Yapay zeka siber güvenlikte nasıl kullanılıyor? Savunma ve saldırı tarafında somut kullanım alanları

Neden yapay zeka siber güvenlikte konuşuluyor?

Kurumsal ağlarda üretilen günlük güvenlik olayı hacmi; kurum
büyüklüğüne göre milyonlarla milyarlar arasında değişmektedir. Bir SOC
ekibinin bu hacmi imza tabanlı kural setleri ve manuel triyaj ile
karşılayabilmesi; ölçek olarak mümkün değildir. Yapay zeka; bu ölçek
sorununa üç ayrı düzlemde yanıt vermek üzere devreye alınmıştır: olay
sınıflandırma, olay ilişkilendirme (correlation) ve olay yanıtlama
önerileri.

Aynı zamanda saldırgan tarafta; büyük dil modellerinin kamuya açık
kullanılabilir hâle gelmesi, deepfake üretim araçlarının erişilebilir
hâle gelmesi ve zafiyet analizinde yapay zeka destekli araçların
ortaya çıkışı; saldırının hazırlık süresini kısaltmıştır. Bu iki yön;
yapay zekayı siber güvenlikte kalıcı bir konu hâline getirmiştir.

Savunma tarafında yapay zeka

Yapay zekanın savunma tarafındaki kullanımı; imza tabanlı klasik
güvenlik ürünlerinin sınırlarını genişletmeye odaklanmaktadır. Başlıca
kullanım alanları şunlardır:

• Olay tetiklemesi (alert) triyajı: SOC ekiplerinin ilk
  düzey analizinde; olayın gerçek pozitif mi, yanlış pozitif mi olduğu
  kararının otomatikleştirilmesi.
• Olay ilişkilendirme: Aynı saldırı zincirinin farklı
  kaynaklardan (uç nokta, e-posta, kimlik, ağ) gelen tetiklemelerinin
  tek bir olay altında birleştirilmesi.
• Doğal dil özet üretimi: Komut satırı davranışlarının,
  işlem zincirlerinin ve güvenlik günlüklerinin analist için
  okunabilir bir dille özetlenmesi.
• Davranışsal analiz: Uç noktalarda ve ağda görülen sürecin
  kendisinden değil, davranışından yola çıkılarak kötü niyet
  puanlamasının yapılması.
• Tehdit istihbaratının işlenmesi: Onlarca dilde ve farklı
  formatlarda gelen tehdit raporlarının kurumsal bağlamda önemli olan
  göstergelere (indicators of compromise) indirgenmesi.
• Kimlik ve erişim analizi: Kullanıcı davranış analizi (User
  and Entity Behavior Analytics, UEBA) alanında olağan dışı erişim
  örüntülerinin tespiti.
• Zafiyet yönetiminde önceliklendirme: Aynı anda binlerce
  CVE ile karşılaşan kurumsal yama süreçlerinde; kurumsal ortamla
  kesişen zafiyetlerin öne çıkarılması.

Saldırı tarafında yapay zeka

Aynı yeteneklerin saldırgan tarafta nasıl kullanıldığı; savunma
uygulamaları kadar sistematik biçimde ele alınmalıdır. Başlıca
kullanım alanları şunlardır:

• Kimlik avı iletileri: Büyük dil modelleri kullanılarak
  kuruma özgü dilde, dil bilgisi hatasız, hedef kişiye özel bağlamla
  üretilen kimlik avı e-postaları. Klasik kimlik avı ile arasındaki
  kalite farkı; savunma tarafındaki eşiği yükseltmektedir.
• Deepfake ses ve video: Kurumsal yönetici seslerinin
  klonlanarak çağrı merkezleri, muhasebe ekipleri ve yönetici asistanı
  doğrulama akışlarında yeni bir dolandırıcılık vektörünün ortaya
  çıkması.
• Kötücül yazılımın polimorfik varyantları: Aynı temel
  yükleyicinin (loader) her hedef için farklı imzayla derlenmesi ve
  imza tabanlı tespitin atlatılması.
• Otomatik zafiyet keşfi: Kaynak kodun ve derlenmiş
  uygulamaların yapay zeka destekli statik/dinamik analizle taranarak
  yeni zafiyetlerin bulunması.
• Sosyal mühendislik otomasyonu: Anlık iletişim uygulamaları
  üzerinden gerçek zamanlı üretilen ikna edici diyaloglar.
• Şifre kırma ve kimlik doğrulama saldırıları: Yapay zeka
  tabanlı olasılık modelleriyle geliştirilmiş parola tahmin
  saldırıları.

