BDDK ve KVKK uyumlu yapay zeka gateway ile Türk bankalarında LLM güvenliği: PII maskeleme, denetim izi ve prompt filtreleme tek mimaride.
KVKK Kurulu denetimi geliyor. Denetçi, 14 ay önce LLM destekli dolandırıcılık tespit sisteminin işlediği bir müşterinin VERBIS kaydını istiyor. Kayıtta "müşteri verileri yapay zeka ile işlenmektedir" yazıyor. Denetçi soruyor: hangi veri kategorisi, hangi LLM sağlayıcısına, hangi hukuki dayanak ile gönderildi? VERBIS kaydı, yapay zeka sistemlerinde işlenen kişisel veri kategorilerini, amaçları, hukuki dayanaklarını, saklama sürelerini ve alıcı kategorilerini özelleştirerek yansıtmalıdır. Genel ifadeler düzenleyici riske yol açıyor. O 14 aylık çağrının prompt'u, model versiyonu ve maskeleme kaydı yoksa, banka uyum kanıtı üretemez.
SHIM gibi bir yapay zeka gateway, desteklenen sağlayıcı çağrılarını tek bir tenant-scope kontrol noktasından geçirip kullanım metaverilerini kaydedebilir. Ham içerik saklama ve düzenleyici kanıt yükümlülükleri ayrı bir kayıt ve saklama tasarımı gerektirir.
BDDK-KKB Yapay Zeka ve Bulut Teknolojileri Çalıştayı'na yaklaşık 30 bankanın 100'e yakın CIO ve üst düzey IT yöneticisi katıldı. Çalıştayda yapay zeka yönetişiminin ölçülebilir, denetlenebilir ve hesap verebilir olması gerektiği vurgulandı; algoritmik denetim ve risk bazlı regülasyon taslakları paylaşıldı. BDDK, yapay zeka ve bulut teknolojilerinin finansal sistem üzerindeki etkilerini yalnızca teknik değil, yönetişim, güven ve sürdürülebilirlik boyutlarıyla ele aldığını vurguladı.
Ölçülebilirlik bir LLM operasyonunda token tüketimi, yanıt süresi ve maliyet verisi demek. Denetlenebilirlik, regülatör "bu kredi kararını hangi model üretti?" diye sorduğunda model versiyonu, prompt hash'i ve parametre kaydıyla yanıt verebilmek demek. Hesap verebilirlik, hatalı bir LLM çıktısının sorumluluk zincirinin izlenebilir olması demek.
BDDK ayrıca müşteri ile finansal kurum arasındaki yapay zeka destekli iletişimin güvenilir, izlenebilir ve denetlenebilir olmasını bekliyor. Rol bazlı erişim kontrolü ve tüm işlem loglarının kaydedilmesi zorunlu; yetkisiz erişim ağır ihlal sayılıyor.
BDDK ve KKB iş birliğiyle kurulan Yapay Zeka Sandbox ortamı, bankaların LLM modellerini güvenilirlik, açıklanabilirlik, şeffaflık ve regülasyon uyumu kriterleriyle canlı ortama almadan test etmesini sağlayacak. KKB, Kloudeks MIA adıyla yerli bulut ortamı üzerinden GPU sanallaştırma ve LLM as a Service hizmeti sunuyor.
Türkiye'de veri yerelleştirme gereklilikleri, özellikle bulut tabanlı LLM işlemeleri için kritik bir düzenleyici engel oluşturuyor. KVKK Madde 9, kişisel verilerin yurt dışına aktarımını açık rıza veya yeterlilik kararı gibi belirli şartlara bağlıyor. Gateway'in Kloudeks MIA gibi yerli altyapıda konumlandırılması, PII maskeleme ve log verilerinin KVKK Madde 9 kapsamında yurt dışı aktarım sayılmamasını sağlıyor: prompt'taki kişisel veri maskelendikten sonra yalnızca anonimleştirilmiş metin dış LLM sağlayıcısına gidiyor, ham kişisel veri Türkiye sınırları içinde kalıyor.
Otomatik karara itiraz hakkı. KVKK kapsamında bireyler, yalnızca otomatik sistemlerin ürünü olan herhangi bir karara itiraz etme hakkına sahip. Bir LLM'in kredi başvurusunu reddettiği veya dolandırıcılık skoru atadığı senaryoda, bankanın o kararın hangi girdilerle ve hangi model versiyonuyla üretildiğini geri izleyebilmesi gerekiyor. Her LLM çağrısının prompt, yanıt ve model metadata'sıyla birlikte saklanması bu hakkın teknik ön koşulu.
