Kısaca IEEE Spectrum’a göre Wikipedia gönüllüleri, kurallara aykırı yapay zekâ metinlerini ayıklıyor; kaynaklarla iddiaları karşılaştıran yapay zekâ da ön elemede kullanılıyor.

IEEE Spectrum’ın Ellia Lebleu ile söyleşisi, Wikipedia’daki yapay zekâ temizliğinin yazım belirtilerinden kaynak doğrulamaya doğru genişlediğini gösteriyor. Gönüllüler, metnin üslubunu ve katkı davranışlarını incelerken atıfların ilgili iddiaları gerçekten destekleyip desteklemediğine de bakıyor. Söyleşide aktarılan yapay zekâ tabanlı kaynak denetleyicisi, belirgin sorunları ön elemeden geçirmeyi amaçlıyor; doğruluğu garanti edilmiyor. Bu, bir kamu kurumunun uygulaması değil, kamusal bilgi üreten gönüllü topluluğun vakası. İşletmeler açısından çıkarılabilecek ders, içerik denetimini yalnızca üretim biçimine değil, iddiaların dayanaklarına da bağlamak.

Sorun

IEEE Spectrum’ın söyleşisinde WikiProject AI Cleanup kurucularından Ellia Lebleu, başlangıçta kolay fark edilen yapay zekâ metinlerinin zamanla daha belirsiz işaretler taşımaya başladığını anlatıyor. Ona göre tek başına belirli bir anlatım kalıbı kesin kanıt oluşturmuyor; belirtilerin birlikte değerlendirilmesi gerekiyor. Dolayısıyla denetimin sorunu, yalnızca metni kimin yazdığını tahmin etmekten ibaret değil.

Lebleu’nün özellikle vurguladığı mesele, gerçek bir kaynağa atıf yapılmasına rağmen kaynağın anlatılanı desteklememesi. IEEE Spectrum’ın eski wiki değerlendirmesi de ortaklaşa içerik üretiminde topluluğun denetleyici rolünü öne çıkarıyor. Bu tarihsel bağlamla birlikte okunduğunda güncel vaka, kamusal bilgi üretiminde kaynak gösterme ile kanıt sunma arasındaki farkı görünür kılıyor.

Yapay zekâ nasıl kullanılıyor

Lebleu’nün IEEE Spectrum’a anlattığı süreçte editörler önce metindeki anlatım özelliklerini birlikte değerlendiriyor. Ardından yalnızca yazıya değil, katkıyı yapan kişinin davranışına da bakıyorlar. Çok kısa aralıklarla uzun metinler eklenmesi, onun verdiği örneklerde inceleme gerektiren bir belirti olarak yer alıyor. Bu belirtiler otomatik olarak ihlal kararı anlamına gelmiyor.

Söyleşide sonraki denetim katmanı olarak başka bir editörün geliştirdiği yapay zekâ kaynak doğrulayıcısı anlatılıyor. Araç, sayfadaki kaynakları ele alıp iddialarla uyumlarını kontrol ediyor. Lebleu bunu açık sorunları ayıklamak için başlangıç noktası olarak değerlendiriyor ve hatasız olmadığını belirtiyor. Vakanın işletmelere uyarlanabilecek akışı, şüpheli içeriği belirlemek, dayanakları karşılaştırmak ve inceleme kararını insan gözetimine bağlamak şeklinde kurulabilir.

Araçlar ve modeller

IEEE Spectrum söyleşisinde Pangram, yapay zekâ üretimi içeriğin payını tahmin etmek için Lebleu’nün birlikte çalıştığı tespit şirketi olarak geçiyor. Kaynakların iddialarla uyumunu inceleyen ayrı aracın ise ürün adı, model sağlayıcısı ve teknik kurulumu açıklanmıyor. Bu nedenle onu kullanıma hazır, adı belirli bir çözüm olarak sunmak mümkün değil.

Lebleu ayrıca Wikimedia Foundation’ın Paste Check adlı araç üzerinde çalıştığını söylüyor. Aktarılan işlev, bazı yapay zekâ sohbet uygulamalarından doğrudan yapıştırılan metni işaretlemek. Söyleşideki bu araçların görevleri farklı: biri üretim kökenini tahmin ediyor, diğeri kaynak uyumunu inceliyor, bir başkası yapıştırma davranışını yakalamayı hedefliyor. Kaynak, bunların tek bir sistemde birleştiğini söylemiyor.

