Anderson’un Açısı

Yapay Zekâ Trafiğini Açığa Çıkaran Kanarya

Martin Anderson
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
AI-generated image (GPT-2): Rows of human workers focus on their computer screens while a distracted robot, seated among them, tries to look up at a yellow canary perched on its head.
Öne çıkan noktalarYalnızca DuckDuckGo'nun botu robots.txt'ye saygı gösterirken, Kimi tespit edilmekten…
Daha fazla göster
  • Yalnızca DuckDuckGo'nun botu robots.txt'ye saygı gösterirken, Kimi tespit edilmekten kaçınmak için sahte tarayıcı kimliklerini döndürdü.
  • Claude ve Grok gibi birçok yapay zeka sistemi, kamuya açıklamadan üçüncü taraf arama motoru kazıyıcılarını gizlice kullandı.
  • Kaynak sayfaların kaldırılması, kalıcı önbellekleme nedeniyle sohbet robotlarının yerleştirilen verileri yeniden üretmesini engelleyemedi.

Yeni bir çalışmada araştırmacılar web sitelerine benzersiz ifadeler gizledi ve yapay zekâ sohbet botlarını bunları tekrarlarken yakaladı. Böylece gizli veri toplama zincirlerini ve görünüşe göre en büyük yapay zekâ şirketlerinden bazılarının aldatıcı uygulamalarını açığa çıkardı.

 

Yapay zekâ şirketleri, katılımcı sayısını acımasızca azaltacağı öngörülen bir yarışta üstünlük için mücadele ediyor. Bu yüzden gerçekten, gerçekten modellerini besleyecek eğitim verileri için web sitelerinizi kazımak istiyorlar. Bazen durmaksızın; çoğu zaman açıkça belirttiğiniz isteklere aykırı davranarak; sık sık da sıradan insan okuyucuların veya daha dostane botların kılığına girerek — örneğin GoogleBot gibi — yapay zekâ veri toplayıcısı olan gerçek kimliklerini açıklamak yerine saklıyorlar.

Günümüzde tahmin edildiğine göre, yeni eğitim verileri toplamak ve kullanıcıların en son haberler için anlık talebini RAG aracılığıyla karşılamak üzere tasarlanan otomatik yapay zekâ veri toplayıcılarının sayısı bir yıl içinde insanları geçecek.

Bu hararetli, durmaksızın yinelenen veri toplama çabasının nedenlerinden biri, her yapay zekâ kuruluşunun giderek eskiyen depolar yerine kendi güncel internet kopyasına ihtiyaç duyması. Bu depolara örnek olarak Common Crawl verilebilir. Belki de şirketler yaklaşan yasal kısıtlamalardan korkuyor ve fikrî mülkiyet aklamaya olabildiğince erken başlamak istiyor.

Ayrıca yapay zekâ şirketleri, potansiyel olarak yararlı olabilecek olabildiğince çok siteyi sürekli kontrol ederek şu anda pek iyi olmayan yeteneklerini geliştirmeyi umuyor olabilir: son dakika gelişmelerine ve yeni ortaya çıkan durumlara bilgilendirici ve doğru yanıtlar verebilmek.

Her durumda, bu uygulamaların bir süredir denetim dışına çıktığı ve yönetilemez olduğu iddiasında bir miktar haklılık var gibi görünüyor.

Sorun şu ki yapay zekâ şirketlerinin en yeni verilere duyduğu açlığı gidermek için ne kadar ileri gittiğini kanıtlamak pek kolay değil.

