Denetim kalitesini gerçekten artırıyor mu?

Deloitte Türkiye Denetim Hizmetleri Ortağı Ali ÇİÇEKLİ - Deloitte Türkiye Denetim Hizmetleri Direktörü Yasemin YALÇINYazı dizimizin ilk bölümün­de, yapay zekânın denet­çi istihdamını azaltma­dığını; aksine mesleğin niteliği­ni dönüştürdüğünü ele almıştık.

Sıradaki temel soru ise şu: Yapay zekâ denetimin kalitesini gerçek­ten artırıyor mu?

Daha düşük ha­ta oranları, daha yüksek doğruluk düzeyi ve daha güvenilir denetim çıktıları mümkün mü?Akademik çalışmalar ve sektör verileri bu soruya büyük ölçüde “evet” yanıtını veriyor.

Ancak or­taya çıkan bu olumlu tablo, bera­berinde önemli yapısal ve etik tar­tışmaları da gündeme getiriyor.Bağımsız denetim sektörü­ne geçmeden önce, yapay zekâ­nın denetim faaliyetlerini genel çerçevede nasıl etkilediğini gör­mek açısından Sayıştay’ın Ara­lık 2025’te yayımladığı kapsam­lı araştırma, önemli bir referans noktası sunuyor.Kamuda yapay zekâ deneyimi: Sayıştay bulgularıTürkiye Sayıştay Dergisi’n­de yayımlanan Özdemir ve Yel­boğa’nın (2025) çalışması, yapay zekâ uygulamalarının denetim süreçlerinde dönüştürücü bir rol üstlenebileceğini ortaya koyuyor.

Literatür taraması ve ülke uygula­maları; anomali tespiti, belge işle­me, risk odaklı planlama ve mev­zuata uyum kontrollerinde yapay zekânın önemli katkılar sağladı­ğını gösteriyor.Brezilya, Hindistan ve Filipin­ler gibi ülkelerde milyonlarca iş­lemin çok kısa sürede analiz edi­lebilmesi, denetçilerin tüm veri evrenini kapsayacak şekilde ince­leme yapabilmesine ve kritik risk alanlarına daha erken ve daha isa­betli biçimde odaklanmasına ola­nak sağlıyor.

Bu yaklaşım sonu­cunda denetim kapsamı genişli­yor, hata ve usulsüzlüklerin erken aşamada tespiti kolaylaşıyor.Akademik araştırmalar, yapay zekâ kullanımının denetim kalite­sini soyut bir vaat olmaktan çıka­rarak ölçülebilir kazanımlara dö­nüştürdüğünü ortaya koyuyor.

Bu kazanımlar ağırlıklı olarak iki te­mel başlık altında toplanıyor: hata tespiti ve değerlendirme doğrulu­ğu.

Law & Shen’in (2025) araştır­ma sonuçlarının özeti şu şekilde:Finansal hatalarda düşüşCalifornia Berkeley, Drexel ve San Francisco üniversitelerin­den araştırmacıların, Los Angeles merkezli AI for Good Foundation işbirliğiyle yürüttüğü ve Springer bünyesinde yayımlanan çalışma, 400 binden fazla denetçi özgeç­mişini analiz ediyor.

Bulgulara gö­re, yapay zekâ yatırımı yapan fir­malarda finansal tablo düzeltme­lerinde yaklaşık yüzde 5 oranında azalma gözlemleniyor.

Gelir tanı­ma ve tahakkuk hatalarındaki dü­şüş ile SEC soruşturmalarına yol açabilecek büyük yanlışlıkların daha erken aşamada tespit edil­mesi, çalışmanın öne çıkan so­nuçları arasında yer alıyor.Bu sonuçlar, yapay zekânın in­san denetçilerin manuel olarak inceleyemeyeceği büyüklükte ve­ri setlerini analiz ederek riskleri daha görünür ve yönetilebilir kıl­dığını gösteriyor.Kritik yargılarda daha yüksek doğrulukLaw ve Shen’in çalışması, yapay zekânın özellikle profesyonel yar­gı gerektiren alanlarda fark yarat­tığını ortaya koyuyor.

İşletmenin sürekliliğine ilişkin değerlendir­meler daha isabetli yapılırken, iç kontrol zayıflıkları ve büyük fi­nansal düzeltmeler daha erken aşamada tespit edilebiliyor.

Bu da denetim faaliyetlerinin yalnızca geçmiş dönem verilerine odak­lanmakla sınırlı kalmayıp işlet­menin geleceğe yönelik riskleri­ni de daha sağlıklı biçimde analiz edebilmesini sağlıyor.Özetle yapay zekâ, sadece rutin hataların tespitini değil, şirket­lerin sürdürülebilirliğini tehdit eden kritik risk unsurlarının daha erken görünür hale gelmesini de destekliyor.Beraberinde gelen zorluklarElde edilen kazanımlara rağ­men, yapay zekânın denetim sü­reçlerinde kullanımı önemli zor­lukları da beraberinde getiriyor.

Babson College tarafından yürü­tülen kapsamlı mülakat çalışma­ları, bu zorlukları altı ana başlık altında topluyor.Şeffaflık ve açıklanabilirlik: Derin öğrenme modelleri, birçok durumda ürettikleri çıktılara han­gi karar adımlarıyla ulaştıklarını açıklamakta zorlanıyor.

Denetçi­ler sonucu görüyor ancak bu sonu­cun arkasındaki karar mantığını tam olarak anlayamayabiliyor.

Bu durum, profesyonel şüpheciliğin zayıflaması riskini beraberinde getirirken yapay zekâ çıktılarının denetim kanıtı olarak nasıl değer­lendirileceği sorusunu da günde­me taşıyor.

