Yapay Zekâya Fazla Güvenmek: Otomasyon Yanlılığı

Avukat için en büyük risk, yapay zekânın hata yapması değildir. En büyük risk, aracın yeterince iyi çalışması ve avukatın kontrol etmeyi bırakmasıdır. Bu, otomasyon yanlılığı adı verilen ve havacılıktan tıbba kadar birçok alanda belgelenmiş bir olgudur: bir otomatik sistem uzun süre doğru çalıştığında, insan denetçi sistemin çıktısını sınamayı bırakır ve sistemin nadir hatası tam da o anda denetimsiz kalır. Hukukta bunun bedeli, karşılığı olmayan bir künyenin dosyaya girmesidir. Bu yazıyı hazırlayan ekibin kendi ücretli müşterileriyle yaptığı görüşmelerde iki kullanıcı, doğrulamayı bıraktığını beyan etti; bunlardan biri gerekçe olarak hiç halüsinasyonla karşılaşmamış olmasını, diğeri ise bir ürünün “sıfır hata” iletişimine duyduğu güveni gösterdi. Bu, bir aracın doğruluk iddiasının kullanıcıyı daha az dikkatli yapabileceğini gösteren canlı bir örnektir. Beyanlar müşteri ifadesine dayalıdır, kontrollü ölçüm değildir. Yine de yönü açıktır: bir ürünü daha iyi hale getirmek, onu kullanan avukatın denetim alışkanlığını zayıflatabilir.

Kısaca

• Otomasyon yanlılığı, aracın kötü olmasından değil, iyi olmasından doğar. Doğru çalışan bir sistem, denetim alışkanlığını zamanla söndürür.
• Saha verisinde iki yönlü davranış görüldü. Bazı kullanıcılar buldukları her kararı bizzat teyit ediyor; bazıları hiç halüsinasyonla karşılaşmadığı için teyidi bırakmış durumda.
• “Sıfır hata” iddiası, alıcı için bir kırmızı bayraktır. Böyle bir iddiayı destekleyen yayımlanmış bağımsız ölçüm yoktur ve bu iddia, kullanıcıda doğrulamayı bırakma davranışı üretmektedir.
• Kendinden emin ton hiçbir bilgi taşımaz. Stanford ekibinin bulgusuna göre modeller kendi kesinlik düzeylerini doğru biçimde ölçemiyor.
• Model, sizin yanlış öncülünüzü de onaylar. Kendi tezinizi modele doğrulatmak sağlama değildir.
• Mesleki dayanak TBB Meslek Kuralları m.2’dir: avukat mesleki çalışmasında bağımsızlığını korur.

Otomasyon yanlılığı nedir

Otomasyon yanlılığı, bir insanın otomatik bir sistemin çıktısını, bağımsız kanıtları göz ardı edecek ölçüde doğru kabul etme eğilimidir. İki biçimde ortaya çıkar. Birincisi ihmal biçimidir: sistem bir sorunu bildirmediği için denetçi de sorunu aramaz. İkincisi işleme biçimidir: sistem bir öneri verdiği için denetçi kendi muhakemesini devreye sokmadan öneriyi uygular.

Mekanizma basittir ve tam da bu yüzden etkilidir. Denetim maliyetlidir. Bir çıktıyı sınamak zaman, dikkat ve enerji ister. Sistem elli kez doğru çıktı verdiğinde, elli birinci sınamanın beklenen getirisi kullanıcı gözünde düşer. Kullanıcı bilinçli bir karar vermez; sadece alışkanlık zayıflar. Elli ikinci çıktı yanlış olduğunda, denetim katmanı zaten aşınmış olur.

Hukuktaki karşılığı özellikle keskindir, çünkü hatanın görünürlüğü düşüktür. Halüsinasyonlu bir künye bozuk bir çıktı değildir; modelin ürettiği en tipik çıktıdır. Biçimi kusursuzdur, tonu kendinden emindir, dilekçeye kusursuz oturur. Okuyarak ayırt edilemez. Yani otomasyon yanlılığının hukukta sönümlendiği doğal bir fren yoktur: kullanıcı hatayı fark etmediği için güveni artar, güven arttıkça denetim azalır, denetim azaldıkça hata fark edilmez.

