8. GLOBALLEŞME, YAPAY ZEKÂ VE YENİ İLETİŞİM DÜZENİ

8.1 Yerelleştirme Çeviri Değildir; Bağlam Mühendisliğidir

Bir girişimin başka ülkeye açılması çoğu zaman web sitesinin çevrilmesiyle başlar ve bu nedenle yerelleştirme kolayca bir dil işi gibi görülür. Oysa müşterinin şirketle kurduğu ilişkinin önemli bölümü kelimelerin dışında gerçekleşir. İnsanların nasıl ödeme yaptığı, fiyatı hangi para biriminde görmek istediği, adres ve telefon numarasını nasıl yazdığı, iade ve teslimat beklentisi, hukuki metinlerin yapısı, destek saatleri, mahremiyet algısı, ürün kategorisine duyduğu güven ve hatta hangi kanalı “resmî” kabul ettiği ülkeden ülkeye değişebilir. Metni kusursuz çevrilmiş bir ürün, bu davranışların hiçbirine uyum sağlamıyorsa teknik olarak yerelleşmiş ama pratikte yabancı kalmış olabilir.

Airbnb’nin küresel ölçekte karşılaştığı sorunlar bu ayrımı somut biçimde gösterir. Şirketin mühendislik ekibi yıllar önce uluslararasılaştırmayı yalnızca metin çevirmek olarak değil, farklı dil yapılarını teknik sistemin içine yerleştirmek olarak ele aldı. Airbnb’nin Polyglot adlı açık kaynak aracına ilişkin açıklamasında platformun 192 ülkedeki ilanlarla çalıştığı ve sitenin otuzdan fazla dile çevrildiği belirtiliyordu; araç yalnızca kelime karşılığı vermek için değil, çoğul biçimleri ve yerel dil yapısını uygulama içinde yönetebilmek için geliştirilmişti.[1] Bu, yerelleştirmenin ilk katmanıdır: Aynı cümlenin başka dilde görünmesi yetmez, yazılımın o dilin yapısını taşıyabilmesi gerekir.

Daha güncel bir Airbnb örneği ödeme davranışının dile göre çok daha derin bir yerelleştirme alanı olduğunu gösteriyor. Şirket “Pay as a Local” programında, faaliyet gösterdiği 220’den fazla küresel pazarda kart kullanımının hâkim olmakla birlikte her ülkede en güvenilir veya tercih edilen ödeme yöntemi olmadığını belirledi ve on dört ay içinde yirmiden fazla yerel ödeme yöntemini sisteme ekledi.[2] Burada ürünün temel işlevi değişmedi; kullanıcı yine konaklama veya deneyim satın alıyordu. Değişen, müşterinin bu işlemi kendi pazarında doğal ve güvenilir bulduğu araçla yapabilmesiydi. Bir şirket açısından yerelleştirmenin gerçek anlamı da burada ortaya çıkar: Küresel ürünün merkezini korurken kullanıcının yerel alışkanlığıyla arasındaki gereksiz sürtünmeyi azaltmak.

Bu nedenle kültürel yerelleştirmeyi de “Japonlar resmîdir, Amerikalılar doğrudandır, Türkler sıcaktır” gibi kaba stereotiplere indirgemek ciddi bir hatadır. Ülkeler homojen kişilikler değildir; yaş, sektör, gelir düzeyi, kent, meslek ve kullanım bağlamı aynı ülke içinde çok farklı davranışlar yaratabilir. Yerelleştirmenin sağlam yöntemi kültürel klişeler değil, gözlem ve araştırmadır. Kullanıcı ürünü nerede terk ediyor, hangi ödeme aracını seçiyor, destek ekibine ne soruyor, hangi hukuki açıklama güven yaratıyor, hangi kelime yanlış anlaşılmaya yol açıyor? Bağlam mühendisliği, ülke hakkında genelleme yapmak değil, gerçek davranış farklarını ürün ve iletişim kararlarına çevirmektir.

