Türk Hukukuna Özel Yapay Zekâ Nedir? Genel Modellerden Farkı

Türk hukukuna özel yapay zeka, modelin Türkçe konuşması ya da eğitiminde Türkçe metin bulunması demek değildir. Teknik karşılığı üç unsurdur: Türk mevzuatı ve içtihadından oluşan tanımlı bir külliyat, sorguyu o külliyatta arayıp gerçek belgeleri cevabın önüne koyan bir getirme katmanı ve her önermeyi getirilen belgeye bağlayan bir temellendirme disiplini. Bu üçü yoksa “Türk hukukuna özel” ifadesi bir pazarlama cümlesidir ve avukat için hiçbir doğrulama kolaylığı üretmez. Fark pratikte tek bir yerde görünür: bir Yargıtay künyesi verildiğinde onu açıp okuyabiliyor musunuz, yoksa gidip ayrıca arayıp bulmak zorunda mı kalıyorsunuz. Bu yazı, o farkın nasıl çalıştığını ve bir tedarikçinin iddiasını nasıl test edeceğinizi anlatır.

Kısaca

• “Türk hukukuna özel” bir dil iddiası değil, bir külliyat iddiasıdır. Türkçe cevap veren her model Türk hukukunu bilmez.
• Genel modeller Türk içtihadında yapısal olarak başarısızdır. Bir kararın belirli bir esas ve karar numarasıyla bağı keyfî bir olgudur ve sonraki-token tahmini bu içerik sınıfında çalışmaz.
• RAG halüsinasyonu azaltır, bitirmez. Stanford ekibinin 2024 tarihli ölçümünde hukuka özel araştırma araçları sorguların %17 ila %33’ünde halüsinasyon üretmiştir; genel modellerde bu oran %58 ile %88 arasındaydı.
• Türkçe araçlar için eşdeğer bir bağımsız ölçüm yoktur. Bir Türk ürününün doğruluk oranı hakkında bugün elinizde yalnızca tedarikçi beyanı vardır.
• Yanlış temellendirme en sinsi hata türüdür. Künye gerçektir, bağlantı çalışır, önerme yine de yanlıştır.
• Test edilebilir tek şey vardır: kaynak. Tedarikçiye sorulacak soruların tamamı külliyatın kapsamı, güncelliği ve bağlantılandırma biçimi etrafında toplanır.

“Türk hukukuna özel yapay zeka” tam olarak neyi anlatır?

Anlattığı şey, modelin cevabı nereden aldığıdır. Genel amaçlı bir modelde cevap, modelin parametrelerinden gelir. Model bir sonraki-token tahmincisidir: önündeki metin verildiğinde bir sonraki parça üzerinde olasılık dağılımı hesaplar ve oradan örnekler. Bu döngüde hiçbir veritabanı sorgusu, doğruluk tablosu veya yer gerçeği sinyali yoktur. Modelin içinde “bu karar vardır” ile “bu karar yoktur” ayrımının bir temsili bulunmaz; yalnızca “burada bu tür bir dizge gelir” temsili vardır.

Hukuka özel bir sistemde ise akış değişir. Sorgu önce bir aramaya çevrilir, tanımlı bir külliyattan gerçek belgeler getirilir, bu belgeler istemin içine yerleştirilir ve modelden cevabı o bağlamdan üretmesi istenir. Bu yönteme retrieval-augmented generation, kısaca RAG denir ve akademik tanımı Lewis ve diğerlerinin 2020 tarihli çalışmasına dayanır. Avukatın diliyle: modelden hatırlamasını değil, önüne konan dosyayı okumasını istersiniz.

Buradan üç ayrı iddia çıkar ve tedarikçiler çoğu zaman bunları tek bir cümlede birleştirir. Birincisi dil iddiasıdır: sistem Türkçe anlar ve Türkçe yazar. İkincisi külliyat iddiasıdır: sistem Türk mevzuatına ve içtihadına erişir. Üçüncüsü temellendirme iddiasıdır: sistem verdiği her cevabı o külliyattaki belirli bir belgeye bağlar ve bağlantısını gösterir. Yalnızca üçüncüsü avukatın işini kolaylaştırır. İlk ikisi, üçüncüsü olmadan yalnızca daha akıcı bir tahmin üretir.

