FARUK DOĞAN / TÜRKLİM GENEL SEKRETERİ

YÖNETİCİ ÖZETİ

LİMAN İŞLETMELERİNDE YAPAY ZEKÂ KULLANIMI
RİSKLER, ZAFİYETLER VE İYİ UYGULAMALAR

Küresel ticaretin artan hızı, tedarik zincirlerinin karmaşıklığı ve sürdürülebilirlik baskıları; limanları yalnızca yük elleçleyen fiziksel alanlar olmaktan çıkararak veri yoğun, dijitalleşmiş ve çok katmanlı kritik altyapılar hâline getirmiştir. Bu dönüşümün merkezinde yapay zekâ (AI), nesnelerin interneti (IoT), otomasyon ve büyük veri analitiği yer almakta; liman işletmeleri verimlilik, öngörülebilirlik, güvenlik ve rekabetçilik hedefleri doğrultusunda “akıllı liman” (smart port) yaklaşımına yönelmektedir.

Ancak yapay zekâ odaklı bu dönüşüm yalnızca teknolojik bir ilerleme değildir. AI, liman operasyonlarında önemli kazanımlar sağlarken; aynı zamanda operasyonel riskler, siber güvenlik tehditleri, hukuki sorumluluklar, etik sorunlar ve insan faktörü açısından yeni ve daha karmaşık bir risk manzarası yaratmaktadır. Bu çalışma, yapay zekânın liman işletmelerinde yarattığı değeri ve kırılganlıkları birlikte ele alarak, kontrolsüz dijitalleşmenin doğurabileceği yapısal zafiyetleri ve bu risklerin nasıl yönetilebileceğini bütüncül bir çerçevede incelemektedir.

Makale kapsamında, yapay zekânın limanlardaki başlıca kullanım alanları sistematik biçimde değerlendirilmektedir. Vinç, rıhtım ve vardiya planlaması gibi operasyon yönetimi uygulamalarından; görüntü işleme tabanlı konteyner takibi, plaka ve yüz tanıma sistemleri, davranış analitiği, tahmine dayalı bakım çözümleri ve ChatGPT benzeri büyük dil modeli (LLM) tabanlı dijital asistanlara kadar uzanan geniş bir yelpazede AI uygulamalarının somut faydaları ortaya konulmaktadır. Bununla birlikte, yanlış veriyle beslenen modellerin hatalı kararlar üretebilmesi, otomasyonun iş kazası risklerini artırabilmesi ve yanlış pozitif/negatif güvenlik kararlarının hem güvenlik hem de hukuki sonuçlar doğurabilmesi gibi kritik riskler açıkça vurgulanmaktadır.

Çalışmanın temel katkılarından biri, yapay zekâ kaynaklı riskleri net bir biçimde sınıflandırmasıdır. Bu riskler; veri kaynaklı riskler (veri kalitesi sorunları, veri zehirlenmesi, gizlilik ihlalleri), model ve algoritma riskleri (algoritmik önyargı, kasıtlı saldırılar, performans düşüşü), sistemsel ve işletimsel riskler (BT–OT entegrasyonu ile genişleyen saldırı yüzeyi, bulut tabanlı LLM bağımlılığı, otomasyon yanlılığı) ve hukuki–etik riskler (açıklanabilirlik eksikliği, kişisel verilerin korunması, sorumluluk belirsizliği) başlıkları altında ele alınmaktadır. Bu risklerin artık yalnızca birer “BT sorunu” değil; doğrudan operasyonel, stratejik ve itibari riskler olduğu ortaya konmaktadır.

Makale ayrıca, limanlarda sıkça karşılaşılan kontrolsüz dijitalleşme olgusuna dikkat çekmektedir. Birçok AI ve dijitalleşme projesinin pilot (PoC) aşamasında kalmasının temel nedenleri arasında; kurumsal sahiplenme eksikliği, veri ve sistem entegrasyonu sorunları ve süreç uyumu sağlanmadan teknolojinin devreye alınması yer almaktadır. Çok sayıda sistemin eş zamanlı ve uyumsuz biçimde kullanılması ise “dijital yorgunluk”, çalışan direnci ve organizasyonel kırılganlık yaratmakta; bu durum hem güvenliği hem de operasyonel verimliliği olumsuz etkilemektedir.

Çalışmanın önemli bir bölümü, yapay zekâ ile siber güvenlik arasındaki çift yönlü ilişkiye odaklanmaktadır. AI bir yandan korunması gereken kritik bir varlık hâline gelirken; diğer yandan otonom sistem manipülasyonu, LLM tabanlı sosyal mühendislik, BT–OT geçiş noktalarının istismarı ve AI destekli saldırı otomasyonu gibi yeni nesil tehditleri de beraberinde getirmektedir. Bu nedenle AI güvenliğinin; veri, model, dağıtım, izleme ve olay yönetimini kapsayan yaşam döngüsü temelli bir yaklaşımla ele alınması gerektiği vurgulanmaktadır.

Hukuki ve düzenleyici boyutta ise, özellikle Avrupa Birliği’nin Yapay Zeka Yasası (EU AI Act) başta olmak üzere yeni düzenlemelerin, limanlarda kullanılan birçok AI sistemini fiilen yüksek riskli kategoriye soktuğunu ortaya koymaktadır. İnsan gözetimi, kayıt tutma, risk yönetimi, şeffaflık ve olay bildirimi yükümlülükleri, doğrudan liman işletmecilerinin sorumluluğu hâline gelmektedir. AI kaynaklı hatalarda sorumluluğun çoğunlukla liman işletmesi üzerinde yoğunlaşması, yönetişim ve uyum mekanizmalarının önemini daha da artırmaktadır.

Bu çerçevede makale, riskleri azaltmak ve güvenilir bir dijital dönüşüm sağlamak için bütüncül bir çözüm ve yönetişim modeli önermektedir. AI yönetişim yapılarının kurulması, etik komiteler ve veri sorumlusu (data steward) rollerinin tanımlanması, model yaşam döngüsü yönetimi (MLOps/AIOps), şeffaf ve denetlenebilir yapay zekâ yaklaşımları (XAI), Sıfır Güven (Zero Trust) mimarisi ve OT siber güvenlik standartları bu modelin temel bileşenleridir. ISO/IEC 42001, ISO 27001, NIST AI Risk Management Framework ve IMO–IAPH–ESPO çerçeveleri ise limanlar için bir uyum yükümlülüğü değil, güvenli, dayanıklı ve sürdürülebilir dijitalleşmenin yol haritası olarak konumlandırılmaktadır.

Sonuç olarak bu çalışma, yapay zekânın limanlar için kaçınılmaz ancak çift taraflı bir dönüşüm aracı olduğunu göstermektedir. Başarı, yalnızca teknoloji yatırımlarına değil; yönetişim kapasitesine, kurumsal olgunluğa ve insan faktörünü merkeze alan bir yaklaşıma bağlıdır. Geleceğin rekabetçi limanları; AI’yı körü körüne uygulayan değil, onu yöneten, denetleyen, risklerini bilen ve etik, güvenli, insan-merkezli biçimde kullanan limanlar olacaktır. Bu çalışma, söz konusu dönüşümü hedefleyen liman yöneticileri ve beyaz yaka profesyoneller için kapsamlı, dengeli ve yol gösterici bir referans sunmaktadır.

Makaleyi keyifle okumanızı dilerim.

Saygılarımla,

Faruk DOĞAN

LİMAN İŞLETMELERİNDE YAPAY ZEKÂ KULLANIMI
RİSKLER, ZAFİYETLER VE İYİ UYGULAMALAR

İÇİNDEKİLER

1. Giriş: Dijital Liman Ekosisteminin Yeni Gerçekliği

2. Limanlarda Yapay Zekâ Kullanım Alanları: Fırsat–Risk Çerçevesi

2.1. Operasyon Yönetimi
2.1.1. Liman Operasyonlarının Planlanması ve Optimizasyonu
2.1.2. Görüntü İşleme
2.1.3. Fırsatlar ve Beklenen Kazanımlar
2.1.4. Riskler ve Potansiyel Zafiyetler
2.2. Güvenlik ve Emniyet
2.2.1. Plaka ve Yüz Tanıma Sistemleri ile Giriş–Çıkış Kontrolü
2.2.2. Şüpheli Davranış ve Güvenlik İhlali Tespiti
2.2.3. Yanlış Pozitif/Negatif Sonuçlar, Ayrımcılık ve Hukuki Sorumluluk
2.3. Risk Yönetimi ve Tahmine Dayalı Bakım
2.3.1. Sensör Verilerine Göre Operasyon Optimizasyonu
2.3.2. Veri Kalitesi, Yanlış Tahmin, Maliyet Artışı ve İş Kazası Riskleri
2.4. Yapay Zekâ Destekli İletişim ve Hizmet Sistemleri
2.4.1. ChatGPT Tabanlı Dijital Asistanlar
2.4.2. Hallüsinasyon, Yanlış Yönlendirme ve Veri Gizliliği Riskleri

3. Ana Tehditler: AI’nın Liman İşletmelerine Getirdiği Yeni Riskler

3.1. Veri Kaynaklı Riskler
3.2. Model ve Algoritma Kaynaklı Riskler
3.2.1. Yapay Zekâ Modellerine Yönelik Saldırılar
3.2.2. Performans Riski
3.2.3. Sistematik Önyargı (Algoritmik Bias) ve Ayrımcılık Riski
3.3. Sistem ve İşletimsel Riskler
3.3.1. BT–OT Entegrasyonu ve Genişleyen Saldırı Yüzeyi
3.3.2. Bulut Tabanlı LLM Bağımlılığı
3.3.3. Automation Bias
3.4. Hukuki ve Etik Riskler
3.4.1. Fikrî Mülkiyet (IP) İhlalleri
3.4.2. Açıklanabilirlik ve Hesap Verebilirlik Eksikliği
3.4.3. Kişisel Verilerin İşlenmesi

4. Kontrolsüz Dijitalleşme: Limanlar İçin Yükselen Yapısal Zafiyet

4.1. Pilot Projelerin Çöktüğü Noktalar
4.1.1. Sahiplenme ve Kurumsal Bağlılık Sorunu
4.1.2. Veri Kalitesi ve Sistem Tutarsızlıkları
4.1.3. Entegrasyon Güçlükleri ve BT–OT Uyumsuzluğu
4.1.4. Süreç Uyumu Olmadan Teknoloji Dayatması
4.2. Limanlarda Dijital Yorgunluk
4.2.1. Bütünleşik Risk Artışı
4.2.2. Kritik Altyapıların Siber Hedef Hâline Gelmesi
4.2.3. Çalışan Uyumu ve Organizasyonel Yıpranma

5. Limanlarda AI ve Siber Güvenlik Boyutu

5.1. AI Sistemini Güvence Altına Alma
5.1.1. Veri güvenliği
5.1.2. Model Güvenliği ve Yaşam Döngüsü Yönetimi
5.1.3. Dağıtım Güvenliği
5.1.4. Sürekli izleme ve anomali tespiti
5.1.5. Olay Yönetimi
5.2. AI’nın Yeni Siber Saldırı Yüzeyi
5.2.1. Otonom Karar Sistemlerinin Manipülasyonu
5.2.2. LLM tabanlı Sosyal Mühendislik Saldırıları
5.2.3. BT–OT Geçiş Noktalarının İstismarı
5.2.4. Siber Saldırıların AI Tarafından Otomatikleştirilmesi

6. AI ve Siber Hukuk: Limanlar Açısından Yükümlülükler ve Sorumluluklar

6.1. AI Kaynaklı Hataların Hukuki Niteliği
6.1.1. Karar Otomasyonunda Sorumluluk
6.1.2. AB AI Act Kapsamındaki Yükümlülükler ve Ulusal Mevzuat
6.2. Telif, Veri Sahipliği ve Model Eğitim Verileri
6.3. Kişisel Veri ve Mahremiyet
6.3.1. Kamera ve Sensör Sistemlerinde GDPR/KVKK Uyumu
6.3.2. LLM Tabanlı Uygulamalarda Veri Sızıntısını Önleme