Bir ayrım kaydedilmelidir. Otomasyon yanlılığı tembellik değildir. Deneyimli ve dikkatli profesyonellerde de ölçülmüştür. Kızılcahamam olayında dosyaya karşılığı olmayan künye sunan avukatın yirmi beş yıllık kıdemi vardı. Bu, tecrübe eksikliğinden kaynaklanan bir hata değildir; denetim katmanının aşınmasından kaynaklanan bir hatadır.

Saha verisi ne gösteriyor

Kullanıcı davranışı iki uçta toplanıyor ve uçlardan biri doğrudan risk üretiyor. Aşağıdaki bulgular, bu yazıyı hazırlayan ekibin ücretli müşterileriyle 4-9 Temmuz 2026 tarihleri arasında yaptığı 30 telefon görüşmesinden gelmektedir; 29 görüşme analiz edilebilir bulunmuştur. Büro ölçeği tek avukattan yirmi çalışanlı büroya kadar değişmektedir.

Zorunlu etiket: Bu veriler müşteri beyanına dayalıdır (self-reported); kontrollü önce/sonra ölçümü değildir. Beyanlar doğrulanmamıştır ve bir ürünün performans ölçümü olarak okunamaz.

Görüşmelerde bildirilen doğrulama davranışları şöyle dağıldı.

Son iki satır, bu yazının konusudur.

Doğrulamayı bırakan kullanıcının hangi risk havuzunda durduğu, tek bir ürünün müşteri beyanlarından değil, yargı kararlarından okunabilir. Hukukçu Damien Charlotin’in yürüttüğü yapay zekâ halüsinasyonu kararları veritabanı, 19 Ağustos 2026 itibarıyla 48’den fazla ülkeden 1.934 karar listelemektedir; bunların 1.325’i Amerika Birleşik Devletleri, 211’i Kanada, 98’i Avustralya kaynaklıdır. Bu sayılar yalnızca mahkemenin halüsinasyonu tespit ettiği ve kararına yazdığı dosyaları kapsar. Tespit edilmemiş olanlar bu listede yoktur.

Eğilimin yönü de kayıtlıdır. Eugene Volokh, 31 Mart 2026 tarihli tek bir günde Amerika Birleşik Devletleri mahkemelerinin on yedi ayrı kararda dilekçelerde yapay zekâ halüsinasyonu şüphesine değindiğini aktarmaktadır. Aynı yazıda, eyalet ilk derece mahkemelerinin kararlarının çoğunun çevrimiçi yayımlanmaması nedeniyle gerçek sayının bundan yüksek olduğu belirtilmektedir.

Araç kalitesinin bu tabloyu tek başına kapatmadığı da ölçülmüştür. Stanford RegLab ekibinin hukuki araştırma araçlarını ölçen çalışması, halüsinasyonu ortadan kaldırdığını iddia eden ticari ürünlerde dahi yüzde 17 ile 33 arasında hata oranı tespit etmiştir. Yani doğrulamayı bırakmanın gerekçesi olarak sunulan “araç artık hata yapmıyor” varsayımı, ölçüm karşısında ayakta kalmamaktadır.

Kendi müşteri görüşmelerimizde de bir kanun maddesi hatası bildirilmiştir. Bu örnek türü üzerinde durmak gerekir. Madde numarası hatası, künye hatasından daha sinsidir. Bir künye sorgulanabilir; sorgu ya sonuç verir ya vermez. Bir madde numarası ise makul görünür ve ancak mevzuat metnine dönülerek yanlışlanır. Aynı şey süreler için de geçerlidir. Doğrulamayı bırakmış bir kullanıcı için bu tür bir hata, hak düşürücü sonuç doğurabilecek türdendir.