Külliyat neden her şeyin başında gelir?

Çünkü bir sistem, külliyatında olmayan hiçbir şeyi doğru bilemez ama neredeyse her şey hakkında cevap verir. Temellendirme, kaynak ve köken üzerinde bir kısıttır; doğruluk üzerinde değil. Külliyatı 2024’te donmuş bir sistem, 2025 tarihli bir mevzuat değişikliği sorulduğunda susmaz. En olası cevabı üretir ve o cevap eski hukuku yansıtır.

Külliyat sorusu üç alt başlığa ayrılır ve bir tedarikçiyle konuşurken üçü ayrı ayrı sorulmalıdır.

Kapsam: hangi mahkemeler ve hangi seriler var. Yargıtay hukuk daireleri mi, ceza daireleri de mi, Hukuk Genel Kurulu ve Ceza Genel Kurulu kararları var mı, Danıştay hangi daireler, Anayasa Mahkemesi bireysel başvuru kararları var mı, Bölge Adliye Mahkemesi kararları var mı, ilk derece kararları var mı. Bu soruların cevabı “hepsi” ise cevap incelenmelidir; Türkiye’de kararların tamamı kamuya açık değildir.

Derinlik: hangi yıldan itibaren. Bir külliyatın 2010 sonrasını kapsaması ile 1990 sonrasını kapsaması, eski tarihli emsale ihtiyaç duyan bir dosyada tamamen farklı sonuç verir. Derinlik tek başına yeterli değildir: sıralamanın güncelliği önceliklendirip önceliklendirmediği ayrıca sorulmalıdır, çünkü geniş bir külliyat eski bir kararı üste taşıyabilir.

Güncellik: son güncelleme tarihi nedir ve hangi sıklıkla yenilenir. Her külliyat operasyonunda bir gecikme payı vardır; bu, tek bir ürünün kusuru değil, veri toplama ve işleme zincirinin doğal sonucudur. Belirleyici olan gecikmenin varlığı değil, tedarikçinin bunu açıkça söyleyip söylemediğidir. Türk pazarında Hammurabi dahil olmak üzere birden fazla yerli ürün faaliyet göstermektedir; bu ürünlerin külliyat kapsamlarını ve güncelleme takvimlerini karşılaştıran bağımsız, yayımlanmış bir inceleme bulunmamaktadır. Dolayısıyla bu bilgi ancak doğrudan sorularak alınabilir.

RAG avukatın diliyle nasıl çalışır?

Dört adımda çalışır ve her adımın kendi başarısızlık biçimi vardır.

Birinci adım, sorgunun aramaya çevrilmesidir. Sizin yazdığınız “kiracının tahliye taahhüdüne rağmen çıkmaması” cümlesi, külliyatta arama yapılabilecek bir sorguya dönüştürülür. İkinci adım getirmedir: bu sorguyla eşleşen belgeler bulunur. Üçüncü adım, bu belgelerin modelin önüne konmasıdır. Dördüncü adım, modelin yalnızca bu belgelerden cevap üretmesidir.

Bu zincirin neden halüsinasyonu azalttığı açıktır. Künye, hüküm ve tarih gibi keyfî olgular artık modelin belleğinden yeniden kurulmaz; bağlam penceresinde fiilen bulunur. Model hatırlama değil, okuduğunu anlama yapar. Ama zincir kırılabilir ve Magesh ve diğerlerinin çalışması dört ayrı kırılma noktası belgelemiştir.

Getirme başarısızlığı. Hukukta getirme alışılmadık ölçüde zordur, çünkü ilgili karar sorguya konu olarak benzemeyebilir. Hukukta ilgililik; yargı çevresine, normlar hiyerarşisine ve zamansal geçerliliğe bağlıdır. Bir tahliye sorgusunda getirilen karar konu bakımından yerinde olabilir ama uygulanmayan bir kanun dönemine ait olabilir.

