Yapay zekâda “gizli komut” efsanesi

/HUMAN YAZILDIĞINDA SİSTEMDE GERÇEKLEŞENLER

Sosyal medyada son dönemde birbirine benzeyen videolar dolaşmaktadır: “ChatGPT’nin gizli komutları bulundu”, “Bu kod yazılınca yapay zekâ gerçek kişiliğini gösteriyor”, “/human ile robotik anlatımdan kurtulun”, “Geliştirici modunu açan sözcük”, “Yapay zekânın saklanan özelliklerini etkinleştiren komutlar…” Ekranda birkaç İngilizce sözcük belirmekte; başlarına eğik çizgi eklenmektedir: /human, /expert, /academic, /developer, /unfiltered, /factcheck… Ardından bunların sıradan kullanıcıların bilmediği özel komutlar olduğu ileri sürülmektedir. Sunum biçimi öylesine ikna edici kurgulanmaktadır ki izleyen kişi, yazılımın içindeki saklı yönetim panelinin anahtarını bulduğunu düşünebilmektedir. Gerçekte karşılaşılan yapı, çoğu örnekte bir “gizli mod” yerine yapay zekâya sunulan kısa bir metinsel yönergedir. /human yazıldığında makinenin içinde bekleyen “insan gibi konuşma motoru” çalışmaya başlamamaktadır. Sistem bu ifadeyi konuşmanın bağlamı içinde yorumlamaktadır. “Human” sözcüğü; doğal, sıcak, gündelik ya da daha az mekanik bir anlatım isteği biçiminde değerlendirilebilmektedir. Yanıtın tonu buna bağlı olarak değişmektedir. Bu değişim, saklı bir kapının açılmasından kaynaklanmamakta; dil modelinin kendisine sunulan sözcüklerden bağlamsal anlam çıkarma kapasitesine dayanmaktadır (Brown et al., 2020; Vaswani et al., 2017). Bu ayrım ilk bakışta küçük görünebilir. Dijital okuryazarlık, yapay zekâ okuryazarlığı, bilgi güvenliği ve insan–makine iletişimi açısından belirleyici bir öneme sahiptir. Çünkü burada tartışılan konu, tek bir sözcüğün işe yarayıp yaramamasından daha geniştir. Kullanıcının yapay zekâyı nasıl kavradığı, sistemin yeteneklerini hangi zihinsel modelle açıkladığı ve üretilen çıktının sorumluluğunu kime yüklediği gündeme gelmektedir. Gizli parola anlatısı, teknolojiyi açıklanabilir bir yazılım sistemi olmaktan çıkarıp sezgisel biçimde çalışan esrarengiz bir özneye dönüştürmektedir. Böyle bir zihinsel model, kullanıcıyı ölçüt geliştirmekten ve sonucu denetlemekten uzaklaştırabilmektedir. Yapay zekâ okuryazarlığı ise sistemin verdiği her yanıtın insan tarafından tanımlanan amaç, bağlam, veri ve değerlendirme ölçütleriyle birlikte ele alınmasını gerektirmektedir.

EĞİK ÇİZGİ KOMUT GÖRÜNÜMÜ KAZANDIRMAKTADIR

Bilgisayar kültüründe eğik çizginin özel bir geçmişi bulunmaktadır. Metin tabanlı sistemlerde, sohbet uygulamalarında, oyunlarda ve geliştirici araçlarında /help, /join, /quit ya da /ban gibi ifadeler gerçek komut olarak kullanılmıştır. Kullanıcı bunlardan birini yazdığında yazılım, önceden tanımlanmış belirli bir işlemi gerçekleştirmiştir. Örneğin bir sohbet sunucusunda /join oda1 yazılması, kullanıcıyı doğrudan “oda1” adlı kanala taşıyabilmiştir. Burada komut ile sistem davranışı arasında yazılımcı tarafından kurulmuş kesin bir bağlantı vardır:
  1. Komut tanınır.
  2. Oda adı alınır.
  3. Erişim yetkisi denetlenir.
  4. Kullanıcı ilgili odaya eklenir.
Bu yapı klasik yazılım mantığıdır: Girdi açıktır, işlem tanımlanmıştır, çıktı büyük ölçüde öngörülebilmektedir. Klasik komutun ayırt edici niteliği, sözdizimi ile işlem arasındaki bağın program kodunda önceden kurulmuş olmasıdır. Komut yanlış yazıldığında sistem çoğunlukla hata vermekte ya da hiçbir işlem gerçekleştirmemektedir. /join yerine /jion yazılması kullanıcıyı kanala taşımamaktadır. Doğal dil modeli ise yazım hatasını bağlamdan çıkarabilmekte, benzer anlamlı ifadeleri ilişkilendirebilmekte ve kullanıcının olası amacını tahmin edebilmektedir. Birinci yapıda kesin eşleme; ikinci yapıda olasılıksal yorumlama öne çıkmaktadır. Sosyal medyada dolaşan videoların önemli bölümü, bu iki çalışma biçimini aynı “komut” sözcüğü altında birleştirmekte ve aralarındaki mühendislik farkını görünmez kılmaktadır. Üretken yapay zekâ sistemleri doğal dili bağlam içinde işlemektedir. /human ifadesinin başındaki eğik çizgi, sözcüğe kendiliğinden teknik yetki kazandırmamaktadır. Model bu ifadeyi konuşmadaki öteki sözcüklerle birlikte değerlendirmekte; aynı etiket farklı görüşmelerde farklı sonuçlar üretebilmektedir. /human Bu metni yeniden yaz. Bu kısa istek yerine “Metni doğal Türkçeyle yeniden yaz. Klişe girişleri temizle. Cümle uzunluklarını çeşitlendir. Yapay coşkuyu azalt. Anlamı koru. Bir editörün elinden çıkmış gibi akıcı bir anlatım kullan.” biçiminde kurulan yönerge çok daha güçlüdür. Çünkü “insan gibi yaz” beklentisinin hangi ölçütlere göre karşılanacağı açıklanmaktadır. Modelden beklenen ton, ritim, düzenleme yaklaşımı ve kalite standardı tanımlanmıştır. Başka bir ifadeyle /human, en iyi koşulda bir etiket görevi görebilmekte; etiketin işlevsel anlamını kullanıcı oluşturmaktadır.