Verilerin İzini Sürmek

ABD kaynaklı yeni bir makale, casusları, muhbirleri ve diğer şüpheli kişileri ortaya çıkarmak için kullanılan çok eski bir yöntemin farklı bir uygulamasını öneriyor: onlara başkasının bilmediği özel bilgiler vermek ve bu bilgilerin başka bir yerde ortaya çıkıp çıkmadığına, çıkarsa nerede çıktığına bakmak. Bilgiyi başka kimse bilmiyorsa sızıntının kaynağı kanıtlanmış olur:

Araştırmacıların yeni makalede açıkladığı temel fikir, gelen her bota aynı sayfanın biraz farklı bir sürümünü sunmak, ardından sohbet botlarına sayfayı sormak ve hangi sürümün döndüğüne bakmak. Böylece yanıtı hangi gizli web sorgularının beslediği izlenebiliyor. Kaynak - https://arxiv.org/pdf/2605.13706

Araştırmacıların yeni makalede açıkladığı temel fikir, gelen her bota aynı sayfanın biraz farklı bir sürümünü sunmak, ardından sohbet botlarına sayfayı sormak ve hangi sürümün döndüğüne bakmak. Böylece yanıtı hangi gizli web sorgularının beslediği izlenebiliyor. Kaynak

Bu yaygın yaklaşım belki de en çok korsanlıkla mücadele önlemleri sayesinde biliniyor. Akademi Ödülleri komitesi 2000’li yıllarda oy kullanan üyelere verilen ön gösterim DVD kopyalarını benzersiz dijital kimliklerle işaretlemeye başladı. Film internete sızarsa bu kimliklerin ilk alıcıyı belirlemeyi sağlayabileceği ileri sürülüyordu. Casuslukta bu yönteme baryum yemeği deniyor; bu ad, tıbbi taramada kan damarlarını aydınlatmak ve tıkanıklıkları belirlemek için radyoaktif izotop içeren bir sıvı kullanılması uygulamasından geliyor.

(İronik olarak seçilen kanarya benzetmesi, makalenin ele aldığı duruma pek uygun değil; ancak yukarıda anılan diğer benzetmelerden daha kolay tanınıyor.)

Yeni araştırmada yazarlar yirmi tuzak web alan adı oluşturdu ve her benzersiz ziyaretçiye benzersiz tokenlar sundu; böylece her ziyaretçi farklı olgular gördü (yukarıdaki görselde soldan ikinci sütuna bakın).

Amaç, LLM veri toplayıcılarının gerçek kimliğini ve davranışını ortaya çıkarmaktı. Teknik, kullanımdaki 22 LLM sistemi genelinde hangi toplayıcıların hangi modelleri beslediğini güvenilir biçimde belirleyebildi: benzersiz veri işaretlerini ektikten sonra biraz sabredip bir ya da iki ay sonra yapay zekâya doğru soruları sormak benzersiz tokenları ortaya çıkarıyordu.

Hileli Davranışlar

Elbette hâlâ yapay zekâ V3 döneminin vahşi batı aşamasında olmasaydık ve şirketler küçük metin dosyalarının talimatlarına gerçekten uysaydı bunların hiçbirine gerek kalmazdı. Alan adı sahipleri bu dosyalarla yapay zekâ şirketlerine verilerini toplamamalarını söyleyebiliyor.

Araştırmacıların testlerinde yalnızca bir şirket kendi açıkladığı davranış ilkelerine uyuyor gibi görünüyordu: DuckDuckbot adlı DuckDuckGo botu, kimliğini doğru tanıtan ve hedef alan adı kapatıldığı anda ya da robots.txt dosyası veri toplamayı reddedecek şekilde değiştirildiğinde gizli verileri bildirmeyi bırakan tek ajandı. Diğer yapay zekâ şirketleri önbelleğe alınmış sürümlere ve başka hilelere başvurdu.

En büyük oyuncuların çoğu ise genel tarayıcı kimliklerini taklit ediyordu; yani bir siteyi siz ya da ben ziyaret ettiğimizde görülecek kimliklerin aynısını kullanıyordu. Ayrıca Perplexity tarafından 2025 yılında başlatılan uygulamayı izleyerek GoogleBot kimliğine büründüler. GoogleBot, veri karşılığında sitelere trafik geri gönderdiği için uzun süredir site verilerine altın geçiş hakkına sahipti. Geçmiş zaman kullanıldığına dikkat edin, çünkü bu değişiyor.

