Etik yapay zekâ tartışmalarının büyük çoğunluğu hâlâ yanlış bir yerde takılı: politika belgelerinde. Şirketler ‘şeffaflık’, ‘adillik’, ‘hesap verebilirlik’ başlıklı belgeleri hazırlıyor, imzalıyor, intranetlere yüklüyor — ve oradan hiç inmiyor. Bu makale şunu savunuyor: etik yapay zekâ, değerler listesiyle değil, bir kararı durduracak yetkiyle donanmış insanın kurumsal hiyerarşiye yerleştirilmesiyle başlar. Bu farkı uygulamaya taşımayan şirket, kâğıt üstünde etik; sahada kör bir sistemi işletiyor demektir. Bu tartışmalı bir konum — çünkü pek çok yönetici belgeyi yaptırımla eş tutuyor. Ama 2026’nın Türkiye’sinde, AI ajanlarının hasar tespitinden kredi skorlamaya, hasta triajından personel değerlendirmesine kadar uzandığı bu evrede, ‘ilke sahibi olmak’ ile ‘ilkeyi uygulamak’ arasındaki mesafe artık bir hukuki risk.Ankara’da 312 çalışanı olan orta ölçekli bir sigorta şirketini düşünün. Geçen yıl devreye aldıkları RAG tabanlı hasar değerlendirme ajanı, dosyaları ortalama 6 saatte inceleyip eksper önerisini hazırlıyor; insanın aynı iş için harcadığı ortalama süre ise 3 iş günüydü. Verimlilik tartışılmaz. Peki bu ajan hangi gerekçeyle bir talebi düşük önceliğe alıyor? Hangi veri noktası kararı etkiliyor? Sistemi işleten ekip bu soruları açıkça yanıtlayamıyor — çünkü modelin çıktısı var, ama kararın izlenebilir gerekçesi yok. EU AI Act’ın yüksek riskli AI sistemi tanımına giren bu uygulama, Nisan 2024’te kabul edilen yasa çerçevesinde artık belgelenmiş bir risk yönetim planı gerektiriyor. ‘Etik ilkelerimiz var’ demek bu yükümlülüğü karşılamıyor.İşte tam bu noktada ikilem başlıyor: kurumlar ya etik ilkeleri yazılı politika olarak tutar — görünür, sembolik, denetim kolayı — ya da bu ilkeleri insan onayı mekanizması, denetim kaydı ve ölçülebilir müdahale noktası olarak süreçlere gömer. İkisi aynı şey değil. Birincisi uyumu simüle eder; ikincisi uyum üretir. Türkiye’de KVKK’nın 12. maddesi veri güvenliği için teknik ve idari tedbirleri zorunlu kılıyor — bu yükümlülük yapay zekâ sistemlerine de doğrudan uzanıyor. Bir AI ajanı kişisel veriyi işliyorsa, hangi veriye dokunduğu, kimin onayıyla çalıştığı ve hangi koşulda insan müdahalesini tetiklediği belgelenmiş olmalı. ‘Güvenli model seçtik’ bu belgelemenin yerini tutmuyor. Hem de KVKK’nın bu alandaki denetim kapasitesinin 2025 sonrasında kayda değer biçimde güçlendiğini hesaba katarsak.Etik yapay zekâyı süreçlere gömmek için pratik ve ölçülebilir üç mekanizma var. Birincisi insan-onayı eşiği: her AI sistemi için hangi kararların otomatik yürütüleceği, hangilerinin insan onayına sunulacağı yazılı olarak tanımlanmalı. Bu eşik risk düzeyine göre belirlenir — kişisel veriyi, finansal sonucu veya sağlık kararını etkileyen çıktılar kural olarak insan gözden geçirmesine tabi tutulmalı. Ankara’daki sigorta örneğine dönersek: 100.000 TL üzerindeki hasar tespitleri eksper onayı olmadan kesinleşmemeli. Bu bir tercih değil, sistem tasarımının zorunlu bir parçası. İkincisi karar izlenebilirliği: modelin her anlamlı çıktısı için ‘neden bu karar?’ sorusuna yanıt veren bir kayıt katmanı kurulmalı. LLM tabanlı sistemlerde bu tam anlamıyla mümkün olmayabilir; bu durumda kararı etkileyen veri noktaları ve ağırlıklandırmaları en azından dış katmanda loglanmalı. Üçüncüsü yanlılık denetimi: modelin farklı demografik gruplara, bölgelere veya müşteri segmentlerine farklı biçimde davranıp davranmadığı belirli aralıklarla test edilmeli. Bu testi kim yapacak, hangi periyotta, sonuç kim tarafından onaylanacak — bunlar belgede değil, takvimde yer almalı.Peki bu mekanizmalar ne zaman işe yaramaz? İki koşulda. Pertama, insan onayı adımı formüle dönüştüğünde: sistem öneri üretiyor, insan sadece ‘onayla’ tuşuna basıyor, gerçek bir değerlendirme yapmıyor. Bu durumda mekanizma var, ama işlevini yerine getirmiyor — ‘onay yorgunluğu’ olarak bilinen bu örüntü, kritik hatları boşa çıkarıyor. İkincisi, yanlılık denetimi yalnızca model çıktısı üzerinde yapılıyor, eğitim verisi kalitesi sorgulanmıyorsa: modelin doğruluğu iyi görünürken belirli segmentlerde sistematik hata üretmesi mümkün. Çanakkale’deki bir tarım kredi kurumunun bölgesel köy bazlı veri setiyle eğittiği modelin şehir içi esnaf için yanlış skor ürettiği vakalar bu kategoriye giriyor. Mekanizma var, ama temeldeki veri kalitesi sorunu görünmez kalıyor.Nasıl ölçersiniz? Üç gösterge yeterince iyi bir başlangıç noktası sunar: insan onayı adımında ortalama inceleme süresi — bu süre 30 saniyenin altındaysa gerçek değerlendirme yapılmıyor olabilir; müdahale oranı — insan onayı mekanizmasının devrede olduğu kararların kaçta kaçı değiştiriliyor, bu oran sıfıra yakınsa mekanizma dekoratif; ve yanlılık denetim döngüsü tamamlanma oranı — planlanan testlerin kaçı zamanında yapılıp raporlandı. Bu üç metriği düzenli izleyen bir şirket, etik AI tartışmasını kağıttan sahanın orta yerine taşıyor demektir. Politika belgesi hâlâ gerekli — ama başlangıç noktası değil, zemin katı. Asıl yapı onun üstüne, mekanizmalarla örülüyor. Ankara’daki sigorta şirketinin eksperlik ekibi bu soruları sormaya başlayana kadar hasar ajanı çalışmaya devam etti — ama o soruların sormaya başlandığı an, şirketin gerçek yönetişim yolculuğunun da başladığı andı.