Yanlış temellendirme. Getirilen belge gerçektir, künye gerçektir, ama model belgenin desteklemediği bir önermeyi ileri sürer. Çalışmanın en önemli kategorisi budur. Bağlantıya tıklayıp gerçek bir karar gören avukat rahatlar ve yine de yanılır. Bu nedenle doğru kural şudur: bir bağlantı yalnızca “bu belge var” der, “bu belge bunu söylüyor” demez. Bağlantıyı açıp pasajı okumadıysanız doğrulama yapılmamıştır.

Bozulmuş veya değişmiş içtihat. Getirme gerçek bir karar döndürür; model o kararın bozulduğunu veya içtihadın değiştiğini bilmez. Karar külliyatta olduğu için sistem onu temellendirilmiş sayar.

Yanlış öncüle uyum. RAG, isteminize gömülü yanlış varsayımı kabul etmesini engellemez. Dahl ve diğerlerinin çalışması genel modellerde bu eğilimi doğrudan ölçmüş ve modellerin kullanıcının hatalı hukuki varsayımlarını eleştirmeden kabul ettiğini tespit etmiştir. Yönlendirici bir soru sorarsanız sistem size katılır.

Temellendirme nerede biter?

Temellendirmenin beş sert sınırı vardır ve bunları bilmek, bir ürünün pazarlama metnini okurken elinizdeki en iyi filtredir.

Birincisi, temellendirme kaynak üzerinde bir kısıttır, doğruluk üzerinde değil. Bozulmuş bir karara temellendirilmiş cevap kusursuz temellendirilmiş ve hukuken yanlıştır. İkincisi, yalnızca külliyatta olanı kapsar; külliyatın dışındaki bir konuda sistem yine de cevap verir. Üçüncüsü, atfın kendisi de model üretimidir. İddia ile kaynak pasajın eşleştirilmesi çoğu zaman aynı model tarafından yapılır ve aynı biçimde yanlış olabilir. Bunun kitap örneği, bir Amerikan davasında seçkin bir hukuk bürosunun modelden yalnızca bir atfı biçimlendirmesini istemesi ve modelin kurgusal başlık ve yazar üretmesidir. Dördüncüsü, temellendirme muhakemeyi düzeltmez: doğru kaynaklar artı geçersiz çıkarım, tam temellendirilmiş yanlış bir cevap verir. Beşincisi, temellendirme özetlemeden sağ çıkmaz. Çıktı bir mütalaaya sıkıştırıldığı anda bağlantılar düşer ve köken zinciri kopar.

Bu beş sınırın toplamı şu konumu verir: RAG, kaynak bağlantısı ve temellendirme, hukuk yapay zekasını “künye için kullanılamaz” konumundan “zorunlu doğrulamayla kullanılabilir” konumuna taşır. “Doğrulamasız kullanılabilir” konumuna taşımaz. Hiçbir ticari sistemin hukuki sorgularda sıfır halüsinasyon oranına ulaştığına dair yayımlanmış kanıt yoktur.

Genel bir sohbet botu Türk içtihadında neden özellikle başarısız olur?

Çünkü Türk içtihadında avukatın istediği şey neredeyse her zaman bir keyfî olgudur. Bir karar künyesi yüksek derecede örüntülüdür: daire numarası, esas numarası, karar numarası, tarih. Bu örüntü model tarafından çok kolay öğrenilir ve çok inandırıcı biçimde taklit edilir. Ama bir hükmün belirli bir esas ve karar numarasıyla bağı örüntüden türetilemez. Düşük frekanslıdır, bazen eğitimde bir kez görülmüştür, çoğu zaman hiç görülmemiştir. Kalai ve diğerlerinin ifadesiyle: yazım ve sözdizimi hataları ölçekle kaybolur çünkü tutarlı örüntüleri vardır, keyfî olgular kaybolmaz.