Bu nedenle, kullanılan modelin karar mekanizmasının açıklanabilir ve şeffaf olması gide­rek daha kritik hale geliyor.Algoritmik yanlılık riski: Yapay zekâ eğitiminde kullanılan verilerin hedef popülasyonu ne ölçüde temsil ettiği ve ortaya çı­kan sonuçların algoritmik yan­lılıktan arındırılıp arındırılama­dığı, önemli bir tartışma alanı olarak öne çıkıyor.

Stanford Üni­versitesi’nde yürütülen bir çalış­mada, eğitim verisi büyüdükçe bazı görsellerin “suçlu” olarak sı­nıflandırılma olasılığının arttı­ğı tespit edilmiştir.

Bunun temel nedeni, veri setlerine gömülü ön­yargılar ve kalıplaşmış temsil bi­çimleridir.

Söz konusu örnek, de­netimde de benzer risklerin göz ardı edilmemesi gerektiğini ha­tırlatıyor.Veri gizliliği: Hassas müşte­ri verilerinin istem dışı ifşa edil­me riski, yapay zekâ araçlarının kurumsal süreçlerde kullanımına ilişkin en kritik başlıklardan bi­ridir.

Özellikle bu araçların, kul­lanıcı verilerini yalnızca model performansını geliştirmek ama­cıyla kullanıp kullanmadığı ve söz konusu verilerin yeterli düzeyde anonimleştirilmediği konusu cid­di bir risk alanı oluşturuyor.Doğruluk, etkinlik ve güve­nilirlik: Model stabilitesi ve ye­ni bilgilere uyum, bir diğer kri­tik başlık.

Yapay zekâ araçlarının doğruluk ve etkinlik düzeyinin nasıl ölçüleceği, küresel denetim uygulamalarında kullanılan mo­dellerin nasıl belgeleneceği ve za­man içinde farklı sonuçlar üre­tebilen sistemlere denetçilerin hangi çerçevede güvenebileceği konusu henüz netlik kazanmış de­ğil.

Bu belirsizlik, standartlaştırıl­mış performans ölçüm kriterleri­ne ve model yönetişimi süreçleri­ne duyulan ihtiyacı daha görünür hale getiriyor.İnsan faktörü ve aşırı güven riski: Yapay zekâ sistemlerine aşı­rı güven duyulması, denetçi yan­lılığı riskini artırabiliyor.

Denet­çilerin, belirli bir denetim çalış­masının kendine özgü koşullarını yeterince dikkate almadan yapay zekâ tarafından üretilen çıktıları genellemesi, profesyonel yargının zayıflamasına yol açabiliyor.Yapay zekâ rehberliği ihtiya­cı: Basit otomasyon araçlarından gelişmiş yapay zekâ uygulamaları­na kadar uzanan geniş yelpazede, denetim faaliyetlerini yönlendire­cek bütüncül bir yapay zekâ yöne­tişim çerçevesinin eksikliği dikkat çekiyor.

Denetçi düşünce süreçle­rinin yapay zekâ sistemlerine na­sıl aktarılacağı ve profesyonel ka­rar alma mekanizmalarının hangi ilkeler doğrultusunda modellene­bileceği, sektörde üzerinde çalışıl­ması gereken temel başlıklar ara­sında yer alıyor.Zorluklara karşı geliştirilen çözüm önerileriBabson College tarafından ya­pılan çalışmalar, yapay zekâ kul­lanımına ilişkin karşılaşılan zor­luklara yönelik çeşitli çözüm yaklaşımları sunuyor.

Bunlar ara­sında açıklanabilirlik teknikleri­nin (LIME, Shapley gibi) kullanıl­ması, algoritmik yanlılığı izleyen ve denetleyen araçların geliştiril­mesi ile güçlü veri gizliliği ve si­ber güvenlik mimarilerinin oluş­turulması öne çıkan başlıklar ara­sında yer alıyor.Ayrıca modellerin yalnızca be­lirli zaman aralıklarında yeniden eğitilmesi, denetim süreci boyun­ca dinamik öğrenme mekanizma­larının sınırlandırılması ve de­netçilerin veri akışını uçtan uca anlayabilecek şekilde yetkinlikle­rini geliştirilmesi öneriliyor.

Dü­zenleyici ve denetleyici kurum­ların (örneğin KGK) yapay zekâ kullanımına ilişkin süreçler hak­kında bilgilendirilmesi de bu çer­çevenin önemli bir parçası olarak değerlendiriliyor.Teknoloji güçlü ama merkezde hâlâ insan varMevcut bulgular, yapay zekâ­nın denetim kalitesini anlamlı öl­çüde artırdığını ortaya koyuyor.

Hata oranları düşüyor, riskler da­ha erken aşamada tespit ediliyor ve denetim kapsamı daha büyük veri setlerini içerecek şekilde ge­nişliyor.Ancak bu başarı, teknolojinin sınırlarının farkında olunmasını gerektiriyor.

Algoritmik yanlılık, veri kalitesi, açıklanabilirlik ek­sikliği ve aşırı güven riski yöne­tilmediği sürece, yapay zekâ de­netim süreçlerini güçlendirmek yerine yeni risk alanları yaratma potansiyeline de sahip.

Değişme­yen temel gerçek şu: Denetimin kalitesi nihai olarak insan denet­çinin profesyonel yargısına, eleş­tirel düşünme becerisine ve etik duruşuna dayanıyor.

Yapay zekâ güçlü bir destek aracı ancak son sözü söyleyen hâlâ insan.