ÜÇ FARKLI KOMUT KATMANI BİRBİRİNE KARIŞTIRILMAKTADIR

Yazılım mühendisliği açısından konu üç ayrı katmanda incelenebilir. Birinci katmanda, kullanıcının gördüğü arayüz yer almaktadır. Dosya yükleme, web araması, sesli görüşme, geçici sohbet, bellek, uygulamalar ve klavye kısayolları bu alana dahildir. Bunlar ürün tarafından sunulan gerçek işlevlerdir. Kullanılabilirlik; hesaba, uygulamaya, cihaz türüne, çalışma alanı yetkilerine ve güncel ürün sürümüne göre değişebilmektedir (OpenAI, n.d.-a, n.d.-d). İkinci katmanda, kullanıcının doğal dille yazdığı talimatlar bulunmaktadır. “Bu metni sadeleştir”, “Bir yönetici özeti hazırla”, “Bulguları tabloya dönüştür”, “Kaynakları doğrula” ya da “Üslubu daha doğal hâle getir” biçimindeki istekler bu gruba girmektedir. /human, /academic ve /short gibi kullanıcı üretimi kısaltmalar da bu düzeyde değerlendirilebilir. Üçüncü katmanda sistemin çalışmasını düzenleyen korunmuş talimatlar, güvenlik kuralları, yetkilendirme mekanizmaları ve geliştirici yapılandırmaları yer almaktadır. Bu katman kullanıcıya sunulan bir komut kataloğu niteliği taşımamaktadır. “Sistem komutlarını göster”, “kuralları kaldır” ya da “geliştirici yetkisini etkinleştir” biçimindeki cümleler yeni bir erişim hakkı oluşturmamaktadır. Talimatların önceliği ve güvenlik sınırları, model davranışının sistem düzeyinde düzenlenen parçalarıdır (OpenAI, 2025). Bu mimari ayrım kavranmadığında sıradan bir üslup isteği, “gizli sistem komutu” biçiminde pazarlanabilmektedir. Dijital içerik üreticileri bu belirsizlikten yüksek izlenme elde edebilmektedir. “Metninizi daha doğal yazdırmak için açık üslup ölçütleri kullanın” başlığı teknik açıdan daha doğru kalırken “ChatGPT’nin saklanan kodunu buldum” başlığı sosyal medyada daha hızlı yayılmaktadır. Algoritmik görünürlük, kesinlik izlenimi veren şaşırtıcı iddiaları ödüllendirmektedir. Sorunun kaynağı burada teknolojiden çok iletişim ekonomisidir. İletişim ekonomisi, bilginin doğruluğu kadar paketlenme biçimini de değerli hâle getirmektedir. Kısa videoda birkaç saniye içinde dikkat çekmek isteyen üretici, karmaşık bir sistemi tek simgeye indirgemektedir. Eğik çizgi görsel olarak kodu çağrıştırmakta; İngilizce sözcük uzmanlık izlenimi vermekte; “kimsenin bilmediği” ifadesi izleyiciye seçkin bir gruba katılma duygusu sunmaktadır. Böylece teknik kanıtın yerini sahneleme almaktadır. Ekrandaki yanıtın başarılı görünmesi de iddiayı destekleyen tek örnek olarak sunulmaktadır. Başarısız denemeler, önceki konuşmanın etkisi, model sürümü ve kullanılan ek talimatlar çoğu zaman gösterilmemektedir. Bu seçilmiş örnekleme düzeni, sıradan bir istem etkisini olağanüstü bir erişim ayrıcalığı gibi gösterebilmektedir.

BİR SÖZCÜK NE ZAMAN TEKNİK KOMUTA DÖNÜŞMEKTEDİR?