8.2 Küresel Marka Tutarlılığı Her Ülkede Aynı Cümleyi Söylemek Değildir

Globalleşen şirketlerin ikinci problemi, merkezî marka kimliği ile yerel esneklik arasındaki dengedir. Merkez ekip bütün dünyada aynı sözü, tasarımı ve kampanyayı kullanmak isteyebilir; çünkü bu yaklaşım marka tanınırlığını artırır, üretim maliyetini düşürür ve şirketin kimliğinin parçalanmasını önler. Yerel ekipler ise pazarın gerçekliğinin farklı olduğunu, aynı mesajın başka bağlamda zayıf veya yanlış anlaşılabildiğini görür. İki taraf da kendi açısından haklı olabilir. Sorun, hangi unsurun değişmez ilke, hangisinin uygulama biçimi olduğunun tanımlanmamasıdır.

Bir markanın özü ile ifadesini ayırmak bu nedenle yararlıdır. Şirket güvenlik, sadelik veya erişilebilirlik gibi belirli bir değer önerisini her pazarda koruyabilir; fakat bunu anlatan örnekler, müşteri senaryoları, ödeme yöntemleri, destek kanalları ve hatta bazı ürün özellikleri değişebilir. Aynı biçimde görsel kimlik korunurken kampanyanın mizah seviyesi yerel bağlama göre değişebilir. Tutarlılık, bütün pazarların tek bir merkez metnini kopyalaması değil, farklı uygulamaların aynı kurumsal mantığa bağlanabilmesidir.

Bu ayrım özellikle hukuki ve düzenleyici alanlarda önem kazanır. Finans, sağlık, çocuklara yönelik hizmetler, veri koruma ve yapay zekâ gibi alanlarda şirketin başka ülkede kullandığı iddia yeni pazarda hukuken aynı anlamı taşımayabilir. ABD’de kabul edilebilir bir ürün karşılaştırması Avrupa’da farklı açıklama yükümlülükleri doğurabilir; belirli veri kullanım biçimi bir pazarda müşteri deneyimi olarak görülürken başka pazarda açık rıza veya ek bilgilendirme gerektirebilir. İletişim ekibinin global kampanyayı “çevirip yayınlamak” yerine yerel hukuk, ürün ve operasyon ekipleriyle birlikte çalışması bu nedenle yalnız uyum meselesi değil güven meselesidir.

Şirketler bazen yerel uyumu marka kimliğinin zayıflaması gibi görür. Oysa kullanıcıya kendi para birimini, alışık olduğu ödeme aracını veya anlayabildiği hukuki açıklamayı sunmak markanın özünü değiştirmez. Tam tersine şirketin “müşteriyi anlıyoruz” iddiasını gerçek davranışa dönüştürür. Küresel marka, dünyanın her yerinde aynı görünen şirket değil; dünyanın farklı yerlerinde neden aynı şirket olduğunu açıklayabilen kurumdur.

8.3 Çeviri Teknolojisi Hız Kazandırır; Anlam Sorumluluğunu Ortadan Kaldırmaz

Yapay zekâ destekli çeviri araçları şirketlerin uluslararası içerik üretme maliyetini dramatik biçimde düşürdü. Bir ürün açıklaması, yardım merkezi makalesi veya kampanya metni saniyeler içinde onlarca dile çevrilebiliyor. Bu gelişme özellikle küçük girişimlerin daha önce bütçe nedeniyle giremediği pazarlarda deneme yapmasını kolaylaştırıyor. Ancak dil üretmenin ucuzlaması, anlam doğrulamasını daha az önemli hale getirmiyor. Aksine şirket çok daha fazla dilde çok daha hızlı içerik üretebildiği için hatanın ölçeği büyüyor.