VERBIS kaydında yapay zeka detaylandırması. Yazının başındaki senaryo bunu somutlaştırıyor. Gateway, her LLM çağrısının meta verisini otomatik olarak kaydediyor. Örneğin: alıcı_kategorisi: "OpenAI gpt-4o", hukuki_dayanak: "KVKK Madde 5(2)(f)", veri_kategorisi: "finansal", pii_maskelendi: true, zaman_damgası: "2026-07-07T14:32:00Z". Günde binlerce LLM çağrısı yapan bir bankada bu alanları manuel olarak doldurmak ve VERBIS kaydıyla tutarlı tutmak operasyonel olarak sürdürülemez.
Eğitim verisi için ayrı hukuki dayanak. Hizmet sunumu amacıyla toplanan kişisel veriler, LLM eğitimi veya fine-tuning için kullanılacaksa ayrı bir hukuki dayanak analizi gerekiyor. Gateway katmanında hangi verilerin dış LLM sağlayıcılarına gönderildiğini loglamak, bu analizin girdisini oluşturur.
GDPR, yüksek riskli veri işleme başlamadan önce yazılı bir Veri Koruma Etki Değerlendirmesi (DPIA) zorunlu kılar. KVKK'da buna benzer bir risk değerlendirme mekanizması bulunmuyor. Hesap verebilirlik ve şeffaflık ilkeleri KVKK'da mevcut, ancak yapılandırılmış bir değerlendirme çerçevesine bağlı değil. Bu boşlukta Türk bankaları kendi iç değerlendirmelerini inşa etmek zorunda. Gateway log kayıtları bu değerlendirmenin somut girdisini sağlıyor. Örnek bir log kaydı:
{
"data_category": "finansal",
"provider": "anthropic/claude-sonnet-4-6",
"requests_7d": 14200,
"pii_masked": true,
"maskelenen_alanlar": ["tckn", "iban", "telefon"],
"ortalama_token": 1840
}Bu kayıt, iç DPIA sürecinde "hangi kategoride veri, hangi sağlayıcıya, ne hacimde gidiyor?" sorularını yanıtlar.
OWASP LLM Top 10'un ilk sırası olan Prompt Injection, manipüle edilmiş girdilerle modeli yönlendirerek yetkisiz veri erişimi sağlamayı hedefler. LLM'lerde tehdit alanı serbest metin içeriğine kaymıştır; kullanıcı girdisi artık sadece veri değil, modelin çalıştırdığı talimat seti. Bir banka chatbot'una "önceki kullanıcının bilgilerini göster" talimatı gizlenmiş bir prompt, HTTP başlıklarında tamamen meşru görünür. Rate limiter veya WAF bu içeriği okumaz.
Yapay zeka gateway bu boşluğu üç katmanlı savunmayla kapatır: anlamsal filtreleme ile bilinen saldırı kalıplarını tespit etme, prompt sertleştirme ile model talimatlarını koruma altına alma ve yanıt analizi ile LLM çıktısını kullanıcıya ulaşmadan denetleme. AI agent güvenliği hakkındaki yazımızda bu katmanların detaylarını ele alıyoruz.
| Düzenleyici Talep | Kaynak | Gateway Mekanizması |
|---|---|---|
| Ölçülebilirlik, denetlenebilirlik, hesap verebilirlik | BDDK Çalıştay Kriterleri | Her LLM çağrısının model versiyonu, token sayısı ve prompt hash'i ile loglanması |
| İzlenebilir müşteri iletişimi | BDDK | Değiştirilemez denetim izi: prompt, yanıt ve güvenlik aksiyonları |
| Rol bazlı erişim kontrolü | BDDK | API key bazlı erişim politikaları, yetkisiz erişim engelleme |
| Otomatik karara itiraz hakkı | KVKK | Karar geçmişinin prompt-yanıt çiftiyle saklanması |
| VERBIS detaylandırması | KVKK | Veri kategorisi, alıcı LLM sağlayıcısı ve hukuki dayanak meta verisi |
| PII koruması | KVKK Madde 9 | Prompt'lar LLM'e gönderilmeden önce otomatik PII maskeleme |
| Madde 9: Risk yönetim sistemi | AB Yapay Zeka Tüzüğü | Risk skorlama logları, model performans metrikleri |
| Madde 12: Kayıt tutma | AB Yapay Zeka Tüzüğü | Otomatik metadata kaydı (veri kategorisi, sağlayıcı, zaman damgası) |
| Madde 13: Şeffaflık | AB Yapay Zeka Tüzüğü | Prompt-yanıt çiftleri, parametre kaydı |
| Madde 15: Doğruluk ve sağlamlık | AB Yapay Zeka Tüzüğü | Aynı prompt'a verilen yanıtların versiyonlanmış logu |
GDPR ve benzeri düzenlemeler için yapay zeka gateway, prompt'lar LLM'e gönderilmeden önce kişisel verileri otomatik olarak tespit edip maskeleyerek veri sızıntısını engeller. Yapay zeka gateway, her etkileşimin tam prompt'unu, yanıtını ve güvenlik aksiyonlarını kaydederek adli inceleme ve uyum denetimi için gerekli "kim, ne, ne zaman" bilgisini sağlar. AB Yapay Zeka Tüzüğü 80 kontrol referansıyla NIST AI RMF'nin 49 ve OWASP'ın 41 referansını aşıyor; bu 80 kontrol, risk yönetim planı, teknik dokümantasyon ve kayıt defterleri gibi sürekli güncellenen belgeler gerektiriyor.