Buna karşılık aynı araştırmada denetimin işlediği bir örnek de vardır: bir müşteri, görevli mahkeme yönlendirmesi sayesinde yanlış mahkemede dava açmaktan kurtulduğunu ve yaklaşık bir yıllık usul kaybını önlediğini beyan etti. Aracın değer ürettiği ve zarar ürettiği durumların aynı kullanıcı davranışına bağlı olduğunu göstermesi bakımından bu iki örnek birlikte okunmalıdır.

Bir başka beyan, doğrulama maliyetinin gerçekliğini gösteriyor: “önceden 10x süre, şimdi 2x”. Yani brüt kazanım, revize ve teyit döngüsüyle daralıyor. Doğrulamayı bırakan kullanıcı, aslında bu daralmayı ortadan kaldırmış oluyor. Kazanımın bir kısmı, teyidin kendisinden çalınıyor.

Doğruluk pazarlaması neden zarar verebilir

Çünkü doğruluk iddiası, kullanıcının davranışını değiştirir ve bu değişim iddianın doğru olduğu durumda bile riski artırır. Araştırmadaki tek bir beyan, bunu tedarikçi tarafından anlatılabilecek her şeyden daha net gösteriyor: bir müşteri, bir ürünün “sıfır hata” iletişimine güvenerek teyitsiz kullanım yaptığını belirtti.

Mekanizma şöyledir. Bir aracın hata oranı düştüğünde, kullanıcı doğrulama sıklığını çoğu zaman orantısız biçimde azaltır. Kalan hatalar daha seyrek karşılaşıldığı için daha da az beklenir hale gelir. Sonuçta hata oranı düştüğü halde, yakalanmadan geçen hata sayısı artabilir. İyileşen ürün, kötüleşen bir sonuç üretir. Buradaki değişken ürün değil, kullanıcının denetim davranışıdır.

Bu yüzden “sıfır hata”, “halüsinasyonsuz” veya “%100 doğru” gibi iddialar, alıcı avukat açısından iki nedenle kırmızı bayrak sayılmalıdır.

Birincisi, iddianın kendisi kanıtlanmamıştır. Hiçbir ticari sistemin hukuki sorgularda %0 halüsinasyon oranına ulaştığına dair yayımlanmış bağımsız kanıt yoktur. Bu alandaki en kapsamlı bağımsız ölçüm, Magesh ve arkadaşlarının hukuka özel araçlar üzerinde yaptığı çalışmadır ve önde gelen ticari araçlarda %17 ila %33 arasında halüsinasyon bulmuştur. Bu, 2024 sürümleri üzerinde yapılmış bir ölçümdür ve tedarikçiler metodolojiye itiraz etmektedir; ancak sıfır oranı gösteren karşı bir yayın da yoktur. Türkçe hukuk yapay zekâsı araçları için eşdeğer, yayımlanmış bir bağımsız çalışma hiç yoktur.

İkincisi, iddia doğru olsa bile kullanıcıda ürettiği davranış tehlikelidir. Bir avukat için doğru soru, aracın hata oranının ne olduğu değil, bir hatanın hangi mekanizmayla yakalanacağıdır. Hata oranı bir tedarikçi beyanıdır. Yakalama mekanizması ise avukatın kendi iş akışıdır ve yalnızca ona bağlıdır.

Satın alma sürecinde sorulacak sorular buradan çıkar. “Halüsinasyon oranınız kaç” sorusunun cevabı denetlenemez. Denetlenebilir sorular şunlardır: hangi külliyat üzerinde çalışıyor, külliyatın güncelliği ne, her önerme kaynak belgeye nokta atışı bağlantı taşıyor mu, kararın bozulup bozulmadığı görünüyor mu, çıktı özete sıkıştırıldığında bağlantılar korunuyor mu.

Kendinden emin ton neden bir sinyal değil

Çünkü modeller kendi kesinlik düzeylerini ölçemiyor. Dahl, Magesh, Suzgun ve Ho’nun Stanford RegLab bünyesinde yürüttüğü çalışma, modellerin “struggle to accurately gauge their own level of certainty” tespitini yapmıştır. Bu, kalibrasyon sorunu olarak adlandırılır ve pratik sonucu tek cümledir: kendinden emin ton, doğruluk hakkında hiçbir bilgi taşımaz.