Aynı çalışma üçüncü bir mekanizmaya işaret eder ve bu, avukat için en rahatsız edici olanıdır. Standart değerlendirme ölçütleri yanlış cevabı “bilmiyorum” cevabıyla aynı puanlar, ikisine de sıfır verir, ama şanslı tahmini bir puanlar. Bu, modelleri sistematik olarak çekinmek yerine blöf yapmaya eğitir. Yazarların reçetesi açıktır: kendinden emin hataları belirsizlikten daha ağır cezalandırın.

Buradan avukatın içselleştirmesi gereken sonuç çıkar. Akıcılık ve kendinden eminlik, hatayı üreten aynı sürecin çıktısıdır. Halüsinasyonlu bir künye bozuk bir çıktı değil, azami ölçüde tipik bir çıktıdır. Bir dilekçeyi okurken sırıtmamasının sebebi budur.

Türkiye’de bunun belgelenmiş bir örneği vardır. Haziran 2026’da Kızılcahamam’da, basında yalnızca baş harfleriyle anılan ve 25 yıllık kıdeme sahip bir avukatın savunma dilekçesinde yer alan Yargıtay künyelerinin karşılığı bulunmadığı, mahkeme heyetinin UYAP üzerinden yaptığı sorgulamayla tespit edildi. Ankara Barosu disiplin, Cumhuriyet Başsavcılığı ceza soruşturması başlattı. Avukat, içeriğin doğru ama numaraların yanlış olduğunu savundu. Soruşturmaların sonucu 13 Ağustos 2026 itibarıyla bilinmemektedir ve yayımlanmış bir karar yoktur; bilginin tamamı basına dayanmaktadır.

Sağkan’ın “kuvvetli şüphe” örneği neyi gösteriyor?

Halüsinasyonun künye uydurmaktan ibaret olmadığını gösteriyor. Türkiye Barolar Birliği’nin 14-15 Şubat 2026’da Ankara’da düzenlediği Yapay Zeka ve Avukatlık Çalıştayı’nda TBB Başkanı Av. R. Erinç Sağkan somut bir deneyim aktardı. Bir iddianameyi yapay zekaya yorumlatan meslektaşının deneyiminde sistem, Türk hukukunda o aşamada aranmayan “kuvvetli şüphe” kriterine dayanan hatalı bir sonuç üretmiştir.

Bu örnek, teknik olarak künye uydurmadan farklı ve daha tehlikeli bir hata sınıfını temsil eder. Burada uydurulan bir numara yoktur. Uydurulan şey, hukuki eşiktir. Model, ağırlıklı olarak başka bir hukuk sisteminin metinlerinden öğrendiği bir standardı Türk usulüne taşımıştır ve çıktı, hiçbir künye kontrolüyle yakalanamayacak biçimde akıcıdır. UYAP’tan künye sorgulayarak bu hatayı bulamazsınız; ancak usul hükmünü bilerek bulursunuz.

Bu, “Türk hukukuna özel” iddiasının neden bir külliyat meselesi olduğunu en iyi anlatan örnektir. Bir sistemin Türkçe yazması, Türk usul hukukunun eşiklerini bilmesini sağlamaz. Cevabın Türk mevzuatındaki hükme bağlanması sağlar. Sağkan’ın aynı konuşmadaki cümlesi, meslek örgütünün konumunu da özetler: “Avukatlık mesleği muhakeme, sorumluluk ve vicdani bir sorgulama barındırmaktadır. Bu unsurların yerini hiçbir algoritma alamaz.”

Bir aracı kendi dosyanızda nasıl denersiniz?

Kapanmış bir dosyayla denersiniz, açık bir dosyayla değil. Cevabını bildiğiniz bir soru, aracın doğruluğunu ölçmenizi sağlayan tek düzenektir; cevabını bilmediğiniz bir soruda aracın akıcılığı ile isabeti birbirinden ayrılamaz.

