. 13 Ağustos 2026 itibarıyla Türkiye’de yürürlükte özel bir yapay zekâ kanunu yoktur ve avukatın mahkemeye sunduğu yapay zekâ üretimi içerikten sorumluluğunu düzenleyen özel bir hüküm bulunmamaktadır. Türkiye Barolar Birliği düzeyinde yayımlanmış, bağlayıcı bir yapay zekâ rehberi de yoktur; Şubat 2026 çalıştayının hedeflenen çıktısı olan rehberin yayımlandığına dair bir kaynak bulunamamıştır.
Bu, sorumluluğun bulunmadığı anlamına gelmez. Avukatlık Kanunu m.34, özen, doğruluk ve onur içinde görev yapma yükümlülüğünü ve TBB Meslek Kuralları’na uyma yükümlülüğünü kanun düzeyine taşır. 7571 sayılı Kanun ile değişik m.134, disiplin cezasının uygulanacağı haller arasında “özen ve doğruluk yükümlülüklerine uymayan hâl ve hareketler”i açıkça saymaktadır. Doğrulanmamış bir çıktının dosyaya sunulması, bu zincir üzerinden değerlendirilir.
Yarın büroda ne değişmeli
Değişmesi gereken tek şey, doğrulamanın isteğe bağlı bir dikkat değil, dosyanın kapanmasının şartı haline gelmesidir.
- Künye kuralı. Dosyaya girecek hiçbir künye, otoritatif kaynaktan görülmeden yazılmaz. Kaynak, yapay zekânın kendi listesi değildir.
- Pasaj kuralı. Bağlantı açılıp ilgili pasaj okunmadıysa doğrulama yapılmamıştır. Kararın varlığı ile kararın o önermeyi söylemesi ayrı iki olgudur.
- Güncellik kuralı. Karar bulunduktan sonra bozulup bozulmadığı ve içtihadın değişip değişmediği ayrıca kontrol edilir. Getirme bunu göstermez.
- Yanlış öncül kuralı. Modele kendi tezinizi onaylatmak sağlama değildir. Aynı soruyu ters öncülle de sorun.
- Kayıt kuralı. Hangi çıktının kim tarafından, ne zaman ve hangi kaynaktan teyit edildiği yazılı kalsın. Bu, disiplin sürecinde özen ödevinin yerine getirildiğini gösterebilecek tek somut delildir.
- Süre ve tutar kuralı. Sayı içeren her ifade, künye kadar risklidir. Süreler ve tutarlar mevzuat metninden ayrıca teyit edilir.
Bu altı kural, çıktı kalitesi hakkında hiçbir varsayım yapmaz. Aracın iyi olması durumu değiştirmez; iyi bir araç doğrulama yükünü hafifletir, kaldırmaz.
Sık sorulan sorular
Halüsinasyon yazılım güncellemeleriyle ortadan kalkar mı?
Bugüne kadar kalkmamıştır ve mekanik sebeplerle kalkması beklenmemektedir. Model ölçeği büyüdükçe imla ve sözdizimi hataları azalır, çünkü bunların tutarlı örüntüleri vardır. Karar künyesi gibi keyfî, düşük frekanslı olgular örüntüden türetilemez. Hukuka özel getirme sistemleri oranı belirgin biçimde düşürmüştür, ancak yayımlanmış hiçbir ölçüm sıfır oran göstermemiştir.
“Halüsinasyonsuz” veya “sıfır hata” diyen bir ürün var mı?
Böyle bir iddiayı destekleyen yayımlanmış kanıt yoktur. Hiçbir ticari sistemin hukuki sorgularda %0 halüsinasyon oranına ulaştığına dair bağımsız bir ölçüm bulunmamaktadır. Bu tür bir iddia, satın alma sürecinde teyit istenmesi gereken bir pazarlama ifadesidir. Sorulacak doğru soru, oranın sıfır olup olmadığı değil, hangi kaynak üzerinde ve nasıl doğrulanabildiğidir.
Kaynak bağlantısı gösteren bir araç kullanıyorum. Doğrulama yapmam gerekir mi?
Evet. Bağlantı yalnızca belgenin var olduğunu gösterir. Belgenin sizin kullandığınız önermeyi desteklediğini göstermez. Yanlış temellendirme adı verilen başarısızlık biçiminde künye gerçektir, karar gerçektir ve önerme yine de yanlıştır. Bağlantıyı açıp ilgili pasajı okumadan yapılan kontrol, doğrulama değil görüntüdür.
Halüsinasyon riski hangi işlerde daha yüksektir?
Risk, çıktının keyfî olgu yoğunluğuyla artar. Emsal karar künyesi, kanun maddesi numarası, süre, tarih ve tutar en riskli sınıftır. Genel kavram açıklamaları, dil düzeltmesi, biçimlendirme ve metin özeti daha düşük risklidir. Ancak özetlemede de kaynak bağlantıları düşer ve köken zinciri koptuğu için ayrı bir kontrol gerekir.
Türkiye’de bu konuda verilmiş bir mahkeme kararı var mı?
