OWASP GenAI Veri Güvenliği Rehberi v2: Yapay Zekâ Sistemlerinde Veri Nasıl Korunur?

OWASP GenAI Veri Güvenliği Rehberi v2: Yapay Zekâ Sistemlerinde Veri Nasıl Korunur?

OWASP GenAI Güvenlik Projesi, üretken yapay zekâ (GenAI) sistemlerinde verinin nasıl korunacağına dair yeni bir rehber serisi başlattı. “GenAI Veri Güvenliği En İyi Uygulamaları” başlıklı rehberin 2.0 sürümünün ilk bölümü, Ekim 2026 tarihinde “Temel, Kapsam ve AI-DSPM” alt başlığıyla yayımlandı. Toplamda 400 sayfayı aşan rehber, 12 parça halinde sunulacak. İlk bölüm 45 sayfa olup, serinin geri kalanı için temel oluşturuyor.

Bu rehber, OWASP’ın “GenAI Veri Güvenliği Riskleri ve Azaltma Yöntemleri 2026” adlı risk dokümanıyla birlikte okunmak üzere hazırlandı. Risk dokümanı, yapay zekâ sistemlerine özgü 21 veri güvenliği riskini DSGAI01’den DSGAI21’e kadar kodlarla tanımlayarak “ne ters gidebilir” sorusuna yanıt verirken, yeni rehber ise “buna karşı ne yapmalıyız” sorusunu cevaplıyor. Şubat 2025’te yayımlanan ilk sürüm artık güncel bir referans olarak kullanılmamalıdır.

Yazıda Geçen Temel Kavramlar

Rehber, okuyucunun yapay zekâ sistemlerinin işleyişine aşina olduğunu varsaymaktadır. Metnin geri kalanını kolayca takip edebilmek için sıkça kullanılan terimler aşağıda kısaca açıklanmıştır:

Terim	Kısaca
Bağlam penceresi	Modelin bir soruya cevap verirken aynı anda gördüğü metnin tamamı: sistem talimatları, kullanıcının mesajı, çekilen belgeler ve önceki konuşma.
RAG	Modelin cevap vermeden önce kurumun kendi belgelerinden ilgili parçaları bulup bağlama eklemesi. Şirket içi yapay zekâ asistanlarının çoğu bu yöntemle çalışır.
Embedding ve vektör veritabanı	Embedding, bir metnin anlamını temsil eden sayı dizisi. RAG sistemleri belgeleri bu biçime çevirip vektör veritabanlarında saklar ve aranan konuya en yakın parçaları buradan bulur.
Ajan (agent)	Yalnızca metin üretmekle kalmayıp araç kullanarak iş yapan yapay zekâ sistemi. E-posta gönderebilir, veritabanı sorgulayabilir, başka ajanlara görev verebilir.
MCP	Model Context Protocol. Yapay zekâ sistemlerinin dış araçlara ve veri kaynaklarına bağlanmak için kullandığı protokol.
NHI	Non-Human Identity, yani insan olmayan kimlik. Ajanların, araçların ve servislerin sistemlere bağlanırken kullandığı hesaplar, anahtarlar ve token’lar.
Prompt injection	Modele verilen içeriğin arasına gizli talimat yerleştirerek modelin davranışını değiştirme saldırısı. Talimat bir e-posta ya da web sayfası gibi dış bir kaynaktan geliyorsa dolaylı (indirect) prompt injection denir.
Shadow AI	Kurumun haberi ya da onayı olmadan kullanılan yapay zekâ araçları.
DLP	Data Loss Prevention. Hassas verinin dışarı çıkmasını tespit edip engelleyen kontroller.

Neden Ayrı Bir Rehbere İhtiyaç Duyuldu?

Rehber, ilk sürümden bu yana geçen 16 ayda tehdit ortamının hızla değiştiğini belirtiyor ve bu değişimi birkaç başlık altında topluyor. Ajan tabanlı sistemlerin yaygınlaşması, beraberinde çok sayıda insan olmayan kimlik (NHI) getirdi. RAG (Retrieval Augmented Generation), üretimdeki baskın mimari haline gelerek vektör veritabanlarını öncelikli güvenlik konularından biri yaptı. MCP (Model Context Protocol) ve araç entegrasyonları, veri sınırını üçüncü taraf eklentilere, dış API’lere ve tarayıcı asistanlarına kadar genişletti. Görsel, ses ve video gibi girdiler de sızıntı yüzeyini metin filtrelerinin göremediği alanlara taşıdı.