Protokol dört adımdır ve yarım saat sürer. Birinci adımda, kapanmış bir dosyadan hukuki sonucu net olan bir soru seçin ve müvekkile ilişkin tanımlayıcı bilgileri çıkararak sorun. İkinci adımda, verilen her künyeyi tek tek açın. Açılamayan künye sayısını not edin. Üçüncü adımda, açılan künyelerin içinden aracın ileri sürdüğü önermeyi destekleyip desteklemediğine bakın. Bu adım en çok zaman alan adımdır ve bilerek öyledir: yanlış temellendirmeyi yakalayan tek yer burasıdır. Dördüncü adımda, aynı soruyu bilerek yanlış bir öncülle tekrar sorun. Örneğin gerçekte uygulanmayan bir süreyi doğruymuş gibi cümlenin içine yerleştirin. Sistem sizi düzeltiyor mu, yoksa varsayımınızı kabul edip üzerine bina mı ediyor.

Dördüncü adım en ayırt edici olanıdır ve akademik ölçümde ayrı bir kategori olarak yer alır. Magesh ve diğerlerinin 202 sorguluk setinde 22 sorgu yalnızca yanlış öncüle uyumu ölçmek için tasarlanmıştır. Bir aracın sizi düzeltmesi, külliyatına gerçekten bakması ile ilgilidir; sizi onaylaması ise en olası kelime dizisini üretmesiyle.

İki uyarı. Birincisi, tek bir denemeden çıkan sonuç istatistik değildir. Beş ila on soruluk bir set kurun ve aynı seti değerlendirdiğiniz her araca sorun; karşılaştırma ancak sabit sette anlamlıdır. İkincisi, denemeyi yapan kişi ile satın alma kararını veren kişi aynı olmalıdır. Demoyu tedarikçinin seçtiği örnekler üzerinden izlemek, aracın en iyi çalıştığı sorgu tipini görmenizi sağlar; en kötü çalıştığı tipi ise hiç göstermez.

Sayılar ne diyor?

İki ölçüm vardır ve ikisi de aynı ekipten gelir.

Genel amaçlı modeller için: Dahl, Magesh, Suzgun ve Ho’nun 2024 tarihli çalışmasında, rastgele seçilmiş ABD federal mahkeme kararları hakkındaki spesifik ve doğrulanabilir sorularda halüsinasyon oranı ChatGPT-4 ile %58, Llama 2 ile %88 olarak ölçülmüştür. Aynı çalışma iki ek bulgu verir: modeller kullanıcının hatalı hukuki varsayımlarını eleştirmeden kabul eder ve kendi kesinlik düzeylerini doğru tahmin etmekte zorlanır. İkincisi doğrudan avukatı ilgilendirir, çünkü kendinden emin ton doğruluk hakkında hiçbir bilgi taşımaz.

Hukuka özel araçlar için: Magesh, Surani, Dahl, Suzgun, Manning ve Ho’nun çalışmasında dört kategoride 202 sorgu kullanılmıştır. Halüsinasyon tanımı, cevabın ya yanlış olması ya da yanlış temellendirilmesidir; yani doğru bir ifadenin onu desteklemeyen bir kaynağa atfedilmesi de halüsinasyon sayılmıştır. Değerlendiriciler arası uyum yüzde 85,4, Cohen kappa 0,77’dir.

Bu tablo iki yönde okunmalıdır. Bir yönde: hukuka özel külliyat, halüsinasyonu genel amaçlı sohbet botlarına kıyasla belirgin biçimde azaltmaktadır. Diğer yönde: ortadan kaldırmamaktadır ve bu, tedarikçilerin “halüsinasyonsuz” pazarlamasını doğrudan çürütür. Yazarların kendi çerçevesi budur.

Üç çekince zorunludur. Test edilen araçlar 2024 sürümleridir ve o tarihten bu yana değişmiş olabilirler. Tedarikçiler metodolojiye itiraz etmektedir. Ve en önemlisi, Türkçe hukuk yapay zekası araçları için eşdeğer, yayımlanmış, bağımsız bir çalışma yoktur. Bir Türk ürününün halüsinasyon oranı hakkında bugün elinizde yalnızca tedarikçinin kendi beyanı vardır.