Bu sorunun yanıtı dil felsefesi ile yazılım mühendisliğinin kesişiminde bulunmaktadır. Gündelik konuşmada sözcükler bilgi aktarmanın yanında eylem de gerçekleştirebilmektedir. Austin’in (1962) söz edimi yaklaşımında “Söz veriyorum” ifadesi bir durumu betimlemekle kalmamakta, uygun koşullar oluştuğunda söz verme eylemini gerçekleştirmektedir. Searle (1969) ise böyle bir eylemin geçerliliğini kurallara, bağlama, konuşanın konumuna ve tarafların ortak kabullerine bağlamaktadır. Başka bir ifadeyle cümlenin eylem gücü, sözcük dizisinin içinde tek başına taşınmamaktadır; kurumsal ve bağlamsal koşullarla oluşmaktadır. Yazılım komutları da benzer biçimde uygunluk koşullarına sahiptir; ancak bu koşullar program kodu ve yetkilendirme düzeni içinde tanımlanmaktadır. Bir kullanıcının “dosyayı sil” yazması, sistemde bu doğal dil girdisini silme işlemine bağlayan bir araç ve geçerli izin bulunmadığında dosyayı ortadan kaldırmamaktadır. Aynı cümle, işlem yapabilen bir uygulamaya bağlandığında, hedef dosya açıkça belirlendiğinde ve kullanıcı onay verdiğinde teknik sonuç üretebilir. Sözcük değişmemiştir; sözcüğün bağlandığı eylem altyapısı değişmiştir. Dolayısıyla teknik komutu oluşturan unsur görünüş, İngilizce terim ya da eğik çizgiden ziyade tanımlı işlem, yürütme ortamı ve geçerli yetkidir. /human örneği bu açıdan öğreticidir. İfade, doğrudan bir sistem işlevine bağlanmamışsa model için yorumlanacak bir metin parçasıdır. Kullanıcı görüşmenin başında “/human gördüğünde cümle ritmini çeşitlendir, kalıp ifadeleri azalt ve sıcak bir Türkçe kullan” biçiminde yerel bir kural tanımladığında etiket daha düzenli sonuç verebilir. Burada gerçekleşen işlem, gizli ürün yetkisinin açılmasından çok konuşma içinde ortak bir sözleşmenin kurulmasıdır. Etiket, anlamını kendi biçiminden ziyade kullanıcı tarafından açıklanan çalışma kuralından almaktadır. Bu ayrım, yapay zekânın “söyleneni anlaması” ifadesine de açıklık kazandırmaktadır. Modelin oluşturduğu karşılık, insan zihnindeki niyetin doğrudan okunması anlamına gelmemektedir. Sistem, metinsel örüntüler ve konuşma bağlamı üzerinden en uygun devamı hesaplamaktadır. Kullanıcı amacı ne kadar açık temsil edilirse modelin olası yorum alanı o ölçüde daralmaktadır. İstem mühendisliği bu nedenle sihirli sözcük arayışını aşan, niyetin işlenebilir bir temsilini oluşturma uğraşıdır.

DİL MODELİ YÖNERGEYİ NASIL İŞLEMEKTEDİR?

Bir dil modeliyle konuşurken yazılan her ifade, modelin sıradaki sözcükleri seçme sürecini etkilemektedir. Model, metni bir kullanım kılavuzundaki sabit madde gibi işlememektedir. Girdideki dilsel örüntüleri, konuşma bağlamını, kavramlar arasındaki ilişkileri ve olası yanıt yapılarını birlikte değerlendirmektedir. Transformer mimarisi, sözcükler arasındaki bağlamsal ilişkileri dikkat mekanizmaları üzerinden işlemekte; büyük dil modelleri bu yapı üzerinde geniş metin örüntülerinden sonraki birimleri öngörmektedir (Brown et al., 2020; Vaswani et al., 2017). Kullanıcı /academic yazdığında model bunu akademik üslup çağrısı olarak yorumlayabilir. Bununla birlikte “akademik” sözcüğü geniş bir kapsama sahiptir. Kavramsal tanımlar, kuramsal bağlantılar, kaynak kullanımı, yöntem açıklaması, eleştirel değerlendirme, alan terminolojisi, resmî cümle yapısı ve bulgularla yorumların ayrılması bu kapsamın farklı parçalarıdır. Tek başına /academic yazılması hâlinde model söz konusu ölçütleri tahmin etmektedir. Ölçütlerin açıkça belirtilmesi ise yorum alanını daraltmakta ve çıktının tutarlılığını artırmaktadır. Örneğin “/academic Yapay zekâ etiğini anlat” sınırlı bir yönlendirme sunmaktadır. Buna karşılık aşağıdaki istem görev tasarımı içermektedir: Yapay zekâ etiğini iletişim bilimleri ve bilgisayar mühendisliği açısından inceleyen akademik bir metin hazırla. Algoritmik karar verme, veri yönetişimi, açıklanabilirlik, kurumsal sorumluluk ve insan gözetimi kavramlarını ilişkilendir. Bulgular ile yorumları ayır. Güncel iddiaları güvenilir kaynaklarla destekle. Türkçe akademik terminoloji kullan; İngilizce kavramları ilk kullanımda parantez içinde göster. Bu örnekte sihirli bir parola bulunmamaktadır. Görev, kapsam, disiplinler, kavramlar, kanıt standardı, dil ve biçim aynı istem içinde tanımlanmıştır. Yazılım sistemlerinde yüksek nitelikli çıktı üretmenin temel yolu belirsizliği azaltmaktır. İstem programlama araştırmaları da görev gösterimleri, örnekler ve açık bağlamın model davranışını yönlendirebildiğini ortaya koymuştur (Reynolds & McDonell, 2021). Burada önemli olan, uzun istem ile nitelikli istemi birbirine karıştırmamaktır. Çok uzun bir yönerge kendi içinde çelişebilmektedir; amaç, hedef kitle ve çıktı biçimi arasında bağ kurulmadığında sözcük sayısı kalite üretmemektedir. Nitelikli istem, karar alanlarını düzenlemektedir. Model hangi görevi yapacağını, hangi veriyi kullanacağını, hangi ölçütlere uyacağını ve teslimden önce neyi denetleyeceğini anlayabilmektedir. İnsan–makine iletişimi böylece tek yönlü bir emir verme sürecinden ortak bir çalışma düzenine dönüşmektedir. Kullanıcı içerik hedefini ve sorumluluk sınırlarını belirlemekte; sistem örüntü üretme, sınıflandırma, dönüştürme ve seçenek geliştirme kapasitesiyle bu çerçevede çalışmaktadır.

