Bir Görselin veya Videonun Yapay Zekâyla Üretildiği Nasıl Anlaşılır? İşaretler, Araçlar ve Sınırlar

Bir görselin yapay zekâyla üretildiğini nasıl anlayabilirsiniz?

Dürüst yanıt şu: Çoğu zaman yalnızca bakarak anlayamazsınız. Microsoft'un AI for Good Lab'i tarafından yürütülen çevrimiçi bir testte katılımcılar yaklaşık 287.000 değerlendirme yaptı ve gerçek ile yapay zekâ ürünü görselleri yalnızca %62 oranında doğru tanımladı ^[1]. ABD, Almanya ve Çin'den 3.002 kişiyle yapılan ve 2024'te IEEE Güvenlik ve Gizlilik Sempozyumu'nda sunulan temsilî bir çalışma, en gelişmiş sahte içeriklerin gerçek medyadan neredeyse ayırt edilemediğini ve katılımcıların çoğunun yalnızca tahmin yürüttüğünü ortaya koydu ^[2].

Bu, kontrol etmenin anlamsız olduğu anlamına gelmez. Güvenilir yaklaşımın katmanlı olduğu anlamına gelir: Görsel hatalara bakın, filigran veya Content Credentials gibi makine tarafından okunabilen sinyalleri kontrol edin ve görselin ilk ortaya çıktığı yeri bulun. ABD Ulusal Standartlar ve Teknoloji Enstitüsü (NIST) aynı fikri daha geniş ölçekte ifade ediyor: Sihirli bir çözüm olmadığını, kaynak takibi, etiketleme ve tespitin her birinin sınırları bulunduğunu söylüyor ^[4].

Hızlı kontrol listesi

1. Paylaşmadan önce durun. Son dakika görüntüleri özel dikkat gerektirir; Haziran 2025'te, uzmanların CBS News'e yapay zekâyla yapılmış olabileceğini söylediği, Tahran'daki Evin Cezaevi'nde bir patlamayı gösteren bir klip, İsrail'in cezaevine düzenlediği gerçek bir saldırıdan birkaç dakika sonra internette ortaya çıktı ^[12].
2. Ellere, yazılara, gölgelere, yansımalara ve fiziksel olarak işlemesi gereken nesnelere yakından bakın ^[3].
3. Kimlik bilgilerini veya filigranları kontrol edin; bunun için Content Credentials standardı ya da Gemini'deki Google SynthID denetleyicisi gibi bunları okuyabilen bir araç kullanın ^[5][7].
4. Kaynağı arayın. Google'ın kendi yardım sayfası, filigran aracının yanı sıra görsel incelemeyi ve tersine görsel aramayı öneriyor ^[5].
5. Her sonucu kanıt değil, bulgu olarak değerlendirin; çünkü her yöntem içeriği gözden kaçırabilir veya yanlış okuyabilir ^[4].

Yapay zekâ görsellerini hangi görsel işaretler ele verir?

Northwestern Üniversitesi'ndeki araştırmacılar, difüzyon modelleriyle üretilmiş 138 görsel, sosyal medyadan derlenmiş 9 görsel ve 42 gerçek fotoğraftan yola çıkarak bir rehber hazırladı ^[3]. Ele veren sorunları beş kategoriye ayırdılar ^[3]:

• Anatomik: Birbirine karışan bedenler de dahil olmak üzere akla yatmayan eller, gözler, dişler ve bedenler ^[3].
• Üslupsal: Parlak ya da mumsu ciltle, dergi veya film karesi görünümüyle ya da resmin farklı ayrıntı veya renk düzeyindeki bölümleriyle biraz fazla kusursuz görünen görseller ^[3].
• İşlevsel: Çalışması mümkün olmayan nesneler, alışılmadık tasarımlar ve anlaşılmaz yazılar ya da logolar; çünkü üreticiler nesnelerin nasıl işlediğine dair yapısal bir kavrayışa sahip değildir ^[3].
• Fizik kurallarına aykırılıklar: Tutarsız gölgeler, yansımalar ve derinlik ile perspektif sorunları ^[3].
• Sosyokültürel: Olası olmayan, uygunsuz, bir kültürün normlarına aykırı ya da tarihsel olarak hatalı senaryolar ^[3].

Yazarlar, insanların algılayabileceği bu bozulmaların sıklıkla ortaya çıksa da her zaman bulunmadığını ve tuhaf görünen bir el gibi anatomik gariplerin bir görselin mutlaka yapay zekâ ürünü olduğu anlamına gelmediğini vurguluyor ^[3]. Üreticiler de hızla gelişiyor: Microsoft araştırmacıları, sonuçlarının insanların güncel yapay zekâ görsellerini fark etme becerisini muhtemelen olduğundan yüksek gösterdiğini belirtiyor ^[1].