Bu bulgu, avukatın günlük muhakemesine ters düşer. Bir bilirkişinin tereddütlü ifadesi ile kararlı ifadesi arasındaki fark, hukukta zayıf da olsa bir işaret sayılır. Bir tanığın “hatırlamıyorum” demesi ile ayrıntı vermesi arasındaki fark değerlendirilir. Dil modelinde bu okuma tamamen geçersizdir. Model, uydurduğu künyeyi de gerçek künyeyi de aynı tonda yazar, çünkü ikisi de aynı olasılık hesabının ürünüdür.

Aynı çalışmanın ikinci bulgusu, otomasyon yanlılığı açısından daha da önemlidir: modeller “uncritically accept users’ incorrect legal assumptions”. Yanlış öncül içeren yönlendirici bir soru sorulduğunda model kullanıcıya katılır. Bunun anlamı şudur: avukatın kendi tezini modele onaylatarak sağlama yaptığını sanması yanıltıcıdır. Model, tezinizi sınamaz; tezinizi tamamlar.

Bu iki bulgu birlikte, otomasyon yanlılığının neden hukukta özellikle güçlü olduğunu açıklar. Kullanıcı, sisteme güvenmek için iki sezgisel gerekçe kullanır: sistem emin görünüyor ve sistem benimle aynı fikirde. Her ikisi de bu bağlamda geçersizdir.

Uluslararası uygulamada karşılığı: Ayinde ölçütü

İngiliz Divisional Court, güvenin nereye yerleştirilebileceği sorusuna doğrudan cevap vermiştir: “A lawyer is not entitled to rely on their lay client for the accuracy of citations.”

Bu cümle Ayinde ve Al-Haroun birleşik dosyalarında, 6 Haziran 2025 tarihinde Dame Victoria Sharp P ve Johnson J tarafından yazıldı. Bağlamı bir yazılım değil, bir müvekkildi: avukat, atıfların müvekkilinden geldiğini ileri sürmüştü. Mahkeme bunu kabul etmedi.

Yazılım açısından kıyas doğrudandır ve avukatın aleyhinedir. Müvekkil en azından bir kişidir; iyi niyeti, bilgisi ve kaynağı sorgulanabilir, kendisine sorulabilir, beyanı alınabilir. Bir dil modeline bunların hiçbiri yapılamaz. Model, bir künyeyi nereden aldığını bilmez; çünkü bir yerden almamıştır, üretmiştir. Hukuk düzeni bir avukata, hukuk bilgisi olmayan bir müvekkilin künye doğruluğuna güvenme hakkı tanımıyorsa, doğruluk kavramı bulunmayan bir sistemin künye doğruluğuna güvenme hakkını evleviyetle tanımaz.

Aynı mahkemenin daha genel tespiti de kaydedilmelidir: serbestçe erişilebilen üretken yapay zekâ araçları “are not capable of conducting reliable legal research.” Ve Altıncı Daire’nin Whiting kararındaki formül, kaynağı tümüyle denklem dışı bırakır: okunmamış ve doğrulanmamış hiçbir atıf, hiçbir mahkemeye sunulan hiçbir belgede yer almamalıdır.

Bu kararların hiçbiri Türk mahkemelerini bağlamaz. Ancak hepsi, güvenin devredilebileceği bir muhatap aramanın nasıl karşılandığını göstermektedir.

Mesleki dayanak: bağımsızlığın korunması

Türk meslek kuralları içinde otomasyon yanlılığına en yakın duran hüküm, TBB Meslek Kuralları m.2’dir: “Mesleki çalışmasında avukat, bağımsızlığını korur; bu bağımsızlığı zedeleyecek iş kabulünden kaçınır.”