AYNI ETİKET NEDEN FARKLI SONUÇLAR ÜRETMEKTEDİR?

Gizli mod algısını güçlendiren unsurlardan biri, aynı ifadenin zaman zaman çarpıcı sonuç vermesidir. Bir kişi /human yazdıktan sonra oldukça doğal bir metin alabilir; başka bir kişi aynı girdide sıradan bir yanıtla karşılaşabilir. Bu değişkenliğin dört temel kaynağı bulunmaktadır. İlk kaynak konuşma bağlamıdır. Model son sözcükle sınırlı çalışmamakta; önceki iletilerden oluşan bağlamı da değerlendirmektedir. Görüşmede resmî rapor hazırlanıyorsa /human daha sıcak bir kurumsal üslup çağrısı biçiminde yorumlanabilir. Sosyal medya metni hazırlanıyorsa gündelik anlatım öne çıkabilir. İkinci kaynak anlam belirsizliğidir. “İnsan gibi” ifadesi bir kullanıcı için samimiyet, başka biri için doğal ritim, bir başkası için duygusal yakınlık, başka bir kullanıcı için kısa ve doğrudan anlatım anlamına gelebilmektedir. Üçüncü kaynak model ve ürün güncellemeleridir. Yapay zekâ sistemleri zaman içinde yenilenmektedir. Yanıt üretme tercihleri, araçlar, arayüz işlevleri ve güvenlik uygulamaları değişebilmektedir. Eski bir videodaki çıktı, güncel ürün davranışını temsil etmeyebilir. Dördüncü kaynak üretken yapıdır. Dil modelleri aynı girdiye her çalıştırmada sözcüğü sözcüğüne özdeş karşılık vermek üzere tasarlanmamıştır. Anlam bakımından yakın, anlatım bakımından farklı sonuçlar üretebilmektedir. Bu nedenle tek bir başarılı ekran görüntüsü, saklı bir işlevin varlığını kanıtlamamaktadır. Bilimsel ve teknik değerlendirme; ifadenin farklı hesaplarda, boş konuşmalarda, farklı modellerde ve çok sayıda denemede aynı işlemi gerçekleştirip gerçekleştirmediğini incelemeyi gerektirmektedir. Eğik çizgi çıkarıldığında sonuç korunuyorsa, teknik komuttan çok doğal dil yönlendirmesi söz konusudur. Sağlam bir sınama tasarımında değişkenler ayrı ayrı ele alınmalıdır. Önce aynı metin hiçbir ek etiket kullanılmadan çalıştırılabilir. Ardından /human eklenerek sonuç karşılaştırılabilir. Üçüncü denemede eğik çizgi kaldırılıp yalnız “human” sözcüğü kullanılabilir. Dördüncü denemede “doğal, akıcı ve sıcak Türkçeyle yaz” biçimindeki açık yönerge denenebilir. Her koşul birden fazla kez çalıştırılmalı; akıcılık, sözcük tekrarı, cümle çeşitliliği, anlam korunumu ve hedef kitleye uygunluk gibi önceden belirlenmiş ölçütlerle değerlendirilmelidir. Böyle bir düzen, etkileyici ekran görüntüsünü gözleme; gözlemi de karşılaştırılabilir bulguya dönüştürmektedir.