Rehber, bu risklerin artık teorik olmadığını gerçek olaylarla gösteriyor. 2025’te yaşanan ve kaynaklarıyla verilen olaylar şunlardır:

• Microsoft 365 Copilot’taki EchoLeak (CVE-2025-32711).
• Aim Security’nin Haziran 2025’te bildirdiği ve rehberin üretimdeki bir LLM sisteminde görülen ilk “sıfır tıklamalı” dolaylı prompt injection ile veri sızdırma olarak tanımladığı açık.
• Tenable Research’ün Eylül 2025’te bildirdiği ve Google Gemini’nin üç farklı bileşenindeki dolaylı prompt injection sorunlarını kapsayan “Gemini Trifecta”.
• Sourcegraph Amp ve Cline VS Code asistanında görülen, görünmez talimatlar ve markdown görselleri üzerinden veri sızdırma yöntemleri.
• xAI’nin Grok modelinde güvenilirliği düşük kaynakların öne çıkarılması ve sistem talimatlarının kurcalanması olayları.

Daha geniş örnekler arasında internete açık kalan bir DeepSeek veritabanı, Microsoft’un yapay zekâ ekibine ait 38 TB verinin açığa çıkması ve Samsung’un ChatGPT kaynaklı kaynak kodu sızıntısı da yer alıyor.

GenAI’da Veri Güvenliği Neden Farklı?

Rehbere göre klasik veri güvenliği üç varsayıma dayanır: verinin belirli bir yapısı (şeması) vardır, erişim bir kimliğe bağlıdır ve her işlem belirli bir sorguya karşılık gelir. GenAI sistemleri bu üç varsayımı aynı anda bozuyor. Hassas veri, yapısı ve satır düzeyinde sahibi olmayan embedding’lere, özetlere ve model ağırlıklarına dönüşüyor. Talimatlarla aynı alanda, bağlam penceresinde birleşiyor. Model, eğitim sırasında gördüğü veriyi cevaplarında aynen ya da yakın biçimde tekrar edebiliyor. Bu nedenle rehber, mevcut kontrollerin (şifreleme, kimlik yönetimi ve DLP gibi) üzerine yapay zekâya özgü yeni bir katman eklenmesini öneriyor.

Bağlam Penceresi Sorunu

Rehberin üzerinde en çok durduğu konu bağlam penceresidir. Sistem talimatı, kullanıcının mesajı, RAG ile çekilen belgeler, araç çıktıları ve konuşma geçmişi bu pencerede tek bir düz metin olarak birleşir ve aralarında hiçbir erişim kontrolü bulunmaz. Gizli bir kurum belgesinden çekilmiş bir parça, kullanıcının yazdığı metin ve bir saldırganın hazırladığı web içeriği modelin gözünde aynı güvenilirlikte durur. Bir içeriği “bunu düşünmek için kullan ama cevapta aynen verme” ya da “bu talimat değil, sadece veri” diye işaretlemenin yaygın bir yolu yoktur.

Rehber, prompt injection’ın yıllardır süren çalışmalara rağmen model katmanında çözülememesinin yapısal nedenini burada görüyor. Önerdiği kontrollerin bu sorunu çözmediğini, yalnızca etrafından dolaştığını da açıkça kabul ediyor. Bu yüzden her programın şu varsayımla kurulmasını istiyor: modele ulaşan her içerik, üretilen her cevabı etkileyebilir. Koruma da buna göre verinin sisteme girdiği, belgelerin çekildiği, araçların çağrıldığı ve cevabın üretildiği noktalara yerleştirilmelidir.

Verinin Yayıldığı Yerler

Rehber, bir GenAI sistemindeki veriyi altı kategoriye ayırıyor:

Kategori	Örnekler
Kaynak veri	Ham veri setleri, kullanıcı yüklemeleri, destek talebi geçmişi, bilgi tabanları, doküman arşivleri
Türetilmiş veri	Embedding’ler, vektör indeksleri, çekilen metin parçaları, özetler, sentetik veri setleri
Model dosyaları	Model ağırlıkları, kuruma özel eğitilmiş ek katmanlar (adaptörler), eğitim logları, model kayıt sistemleri
Çalışma anındaki veri	Prompt’lar, sistem talimatları, bağlam pencereleri, araçlara giden istekler, ajanlar arası mesajlar, oturum hafızası
Operasyonel kayıtlar	Uygulama logları, izleme kayıtları (trace), hata ayıklama kayıtları
Ajan durumu	Ajanların kısa ve uzun süreli hafızası, birbirine verdikleri görevler, önbellekte tutulan kimlik bilgileri