7. Etik Perspektif: Güvenilir AI İlkeleri ve Liman Çalışanlarının Rolü

7.1. Yapay Zekâ Sistemlerinde Şeffaflık, Açıklanabilirlik ve Hesap Verebilirlik
7.2. İnsan–Makine İşbirliğinin Yeniden Tanımlanması
7.2.1. Otoritenin tamamen algoritmaya devredilmesinin riskleri
7.2.2. Operatör Eğitimi ve Yetkinlik İhtiyacı
7.2.3. Güvenlik Kültüründe Dönüşüm
7.3. Algoritmik Önyargının (Bias) Liman İşletmeleri Üzerindeki Etkisi
7.3.1. Operatör Seçimi ve Atama Algoritmaları
7.3.2. Güvenlik Kontrollerinde Yanlış Alarm ve Kaçırma Hatalarının Etkisi

8. Riskleri Azaltma Stratejileri ve Uluslararası İyi Uygulamalar

8.1. AI Yönetişim Modeli
8.1.1. AI Etik Komitesi
8.1.2. Veri Yönetişimi ve Veri Sorumlusu Rolleri
8.1.3. Model Yaşam Döngüsü Yönetimi
8.2. Dijital Altyapı ve Siber Dayanıklılık
8.2.1. Liman Veri Platformlarının Standardizasyonu
8.2.2. Sıfır Güven (Zero Trust) Mimarisi
8.2.3. OT Siber Güvenlik Sertifikasyonları
8.3. Şeffaf ve Denetlenebilir Yapay Zeka
8.3.1. Açıklanabilirlik Araçları
8.3.2. Denetlenebilir Yapay Zekâ Yaklaşımı
8.3.3. Model Sürümleme, Kayıt Tutma ve Karar İzleme
8.4. Çalışan Eğitim Programları
8.4.1. AI Okuryazarlığı
8.4.2. Siber Güvenlik Farkındalığı
8.4.3. Dijital Yorgunluğu Azaltıcı İnsan-Merkezli Yaklaşımlar
8.5. Uluslararası Standartlara Uyum
8.5.1. ISO/IEC 42001– AI Management System
8.5.2. ISO/IEC 27001, NIST Yapay Zekâ Risk Yönetim Çerçevesi
8.5.3. IMO, IAPH, ESPO Çerçeveleriyle Uyum
8.5.4. Tamamlayıcı Düzenlemeler ve Standardizasyon Çerçeveleri

9. Sonuç ve Değerlendirme: Güvenli, Etik ve Dayanıklı AI ile Geleceğin Limanları

9.1. Yapay Zekâ: Limanlar İçin Kaçınılmaz Bir Dönüşüm Aracı
9.2. Güvenlik–Etik–Hukuk Üçlüsü
9.3. Kurumsal Kapasitenin Belirleyici Rolü
9.4. AI’nın Stratejik Risk Boyutu
9.5. Uluslararası standartlar ve İyi Uygulamalar
9.6. İnsan-Merkezli Yaklaşımın Önemi
9.7. Genel Değerlendirme

LİMAN İŞLETMELERİNDE YAPAY ZEKÂ KULLANIMI
RİSKLER, ZAFİYETLER VE İYİ UYGULAMALAR

1. Giriş: Dijital Liman Ekosisteminin Yeni Gerçekliği

Küresel ticaretin omurgasını oluşturan limanlar, son yıllarda köklü bir dönüşüm sürecinden geçmektedir. Artan deniz taşımacılığı hacmi, konteyner trafiğindeki yoğunluk, çevre ve sürdürülebilirlik baskıları ile küresel tedarik zincirlerinin hız gereksinimi, limanları “geleneksel yük elleçleme noktası” görüntüsünden; dijital teknolojilerle desteklenen, veriye dayalı kararların alındığı, otomasyonun ve akıllı yönetimin öne çıktığı merkezler hâline dönüştürmeye zorlamaktadır. Bu dönüşümün merkezinde ise yapay zekâ (Artificial Intelligence-AI), nesnelerin interneti (Internet of Things-IoT), büyük veri analitiği, otomasyon ve dijital ikiz (digital twin) teknolojileri yer almaktadır (Wikipedia, 2024) ¹ .

Bu dijitalleşme ve “Akıllı Liman” (Smart Port) konsepti yalnızca operasyonel verimliliği artırmayı değil, aynı zamanda sürdürülebilirlik, çevresel etki azaltımı, güvenlik, kaynak optimizasyonu ve gerçek zamanlı koordinasyon gibi geniş kapsamlı hedefleri de içermektedir (Interseas, 2024) ² .

Bu bağlamda, liman sektörü artık sadece fiziki altyapılardan ibaret değildir; karmaşık bilgi teknolojisi (BT) ve operasyonel teknoloji (OT) sistemlerinin entegre olduğu, veri yoğun, çok katmanlı ve dinamik bir altyapıya dönüşmektedir. Bu dönüşüm, hız, verimlilik ve ölçek avantajı sağlamakla birlikte, hem operasyonel hem de stratejik açıdan limanları kritik altyapı haline getirmektedir.

Böylelikle limanlar, AI ve dijital teknolojiler ile donatılarak hem yük elleçleme, rıhtım/yer yönetimi ve lojistik akışları optimize edebiliyor; hem gemi ve antrepo operasyonlarını daha güvenli, daha sürdürülebilir ve daha öngörülü bir biçimde yönetebiliyor (ABB, 2025)³ .

Ancak bu yeni dijital liman ekosistemi, yalnızca fırsatları değil, aynı zamanda önemli kırılganlıkları, risklerı ve yönetişim, etik ve regülasyon sorunlarını barındırmaktadır. Karmaşık BT–OT entegrasyonu, eski (klasik) sistemlerle uyum, siber güvenlik açıkları, veri gizliliği, regülasyon eksikliği ve insan faktörünün dönüşümü limanların dijitalleşme yolunda karşılaştığı başlıca zorluklardır (MDPI,2023) ⁴ .

Bu makale, limanların yapay zekâ ve dijital teknolojilerden fayda sağlarken; yönetişim, etik, güvenlik, hukuk ve insan faktörü açısından hangi risklerle karşı karşıya kaldığını ve bu riskleri nasıl yönetebileceğini ele almaktadır. Çünkü bu dönüşüm yalnızca teknolojik bir değişim değil; aynı zamanda kurumsal yapıları, çalışma biçimlerini ve insan rollerini etkileyen çok boyutlu bir dönüşümdür.

Bu çerçevede temel soru şudur: Liman işletmeleri, operasyonel verimlilik ve sürdürülebilirlik hedefleri doğrultusunda yapay zekâ ve dijital teknolojileri kullanırken; ortaya çıkan yönetişim, etik, güvenlik, hukuki düzenleme ve insan faktörüne ilişkin riskleri nasıl tanımlayabilir ve etkin biçimde nasıl yönetebilir?

2. Limanlarda Yapay Zekâ Kullanım Alanları: Fırsat–Risk Çerçevesi

Bu bölüm, liman operasyonlarının farklı fonksiyonlarında yapay zekâ uygulamalarının nasıl konumlandığını, her bir operasyonel alan için ortaya çıkan fırsatlarla bunlara eşlik eden riskleri birlikte ele alarak sektör–teknoloji eşleştirmesini sistematik olarak incelemektedir.

2.1. Operasyon Yönetimi

Limanlarda ve özellikle konteyner terminallerinde yapay zekâ (AI) ve otomasyon teknolojilerinin kullanımı, günlük operasyonların yürütülme biçimini önemli ölçüde değiştirmektedir. Bu teknolojiler sayesinde vinçlerin daha verimli çalışması sağlanmakta; yükleme ve boşaltma işlemleri daha hızlı ve planlı bir şekilde gerçekleştirilebilmektedir. Aynı zamanda gemilerin rıhtıma yanaşma planları, vardiya düzenlemeleri ve konteynerlerin liman içindeki hareketleri daha etkin biçimde yönetilebilmektedir. Bu dijital dönüşüm, operasyonların daha düzenli ve öngörülebilir olmasına katkı sağlarken, hem iş verimliliğini artırmakta hem de güvenliği güçlendiren yeni imkânlar sunmaktadır (Liu, X., & Yuen, K. F.; 2025) ^5.

2.1.1. Liman Operasyonlarının Planlanması ve Optimizasyonu: Vinçler, Rıhtımlar ve Vardiyalar

• AI sistemleri, terminallerde yük elleçleme sürecini optimize etmek amacıyla vinçlerin çalışma zamanlamasını, konteyner dizilimini ve rıhtım atamasını planlayabilmektedir. Makine öğrenimi temelli algoritmalar, gemi varış zamanları, konteyner hacmi, vinç ve rıhtım kapasitesi gibi çok değişkenli verileri analiz ederek en uygun planlamayı oluşturur. Bu sayede hem vinç ve rıhtım kullanımında verim artışı hem de bekleme sürelerinde azalma sağlanır (Henesey, L.; 2025 )⁶ .

• Özellikle operasyonların çok yoğun olduğu, konteyner trafiğinin hızla arttığı ve nitelikli iş gücüne erişimin zorlaştığı terminallerde, yapay zekâ destekli planlama sistemleri öne çıkmaktadır. Bu sistemler, geleneksel planlama yöntemlerine kıyasla artan iş yüküne daha kolay uyum sağlamakta ve planlama hatalarının azalmasına katkı sunmaktadır (Hamburg Port Consulting; 2024) ⁷ .

2.1.2. Görüntü İşleme

• Görüntü işleme (computer vision/bilgisayarlı görme) teknolojileri, limanlarda konteynerlerin kamera ve sensörlerden gelen veriler kullanılarak otomatik olarak tanınmasını ve takip edilmesini sağlar. Örneğin, yükleme ve boşaltma işlemleri sırasında konteyner numarası sistem tarafından okunabilir, bulunduğu yer tespit edilebilir ve hatta olası hasarlar önceden fark edilebilir. Yapay zekâ destekli bu uygulamalar sayesinde, elleçleme sırasında yaşanan hatalar, konteyner kayıpları ve yanlış konumlandırma gibi riskler önemli ölçüde azaltılabilir (ABB., 2025) ⁸ .

• Ayrıca IoT tabanlı sensör teknolojileri ve gerçek zamanlı veri paylaşımı sayesinde, konteynerlerin liman içindeki hareketleri anlık olarak izlenebilmektedir. Konteynerlerin nerede olduğu, ne taşıdığı ve durumunda bir değişiklik olup olmadığı sistemler üzerinden görülebilir hâle gelir. Bu sayede hem lojistik süreçlerde şeffaflık artar hem de operasyonların planlanması ve güvenliğin sağlanması için değerli bilgiler elde edilir (ifm., 2025) ⁹ .

2.1.3. Fırsatlar ve Beklenen Kazanımlar

• Yapay zeka sistemleri, vinç kullanımı, konteyner elleçleme ve rıhtım/yol planlaması gibi kritik operasyonlarda verimliliği artırır; insan hatasını, gecikmeleri ve tıkanıklıkları azaltır (akquinet Port Logistics, 2024) ¹⁰ .

• Özellikle yoğun trafik, artan konteyner hacmi ve iş gücü kısıtlılığı olan limanlarda, AI sayesinde otomasyonun sağladığı sürdürülebilir zihniyet ve ölçeklenebilirlik operasyonel rekabet gücünü artırır (Hamburg Port Consulting, 2024) .

• Gerçek zamanlı sensör ve görüntü verisi ile konteyner ve ekipman takibi, liman yönetimini daha şeffaf, izlenebilir ve öngörülebilir kılarak tedarik zincirinde güvenilirliği artırır (Kuehne+Nagel, 2024) ¹¹ .

2.1.4. Riskler ve Potansiyel Zafiyetler

Buna karşılık, AI sistemlerinin liman operasyonlarına entegrasyonu bazı önemli riskleri de beraberinde getirir:

• Yapay zekâ sistemleri yeterli ve doğru verilerle beslenmediğinde ya da yanlış şekilde kurgulandığında, verdikleri kararlar da hatalı olabilir. Örneğin, vinçlerin kullanımına veya gemilerin rıhtıma yanaşmasına ilişkin yanlış bir planlama, operasyonların aksamasına ya da ekipman ve konteynerler arasında kazalara yol açabilir. Bu tür durumlar, operasyonun durması veya ciddi yavaşlamalar gibi sonuçlar doğurarak önemli riskler yaratır. Sigorta ve risk değerlendirme çalışmalarında bu tür aksaklıklar genellikle “performans riski” olarak ele alınmaktadır. Yapılan çalışmalar, liman operasyonlarında sistemlerin düzenli ve bütüncül şekilde değerlendirilmemesi hâlinde, yapay zekâ kaynaklı hataların ciddi operasyonel kesintilere neden olabileceğine dikkat çekmektedir ( Xu, H., Liu, J., Xu, X., Chen, J., & Yue, X. , 2024) ¹² .