Bu hüküm klasik olarak dış müdahaleye, mali bağımlılığa ve iş kabulünde tarafsızlığa ilişkin okunur. Ancak lafız, bağımsızlığın kaynağını sınırlamaz. Muhakemesini bir aracın çıktısına teslim etmiş bir avukatın mesleki bağımsızlığı da zedelenmiştir. Burada bir sınır çizmek gerekir: bu, m.2’nin yerleşik yorumu değildir ve bu yönde verilmiş yayımlanmış bir karar bulunmamaktadır. Lafzî bir çıkarımdır ve öyle okunmalıdır.

Yanına iki hüküm daha konulabilir. TBB Meslek Kuralları m.38, avukatın zamanının ve yeteneklerinin erişemediği bir işi kabul etmeyeceğini söyler. Yetkinliğini bir aracın çıktısına dayandırarak alan dışı iş kabul eden bir avukat, çıktı doğru olduğunda bile bunu bilemez; değerlendirme kapasitesi yoktur. Avukatlık Kanunu m.34 ise özen ve doğruluk yükümlülüğünü kanun düzeyine taşır ve 7571 sayılı Kanun ile değişik m.134, disiplin cezasının uygulanacağı haller arasında “özen ve doğruluk yükümlülüklerine uymayan hâl ve hareketler”i açıkça sayar.

TBB Başkanı Av. R. Erinç Sağkan’ın Şubat 2026 çalıştayındaki ifadesi de aynı yöne bakar: “Avukatlık mesleği muhakeme, sorumluluk ve vicdani bir sorgulama barındırmaktadır. Bu unsurların yerini hiçbir algoritma alamaz.”

Denetim en hızlı nerede aşınıyor

Aşınma her işte aynı hızda olmaz; çıktının doğrulanma maliyeti yükseldikçe ve hatanın görünürlüğü düştükçe hızlanır. Dört tipik alan vardır ve bunlar risk sırasına konabilir.

Künye ve atıf. Doğrulaması ucuzdur, bir sorgu yeter. Buna karşılık hacim yüksektir; bir dilekçede on beş atıf varsa, on beş sorgu yapılması gerekir. Aşınma burada yorgunluktan doğar ve genellikle listenin sonundaki künyelerde başlar.

Süre, tarih ve tutar. Doğrulaması ucuzdur ama hatırlatıcısı yoktur. Kimse bir sayıyı sorgulamayı hatırlatmaz, çünkü sayı zaten doğru görünür. Bir süre veya bir madde numarası makul göründüğü ölçüde sorgulanmaz ve ancak mevzuat metnine dönülerek yanlışlanır.

Kararın hâlâ ayakta olup olmaması. Doğrulaması pahalıdır ve çoğu araç bunu göstermez. Getirme sistemi gerçek bir karar döndürdüğünde, o kararın bozulduğu veya içtihadın değiştiği bilgisi çıktıda görünmez. Külliyatta bulunduğu için sistem çıktıyı temellendirilmiş sayar. Kullanıcı da künyeyi teyit ettiğinde kontrolü tamamladığını düşünür.

Hukuki muhakemenin kendisi. Doğrulaması en pahalı olandır, çünkü tüm soruyu baştan düşünmeyi gerektirir. Aşınmanın en görünmez biçimi buradadır: kullanıcı künyeleri teyit eder, sayıları kontrol eder ve çıkarımın geçerliliğini hiç sınamaz. Doğru kaynaklara dayanan geçersiz bir çıkarım, tam temellendirilmiş ve tamamen yanlış bir cevaptır.

Sıralamanın pratik sonucu şudur: doğrulama protokolü, yalnızca ucuz kontrollerden oluşuyorsa aldatıcı bir güvenlik hissi üretir. Künyeleri sorgulayıp güncelliği ve muhakemeyi hiç sınamamak, denetim yapıldığı izlenimini yaratır ve otomasyon yanlılığını azaltmak yerine meşrulaştırır.

Denetim aşınmasına karşı protokol

Otomasyon yanlılığına karşı tek etkili savunma, doğrulamayı kişisel dikkate bırakmamak ve bir sürece bağlamaktır. Aşağıdaki beş uygulama, bu amaca yöneliktir. Hiçbiri mevzuat gereği değildir; uygulaması büronuzun koşullarına bağlıdır.