Bu maddeler; savunma tarafındakilerle simetrik değildir. Saldırı
tarafında kazanılan ölçek; savunma tarafındaki hızın önüne
geçebilmektedir.

SOC otomasyonu ve büyük dil modelleri

SOC (Security
Operations Center); modern kurumsal siber güvenliğin merkezi izleme
ve müdahale birimidir. Bu birimin en çok zorlandığı iki nokta; yüksek
olay hacmi ve yeni analistlerin öğrenme eğrisidir. Yapay zeka, iki
alanda da somut fayda sağlamaktadır.

Büyük dil modelleri; komut satırı davranışlarını, işlem zincirlerini
ve şüpheli PowerShell/Bash komutlarını doğal dilde açıklayan özetler
üretebilmektedir. Bu; ilk düzey analistin karar süresini kısaltmaktadır.
Otomasyon platformları; olay müdahale (incident response) adımlarını
öğrenilmiş oyun kitaplarına (playbook) göre önermekte ve tekrarlayan
işleri (host izolasyonu, kimlik bilgisi sıfırlama, log toplama) tek
tuş hâline getirmektedir.

Ancak yapay zeka; SOC ekibini yerine koyan değil güçlendiren
bir araçtır. Olayın kritikliği kararı, iş bağlamı değerlendirmesi ve
üçüncü taraflarla iletişim insan sorumluluğunda kalmaktadır. Otomasyon
platformlarının yanlış kararları; tam otomatik uygulandığında büyük
üretim kesintilerine neden olabilmektedir.

Kimlik avı tespitinde yapay zeka

Klasik e-posta güvenlik ağ geçitleri; kimlik avı tespitinde anahtar
sözcük, gönderen itibarı, SPF/DKIM/DMARC doğrulaması, bağlantı hedefi
ve dosya eklerinin karma değerlerine dayanmaktadır. Yapay zeka tabanlı
doğal dil işleme modelleri; bu katmanların üzerine e-postanın dil,
üslup, kuruma özgü bağlam boyutlarında analizini eklemektedir.
Kurumun tipik iletişim örüntüsünden sapan, aciliyet vurgusu yüksek,
kimlik bilgisi veya para transferi talebi içeren bir e-posta; bu
katmanda daha yüksek risk puanı almaktadır.

Saldırgan tarafında ise büyük dil modelleri; hedefli kimlik avı
(spear phishing) iletilerinin üretim maliyetini düşürmektedir.
Kuruma özgü isim, unvan, iç süreç bilgisi ve doğru üslupta yazılmış
bir iletinin geleneksel filtreleri geçebilme oranı yükselmektedir.
Bu; savunma tarafında sadece teknolojik değil; kurumsal farkındalık ve
doğrulama süreçlerinin de güçlendirilmesini gerektirmektedir.

EDR ve XDR platformlarında davranışsal analiz

EDR (Endpoint
Detection and Response) ve
XDR (Extended
Detection and Response) platformları; imza tabanlı antivirüs
mantığından kopmuş, davranışsal analiz merkezli ürünlerdir. Yapay
zeka; bu platformların merkezi analiz motorlarında iki alanda öne
çıkmaktadır: kötücül davranış puanlaması ve çok kaynaklı olayın tek
zincir olarak birleştirilmesi.

Bir işlem zincirinde; olağan dışı bir dosya sistemi erişimi, ardından
şüpheli bir ağ bağlantısı ve son olarak kayıt defteri kalıcılığı
oluşturulması; ayrı ayrı düşük risk taşıyan olaylardır. Yapay zeka
destekli motor; bu üç olayı aynı işlem kimliği zincirinde okur ve
tehdit puanını üst basamağa taşır. Bu; klasik antivirüsün yakalayamadığı
sıfır gün örüntülerini tespit sürecine dahil etmektedir.

Tehdit istihbaratının işlenmesi

Kurumsal siber savunma; günlük yüzlerce tehdit istihbarat kaynağıyla
karşı karşıyadır. Vendor uyarıları, CISA KEV ekleri, ulusal CSIRT
raporları, ISAC yayınları, ticari tehdit istihbarat servisleri ve
açık kaynaklı istihbarat (OSINT) kanalları; farklı dillerde ve
farklı formatlarda veri üretmektedir. Yapay zeka; bu verinin kurumun
teknoloji envanteri, coğrafyası, sektörü ve mevcut güvenlik yatırımları
bağlamında filtrelenmesini mümkün kılmaktadır.

