BDDK ve SPK Yapay Zeka Beklentilerini LLM Kontrollerine Bağlamak
Finansal kuruluşlar için madde↔teknik kontrol haritası
Türkiye'de bankacılık ve sermaye piyasalarında yapay zekaya özel bir yönetmelik henüz hazırlık aşamasında; ancak mevcut bilgi sistemleri, dış hizmet alımı ve model riski hükümleri LLM tabanlı sistemleri bugünden bağlıyor. Bu makale, o hükümleri somut teknik kontrollere eşleyen bir uygulama haritası sunuyor.
AI uyum kontrol haritası nedir?
Finansal AI uyum kontrol haritası, bir bankanın veya sermaye piyasası kurumunun tabi olduğu mevcut düzenleyici hükümleri (bilgi sistemleri, dış hizmet alımı, iç kontrol, model riski) alıp, bunların büyük dil modeli (LLM) tabanlı sistemlerde hangi somut teknik ve organizasyonel kontrolle karşılandığını satır satır gösteren eşleme belgesidir. Amaç, soyut bir mevzuat özeti üretmek değil; her düzenleyici beklentiyi denetlenebilir bir kanıta — bir log kaydına, bir validasyon raporuna, bir insan onay adımına — bağlamaktır.
Bu yaklaşım gereklidir çünkü LLM'ler klasik yazılımdan üç noktada ayrışır: davranışları olasılıksaldır (aynı girdi farklı çıktı üretebilir), girdi yüzeyi doğal dildir (dolayısıyla prompt injection gibi yeni saldırı vektörleri açar) ve model çoğunlukla dış bir sağlayıcıdan hizmet olarak alınır. Bu üç özellik, mevcut bilgi sistemleri hükümlerini geçersiz kılmaz; aksine onları LLM bağlamına taşıyacak yeni kontrol tasarımı gerektirir.
Not: Bu makale, Türkçe kaynaklarda az işlenen bir katmana odaklanır. Genel düzenleme envanteri için Türkiye yapay zeka düzenlemeleri 2026 yazımıza; finansal sektöre özgü tehdit modeli için finans sektörü AI tehditleri yazımıza bakabilirsiniz. Buradaki odak, o çerçeveyi tekrar etmek değil, hükümleri uygulanabilir kontrollere indirmektir.
Düzenleyici zemin: mevcut mevzuat ve hazırlanan çerçeve
2026 itibarıyla tablo iki katmandan oluşur. Birinci katman bugün yürürlükte olan mevzuattır: BDDK'nın 2020'de yayımladığı Bankaların Bilgi Sistemleri ve Elektronik Bankacılık Hizmetleri Hakkında Yönetmelik, dış hizmet alımına ilişkin hükümler ve bankaların iç sistemler/iç kontrol çerçevesi. Bu metinler yapay zeka kelimesini merkeze almaz; ancak "bilgi sistemi", "dış hizmet" ve "model" tanımları teknoloji-nötr olduğu için LLM tabanlı sistemleri kapsar. Yani AI'ya özel bir madde beklemeden, bir bankanın çağrı merkezi asistanı veya kredi ön-değerlendirme modeli bu hükümlerin denetim alanındadır.
İkinci katman hazırlık aşamasındaki düzenlemedir. Sektör basınında yer alan bilgilere göre BDDK, bankalara özel bir yapay zeka düzenlemesi üzerinde çalışmakta; gündemde model riski, stres testi, model validasyonu, insan kontrolü ve KVKK sınırı gibi başlıklar bulunmaktadır. Bu metin henüz yayımlanmadığı için bu makale, yayımlanmış bir "AI yönetmeliği" varmış gibi davranmaz; hazırlık başlıklarını mevcut mevzuatın mantıksal uzantısı olarak okur.
SPK tarafında ise AI'ya özel yayımlanmış bir düzenleme bulunmamaktadır. Bu, sermaye piyasası kurumlarının serbest olduğu anlamına gelmez: SPK'nın bilgi sistemleri yönetimi ve iç kontrol/risk yönetimi genel hükümleri, aracı kurumların ve portföy yönetim şirketlerinin kullandığı AI destekli sistemleri de kapsar. Dolayısıyla SPK için kontrol haritası, AI-özel bir metinden değil, genel bilgi sistemleri ve iç kontrol beklentilerinden türetilir.