• Yapay zekâ ve otomasyona geçiş süreci, bilgi teknolojileri ile operasyonel sistemlerin birlikte uyumlu çalışmasını gerektirir. Bu durum, teknik açıdan çeşitli zorlukları, yüksek ilk yatırım maliyetlerini ve sistem arızalarına açık bir altyapı ihtiyacını beraberinde getirir. Ayrıca bazı terminallerde kullanılan eski sistemlerin yeni dijital çözümlerle uyumlu hâle getirilmesi kolay olmayabilir (Global Trade Magazine, 2023) ¹³ .

• Gerçek zamanlı görüntü ve sensör verilerinin kullanılması ve sistemlerin otomatik kararlar alması, beraberinde siber güvenlik, verilerin doğruluğu ve sistemlerin güvenilirliği gibi yeni riskler getirmektedir. Bu riskler, özellikle limanlarda kullanılan sistemler karmaşık ve farklı noktalara yayılmış olduğunda; yeterli izleme, denetim ve güvenlik altyapısı bulunmuyorsa daha da artmaktadır (Yigit, Y., Kinaci, O. K., Duong, T. Q., Canberk, B. , 2023) ¹⁴ .

• Otomasyon ve yapay zekâ ile birlikte insan rolünün azalması ya da değişmesi, terminallerde çalışan personelin yeni çalışma düzenine uyum sağlamasını gerektirir. Bu da eğitim ihtiyacını, yeni becerilerin kazanılmasını ve kurum genelinde bir değişim sürecini beraberinde getirir. Eğer bu uyum süreci iyi yönetilmezse, hem operasyonların verimli yürütülmesi zorlaşabilir hem de iş güvenliği açısından riskler ortaya çıkabilir (Gürsoy, İ., & Hatunoğlu, Z. ;2022) ¹⁵ .

2.2. Güvenlik ve Emniyet

Limanlar, kritik altyapı olarak kabul edildikleri için güvenlik konusuna özel önem vermektedir. Bu nedenle fiziksel güvenlik, giriş-çıkışların kontrolü ve olağandışı davranışların tespiti gibi alanlarda yapay zekâ destekli çözümler giderek daha fazla kullanılmaktadır. Araç plakalarının otomatik olarak okunması (Otomatik Plaka Tanıma-ANPR/ALPR), yüz tanıma sistemleri, giriş-çıkışların otomatik yönetimi ve şüpheli hareketlerin erken aşamada fark edilmesi gibi uygulamalar, hem güvenliği güçlendirmeyi hem de liman içindeki operasyonların daha hızlı ve düzenli ilerlemesini amaçlayan akıllı liman güvenliği yaklaşımının temel unsurlarıdır (Hanwha Vision, 2024) ¹⁶ .

2.2.1. Plaka ve Yüz Tanıma Sistemleri ile Giriş–Çıkış Kontrolü

AI tabanlı plaka tanıma sistemleri, liman giriş kapılarında araç kimliğini otomatik olarak doğrulamaktadır. Bu sayede operatör tarafından yapılan kontrol süresi azalmakta ve insan hatasını düşürmektedir. Örneğin, gelişmiş optik karakter tanıma (OCR) ve derin öğrenme modelleri, düşük ışık ve kötü hava koşullarında dahi araç plakalarını yüksek doğrulukla tanıyabilmektedir (FETCi, 2025) ¹⁷ . Benzer şekilde bazı limanlarda yüz tanıma tabanlı personel doğrulama sistemleri, ziyaretçi ve çalışan kimliğinin hızlı ve güvenli doğrulanmasını sağlayarak erişim kontrol süreçlerini otomatikleştirmektedir (Metcom, 2024) ¹⁸ .

Bu sistemler, özellikle yüksek hacimli araç trafiğine sahip konteyner terminallerinde giriş kapılarındaki yoğunluğu azaltmakta ve operasyon sürekliliğini desteklemektedir (Interseas, 2024) ¹⁹ .

2.2.2. Şüpheli Davranış ve Güvenlik İhlali Tespiti

Görüntü işleme ve nesne tanıma algoritmaları sayesinde AI; antrepolar, terminal sahaları ve çevre çitleri gibi kritik noktalarda şüpheli davranışları (izinsiz giriş, dolaşma, anormal hareket vb.) gerçek zamanlı analiz edebilmektedir (Viact.ai, 2024) ²⁰ .Bu tip video analitik çözümleri sadece güvenlik ihlallerini tespit etmekle kalmayarak, tehlikeli durumları önceden fark ederek proaktif risk yönetimi sağlar.

Bazı sistemlerde, konteyner numarası, araç plakası ve kamera görüntüleri eşleştirilerek yük hareketlerinin doğrulanması mümkün olmaktadır (Solomon-3D, 2025) ²¹ . Bu entegrasyon, hem güvenlik hem de operasyonel doğrulama süreçlerinde hata oranını azaltmaktadır.

2.2.3. Yanlış Pozitif / Negatif Sonuçlar, Ayrımcılık ve Hukuki Sorumluluk

AI tabanlı güvenlik teknolojilerinin sağladığı faydalara rağmen, bu sistemler hatalı sınıflandırmalara ve hukuki-etik sorunlara yol açabilecek belirgin riskler içermektedir.

• Yanlış pozitif ve yanlış negatif sonuçlar

AI sistemleri zaman zaman gerçekte tehdit olmayan bir durumu “şüpheli” olarak sınıflandırabilir (false positive) veya gerçek bir güvenlik ihlalini gözden kaçırabilir (false negative). Bu durum:

- Operasyonel gecikmelere (yanlış alarm nedeniyle araç veya personelin durdurulması),

- Güvenlik açıklarına (tehdit unsurlarının gözden kaçması),

- İnsan hakları ve ayrımcılık risklerine (yüz tanımanın farklı etnik gruplarda daha yüksek hata oranı üretmesi) yol açabilir (Hanwha Vision, 2024; Viact.ai, 2024).

Akademik yayımlarda da AI destekli güvenlik uygulamalarında hatalı sınıflandırmaların özellikle karmaşık ve dinamik ortamlarda ciddi sonuçlar doğurabileceği vurgulanmaktadır (Pankratz & Lee, 2023) ²² .

• Ayrımcılık ve etik riskler

Yüz tanıma teknolojilerinin, farklı demografik gruplarda daha yüksek hata oranı ürettiği yönündeki araştırmalar, liman güvenliğinde bu teknolojilerin kullanımının potansiyel ayrımcılık ve eşitlik sorunları yaratabileceğine işaret etmektedir. Avrupa Birliği de AI’ın yüksek risk kategorilerinde bu tür sonuçlara karşı sıkı düzenlemeler getirmiştir (The EU Artificial Intelligence Act,2025) ²³ .

• Hukuki sorumluluk

AI tabanlı güvenlik sistemlerinin kararları yanlış olduğunda, meydana gelen zarardan kimin sorumlu olacağı (sistem sağlayıcı, liman işletmecisi, güvenlik firması vb.) hukuken tartışmalı bir alandır. Özellikle otomatik karar verme süreçlerinde “sorumluluğun atanması” ve “şeffaflığın sağlanması”, sektörün öncelikli yönetişim konuları arasında yer almaktadır (Hanwha Vision, 2024).

Bu nedenle liman güvenliği için geliştirilen AI destekli uygulamaların hem teknik hem hukuki hem de etik açıdan güçlü bir doğrulama-denetim mekanizmasıyla desteklenmesi gerekmektedir.

2.3. Risk Yönetimi ve Tahmine Dayalı Bakım

Modern liman işletmeleri, ağır yük kaldırma vinçleri, ulaşım araçları, konveyörler ve diğer terminallerde kullanılan mekanik/elektrik/elektronik ekipmanlarla çalışır. Bu ekipmanların arızalanması yalnızca bakım / onarım maliyetine değil; duruş sürelerine, gemi rıhtım planlarının bozulmasına, tedarik zincirinin aksamasına ve potansiyel iş güvenliği risklerine yol açabilir. Bu bağlamda, veri odaklı, yapay zekâ tabanlı “tahmine dayalı bakım” (Predictive Maintenance – PdM) yöntemleri liman yönetiminde stratejik öneme sahiptir (Mubarak, S. N., & Yousif, K. 2025) ²⁴ .

2.3.1. Sensör Verilerine Göre Operasyon Optimizasyonu

• “Akıllı limanlarda” IoT sensörleri (titreşim, sıcaklık, yük, hidrolik basınç, akım/gerilim gibi parametreleri izleyen sensörler) vinç, RTG (rubber-tyred gantry) gibi konteyner elleçleyici ekipmanlardan sürekli veri toplar. Bu veriler yapay zekâ / makine öğrenmesi modellerine beslenerek, ekipman arızaları başlamadan önce uyarı verecek şekilde analiz edilir. Bu sayede plansız duruşlar azalır, ekipmanların kullanım ömrü uzar, bakım maliyetleri düşer (eajournals;2025) ²⁵ .

• Ayrıca, iklimsel ve deniz çevresi koşulları (nem, tuzluluk, hava ve su sıcaklığı gibi parametreler) liman makinelerinin yıpranma hızını etkileyebilir. Yapay zekâ ile durum izleme (condition monitoring) bu değişkenleri de değerlendirerek bakım zamanlamasını optimize edebilir; bu da hem bakım kaynaklarının etkin kullanımını sağlar hem de operasyon güvenliğini artırır (European Infrastructure Institute.2025) ²⁶ .

• Bu yaklaşım, reaktif (arızadan sonra bakım) veya periyodik planlı bakıma göre (zaman-temelli) daha doğru, maliyet ve zaman açısından daha verimli bir stratejidir.(Wang, Z., Zeng, Q., & Haralambides, H. 2024)²⁷

Bu tür AI–IoT tabanlı bakım sistemleri, liman terminallerinde yalnızca maliyet ve verimlilik kazancı değil; aynı zamanda operasyonel süreklilik, ekipman güvenilirliği ve tedarik zinciri güvenliği açısından da önemli bir avantaj sağlar.(Choudhary, A. 2025)²⁸

2.3.2. Veri Kalitesi/ Kalitesizliği - Yanlış Tahmin - Maliyet Artışı ve İş Kazası Riskleri

Her ne kadar PdM büyük potansiyele sahip olsa da, bu sistemlerin etkinliği büyük ölçüde veri kalitesine, sensör kapsama alanına ve model doğruluğuna bağlıdır ve bu da bazı ciddi riskleri beraberinde getirir:

• Eğer sensör verileri hatalı, yetersiz, eksik ya da gürültülü ise makine öğrenmesi modellerinin verdiği tahminler güvenilmez olabilir. Bu durum yanlış pozitif (gereksiz bakım / durma) veya yanlış negatif (arızanın gözden kaçması) sonuçlara yol açar. Yanlış pozitifler planlı olmayan durmalara, gereksiz bakım masrafına; yanlış negatifler ise arıza sırasında ortaya çıkan hasar, ekipman kaybı veya iş güvenliği kazalarına neden olabilir (Mubarak, S. N., & Yousif, K. 2025) ²⁹ .

• Limandaki ekipman çeşitliliği (vinçler, RTG’ler, konveyörler, taşıma araçları) farklı üreticilere ait olabilir. Bu heterojenlik, sensör standartlarının, veri formatlarının ve telemetri protokollerinin uyumsuzluğuna yol açabilir. Böyle bir durum ise verilerin bütünlüğünü bozarak PdM sistemlerinin güvenilirliğini azaltabilmektedir; literatürde liman ekipmanlarında AI tabanlı kestirimci bakım uygulamalarında benzer veri entegrasyonu ve standartlaşma sorunlarına dikkat çekilmektedir (Chaibi, M., & Daghrir, J. 2024) ³⁰ .