Bu tablodan iki önemli sonuç çıkarılıyor: Birincisi, türetilen veri kaynağının hassasiyetini taşır ancak erişim kurallarını taşımaz. İkincisi, veri yüzeyi sistem kullanılmaya başlandıktan sonra da büyümeye devam eder. Yeni bir MCP sunucusu eklemek ya da bir tarayıcı asistanını açmak, ilk risk analizinde hiç olmayan yeni veri türleri yaratır. Ayrıca, bir aracın yaptığı iş, adresi aynı kalırken ve kurumda hiçbir değişiklik yapılmadan değişebilir. Bu durumun en somut sonucu silme işleminde görülür: bir kişinin verisini kaynak veritabanından silip embedding’ini vektör veritabanında, izini log kayıtlarında ve etkisini eğitilmiş modelde bırakan bir silme işlemi, mevzuata uygun bir silme sayılmaz.

Bildiğimiz Kontroller Nasıl Genişliyor?

Rehber, klasik güvenlik kontrollerinin GenAI’da nasıl genişlemesi gerektiğini bir tabloyla gösteriyor. Öne çıkan satırlar şunlardır:

Klasik kontrol	GenAI’daki karşılığı
Şifreleme	Embedding’ler, ajan hafızası ve araçlara giden istekler de şifrelenir. Anahtar yenileme vektör veritabanlarını ve model kayıt sistemlerini de kapsar.
Kimlik ve erişim yönetimi	Ajanlar, MCP sunucuları ve araçlar da kimlik yönetimine dahil edilir. Kimlik bilgileri yalnızca ihtiyaç anında verilir, kalıcı yetki bırakılmaz. Belge bazında erişim kontrolü, belge saklanırken değil RAG ile çekilirken de uygulanır.
DLP	Kontrol prompt’un alındığı, belgenin çekildiği ve cevabın üretildiği noktalarda yapılır. Görsellerden okunan metin ve ses kayıtlarının dökümü de taranır.
Loglama	Varsayılan olarak mümkün olan en az şey loglanır. Hassas içerik izleme sistemlerine ulaşmadan maskelenir. Hata ayıklama kayıtları kısa süre saklanır.
Ağ ayrımı	Araçlar izole ortamlarda çalıştırılır. Ajanların dış ağa çıkışı kısıtlanır. Her MCP bağlantısı ayrı bir güven bölgesi sayılır.
Olay müdahalesi	Müdahale planları cevaplarda veri sızıntısı, RAG zehirleme, ajan kimliğinin kötüye kullanımı ve vektör veritabanının ele geçirilmesi gibi senaryoları da kapsar.

Altı Temel İlke

Rehberin 2. bölümü, serinin bütün parçalarında tekrar edecek altı ilke koyuyor. Rehber bu ilkelerin tek başına yeni olmadığını, yeni olanın GenAI’a uygulanışı olduğunu belirtiyor.

İlke	Ne anlama geliyor
Veri minimizasyonu	Modele yalnızca o görev için gereken ve kullanıcının görme yetkisi olan veri verilir. Rehber “her şeyi bağlama koy, model ayıklasın” yaklaşımını açıkça reddediyor.
İzolasyon ve en az yetki	Her kullanıcı, oturum ve ajan için ayrı sınırlar çizilir. Ajanlara ve araçlara insan hesaplarına uygulanan özen gösterilir. Geri alınamayan ya da etkisi büyük işlemlerden önce insan onayı istenir.
Yaşam döngüsü disiplini	Saklama ve silme kuralları verinin türetilen bütün biçimlerine uygulanır.
Bütünlük ve köken takibi	Verinin sisteme girdiği ve dönüştürüldüğü her noktada kurcalama aranır. Model ve veri dosyaları imzalanır, veri setlerinin içerik listesi tutulur.
Sürekli izleme	Sistem büyüdükçe sabit kontroller eskir. Veri sürekli keşfedilir, sınıflandırılır ve izlenir. Rehber bunu AI-DSPM programı olarak tanımlıyor.
Modele sıfır güven	Modelin hata yapabileceği, yönlendirilebileceği ve kısmen ele geçirilmiş olabileceği varsayılır. Sistem talimatına yazılan bir kural kendiliğinden uygulanmış sayılmaz. Asıl korumayı cevap filtreleme, format kontrolü, araçların izole çalıştırılması ve insan onayı sağlar.

