Türkiye’nin Yapay Zekâ Hamlesi: Algoritmadan Kamu Kapasitesine - II

Bir önceki yazıyı işlem gücü ve veri merkezleriyle bitirmiştim. Fakat mesele orada tamamlanmıyor. Bir ülkenin kurduğu teknolojik kapasite, vatandaşın hayatına dokunduğu ölçüde anlam kazanıyor. KÜME Vakfı'ndaki söyleşide beni en fazla düşündüren başlık da buydu. Sadullah Uzun'un anlattıkları içinde, e-Devlet Kapısı'na entegre edilmesi planlanan yapay zekâ uygulamaları, bu dönüşümün en görünür yüzünü oluşturuyordu.

E-Devlet’in yeni yüzü

Türkiye’nin e-Devlet tecrübesi, kamu idaresinde son yirmi yılda gerçekleşen en kapsamlı dönüşümlerden biri oldu. Bir zamanlar farklı kurumların kapılarında yürütülen işlemler tek bir dijital sistem altında toplandı. Vatandaş vergi borcundan adli sicil kaydına, tapu bilgisinden sosyal güvenlik işlemlerine kadar pek çok hizmete aynı kapıdan erişebilir hâle geldi.

Mevcut sistem buna rağmen vatandaşın ne aradığını bilmesine dayanıyor. Kişi hangi kurumun hangi hizmeti sunduğunu, başvurunun hangi isimle kaydedildiğini ve hangi evrakların istendiğini çoğu zaman kendisi bulmak zorunda. Yapay zekâ entegrasyonu bu ilişkiyi değiştirebilir.

Vatandaşın kurum ve hizmet adları arasında arama yapması yerine yaşadığı durumu anlatması mümkün olabilir. “Yeni doğan çocuğum için hangi işlemleri yapmalıyım?”, “İş yerimi kapattım, hangi bildirimleri vermem gerekiyor?” veya “Üniversite öğrencisiyim, hangi burslara başvurabilirim?” gibi sorular, farklı kurumların hizmetleriyle eşleştirilebilir.

Dünyadaki kamu uygulamaları bu istikamete yöneliyor. Singapur’un kamu kurumları, memurların belge özetlemesi ve metin hazırlaması için üretken yapay zekâ araçlarını deniyor. Estonya’nın Bürokratt projesi ise vatandaşların farklı kamu hizmetlerine tek bir konuşma arayüzünden erişmesini amaçlıyor. İngiltere’de hükûmet, kamu çalışanlarının yazışma, araştırma ve belge işlemlerinde kullanması için “Humphrey” adı verilen yapay zekâ araçları üzerinde çalışıyor.

Bu örneklerin hiçbiri kusursuz bir “yapay zekâ devleti” kurmuş değil. Kamu yönetiminde yapay zekâ hâlen kontrollü denemeler ve sınırlı görevler üzerinden ilerliyor. Türkiye açısından da gerçekçi başlangıç noktası, vatandaş adına karar veren bir sistemden ziyade kamu hizmetlerini bulan, metinleri açıklayan ve başvuru süreçlerini sadeleştiren bir asistan olabilir.

Sadullah Uzun’un anlattığı ilk aşamada vatandaşların yapay zekâ okuryazarlığını ölçecek bir test ve buna bağlı bir puan bulunuyor. Bu fikir, kamu iletişimi bakımından ilgi çekebilir; fakat e-Devlet entegrasyonunun değeri puanın sosyal medyada paylaşılmasından çok, vatandaşın gerçek bir sorununu çözüp çözemediğiyle anlaşılacak.

Örneğin sistem, engelli bir vatandaşın yararlanabileceği hizmetleri tek ekranda gösterebiliyor mu? Bir girişimciye farklı kurumlardaki teşvikleri doğru biçimde açıklayabiliyor mu? Yaşlı kullanıcıların bürokratik ifadeleri anlamasına yardımcı oluyor mu? Yanlış bilgi verdiğinde bu hatayı düzeltecek görünür bir mekanizma var mı?

Yapay zekâ destekli kamu hizmetinin sınavı burada başlayacak.

Kamu nasıl bir pazar kurabilir?

Dünya genelinde ileri yapay zekâ modellerinin büyük bölümü özel şirketler tarafından geliştiriliyor. Bunun sebebi yalnızca girişimcilik kültürü değil; model eğitiminin ve veri merkezi işletmenin yüksek maliyeti.

Türkiye’de devlet bütün altyapıyı kendi başına kurmaya yönelmiyor. Açıklanan modelde kamu bütçesi, özel sektör yatırımlarını harekete geçiren bir araç olarak düşünülüyor.

