Güvenlik Odaklı Yapay Zekâ Kullanım Politikası Şablonu
KVKK, Shadow AI ve prompt injection maddeleriyle indirilebilir iskele

Yapay zekâ kullanım politikası şablonu nedir?

Yapay zekâ kullanım politikası şablonu, bir kurumdaki çalışanların üretken yapay zekâ araçlarını (ChatGPT, Copilot, Gemini, kurum içi asistanlar) hangi verilerle, hangi amaçlarla ve hangi sınırlar içinde kullanabileceğini tanımlayan; ihlal durumunda uygulanacak yaptırımları ve sorumluları belirleyen, doldurmaya hazır bir iç düzenleme taslağıdır. Amaç, her ekibin sıfırdan kural yazmasını beklemek yerine, kurumun kendi araç listesine ve veri sınıflandırmasına göre uyarlayabileceği bir iskelet sunmaktır.

Piyasada bu tür şablonların insan kaynakları ve hukuk sürümleri hâlihazırda mevcut: örnek politika PDF'leri, doldurulabilir tablolar ve danışmanlık firmalarının yorum yazıları dolaşımda. Bu makalenin farkı, aynı dokümanı bir güvenlik dokümanı olarak ele almasıdır: politikayı yalnızca "gizli veri yüklemeyin" cümlesiyle bırakmak yerine, veri sınıfı bazlı araç izinleri, dolaylı komut enjeksiyonu farkındalığı ve telemetri maddeleriyle somutlaştırır. Kurumsal ChatGPT kullanımının hukuki ve operasyonel çerçevesini ayrıca kurumsal ChatGPT güvenlik rehberimizde ele almıştık; buradaki şablon o çerçevenin uygulanabilir metin hâlidir.

Neden genel bir HR şablonu yetmez?

Standart bir yapay zekâ politikası genellikle üç cümleye dayanır: "Onaylı araçları kullanın", "Gizli veri paylaşmayın", "Çıktıları doğrulayın". Bu iyi niyetli ama uygulanamaz bir çerçevedir, çünkü bir çalışanın "gizli veri" kavramını nasıl yorumlayacağını, hangi aracın "onaylı" olduğunu ve ihlalin nasıl tespit edileceğini boş bırakır.

Güvenlik merceği bu boşlukları dört noktada kapatır:

• Veri sınıfı bazlı izin: "Gizli veri paylaşmayın" yerine, hangi veri sınıfının hangi araçta işlenebileceğini tablo hâlinde tanımlar.
• Girdi tehdidi: Yalnızca çalışanın yazdığı komutu değil, belgeye, e-postaya veya web sayfasına gömülü dolaylı komutları da kapsar. Bu, klasik HR şablonlarında genellikle bulunmayan bir maddedir.
• Telemetri ve iz: Politikanın denetlenebilir olması için kurumsal yapay zekâ trafiğinin loglanmasını ve saklama süresini tanımlar.
• Yurt dışı aktarım: Aracın verileri yurt dışındaki sunuculara taşıdığı gerçeğini KVKK Madde 9 çerçevesinde ele alır.

Başka bir deyişle, hukuk şablonu "ne yapılmamalı" der; güvenlik şablonu "nasıl tespit edilir ve nasıl sınırlanır" sorusuna cevap verir.

Şablonun madde madde iskeleti

Aşağıdaki başlıklar, kopyalayıp kurumunuza uyarlayabileceğiniz bir politika iskeletidir. Her başlığı kendi araç envanteriniz ve veri sınıflandırmanızla doldurun.