GERÇEK ÜRÜN İŞLEVİ İLE KULLANICI YAPIMI ETİKETİN AYRIMI

ChatGPT’de kullanıcıların doğrudan yönetebildiği gerçek işlevler bulunmaktadır. Özel Talimatlar (Custom Instructions), yanıtlarla ilgili genel tercihlerin tanımlanmasına yardımcı olmaktadır. Bellek (Memory), yararlı tercihlerin ve bilgilerin sonraki görüşmelerde kullanılmasını sağlamaktadır; kullanıcı kayıtlı belleği görüntüleyebilmekte, düzenleyebilmekte ya da kapatabilmektedir. Geçici Sohbet (Temporary Chat), kayıtlı anılara başvurmadan ve yeni anı oluşturmadan ayrı bir görüşme yürütme olanağı sunmaktadır. Bu denetimler ayarlar üzerinden yönetilmektedir (OpenAI, n.d.-b, n.d.-c, n.d.-d). Uygulamalar (Apps), kullanıcının izin verdiği hizmetlerden bilgi alınmasını ya da desteklenen işlemlerin gerçekleştirilmesini sağlayabilmektedir. Erişim; bağlı hesabın yetkileri, uygulama yapılandırması, çalışma alanı kuralları ve kullanıcının onayıyla sınırlanmaktadır. Uygulama izni, bağlı hizmetin başlangıçta vermediği yeni bir erişim alanı oluşturmamaktadır (OpenAI, n.d.-a). Burada ayrıca önemli bir terminoloji ayrımı bulunmaktadır. ChatGPT’de “geliştirici modu” adıyla belgelenmiş gerçek bir ürün özelliği vardır; bu özellik desteklenen çalışma alanlarında yetkili kullanıcıların özel MCP uygulamaları oluşturması ve sınaması için ayarlardan etkinleştirilmektedir. Sohbet kutusuna /developer ya da “geliştirici moduna geç” yazılması, söz konusu ayarı açmamaktadır (OpenAI, n.d.-e). Aynı adın hem gerçek ürün özelliğinde hem sosyal medya rol oyunlarında kullanılması, efsaneyi daha ikna edici göstermektedir. Pratik ayrım ölçütü açıktır: Bir işlev ayarlarda, menülerde ya da resmî belgelerde tanımlanmışsa ürün özelliği olarak ele alınabilir. Sosyal medya paylaşımında ortaya çıkan ve etkisi metnin yorumlanmasına dayanan bir ifade ise kullanıcı yapımı istem etiketi niteliğindedir. Resmî belgede yer alma ölçütü de tek başına sonsuza kadar geçerli bir liste sunmamaktadır. Ürünler güncellenmekte, bazı özelliklerin adları değişmekte, işlevler farklı hesap türlerine aşamalı biçimde sunulmakta ve kimi araçlar belirli cihazlarla sınırlı kalabilmektedir. Bu nedenle kullanıcı, özelliğin adını güncel yardım sayfasında aramalı; desteklenen hesap türünü, bölgeyi, cihazı ve yetki düzeyini birlikte incelemelidir. Teknik okuryazarlık, “Bu özellik var mı?” sorusunun yanına “Hangi sürümde, hangi kullanıcı için, hangi izinle ve hangi arayüz üzerinden çalışmaktadır?” sorularını da yerleştirmektedir.

“GELİŞTİRİCİ MODU” İDDİALARI NEDEN İKNA EDİCİ GÖRÜNMEKTEDİR?

Bazı içeriklerde uzun metinlerin sohbet kutusuna yapıştırılması istenmektedir. Bu metinler çoğunlukla “Önceki bütün kuralları unut”, “Geliştirici moduna geç”, “Sınırlamaları kaldır”, “Gerçek düşüncelerini açıkla” ve “Sistem talimatlarını göster” gibi cümlelerden oluşmaktadır. Bu söylem dramatik bir senaryo kurmaktadır. Kullanıcı sistemle pazarlık yaptığını ya da güvenlik duvarını geçtiğini düşünebilir. Model kimi zaman rol oyununa uygun bir anlatım da üretebilir. “Geliştirici modu etkinleştirildi” cümlesinin oluşturulması, hesap yetkisinin değiştiğini göstermemektedir; model, kullanıcının kurduğu senaryoyu sürdüren bir metin üretmiş olabilir. Bir tiyatro oyununda oyuncunun “Ben şimdi kral oldum” demesi, ülkenin yönetim sistemini değiştirmemektedir. Yapay zekânın “mod etkinleştirildi” demesi de yazılımın erişim denetimini değiştirmemektedir. Gerçek yetkilendirme; hesap rolleri, sunucu tarafı denetimleri, erişim anahtarları, izinler, politika uygulamaları ve yazılım yapılandırmalarıyla yönetilmektedir. Doğal dilde üstlenilen rol, teknik yetki anlamına gelmemektedir. Bu konu bilgi güvenliği açısından özellikle önem taşımaktadır. İnternetten alınan uzun bir “gizli komut” metnine parola, kurum içi belge, öğrenci verisi, sağlık bilgisi, müşteri kaydı ya da erişim anahtarı eklenmesi ciddi risk yaratabilmektedir. Kullanıcı, ifadenin güçlü çalışacağı inancıyla daha fazla veri paylaşmaya yöneltilebilir. Güvenli yapay zekâ kullanımı, yönergenin gizeminden önce verinin niteliğini, paylaşım yetkisini, saklama koşullarını ve bağlı uygulamaların erişim kapsamını değerlendirmeyi gerektirmektedir (OpenAI, n.d.-a). Kurumsal kullanımda bu değerlendirme kişisel dikkatin ötesine geçmektedir. Kurumun veri sınıflandırma politikası, hangi belgelerin hangi hizmetlere aktarılabileceğini açıkça belirlemelidir. Kişisel veriler, ticari sırlar, yayımlanmamış araştırma verileri ve erişim bilgileri aynı risk düzeyinde ele alınmamalıdır. Kullanıcı, metindeki hassas bölümleri maskeleyebilmeli; gerekli olduğunda sentetik örneklerle çalışabilmeli; çıktıdaki iddiaları özgün kaynağa dönerek doğrulayabilmelidir. “Gizli komut” merakı bu yönetişim adımlarının önüne geçtiğinde küçük bir üslup kazancı, büyük bir veri kaybı riskine dönüşebilmektedir.