Bir çevirinin dilbilgisi açısından doğru olması, ürün açısından doğru olduğu anlamına gelmez. Finansal terim, sağlık ifadesi, hukuki uyarı, teknik özellik veya fiyatlandırma şartı yanlış bağlama oturduğunda müşteri zarar görebilir. Ürün adları ve arayüz metinlerinde de sorun yalnız kelime karşılığı değildir; düğmenin uzunluğu, cinsiyetli dil, çoğul yapısı, tarih ve sayı biçimi, hitap düzeyi ve arama davranışı kullanıcı deneyiminin parçasıdır. Airbnb’nin Polyglot örneğinde çoğul biçimlerin doğrudan teknik altyapıda ele alınması tam olarak bu yüzden önemlidir.[1]

Bu durum şirketin yapay zekâ kullanımında yeni bir görev tanımı ortaya çıkarır. İnsan editörün işi artık her cümleyi sıfırdan çevirmek olmayabilir; fakat hangi içeriğin otomatik üretilebileceğini, hangisinin uzman kontrolünden geçeceğini ve hangi terimlerin şirket genelinde sabit kalacağını belirlemek daha önemli hale gelir. Ürün içindeki düşük riskli yardım metni ile kredi sözleşmesindeki mali yükümlülük aynı doğrulama düzeyine sahip olmamalıdır. Yapay zekâ sayesinde üretim maliyeti düştükçe editoryal yönetişimin değeri artar.

Bu nedenle uluslararası iletişimde “AI çeviriyor, insan kontrol ediyor” cümlesi de tek başına yeterli değildir. İnsan neyi kontrol ediyor? Dil doğallığını mı, hukuki doğruluğu mu, ürün gerçeğini mi, kültürel bağlamı mı? Kontrol eden kişinin hangi uzmanlığa sahip olduğu tanımlanmamışsa insan döngüde görünür ama güvence gerçekte kurulmamış olabilir. Yeni iletişim düzeninde kalite, insan ile makinenin birlikte çalışmasından otomatik olarak doğmaz; görev ve sorumlulukların doğru bölünmesinden doğar.

8.4 Yapay Zekâ İletişimi Hızlandırır; Şirket Adına Konuşma Yetkisini de Büyütür

Üretken yapay zekânın iletişim alanındaki ilk cazibesi üretim hızıdır. Basın bülteni taslağı, sosyal medya metni, müşteri e-postası, toplantı özeti, araştırma notu ve sunum birkaç dakika içinde hazırlanabilir. Bu verimlilik gerçektir. Fakat yapay zekâ yalnızca yazma süresini kısaltmaz; şirket adına metin üretme yetkisini daha önce hiç olmadığı kadar geniş bir çalışan ve sistem grubuna dağıtır. Bir pazarlama yöneticisi günde beş metin yerine elli metin, müşteri hizmeti sistemi bin insan yerine milyonlarca müşteriye cevap üretebilir. Hızın büyüdüğü oranda yanlış bilginin yayılma kapasitesi de büyür.

Bu nedenle yapay zekâ kullanımının ilk sorusu “hangi modeli kullanalım?” değil, “hangi kararı makineye devrediyoruz?” olmalıdır. Model yalnızca ilk taslağı mı hazırlıyor; müşteriyle doğrudan konuşuyor mu; fiyat, kredi, sağlık veya hukuki hak konusunda yorum yapıyor mu; gazeteciye gönderilecek kişiselleştirilmiş e-postayı otomatik mi üretiyor; yöneticinin adına kamuya açık açıklama mı hazırlıyor? Aynı teknoloji farklı görevlerde çok farklı risk üretir. Düşük riskli yaratıcı fikir üretimi ile müşterinin parasını etkileyen otomatik cevap aynı yönetişim altında yönetilemez.

NIST’in 2024’te yayımladığı Üretken Yapay Zekâ Profili tam da bu nedenle yapay zekâ riskini yalnız model seviyesinde değil, sistemin bütün yaşam döngüsü içinde ele alıyor. NIST çerçevesi kuruluşların riskleri yönetmesini, bağlamı haritalamasını, ölçmesini ve sürekli olarak yönetmesini öneriyor; amaç üretken AI için tek bir yasak listesi oluşturmak değil, kullanım amacına ve risk toleransına göre yönetişim kurmak.[3] İletişim açısından bunun karşılığı, aynı modelin farklı kullanım alanlarında farklı insan kontrolü, kayıt, test ve doğrulama gerektirmesidir.