Örneğin bir üretici bülteninin yayımladığı yeni bir CVE’nin;
kurumsal ortamda gerçekten bir hedef üzerinde çalışan sürümü
etkileyip etkilemediği, sömürü olasılığı, çıkış tarihi ile envantere
uygulanma süresi arasındaki gecikme; yapay zeka destekli platformlarda
tek bir puanla özetlenebilmektedir. Bu; klasik zafiyet yönetiminde
haftalar süren analiz sürecini saatler düzeyine indirmektedir.

Deepfake ve sosyal mühendislik otomasyonu

Deepfake; yapay zeka tabanlı üretici modellerle ses, görüntü ve
video içeriğinin sentetik biçimde üretilmesidir. Kurumsal savunma
açısından en somut tehdit; ses klonlama üzerinden yürütülen CEO/CFO
dolandırıcılığıdır. Kurumların üst düzey yönetici seslerinin kamuya
açık konferans, röportaj ve podcast kayıtlarından örneklenerek
klonlanabilmesi; yıllardır süregelen “yönetici e-posta talimatı”
saldırı vektörünün ses katmanına taşınması anlamına gelmektedir.

Video düzeyinde deepfake; kurumsal iletişim uygulamalarında canlı
görüntülü görüşme senaryolarında dahi kullanılabilir hâle gelmiştir.
Bu; hem finansal talimatlarda hem kimlik doğrulama süreçlerinde yeni
bir doğrulama katmanı ihtiyacı yaratmaktadır. Kurumların; kritik para
transferleri, kimlik bilgisi sıfırlamaları ve tedarikçi hesap
değişiklikleri için ses/video kanaldan bağımsız ikinci doğrulama
adımı uygulamaları önerilmektedir.

Büyük dil modelleri ve prompt injection riski

Kurumsal ortamda büyük dil modellerinin (LLM) siber güvenlik
ürünlerine entegre edilmesi; kendi başına yeni bir saldırı yüzeyi
yaratmaktadır. En önemli örnek
prompt
injection (istem enjeksiyonu) saldırılarıdır. Bu saldırılarda;
modele verilen kullanıcı girdisinin içine yerleştirilen özel talimatlar,
modelin sistem yönergelerini geçersiz kılmakta ve modelin
yönlendirilmesini sağlamaktadır.

Bir SOC otomasyon aracının bir e-posta içeriğini özetlemek üzere
büyük dil modeline vermesi; o e-postanın gövdesindeki gizli talimatlar
tarafından modelin manipüle edilmesi anlamına gelebilir. OWASP LLM
Top 10; büyük dil modellerinin kurumsal ürünlere entegrasyonunda
karşılaşılabilecek başlıca risk kategorilerini listelemektedir.
Bunlar; prompt injection, güvensiz çıktı işleme, eğitim verisi
zehirleme, model hizmet reddi, tedarik zinciri zafiyetleri ve
hassas bilgi ifşası olarak sıralanmaktadır.

Türkiye’nin konumu

Türkiye’de yapay zeka destekli siber güvenlik ekosistemi; birden
fazla düzeyde şekillenmektedir:

• Ulusal koordinasyon:
  Siber
  Güvenlik Başkanlığı;
  7545
  sayılı Siber Güvenlik Kanunu çerçevesinde ulusal düzeyde
  koordinasyon rolüyle konumlanmaktadır.
• Araştırma ve sertifikasyon:
  TÜBİTAK
  BİLGEM; yapay zeka ve siber güvenlik kesişiminde araştırma
  programları yürütmekte, Ortak Kriterler sertifikasyon sürecinde ürün
  değerlendirmelerini gerçekleştirmektedir.
• Savunma sanayii oyuncuları:
  STM,
  HAVELSAN, ASELSAN,
  yerli
  siber güvenlik şirketleri ve büyük teknoloji şirketleri; yapay zeka
  destekli SOC, EDR/XDR, tehdit istihbaratı ve güvenlik operasyonları
  ürünlerini kurumsal pazara sunmaktadır.
• Ulusal yapay zeka stratejisi: Türkiye Ulusal Yapay Zeka
  Stratejisi; ulusal siber güvenlikle kesişen çalışma alanlarını da
  kapsamakta; yerli büyük dil modeli ve temel model çalışmalarını
  desteklemektedir.
• Akademik ekosistem: Türkiye’deki üniversitelerin siber
  güvenlik programları ve yapay zeka merkezleri; kurumlara doğrudan
  teknoloji transferi ve ortak proje kanalları açmaktadır.