/HUMAN YERİNE ÖLÇÜLEBİLİR İNSAN DİLİ

“İnsan gibi yaz” isteği anlamlı bir yönelim taşımaktadır; güçlüğü, ölçütleri belirtilmediğinde geniş bir yorum alanı bırakmasıdır. Daha doğal bir metinde aranan özellikler doğrudan yazılabilir: Metni doğal ve akıcı Türkçeyle yaz. Her paragrafta tek ana düşünceyi geliştir. Cümle uzunluklarını çeşitlendir. Aynı sözcüğü yakın cümlelerde tekrarlama. Kalıp girişleri, aşırı övgüyü ve yapay sonuç ifadelerini temizle. Somut örnek kullan. Okurla konuşan sıcak bir ton kur; kavramsal doğruluğu koru. Bu istemin başarısı “human” sözcüğünden kaynaklanmamaktadır. Başarı, editoryal ölçütlerin açıkça belirtilmesiyle ortaya çıkmaktadır. Aynı yaklaşım farklı amaçlara da uygulanabilir. Kısa yanıt için: Yanıtı en fazla 120 sözcükte ver. Önce sonucu söyle. Ardından üç temel gerekçeyi sıralayarak bitir. Kaynaklı yanıt için: Güncel iddiaları güvenilir ve mümkünse birincil kaynaklardan doğrula. Her bağlantıyı desteklediği cümlenin yanına ekle. Kaynakta bulunmayan çıkarımları açıkça belirt. Eleştirel değerlendirme için: Metindeki temel savı, dayandığı varsayımları, kanıt gücünü, iç tutarlılığı ve uygulanabilirlik risklerini ayrı ayrı incele. Her eleştiriyi somut bir geliştirme önerisiyle eşleştir. Yönetici özeti için: Metni üst yönetim için bir sayfalık karar özetine dönüştür. Önerilen kararla başla. Ardından gerekçe, beklenen katkı, maliyet, temel risk ve ilk üç uygulama adımını göster. Bu örneklerde etkili istem, modeli serbest bırakan bir parola aramamaktadır; görevi mühendislik yaklaşımıyla tanımlamaktadır.

İSTEM MÜHENDİSLİĞİ DİLEK LİSTESİNİN ÖTESİNE GEÇMEKTEDİR

Nitelikli istem hazırlamak, art arda sıfat yazmak anlamına gelmemektedir. “Muhteşem, kusursuz, inanılmaz, profesyonel, çok akademik, çok güçlü bir metin yaz” türündeki talepler ölçüt sunmamaktadır. Bu sıfatlar beklentiyi büyütmekte, beklentinin hangi yolla karşılanacağını açıklamamaktadır. Yazılım mühendisliğinde gereksinimlerin sınanabilir olması beklenmektedir. “Sistem hızlı çalışsın” zayıf bir gereksinimdir. “Sayfa, standart bağlantıda iki saniye içinde açılsın” ifadesi daha ölçülebilirdir. Aynı ilke yapay zekâ istemleri için de geçerlidir. “Çok iyi yaz” yerine şu görev tanımı kullanılabilir: Bu yapı, yapay zekâ ile iletişimi temenni düzeyinden çıkarıp çalışma tanımına dönüştürmektedir. Etkili bir istemin yedi temel bileşeni bulunmaktadır: Bu bileşenlerin her görevde uzun uzun yazılması gerekmemektedir. Basit bir iş kısa bir istemle yürütülebilir. Görevin maliyeti, hassasiyeti ve karmaşıklığı yükseldikçe açıklık düzeyi de yükselmelidir. Kalite denetimi, istemin sonunda eklenen törensel bir cümle olarak görülmemelidir. “Yanıtını kontrol et” ifadesi tek başına sınırlı yönlendirme sunmaktadır. Denetimin konusu açıkça yazılmalıdır: kişi adları ve tarihler doğrulanmalı, sayısal değerler kaynakla karşılaştırılmalı, varsayımlar işaretlenmeli, çelişkili cümleler belirlenmeli, aynı kavram için tutarlı terminoloji kullanılmalı ve kaynağın desteklemediği çıkarımlar ayrıştırılmalıdır. Böylece modelden genel bir öz güven gösterisi yerine izlenebilir bir kontrol süreci istenmektedir. İnsan gözetimi de son okumayla sınırlı kalmamakta; görev tanımından kaynak seçimine ve nihai karara kadar bütün çalışma akışına yayılmaktadır.

KULLANICI KENDİ EĞİK ÇİZGİ SÖZLÜĞÜNÜ OLUŞTURABİLİR

Eğik çizgili ifadelerin tümüyle terk edilmesi gerekmemektedir. Kullanıcı, sık tekrarladığı talimatları kişisel kısayollara dönüştürebilir. Buradaki temel koşul, her kısayolun anlamını önceden tanımlamaktır. Örneğin bir gazeteci görüşmenin başında şu sözlüğü oluşturabilir: Bir akademisyen farklı bir sözlük kullanabilir: Bu kısayollar üretkenliği artırabilmektedir. İşlevleri, sistem içinde saklanan ayrıcalıklı kodlardan kaynaklanmamakta; kullanıcı ile model arasında oluşturulan yerel çalışma sözlüğüne dayanmaktadır. Yeni bir görüşmede sözlüğün yeniden tanımlanması gerekebilir. Kalıcı ve desteklenen tercihler için Özel Talimatlar ile Bellek ayarları kullanılabilir (OpenAI, n.d.-b, n.d.-c).