• Yapay zekâ temelli bakım kararlarının tamamen otomatikleştirilmesi; insan-makine işbirliği, denetim, model açıklanabilirliği ve güvenilirlik sorunlarını gündeme getirir. Eğer sistem “kara kutu” gibi çalışıyorsa ve karar mantığı açıklanamıyorsa; örneğin, neden bir vinç için “yakın arıza” uyarısı verildiği durumda, bakım personeli ve yöneticiler bu kararları sorgulamakta zorlanabilir. Bu da iş güvenliği, sorumluluk ve denetim açısından risk doğurur.( Cummins, L., Sommers, A., Bakhtiari Ramezani, S., Mittal, S., Jabour, J., Seale, M., & Rahimi, S. ,2024)³¹

• Bu sistemlerin uygulanması için gerekli altyapı (sensör ağı, veri iletim & depolama, edge/cloud işlem, sürekli izleme) hem maliyetlidir hem de teknik bakım ve yönetim çabası gerektirir. Yetersiz altyapı veya bakım organizasyonu, sistemin faydasını sınırlayabilir. (Techinside, 2024)³²

Bu çerçevede, limanlarda tahmine dayalı bakım ve risk yönetimi (sensör + AI + süreç yönetimi entegrasyonu) ile verimlilik, süreklilik ve güvenlik açısından büyük bir potansiyele sahip olsa da; veri kalitesi, heterojen varlık yapısı, altyapı uyumluluğu ve model güvenilirliği gibi konular dikkatle yönetilmelidir. Başarılı bir uygulama, yalnızca teknolojik değil; kurumsal düzenleme, bakım ekibi eğitimi, sürekli izleme ve denetim süreçleriyle birlikte yürütülmelidir.

2.4. Yapay Zekâ Destekli İletişim ve Hizmet Sistemleri

Günümüzde liman işletmeciliği yalnızca konteyner elleçleme, vinç yönetimi ya da bakım-onarım süreçleriyle sınırlı kalmayıp; gemi acenteleri, taşıyıcı firmalar, sürücüler ve liman personeli arasında sürekli, çok yönlü ve zamanında iletişimin sağlanmasına da büyük önem vermektedir. Bu bağlamda, ChatGPT ve benzeri büyük dil modellerine (LLM) dayalı dijital asistanlar, liman ekosisteminde “hizmet ve iletişim” katmanında yeni fırsatlar sunmaktadır (Maritime AI shipping article, 2025) ³³ .

2.4.1. ChatGPT Tabanlı Dijital Asistanlar: Gemi Acenteleri, Taşıyıcılar, Sürücüler İçin İletişim

AI destekli dijital asistanlar, liman kullanıcılarına (örn. gemi acenteleri, taşıyıcı firmalar, sürücüler) yük durumu, rıhtım/kapı erişim bilgileri, belge talepleri, gemi varış/çıkış saatleri gibi sık sorulan sorulara 7/24 hızlı ve tutarlı yanıt sağlayabilmekte; bu durum hem operasyonel koordinasyonu hızlandırmakta hem de müşteri ve işlem memnuniyetini artırmaktadır. Örneğin, denizcilik işletmeleri için geliştirilen AI tabanlı chatbot çözümleri, kargo takibi, sefer ve rota bilgisi paylaşımı ile taşıyıcı–müşteri iletişiminin otomatikleştirilmesinde etkin biçimde kullanılabilmektedir (UNOKS, 2025) ³⁴ .

Ayrıca, AI sistemlerinin çok dilli destek ve yüksek ölçeklenebilirlik özellikleri, limanlar gibi karmaşık ve çok paydaşlı ortamlarda iletişimin standardizasyonuna katkı sağlamakta; bu da manuel süreçlerde sıklıkla karşılaşılan hata, gecikme ve koordinasyon kopukluklarını önemli ölçüde azaltabilmektedir (Canpolat, Y. E., 2025) ³⁵ . Bu çerçevede, güvenli ve kontrollü biçimde tasarlanan AI tabanlı dijital asistanlar, liman dijitalleşmesinin etkin ve sürdürülebilir araçlarından biri olarak değerlendirilmektedir.

2.4.2. Hallüsinasyon, Yanlış Yönlendirme ve Veri Gizliliği Riskleri

Büyük dil modeli (LLM) tabanlı sistemlerin liman iletişim ve hizmet süreçlerinde kullanımı, operasyonel hız ve erişilebilirlik açısından önemli avantajlar sunmakla birlikte; teknik doğruluk, veri güvenliği ve yönetişim boyutlarında dikkate alınması gereken çeşitli riskleri de beraberinde getirmektedir. Bu risklerin yeterince tanımlanmaması ve yönetilmemesi, liman operasyonlarının güvenilirliği, sürekliliği ve paydaşlar arası güven ilişkileri üzerinde olumsuz etkiler yaratabilmektedir.

Bu bağlamda öne çıkan temel risklerden biri, LLM’lerde yaygın olarak gözlemlenen “hallüsinasyon” olgusudur. Gerçekte var olmayan, güncelliğini yitirmiş veya bağlam dışı bilgilerin yüksek ikna gücüyle sunulabilmesi; gemi ve sürücü planlaması, yükleme–boşaltma zamanlaması, rıhtım ve kapı erişim yönlendirmeleri gibi kritik operasyonel alanlarda hatalı kararların alınmasına yol açabilmektedir. Bu tür yanlış yönlendirmeler, yalnızca tekil operasyonel aksaklıklara değil, aynı zamanda zincirleme gecikmelere ve hizmet kalitesinde düşüşe neden olabilmektedir (ACL Anthology, 2023) ³⁶ .

Buna ek olarak, LLM tabanlı sistemlerin kullanımı veri gizliliği ve bilgi güvenliği açısından da önemli riskler barındırmaktadır. Taşıyıcı kimlik bilgileri, yük içerikleri, rota verileri ve ticari operasyonlara ilişkin diğer hassas lojistik bilgilerin bu sistemler aracılığıyla işlenmesi; yeterli teknik ve idari önlemler alınmadığı takdirde veri sızıntısı, izinsiz erişim ve gizlilik ihlallerine zemin hazırlayabilmektedir (Evertz et al., 2024) ³⁷ . Özellikle genel amaçlı ve anonim olarak kullanılan chatbot platformlarında, kullanıcı girdilerinin üçüncü taraf altyapılar üzerinden işlenmesi veya model geliştirme süreçlerine dolaylı biçimde dâhil edilmesi, rekabet gizliliği ve ticari sırların korunması açısından ilave belirsizlikler doğurmaktadır.

Bir diğer önemli risk alanı ise, AI tabanlı dijital asistanların hatalı veya eksik yönlendirmelerde bulunması durumunda hukuki ve kurumsal sorumluluğun hangi aktöre ait olduğunun net biçimde tanımlanamamasıdır. Sistem sağlayıcısı, liman işletmecisi ve son kullanıcı arasındaki sorumluluk paylaşımının belirsizliği; kurumsal risk yönetimi, sigorta mekanizmaları ve hukuki uyum açısından önemli sorunlara yol açabilmektedir (Varosi, 2024) ³⁸ .

Bu çerçevede, liman ekosistemlerinde AI tabanlı iletişim ve hizmet sistemlerinin uygulanmasında yalnızca teknolojik kapasiteye odaklanılması yeterli görülmemektedir. Aksine, tailored (kuruma veya limana özel olarak yapılandırılmış) chatbot çözümleri, bu risklerin azaltılmasında kritik bir araç olarak öne çıkmaktadır. Tailored sistemler; doğrulanmış ve güncel veri setleriyle sınırlı çalışacak şekilde tasarlanabilmekte, rol bazlı erişim kontrolü, kullanıcı doğrulama mekanizmaları ve kurum içi güvenlik politikalarıyla uyumlu biçimde işletilebilmektedir. Ayrıca insan denetimi (human-in-the-loop), model çıktılarının izlenebilirliği ve sorumluluk tanımlarının açık biçimde belirlenmesi, hem hallüsinasyon riskinin azaltılmasına hem de veri gizliliğinin korunmasına katkı sağlamaktadır.

Sonuç olarak, limanlarda AI tabanlı dijital asistanların güvenli ve sürdürülebilir biçimde kullanılabilmesi; teknik doğruluk, veri güvenliği ve yönetişim ilkelerinin bütüncül bir çerçevede ele alınmasını gerektirmektedir. Bu bütüncül yaklaşım, AI sistemlerinin operasyonel faydalarını maksimize ederken, ticari, hukuki ve itibari risklerin etkin biçimde yönetilmesini mümkün kılmaktadır.

3. Ana Tehditler: AI’nın Liman İşletmelerine Getirdiği Yeni Riskler

Yapay zekâ çözümlerinin liman işletmelerine entegrasyonu önemli verimlilik ve güvenlik avantajları sağlasa da bu teknolojiler aynı zamanda limanları daha önce karşılaşmadıkları yeni ve çok katmanlı tehditlere de açık hâle getirmektedir. Microsoft’un AI güvenlik döngüsünde tanımlanan “veri, model, sistem ve operasyon” risk kategorileri; liman ekosisteminde veri bütünlüğünden model güvenilirliğine, BT–OT entegrasyonundan hukuki-etik sorumluluklara kadar geniş bir tehdit yelpazesini anlamak için uygun bir çerçeve sunar. Bu bölüm, yapay zekâ destekli liman uygulamalarında ortaya çıkan bu yeni risk alanlarını sistematik olarak inceleyerek, operasyonel güvenlik, siber dayanıklılık, yönetişim ve mevzuat uyumu açısından ne tür kırılganlıkların öne çıktığını ortaya koymaktadır.

3.1. Veri Kaynaklı Riskler

Yapay zekâ (AI) uygulamalarının liman işletmelerinde güvenli ve güvenilir biçimde çalışabilmesi için, bu sistemlerin beslendiği verilerin bütünlüğü ve güvenilirliği kritik öneme sahiptir. Veri setlerini etkileyen her türlü sorun, öğrenme sürecini doğrudan etkileyerek makine öğrenmesi modellerinin performansını ve çıkarım doğruluğunu olumsuz yönde etkileyebilmektedir. Bu tür veri kaynaklı bozulmalar, AI sistemlerinin karar mekanizmalarında sapmalara yol açarak operasyonel ve güvenlik açısından istenmeyen sonuçlar doğurabilmektedir (Barezzani, S. 2024) ³⁹ .

Eğer modeller yanlış, eksik ya da önyargılı veriler ile eğitilirse, bu durum “sistematik hatalar”a yol açar. Örneğin, öngörülen güvenlik ihlalleri gerçek olayları yansıtmayabilir, lojistik planlaması hatalı olabilir veya bakım/tahmin sistemleri yanlış uyarılar verebilir. Bu da gereksiz maliyet, duruş süresi artışı veya güvenlik boşlukları anlamına gelir (Kure, H. I., Sarkar, P., Ndanusa, A. B., & Nwajana, A. O. 2025) ⁴⁰ .

Bunlara ek olarak, veri kümelerinin kötü niyetli biçimde manipüle edilmesi; örneğin, sabotaj amacıyla gerçekleştirilen “veri zehirlenmesi” (data poisoning) saldırıları, önemli bir risk oluşturmaktadır. Bu tür saldırılarda, modelin eğitim sürecine kasıtlı olarak hatalı veya yanıltıcı veri noktaları eklenerek modelin karar doğruluğu ve güvenilirliği bozulabilmektedir. Özellikle kritik altyapı kapsamında değerlendirilen liman sistemlerinde, rıhtım tahsisi, yük elleçleme süreçleri, güvenlik kontrolleri ve bakım planlaması gibi alanlarda bu tür bozulmaların ortaya çıkması, telafisi güç ve yüksek etkili operasyonel sonuçlar doğurma potansiyeline sahiptir (OWASP. 2025) ⁴¹ .