Makaleye göre en kötü ihlalci, Kimi AI ekosistemini besleyen veri toplayıcısıydı:

«Kimi bu davranışın en uç örneği gibi görünüyor: birçok kullanıcı aracısının Kimi tarafından üretilen verilerle ilişkili olduğu görüldü. Kimi tarafından veri toplama sırasında geniş bir User-Agent dizeleri listesinin sırayla kullanıldığı sonucuna varıyoruz; bu, bot tespitinden kaçınmak için olabilir.»

Sorunu ciddi bir güçlüğe dönüştüren şey, ChatGPT veya benzer araçlar bir şeyi araştırdığında bu sürecin büyük ölçüde görünmez olması. Şirketler, sistemlerinin canlı bilgiyi nasıl topladığına ilişkin yalnızca kısmi açıklamalar veya kendi beyanlarını sunuyor. Site sahipleri hangi botların gerçekten sayfalarına geldiğini, ziyaretlerin doğrudan mı yoksa arama motorları üzerinden mi yapıldığını veya verilerin nihai yanıta nasıl ulaştığını açıkça belirleyemiyor.

Yeni çalışmanın bulguları, modellerin bir alan adından kendi önbelleğe alınmış kayıtlarını ve dahili SEO tarzı listelerini kullanabileceğine işaret ediyor. Ayrıca sık sık başka şirketlerin arama sonuçlarından yararlanıyorlar; birçok durumda bu şirketlerle kamuya açıklanmış bir ilişkileri veya görünürde bir kullanım anlaşmaları yok.

Yazarlar bu çalışmanın, eğitim veri kümeleri için yeni malzeme arayan botlardan ziyade RAG sistemlerinin istenmeyen müdahalesini ele alan ilk çalışma olduğuna inanıyor. Bunlar, çıkarım sırasında LLM tarafından yapılan canlı çağrılar; sistemi çalıştıran bir insan kullanıcı bulunabilir de bulunmayabilir de.

Yeni makale Kanarya Tokenları Kullanarak Yapay Zekâ Web Veri Toplayıcılarını Belirlemek başlığını taşıyor ve Duke Üniversitesi, Pittsburgh Üniversitesi ve Carnegie Mellon bünyesindeki altı araştırmacı tarafından hazırlanmış.

Yöntem

Araştırmacılar, sanat portföyü veya şirket sitesi gibi yaygın şablonlara dayanan, büyük ölçüde benzer siteler içeren yirmi.com alan adı kurdu. Her şablonda, sistem tarafından algılanan ziyaretçi profiline özgü tokenlarla doldurulacak 10 yer tutucu vardı. Profil; IP adresi, canvas parmak izi ve başka tanıma yöntemlerine dayanıyordu:

Deneyde kullanılan şablon ve değişken yer tutucularına bir örnek. Sistem tarafından benzersiz olarak algılanan her ziyaretçi kalıcı, kişiselleştirilmiş özel değişkenler alıyordu.

Deneyde kullanılan şablon ve değişken yer tutucularına bir örnek. Sistem tarafından benzersiz olarak algılanan her ziyaretçi kalıcı, kişiselleştirilmiş özel değişkenler alıyordu.

Benzersiz olarak algılanan her ziyaretçiye özel değişkenler veriliyordu. Sistem daha önce gelmiş bir ziyaretçinin döndüğünü algıladığında ona aynı değişkenler yeniden sunuluyordu. Değişkenler Python Faker kütüphanesi ve ayrıntıları belirtilmeyen rastgele sayı üreteçleriyle oluşturuldu.

Tuzak alan adları Google ve Bing gibi çeşitli dizinlere gönderildi; yazarların kontrolündeki önceden var olan diğer alan adlarından da bunlara bağlantılar verildi.