Bilgi sistemleri hükümleri ↔ LLM kontrolleri
Aşağıdaki tablo, Bankaların Bilgi Sistemleri Yönetmeliği'nin kavramsal alanlarını LLM tabanlı bir sistemde karşılık gelen teknik kontrole eşler. Tabloda somut madde numarası vermekten kaçınılmıştır; her satır, yönetmeliğin tematik yükümlülük alanına referans verir ve kurum kendi hukuk biriminin madde eşlemesiyle birlikte kullanmalıdır.
| Düzenleyici yükümlülük alanı | LLM sistemindeki teknik/organizasyonel kontrol | Denetim kanıtı |
|---|---|---|
| İz kayıtları ve loglama | Her prompt, model çıktısı, sistem promptu sürümü ve karar için değiştirilemez (tamper-evident) kayıt; kişisel veri içeren alanlarda maskeleme | Zaman damgalı, imzalı log arşivi; saklama süresi politikası |
| Erişim yönetimi ve yetkilendirme | Model uç noktalarına ve vektör veritabanına rol tabanlı erişim; kiracı (tenant) izolasyonu; en az yetki prensibi | Erişim matrisi, RAG kiracı izolasyon testleri |
| Veri sınıflandırma ve gizlilik | Girdi/çıktıda PII tespiti ve maskeleme; sınıflandırılmış verinin modele gitmeden önce filtrelenmesi | Maskeleme kural seti, sızıntı test raporları |
| Sızma testi ve güvenlik değerlendirmesi | LLM'e özgü kırmızı takım testleri: prompt injection, sistem promptu sızdırma, jailbreak dayanıklılığı | Periyodik red-team bulgu raporu |
| İş sürekliliği ve dayanıklılık | Model sağlayıcı kesintisinde yedek sağlayıcı/geri düşüş; guardrail devre dışı kalırsa güvenli-durma | Sürdürülebilirlik senaryosu ve tatbikat kaydı |
Buradaki kritik nokta, iz kaydı yükümlülüğünün LLM bağlamında genişlemesidir: klasik bir işlem kaydı "kim, ne zaman, ne yaptı" iken; LLM kaydı buna "hangi prompt, hangi model sürümü, hangi çıktı, hangi guardrail kararı" katmanını ekler. Bu ayrıntı olmadan bir olay sonrası inceleme (bkz. AI olay müdahale playbook'u) yapılamaz.
Dış hizmet alımı ↔ LLM/API tedarik zinciri
Bankaların büyük çoğunluğu LLM'i kendi eğitmez; bir bulut sağlayıcının API'sini veya barındırılan bir modeli kullanır. Bu, dış hizmet alımı hükümlerini doğrudan devreye sokar. Dış hizmet alımı çerçevesinin özü — hizmet sağlayıcının denetlenebilirliği, verinin yurt dışına akışının kontrolü, hizmet seviyesi ve sonlandırma güvenliği — LLM sağlayıcıları için aynen geçerlidir.
| Dış hizmet alımı beklentisi | LLM/API karşılığı |
|---|---|
| Hizmet sağlayıcının denetlenebilirliği | Sağlayıcının güvenlik sertifikaları, veri işleme sözleşmesi, alt-yüklenici zinciri şeffaflığı |
| Verinin yurt içinde tutulması / sınır ötesi akış kontrolü | Prompt ve çıktıların hangi bölgede işlendiği; eğitim/geri besleme için kullanılıp kullanılmadığı; yerinde (on-prem) veya yurt içi barındırma seçeneği |
| Hizmet sürekliliği ve çıkış stratejisi | Sağlayıcı bağımlılığını azaltan soyutlama katmanı; modelden bağımsız guardrail; sağlayıcı değişiminde davranış regresyon testi |
| Alt tedarik zinciri riski | Açık kaynak model ve ağırlık provenansı; model imzalama; kötücül model/veri seti taraması |
Sınır ötesi akış maddesi bankalar için en sık takılan noktadır: bulut tabanlı bir LLM'e gönderilen her prompt potansiyel bir veri aktarımıdır. Bu nedenle prompt'ların modele ulaşmadan önce KVKK kapsamındaki alanlardan arındırılması, hem KVKK hem de dış hizmet alımı yükümlülüğünü aynı anda karşılayan bir kontroldür. Tedarik zinciri tarafında ise açık kaynak model kullanımı, model hub tedarik zinciri riskleri ve model imzalama/provenans pratikleriyle yönetilmelidir.
Model riski ↔ validasyon, stres testi ve insan onayı
Bankacılıkta model riski yönetimi yeni değildir; kredi skorlama ve piyasa riski modelleri onlarca yıldır bağımsız validasyondan geçer. Hazırlanan AI düzenlemesinin gündemindeki başlıklar da (model validasyonu, stres testi, insan kontrolü) bu köklü disiplinin LLM'lere taşınmasıdır. Fark şudur: klasik bir istatistiksel model belirlenimci ve açıklanabilirken, LLM olasılıksal ve büyük ölçüde opaktır. Bu, validasyonun içeriğini değiştirir.
