Yapay Zeka Verinizi Sessizce Nasıl Sızdırıyor: Görünmez Veri Maruziyeti

Verinizin nerede olduğunu bildiğinizi düşünüyorsanız, büyük olasılıkla yanılıyorsunuz. Son iki yılda üretken yapay zeka, dosyalar, e-postalar ve sohbet pencereleri arasında görünmez bir nehir gibi akıyor; kurumların çoğu bu akışı geleneksel güvenlik araçlarıyla göremiyor bile. Konuşmacının açılış sorusu tam bu körlüğe işaret ediyor: yapay zeka benimsenmesi, onu denetleyecek kontrollerden çok daha hızlı ilerlediğinde, hassas bilgi sessizce dışarı sızıyor.

Videoda aktarılan tek bir rakam etrafında tartışma dönüyor: kuruluşların yüzde 31'inin yapay zeka kaynaklı bir gizlilik ihlali yaşadığı iddiası. Bu sayı kulağa çarpıcı geliyor, fakat aibusiness.com üzerinden aktarılan IBM 2025 Cost of a Data Breach Raporu tabloyu netleştiriyor. Ponemon Institute'un Mart 2024–Şubat 2025 arasında 600 ihlali incelemesine göre yapay zeka model ve uygulamalarında ihlal yaşayanların oranı yüzde 13 , yüzde 8'i ise ihlal olup olmadığını bile bilmiyor. İhlal yaşayanların yüzde 97'sinde yapay zeka erişim kontrolü yoktu, olayların yüzde 60'ı verinin ele geçirilmesiyle sonuçlandı ve yüzde 31'i operasyonel kesintiye yol açtı. Yani videodaki yüzde 31, aslında veri sızıntısından çok operasyonun durması tarafına denk düşüyor.

Gölge yapay zeka ve halka açık sohbet robotlarının sessiz maliyeti

İki kavram tablonun merkezinde: shadow AI ve halka açık sohbet robotları. Gölge yapay zeka, BT onayı olmadan kurulan, politika dışı modeller ve aracılar demek; cloudsecurityalliance.org araştırma notu, kurumlarda yapay zeka kullanımının yüzde 89'unun güvenlik ekiplerince görünmediğini ve kurumsal-kisisel veri hareketinin yüzde 32'sinin bu kanallardan geçtiğini aktarıyor. IBM verisi de gölge yapay zekanın ihlallerin beşte birinden sorumlu olduğunu ve ortalama ihlal maliyetini 670 bin dolar artırdığını, kişisel verilerin yüzde 65'inde ve fikri mülkiyetin yüzde 40'ında daha sık kayıp görüldüğünü söylüyor. Öte yanda çalışanların tabloyu sohbet robotuna yapıştırması, veriyi tek seferde kamuya açıyor. Model bu veriyle yeniden eğitilirse, geri alma yolu neredeyse yok.

Konuşmacı soruyu üç başlıkta topluyor: yapay zeka hangi veriyi kullandı, veriyi nereden aldı ve maruziyeti proaktif nasıl yöneteceğiz. Geleneksel veri sızıntısı önleme (DLP) bu üç soruya yanıt veremiyor; çünkü DLP, dosya ve e-postayı gördüğü yerde durdurmaya çalışırken yapay zeka veriyi dönüştürüyor, parçalıyor ve yeniden yazıyor. Bu nedenle yalnızca hangi yapay zeka araçlarının kullanıldığını bilmek yetmiyor; hassas verinin sistemler arasında nasıl aktığını izlemek gerekiyor.

Mimari, videoda basit bir şemayla anlatılıyor: eğitim verisi modeli besliyor, kullanıcı prompt giriyor, sistem bunu RAG ile yani kurumsal belgelerden çekilen parçalarla ve vektör veritabanındaki gömülü temsillerle zenginleştiriyor, üzerine context ve politika katmanı ekleniyor. Ardından ajan devreye giriyor, araçları çağırıyor, kod yazıyor, veritabanına yazıyor ve hatta yeni ajanlar doğuruyor. Her adımda veri başka bir forma giriyor. Bir e-tablo hücresindeki müşteri kimliği, vektör uzayında bir embedding'e, oradan bir ajan çıktısında cümleye dönüşebiliyor.

