Yapay Zekâya Belge Okutuyoruz. Peki Belge Yapay Zekâya Ne Söylüyor?
Geçenlerde izlediğim bir video beni önce güldürdü, sonra düşündürdü.
Konu prompt injection.
Senaryo şu: Mahkemeye sunulan, insan gözüyle tamamen normal görünen bir dilekçenin içine yapay zekânın okuyabileceği gizli bir talimat yerleştiriliyor. İnsan belgeyi okuduğunda hukuki metni görüyor; AI ise aynı metnin içinde kendisine verilmiş bir komut algılayabiliyor.
Yani insan için belge, yapay zekâ için hem veri hem de potansiyel talimat haline gelebiliyor.
Üstelik bu artık teorik bir risk değil. Reuters’ın 13 Ağustos 2026 tarihli haberine göre Connecticut’ta bir davacı, mahkeme dosyalarına AI sistemlerinin okuyabilmesi için çok küçük ve beyaz yazıyla görünmez talimatlar yerleştirdi. Mahkeme bunu tespit etti ve yaptırım uyguladı. İlginç olan şu: Mahkeme dosyaları AI ile değerlendirmiyordu; ama dava taraflarının veya başka kullanıcıların AI kullanabileceği ihtimali bile bu yöntemi anlamlı bir saldırı biçimine dönüştürmeye yetti.
Teknik adıyla bu, indirect prompt injection. NIST bunu güvenilmeyen bir dış kaynağın, daha yüksek güven seviyesindeki sistem talimatlarını etkilemeye çalışması olarak tanımlıyor; OWASP da dosya veya web sayfası gibi dış kaynaklardaki içeriğin model davranışını beklenmedik biçimde değiştirebildiğini özellikle vurguluyor.
Beni asıl düşündüren ise bunun yalnızca hukukla ilgili olmaması.
Yapay zekâ giderek daha fazla belge okuyor: hukuk dosyaları, kamu raporları, insan kaynakları belgeleri, finansal raporlar, yönetim sunumları…
Geçenlerde özel sektörde çalışan bir arkadaşım da bana başka bir örnek anlattı.
Şirket sahibi, kendisine CEO’dan, CFO’dan ve diğer yöneticilerden gelen raporları yapay zekâya yükleyip sorular soruyormuş. 😂
İlk bakışta son derece mantıklı.
Raporları yükle, “Bana burada önemli olanı söyle” de, dakikalar içinde özetini al.
Ama ikinci soru daha ilginç:
AI raporu okuyabiliyor. Peki raporun arkasındaki finansal mantığı nereden biliyor?
CEO’nun büyüme varsayımı başka, CFO’nun nakit projeksiyonu başka, satış ekibinin tahsilat beklentisi başka, yatırım planındaki borç kapasitesi başka bir ekonomik gerçekliğe dayanıyorsa; AI hepsini çok hızlı okuyabilir.
Ama hız, bunların arasındaki tutarlılığı kendiliğinden yaratmaz.
İşte Ainsideme’nin yaklaşımının ayrıştığı yer burada.
Ainsideme’de yaptığımız, kişisel bir finans görüşünü yazılıma aktarmak değil. Yerleşik finans teorisini ve profesyonel metodolojileri, gerçek iş hayatında kullanılan uygulama pratikleriyle birleştirerek; nakit akışı, finansman, dış ticaret, risk ve değerleme alanlarında kendi model mimarimizi kurmak ve bu yapıyı dijitalleştirmek.
Değerleme tarafında örneğin bu yaklaşım yalnızca Ainsideme’ye özgü bir tercih değil. Uluslararası Değerleme Standartları da değerleme yaklaşımları ve yöntemleri, veri ve girdiler, modeller, dokümantasyon ve raporlamayı birbirinden ayrı fakat bağlantılı başlıklar altında ele alıyor. IVS ayrıca girdilerin, varsayımların ve yöntemlerin ekonomik kararları etkileyebilecek ölçüde önemli olduğu durumlarda profesyonel muhakemenin merkezi rolünü açıkça vurguluyor.
Biz de aynı nedenle nakit akışında tahsilat, ödeme, kur, borç kapasitesi, DSCR, vadeler ve stres senaryolarını birbirinden kopuk hesaplar olarak görmüyoruz.
Ticaret ve proje finansmanında proje ekonomisi; ECA, DFI kaynakları, konsorsiyum seçenekleri, özkaynak ihtiyacı ve borç kapasitesiyle birlikte değerlendiriliyor.
Değerlemede büyüme tek başına bir oran değil; iş modeli, nakit yaratma kapasitesi, sermaye maliyeti, ROIC, risk ve senaryolarla birlikte değere dönüşüyor.
Dış ticarette de ödeme yöntemi, kur riski, finansman, kredi sigortası ve işlem yapısı aynı ekonomik zincirin parçaları.
Dolayısıyla Ainsideme’nin yaptığı şey, bir raporu AI’a verip “Bunu yorumla” demekten farklı.
Finansal problemin kendisini, değişkenler arasındaki ilişkileri ve kontrol noktalarını önce doğru bir modele oturtuyoruz; yapay zekânın hızını ve analiz gücünü de bu yapı içinde kullanıyoruz.
Videodaki prompt injection örneğinin bana hatırlattığı daha geniş mesele de bu:
AI’a ne kadar çok şey okutursak, neyi veri, neyi talimat, neyi varsayım ve neyi doğrulanması gereken bilgi olarak kabul edeceğimizi o kadar iyi tasarlamak zorundayız.
Bir belgenin söylediği şey ile sistemin uyması gereken kural aynı şey değil.
Finansta da bir raporun söylediği ile şirketin ekonomik gerçeği her zaman aynı şey değil.
Bu yüzden önümüzdeki dönemde kurumsal yapay zekâdaki fark yalnızca modellerin ne kadar güçlü olduğunda oluşmayacak.
Hangi bilgiyle çalışıyor?
Hangi varsayımları birbirine bağlıyor?
Hangi finansal modelin içinde değerlendiriyor?
Ve neyi doğrulamadan kabul etmiyor?
Ainsideme’de yapmaya çalıştığımız şey bu nedenle AI’a daha fazla finansal belge okutmak değil.
Finansal teori, profesyonel metodoloji ve saha pratiğini dijital modellere dönüştürmek; yapay zekâyı da bu finansal yapının içinde çalıştırmak.
Çünkü yapay zekâ kullanımı yaygınlaştıkça hızlı cevap ucuzlayacak.
Doğru finansal çerçeve ise daha değerli hale gelecek.
Muhakeme insanda. Hız yapay zekâda. Doğrulama yine insanda.
Aradaki finansal yapı, Ainsideme’nin işi.
Kaynaklar: Reuters, Connecticut judge says plaintiff hid messages for AI in court filings, 13 Ağustos 2026. NIST CSRC, Prompt Injection ve Indirect Prompt Injection. OWASP GenAI Security Project, LLM01:2025 Prompt Injection. International Valuation Standards Council, International Valuation Standards (IVS).
Yorumlar