Hangi sahte görselleri fark etmek en zordur?

Microsoft deneyinde iki tür görsel insanları çoğu zaman yanılttı: GAN'larla (daha eski bir görsel üretici türü) yapılmış insan yüzleri ve gerçek bir fotoğrafın bir bölümünün üretilmiş içerikle değiştirildiği inpainting ^[1]. NIST de aynı noktaya değiniyor: Kısmen düzenlenmiş bir görsel büyük ölçüde gerçektir ve bu, her tespit yöntemini zorlaştırır ^[4]. Bu nedenle tek bir ayrıntısı değiştirilmiş gerçek bir fotoğrafı yakalamak, tamamen sentetik bir sahneyi yakalamaktan daha zordur.

Peki ya video?

Video daha da zordur. Berkeley'deki California Üniversitesi'nden Profesör Hany Farid, Haziran 2025'te CBS News'e sahte içeriklerin durağan görsellerden, elde tutulan bir telefonla çekilmiş gibi görünen patlamalı videolara geçtiğini söyledi ^[12]. Uzmanların yapay zekâyla üretilmiş olabileceğini söylediği, Tahran'daki Evin Cezaevi'nin girişindeki bir patlamayı gösteren klipte, kapının üzerindeki hatalı bir tabelaya ve patlamanın kendisindeki tutarsızlıklara dikkat çektiler ^[12]. Kontrol edilmesi yararlı noktalar arasında tabelalar ve diğer yazılar, ışık ve aynı sahnenin başka kameraların görüntülerinde yer alıp almadığı bulunuyor.

Yapay zekâ filigranları ve Content Credentials bir görselin nereden geldiğini kanıtlar mı?

Makine tarafından okunabilen sinyaller gözle incelemeden daha güçlüdür, ancak yalnızca mevcut olduklarında ve doğru araç bunları okuyabildiğinde. İki ana türü vardır.

Görünmez filigranlar

Filigran, piksellerin veya sesin içine gizlenmiş bir sinyaldir. Google'ın SynthID teknolojisi, yapay zekâyla üretilen içeriğe algılanamayan sinyaller yerleştirir ve Google, Kasım 2025 itibarıyla 20 milyardan fazla içeriğin bu teknolojiyle filigranlandığını söylüyor ^[6]. 20 Kasım 2025'ten bu yana kullanıcılar Gemini uygulamasına bir görsel yükleyip bunun Google yapay zekâsıyla yapılıp yapılmadığını sorabiliyor ^[6]. Google'ın yardım sayfası video ve ses kontrollerini de ekliyor; sınırlar dosya başına 100 MB, 90 saniyeden kısa videolar ve 24 saatte her türden yaklaşık 10 kontrol ^[5].

Bu sınırlar önemlidir. Gemini şu anda yalnızca Google'ın yapay zekâ araçlarıyla oluşturulan içerikleri tanıyabiliyor ve Google, SynthID filigranı bulunmamasının içeriğin yapay zekâ ürünü olmadığı anlamına gelmediğini belirtiyor ^[5]. Google, filigranların genellikle yeniden boyutlandırma, yeniden renklendirme ve sıkıştırmaya dayandığını, ancak çok sayıda değişiklikten sonra tespit edilemeyebileceğini söylüyor ^[5].

Content Credentials

İçerik Kaynağı ve Özgünlüğü Koalisyonu (C2PA) tarafından geliştirilen standart olan Content Credentials, içeriğin nasıl, ne zaman ve nerede yapıldığını ve nasıl değiştiğini kaydetmenin kriptografik olarak güvenli bir yoludur ^[7]. Dosya ya da kaynak verileri değiştirilirse kriptografik bağ kopar ve bu da kurcalandığına işaret eder ^[7]. Gemini, C2PA Uyumlu Ürünler Listesi'ndeki ürünlerden gelen 2.2 ve sonraki sürüm Content Credentials bilgilerini web'de ve Android uygulamasında okuyabiliyor ^[5].

Ancak kimlik bilgileri bir sahnenin gerçekliğini değil, köken hakkındaki bir iddiayı kaydeder. Google, bir şirketin adını veren bir sonucun yalnızca bilgiyi kimin sağladığını gösterdiğini ve kimlik bilgilerinin içeriğin yapay zekâ ürünü olup olmadığını kesin olarak kanıtlamadığını belirtiyor ^[5]. C2PA, kimlik bilgilerinin dosyadan ayrılabileceğini söylüyor ve bunları yeniden bulmak için filigranlar veya parmak izleri gibi 'yumuşak bağlamaları' (soft bindings) destekliyor ^[7].