Hassas veri haritası: eğitimden araca uzanan beş durak

Hassasiyetin durakları da aynı şemayı izliyor. Eğitim verisinde kişisel veriler (PII) , sağlık kayıtları (PHI), finansal bilgiler veya ticari sırlar bulunabilir. Prompt tarafında kullanıcının eklediği belge veya tablo aynı riski taşır. Context ve politika katmanında ise rekabet avantajı sayılan prosedürler, fiyatlama mantığı veya iç yönergeler Modelin talimatı haline gelir. Araç katmanında durum daha opak: ajan bir veritabanına yazdığında, o verinin nereye replike olduğunu, kimlerin okuyabildiğini ve ne kadar saklanacağını biliyor muyuz? nightfall.ai analizine göre MCP sunucularının yalnızca yüzde 18'i erişimi kapsamla sınırlıyor ve yüzde 53'ü kimlik bilgilerini yapılandırma dosyasında düz metin saklıyor; yani araç, veriyi koruyacağına sızdırabiliyor. Zincirin sonunda ajanların doğurduğu alt-ajanlar, aynı hassas bağlamı kontrolsüz şekilde çoğaltıyor.

Çözüm için konuşmacı iki akışı ayırıyor: workload ve workforce . Workload, yapay zeka uygulamalarının içindeki akış: hangi belgenin RAG hattına girdiğini, vektör veritabanında nasıl dilimlendiğini ve dönüştüğünü, çıktının hangi araca gittiğini izlemek gerekiyor. Dönüşüm kritik; çünkü veri biçim değiştirince imza tabanlı DLP onu tanımıyor. Buna karşılık workforce, çalışanların yapay zekayı kullanma biçimi: dosya yükleme ve indirme, kopyala-yapıştır, ana dosyadan türeyen child file 'lar ve çalışanlar arası paylaşım. Her iki akışta da soru aynı: kaynak neresi, dönüşüm ne, varış noktası neresi ve bu hareket yetkili miydi?

Tek bir mercek yetmiyor. Konuşmacı üç ayrı gözlüğü karşılaştırıyor. microsoft.com 'un anlattığı agentic platform discovery, hangi promptun hangi modeli, hangi ajanı ve hangi MCP aracını tetiklediğini gösteriyor; Microsoft Defender for Endpoint bu envanteri cihaz ve kimlikle ilişkilendirip maruziyet haritası çıkarıyor ve KQL ile aramaya izin veriyor. Endpoint DLP ise cihaz üzerindeki ajanlar, eklentiler, MCP sunucuları ile dosyaları, belleği ve dijital kalıntıları görüyor. Cloud ve şirket içi keşif ise veri kaynaklarının envanterini, sınıflandırmasını ve sahipliğini çıkarıyor. Sorun şu ki her biri resmin yalnızca bir parçasını görüyor; bütünleşik, uçtan uca bir bakış olmadan veri, bir sistemde görünürken diğerinde kayboluyor.

Bütünleşik görünürlük ve yeni nesil DLP

İhtiyaç listesi buradan çıkıyor. İlki AI-aware otomatik sınıflandırma ve keşif : sistem sürekli değiştiği için tarama da sürekli olmalı, PII, PHI, finansal veri ve fikri mülkiyeti tüm platformlarda tanımalı. cloudsecurityalliance.org notu, altı uygulamanın riskli maruziyetin yüzde 92,6'sını oluşturduğunu ve sızan içeriğin yüzde 74,5'inin kaynak kod, hukuk belgesi ve finansal veri olduğunu hatırlatarak sınıflandırmanın neden öncelikli olduğunu gösteriyor. İkincisi lineage odaklı risk görünürlüğü: RAG ve ajan dönüşümleri boyunca verinin nasıl yayıldığını ve biçim değiştirdiğini izlemek. Üçüncüsü ise bağlam duyarlı, akıllı soruşturma: kullanıcı hassasiyeti, hedef ve niyete göre karar veren, haftalar süren incelemeyi dakikalara indiren bir yetenek.

Son halka uyum. Konuşmacı GDPR , EU AI Act , SOC 2, ISO 27001 ve HIPAA'yı yan yana koyuyor. gdpr.eu 'nun özetlediği üzere GDPR, kişisel verinin işlenme, saklanma ve silinme kurallarını tanımlarken EU AI Act yüksek riskli sistemlerde şeffaflık ve insan gözetimi istiyor; SOC 2 ve ISO 27001 ise güvenlik kontrollerinin sürekliliğini denetliyor. Bu çerçevelerin hiçbirinin tek başına yapay zeka veri akışını kapsamadığını söylemek, konuşmacının en isabetli tespiti. mind.io 'nun duyurduğu AI DLP Agents tam bu boşluğa oynuyor: sınıflandırma, politika üretimi, olay soruşturması ve düzeltmeyi otonom ajanlara devrederek DLP eforunu yüzde 80 azaltmayı, yanlış pozitifleri neredeyse sıfıra çekmeyi ve soruşturma süresini yarıya indirmeyi vaat ediyor, üstelik ISO/IEC 42001 sertifikalı bir mimariyle. Veri yapay zekanın can damarı; akmak zorunda. Ama nereye aktığını izlemeden, kan kaybını fark edemiyoruz.