Yapay Zeka Güvenlik Bütçesi 2026: LLM Güvenliğine Ne Kadar Ayırmalı?
6 kalemlik bütçe çerçevesi, örnek aralıklar ve öncelik sırası
Yapay zeka güvenlik bütçesi, kurumların LLM ve yapay zeka ajanı dağıtımlarını güvence altına almak için ayırdığı yıllık kaynaktır. Bu rehber, harcamayı altı adlandırılmış kaleme bölen bir çerçeve, her kalem için örnek aralık ve "önce hangisine para" sorusunun yanıtını sunar.
Yapay zeka güvenlik bütçesi nedir?
Yapay zeka güvenlik bütçesi, bir kurumun büyük dil modeli (LLM) ve yapay zeka ajanı içeren ürün ve iş akışlarını güvence altına almak için bir mali yıl boyunca ayırdığı kaynağın tamamıdır. Geleneksel siber güvenlik bütçesinden ayrışır; çünkü korunan varlık statik bir sunucu ya da ağ değil, doğal dille manipüle edilebilen, karar üreten ve dış araçları tetikleyen bir modeldir. Bu nedenle harcama kalemleri ağ güvenliği duvarından çok, girdi-çıktı denetimi, veri sızıntısı önleme ve model davranışının test edilmesi etrafında toplanır.
Pratikte soru "LLM güvenliğine ne kadar ayırmalıyım?" olarak sorulur, ama bu sorunun tek bir doğru rakamı yoktur. Doğru soru şudur: hangi kaleme, hangi sırayla ve hangi risk gerekçesiyle. AltaySec olarak bu rehberde harcamayı altı adlandırılmış kaleme bölen bir çerçeve öneriyoruz; böylece bütçe kalemi "yapay zeka güvenliği" gibi tek ve ölçülemez bir satır olmaktan çıkıp, her biri ayrı ayrı gerekçelendirilebilen ve önceliklendirilebilen bir yapıya dönüşür.
Türkçe kaynaklarda AI güvenlik bütçesini kalem kalem ele alan içerik neredeyse yok. Bu rehber, savunulabilir bir başlangıç çerçevesi olarak konumlanır; kesin fiyat listesi olarak değil.
2026'da bütçeyi zorlayan yeni yükümlülük
2026 bütçesini önceki yıllardan ayıran somut bir düzenleyici baskı var. EU AI Act Madde 50 (şeffaflık yükümlülükleri) 2 Ağustos 2026 itibarıyla uygulanmaya başlıyor. Bu madde, yapay zekayla etkileşen kullanıcıların bunu bilmesini, sentetik içeriğin (metin, görsel, ses) makine tarafından üretildiğinin işaretlenmesini ve belirli yapay zeka sistemlerinin varlığının açıkça bildirilmesini zorunlu kılıyor. İhlal halinde öngörülen idari para cezası 15 milyon avroya kadar veya küresel yıllık cironun %3'üne kadar çıkabiliyor.
Bu tarih, yapay zeka güvenlik bütçesini teorik bir tercih olmaktan çıkarıp planlama zorunluluğuna dönüştürüyor. AB pazarına ürün ya da hizmet sunan Türkiye merkezli kurumlar da bu kapsamda; çünkü yükümlülük, sistemin nerede geliştirildiğine değil, çıktının AB'deki kişilere ulaşıp ulaşmadığına bakıyor. Şeffaflık işaretlemesi, içerik köken (provenance) etiketleme ve bunun denetlenebilir kaydını tutma; aşağıdaki çerçevede uyum ve denetim kalemine doğrudan bütçe akıtıyor.
Bu düzenlemenin Türkiye'deki karşılığı ve yerel yükümlülükler için EU AI Act uyum rehberi ve Türkiye yapay zeka düzenlemeleri 2026 yazılarımıza bakılabilir.