Çeşitli arama motoru ve benzer botların farklı tarama sıklıklarını, ayrıca olası doğal ziyaretleri hesaba katmak için iki ay beklendi. Ardından araştırmacılar aşağıda listelenen hedef sohbet botlarını sorgulamaya hazırdı:

Yapay zekâ sohbet botu Geliştirici
ChatGPT OpenAI
Claude Anthropic
Copilot Microsoft
Deepseek Deepseek
Duck.ai DuckDuckGo
ERNIE Baidu
Gemini Google
GLM Z.AI
Granite IBM
Grok xAI
Hunyuan Tencent
Yapay zekâ sohbet botu Geliştirici
Kimi MoonshotAI
Liquid Liquid
Llama Meta
Mistral Mistral
Nova Amazon
Perplexity Perplexity
Qwen Alibaba
Reka Reka
Solar Upstage
Step-3 StepFun
Venice Venice

Mümkün olan yerlerde her sistemi API üzerinden sorgulamak için betikler hazırlandı. Bunun mümkün olmadığı ve Selenium gibi otomatik çözümlerin yapay zekâ portalının tespit mekanizmaları tarafından engellendiği durumlarda, modellerin resmî grafik arayüzleri üzerinden elle etkileşim kuruldu.

İlk şablonlu etkileşimin ardından (yukarıdaki görsele bakın) ilgili tokendaki şirket ya da kişi adını ortaya çıkarmaya yönelik ikinci bir istem verildi.

Deneyler üç koşulda yapıldı: tamamen erişilebilir site; çevrimdışına alınmış site; veri toplamayı reddeden robots.txt kısıtlamalı site. Sonraki aşamalar öncekilere bağlı olduğundan deneyler tam olarak bu sırayla, birbiri ardından gerçekleştirildi.

Son olarak bütün siteler yeniden çevrimiçi yapıldı ve son aşamada LLM çıktıları haftalık aralıklarla yeniden test edildi.

Bulgular

Hedef modellerin dördü araştırmacıların yöntemlerine tamamen dirençli çıktı; bu nedenle şu modeller için sonuç alınamadı: DeepSeek, Hunyuan, GLM ve Liquid.

Yazarlar, birçok yapay zekâ botunun sıradan trafiği taklit etme eğilimine ilişkin şunları söylüyor:

«Sağlayıcıların kendilerinin açıkladığı birinci taraf ajanlara ek olarak, bazı yapay zekâ sistemleri genel tarayıcı User-Agent dizeleriyle bağlantılı içerik döndürdü. User-Agent bilgisi elde ettiğimiz 18 sistemin altısında bu davranışı gözlemledik.

Bu sonuç, bazı yapay zekâ sistemlerinin sıradan tarayıcı trafiğine benzeyen isteklerle site içeriğine erişebildiğini düşündürüyor. Bu da User-Agent tabanlı engellemeyi zorlaştırıyor.»

ERNIE hem Baiduspider hem de Chrome kimliği döndürdü; Grok, Googlebot ile iki tarayıcı ajanını birleştirdi; Solar yalnızca tarayıcı kimlikleri kullandı; Qwen, Googlebot ile Chrome kimliğini bir arada kullandı; Kimi ise birden fazla tarayıcı benzeri ajanla ilişkilendirildi.

Birçok sistem, her zaman açıklanmayan ilişkiler kapsamında üçüncü taraf arama motorlarının veri toplayıcılarına dayanıyor gibi görünüyordu. İncelenen 18 sistemin onu, Googlebot, Bingbot veya Bravebot ile bağlantılı içerik döndürdü. Birçok durumda yapay zekâ sağlayıcısıyla arama motoru arasında kamuya açıklanmış ilişki yoktu. Ancak bazı bağlantılar, örneğin Claude tarafından Brave kullanılması, belgelenmiş durumda.