| Model riski beklentisi | LLM'e özgü uygulama |
|---|---|
| Bağımsız model validasyonu | Geliştiriciden ayrı bir ekibin çıktı doğruluğu, halüsinasyon oranı ve güvenlik davranışını değerlendirmesi; üreten ile yargılayan rollerinin ayrılması |
| Stres testi | Sıra dışı, çekişmeli (adversarial) ve dilsel olarak zorlayıcı girdilerle davranış testi; Türkçe morfolojik varyasyon ve dil-karıştırma senaryoları |
| Sürekli izleme | Model sürüm yükseltmelerinde davranış regresyonu takibi; güvenlik davranışının zaman içinde bozulmadığının doğrulanması |
| İnsan kontrolü / insan-döngüde | Yüksek etkili kararlarda (kredi reddi, işlem bloke, müşteri tebligatı) zorunlu insan onay adımı; modele son kararı bırakmama |
Stres testi maddesi Türkçe bağlamda özel önem taşır. AltaySec'in kendi ölçümü olan AltayDuel Türkçe prompt injection verisinde, aynı saldırının Türkçe varyantının İngilizce'ye göre daha yüksek oranda savunmayı aştığı gözlemlenmiştir; bu AltaySec'in kendi arena ölçümüdür, dış genel bir gerçek değildir. Dolayısıyla yalnızca İngilizce jailbreak setleriyle yapılan bir stres testi, Türkiye'de faaliyet gösteren bir bankanın gerçek risk yüzeyini eksik ölçer. Model validasyonu ve stres testinin metodolojisi için AI kırmızı takım yazımıza bakılabilir.
SPK tarafı: bilgi sistemleri ve iç kontrolden türetme
Sermaye piyasası kurumları için AI'ya özel yayımlanmış bir SPK düzenlemesi bulunmadığından, kontrol haritası genel hükümlerden türetilir. Aracı kurumların, portföy yönetim şirketlerinin ve yatırım kuruluşlarının tabi olduğu bilgi sistemleri yönetimi, iç kontrol ve risk yönetimi beklentileri, robo-danışmanlık, otomatik emir yönlendirme veya müşteri iletişimi için kullanılan LLM'leri de kapsar.
Pratikte bu, üç kontrolü öne çıkarır. Birincisi, algoritmik/AI destekli kararların iz kaydı ve geri izlenebilirliği: bir yatırım tavsiyesi veya emir üreten sistemin çıktısı, gerekçesiyle birlikte kayıt altında olmalıdır. İkincisi, çıkar çatışması ve manipülasyon kontrolü: bir LLM'in yanıltıcı ya da yönlendirilmiş çıktı üretmediğinin doğrulanması. Üçüncüsü, müşteri verisinin korunması: yatırımcı bilgisinin modele akışının KVKK ve sır saklama yükümlülükleriyle uyumu. Uydurma madde numarası vermek yerine, kurumun mevcut bilgi sistemleri denetim çerçevesini LLM envanteriyle eşleştirmesi önerilir.
Teknik karşılıklar ve uygulama sırası
Yukarıdaki tüm eşlemeler, sınırlı sayıda çekirdek teknik kontrolde toplanır. Bir finansal kuruluş bunları uygularsa, hem yürürlükteki hükümleri hem de hazırlanan çerçevenin muhtemel beklentilerini büyük ölçüde karşılar:
- Model önü/sonrası denetim katmanı (AI firewall). Girdiyi modele ulaşmadan, çıktıyı kullanıcıya ulaşmadan denetleyen ara katman; prompt injection filtreleme, PII maskeleme ve politika uygulaması burada yapılır. Seçim kriterleri için AI firewall seçim rehberi ve LLM firewall nedir yazılarına bakılabilir.
- Çalışma zamanı guardrail'leri. Çıktı politikası, ton, yasak konu ve halüsinasyon kontrolünü uygulamada uygulayan çalışma zamanı korumaları; guardrail devre dışı kalırsa güvenli-durma davranışı.
- Kapsamlı loglama ve saklama. İz kaydı yükümlülüğünü karşılayan, maskelenmiş ve değiştirilemez çıktı arşivi.
- İnsan-döngüde onay. Yüksek etkili kararlarda modele son sözü bırakmayan zorunlu onay.
- Periyodik red-team ve model validasyonu. Türkçe dahil çekişmeli test ve bağımsız değerlendirme.
AltaySec'in LLM güvenlik duvarı ürünü Guardian, bu haritadaki model-önü/sonrası denetim, PII maskeleme, çıktı loglama ve politika uygulaması katmanlarını tek noktada karşılamak üzere tasarlanmıştır; bir bankanın mevcut bilgi sistemleri denetim çerçevesine kanıt üreten bir bileşen olarak yerleşir. Kurumunuzun düzenleyici madde↔kontrol eşlemesini birlikte çıkarmak için iletişime geçebilirsiniz. Not: Bu makale hukuki görüş değildir; nihai madde eşlemesi kurumun hukuk ve uyum birimiyle doğrulanmalıdır.
Kaynaklar
- Bankaların Bilgi Sistemleri ve Elektronik Bankacılık Hizmetleri Hakkında Yönetmelik (Resmî Gazete, 15 Mart 2020)
- BDDK - Mevzuat (Bankacılık Düzenleme ve Denetleme Kurumu)
- OWASP Top 10 for Large Language Model Applications
- NIST AI Risk Management Framework (AI RMF 1.0)
- NIST AI 600-1: Generative AI Profile