Ayrıca, verilerin uygun biçimde sınıflandırılmaması, anonimleştirilmemesi ya da hassas bilgiler ile etik/uyum süreçlerinin düzgün işletilmemesi (örneğin, personel, sürücü, araç, yük, rota bilgileri gibi kişisel/kurumsal hassas verilerin kontrolsüz kullanılabilmesi) gizlilik ve veri koruma risklerini gündeme getirir. Böyle bir durumda, hem kişisel veri koruma (KVKK / General Data Protection Regulation-GDPR gibi) yükümlülükleri ihlal edilebilir hem de stratejik/ticari bilgiler yanlışlıkla açığa çıkabilir (Turgut Bilgiç, E. 2024) ⁴² .

Sonuç olarak; Liman işletmelerinde AI sistemleri kullanılacaksa, veri kaynaklarının güvenilirliği, doğruluğu, güncelliği ve etik/gizlilik uyumluluğu, yalnızca teknik bir gereklilik değil, stratejik bir öncelik olmalıdır. Aksi takdirde, AI’dan beklenen faydalar, yerini hatalı kararlara, operasyonel aksaklıklara, güvenlik açıklarına veya hukuki/etkisel sorunlara bırakabilir.

3.2. Model ve Algoritma Kaynaklı Riskler

Limanlarda yapay zekâ uygulamalarının büyük kısmı, veri katmanının üzerine inşa edilen makine öğrenmesi modellerine ve bu modelleri çalıştıran algoritmalara dayanır; bu nedenle model düzeyindeki zafiyetler, doğrudan fiziksel operasyonlara ve hukuki sorumluluğa yansıyan kritik riskler üretir (Costa, Roxo, Proença & Inácio, 2023 ⁴³ ; Meyers, Löfstedt & Elmroth, 2023 ⁴⁴ ).

3.2.1. Yapay Zekâ Modellerine Yönelik Saldırılar: Model Çıkarımı (Model Extraction) ve Karşıt/Kasıtlı Saldırılar (Adversarial Attacks)

Model çıkarımı (model extraction) saldırıları, liman işletmelerinin API (açık arayüzler) üzerinden sunduğu yapay zekâ tabanlı tahmin ve karar modellerinin (örneğin kapı geçiş onayı, konteyner risk skoru hesaplaması veya şüpheli araç tespiti gibi) karar fonksiyonlarını, yoğun ve sistematik sorgular aracılığıyla yeniden üretmeyi hedefler. Bu tür saldırılar özellikle bulut ve uç (edge) ortamlarda sunulan “Makine Öğrenmesi Hizmeti” (Machine Learning as a Service – MLaaS) modellerinde yaygın olup, modelin işlevselliğinin yanı sıra kimi durumlarda eğitim verisine ilişkin hassas özelliklerin de yeniden inşa edilmesine imkân tanımaktadır. Bu durum, hem fikrî mülkiyetin ihlali hem de veri gizliliği açısından ciddi riskler doğurmaktadır (Zhao et al., 2025) ⁴⁵ .

Bir liman güvenlik modelinin bu şekilde kopyalanması, saldırganların aynı karar mantığını liman dışı ortamlarda simüle etmesine olanak sağlayabilir. Bu sayede, güvenlik kontrollerini atlatmaya yönelik sahte araç plakaları, sahte kimlik belgeleri veya manipüle edilmiş yük beyanlarının tasarlanması mümkün hâle gelebilir.

Bunlara ilave olarak, karşıt/kasıtlı (adversarial) saldırılar, yapay zekâ tabanlı algılama ve tanıma sistemlerinin bilinçli olarak yanıltılmasını hedeflemesi nedeniyle liman operasyonları açısından kritik bir tehdit oluşturmaktadır. Bu tür saldırılar, insan gözüyle fark edilmesi son derece güç olan küçük piksel değişiklikleri veya fiziksel işaretlemeler aracılığıyla nesne ve yüz tanıma modellerinin yanlış sınıflandırmalar yapmasına yol açabilmektedir. Nitekim modellerde bu tür müdahalelerin, özellikle trafik işaretlerinin algılanması, araç tespiti ve erişim kontrolü gibi emniyet-kritik uygulamalarda ciddi güvenlik açıkları yaratabildiği deneysel olarak ortaya konulmuştur (Costa et al., 2023).

Benzer şekilde, güvenlik açısından kritik bilgisayarlı görüş sistemleri üzerinde çeşitli saldırı ve savunma yöntemlerinin deneysel olarak incelenmesi sonucunda, en gelişmiş savunma mekanizmalarının dahi kabul edilebilir bir güvenlik bütünlüğü seviyesini sürekli olarak sağlayamadığı görülmüştür. Söz konusu çalışmada, düşük seviyeli gürültülerin bile hata oranlarını operasyonel olarak kabul edilemez düzeylere çıkarabildiği ortaya çıkmıştır (Meyers et al., 2023).

Liman sahasında kullanılan kamera tabanlı kapı kontrol sistemleri, konteyner ve araç plakası tanıma uygulamaları, ISPS kapsamındaki çevre güvenlik kameraları ile vinç operasyonlarında nesne takibi gibi işlevler, doğrudan bu tür bilgisayarlı görü modellerine dayanmaktadır. Fiziksel ortama yerleştirilmiş ya da dijital olarak üretilmiş adversarial işaretler aracılığıyla bir konteyner numarasının yanlış okunması, yetkisiz bir aracın “izinli” olarak tanınması veya bir insanın yanlışlıkla “nesne” olarak sınıflandırılması, hem ciddi güvenlik ihlallerine hem de iş kazası riskinin artmasına yol açabilmektedir (Meyers et al., 2023; Costa et al., 2023).

3.2.2. Performans Riski: Fiziksel Altyapıda Yanlış Kararın Bedeli

Model ve algoritma kaynaklı ikinci temel tehdit, performans riskidir; yani yapay zekâ modellerinin saldırı altında olmaksızın, normal işletim koşullarında dahi hatalı, kararsız veya yetersiz performans göstermesidir. Özellikle güvenlik odaklı kritik bilgisayarlı izleme sistemlerine odaklanan çalışmalar, bu tür performans sorunlarının fiziksel sistemlerde kabul edilemez işletim riskleri doğurabildiğini ortaya koymaktadır. Yine bu deneysel çalışmalarda, adversarial saldırılara karşı geliştirilen savunma stratejilerinin modelin dayanıklılığını artırmasına karşın, benign (normal) veriler üzerindeki doğruluğu düşürdüğü; bu durumun klasik “doğruluk–sağlamlık (accuracy–robustness) takasını” fiziksel altyapılar için problemli hâle getirdiğini vurgulamaktadır (Meyers et al., 2023).

Denizcilik ve deniz taşımacılığında yapay zekâ uygulamalarını sistematik biçimde inceleyen çalışmalar da benzer bir kırılganlığa işaret etmektedir. Risk analizi ve emniyet yönetiminde kullanılan tahmin modellerinin; veri kalitesi, model varsayımları ve dengesiz veri setlerine karşı son derece hassas olduğu; aşırı uyum (overfitting) ve genelleme hatalarının ise yanlış alarm üretimi veya kritik risklerin gözden kaçırılmasıyla sonuçlanabildiği gösterilmektedir. Örneğin, gemi ya da ekipman arızalarını öngörmek amacıyla geliştirilen bir modelin yanlış negatif sonuç üretmesi, kritik bir vinç bileşenindeki arızayı “düşük riskli” olarak etiketleyerek operasyonun durdurulmamasına ve potansiyel olarak ciddi bir kazaya yol açabilecek yapısal bir yorgunluk çatlağının tespit edilememesine neden olabilir. Tersine, yüksek yanlış pozitif oranları ise gereksiz operasyon duruşlarına, gecikmelere ve bakım maliyetlerinin artmasına yol açarak limanın operasyonel verimliliğini ve rekabet gücünü zayıflatmaktadır (Durlik, I., Miller, T., Kostecka, E., & Tuński, T. 2024) ⁴⁶ .

Bu bağlamda, AI tabanlı gemi trafik yönetimi, rıhtım tahsisi, vinç sıralama ve depolama sahası optimizasyonu gibi karar destek sistemlerinde ortaya çıkan algoritmik hatalar, yalnızca birkaç yüzde puanlık doğruluk kaybı olarak değerlendirilmemelidir. Bu tür hatalar; çarpışmalar, elleçleme kazaları veya kritik ekipman hasarları gibi doğrudan fiziksel sonuçlara yol açabilmektedir. Güvenlik-kritik standartlar, bu nedenle model performansının yalnızca klasik “test doğruluğu” metrikleriyle değil; gerçek işletim koşullarında ortaya çıkabilecek en kötü durum hata oranları ve bu hataların insan hayatı, çevre ve maddi varlıklar üzerindeki etkileri dikkate alınarak yönetilmesini zorunlu kılmaktadır (Meyers et al., 2023; Durlik, I., Miller, T., Kostecka, E., & Tuński, T. 2024).

3.2.3. Sistematik Önyargı (Algoritmik Bias) ve Ayrımcılık Riski: Yük, Araç ve Personel Sınıflandırmasında Sistematik Hatalar

Model ve algoritma katmanındaki üçüncü temel tehdit, yapay zekâ sistemlerinin karar süreçlerine yerleşebilen sistematik önyargı (algoritmik bias) riskidir. Lendvai ve Gosztonyi (2025), algoritmik önyargıyı çağdaş yapay zekâ yönetişiminin merkezî hukuki sorunlarından biri olarak tanımlamakta; özellikle şeffaf olmayan “kara kutu” model mimarilerinin, bu tür önyargıların tespit edilmesini ve düzeltilmesini güçleştirdiğini vurgulamaktadır. Bu durum, ayrımcılık yasağı ve eşit muamele ilkeleriyle doğrudan çatışan sonuçlar doğurabilmektedir (Lendvai & Gosztonyi, 2025) ⁴⁷ .

Yüz tanıma teknolojilerine ilişkin çalışmalar, bu sistemlerin kadınlar ve farklı etnik kökenlere mensup bireyler için belirgin biçimde daha yüksek hata oranları ürettiğini ortaya koymuştur. Bu tür performans farklılıklarının, erişim kontrolü, kolluk faaliyetleri ve gözetim uygulamalarında azınlık gruplarını orantısız biçimde etkileyen ayrımcı sonuçlara yol açabildiği gösterilmektedir (Buolamwini & Gebru, 2018 ⁴⁸ ; Qandeel, M., 2024 ⁴⁹ ).

Liman ölçeğinde değerlendirildiğinde, plaka veya yüz tanıma temelli giriş–çıkış sistemlerinin belirli ülke vatandaşları, etnik gruplar ya da cinsiyetler için daha yüksek yanlış pozitif veya yanlış negatif oranları üretmesi; bazı personel ve tedarikçilerin sürekli olarak ek kimlik doğrulama prosedürlerine tabi tutulmasına, diğerlerinin ise fiilen daha ayrıcalıklı bir işlem sürecinden geçmesine neden olabilir. Bu tür uygulamalar, hem iş hukuku hem de ayrımcılık karşıtı mevzuat açısından ciddi hukuki sorumluluk riskleri doğurmaktadır (Lendvai & Gosztonyi, 2025).

Benzer bir önyargı riski, yük ve araçlara yönelik risk skorlama ve sınıflandırma modellerinde de ortaya çıkabilmektedir. Bu tür modeller, tarihsel verilerde yer alan coğrafi, taşıyıcıya veya yük türüne ilişkin yapısal önyargıları yeniden üreterek, belirli hatları veya tedarik zinciri aktörlerini sistematik biçimde “yüksek riskli” olarak etiketleyebilir. Sonuç olarak, söz konusu hatlarda daha sık denetim, gecikmeler ve artan operasyonel maliyetler ortaya çıkabilir; bu durum tedarikçiler açısından dolaylı ayrımcılık anlamına gelmektedir (Lendvai & Gosztonyi, 2025).

Bu çerçevede, limanlarda kullanılan yapay zekâ modellerinin yalnızca teknik doğruluk ve performans ölçütleri açısından değil; adalet, eşitlik ve insan hakları üzerindeki etkileri bakımından da düzenli olarak izlenmesi gerekmektedir. Etki değerlendirmeleri, açıklanabilirlik mekanizmaları ve bağımsız denetim süreçleri aracılığıyla algoritmik önyargının tespit edilmesi ve azaltılması, günümüz liman yapay zekâ uygulamaları için kritik bir yönetişim gereği hâline gelmiştir (Lendvai & Gosztonyi, 2025; Qandeel, M., 2024).