Avrupa Birliği’nde bu konu artık yalnız iyi uygulama tartışması da değildir. AB Yapay Zekâ Yasası’nın belirli şeffaflık yükümlülükleri 2 Ağustos 2026’da uygulanmaya başladı. Avrupa Komisyonu’nun Temmuz 2026 tarihli rehberine göre bazı etkileşimli AI sistemlerinde kullanıcıya bir yapay zekâ sistemiyle etkileşimde bulunduğunun açıkça bildirilmesi gerekiyor; deepfake ve belirli kamu yararı metinlerinde de AI üretimi veya manipülasyonuna ilişkin şeffaflık yükümlülükleri bulunuyor.[4] Bu gelişme iletişim açısından önemli bir yön değişikliğini gösteriyor: Yapay zekâyı insanmış gibi görünmez kılmak her zaman “daha pürüzsüz deneyim” sayılmıyor; kimi durumlarda karşı tarafın kimle veya neyle konuştuğunu bilmesi güven ilişkisinin parçası haline geliyor.

8.5 Klarna: Maliyet Başarısı ile İletişim Başarısı Aynı Ölçü Değildir

Klarna’nın müşteri hizmetlerinde yapay zekâ kullanımı, kurumsal AI iletişiminin son yıllardaki en öğretici vakalarından biridir; çünkü hikâye iki farklı dönemde iki farklı başarı tanımı üzerinden ilerledi. Şirket 27 Şubat 2024’te yapay zekâ asistanının ilk ayında 2,3 milyon müşteri görüşmesi yaptığını, müşteri hizmeti sohbetlerinin üçte ikisini karşıladığını ve 700 tam zamanlı çalışanın yaptığı işe eşdeğer hacim ürettiğini açıkladı. Klarna aynı açıklamada müşteri memnuniyetinin insan temsilcilerle aynı seviyede olduğunu, tekrar başvuruların yüzde 25 azaldığını, ortalama çözüm süresinin on bir dakikadan iki dakikanın altına indiğini ve sistemin 2024 kârına yaklaşık 40 milyon dolar iyileştirme sağlamasının beklendiğini belirtti.[5] İlk bakışta bu, otomasyonun neredeyse kusursuz başarı hikâyesiydi.

Ancak sonraki dönem şirketin başarı tanımının değiştiğini gösterdi. Reuters’ın Eylül 2025’te aktardığına göre CEO Sebastian Siemiatkowski, Klarna’nın yapay zekâ kullanımında maliyet azaltmaya fazla ağırlık vermiş olabileceğini kabul etti; müşteri hizmeti ve ürün kalitesi konusundaki sorunlar sonrasında şirket yeniden işe alım yapıyor ve yapay zekâ stratejisini yalnız personel maliyetini azaltmak yerine büyüme, hizmet ve ürün geliştirmeye yöneltiyordu.[6] Reuters’ın aynı yılın sonunda yaptığı daha geniş değerlendirmede Klarna, yapay zekâ sohbet sistemlerinin nüans ve karmaşıklıkta yetersiz kaldığı alanlarda insan temsilcileri yeniden güçlendiren şirketler arasında gösterildi.[7]

Bu vaka “yapay zekâ başarısız oldu, insanlar kazandı” biçiminde basitleştirilmemelidir. Klarna yapay zekâdan vazgeçmedi; sistemin verimlilik ve ürün geliştirme açısından önemli rol oynamaya devam ettiğini söyledi. Asıl ders ölçüm sorusundadır. Müşteri hizmetinin başarısı yalnız kaç görüşmenin otomatik çözüldüğü, kaç dakika kazanıldığı veya kaç pozisyonun eşdeğer işinin yapıldığıyla ölçülürse, iletişimde insani nüans, güven, karmaşık problem çözme ve müşteri ilişkisinin uzun vadeli değeri gözden kaçabilir. Yapay zekâ projesinin temel başarı göstergesi yalnız maliyet olduğunda sistem maliyeti başarıyla azaltıp markaya zarar verebilir.