Bir tedarikçinin “Türk hukukuna özel” iddiasını nasıl test edersiniz?

Tek bir demo sorusuyla test edersiniz: kendi kapattığınız bir dosyadaki, cevabını zaten bildiğiniz bir hukuki soruyu sorun ve künyeleri açın. Ama satın alma görüşmesinde sormanız gereken sorular bunun ötesindedir ve hepsi kaynak etrafında toplanır.

Bu tablodaki en ayırt edici satır sonuncudan bir öncekidir. “Sıfır hata” iddiası, kategorideki en güvenilmez cevaptır. Hiçbir ticari sistemin hukuki sorgularda sıfır halüsinasyon oranına ulaştığına dair yayımlanmış kanıt bulunmaması bir yana, bu iddianın kendisi kullanıcı davranışını bozar. Kendi müşteri görüşmelerimizde bir kullanıcı, bir ürünün “sıfır hata” iletişimine güvenerek çıktıları teyitsiz kullandığını beyan etmiştir. Bir başkası, halüsinasyonla hiç karşılaşmadığı için kararları artık kontrolsüz kullandığını söylemiştir. Bu beyanlar kontrollü ölçüm değildir, ancak otomasyon yanlılığının nasıl oluştuğunu göstermeleri bakımından değerlidir.

“Türk hukukuna özel” iddiası ne zaman pazarlamadır?

Üç işaret vardır. Birincisi, ürün kaynak göstermiyor veya yalnızca cevabın sonunda kaynak listesi veriyorsa iddia temellendirme değil, dekorasyondur. İkincisi, tedarikçi külliyatın son güncelleme tarihini söyleyemiyorsa iddia denetlenemez. Üçüncüsü, ürün her soruya cevap veriyor ve hiçbir zaman “bu konuda külliyatımda yeterli kaynak yok” demiyorsa, sistem çekinme davranışı için hiç ayarlanmamış demektir ve çekinmeyen bir sistem bilmediğini uydurur.

Buna karşılık, iddianın gerçek olduğunu gösteren işaret tek başına ürünün doğru cevap vermesi değildir. Doğru cevap veren bir sistem şanslı da olabilir. İddianın gerçek olduğunu gösteren işaret, yanlış cevabın hızla yanlışlanabilmesidir. Kaynak bağlantılı bir çıktıda her iddia için bağlantıyı açar ve kaynağın onu söyleyip söylemediğine bakarsınız; iddia saniyeler içinde yanlışlanabilir hâle gelir. Özet çıktıda ise her önerme bir tahmindir, tıklanacak bir şey yoktur ve doğrulama maliyeti tüm soruyu baştan araştırmaktır. Aradaki fark, aracın avukata değer katıp katmadığının tek dürüst ölçüsüdür.

Ürün seçimindeki tam ölçüt listesi kümedeki seçim rehberinde, alanın genel görünümü ise avukatlar için yapay zeka rehberinde yer almaktadır.

Sık Sorulan Sorular

Bir model Türkçe cevap veriyorsa Türk hukukunu biliyor mudur?

Hayır. Türkçe üretim, dil modelinin eğitim verisinde yeterli Türkçe metin bulunmasının sonucudur; Türk mevzuatına ve içtihadına erişimin sonucu değildir. Türk hukukuna özel olma iddiası, tanımlı bir külliyat, o külliyattan belge getiren bir arama katmanı ve her önermeyi getirilen belgeye bağlayan bağlantılar gerektirir.

RAG kullanan bir araç künye uydurur mu?

Uydurabilir, ama frekansı düşer. RAG künyeyi modelin belleğinden yeniden kurmak yerine bağlam penceresine koyduğu için keyfî olgu üretme baskısı azalır. Buna karşılık dört ayrı kırılma noktası kalır: getirme başarısızlığı, yanlış temellendirme, bozulmuş içtihat ve yanlış öncüle uyum. Stanford ölçümündeki %17 ila %33’lük artık oran bu kırılmalardan gelmektedir.

En tehlikeli hata türü hangisidir?

