Güvenlik Ekiplerinin Yalnızca %29’u Çalışanların Yapay Zekâ Araçlarına Gönderdiği Hassas Verileri Düzenli Olarak Raporlayabiliyor

Bu makale, Jazz’ın sipariş ettiği ve Cloud Security Alliance’ın (CSA) 2026 tarihli araştırma raporunda yer alan bulgulara dayanmaktadır: Yapay Zekâ Çağında DLP.

CSA, haziran ve temmuz aylarında 433 BT ve güvenlik profesyoneline, ekiplerinin son 30 günde hassas verilerin üretken yapay zekâ araçlarına kaç kez gönderildiğini gösteren bir rapor hazırlayıp hazırlayamayacağını sordu. Katılımcıların yüzde 29’u bu raporu düzenli olarak hazırlayabildiğini belirtti.

Katılımcılar üretken yapay zekâyı önemsiz bir kanal olarak görseydi bu oran daha az anlam taşıyabilirdi. Ancak katılımcılar bu kanalı, yüzde 48’i ilk üç risk arasında gösterecek kadar, veri sızdırma açısından en büyük risk olarak değerlendirdi.

Veri kaybı önleme çözümleri geliştiren bir şirkette mühendislik ekibine liderlik ediyorum. İşimin büyük bölümü, bir sistem içinde veri hareketinin kanıtlarının nerede bulunduğu ve bununla ilişkili riskin neden ortaya çıktığıyla ilgili. Bu açıdan bakıldığında, ekiplerin görebildiklerine inandıklarıyla gösterebildikleri arasındaki fark, üretken yapay zekâ kontrollerinin tasarlanma biçiminden doğrudan kaynaklanıyor.

Üretken Yapay Zekâya İlişkin Görünürlük Konusundaki Güven, Ekiplerin Gösterebildiklerinin Çok Önünde

Katılımcıların yarısından biraz fazlası, üretken yapay zekâya ilişkin görünürlüklerini 5 üzerinden 4 veya 5 olarak değerlendirdi. Ancak yalnızca yüzde 29’u bu değerlendirmeyi, hassas verilerin bir yapay zekâ aracına kaç kez gönderildiğini basitçe sayan bir raporla düzenli olarak destekleyebildi.

Kaynak: Cloud Security Alliance, DLP in the AI Era (2026), n=433. Raporun 22. ve 23. sayfalarındaki grafiklerden yeniden oluşturulmuştur.

Uygulama tarafında da benzer bir tablo görülüyor. Katılımcıların yalnızca yüzde 22’si üretken yapay zekâ kanalında hassas verileri kesin olarak engelliyor. Katılımcıların veri sızdırma riski en düşük kanal olarak değerlendirdiği çıkarılabilir medyada ise kesin engelleme oranı en yüksek düzeyde: yüzde 31. Kesin engelleme, en eski araçların kullanıldığı kanallarda yoğunlaşıyor.

Kaynak: Cloud Security Alliance, DLP in the AI Era (2026), n=433. Raporun 23. ve 26. sayfalarındaki grafiklerden yeniden oluşturulmuştur; yuvarlama nedeniyle bir satırın yüzde 99 veya yüzde 101 olduğu durumlarda çubuklar yüzde 100’e ölçeklenmiştir.

Jazz, araştırmanın yanı sıra müşteri ortamlarından elde edilen telemetri verilerini de yayımladı. Bu verilerdeki ortalama kuruluşta kullanımda olan 169,5 farklı yapay zekâ aracı vardı; bunların 9,8’i onaylıydı. Dolayısıyla araçların yüzde 94,2’si onaylı liste dışındaydı.

Farkın Nedeni: Araç Listesi Hiçbir Olay Kaydetmez

Üretken yapay zekâ riskine karşı başvurulan standart yöntem, birkaç yapay zekâ hizmetini kurumsal sözleşmeler kapsamında onaylamak, geri kalanların kullanımını ise caydırmak veya engellemektir. Yüzde 94,2’lik oran, bu listenin uygulamada ne kadar geride kaldığını gösteriyor. Teslim tarihi yaklaşan bir mühendis, bugünkü sorununu çözen aracı kullanır; çünkü onaylı araç için satın alma sürecinin tamamlanması haftalar sürer.

Listenin eksiksiz olması bile CSA’nın sorduğu raporu hazırlamaya yetmez. Olay müdahale ekibiniz veya bir denetçi, verilerin kurum dışına çıktığı belirli bir olayı soracaktır; oysa araç listesinde olaylara ilişkin hiçbir kayıt yoktur.

Bu olayda ne olduğunu göstermek için dört bilgiye ihtiyacınız var: hangi hassas verinin söz konusu olduğu, veriyi hangi aracın aldığı, verinin hangi hesap üzerinden gönderildiği ve kişinin bunu neden gönderdiği.

Araç düzeyindeki yönetişim ilk olarak hesap noktasında aksar. Aynı web sitesi hem saklama ayarları ve sözleşme koşulları bulunan şirketinizin kurumsal hesabına hem de bunların hiçbirine sahip olmayan çalışanın ücretsiz kişisel hesabına hizmet verir. Onaylı bir aracın kişisel hesapla kullanılması, onaysız bir araç kullanılması kadar az kanıt sunar.