Kurumsal iletişimde yapay zekâ kullanırken bu ayrım daha da önemlidir. Bir araç binlerce kişiselleştirilmiş e-postayı çok ucuza üretebilir; fakat insanlar bunları sahte veya ilgisiz buluyorsa verimlilik metriği iletişim hedefinin tersine çalışır. Chatbot soruların yüzde doksanını otomatik yanıtlayabilir; fakat kalan yüzde on şirketin en hassas müşteri problemleriyse insan erişimini zorlaştırmak ciddi güven kaybı yaratabilir. Otomasyonun başarısı, ne kadar insan emeğini ortadan kaldırdığıyla değil, iletişimin toplam kalitesini ve sonucunu nasıl değiştirdiğiyle ölçülmelidir.

8.6 Komut Yazmaktan Editoryal Orkestrasyona

Üretken yapay zekânın ilk yıllarında kurumsal kullanım tartışması büyük ölçüde “modele doğru komut nasıl verilir?” sorusuna odaklandı. İyi talimat gerçekten daha iyi çıktı üretebilir; fakat profesyonel iletişim açısından bu yalnızca sürecin küçük parçasıdır. Bir metnin kalitesini belirleyen şey yalnız modele verilen komut değil, modele hangi kaynakların sağlandığı, hangi bilgilerin güncel kabul edildiği, hangi iddiaların doğrulanacağı, şirket içi gizli verinin nasıl korunacağı, çıktının hangi editoryal standarttan geçeceği ve son sorumluluğun kimde olduğudur.

Bu nedenle yeni iletişim yetkinliğini “komut mühendisliği” yerine editoryal orkestrasyon olarak düşünmek daha yararlıdır. İnsan artık her cümleyi kendisi yazmak zorunda olmayabilir; fakat bilgi akışının mimarisini kurar. Örneğin yatırım duyurusu hazırlanırken modelin şirketin son finansal verilerine, yatırım turunun gerçek şartlarına ve onaylı yönetici alıntılarına erişmesi gerekir. Gazeteci araştırması yapılırken modelin web üzerindeki benzer isimleri birbirine karıştırmaması ve eski yazıyla yeni yazıyı ayırması gerekir. Kriz açıklamasında yalnızca kamuya açık metin değil teknik ve hukuki ekipten doğrulanmış güncel bilgi kullanılmalıdır. İyi yapay zekâ çıktısı, iyi bilgi altyapısının sonucudur.

NIST’in üretken AI profili de risk yönetimini yalnız model hatasına indirgemez; bilgi bütünlüğü, mahremiyet, güvenlik, insan-AI etkileşimi ve yönetişim gibi farklı risk alanlarını birlikte ele alır.[3] Bu yaklaşım iletişim ekipleri için özellikle önemlidir. Modelin “halüsinasyon yapabileceğini” bilmek yeterli değildir. Hangi halüsinasyon kabul edilebilir? Bir beyin fırtınasında uydurma örnek üretmesi kolayca fark edilebilirken, basın bültenine yanlış gelir rakamı koyması veya müşteri destek metninde olmayan bir iade hakkı yaratması doğrudan zarar verebilir. Kontrol yoğunluğu kullanımın sonucuna göre belirlenmelidir.

Editoryal orkestrasyonun başka bir boyutu kaynak izidir. İnsan ekip uzun metinde hangi iddianın nereden geldiğini bilmek zorundadır. Yapay zekâ araştırmayı hızlandırabilir; ancak kaynaksız özetin doğruluğunu değerlendirmek zordur. Profesyonel sistemlerde kritik iddiaların kaynak bağlantısı, tarih, belge sürümü ve mümkünse alıntı bağlamı korunmalıdır. Bu kitapta vakaları birincil kaynaklarla doğrulamaya çalışmamızın nedeni de aynı ilkeye dayanır: Yapay zekâ bir iddiayı akıcı biçimde söyleyebildiği için o iddia gerçek hale gelmez.