13 Ağustos 2026 itibarıyla yayımlanmış, kamuya açık ve doğrulanabilir bir Türk mahkeme kararı veya TBB Disiplin Kurulu kararı tespit edilememiştir. Haziran 2026’da Ankara’da basına yansımış bir olay ve başlatılmış iki soruşturma vardır; sonuçları bilinmemektedir. Bu nedenle Türkiye’deki hukuki değerlendirme, mevcut meslek kuralları ve genel hükümler üzerinden yapılmaktadır.
Yapay zekâ kullandığımı mahkemeye bildirmem gerekir mi?
Türkiye’de bunu zorunlu kılan yürürlükte bir hüküm tespit edilememiştir. Buna karşılık uluslararası uygulamada kullanımın gizlenmesi ağırlaştırıcı sebep olarak değerlendirilmiştir; Nebraska örneğinde geçici men kararı, inkârın ardından verilmiştir. Ankara Barosu rehberi ise müvekkilin kullanılan araçlar hakkında açık ve doğru biçimde bilgilendirilmesini tavsiye etmektedir.
Genel amaçlı bir sohbet botu ile hukuka özel bir araç arasındaki fark ne kadar büyük?
Ölçülmüş fark büyüktür ama kategorik değildir. Genel amaçlı modellerde spesifik federal karar sorularında %58 ila %88 arasında halüsinasyon ölçülmüştür. Hukuka özel getirme sistemlerinde aynı ekibin ölçümü %17 ila %33 bandındadır. Yani fark bir büyüklük mertebesine yaklaşır, fakat kalan oran dilekçeye doğrudan aktarılamayacak kadar yüksektir.
Kaynakça
- Dahl, M., Magesh, V., Suzgun, M. ve Ho, D. E., “Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models”, Journal of Legal Analysis, C. 16, S. 1 (2024), s. 64-93. DOI: 10.1093/jla/laae003. academic.oup.com/jla/article/16/1/64/7699227 (erişim: 13.08.2026)
- Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C. D. ve Ho, D. E., “Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools”, Journal of Empirical Legal Studies, 2025, C. 22, s. 216-242. reglab.stanford.edu/publications/hallucination-free-assessing-the-reliability-of-leading-ai-legal-research-tools/ (erişim: 13.08.2026)
- Kalai, A. T., Nachum, O., Vempala, S., Zhang, E. ve diğerleri, “Why Language Models Hallucinate”, 5 Eylül 2025, arXiv:2509.04664. openai.com/index/why-language-models-hallucinate/ (erişim: 13.08.2026)
- Lewis, P. ve diğerleri, “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, NeurIPS 2020, arXiv:2005.11401. (erişim: 13.08.2026)
- Charlotin, D., AI Hallucination Cases Database, HEC Paris. damiencharlotin.com/hallucinations/ (veritabanı son güncelleme: 11.08.2026; erişim: 13.08.2026)
- Volokh, E., “In One Day (Mar. 31), 17 U.S. Court Decisions Noting Suspected AI Hallucinations in Court Filings”, Reason / The Volokh Conspiracy, 06.04.2026. reason.com/volokh/2026/04/06/in-one-day-mar-31-17-u-s-court-decisions-noting-suspected-ai-hallucinations-in-court-filings/ (erişim: 13.08.2026)
- Mata v. Avianca, Inc., No. 1:22-cv-01461 (S.D.N.Y.), 678 F. Supp. 3d 443; yaptırım kararı 22.06.2023, Hâkim P. Kevin Castel.
- R (Ayinde) v London Borough of Haringey; Al-Haroun v Qatar National Bank QPSC [2025] EWHC 1383 (Admin), Divisional Court, Dame Victoria Sharp P ve Johnson J, 06.06.2025.
- Whiting v. City of Athens (6th Cir., 13.03.2026). reason.com/volokh/2026/03/14/lawyers-citing-nonexistent-cases-ordered-to-pay-opponents-attorney-fees-double-costs-15k-fine/ (erişim: 13.08.2026)
- In re Greg Lake, Nebraska Yüksek Mahkemesi, 15.04.2026. wowt.com/2026/04/16/nebraska-supreme-court-suspends-omaha-attorney-over-ai-use/ (erişim: 13.08.2026)
- Zhang v. Chen, 2024 BCSC 285, British Columbia Yüksek Mahkemesi, Justice D. M. Masuhara.
- Noland v. Land of the Free, L.P., Cal. Ct. App., 2d Dist., No. B331918, 12.09.2025.
- Sözcü, “Dilekçedeki yapay zekâ detayı 25 yıllık avukatı yaktı”, 18.06.2026. sozcu.com.tr/dilekcedeki-yapay-zeka-detayi-25-yillik-avukati-yakti-p329150 (erişim: 13.08.2026)
- T24, “Yapay zekâ Yargıtay künyelerini uydurdu, avukat soruşturmalık oldu”, t24.com.tr/gundem/yapay-zek-yargitay-kunyelerini-uydurdu-avukat-sorusturmalik-oldu-keske-yararlanmasaydim-saka-konusu-oldum,1329644 (erişim: 13.08.2026)
- 1136 sayılı Avukatlık Kanunu, m.34 (Değişik: 2/5/2001-4667/21) ve m.134 (Değişik: 7571 s. K. m.5; RG 25/12/2025, S.33118).
Son güncelleme: 13 Ağustos 2026.
Bu yazı, Türk hukukuna özel yapay zekâ altyapısı geliştiren Hammurabi ekibi tarafından hazırlanmıştır. hammurabi.tr