DİJİTAL OKURYAZARLIĞIN YENİ KONUSU: İDDİANIN KAYNAĞINI İNCELEMEK

Yapay zekâ çağında bilgi okuryazarlığı, üretilen yanıtın doğruluğunu incelemenin yanında komut iddiasının kaynağını değerlendirmeyi de kapsamaktadır. Bir “gizli komut” videosuyla karşılaşıldığında aşağıdaki denetim dizisi kullanılabilir:
  1. İfade resmî ürün belgelerinde yer almakta mıdır?
  2. İfade, arayüzde açıkça tanımlanmış bir işlevi mi çalıştırmaktadır?
  3. Aynı sonuç yeni ve boş bir görüşmede yeniden üretilebilmekte midir?
  4. Eğik çizgi kaldırıldığında benzer çıktı korunmakta mıdır?
  5. İşlev, açık Türkçe talimatla da gerçekleştirilebilmekte midir?
  6. İçerik üreticisi tek bir başarılı örnek mi göstermekte, farklı denemeleri de paylaşmakta mıdır?
  7. İddia kullanıcıyı kişisel veri, parola ya da kurum içi belge paylaşmaya yöneltmekte midir?
  8. Video güncel ürün sürümünü mü anlatmaktadır?
Dördüncü ve beşinci sınamalar özellikle aydınlatıcıdır. /human ile alınan çıktının benzeri “doğal ve akıcı yaz” talimatıyla da üretilebiliyorsa karşılaşılan yapı, saklı teknik işlevden çok doğal dil yönlendirmesidir. Bu denetim dizisi aynı zamanda medya içeriğini paylaşmadan önce kullanılabilecek küçük bir doğrulama protokolüdür. Kullanıcı önce iddiayı kaynağından ayırmakta, ardından ürün davranışını sınamakta, son aşamada veri güvenliği etkisini değerlendirmektedir. Böylece “çalıştı” biçimindeki kişisel gözlem ile “ürünün tanımlanmış özelliğidir” biçimindeki teknik iddia birbirinden ayrılmaktadır. Bir aracın kimi zaman istenen sonucu üretmesi, o aracın anlatıldığı mekanizmayla çalıştığını göstermemektedir. Sonucun varlığı kadar sonuca ilişkin açıklamanın doğruluğu da sınanmalıdır.

DİJİTAL FOLKLOR, OTORİTE VE DENETİM ARZUSU

“Gizli komut” anlatısı, teknolojik bir yanlış anlamanın ötesinde çağdaş bir mit üretmektedir. Barthes’ın (1972) mit çözümlemesinde gündelik göstergeler, tarihsel ve toplumsal kökenlerinden ayrılarak doğal ve kendiliğinden görünür hâle gelmektedir. Eğik çizgi de bu anlatıda sıradan bir noktalama işareti olmaktan çıkmakta; teknik uzmanlığın, ayrıcalıklı erişimin ve perde arkasındaki bilginin göstergesine dönüşmektedir. İzleyiciye sunulan ileti basittir: Sistemi anlamak için uzun süre öğrenmek yerine doğru simgeyi bilmek yeterlidir. Böylece emek gerektiren okuryazarlık, keşfedilmiş parola hikâyesi içinde görünmezleşmektedir. Bu mitin toplumsal gücü, karmaşık sistemler karşısındaki denetim arzusundan beslenmektedir. Büyük dil modellerinin milyarlarca parametreyle çalışması, yanıtların olasılıksal biçimde üretilmesi ve ürünlerin sık güncellenmesi kullanıcıda belirsizlik duygusu oluşturabilmektedir. Gizli komut hikâyesi bu belirsizliği psikolojik bakımdan yönetilebilir bir forma sokmaktadır: Karmaşık sistem, tek anahtarla açılan kasaya benzetilmektedir. Kullanıcı bilgi sahibi olmanın yanında seçilmiş olma duygusu da kazanmaktadır. “Başkalarının bilmediği yöntemi biliyorum” düşüncesi, içeriğin paylaşılma değerini artırmaktadır. Teknolojik araçların toplumsal anlamları kullanım pratikleri, kurumlar, ekonomik teşvikler ve anlatılar içinde biçimlenmektedir. Winner’ın (1980) vurguladığı üzere teknik düzenekler toplumsal ilişkilerden ayrı düşünülmemektedir. Üretken yapay zekâ çevresinde gelişen komut kültürü de platformların görünürlük ölçütlerinden, uzmanlık pazarından ve hız beklentisinden etkilenmektedir. Bir dakikalık videoda model mimarisini, yetkilendirme katmanlarını ve olasılıksal üretimi anlatmak güçtür; “tek kelimeyle sistemi açtım” anlatısı ise hızlıca tüketilebilmektedir. Böylece platformun ekonomik mantığı, teknik indirgemeyi teşvik etmektedir. Burada eleştirel yaklaşım, her kısayolu küçümsemek anlamına gelmemektedir. Kısayollar bilişsel yükü azaltmakta, tekrarlanan işleri hızlandırmakta ve kişisel çalışma düzeni oluşturmaktadır. Sorun, kullanım kolaylığının teknik açıklama yerine geçirilmesiyle doğmaktadır. Kullanıcı kendi sözlüğünü tanımladığında üretken bir yöntem geliştirmiş olmaktadır. Bu kişisel sözlüğü evrensel ve saklı ürün komutu olarak sunduğunda ise yerel uygulama, kanıtlanmamış genel iddiaya dönüşmektedir. Yapay zekâ okuryazarlığı bu iki düzeyi ayırma becerisini kapsamaktadır.