8.7 Kişiselleştirme ile Sahte İlgi Arasındaki Sınır

Yapay zekânın iletişimde en cazip vaatlerinden biri, kitlesel iletişimi kişiselmiş gibi gösterebilmesidir. CRM verisi, sosyal medya profili, geçmiş alışveriş, gazetecinin yazıları veya müşterinin destek geçmişi modele verildiğinde binlerce kişiye birbirinden farklı mesaj üretmek mümkündür. Teknik açıdan bu büyük ilerlemedir; etik ve iletişim açısından ise eski bir soruyu büyütür: Karşı tarafta gerçek ilişkiden daha fazla ilişki varmış izlenimi yaratıyor muyuz?

Bir gazeteciye otomatik sistemin “geçen haftaki makalenizi büyük ilgiyle okudum” diye yazması, eğer gönderen kişi o makaleyi gerçekten okumadıysa kişiselleştirme değil sahte davranış üretimidir. Aynı şekilde CEO adına hazırlanan binlerce “kişisel” teşekkür mesajı, yöneticinin gönderildiğinden haberi yoksa alıcının ilişki hakkındaki algısını manipüle edebilir. Kullanıcının geçmiş davranışını kullanarak gerçekten ilgili öneri sunmakla, insan ilgisi taklit etmek arasında önemli fark vardır. Birincisi veriyi hizmeti iyileştirmek için kullanır; ikincisi karşı tarafın sosyal beklentilerini araçsallaştırır.

Bu sınırın pratik ölçüsü, otomasyon ortaya çıksa mesajın anlamının değişip değişmeyeceğidir. Müşteri “bu öneriyi geçmiş satın almalarıma göre bir sistem hazırladı” bilgisini öğrendiğinde kendisini kandırılmış hissetmiyorsa kişiselleştirme büyük ölçüde işlevseldir. Gazeteci mesajın aslında yüzlerce kişiye AI tarafından üretildiğini öğrendiğinde “demek ki yazımı hiç okumamış” diye düşünüyorsa iletişim sahte yakınlığa dayanmıştır. İletişimde güvenin önemli kısmı karşı tarafın mesajın nasıl üretildiğine ilişkin makul beklentisinden doğar.

AB’nin 2026’da uygulanmaya başlayan AI şeffaflık yaklaşımı da daha geniş ölçekte aynı ilkeyi kurumsallaştırıyor: İnsanların belirli durumlarda bir yapay zekâ sistemiyle etkileşimde olduklarını bilmesi gerektiğini kabul ediyor.[4] Her otomatik e-postaya büyük “yapay zekâ tarafından yazıldı” etiketi koymak her zaman gerekli veya anlamlı olmayabilir; fakat insanın yapmadığı ilgiyi yapmış gibi göstermek uzun vadede markanın güven sermayesini tüketir. Yapay zekâ kişiselleştirmeyi büyütmelidir; sahte samimiyeti değil.

8.8 Ne Makineye Devredilmemeli? Risk Seviyesine Göre İnsan Sorumluluğu

Yapay zekâ kullanımında en önemli yönetişim kararı, hangi işlerin otomasyona uygun olmadığını belirlemektir. Burada mutlak bir “yapay zekâ bunu asla yapamaz” listesi hazırlamak yerine sonucun geri döndürülebilirliği, yanlışın maliyeti ve etkilenen kişinin kırılganlığına bakmak daha yararlıdır. Yanlış sosyal medya başlığı birkaç dakika içinde düzeltilebilir; yanlış sağlık yönlendirmesi, kredi bilgisi, işten çıkarma mesajı veya kriz talimatı aynı kolaylıkla geri alınamaz. Risk yükseldikçe insan kontrolü, kaynak doğrulaması ve yetki sınırı güçlenmelidir.

İnsan kontrolünün yalnız son aşamada “onayla” düğmesine basan bir kişiden ibaret olmaması gerekir. Kontrol eden insanın yeterli bilgiye, zamana ve yetkiye sahip olması önemlidir. Günde binlerce AI çıktısını birkaç çalışana onaylatmak teknik olarak süreç insan denetimli görünür, fakat pratikte gerçek inceleme gerçekleşmez. Aynı şekilde çalışan modelin önerisine itiraz ettiğinde performans baskısıyla otomatik cevabı kabul etmek zorunda kalıyorsa insan denetimi biçimseldir. Sorumluluk mimarisi, insanların gerektiğinde sistemi durdurabildiği ve yanlış çıktının neden oluştuğunu araştırabildiği biçimde kurulmalıdır.