7545 sayılı Kanun ve yapay zeka

7545 sayılı Siber Güvenlik Kanunu; yapay zeka teknolojilerini adıyla
düzenlememektedir; ancak Kanun’un kritik altyapı yükümlülükleri, olay
bildirimi, tedarik zinciri güvenliği ve idari yaptırım çerçevesi;
kurumların kullandığı yapay zeka destekli güvenlik ürünlerini ve
saldırganların kullandığı yapay zeka destekli tehditleri kapsamı
içine almaktadır.

Bir kurumun büyük dil modeli entegrasyonu üzerinden gerçekleşen
prompt injection saldırısı sonucu veri sızıntısı yaşaması; Kanun
kapsamında bir siber olay olarak değerlendirilmekte;
SOME üzerinden
USOM‘a bildirilmesi
yükümlülüğü doğmaktadır. Aynı biçimde; yapay zeka destekli
saldırıların kritik altyapı işletmecileri üzerinde ölçek etkisi
yaratması hâlinde
Siber
Güvenlik Kurulu kararlarıyla sektörel önlem alınması gündeme
gelebilmektedir.

Sınırlar ve yanlış anlamalar

Yapay zekanın siber güvenlikteki rolü; pazarlama malzemesinde
gerçek etkisinin üzerinde sunulabilmektedir. Somut sınırların altını
çizmek gereklidir:

• Yapay zeka; sıfır gün zafiyetleri bulmakta ve saldırganın niyetini
  okumakta insan uzmanlığının yerine geçmez.
• Bir ürünün “yapay zeka destekli” olması; otomatik olarak imza
  tabanlı ürünlerden daha güvenli olduğu anlamına gelmez.
• Yanlış pozitif oranı yüksek yapay zeka modelleri; SOC ekibinde
  yorgunluğa (alert fatigue) yol açar; savunma etkinliğini
  düşürebilir.
• Büyük dil modelleri; içeriği güvenilir bir kaynakmış gibi sunabilir
  ancak halüsinasyon (hallucination) üretebilir. Güvenlik kararları
  model çıktısına doğrudan bağlanmamalıdır.
• Yapay zeka; bir savunma katmanıdır; savunmanın tamamı değildir.
  Kimlik yönetimi, ağ segmentasyonu, güncel yama, en az ayrıcalık ilkesi
  ve düzenli yedekleme; hâlâ temel savunma katmanlarıdır.

Sıkça sorulan sorular

Kaynaklar ve doğrulama notu

• T.C. Cumhurbaşkanlığı Siber Güvenlik Başkanlığı — resmî yayınlar ve ulusal siber güvenlik çerçevesi.
• 7545 sayılı Siber Güvenlik Kanunu (Resmî Gazete, 19 Mart 2025).
• TÜBİTAK BİLGEM — Yapay zeka ve siber güvenlik araştırma programı bilgi kaynakları.
• OWASP — Top 10 for Large Language Model Applications; büyük dil modeli entegrasyonlarında risk kategorileri.
• NIST — AI Risk Management Framework (AI RMF 1.0); yapay zeka risk yönetimi çerçevesi.
• ENISA — Artificial Intelligence Cybersecurity Challenges (2023) ve Multilayer Framework for Good Cybersecurity Practices for AI (2023).
• MITRE ATLAS — Adversarial Threat Landscape for Artificial-Intelligence Systems; yapay zeka sistemlerine yönelik saldırı örüntüleri.
• Türkiye Ulusal Yapay Zeka Stratejisi 2021-2025 — kesişim alanları.

Bu içerikteki bilgiler; yalnızca ulusal ve uluslararası kamuya açık resmî yayınlar, standart geliştiren kuruluşların çerçeve belgeleri ve üniversite / araştırma kuruluşlarının kamuya açık yayınlarına dayanmaktadır. Yapay zeka destekli savunma ve saldırı yeteneklerine ilişkin ifadeler; kamuya açık pazar analizleri ve ürün belgelendirmeleri düzeyinde tutulmuş; kurum veya ürün adı üzerinden herhangi bir tanıtım ya da tercih yönlendirmesi yapılmamıştır. Envanter Medya bu içerikte hedef sisteme yönelik istismar kodu, payload veya sistem aşma adımı paylaşmamıştır.

Son güncelleme: 18 Eylül 2026. Siber güvenlik mevzuatı ve kurumsal yapı hızla değişmektedir; bu sayfa yeni düzenleme yayımlandıkça güncellenir.