Etiketler ve meta veriler neden bu kadar sık kayboluyor?

Meta veriler dosyanın içinde taşınır; dolayısıyla dosyayı yeniden kaydeden her şey onları silebilir. NIST, gömülü meta verilerin dosyalar örneğin sosyal medya platformları aracılığıyla paylaşıldığında sıklıkla silindiğini ve insanların bunları aldatmak için ya da gizlilik gibi masum nedenlerle silebileceğini belirtiyor ^[4].

Washington Post bunu Ekim 2025'te test etti. OpenAI'ın Sora aracıyla Content Credentials taşıyan bir video yaptı, bunu sekiz sosyal medya uygulamasında paylaştı ve hiçbirinin kimlik bilgilerini korumadığını ya da kullanıcıların bunları görmesine izin vermediğini tespit etti ^[8]. Yalnızca YouTube bir uyarı ekledi ve 'Değiştirilmiş veya sentetik içerik' yazan bu bildirim videonun açıklama bölümünde yer aldı ^[8].

Görünür filigranları aşmak ise daha da kolaydır. 404 Media, test ettiği üç web sitesinin görünür Sora 2 filigranını videolardan saniyeler içinde kaldırdığını bildirdi ^[9]. NIST de pek çok görünmez görsel filigranının, örneğin görsele gürültü ekleyip ardından gürültüyü gidererek kaldırılabildiğini gösteren araştırmalara yer veriyor ^[4].

Platformlar ne diyor?

Meta, 2024'te Facebook, Instagram ve Threads'teki görselleri etiketlemek için C2PA ve IPTC meta veri standartlarındaki yapay zekâ göstergelerini okuyacağını açıkladı ^[10]. Aynı duyuru, yapay zekâyla üretilen tüm içeriği tanımlamanın henüz mümkün olmadığını ve insanların görünmez işaretleri silebileceğini kabul etti ^[10]. Meta bunun yerine kullanıcıların fotogerçekçi yapay zekâ videolarını ve gerçekçi sesleri paylaşırken bunu beyan etmesini zorunlu tutuyor ^[10].

Yapay zekâ görsel dedektörleri güvenilir mi?

Otomatik dedektörler, bir dosyanın sentetik olma olasılığını tahmin eden sınıflandırıcılardır. İnsanlardan daha iyi performans gösterebilirler: Microsoft ekibinin kendi dedektörü, çalışmada hem gerçek hem de yapay zekâ görsellerinde %95'in üzerinde doğruluğa ulaştı ^[1]. Bu rakam, internette bulabileceğiniz herhangi bir ücretsiz siteye değil, tek bir veri kümesindeki tek bir araştırma aracına aittir.

Faydalar

• Microsoft araştırmacıları, tespit araçlarını insanlardan belirgin şekilde daha güvenilir olarak tanımlıyor, ancak hâlâ hata yaptıklarını da belirtiyor ^[1].
• Bu çalışmada araçların doğruluğu, konuya göre değişen insan doğruluğunun aksine görsel kategorileri arasında tutarlıydı ^[1].

Sınırlar

• NIST, yeni modeller ortaya çıkmaya devam ederken dedektörlerin çoğu zaman en iyi performansı, üzerinde eğitildikleri üreticilerin içeriklerinde gösterdiğini söylüyor ^[4].
• NIST'e göre yeni bir tespit yöntemi ortaya çıkar çıkmaz üreticiler gelişiyor ve kötü niyetli kişiler bu yöntemden kaçmayı öğreniyor ^[4].
• Gerçek içeriği yapay zekâ ürünü olarak etiketleyen yanlış pozitifler son derece zarar verici olabilir; itibar kaybına veya olumsuz muameleye yol açabilir ^[4].
• Kısmen düzenlenmiş görselleri sınıflandırmak zordur ve bir düzenlemenin 'önemli' olup olmadığı öznel olabilir ^[4].

Bu nedenle bir dedektör puanı yalnızca bir veridir. En yararlı olduğu durum, bulunamayan orijinal kaynaklar veya görünür hatalar gibi başka kanıtlarla örtüştüğü durumdur.

Hangi yöntemi ne zaman kullanmalısınız?