Sonuçlar

Lebleu’nün IEEE Spectrum’a verdiği tahmine göre Pangram, 2025 sonlarında yeni maddeler ve taslakların yaklaşık yüzde 20 kadarını yapay zekâ üretimi olarak işaretledi. Yine onun aktardığına göre 2026 başlarında bu değer yüzde 15 ya da 16 düzeyine indi. Bunlar tespit aracının işaretleme tahminleri; doğrulanmış ihlal oranları olarak okunmamalı.

Lebleu düşüşün nedeninin bilinmediğini açıkça söylüyor. Kuralların etkisi ile modellerin gelişmesi ve tespit aracının geride kalması arasında ayrım yapılamıyor. Dolayısıyla bu değişimi temizlik çalışmasının kanıtlanmış başarısı saymak mümkün değil. Söyleşide kaynak doğrulayıcısının doğruluk düzeyi, editörlere kazandırdığı zaman veya temizlenen içerik miktarı için ölçülmüş sonuç paylaşılmıyor. Nitel kazanım, kaynak ile iddia arasındaki ilişkinin denetimde daha görünür hâle gelmesi.

Türkiye'deki bir KOBİ nasıl uygulayabilir

  • Benzer bir deneme için işletmenizin kamuya açık yardım yazıları veya ürün açıklamalarından küçük bir örneklem seçin. Her metindeki doğrulanabilir iddiaları ve bunlara dayanak gösterilen belgeleri eşleştirin. Başlangıç kapsamını, bir sorumlunun sonuçları tek tek inceleyebileceği kadar dar tutun.
  • Hazır bir araç değerlendirirken yalnızca yapay zekâ metni tespiti yapıp yapmadığına bakmayın. Kaynağın ilgili iddiayı destekleyen bölümünü gösterebilmesini ve belirsizlikleri inceleyene aktarmasını seçim ölçütü yapın. Bu, Lebleu’nün anlattığı kaynak uyumu sorunundan çıkarılabilecek bir uygulama önerisidir.
  • Küçük pilotta aracın işaretlediği metinleri bir çalışan değerlendirsin. Hatalı uyarıları, gözden kaçan sorunları ve inceleme emeğini kaydedin. Otomatik silme veya yayımlama yerine önce inceleme sırasını düzenlemeyi deneyin.
  • KVKK açısından değerlendirmeyi veri seçimi aşamasına alın. Kişisel verileri ve gizli işletme belgelerini denemeye eklemeden önce paylaşım koşullarını inceleyin; erişimi ve saklamayı sınırlandırın. Bunlar Wikipedia’nın açıklanmış uygulamaları değil, işletmelere yönelik başlangıç önerileridir.

Riskler ve maliyet

IEEE Spectrum söyleşisinde Lebleu’nün belirttiği temel sınır, kaynak doğrulayan yapay zekânın da yanlış karar verebilmesi. Aynı söyleşide tespit oranlarındaki değişimin nedeninin belirsiz kalması, üretim kökenini tahmin eden bir aracın sonuçlarını başarı göstergesine dönüştürmenin güçlüğünü gösteriyor. Kaynak bağlantısının bulunması da içeriğin doğrulandığı anlamına gelmiyor; asıl inceleme, kaynağın iddiayla ilişkisini kapsamalı.

İşletmeye uyarlama önerisi olarak maliyet değerlendirmesine araç kullanımı, belgelerin hazırlanması, içerik sistemine entegrasyon ve çalışanların inceleme emeği dahil edilmeli. Sağlanan metinlerde bunlara ilişkin ücret veya tasarruf hesabı yok. Veri gizliliği ve KVKK değerlendirmesi de işletmenin kendi veri akışına göre yapılmalı. İnsan gözetimi için açık sorumluluk atanması, hatalı işaretlemelerin içerik kararlarına doğrudan dönüşmesini önleyecek bir başlangıç tercihidir.

Sık sorulanlar

Kaynak doğrulayıcısı yapay zekâ metni tespit aracıyla aynı işi mi yapıyor?
IEEE Spectrum söyleşisinde farklı görevler anlatılıyor: Pangram üretim kökenini tahmin ederken adı açıklanmayan doğrulayıcı, kaynakların iddialarla uyumunu inceliyor. Lebleu, doğrulayıcının da hata yapabileceğini belirtiyor.