Kamu yatırım bütçesinin yüzde 2’sinin yapay zekâ çözümlerine ayrılması hedefi bu bakımdan önem taşıyor. Devlet ve kamu şirketleri, yerli yapay zekâ ürünlerinin ilk ve büyük müşterileri hâline gelirse teknoloji şirketlerine sürekli bir talep oluşabilir. Bir girişim için en büyük sorun kimi zaman fikri geliştirmekten çok, ilk kurumsal müşteriye erişmektir.

TÜBİTAK’ın Yapay Zekâ Ekosistem Çağrısı da bu soruna cevap vermeye çalışıyor. Programda teknoloji sağlayıcısı şirket, üniversite veya araştırma merkezi ile çözüme ihtiyaç duyan “müşteri kuruluş” aynı konsorsiyumda buluşuyor. Böylece laboratuvarda geliştirilen bir modelin gerçek üretim ortamında denenmesi hedefleniyor.

Sadullah Uzun’un verdiği bilgilere göre HIT-30 kapsamında veri merkezleri için 1,6 milyar, doğrudan yapay zekâ yatırımları için 1,5 milyar dolarlık destek ve teşvik çerçevesi bulunuyor. Toplam 3,1 milyar dolarlık teşvikin özel sektör yatırımıyla beraber yaklaşık 10 milyar dolarlık altyapı hacmi üretmesi bekleniyor.

Buradaki 10 milyar dolar, devletin kasasından doğrudan çıkacak bir harcama olarak okunmamalı. Hesap, teşvikin şirket yatırımlarını da harekete geçireceği varsayımına dayanıyor. Bu nedenle programın başarısı açıklanan destek tutarından ziyade kaç veri merkezinin kurulduğu, ne kadar yeni işlem kapasitesi oluştuğu ve bu kapasitenin kimler tarafından kullanılabildiği üzerinden ölçülmeli.

Türkiye’de altyapı tarafında bazı somut hazırlıklar da yürütülüyor. Türksat’ın Gölbaşı Veri Merkezi’nin 1.630 kabin ve yapay zekâ işlemleri için ayrılmış 40 GPU kabiniyle kurulması planlanıyor. Proje, dağınık kamu veri merkezlerini ortak bir altyapıda toplama ve e-Devlet dâhil kamusal hizmetlerde süreklilik sağlama amacı taşıyor.

Türksat ile DT Cloud arasında imzalanan iş birliği de kamu ve özel sektör verilerinin Türkiye’de işletilen bulut altyapılarında tutulmasını hedefliyor. Bu girişimler teknik kapasite bakımından önemli. Fakat yerli bir veri merkezinin kurulması, tek başına yerli yapay zekâ ekosistemi kurulduğu anlamına gelmiyor. Üniversitelerin, girişimlerin ve orta ölçekli şirketlerin bu işlem gücüne hangi maliyetle ve hangi usulle erişeceği de belirleyici olacak.

Avrupa Birliği’nin tecrübesi bu noktada dikkate değer. Avrupa Komisyonu, şirketlerin ve araştırmacıların yüksek işlem kapasitesine erişebilmesi için 19 “AI Factory” kurdu; EuroHPC kapsamında bu tesislere ve bağlantılı merkezlere 2,6 milyar avronun üzerinde kamu kaynağı taahhüt edildi. Ayrıca büyük ölçekli yapay zekâ gigafabrikaları için 20 milyar avroluk kamu-özel sektör finansmanı planlandı.

Avrupa’nın yaptığı tercih, veri merkezini kapalı bir kamu tesisi olarak görmek yerine şirketlerin, üniversitelerin ve araştırmacıların kullanabileceği ortak bir üretim altyapısına çevirmek. Türkiye’nin veri merkezi yatırımlarında da benzer bir erişim modeli kurulmadığı takdirde fiziksel kapasite artarken yenilik dar bir çevrede kalabilir.

Türkçe model arayışı

Bir yapay zekâ sistemi, eğitildiği verinin dilini ve ağırlıklarını taşır. Türkçe sorulan bir soruya Türkçe cevap vermesi, o modelin Türkiye’nin hukukunu, tarihini, kurumlarını veya mesleki terminolojisini yeterince bildiği anlamına gelmez.

Bu nedenle Türkçe büyük dil modeli geliştirme çalışmaları kültürel bir sembol olarak ele alınmamalı. Hukuk, sağlık, kamu idaresi ve sanayi gibi alanlarda çalışan sistemlerin Türkçe kavramları doğru anlaması doğrudan işlevsel bir ihtiyaç.

Haziran 2026’da tanıtılan Türkçe Büyük Dil Modeli Sektörel Uyarlama Destekleri programı, genel amaçlı bir modeli kurumların kendi verileri ve terminolojisiyle uyarlamayı hedefliyor. Türksat’ın duyurduğu MODA projesinde de kamu kurumlarının yerli dil modellerini kendi ihtiyaçları doğrultusunda kullanması amaçlanıyor.