Yazarlara göre bu, doğrudan veri kazıma yerine arama sonuçlarının içeri alınmasını yansıtıyor; çünkü ASN kontrolleri trafiğin sahte kimliklerden değil, beklenen arama motoru ağlarından geldiğini gösterdi.

Makale, bunun webden yapay zekâya giden zincire yeni bir belirsizlik katmanı eklediğini savunuyor: bilinen yapay zekâ toplayıcılarını engellemek verilerin kullanımını önlemeyebilir; kullanım dışında kalmak ise arama dizinlemesinden tamamen çıkmayı gerektirebilir. Geleneksel SEO ile LLM tabanlı arama arasındaki gerilim hâlâ çözülmekten uzak olduğundan bu, istenmeyen bir tercih.

Yalnızca Önbellek

Yazarlar, bir kaynağın kaldırılmasının sohbet botu çıktısını etkileyip etkilemeyeceğini test etmek için siteleri çevrimdışına aldı ve sistemleri bir hafta sonra yeniden sorguladı. Makaleye göre birçok sohbet botu, bir haftalık kesintiden sonra bile ekilen içeriği üretmeye devam etti. Bu, yanıtların canlı erişim yerine önbellekteki verilerden geldiğine işaret ediyordu.

Bu kalıcılık en çok arama motoru tarayıcılarıyla bağlantılı sistemlerde görüldü: kaynak sayfalara artık erişilemese de önceden dizinlenmiş içerik kullanılabilir kalıyordu. Tarayıcı benzeri ajanlarla ilişkili sistemlerde de benzer davranış gözlemlendi; dolayısıyla önbellekleme, arama motoru destekli zincirlerin ötesine uzanıyor olabilir.

Makale, içerik ister sohbet botunun tuttuğu önbelleğe ister arama dizinlerinden erişilen bir önbelleğe girdikten sonra, asıl sayfanın kaldırılmasının bu içeriği sonraki çıktılardan güvenilir biçimde kaldırmadığını öne sürüyor.

Sonuç

Yazarlar, bu klasik ayrıştırılmış yaklaşımın bir miktar sızıntıya yol açacağını kabul ediyor. Çünkü bir modele yönelik benzersiz tokenlar bazen tokenların gerçek sahibinin oluşturduğu arama sonuçlarında yer alıp ikinci bir model tarafından içeri alınabiliyor. Ancak bu tür düzeneklerde böyle bir yayılım kaçınılmaz; kritik ve açıklayıcı an, ilk ortaya çıkışı dikkatle izlemek.

Bu düzenin ne ölçüde büyütülebileceği henüz belli değil. Yazarların belirttiği gibi bağlama uygun tokenlar çok hızlı tükenebilir.

Ancak bu, asıl noktayı biraz kaçırıyor: yapay zekâ şirketlerinin veri toplama politikalarına ilişkin kendi yalanlarının açık kanıtlarını görmezden gelirken gösterebileceği küstahlığın bile bir sınırı olabilir. Ayrıca bu şirketler kimliklerini gizlemek için ev kullanıcılarının IP adreslerini sırayla kullanma gibi potansiyel olarak pahalı bir yola başvurmadıkça, tek bir kuruluşun yanıltıcı yapay zekâ botlarının IP adresleri veya ASN bilgileri için SpamHaus tarzı bir kara liste tespit edip yayımlaması yeterli olacaktır. İşlemin etkili olması için endüstriyel ölçekte yapılması gerekmez.

 

İlk yayımlanma: 14 Mayıs 2026 Perşembe

Makine öğrenimi üzerine yazar, insan görüntüsü sentezi alanında uzman. Metaphysic.ai'nin DNEG'e ait Brahma.ai bünyesine katılmasına kadar araştırma içeriğinden sorumlu yönetici olarak görev yaptı.
Web Sitesi: martinanderson.ai
İletişim: martin@martinanderson.ai