1. Örneklem denetimi. Her çıktıyı baştan sona kontrol etmek uzun vadede sürdürülemez ve zaten sürdürülmemektedir. Bunun yerine sabit bir örneklem kuralı konur: her dosyada, kullanılan künyelerin belirli bir oranı, hangi künyeler olduğu rastgele seçilerek tam doğrulamadan geçirilir. Amaç, her hatayı yakalamak değil, aracın o dönemdeki güvenilirliği hakkında sürekli ve taze bir sinyal üretmektir. Örneklemde bir hata çıktığında, o dosyadaki tüm künyeler doğrulanır.

2. Zorunlu bağlantı açma. Dosyaya girecek her atıf için kaynak bağlantısı fiilen açılır ve ilgili pasaj okunur. Kural şudur: bir bağlantı yalnızca “bu belge var” der, “bu belge bunu söylüyor” demez. Bağlantının varlığını görmek doğrulama değildir. Bu, yanlış temellendirme adı verilen ve kaynak bağlantısından tamamen sağ çıkan hata biçimine karşı tek savunmadır.

3. Doğrulama nöbeti. Bir büroda doğrulama görevi sabit bir kişide kalırsa, o kişi de aynı aşınmayı yaşar. Görevin dönüşümlü olması, hem alışkanlığın körelmesini yavaşlatır hem de aracın zayıf yönlerinin ekipte birden fazla kişi tarafından bilinmesini sağlar. Dosyayı hazırlayan ile künyeleri doğrulayan kişinin farklı olması, mümkün olduğunda tercih edilir.

4. Kayıt. Hangi künyenin kim tarafından, ne zaman ve hangi kaynaktan teyit edildiği yazılı kalır. Bunun iki işlevi vardır. Birincisi caydırıcıdır: kaydedilecek bir adım atlanmaz. İkincisi delildir; disiplin sürecinde özen ödevinin yerine getirildiğini gösterebilecek somut unsur budur.

5. Ters öncül testi. Aracı kendi tezinizi onaylatmak için kullanmayın. Aynı soruyu, karşı tarafın öncülüyle de sorun. Model yanlış öncülleri kabul etmeye eğilimli olduğu için, iki yönlü sorgu bu eğilimi kısmen açığa çıkarır. Her iki soruya da sizi doğrulayan cevap veriyorsa, cevapların hiçbiri bilgi taşımıyor demektir.

Bu protokolün ticari bir maliyeti vardır ve açıkça söylenmelidir: doğrulama, kazanılan zamanın bir kısmını geri alır. Görüşmelerdeki “önceden 10x süre, şimdi 2x” beyanı bunu tam olarak tarif eder. Kazanım hâlâ vardır, ancak brüt değil nettir. Doğrulama adımını atlayarak elde edilen ek hız, ödünç alınmış bir hızdır.

Sık sorulan sorular

Otomasyon yanlılığı yalnızca deneyimsiz kullanıcılarda mı görülür?

Hayır. Deneyimli profesyonellerde de belgelenmiş bir olgudur ve mekanizması deneyimden bağımsızdır. Sistem uzun süre doğru çalıştığında denetim alışkanlığı zayıflar. Türkiye’de kamuya yansımış olayda, dosyaya karşılığı olmayan künye sunan avukatın yirmi beş yıllık kıdemi bulunuyordu. Deneyim, hatayı okuyarak ayırt etmeye yetmez; çünkü halüsinasyonlu künye biçim olarak kusursuzdur.

Aracın hata oranı düşükse doğrulamayı azaltmak mantıklı değil mi?

Sezgisel olarak öyle görünür, sonuçta değildir. Hata oranı düştükçe kullanıcı doğrulamayı orantısız biçimde azaltma eğilimindedir; bu durumda hata oranı düşse bile yakalanmadan geçen hata sayısı artabilir. Ayrıca kalan hataların niteliği değişmez: karşılığı olmayan bir künye, oran ne olursa olsun dosyaya girdiğinde aynı sonucu doğurur.