Her yöntem farklı bir soruyu yanıtlar. Görsel inceleme, içeriğin fiziksel olarak akla yatkın görünüp görünmediğini sorar ^[3]. Filigran kontrolü, belirli bir şirketin yapay zekâsının kendi sinyalini bırakıp bırakmadığını sorar ^[5]. Content Credentials, dosyanın imzalı geçmişinin ne söylediğini sorar ^[7]. Google'ın kendi aracının yanında önerdiği tersine görsel arama ise görselin ilk olarak nerede ve ne zaman ortaya çıktığını sorar ^[5]. Aşağıdaki tablo bunları karşılaştırıyor.

Bir haber olayını aktarmak ya da birini kanıt uydurmakla suçlamak gibi yüksek riskli bir karar için birkaç yöntem kullanın ve sonuçların örtüşüp örtüşmediğine bakın. NIST, kurumların birden fazla tespit tekniğini bir arada kullanabileceğini belirtiyor ve sihirli bir çözüm olmadığını söylüyor ^[4].

Yapay zekâ görsellerinin etiketlenmesini hangi kurallar zorunlu kılıyor?

Avrupa Birliği'nde Yapay Zekâ Yasası'nın 50. Maddesi'ndeki şeffaflık yükümlülükleri 2 Ağustos 2026'dan itibaren uygulanıyor ^[11]. Bu kurallara göre yapay zekâ sistemlerinin sağlayıcıları ses, görsel, video ve metin çıktılarını yapay olarak üretildikleri tespit edilebilecek şekilde makine tarafından okunabilir biçimde işaretlemek, uygulayıcılar ise deepfake'leri etiketlemek zorunda; bunun nasıl yapılacağını Avrupa Komisyonu'nun uygulama kuralları belirliyor ^[11]. Uygulama kuralları deepfake'i, gerçek kişilere, nesnelere, yerlere, kuruluşlara veya olaylara benzeyen ve yanıltıcı biçimde gerçekmiş gibi görünebilecek görsel, ses veya video içeriği olarak tanımlıyor ^[11].

Uygulama kurallarına uymak gönüllülük esasına dayansa da 50. Madde'deki görevler yasal yükümlülüklerdir ^[11]. Komisyonun takvimi, nihai uygulama kurallarının 10 Haziran 2026'da yayımlandığını gösteriyor ve Temmuz 2026 sonuna kadar yaklaşık 190 kuruluş bu kuralları imzalamıştı ^[11]. AB, uygulayıcıların yapay zekâ ürünü içeriği etiketlemek için kullanabileceği bir dizi simge de oluşturdu ^[11]. AB dışında Meta'nın beyan kuralları gibi platform politikaları geçerli ^[10]; ancak kurallar ülkeden ülkeye farklılık gösteriyor ve sık sık değişiyor, bu nedenle 3 Kasım 2026 itibarıyla güncel sürümü kontrol edin.

Sahte içerikleri tespit etmede sırada ne var?

Eğilim, insanların hataları fark etmesinden çok, oluşturulma anında dosyalara yerleştirilen etiketlere doğru. Google, Gemini'nin doğrulama özelliğini kendi ekosistemi dışındaki ürünlerden gelen Content Credentials bilgilerine genişletme planlarını duyurdu ^[6] ve yardım sayfası artık bu kontrolleri tanımlıyor ^[5]; AB'nin işaretleme kuralları ise sağlayıcılar için geçerli ^[11]. Aynı zamanda NIST, filigranları kaldıran veya sahteleyen ('spoof') saldırıları tanımlıyor ^[4] ve Washington Post'un testi, platformların mevcut sinyalleri çoğu zaman yok saydığını gösterdi ^[8].

Belirsizliğini koruyan konular

• İnsanların gelecek yıl ne kadar başarılı olacağı. Microsoft'un yazarları, üreticiler geliştikçe insan doğruluğunun düşmesini bekliyor ^[1].
• Platformların kimlik bilgilerini koruyup korumayacağı. Content Credentials'a katılım gönüllülük esasına dayanıyor ve Post'un testinde hiçbir platform bu verileri korumadı ^[8].
• Diğer şirketlerin filigranlarının kapsanması. 3 Kasım 2026 itibarıyla Gemini'nin denetleyicisi diğer şirketlerin filigranlarını henüz okuyamıyor ^[5].

Şimdilik özel bir araç gerektirmeyen kontroller hâlâ önemli: Google, orijinal bir kaynağı bulmak için tersine görsel aramayı öneriyor ^[5]; Hany Farid de CBS News okurlarına son dakika haberleri için sosyal medyaya güvenmemelerini tavsiye etti ^[12].