Amacı belirlemek daha zordur; ayrıca yanlış bir şey yapılıp yapılmadığını da bu belirler. Bozuk bir formülü düzeltmek için gelir modelini bir sohbet robotuna yapıştıran finans analisti işini yapıyordur. Aynı şeyi cuma günü istifa ettiğini bildirmiş birinin yapması ise çok farklı bir konuşmayı gerektirir. İkisini birbirinden ayıran, kişinin içinde bulunduğu koşullardır; bunlar gönderilen içeriğin kendisinde hiçbir zaman görünmez.

Kullanımdaki Kontrollerin Her Biri Yalnızca Tek Bir Noktayı Görür

Araştırma, yapay zekâ araçlarına gönderilen hassas verileri kontrol etme konusunda baskın bir yaklaşım olmadığını ortaya koydu. Yapay zekâ alan adlarını ağ düzeyinde engelleme, tarayıcı tabanlı içerik denetimi ve yalnızca kabul edilebilir kullanım politikası uygulama yöntemlerinin her biri yüzde 21 ile yüzde 23 arasında tercih edilirken, yerleşik DLP özelliklerine sahip kurumsal yapay zekâ platformları yüzde 10’da kaldı.

Bu kontrollerin her biri tek bir denetim noktası esas alınarak tasarlanmıştır. Alan adı engellemesi, bir bağlantıya izin verir veya onu durdurur ve bağlantının hangi siteye gittiğini kaydeder. Tarayıcı uzantısı, o tarayıcıya yazılanları görür; masaüstü uygulamasından, kod düzenleyicinin içindeki kodlama asistanından veya komut satırı aracından gönderilenleri ise kaçırır. Kurumsal yapay zekâ platformunun yerleşik DLP’si, platforma girenleri görür. Bu kontrollerin her biri bakmak için tek bir nokta seçer ve verilerin oraya gideceğini umar.

Tek bir denetim noktasına dayanılması, uygulama oranlarını da açıklar. Bir kontrol kurumsal hesapla kişisel hesabı ya da rutin bir yapıştırma işlemiyle riskli olanı ayırt edemiyorsa ikisini de engellemek veya hiçbirini engellememek zorundadır. Kesin engelleme, riskli işlemlerin yanı sıra meşru çalışmaları da durdurur. Daha etkin engellemeye geçmemelerinin başlıca nedeni sorulduğunda, katılımcıların yüzde 46’sı iş akışlarını aksatma endişesini, yüzde 39’u ise DLP’nin doğruluğuna yeterince güvenmemelerini belirtti.

Göz Önünde Bulundurulması Gereken Sınırlamalar

Anket sonuçları katılımcıların kendi beyanlarına dayanıyor ve ankette görünürlük puanları gerçek kapsamla karşılaştırılarak test edilmedi. Katılımcıların çoğu Amerika kıtalarından (%80) ve 5.000’den az çalışanı olan kuruluşlardan (%67) geliyor; bu nedenle sonuçlar büyük küresel şirketler için aynı ölçüde geçerli olmayabilir. Telemetri, bu tür bir görünürlük çözümünü kullanmayı seçen kuruluşlardan geliyor; bu da örneklemi yapay zekâ kullanımının kontrolsüz biçimde yayılmasından zaten endişe duyan kuruluşlar lehine çarpıtmış olabilir.

Onaylı Araçlar ve Ajanlar Listeyi Daha da İşlevsiz Kılacak

Onaylı SaaS ürünlerine yapay zekâ asistanları eklendikçe, veriyi hangi aracın aldığı sorusunun çoğu zaman iki yanıtı oluyor: çalışanın açtığı uygulama ve arka plandaki yapay zekâ modeli sağlayıcısı. Yapay zekâ ajanları bu durumu daha da karmaşıklaştırıyor. Bir ajan, çalışan adına bir dosyayı alıp başka bir yere gönderdiğinde, kimin gönderdiği ve bunu neden yaptığı sorularının yanıtı artık kısmen yazılıma bağlı oluyor. Unite.AI’nin kısa süre önce yayımladığı üretim ortamındaki ajanlara yönelik istem enjeksiyonu konulu yazıda da belirtildiği gibi, bir ajan okuduğu içerikle yönlendirilebilir; dolayısıyla ne yaptığına ilişkin kendi açıklaması, bunu hangi amaçla yaptığına dair kanıtın yerini tutamaz.

Bu Ay Uygulayabileceğiniz Bir Test

Son 30 günü gözden geçirin ve bir yapay zekâ aracına ulaştığını düşündüğünüz en hassas veriyi seçin. Ardından ekibinizin aşağıdakileri elle hazırlamak zorunda kalmadan sunup sunamayacağını kontrol edin:

• Verinin ne olduğu ve nereden geldiği
• Onaylı listenizin dışındaki araçlar da dâhil olmak üzere, veriyi hangi aracın aldığı
• Verinin kurumsal bir hesap üzerinden mi yoksa kişisel bir hesap üzerinden mi gönderildiği
• Kişinin veriyi gönderdiği sırada ne üzerinde çalıştığı

İlk iki sorunun yanıtını hızla alabiliyor, son ikisi içinse çalışanla görüşmeniz gerekiyorsa yönetişim yaklaşımınız araç listenizi kapsıyor, verilerinizin ise çok azını kapsıyor demektir.