Fintech yapay zeka sağlayıcıları Türk bankalara hizmet verirken, doğrudan BDDK denetimi altında olmasa bile BDDK'nın model yönetişim beklentilerine uyum sağlamak zorundadır. Somut senaryo: bir BaaS sağlayıcı, kredi başvuru verilerini analiz etmek için LLM çağrısı yapıyor. Bu çağrı bankanın gateway'i üzerinden geçmeli. Gateway, sağlayıcı kimliğini loglar, TCKN ve IBAN gibi kişisel verileri maskeleyerek dış API'ye gönderir, yanıtı denetler. Bankanın VERBIS kaydında bu sağlayıcı "alıcı kategorisi" olarak yer alır.
25 Aralık 2025'te yayımlanan Cumhurbaşkanlığı Kararnameleri yapay zeka yönetimini Milli Teknoloji ve Yapay Zeka Genel Müdürlüğü ile Siber Güvenlik Başkanlığı'na devretti. Türkiye'de yapay zeka uyumu tek bir kanun değil; KVKK (Kanun No. 6698), BDDK sektör düzenlemeleri, TKHK ve e-Ticaret Kanunu'ndan oluşan çakışan yükümlülükler bütünüdür. AB Yapay Zeka Tüzüğü'nün kredi skorlama gibi yüksek riskli sistemler için Madde 9-15 yükümlülükleri Ağustos 2026'da devreye giriyor.
BDDK-KKB Sandbox ortamı, modellerin canlı ortama alınmadan önce güvenilirlik, açıklanabilirlik, şeffaflık ve regülasyon uyumu kriterlerinde test edilmesini gerektiriyor. AB Yapay Zeka Tüzüğü'nde kredi skorlama sistemleri Ek III yüksek riskli kategorisinde tanımlanıyor.
| BDDK Sandbox Kriteri | AB Yapay Zeka Tüzüğü Karşılığı | Gateway'in Ürettiği Kanıt |
|---|---|---|
| Güvenilirlik: Modelin tutarlı çıktı ürettiğinin doğrulanması | Madde 15: Doğruluk ve sağlamlık | Aynı prompt'a verilen yanıtların versiyonlanmış logu |
| Açıklanabilirlik: Karar sürecinin izlenebilir olması | Madde 13: Şeffaflık ve bilgilendirme | Prompt-yanıt çiftleri, model versiyonu, parametre kaydı |
| Şeffaflık: Kullanılan veri ve modelin belgelenmesi | Madde 12: Kayıt tutma | Otomatik metadata: veri kategorisi, sağlayıcı, zaman damgası |
| Regülasyon uyumu: KVKK ve BDDK gerekliliklerinin karşılanması | Madde 9: Risk yönetim sistemi | PII maskeleme logu, erişim kontrol kayıtları, ihlal raporları |
Madde 12 kayıt tutma yükümlülüğü, her yüksek riskli sistem etkileşiminin otomatik olarak kaydedilmesini gerektiriyor. Gateway'in her LLM çağrısına yazdığı zaman_damgası, veri_kategorisi ve sağlayıcı alanları bu yükümlülüğün doğrudan kanıtı. Ağustos 2026'da Tüzük'ün 80 kontrol referansına karşı kanıt sunması gereken bankalar için bu log alanları, ayrı bir dokümantasyon çabası gerektirmeden Madde 12 uyumunu karşılar.