AltaySec 6 kalemlik bütçe çerçevesi
Aşağıdaki çerçeve bir sektör standardı değil; AltaySec'in saha deneyimi ve kurumsal fiyatlandırma çalışmalarından türetilmiş bir başlangıç taksonomisidir. Tablodaki TL aralıkları da piyasa verisi ya da resmi tarife değil, kurucu tahmini örnek aralıklardır; kurum ölçeği, model sayısı, self-host/API tercihi ve risk sınıfına göre ciddi biçimde değişir. Bu aralıklar, iç kurumsal fiyat-aralığı çalışmamızdan (anonim aralıklar) yola çıkarak yalnızca büyüklük mertebesi hissi vermek için verilmiştir.
| Kalem | Ne kapsar | Örnek yıllık aralık (kurucu tahmini) |
|---|---|---|
| 1. Ağ geçidi / guardrail | LLM güvenlik duvarı, çalışma zamanı girdi-çıktı denetimi, prompt injection ve jailbreak filtreleme | 150.000 – 900.000 TL |
| 2. Test / red-team | Sızma testi, otomatik red-team, jailbreak taraması, sürüm yükseltme regresyon kontrolü | 100.000 – 600.000 TL |
| 3. Veri maskeleme | PII/KVKK maskeleme, veri sınıflandırma, RAG ve log'larda sızıntı önleme | 80.000 – 400.000 TL |
| 4. Eğitim & okuryazarlık | Geliştirici ve son kullanıcı yapay zeka güvenliği farkındalığı, güvenli prompt pratikleri | 40.000 – 200.000 TL |
| 5. Uyum & denetim | EU AI Act/KVKK uyum, şeffaflık işaretleme, denetim izi, yönetişim dokümantasyonu | 100.000 – 500.000 TL |
| 6. Olay müdahale | Yapay zekaya özgü olay müdahale hazırlığı, playbook, telemetri, tatbikat | 60.000 – 300.000 TL |
Kalem 1'in ne olduğu ve nasıl seçileceği için LLM firewall nedir ve çalışma zamanı LLM guardrail'leri yazıları; Kalem 3 için KVKK ve PII maskeleme yazısı derinlik sağlar.
Önce hangisi? Öncelik sırası
Sınırlı bütçeyle altı kalemin hepsine aynı anda para ayıramayan kurumlar için sorulması gereken tek soru: hangisi en fazla riski, en az parayla kapatıyor? Aşağıdaki sıra, üretim yükü olan ama yapay zeka güvenliğine henüz sistematik bütçe ayırmamış bir kurum için önerdiğimiz varsayılan başlangıçtır.
- Ağ geçidi / guardrail (Kalem 1). Girdi-çıktı denetimi olmadan sistem her promptla açık haldedir. En yüksek etki-maliyet oranı burada; çünkü tek bir denetim katmanı prompt injection, sistem promptu sızdırma ve zararlı çıktının büyük kısmını yakalar.
- Veri maskeleme (Kalem 3). KVKK yükümlülüğü ve sızıntı riski nedeniyle çoğu Türkiye kurumunda bu ikinci sıraya çıkar. Kişisel veri modelin log'una, RAG bağlamına veya çıktısına sızarsa mali ve itibari maliyet, guardrail'den daha büyük olabilir.
- Uyum & denetim (Kalem 5). 2 Ağustos 2026 Madde 50 tarihi nedeniyle AB pazarına dokunan kurumlar için bu kalem 2026'da öne çekilir.
- Test / red-team (Kalem 2). İlk üç katman kurulduktan sonra, gerçekten çalışıp çalışmadığını ölçmek için düzenli test gelir. Guardrail'i test etmeden "korunuyoruz" demek en sık yapılan hatadır.
- Eğitim & okuryazarlık (Kalem 4) ve olay müdahale (Kalem 6). Bunlar sürekli ama görece düşük bütçeli kalemlerdir; teknik katman oturduktan sonra insana ve sürece yatırım yapılır.
Bu sıra bir dogma değil; sağlık, finans, kamu gibi düzenlemesi ağır sektörlerde uyum ve veri maskeleme en başa geçebilir. Sektöre özel önceliklendirme için finans ve sağlık sektörü derinleşmelerine bakılabilir.
Ölçeğe göre bütçe dağılımı
Toplam rakam kadar önemli olan, kalemler arası dağılım oranıdır. Aşağıdaki profiller kesin reçete değil, farklı olgunluk seviyeleri için tipik ağırlıklandırma örnekleridir.
Erken aşama (tek LLM ürünü, pilot)
Bütçenin büyük kısmı Kalem 1 ve 3'e gider. Amaç: temel denetim katmanı ve veri sızıntısı kontrolü. Test genellikle yıllık tek büyük değerlendirmeyle sınırlıdır. Uyum, ürün AB pazarına dokunmuyorsa asgari tutulur.