Rehber, yeni bir sistem kuran ekiplere bütün bölümleri aynı anda uygulamaya çalışmamalarını öneriyor. Önerilen sıra şöyle: önce sistemdeki verinin envanteri çıkarılır, sonra o sistem için en önemli DSGAI riskleri belirlenir, ilgili bölümlerdeki temel kontroller kurulur ve sistem büyüdükçe ileri seviyelere geçilir.

21 Risk

Rehber, risk dokümanındaki 21 riski kolay başvuru için kendi içinde de listeliyor. Serinin her bölümü bu kodlara bağlanıyor:

Kod	Risk (orijinal adı)	Türkçesi
DSGAI01	Sensitive Data Leakage	Hassas veri sızıntısı
DSGAI02	Agent Identity & Credential Exposure	Ajan kimliklerinin ve kimlik bilgilerinin açığa çıkması
DSGAI03	Shadow AI & Unsanctioned Data Flows	Shadow AI ve onaysız veri akışları
DSGAI04	Data, Model & Artifact Poisoning	Veri, model ve dosya zehirleme
DSGAI05	Data Integrity & Validation Failures	Veri bütünlüğü ve doğrulama hataları
DSGAI06	Tool, Plugin & Agent Data Exchange Risks	Araç, eklenti ve ajanlar arası veri alışverişi riskleri
DSGAI07	Data Governance, Lifecycle & Classification for AI Systems	Veri yönetişimi, yaşam döngüsü ve sınıflandırma
DSGAI08	Non-Compliance & Regulatory Violations	Mevzuata uyumsuzluk
DSGAI09	Multimodal Capture & Cross-Channel Data Leakage	Görsel, ses gibi kanallar üzerinden veri sızıntısı
DSGAI10	Synthetic Data, Anonymization & Transformation Pitfalls	Sentetik veri, anonimleştirme ve dönüştürme hataları
DSGAI11	Cross-Context & Multi-User Conversation Bleed	Konuşmaların oturumlar ve kullanıcılar arasında sızması
DSGAI12	Unsafe Natural-Language Data Gateways (LLM-to-SQL/Graph)	Doğal dili veritabanı sorgusuna çeviren güvensiz geçitler
DSGAI13	Vector Store Platform Data Security	Vektör veritabanı güvenliği
DSGAI14	Excessive Telemetry & Monitoring Leakage	Aşırı loglama ve izleme kaynaklı sızıntı
DSGAI15	Over-Broad Context Windows & Prompt Over-Sharing	Bağlama gereğinden fazla veri konması
DSGAI16	Endpoint & Browser Assistant Overreach	Bilgisayar ve tarayıcı asistanlarının yetki aşımı
DSGAI17	Data Availability & Resilience Failures in AI Pipelines	Erişilebilirlik ve dayanıklılık sorunları
DSGAI18	Inference & Data Reconstruction	Modelden verinin tahmin edilmesi ve yeniden oluşturulması
DSGAI19	Human-in-the-Loop & Labeler Overexposure	Etiketleme ve insan onayı aşamasında verinin fazla açılması
DSGAI20	Model Exfiltration & IP Replication	Modelin çalınması ve kopyalanması
DSGAI21	Disinformation & Integrity Attacks via Data Poisoning	Veri zehirleme yoluyla dezenformasyon

Üç Olgunluk Seviyesi

Rehberdeki kontroller üç seviyeye ayrılıyor: Tier 1 (temel), Tier 2 (sertleştirme) ve Tier 3 (ileri). Bu seviyeler riskin ciddiyetini değil, kurumun olgunluk seviyesini gösteriyor. Tier 1, canlıdaki bir GenAI sisteminin altına inmemesi gereken asgari seviyedir. Yapay zekâ güvenliğine yeni başlayan kurumların önce ilgili tüm alanlarda Tier 1’i kurması, sonra ilerlemesi bekleniyor. Kontroller ayrıca kurumun kendisinin mi geliştireceğine (Build), bir üründen mi alacağına (Buy) yoksa ikisini birlikte mi kullanacağına (Buy and Build) göre etiketleniyor.