3.3. Sistem ve İşletimsel Riskler

Yapay zekâ tabanlı çözümler liman BT-OT (Information Technology – Operational Technology) altyapılarına entegre oldukça, sistemler arası bağımlılıklar artmakta ve saldırı yüzeyi genişlemektedir. Limanlar stratejik öneme haiz “kritik altyapılar” olduğundan, BT-OT bütünleşmesinde ortaya çıkan güvenlik, süreklilik ve operasyonel güvenilirlik riskleri, yalnızca dijital hasarla sınırlı kalmayıp, fiziksel operasyon kesintilerine ve güvenlik ihlallerine de yol açabilmektedir (ENISA, 2023) ⁵⁰ .

3.3.1. BT–OT Entegrasyonu ve Genişleyen Saldırı Yüzeyi

Liman operasyonlarında yapay zekâ temelli video analitiği, otomatik tanıma sistemleri, tahmine dayalı bakım uygulamaları ile kapasite ve akış optimizasyonu çözümleri; vinç kontrol sistemleri, kapı erişim altyapıları, sensör ağları ve RTG/STS vinç ekipmanları gibi operasyonel teknoloji (OT) varlıklarıyla giderek daha sık ve derinlemesine entegre edilmektedir. Bu bütünleşme, operasyonel verimliliği artırmakla birlikte, bilgi teknolojileri (BT) ile OT katmanları arasındaki sınırları da önemli ölçüde bulanıklaştırmaktadır.

Avrupa Birliği Siber Güvenlik Ajansı’nın (ENISA) kritik altyapılara yönelik analizleri, BT–OT yakınsamasının siber saldırı yüzeyini katmanlı biçimde genişlettiğini ve özellikle yapay zekâ destekli sistemlerin yeni ve öngörülmesi güç saldırı vektörleri yarattığını ortaya koymaktadır (ENISA, 2025) ⁵¹ . Geleneksel olarak kapalı ve izole kabul edilen OT ortamlarının, AI tabanlı karar destek ve otomasyon sistemleri aracılığıyla BT ağlarına bağlanması, bu sistemleri hem uzaktan erişime hem de zincirleme saldırılara daha açık hâle getirmektedir.

Bu değerlendirmeyi destekler biçimde, Microsoft’un yapay zekâ güvenlik modeli; yanlış yapılandırılmış API erişimleri, model güncelleme mekanizmaları ve karmaşık veri akış yönetimi süreçlerinin, AI sistemleri üzerinden beklenmedik saldırı vektörleri oluşturabildiğini vurgulamaktadır. Raporda ayrıca, klasik OT güvenlik önlemlerinin bu tür dinamik ve çok katmanlı veri etkileşimlerine karşı çoğu zaman yetersiz kaldığı belirtilmektedir (Microsoft, 2023) ⁵² .

Bu çerçevede, limanlarda yapay zekâ entegrasyonu yalnızca yazılım güvenliği perspektifiyle ele alınmamalıdır. OT cihazlarının siber dayanıklılık testleri, ağ segmentasyonu ve erişim kontrolü, model ve API güvenliği ile gerçek zamanlı tehdit algılama ve izleme mekanizmalarını kapsayan çok katmanlı ve bütüncül bir siber güvenlik yaklaşımı benimsenmesi zorunlu hâle gelmiştir.

3.3.2. Bulut Tabanlı Büyük Dil Modellerine (LLM) Bağımlılık: Veri Gizliliği ve Operasyonel Süreklilik Riski

ChatGPT, Copilot ve benzeri büyük dil modeli (LLM) tabanlı çözümlerin kurumsal süreçlere entegre edilmesi; liman operasyonlarında doküman yönetimi, kurumsal iletişim, risk değerlendirmesi ve raporlama faaliyetlerinin hızlandırılmasına önemli katkılar sunabilmektedir. Bununla birlikte, bu tür çözümlerin bulut tabanlı mimariler üzerinden sunulması, liman işletmeleri açısından bir dizi kritik risk alanını da beraberinde getirmektedir:

• Veri gizliliği riski: LLM’lerin çalışabilmesi için sisteme girilen metinler, belgeler ve yapılandırılmış veri içerikleri, özel (private) veya kuruma tahsisli modlar kullanılmadığı sürece hizmet sağlayıcının altyapısına aktarılmaktadır. Akademik çalışmalar, bu tür sistemlerin yanlış yapılandırılması veya kötü niyetli saldırılara maruz kalması hâlinde, hassas kurumsal verilerin açığa çıkmasına yol açabilecek “üyelik çıkarımı” (membership inference) ve “dolaylı veri sızıntısı” (indirect leakage) gibi riskler barındırdığını ortaya koymaktadır (Evertz et al., 2024) ⁵³ .

• Süreklilik (availability) riski: Bulut hizmetine aşırı bağımlılık, liman operasyonlarının internet kesintileri, servis aksaklıkları veya hizmet sağlayıcı kaynaklı arızalarda durmasına yol açabilir. Kritik operasyonların bulut tabanlı LLM’lere bağımlı hale gelmesinin, operasyonel sürdürülebilirlik açısından “tekil hata noktası” (single point of failure) oluşturabileceğini ortaya koymaktadır.(Vinay, V., & Papneja, V. , 2025)⁵⁴

• Verinin sınırlar ötesi işlenmesi: GDPR/KVKK gibi düzenlemeler açısından, verinin hangi coğrafi konumda işlendiği ve LLM sağlayıcısı tarafından hangi amaçlarla kullanıldığı belirsiz olabilmektedir (Lendvai & Gosztonyi, 2025) ⁵⁵ .

Bu faktörler, bulut-tabanlı LLM kullanımının sıkı bir veri sınıflandırma, anonimleştirme ve erişim kontrolü çerçevesi içinde yönetilmesini gerekli kılar.

3.3.3. Liman Çalışanlarının AI Çıktılarına Aşırı Güvenmesi (Automation Bias)

Automation bias, bireylerin bir algoritma veya otomatik karar destek sisteminin ürettiği çıktıları gereğinden fazla doğru ve güvenilir kabul ederek, kendi mesleki yargılarını ve uzmanlık değerlendirmelerini geri plana atmaları durumu olarak tanımlanmaktadır (Mosier & Skitka, 1996) ⁵⁶ . Bu bilişsel yanlılık, özellikle yüksek iş yükü, zaman baskısı ve operasyonel karmaşıklığın söz konusu olduğu liman ortamlarında ciddi güvenlik ve işletim riskleri yaratabilmektedir.

Güvenlik, ulaşım ve kritik altyapı sektörlerinde yürütülen çeşitli çalışmalar, çalışanların yapay zekâ sistemlerinin sunduğu uyarıları, tahminleri veya sınıflandırmaları yeterince sorgulamadan kabul etmelerinin; kazalara, kritik arızaların fark edilmemesine, hatalı güvenlik kararlarına veya yanlış alarmların doğrulanmadan uygulanmasına yol açabildiğini ortaya koymaktadır. Bu durum, insan denetiminin zayıfladığı ve otomatik sistemlerin fiilen “nihai karar verici” hâline geldiği senaryolarda daha da belirginleşmektedir.

Liman bağlamında “automation bias” aşağıdaki somut riskleri doğurabilmektedir (EDPS, 2025) ⁵⁷ :

• Yapay zekâ sisteminin yanlış sınıflandırdığı bir davranışın gerçek bir tehdit olarak değerlendirilmesi veya tersine, gerçek bir güvenlik tehdidinin “yanlış negatif” olarak algılanarak göz ardı edilmesi;

• Tahmine dayalı bakım sistemlerinin hatalı biçimde düşük risk öngörmesi sonucunda, vinç veya diğer kritik ekipmanlardaki arızaların zamanında tespit edilememesi;

• Büyük dil modeli (LLM) tabanlı rehberlik ve destek araçlarının sunduğu hatalı yönlendirmeler nedeniyle liman personelinin yanlış planlama yapması veya mevzuata aykırı uygulamalara yönelmesi.

Bu nedenle, yapay zekâ destekli liman sistemlerinde insan–makine etkileşiminin dikkatle tasarlanması büyük önem taşımaktadır. “Çift kontrol” (double-check) mekanizmaları, karar süreçlerinde insanın etkin biçimde dâhil edildiği “human-in-the-loop” yaklaşımları ve operatörlere yönelik düzenli farkındalık ve eğitim programları, automation bias kaynaklı risklerin azaltılmasında kritik rol oynamaktadır.

3.4. Hukuki ve Etik Riskler

Yapay zekâ (AI) sistemlerinin liman işletmelerinde kullanımının yayılması, yalnızca operasyonel verimlilik getirme potansiyeli taşımamakta; aynı zamanda fikrî mülkiyet, veri gizliliği, şeffaflık ve hesap verebilirlik gibi hukukî ve etik alanda yeni riskler de doğurmaktadır. Bu risklerin doğru tanımlanıp yönetilmesi, AI uygulamalarının sürdürülebilir ve toplumsal olarak kabul edilebilir olmasını sağlar.

3.4.1. Fikri Mülkiyet İhlalleri: Modelin veya AI Çıktılarının Telifli Verileri Kullanması

Çoğu modern AI, özellikle üretken (generative) modeller başta olmak üzere, devasa veri kümeleri üzerinde eğitilir; bu veri kümeleri sıklıkla telif hakkıyla korunan metin, görsel veya veri setlerini içerir. Ancak bu tür içeriklerin izinsiz kullanımı, hem etik hem de hukukî açıdan “fikrî mülkiyet ihlali (IP infringement)” riski taşır. Özellikle çıktıların, eğitimde kullanılan telifli içeriğe çok benzediği ya da ondan türetildiği durumlarda, telif hakkı sahipleri yasal olarak haklarını arayabilir (Lucchi, N. , 2023) ⁵⁸ .

Bu belirsizlik, liman işletmeleri için risklidir: AI temelli doküman üretimi, rapor yazımı, iletişim veya analiz araçlarında kullanılan modellerin geçmişte telifli içeriklerle eğitilmiş olması; hatta AI’nin otomatik ürettiği çıktının telifli içerik olarak sınıflandırılması, telif ihlali nedeniyle tazminat yükümlülüğü, itibar zedelenmesi ve hukuki sorumluluk doğurabilir (D’Alfonso, J., 2025) ⁵⁹ .

3.4.2. Açıklanabilirlik ve Hesap Verebilirlik Eksikliği

AI sistemlerinin karar süreçleri genellikle karmaşık makine öğrenmesi algoritmaları, derin öğrenme modelleri ve büyük veri işleme zincirleri içerir. Bu süreçler çoğu zaman kullanıcılar veya işletme yöneticileri tarafından anlaşılmaz; “kara kutu” gibi davranır. Bu belirsizlik, AI’nin verdiği kararların neden, nasıl alındığını açıklamayı zorlaştırır. Bu da şeffaflık ve hesap verebilirlik açısından ciddi bir risk teşkil eder — özellikle liman gibi kritik altyapılarda, AI’nin hatalı karar vermesi fiziksel zarar, operasyonel aksama ya da güvenlik zaafı doğurabilir (Türkiye Yapay Zekâ İnisiyatifi -TRAI,2024) ⁶⁰ .

Ayrıca bu durum, AI’nin hatalı veya ayrımcı kararları durumunda sorumluluğun kime ait olduğunun belirsiz kalmasına neden olur. Gerçekten de, hukuk sistemi — AI kararları, otomatik sistemler ve klasik insan-insan karar süreçleri arasındaki farkları henüz tam olarak tanımış değildir; bu da işletmeler için önemli bir hukuki risk alanıdır (Memiş Avukatlık, 2025 ⁶¹ ; KPMG, 2024 ⁶² ).