1. Amaç ve kapsam: Politikanın hangi çalışanları, yüklenicileri ve araçları kapsadığı.
2. Tanımlar: "Üretken yapay zekâ", "gizli veri", "onaylı araç", "Shadow AI" gibi terimlerin kurum içi tanımı.
3. Onaylı araç listesi: Kurumsal sözleşmesi olan, veri işleme koşulları incelenmiş araçların adları ve sürümleri.
4. Veri sınıfı bazlı kullanım matrisi: (Aşağıdaki tablo.)
5. Yasaklı kullanımlar: Özel nitelikli kişisel veri, kaynak kodu sırları, kimlik bilgileri ve müşteri sözleşmelerinin onaysız yüklenmesi.
6. Girdi güvenliği maddesi: Dolaylı komut enjeksiyonu farkındalığı.
7. Shadow AI maddesi: Onaysız araç kullanımının bildirimi ve tespiti.
8. Loglama ve telemetri: Trafik izleme, saklama süresi, erişim yetkisi.
9. KVKK ve aktarım: Madde 9 yurt dışı aktarım ve aydınlatma yükümlülüğü.
10. Eğitim ve okuryazarlık: Çalışan farkındalık yükümlülüğü.
11. İhlal ve yaptırım: Bildirim kanalı, olay müdahale bağlantısı, disiplin süreci.
12. Gözden geçirme: Politikanın periyodik güncellenme takvimi ve sahibi.

Bu matris, politikanın kalbidir: "gizli veri paylaşmayın" ifadesini denetlenebilir bir izin listesine dönüştürür. Kişisel verinin maskelenmesi gereken durumlar için KVKK PII maskeleme yaklaşımımıza bakabilirsiniz.

Girdi güvenliği: prompt injection farkındalığı maddesi

Klasik şablonların atladığı en kritik nokta budur. Çalışan hiçbir kötü niyet taşımadan, bir yapay zekâ asistanına bir PDF, e-posta veya web sayfası özetletebilir. Eğer o belgeye görünmez talimatlar gömülmüşse, model bu talimatları çalışanın komutuymuş gibi çalıştırabilir; buna dolaylı komut enjeksiyonu denir. Sonuç, veri sızıntısı, yanıltıcı çıktı veya bağlı bir aracın kötüye kullanımı olabilir.

Politikaya konulacak madde şu üç davranışı tanımlamalıdır:

• Dış kaynaklı içerik (indirilen dosya, gelen e-posta, üçüncü taraf web sayfası) özetlenirken, çıktıda beklenmedik talimatlar, bağlantılar veya "bu mesajı ilet" gibi eylemler görülürse çalışan işlemi durdurur ve bildirir.
• Yapay zekâ asistanına e-posta gönderme, dosya silme veya sistemlere erişim gibi yetkili eylemler bağlanmışsa, bu eylemler için insan onayı zorunludur.
• Asistanın ürettiği kod veya komut, gözden geçirilmeden üretim ortamında çalıştırılmaz.

Bu, tekil bir sistem promptuyla "çözülebilecek" bir sorun değildir; neden çözülemediğini ayrı bir analizde ele aldık. Politika seviyesindeki bu farkındalık, teknik savunmanın önündeki ilk katmandır. Tehdit modelinin bütünü için prompt injection nedir yazımız başlangıç noktasıdır.

Shadow AI ve telemetri maddesi

Gölge yapay zekâ (Shadow AI), çalışanların kurumun bilgisi dışında, onaysız yapay zekâ araçlarına kurumsal veri girmesidir. Yasaklamak tek başına işe yaramaz; çünkü tespit edilemeyen bir yasak, yalnızca kullanımı gizli hâle getirir. Bu yüzden politikanın iki bacağı olmalıdır.

Birinci bacak — kolay doğru yol: Onaylı, kurumsal sözleşmeli bir aracın var olması ve çalışanın işini o araçla rahatça görebilmesi. Kullanışlı bir alternatif yoksa, gölge kullanım kaçınılmazdır.

İkinci bacak — görünürlük: Kurumsal ağdan çıkan yapay zekâ trafiğinin loglanması ve bu logların saklama süresi, erişim yetkisi ve amacının politikada açıkça yazılması. Bu telemetri hem denetim hem olay müdahalesi için gereklidir; ancak gizliliği koruyan telemetri ilkeleriyle tasarlanmalı, yani logların kendisi yeni bir sızıntı vektörüne dönüşmemelidir.

Bu görünürlük ve sınırlamayı çalışma zamanında uygulayan katman, bir yapay zekâ güvenlik duvarıdır. AltaySec'in bu amaçla geliştirdiği Guardian LLM firewall, politikanın "yazılı kural" hâlini "uygulanan kural" hâline getiren teknik denetim noktasıdır: veri sınıfı ihlallerini, bilinen enjeksiyon kalıplarını ve onaysız araç trafiğini politika maddelerine bağlı olarak ele alır.