Büyüyen kurum (birden çok model, gerçek kullanıcı)
Altı kalem de aktifleşir. Test/red-team sürekli hale gelir; sürüm yükseltmelerinin güvenlik regresyonu yaratıp yaratmadığı düzenli ölçülür. Bu aşamada sık gözden kaçan risk için model yükseltme güvenlik regresyonu yazısı önemlidir.
Düzenlemeye tabi büyük kurum (finans, sağlık, kamu, AB pazarı)
Uyum & denetim (Kalem 5) ile olay müdahale (Kalem 6) bütçe içindeki ağırlığını ciddi biçimde artırır. Madde 50 şeffaflık yükümlülüğü, KVKK ve iç denetim gereksinimleri, bu kalemleri artık isteğe bağlı olmaktan çıkarır. Olay müdahale hazırlığı için AI olay müdahale playbook yazısı bir başlangıç şablonu sunar.
Genel kural: yapay zeka güvenliği payını toplam siber güvenlik bütçesinin ayrı bir alt kalemi olarak açıkça izleyin. "BT güvenliği" satırının içine gömülen AI güvenlik harcaması, hem ölçülemez hem de önceliklendirilemez hale gelir.
Bütçe planlamasında sık yapılan hatalar
Saha çalışmalarımızda tekrar eden birkaç kalıp var. Bunlardan kaçınmak, çoğu zaman ek bütçeden daha değerli.
- Guardrail'i kurup test etmemek. Denetim katmanı satın alınır, kutu işaretlenir, ama gerçekten neyi kaçırdığı hiç ölçülmez. AltaySec'in kendi guardrail ölçüm çalışması (guardrail-arena), birçok hazır guardrail'in Türkçe saldırıları İngilizce'ye göre belirgin biçimde daha fazla kaçırdığını gösterdi. Bu, yalnızca AltaySec'in kendi ölçümüdür; ama Türkçe içerik üreten kurumların İngilizce-öncelikli bir guardrail'e körü körüne güvenmemesi gerektiğine işaret eder.
- Aşırı savunmaya bütçe yakmak. Çok agresif filtreleme, meşru kullanıcı isteklerini bloklayarak ürünü kullanılmaz hale getirir. AltaySec'in kendi ölçümlerinde bazı yapılandırmalarda kayda değer bir aşırı-red (over-refusal) oranı gözlemledik. Bütçe yalnızca "ne kadar bloklandığını" değil, "ne kadar yanlış bloklandığını" da ölçmeli.
- Tek seferlik test yanılgısı. Bir kez yapılan red-team, o günkü modele aittir. Model sürümü, sistem promptu veya bağlam değişince güvence eskir. Test bir olay değil, tekrarlayan bir kalemdir.
- Uyumu son ana bırakmak. Madde 50 gibi tarihli yükümlülükler için şeffaflık işaretleme ve denetim izi altyapısı, tarih geldiğinde bir gecede kurulamaz. 2026 bütçesi bunu önceden planlamalı.
Nasıl başlamalı?
Yapay zeka güvenlik bütçesini planlarken sabit bir yüzde ya da rakam aramak yerine üç adımlı bir yol öneriyoruz. Birincisi, mevcut LLM ve ajan varlıklarınızın envanterini çıkarın: kaç model, hangi verilere erişiyor, hangileri AB pazarına dokunuyor. İkincisi, bu envanteri altı kaleme karşı eşleyin ve her kalemde bugün ne olduğunu (var/yok/kısmi) işaretleyin. Üçüncüsü, yukarıdaki öncelik sırasına göre en büyük açığı en az parayla kapatan kalemden başlayın.
Çoğu kurum için ilk somut adım, üretimdeki modelin önüne bir denetim katmanı koymaktır. AltaySec Guardian, tam da bu ilk kalemi — LLM güvenlik duvarı ve çalışma zamanı guardrail'i — Türkçe saldırı kalıplarına duyarlı biçimde ele almak için tasarlandı. Kurumunuza özgü bütçe dağılımını ve öncelik sırasını konuşmak için bizimle iletişime geçebilirsiniz.
Bütçe bir tablo değil, bir karar sırasıdır: neyi, hangi gerekçeyle, hangi sırayla korumaya para ayırdığınızı yazılı hale getirdiğiniz anda, "yapay zeka güvenliğine ne kadar ayırmalı?" sorusu ölçülebilir bir plana dönüşür.