ASIL GÜÇ AÇIK DÜŞÜNCEDE BULUNMAKTADIR

Yapay zekâ araçlarının yaygınlaşmasıyla yeni bir dijital folklor oluşmaktadır. Önceki dönemlerde arama motorları için “kimsenin bilmediği kodlar”, telefonlar için “saklı menüler”, sosyal medya algoritmaları için “gizli büyüme hileleri” anlatılmıştır. Günümüzde aynı anlatı üretken yapay zekâya taşınmaktadır. Bu hikâyeler çekicidir. İnsan, karmaşık bir sistemi tek sözcükle yönetebileceğini düşünmek istemektedir. Bir parola yazmak; görevi tanımlamaktan, bağlam kurmaktan, ölçüt belirlemekten ve çıktıyı denetlemekten daha kolay görünmektedir. Nitelikli yapay zekâ kullanımının asıl gücü saklı sözcüklerde bulunmamaktadır. Güç; kullanıcının amacını açıklıkla ifade edebilmesinde, doğru bağlamı kurmasında, veriyi korumasında, kanıt istemesinde ve aldığı sonucu eleştirel gözle değerlendirmesinde yer almaktadır. /human kısa bir üslup işareti olabilir. Doğal anlatımı oluşturan temel unsur, insan dilinin aranan özelliklerini tarif etmektir. /academic bir hatırlatma etiketi işlevi görebilir. Akademik niteliği oluşturan unsurlar kavramsal tutarlılık, yöntem, kanıt, kaynak ve eleştirel değerlendirmedir. /factcheck yararlı bir kısaltma olarak kullanılabilir. Doğruluğu güçlendiren süreç, iddiaların güvenilir kaynaklarla karşılaştırılmasıdır. Sonuç olarak yapay zekâ, gizli parolayı bulan kişiyi ödüllendiren bir kasa gibi çalışmamaktadır. Açık görev tanımına, sağlam bağlama ve nitelikli denetime karşılık üreten bir dil sistemi olarak çalışmaktadır. Geleceğin güçlü yapay zekâ kullanıcısı, en fazla komutu ezberleyen kişi olmayacaktır. Amacını bilen, gereksinimleri tanımlayan, sorumluluk sınırlarını kuran ve çıktıyı değerlendirebilen kişi olacaktır. Kısacası teknoloji dünyasının yeni şehir efsanesindeki kapı /human sözcüğünün arkasında durmamaktadır. Kapı, insanın kendi düşüncesini açık, ölçülebilir ve sorumlu bir talimata dönüştürebildiği yerde açılmaktadır. PROF. DR. GÜLSÜN KURUBACAK ÇAKIR-ANKARA HACI BAYRAM VELİ ÜNİVERSİTESİ   Kaynakça Austin, J. L. (1962). How to do things with words. Oxford University Press. Barthes, R. (1972). Mythologies (A. Lavers, Trans.). Hill and Wang. (Original work published 1957) Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., … Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901. https://proceedings.neurips.cc/paper/2020/hash/1457c0d6bfcb4967418bfb8ac142f64a-Abstract.html OpenAI. (2025, September 12). Model Spec (2025/09/12). https://model-spec.openai.com/2025-09-12.html OpenAI. (n.d.-a). Apps in ChatGPT. OpenAI Help Center. Retrieved September 7, 2026, from https://help.openai.com/en/articles/11487775-apps-in-chatgpt OpenAI. (n.d.-b). ChatGPT custom instructions. OpenAI Help Center. Retrieved September 7, 2026, from https://help.openai.com/en/articles/8096356-chatgpt-custom-instructions OpenAI. (n.d.-c). Memory FAQ. OpenAI Help Center. Retrieved September 7, 2026, from https://help.openai.com/en/articles/8590148-memory-faq OpenAI. (n.d.-d). Temporary Chat FAQ. OpenAI Help Center. Retrieved September 7, 2026, from https://help.openai.com/en/articles/8914046-temporary-chat-faq OpenAI. (n.d.-e). Developer mode and MCP apps in ChatGPT. OpenAI Help Center. Retrieved September 7, 2026, from https://help.openai.com/en/articles/12584461-developer-mode-and-mcp-apps-in-chatgpt Reynolds, L., & McDonell, K. (2021). Prompt programming for large language models: Beyond the few-shot paradigm. In Extended Abstracts of the 2021 CHI Conference on Human Factors in Computing Systems (Article 314, pp. 1–7). Association for Computing Machinery. https://doi.org/10.1145/3411763.3451760 Searle, J. R. (1969). Speech acts: An essay in the philosophy of language. Cambridge University Press. https://doi.org/10.1017/CBO9781139173438 Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. https://proceedings.neurips.cc/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845aa-Abstract.html Winner, L. (1980). Do artifacts have politics? Daedalus, 109(1), 121–136.