KVKK ve düzenleyici hizalama

Türkiye bağlamında şablonun en çok ihmal edilen tarafı, aracın verileri fiilen yurt dışına taşıdığı gerçeğidir. Çoğu genel bulut yapay zekâ aracı, girilen içeriği Türkiye dışındaki sunucularda işler. Bu, 6698 sayılı Kanun'un 9. maddesi kapsamında bir yurt dışına aktarımdır ve politikanın bunu açıkça ele alması gerekir: hangi araçların aktarım yaptığı, aktarımın hukuki dayanağı ve gerektiğinde açık rızanın nasıl yönetileceği.

KVKK, üretken yapay zekâ ve kişisel veri ilişkisini iki dokümanla ele almıştır: Kasım 2025'te yayımlanan "15 Soruda Üretken Yapay Zekâ ve Kişisel Verilerin Korunması" rehberi ve iş yerlerinde bu araçların kullanımına dair kurumsal doküman. Bu kaynaklar, politikanızın veri minimizasyonu, aydınlatma ve saklama maddeleri için referans çerçevesidir. Türkiye düzenleyici tablosunun bütününü 2026 düzenlemeleri özetimizde derledik.

Çalışan okuryazarlığı da giderek bir yükümlülük hâline geliyor. Avrupa Birliği Yapay Zekâ Yasası'nın (EU AI Act) 4. maddesi, kurumlara çalışanlarının yapay zekâ okuryazarlığını sağlama sorumluluğu yükler ve bu hüküm Şubat 2025'ten itibaren uygulanmaya başlamıştır. Türkiye'de ve AB'ye hizmet veren kurumlarda, politikanızın "eğitim ve okuryazarlık" maddesi bu yönelimi karşılamalıdır. KVKK'nın YZ yaklaşımıyla ilgili sık sorulan kurumsal soruları ayrı bir yazıda topladık.

Şablonu nasıl uyarlarsınız?

İskelet tek başına yeterli değildir; kuruma özgü üç girdiyle doldurulmalıdır: (1) gerçek araç envanteriniz, (2) veri sınıflandırmanız, (3) yaptırım ve olay müdahale süreciniz. Pratik bir sıralama:

1. Envanter çıkarın: Ekiplerin hâlihazırda kullandığı araçları tespit edin. Bu adım aynı zamanda mevcut Shadow AI'yi görünür kılar.
2. Veri sınıflarını eşleştirin: Yukarıdaki matrisi kendi veri etiketlerinize göre yeniden yazın.
3. Sahibini atayın: Politikanın bir sahibi olmalı. Kurumsal ölçekte bu, bir yapay zekâ yönetişim komitesinin sorumluluğudur.
4. Olay müdahalesine bağlayın: İhlal maddesi, boşlukta durmamalı; somut bir olay müdahale playbook'una yönlenmelidir.
5. Periyodik gözden geçirin: Araçlar ve tehditler hızla değiştiği için politikaya bir güncelleme takvimi koyun.

Bu iskeletin KVKK'ya tam hizalı, doldurulmuş ve denetim kaydı üreten sürümünü, AltaySec'in KVKK-YZ Uyum Kiti (kvkk-ai-compliance-kit) çalışmasında bir araya getiriyoruz; kit, veri sınıfı matrisini, aydınlatma metni örneklerini ve teknik denetim kontrol listesini içerir. Kurumunuza özel uyarlama için bizimle iletişime geçebilirsiniz.

Kaynaklar

• 6698 Sayılı Kişisel Verilerin Korunması Kanunu (Madde 9 — Yurt Dışına Aktarım), tam metin
• KVKK Yayınlar ve Rehberler (Üretken Yapay Zekâ rehberleri dâhil)
• OWASP Top 10 for Large Language Model Applications
• NIST Artificial Intelligence Risk Management Framework (AI RMF 1.0)
• EU AI Act — Regulation (EU) 2024/1689 (Madde 4: AI okuryazarlığı), EUR-Lex

İlgili Yazılar

• Kurumsal ChatGPT Kullanımı ve Güvenlik
• KVKK ve LLM Güvenliği
• Türkiye Yapay Zekâ Düzenlemeleri 2026
• Yapay Zekâ Yönetişim Komitesi Kurulması