Yanlış temellendirme. Künye gerçektir, bağlantı çalışır, açtığınızda gerçek bir karar görürsünüz; ama o karar sistemin ileri sürdüğü önermeyi desteklemez. Künye kontrolü bu hatayı yakalamaz. Yakalayan tek şey, bağlantıyı açıp ilgili pasajı okumaktır.

Türkçe araçların doğruluğu ölçüldü mü?

Yayımlanmış, bağımsız, hakemli bir ölçüm tespit edilememiştir. Stanford ekibinin Amerikan araçları için yaptığı türden bir çalışmanın Türkçe eşdeğeri bulunmamaktadır. Bu, Türk ürünlerinin kötü olduğu anlamına gelmez; ölçülmediği anlamına gelir. Satın alma kararında bu ikisi aynı şey değildir.

Külliyat güncelliği neden bu kadar önemli?

Çünkü temellendirme yalnızca külliyatta olanı kapsar, ama sistem külliyatın dışındaki konularda da cevap verir. Külliyatı belirli bir tarihte donmuş bir sistem, o tarihten sonraki mevzuat değişikliğini ve içtihat dönüşünü göremez ve bunu size söylemez. Güncelleme tarihi sorulmadığında bu risk görünmez kalır.

Tedarikçi “sıfır halüsinasyon” diyorsa ne yapmalı?

İddianın nasıl ölçüldüğünü sorun. Hiçbir ticari sistemin hukuki sorgularda sıfır halüsinasyon oranına ulaştığına dair yayımlanmış kanıt yoktur. Ayrıca bu iddia kullanıcı davranışını bozar: kendi müşteri görüşmelerimizde bir kullanıcı, “sıfır hata” iletişimine güvenerek çıktıları teyitsiz kullandığını beyan etmiştir. Bu beyanlar kontrollü ölçüm değildir.

Yapay zekanın verdiği künyeyi nereden doğrulamalıyım?

Aracın kendi listesinden değil, resmî bir kaynaktan. Türkiye’de Kızılcahamam vakasında uydurma künyeleri tespit eden araç UYAP olmuştur. Doğrulama, aracın gösterdiği bağlantıya bakmakla değil, belgeyi açıp iddia edilen pasajı okumakla tamamlanır.

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 Ağustos 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, C.22 (2025), s.216-242. reglab.stanford.edu (Erişim: 20 Ağustos 2026)
3. Kalai, A. T., Nachum, O., Vempala, S., Zhang, E. ve diğerleri, “Why Language Models Hallucinate”, 5 Eylül 2025, arXiv:2509.04664. openai.com (Erişim: 20 Ağustos 2026)
4. Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S. ve Kiela, D., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, NeurIPS 2020, arXiv:2005.11401. arxiv.org (Erişim: 20 Ağustos 2026)
5. “TBB Yapay Zeka ve Avukatlık Çalıştayı Tamamlandı”, Hukuki Haber, 15.02.2026. hukukihaber.net (Erişim: 20 Ağustos 2026)
6. “Dilekçedeki yapay zeka detayı 25 yıllık avukatı yaktı”, Sözcü, 18.06.2026. sozcu.com.tr (Erişim: 20 Ağustos 2026)
7. “Yapay zekâ Yargıtay künyelerini uydurdu, avukat soruşturmalık oldu: Keşke yararlanmasaydım, şaka konusu oldum!”, T24, 18.06.2026. t24.com.tr (Erişim: 20 Ağustos 2026)
8. Charlotin, D., “AI Hallucination Cases” veritabanı; 19.08.2026 itibarıyla 48’den fazla ülkeden 1.934 karar. damiencharlotin.com (Erişim: 20 Ağustos 2026)
9. Hammurabi Müşteri ROI Araştırma Raporu, 10 Temmuz 2026 (dahili). Görüşme dönemi 4-9 Temmuz 2026, 30 görüşme, 29 analiz edilebilir. Beyanlar müşteri bildirimine dayalıdır; kontrollü önce ve sonra ölçümü değildir.

Son güncelleme: 20 Ağustos 2026

---

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