3.4.3. Kişisel Verilerin İşlenmesi (KVKK / GDPR Hukuku, Veri Gizliliği, Mahremiyet Riskleri)

Limanlarda AI sistemleri; gemi/personel kayıtları, sürücü bilgileri, araç plakaları, yük ve rota bilgileri, iletişim verileri gibi çok sayıda kişisel ve kurumsal hassas veri ile çalışabilir. Ancak bu verilerin toplanması, depolanması ve işlenmesi — özellikle bulut tabanlı veya üçüncü taraf AI sağlayıcıları üzerinden — veri gizliliği ve koruma düzenlemeleri açısından kritik riskler taşır. Uluslararası düzenlemeler, sadece kişisel veri değil; biyometrik veri, konumsal veri ve ticari sır sayılabilecek veriler için de sıkı koruma öngörmektedir (TRAI, 2024; Evertz, Chlosta, Schönherr & Eisenhofer, 2024 ⁶³ ).

Ayrıca, bu verilerin sınırlar ötesi aktarımı, LLM sağlayıcısı üzerinden işlenmesi ya da saklanması durumunda, ulusal düzenlemeler (örneğin KVKK) ile uluslararası düzenlemeler (örneğin General Data Protection Regulation-GDPR) arasında uyumsuzluk ve hukuki belirsizlik ortaya çıkabilir; bu da hem yasal yaptırım hem de itibari kayıp riski demektir (Çakır Lex, 2024 ⁶⁴ ; KPMG, 2024).

4. Kontrolsüz Dijitalleşme: Limanlar İçin Yükselen Yapısal Zafiyet

Dijitalleşme liman işletmeleri için büyük verimlilik ve rekabet avantajı yaratmakla birlikte, gerekli yönetişim ve entegrasyon mekanizmaları kurulmadığında yapısal zafiyetleri derinleştiren bir baskı unsuru hâline gelmektedir. Birçok sektörde olduğu gibi limanlarda da teknolojik projelerin önemli bir kısmının “pilot aşamasında” kaldığı, yani operasyonel ölçeğe sağlıklı biçimde taşınamadığı görülmektedir; bunun temel nedenleri arasında sahiplenme eksikliği, veri kalitesi sorunları, entegrasyon güçlükleri, BT–OT uyumsuzluğu ve süreç uyumluluğu sağlanmadan yapılan teknoloji iteklemesi yer alır. Öte yandan, limanlarda giderek artan sistem ve platform çeşitliliği, dijital yorgunluk riskini büyütmekte; kritik altyapı statüsü nedeniyle siber saldırganların yoğun ilgisini çekerken, çalışanların sürekli değişen teknoloji ekosistemine uyumu stratejik bir zorluk alanı hâline gelmektedir. Bu bölüm, kontrolsüz dijitalleşmenin limanlarda nasıl bir kırılganlık üretebildiğini ve bu zafiyetlerin operasyonel güvenlik, siber dayanıklılık ve kurumsal sürdürülebilirlik üzerindeki etkilerini sistematik biçimde incelemektedir.

4.1. Pilot Projelerin Çöktüğü Noktalar

Limanlarda dijital dönüşüm girişimleri (otomasyon, sensörleşme, veri platformları, dijital takip sistemleri gibi) genellikle pilot projeler (“PoC – Proof of Concept”) olarak başlamakta, ancak bu projelerin bazılarında sahiplenme eksikliği, veri & entegrasyon sorunları, BT-OT uyumsuzluğu ve süreçsel hazırlık yetersizliği nedeniyle ölçekli başarıya dönüşememektedir. Bu durum, kontrolsüz dijitalleşmenin liman altyapısında yapısal zafiyetlere yol açabileceğini gösterir.

4.1.1. Sahiplenme Eksikliği ve Kurumsal Bağlılık Sorunu

Çok sayıda liman dijitalleşme girişiminde, liman yönetimi, personel veya operasyon birimleri arasında net bir “sahiplenme (ownership)” tanımı yapılmadığı; pilot projeler ile günlük operasyonlar arasında sorumluluk ve yönetişim yapısının kurulamaması sebebiyle projelerin “PoC aşamasında” kaldığı gözlemlenmiştir. Araştırmalar, limanlarda dijitalleşme adımları atılırken, finansman ve teknoloji yeterliliğine rağmen, kurumsal kültür ve organizasyonel kabullenme eksikliğinin en büyük engellerden biri olduğunu vurgulamaktadır (Almeida, F. 2023) ⁶⁵ .

Ayrıca bu eksiklik, projenin bakım, süreklilik ve güncelleme sorumlulukları gibi süreçlerini belirsiz bırakarak uzun vadede sistemlerin sürdürülebilirliğini tehlikeye atar (Brunila, O.-P., Kunnaala-Hyrkki, V., & Inkinen, T.,2021) ⁶⁶ .

4.1.2. Veri Kalitesi ve Sistem Tutarsızlıkları

Liman dijitalleşmesi projelerinde kullanılan veri kaynakları; geçmiş sistemlerden, sensörlerden, elle tutulan kayıtlardan, farklı birimlerden gelen heterojen verilerden oluşmaktadır. Bu karma yapı, veri kalitesi, tutarlılık ve standartlaştırma sorunlarını beraberinde getirir. Bu tür veri heterojenliği, dijitalleşme projelerinin ölçeklenmesini ve sistem entegrasyonunu zorlaştırır (Almeida, F. 2023 ; Brunila, O.-P., Kunnaala-Hyrkki, V., & Inkinen, T.,2021).

Nitekim bazı limanlarda gerçekleştirilen dijitalleşme girişimlerinde, sistemler arası veri uyumsuzluğu ve eski sistemlerle entegrasyon eksikliği, projenin başarıya ulaşmasını engelleyen temel faktörler arasında sayılmaktadır (De Alwis, N., Nam, HS., 2025) ⁶⁷ .

4.1.3. Entegrasyon Güçlükleri ve BT–OT Uyumsuzluğu

Limanların hem BT (bilgi teknolojisi) hem de OT (operasyonel teknoloji / fiziksel altyapı) bileşenleri içerdiği unutulmamalıdır; vinçler, sensörler, konteyner taşıyıcı araçlar, rıhtım ekipmanları, terminal kontrol sistemleri gibi OT varlıkları ile dijital yazılım/sistemlerinin de entegrasyonu gereklidir. Ancak birçok dijitalleşme girişiminde, BT–OT entegrasyonu sağlanamadığı, arayüz uyumsuzlukları, veri aktarım protokolü farkları, eski ekipmanlarla yeni sistemlerin senkronize çalışamaması nedeniyle projeler başarısız olmuş ya da PoC aşamasında kalmıştır.(Yorulmaz, M., & Baykan, Y., 2024)⁶⁸ Bu uyumsuzluk, sadece teknik değil; süreç, organizasyon ve bakım-destek açısından da ciddi zorluklar doğurur; bu da dijitalleşmenin sürdürülebilirliğini büyük ölçüde sekteye uğratır.(Yang, Y.-C., & Hsieh, Y.-H., 2024 ⁶⁹ , Gürsoy, İ., & Hatunoğlu, Z., 2022 ⁷⁰ )

4.1.4 Süreç Uyumu Olmadan Teknoloji Dayatması

Bazı liman yöneticileri, dijitalleşmeyi stratejik bir dönüşüm süreci olarak ele almak yerine; rekabet baskısı, düzenleyici gereklilikler veya küresel lojistik trendlerin yarattığı dış etkenler nedeniyle aceleci biçimde benimseyebilmektedir. Bu yaklaşım, mevcut operasyonel süreçler analiz edilmeden ve kurumsal hazırlık sağlanmadan yeni dijital sistemlerin devreye alınmasına yol açmakta; sonuçta dijitalleşme, katma değer üreten bir dönüşümden ziyade süreç uyumu gözetilmeyen bir teknoloji dayatmasına dönüşmektedir. Araştırmalar, bu tür yukarıdan aşağıya ve araç odaklı dijitalleşme girişimlerinin, departmanlar arası koordinasyon eksikliği, yetersiz eğitim ve adaptasyon sorunları nedeniyle sıklıkla başarısızlıkla sonuçlandığını ortaya koymaktadır ( Sakita, B. M., Helgheim, B. I., & Brathen, S. , 2024) ⁷¹ .

Sonuç olarak, teknoloji ne kadar gelişmiş olursa olsun, süreç yönetimi, organizasyonel uyum, çalışan kabulü ve kurumsal sahiplenme sağlanmadan dijitalleşme projelerinin ölçeklendirilmesi, limanlar için uzun vadeli bir kırılganlık kaynağıdır.

4.2. Limanlarda Dijital Yorgunluk

Limanlarda dijital dönüşüm, operasyonel verimliliği ve görünürlüğü artırma potansiyeli taşısa da; birçok ayrı sistem, platform ve veri kaynağının eş zamanlı çalışmasına neden olarak “dijital yorgunluk” (digital fatigue / systemic overload) riskini gündeme getirir. Bu yorgunluk, hem teknik altyapıda hem insan ve organizasyonel yapıda kendini gösterebilir ve limanların siber esnekliğini, operasyonel güvenliğini ve verimliliğini ciddi biçimde zayıflatabilir.

4.2.1. Bütünleşik Risk Artışı: Çok Sayıda Sistem / Platform / Veri Kaynağı :

Modern liman yönetimi; konteyner elleçleme, çekici-araç takibi, gemi rıhtım planlama, gümrük/lojistik entegrasyonu, personel ve araç erişim kontrolü, bakım ve sensör verisi izleme, raporlama ve dokümantasyon, müşteri/acente/taraf yazışmaları gibi çok sayıda, bağımsız ve bazen birbirinden kopuk, dijital sistemi bünyesinde barındırır. Bu çeşitlilik, sistemler arasında uyum, veri paylaşımı, arayüz standardizasyonu ve entegrasyon zorlukları yaratır. Araştırmalar, liman dijitalleşmesindeki başarısızlıkların önemli bir kısmının, “farklı sistemlerin entegre edilememesi, arayüz uyumsuzluğu ve sistem yükünün artması” gibi sebeplerden kaynaklandığını göstermektedir (Akhavan vd., 2023) ⁷² .

Bu çeşitlilik ayrıca, sürekli güncellenmesi, bakımının yapılması ve güvenlik protokollerinin sürdürülmesi gereken çok sayıda bağımsız bileşen (yazılım, donanım, veri akışı, kullanıcı arayüzü) anlamına gelir. Yönetimsel kapasite, yeterli BT / OT destek ekibi veya bütçe yoksa, bu durum zaman içinde sistemlerin verimsizleşmesine, hataların birikmesine ve kırılganlıkların görünmez şekilde büyümesine neden olabilir.

4.2.2. Kritik Altyapıların Siber Hedef Hâline Gelmesi

Dijital dönüşüm kapsamında limanlar, sadece fiziksel değil, siber altyapı bakımından da kritik varlık haline gelmektedir. Çok sayıda sistem, platform ve bağlantı, konteyner izleme sistemleri, gemi trafik kontrol sistemleri, erişim kontrol sistemleri, IoT sensör ağları, veri tabanları, limanları siber saldırganlar için cazip hedef haline getirir. Özellikle son yıllarda Avrupa limanlarına yönelik siber saldırıların (bazıları devlet destekli) arttığına dair raporlar bulunmaktadır. (Industrial Cyber., 2025 ⁷³ , Hinton, M., 2025 ⁷⁴ , Senarak, C. ,2021 ⁷⁵ )

Liman endüstrisinde karşılaşılan, sisteme sızma, fidye yazılımı, DDoS, kimlik avı gibi saldırılar, liman operasyonlarını durma noktasına getirebilir. Örneğin, konteyner yönetim sisteminin devre dışı kalması tedarik zincirini aksatabilir veya gemi trafik kontrol sistemine yapılan saldırı gemi güvenliğini tehlikeye atabilir. ( Onel Gümrük Müşavirliği Ltd. Şti. (n.d.) ⁷⁶ , Aybars, H. (2024 ⁷⁷ )

Ayrıca, bir limanda çok sayıda farklı sistemin entegre edilmesi, bazen eski sistemlerle yeni dijital çözümlerin yan yana çalıştırılması, siber savunma stratejilerini karmaşıklaştırır; çünkü eski sistemler genellikle modern siber güvenlik standartlarına uygun değildir. Bu da limanın siber savunma hattını zayıflatır. (European Union Agency for Cybersecurity (ENISA), 2023)⁷⁸

4.2.3. Çalışan Uyumu ve Organizasyonel Yıpranma

Dijitalleşme yalnızca teknolojik değil; aynı zamanda organizasyonel ve sosyal bir dönüşüm anlamına gelir. Ancak limanlarda çalışan personelin (operatör, saha personeli, yöneticiler) dijital araçlara adaptasyonu, sürekli sistem güncellemeleri, yeni platform kullanımı, değişen süreçler ve eğitim ihtiyacı, önemli bir zihinsel yük ve zorluk doğurur. Literatürde, denizcilik sektöründe dijitalleşme ile siber güvenlik baskısı ve çalışan algı/direncinin beraber arttığı görülmektedir ( Yorulmaz, M., & Arıca, N.,2024) ⁷⁹ .