AI-DSPM: Verinin Sürekli Takibi

Part 1’in en uzun bölümü AI-DSPM’e (AI Data Security Posture Management) ayrılmış. AI-DSPM, yapay zekâ sistemlerindeki verinin sürekli envanterini tutan, onu sınıflandıran ve güvenlik durumunu izleyen bir program olarak tanımlanabilir. Rehbere göre bu program, sonraki parçalardaki bütün kontrollere neyin nerede olduğunu söyleyen temeldir.

Rehber programı iki farklı soruya ayırıyor: İlki, bir ajanın ya da yapay zekâ sisteminin ne yapmak üzere yapılandırıldığı. İkincisi, sistemin şu anda ne yaptığı. Rehber, bu iki alanın farklı ekipler, farklı araçlar ve farklı ölçütlerle yönetilmesini istiyor. İkisini tek bir iş gibi görmeyi programların en sık başarısız olma nedenlerinden biri olarak sayıyor.

Program 13 yetenekten oluşuyor ve bunlar üç katmanda toplanıyor:

Katman	Yetenekler
Temel	Varlık envanteri, sınıflandırma, veri soy ağacı (verinin nereden gelip nereye gittiğinin kaydı), erişim yönetimi
Tespit ve uygulama	Prompt, RAG ve cevaplarda DLP; vektör veritabanı güvenliği; bütünlük ve zehirleme tespiti; log ve izleme sistemlerinin güvenliği; bağlantı (connector) yönetimi
Yönetişim ve yaşam döngüsü	Saklama ve silme, model eğitiminin yönetimi, dayanıklılık, Shadow AI kontrolleri

Rehbere göre AI-DSPM programları en çok, yetenekler birbirinden kopuk kurulduğunda ve aralarında bilgi akmadığında başarısız oluyor. Bu yüzden aralarındaki bağların açıkça kurulmasını istiyor. Envanterde olmayan varlık sınıflandırılamaz, sınıflandırılmamış veri için DLP çalışamaz. Veri soy ağacı olmadan silme işleminin türetilen veriye ulaştığı kanıtlanamaz. Zehirleme tespiti bir olay müdahale sürecini başlatmıyorsa, gelen uyarılar fiilen kimse tarafından incelenmemiş olur. Shadow AI ise rehberin tarifiyle bağlantı envanterinde olması gerekip de olmayan her şey.

Kim Sorumlu?

Rehber, programların çoğunun güvenlik ekibi ile yapay zekâ platform ekibi arasındaki boşlukta başarısız olduğunu belirtiyor. Bunun için her yetenek alanı için kimin sorumlu olduğunu gösteren bir tablo veriyor. Çoğu alanda nihai sorumlu CISO. Silme işlemlerinde bu rol veri koruma sorumlusuna, vektör veritabanları ve eğitim gizliliğinde yapay zekâ platform liderine geçiyor. Tepede, üst düzey bir yöneticinin başkanlık ettiği bir Yapay Zekâ Yönetişim Komitesi var. Komite aktif programlarda ayda bir, oturmuş programlarda üç ayda bir toplanıyor. Rehber bu yapıyı ISO/IEC 42001 standardının liderlik ve planlama maddeleriyle ilişkilendiriyor.

Rehber ürün seçimi için de bir çerçeve sunuyor ve kategori bazında örnek ürünler veriyor. Ürün adlarının yalnızca örnek olduğunu, OWASP’ın hiçbirini önermediğini özellikle vurguluyor. Pazarın 2025-2026’da hızla birleştiğini de not ediyor: Palo Alto Networks, Temmuz 2025’te Protect AI’ı satın almayı tamamladı ve CyberArk satın alımını 11 Şubat 2026’da kapattı. Veeam 2025 sonunda Securiti ile birleşme duyurdu, Cisco da Robust Intelligence’ı satın aldı.