Bu yaklaşım, her kurumun sıfırdan devasa bir model eğitmesinden daha makul olabilir. Bir hastane, banka veya bakanlık için gerekli olan, her konuda konuşabilen en büyük modeli kurmak değildir. Kendi mevzuatını, dokümanlarını ve mesleki dilini doğru işleyen; verdiği cevabın kaynağını gösterebilen güvenilir bir sistem daha faydalı olabilir.

Burada kritik ayrım, modeli geliştirmek ile modeli uyarlamak arasındadır. Yabancı bir temel modelin Türkçe verilerle eğitilmesi kısa vadede fayda sağlayabilir. Fakat kullanılan ana model, işlem altyapısı ve yazılım araçları dışarıya bağımlı kaldığında teknolojik bağımsızlık iddiası sınırlı kalır.

Buna karşılık her bileşenin yerli olması şartını koymak da projeleri pahalı ve işlevsiz hâle getirebilir. Türkiye’nin hangi katmanlarda kendi kapasitesini kuracağı, hangi alanlarda açık kaynak sistemlerden yararlanacağı ve hangi hizmetleri küresel şirketlerden alacağı açık biçimde belirlenmeli.

Veriyi açmak ile korumak arasında

Yapay zekâ politikasının en zor bölümü yatırımlardan sonra başlıyor.

Modellerin gelişmesi için büyük ve nitelikli veri kümeleri gerekiyor. Kamu kurumları sağlık, eğitim, ulaşım, enerji, tarım ve sosyal güvenlik alanlarında geniş veri birikimine sahip. Bu kaynakların araştırmacılar ve şirketler için kullanılabilir hâle getirilmesi yeni ürünlerin geliştirilmesini kolaylaştırabilir.

Aynı veriler vatandaşların sağlık geçmişini, gelir durumunu, adresini, eğitim hayatını ve kamu ile kurduğu ilişkiyi de içeriyor.

Dolayısıyla devlet iki vazifeyi beraber yürütmek zorunda: Veriyi ekonomik ve bilimsel değere dönüştürmek, kişilerin mahremiyetini ve temel haklarını korumak.

“Kendi yapay zekâ düzenlemelerimiz olacak” cümlesi bu nedenle söyleşinin önemli başlıklarından biriydi. Düzenlemenin hangi risk sınıflarını tanıyacağı, kamu kurumlarının kullandığı modeller için açıklama yükümlülüğü getirip getirmeyeceği ve denetimin hangi kuruma verileceği henüz cevap bekliyor.

Somut sorular şimdiden ortada.

Bir algoritma sosyal yardım başvurusunu düşük risk puanı gerekçesiyle reddederse vatandaş bu karara nasıl itiraz edecek? Hastanede kullanılan bir karar destek sistemi yanlış yönlendirme yaptığında sorumluluk hekimde mi, hastanede mi, yazılım şirketinde mi olacak? Personel alımında kullanılan bir model geçmiş verilerdeki ayrımcılığı tekrar ederse bu nasıl tespit edilecek? Kamuya hizmet veren sistemlerin eğitim verileri ve hata oranları bağımsız denetime açılacak mı?

Bu riskler varsayımsal kaygılardan ibaret değil. Hollanda’da çocuk bakım yardımlarında kullanılan risk modelleri binlerce aileyi hatalı biçimde dolandırıcılık şüphesi altında bıraktı; ortaya çıkan skandal 2021’de hükûmetin istifasına kadar uzandı. Avustralya’daki Robodebt sistemi ise sosyal yardım borçlarını otomatik hesaplamak için gelir verilerini hatalı biçimde kullandı ve yüz binlerce kişiye yanlış borç bildirimleri gönderdi.

Bu vakalar, kamu kararlarının otomatikleştirilmesinin bürokrasiyi tarafsız hâle getirmediğini gösterdi. Algoritmalar da kendilerine verilen kuralları, eksik verileri ve kurumların önceki kabullerini taşır.

Türkiye e-Devlet’e yapay zekâ eklerken vatandaşın karşısına daha hızlı çalışan kapalı bir kutu çıkarmamalı. Sistem hangi kaynağa dayanarak cevap verdiğini göstermeli, kritik kararlar insan denetiminde kalmalı ve itiraz yolu açık olmalı.

Bu noktada cevap bekleyen sorular teknik meselelerin ötesine geçiyor. Yapay zekâ politikalarının hangi model üzerine kurulacağı, devletin nerede üretici, nerede düzenleyici bir rol üstleneceği, kamu ile özel sektör arasındaki sınırın nasıl çizileceği ve başarı ölçütünün hangi göstergelerle belirleneceği, bu tartışmanın bir sonraki halkasını oluşturuyor.

Serinin devamındaki yazıda, Türkiye'nin yapay zekâ yarışında nasıl bir devlet modeli inşa etmeye çalıştığını bu çerçevede ele alacağım.