“Sıfır hata” diyen bir tedarikçiye nasıl yaklaşmalı?

Bu iddiayı destekleyen yayımlanmış bağımsız kanıt yoktur; hiçbir ticari sistemin hukuki sorgularda %0 halüsinasyon oranına ulaştığına dair bir ölçüm bulunmamaktadır. İddianın kendisi kadar, kullanıcıda ürettiği davranış da risklidir. Değerlendirmede oran yerine mekanizma sorulmalıdır: külliyat neyi kapsıyor, güncelliği ne, her önerme kaynak belgeye bağlantı taşıyor mu, kararın bozulup bozulmadığı görünüyor mu.

Kaynak bağlantılı bir araç kullanıyorum. Bu yeterli değil mi?

Kaynak bağlantısı doğrulama maliyetini büyük ölçüde düşürür, ancak doğrulamanın yerine geçmez. Bir bağlantı yalnızca belgenin var olduğunu gösterir; belgenin kullandığınız önermeyi desteklediğini göstermez. Yanlış temellendirme adı verilen hata biçiminde künye gerçek, karar gerçek ve önerme yanlıştır. Bu hata kaynak bağlantısından tamamen sağ çıkar.

Bu veriler bir ürün performans ölçümü mü?

Hayır. Aktarılan bulgular müşteri beyanına dayalıdır (self-reported), kontrollü önce/sonra ölçümü değildir ve doğrulanmamıştır. 4-9 Temmuz 2026 tarihlerinde yapılan 30 telefon görüşmesinden gelmektedir; 29’u analiz edilebilir bulunmuştur. Bir aracın hata oranı hakkında değil, kullanıcı davranışının yönü hakkında gösterge sayılabilirler.

Ekipçe nasıl önlem alınır?

En etkili yapısal önlem, dosyayı hazırlayan ile künyeleri doğrulayan kişiyi ayırmak ve doğrulama görevini dönüşümlü hale getirmektir. Buna örneklem denetimi ve yazılı doğrulama kaydı eklenir. Bu düzenlemelerin hiçbiri mevzuat gereği değildir; ancak Avukatlık Kanunu m.34’ün aradığı özenin somutlaştırılabileceği alanlardır.

Kaynakça

1. 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 (erişim: 20.08.2026)
2. 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 (erişim: 20.08.2026)
3. 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.
4. Whiting v. City of Athens (6th Cir., 13.03.2026); Eugene Volokh’un aktarımı. reason.com (erişim: 20.08.2026)
5. Türkiye Barolar Birliği Meslek Kuralları (Kabul: 8-9 Ocak 1971, IV. Genel Kurul), m.2 ve m.38.
6. 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).
7. Müşteri ROI Araştırma Raporu, 10 Temmuz 2026 (bu yazıyı hazırlayan ekip tarafından yürütülen dahili araştırma; 4-9 Temmuz 2026, 30 görüşme, 29 analiz edilebilir; beyana dayalı veri).
8. Hukuki Haber, “TBB Yapay Zeka ve Avukatlık Çalıştayı tamamlandı”, 15.02.2026. hukukihaber.net (erişim: 20.08.2026)
9. Sözcü, “Dilekçedeki yapay zeka detayı 25 yıllık avukatı yaktı”, 18.06.2026. sozcu.com.tr (erişim: 20.08.2026)
10. Charlotin, D., “AI Hallucination Cases” veritabanı; 19.08.2026 itibarıyla 48’den fazla ülkeden 1.934 karar (ABD 1.325, Kanada 211, Avustralya 98). damiencharlotin.com (erişim: 20.08.2026)
11. Volokh, E., “In One Day (Mar. 31), 17 U.S. Court Decisions Noting Suspected AI Hallucinations in Court Filings”, The Volokh Conspiracy, 06.04.2026. reason.com (erişim: 20.08.2026)

Son güncelleme: 20 Ağustos 2026.

---

Bu yazı, Türk hukukuna özel yapay zekâ altyapısı geliştiren Hammurabi ekibi tarafından hazırlanmıştır. hammurabi.tr