365 Günlük Yol Haritası

Rehber 13 yeteneğin aynı anda kurulmamasını istiyor ve üç aşamalı bir plan öneriyor:

Aşama	Hedef	Başlıca adımlar
0-90 gün: Temel	Gerçek durumu ortaya çıkarmak	Yönetişim komitesi kurulur. Bulut hesaplarındaki, vektör veritabanlarındaki ve izleme sistemlerindeki yapay zekâ varlıklarının envanteri çıkarılır. Shadow AI politikası yayımlanır. Onaysız yapay zekâ sitelerine giden veri için DLP devreye alınır. Ajanların ve araçların kimlikleri listelenir, kalıcı kimlik bilgileri yenilenir.
90-180 gün: Sertleştirme	Tespiti güvenilir hâle getirmek ve etiketleri yaymak	Sınıflandırma etiketleri türetilen veriye de aktarılır. Veri soy ağacı kaydı başlar. RAG’de belge bazında erişim kontrolü kurulur. Loglardaki hassas veri maskelenir. Her MCP ve araç bağlantısı risk puanıyla kayda alınır. Silme talepleri türetilen veriyi de kapsar.
180-365 gün: Olgunluk	Ölçülebilir ve dayanıklı olmak	Zehirleme tespiti olay müdahalesine bağlanır. Model eğitimine gizlilik kontrolleri eklenir. Vektör veritabanlarının yedekleri geri yükleme testleriyle doğrulanır. Performans göstergeleri için bir pano kurulur ve bir GenAI olayı üzerine masa başı tatbikat yapılır.

Halihazırda yaygın GenAI kullanımı olan kurumlar için bu sürecin 12 yerine 12-18 ay sürmesi bekleniyor. Rehber bu kurumlara her şeyden önce varlık ve Shadow AI keşfine başlamalarını öneriyor, çünkü envanterdeki eksik neredeyse her zaman ilk tahminden büyük çıkıyor.

İlerleme Nasıl Ölçülür?

Rehber 16 performans göstergesi (KPI) ve her biri için bir hedef veriyor. Birkaç örnek:

Gösterge	Hedef
Otomatik olarak keşfedilen yapay zekâ varlıklarının oranı	12 ay içinde %90’ın üzeri
Ajan ve araç kimlik bilgilerinin yenilenme süresi	24 saat ve altı
DLP’nin hatalı alarm oranı	%5’in altı
Kiracı (tenant) ayrımı ve şifrelemesi olan vektör veritabanları	6 ay içinde %100
Hassas verisi maskelenen izleme kayıtları	6 ay içinde %100
Türetilen veriler dahil silme talebinin karşılanma süresi	30 gün ve altı (GDPR üst sınırı)
Shadow AI bulgusunun giderilme süresi	14 günün altı
Dış ağa çıkışı varsayılan olarak kapalı ajanlar	6 ay içinde %100

Rehber bu değerlerin her kurum için ölçülmüş gerçek rakamlar olmadığını, uygulamacı deneyimine dayanan planlama örnekleri olduğunu belirtiyor. Mutlak değerden çok gidişatın önemli olduğunu da bir örnekle anlatıyor: tespit sayısı aynı kalırken düşen bir hatalı alarm oranı, hassasiyeti kısarak elde edilmiş düşük bir orandan daha sağlıklı bir işaret.

Mevcut Güvenlik Operasyonlarına Bağlanmak

Rehbere göre AI-DSPM ayrı bir güvenlik operasyonu olarak yürütülmemeli. Üretilen kayıtlar kurumun mevcut SIEM sistemine standart formatlarda gitmeli. Böylece farklı sinyaller birleştirilebilir. Rehberin verdiği örnekte, vektör veritabanında ani bir tarama artışı ile aynı veritabanına bağlı ajan kimliğindeki bir anormallik birlikte görüldüğünde, ikisinin tek tek görünmesinden çok daha güvenilir bir alarm oluşuyor. Olay müdahale planları yeniden yazılmamalı, genişletilmeli. Her risk sınıfı için hangi sinyalin bakılacağı, hangi sorguyla kapsamın belirleneceği ve ajan kimliklerini iptal etmek, vektör indekslerini karantinaya almak ya da modeli sağlam bir önceki sürüme döndürmek gibi hangi adımların atılacağı tanımlanmalı. Uyum tarafında da AI-DSPM, ISO 27001, SOC 2 ve ISO 42001 denetimlerinin yürütüldüğü aynı yapıya bir kontrol ailesi olarak eklenmeli.