Bu noktada kayıt tutma da önem kazanır. Hangi model kullanıldı, hangi veri kaynağına erişti, hangi sürümde hangi politika geçerliydi, çıktıyı kim onayladı? Her iletişim için ağır denetim kaydı gerekmese de yüksek riskli süreçlerde bu bilgiler kriz anında “neden böyle cevap verdik?” sorusunu yanıtlar. Yapay zekâ iletişimi ölçeklendirdikçe kurumsal hafızanın da ölçeklenmesi gerekir.

Globalleşme ile yapay zekânın aynı bölümde ele alınmasının nedeni burada ortaya çıkar. İki süreç de şirketin merkezî kapasitesini çok daha geniş bir alana taşır. Globalleşme aynı markayı farklı hukuk, dil ve kültürel bağlamlara; yapay zekâ ise aynı kurumsal bilgiyi milyonlarca otomatik etkileşime yayar. Her ikisi de ölçek yaratır, fakat ölçek bağlamı yok ederken risk büyür. İyi şirket, merkezî tutarlılığı korurken yerel ve insani bağlamı sisteme geri koyabilen şirkettir.

Yeni iletişim düzeninin temel sorusu bu nedenle “AI ne kadar içerik üretebilir?” değildir. Daha önemli soru, kurumun hangi bilgiyi hangi bağlamda, hangi sorumluluk düzeyiyle ve kimin adına ürettiğidir. Teknoloji üretimi ucuzlatmıştır; güveni ucuzlatmamıştır. Hatta içerik bolluğunun arttığı, insan ile makine üretiminin birbirine benzediği bir ortamda doğrulanabilirlik, kaynak açıklığı ve gerçek insan sorumluluğu daha değerli hale gelmiştir.

KAYNAK NOTLARI — BÖLÜM 8

[1] Airbnb Engineering & Data Science, “Polyglot”, Airbnb’nin uluslararasılaştırma altyapısı, çoğul biçimleri ve çok dilli ürün deneyimi:

https://airbnb.tech/opensource/polyglot/

[2] Airbnb Engineering & Data Science, “Pay as a Local”, 220’den fazla pazarda yirmiden fazla yerel ödeme yönteminin ürünleştirilmesine ilişkin vaka:

https://airbnb.tech/payments/pay-as-a-local/

[3] National Institute of Standards and Technology (NIST), “Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile”, NIST AI 600-1, 26 Temmuz 2024; sayfa 8 Nisan 2026’da güncellendi:

https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence

[4] European Commission, “Guidelines on transparency obligations for providers and deployers of AI systems”, 20 Temmuz 2026. AI Act Article 50 şeffaflık hükümleri 2 Ağustos 2026’dan itibaren uygulanmaktadır:

https://digital-strategy.ec.europa.eu/en/library/guidelines-transparency-obligations-providers-and-deployers-ai-systems

[5] Klarna, “Klarna AI assistant handles two-thirds of customer service chats in its first month”, 27 Şubat 2024:

https://www.klarna.com/international/press/klarna-ai-assistant-handles-two-thirds-of-customer-service-chats-in-its-first-month/

[6] Reuters, “Sweden’s Klarna shifts AI focus from cost cuts to growth”, 10 Eylül 2025:

https://www.reuters.com/business/swedens-klarna-shifts-ai-focus-cost-cuts-growth-2025-09-10/

[7] Reuters, “AI promised a revolution. Companies are still waiting.”, 16 Aralık 2025; Klarna ve diğer şirketlerin müşteri hizmetlerinde insan desteğini yeniden güçlendirmesine ilişkin değerlendirme:

https://www.reuters.com/business/business-leaders-agree-ai-is-future-they-just-wish-it-worked-right-now-2025-12-16/