Sık Yapılan Beş Hata

Rehber, kurumların AI-DSPM kurarken düştüğü beş hatayı sıralıyor:

1. Yönetişim kurmadan araç satın almak.
2. Politika ve komite var ama veri yok, kararlar gerçek duruma göre değil anekdotlara göre veriliyor.
3. 13 yeteneği aynı anda kurmaya çalışmak.
4. Güvenlik ve platform ekiplerinin işi birbirinin üstünde sanması.
5. Programı bitiş tarihi olan bir proje gibi kurmak.

Rehbere göre sürekli güncellenmeyen programlar devreye alındıktan sonraki 18 ay içinde işe yaramaz hâle geliyor.

Serinin Geri Kalanı

Part 1 çerçeveyi çiziyor, kontrollerin ayrıntısı sonraki parçalarda gelecek. Rehber serinin verinin sistemdeki yolunu takip ettiğini ve her parçanın bir öncekinin üzerine kurulduğunu söylüyor:

Parça	Konu
1	Temel, kapsam ve AI-DSPM
2	Veri yönetişimi ve yaşam döngüsü: sınıflandırma, saklama, silme, veri soy ağacı
3	Model eğitimi, RAG, hafıza ve vektör veritabanları
4	Ajanlar, araçlar, eklentiler ve MCP
5	Prompt, bağlam ve cevap güvenliği
6	Yapay zekâ kimlikleri ve Shadow AI yönetimi
7	Log ve izleme güvenliği, görsel ve ses kanallarından sızıntı
8	Doğal dil veritabanı geçitleri ve yapay zekâ tedarik zinciri
9	Dağıtım modelleri ve gizliliği artıran teknolojiler
10	Modele yönelik saldırılara savunma, olay müdahalesi ve dayanıklılık
11	Mevzuat uyumu, yönetişim ve insan denetimi
12	Kuantum sonrası kriptografiye hazırlık ve kapanış materyalleri

Rehber okuma önerisi de veriyor. CISO’lar ve risk yöneticileri için ağırlık merkezi 1, 6, 11 ve 12. parçalar. Güvenlik mimarları ve mühendisleri için 2-5 ve 7-10. parçalar, geliştiriciler ve yapay zekâ mühendisleri için 3-5 ve 8-9. parçalar.

Değerlendirme

Part 1’in güçlü yanı, yapay zekâ veri güvenliği gibi geniş bir konuyu ölçülebilir bir programa çevirmesi. Yol haritasındaki adımlar risk kodlarına, yetenekler sorumlulara, hedefler göstergelere bağlanıyor. Klasik kontrollerin GenAI’da nasıl genişlediğini gösteren tablo, bu alana yeni giren biri için iyi bir başlangıç noktası. ISO/IEC 42001, NIST AI RMF ve MITRE ATLAS gibi çerçevelere yapılan atıflar da mevcut bir yönetim sistemine uyarlamayı kolaylaştırıyor.

Okurken dikkat edilmesi gereken birkaç nokta da var. Elimizde serinin yalnızca ilk parçası var. Kontrollerin ayrıntısı, mimari örnekler ve uygulama adımları sonraki parçalarda gelecek. Yol haritası, rehberin kendi ifadesiyle zaten DSPM ve kimlik yönetimi altyapısı olan tipik bir büyük kurumu varsayıyor, küçük ekiplerin bunu kendi ölçeğine uyarlaması gerekecek. Dokümanın içinde bazı tutarsızlıklar da göze çarpıyor. EU AI Act’in yüksek riskli sistem yükümlülükleri için metin 2 Aralık 2027 tarihini veriyor, bir dipnotta ise 2 Aralık 2026 geçiyor. “On soruluk satıcı değerlendirmesi” başlığı altında 16 soru sıralanıyor. Rehber de denetimlerde ya da sözleşmelerde atıf yapmadan önce genai.owasp.org’daki güncel sürümün kontrol edilmesini öneriyor. Son olarak, rehberin andığı mevzuat arasında GDPR, CCPA, HIPAA ve LGPD gibi düzenlemeler var ama KVKK yok. Türkiye’deki kurumlar bu eşlemeyi kendileri yapmak zorunda kalacak.

Rehberin yazarları Emmanuel Guilherme Junior (OWASP GenAI Data Security Initiative lideri), Scott Clinton ve Kyriakos “Rock” Lambros. Dokümana 15 katkıcı ve 26 gözden geçirici emek vermiş. Rehber CC BY-SA 4.0 lisansıyla yayımlanıyor, yani kaynak gösterildiği sürece serbestçe paylaşılabiliyor ve uyarlanabiliyor.