Bu “dijital yorgunluk”, çalışanlarda dikkatsizlik, hatalı kullanım veya yeni sistemleri benimsemeye yönelik direnç gibi davranışlara yol açabilir; bu durum ise operasyonel verimlilikten ödün verilmesi, artan hata oranları ve güvenlik zafiyetleri riskini beraberinde getirir. Özellikle sensörler, otomasyon katmanları, karar destek sistemleri ve izleme bileşenlerinden oluşan karmaşık ve çok katmanlı yapılarda, insan faktörünün giderek geri plana itilmesi; otomasyon bağımlılığı (automation bias), sistemlere aşırı güven (overreliance) ve çıktıların eleştirel biçimde değerlendirilmemesi gibi riskleri daha da belirgin hâle getirmektedir.

5. Limanlarda AI ve Siber Güvenlik Boyutu

Limanlarda yapay zekâ uygulamaları giderek kritik operasyonlara yerleştikçe, hem AI sistemlerinin güvenliğini sağlama ihtiyacı hem de AI’ın kendisinin yeni siber tehdit vektörleri üretmesi eş zamanlı biçimde önem kazanmaktadır. Bu bölüm, bir yandan Microsoft’un güvenli AI yaşam döngüsü modeline dayalı olarak veri, model, veri işlem hattı (pipeline) ve yaygınlaştırma (deployment) katmanlarında uygulanması gereken güvenlik kontrol ve protokollerini somutlaştırırken; diğer yandan AI’nın limanların mevcut siber saldırı yüzeyini nasıl genişlettiğini — otonom karar mekanizmalarının manipülasyonu, LLM tabanlı sosyal mühendislik, BT–OT geçiş noktalarının istismarı ve saldırı süreçlerinin AI tarafından otomatikleştirilmesi gibi — sistematik bir çerçevede ele almaktadır. Böylece limanlarda yapay zekâ kaynaklı güvenlik gereksinimleri, hem savunulması gereken AI sistemleri hem de AI’ın doğurduğu yeni tehditler açısından bütüncül bir perspektifle değerlendirilir.

5.1. AI Sistemini Güvence Altına Alma

Limanlarda AI uygulamalarının güvenli şekilde çalışması, yalnızca sistemin fayda üretmesi için değil aynı zamanda operasyonel süreklilik, siber dayanıklılık ve hukukî uyum açısından da kritik önemdedir. Microsoft gibi büyük teknoloji sağlayıcıları, AI yaşam döngüsünün her aşamasında güvenlik önlemleri entegre etmeyi önerir; bu, veri, model, işlem hattı/yaygınlaştırma, sürekli izleme ve olay yönetimi gibi katmanların bütünsel olarak korunmasını içerir (Microsoft, 2024) ⁸⁰ .

5.1.1. Veri Güvenliği: Kaynak Doğrulama, Erişim Yönetimi, Kriptografik Bütünlük Kontrolü

Veri, yapay zekâ sistemlerinin temel girdisini oluşturmakta ve üretilen model çıktılarının doğruluğu ile güvenilirliğini doğrudan belirlemektedir. Bu nedenle veri güvenliği; verinin kaynağının doğrulanması, yetkisiz erişimi önlemeye yönelik erişim kontrol mekanizmaları ile verinin eğitim veya çıkarım süreçleri boyunca izinsiz ya da beklenmedik biçimde değiştirilmediğini garanti altına alan kriptografik bütünlük kontrollerini içeren bütüncül bir yaklaşım gerektirmektedir. Ulusal siber güvenlik rehberleri, bu tür önlemleri; veri zehirleme (data poisoning) saldırıları, veri sızıntıları ve tutarsız ya da bozulmuş veri kullanımı gibi risklerin azaltılmasına yönelik temel en iyi uygulamalar arasında tanımlamaktadır (CISA, 2025) ⁸¹ .

5.1.2. Model Güvenliği ve Yaşam Döngüsü Yönetimi: Sürümleme, Karşıt Testler ve MLOps Güvenliği

Yapay zekâ modelleri, eğitildikten sonra durağan varlıklar olarak değil; zaman içinde güncellenen, iyileştirilen ve yeni verilerle yeniden eğitilen dinamik sistemler olarak ele alınmalıdır. Bu nedenle, modellerin tüm yaşam döngüsü boyunca düzenli biçimde sürümlenmesi (versiyonlama / versioning) ve her değişikliğin izlenebilir olması, model güvenliğinin temel unsurlarından biridir. Güvenlik perspektifinden bakıldığında sürümleme, yalnızca performans ve doğruluk takibi için değil; olası güvenlik ihlallerinin, beklenmeyen davranışların veya saldırı girişimlerinin geriye dönük olarak incelenebilmesini sağlamak açısından da kritik önem taşımaktadır.

Buna ek olarak, karşıt saldırılar (adversarial attacks) gibi hedefli ve bilinçli manipülasyonlara karşı model dayanıklılığının ölçülmesi, klasik test yaklaşımlarıyla sınırlı kalmamalıdır. Bu tür riskler, modellerin kasıtlı olarak bozucu ve yanıltıcı girdilerle sınanmasını gerektirmekte; karşıtlık testleri (adversarial testing) model güvenliğinin ayrılmaz bir bileşeni hâline getirmektedir. Karşıtlık testler, modelin yalnızca ortalama performansını değil; olağan dışı ve kötü niyetli senaryolar karşısındaki davranışını da ortaya koyarak güvenlik açıklarının erken aşamada tespit edilmesine olanak tanır.

Bu çerçevede model güvenliği, yalnızca algoritma düzeyinde değil; modelin eğitimi, dağıtımı ve işletimini kapsayan makine öğrenmesi operasyonları güvenliği (MLOps security) yaklaşımıyla ele alınmalıdır. Güvenli model sürüm yönetimi, yetkilendirilmiş erişim denetimleri, kayıt alma ve izleme mekanizmaları (logging & monitoring) ile güvenli güncelleme ve geri alma (rollback) süreçlerinin birlikte tasarlanması, yapay zekâ sistemlerinin hem teknik hem de operasyonel açıdan güvenilirliğini sürdürülebilir kılmaktadır (NIST, 2023) ⁸² .

Ayrıca, modern siber güvenlik rehberleri, yapay zekâ sistemlerinin geliştirilmesi ve işletilmesinde kullanılan makine öğrenmesi operasyonları (MLOps) süreçlerine güvenliğin baştan itibaren entegre edilmesini önermektedir. Bu yaklaşım, veri setleri, yapay zekâ modelleri ve bu bileşenler arasındaki veri akışlarını yöneten veri hatlarına (pipeline) ilişkin güvenlik kontrollerinin; yazılımın sürekli olarak geliştirildiği, test edildiği ve üretim ortamına alındığı otomatik süreçlere entegre edilmesini ifade eder.

Bu kapsamda güvenlik kontrolleri, sürekli entegrasyon ve sürekli dağıtım (Continuous Integration / Continuous Deployment – CI/CD) olarak adlandırılan geliştirme çevriminin ayrılmaz bir parçası hâline getirilir. CI/CD çevrimi; kod, veri ve model güncellemelerinin otomatik olarak test edilmesini, doğrulanmasını ve güvenli biçimde devreye alınmasını sağlayan bir süreçtir. Güvenlik kontrollerinin bu çevrime dâhil edilmesi sayesinde, veri bütünlüğü ihlalleri, hatalı model güncellemeleri veya yetkisiz değişiklikler gibi riskler üretim ortamına taşınmadan önce erken aşamada tespit edilebilmektedir (OWASP, 2025) ⁸³ .

5.1.3. Dağıtım Güvenliği: Ağ Segmentasyonu ve Erişim Limitleri

AI sistemleri yayıldıktan sonra, altyapının saldırı yüzeyini sınırlamak için ağ segmentasyonu , dış erişime açık kaynakların sınırlandırılması ve sistem bileşenlerine yalnızca en az imkân tanıyan erişim kısıtlamaları uygulanmalıdır. Bu, geleneksel ağ güvenliği ilkeleriyle uyumlu bir şekilde AI iş yüklerini izole etmek ve yetkisiz erişim riskini azaltmak için kritik bir yöntemdir. Microsoft’un güvenli AI yaşam döngüsü rehberinde de benzer şekilde ortalama ayrıcalık ilkesi (principle of least privilege) ve güvenli dağıtım önerilmektedir (Microsoft Learn – 2024).

5.1.4. Sürekli İzleme ve Anomali Tespiti

AI sistemleri karmaşık ve sürekli değişen bir ortamda çalıştıklarından, yalnızca dağıtım öncesi kontroller yeterli değildir; sürekli izleme gereklidir. Bu kapsamda sistem loglarının düzenli analizi, beklenmedik davranışları, performans sapmalarını veya kötü niyetli etkinlikleri tespit etmek için kullanılır. Siber güvenlikte anomali tespiti (anomaly detection) teknikleri, verilerin beklenen desenlerinden sapmaları işaret ederek güvenlik olaylarının erken uyarılarını sağlar (Wikipedia contributors, 2025) ⁸⁴ .

5.1.5. Olay Yönetimi: AI için Özel Olay Müdahale (Incident Response-IR) Prosedürleri

AI sistemlerine yönelik saldırılar ya da güvenlik ihlalleri durumunda, standard olay yönetimi süreçleri yanıt verebilir ancak AI sistemlerinin doğası gereği verinin, modelin ve pipeline’ın bütünsel analizi de gereklidir. Bu nedenle AI için özel olay müdahale (IR) prosedürleri geliştirilmelidir; bu prosedürler, model davranış değişikliklerinin, veri sapmalarının veya potansiyel manipülasyonların kök neden analizini, adli (forensic) incelemelerini ve sistem güvenlik durumunun hızlı geri kazanımını içerir (IBM, 2025) ⁸⁵ .

5.2. AI’nın Yeni Siber Saldırı Yüzeyi

Yapay zekâ (AI) sistemlerinin yaygınlaşması, limanlar gibi kritik altyapılarda hem savunma hem de saldırı kapasitesini belirgin biçimde dönüştüren yeni bir siber tehdit yüzeyi ortaya çıkarmıştır. Geleneksel siber saldırı vektörlerine ek olarak artık otonom karar sistemlerinin manipülasyonu, LLM tabanlı sosyal mühendislik, BT–OT geçiş noktalarının istismarı ve hatta saldırıların AI ile otomatikleştirilmesi gibi yeni riskler gündeme gelmektedir.

5.2.1. Otonom Karar Sistemlerinin Manipülasyonu

AI destekli sistemler (liman rıhtım planlama, otomatik güvenlik kontrolü, risk skorlaması vb.) belirli parametre ve girdilere göre otonom kararlar üretir. Ancak bu karar mekanizmaları, kötü niyetli girdiler, manipüle edilmiş sensör verileri ya da yapay olarak oluşturulmuş sistem durumları karşısında yanlış yönlendirilebilir (HFS Research, 2025) ⁸⁶ . Bu tür manipülasyonlar, örneğin sahte sinyal üreten IoT sensörleri veya kötü niyetli girişler yoluyla, operasyonel hatalara ve güvenlik zaafiyetlerine neden olabilir.

5.2.2. LLM Tabanlı Sosyal Mühendislik Saldırıları (Komut Enjeksiyonu / Prompt Hijacking ve Kimlik Avı / Phishing)

Büyük dil modelleri (Large Language Models – LLM ) kullanılarak gerçekleştirilebilen sosyal mühendislik saldırıları, son yıllarda önemli ölçüde çeşitlenmiş ve ölçek kazanmıştır. Bu bağlamda öne çıkan tehditlerden biri, komut enjeksiyonu (prompt injection) olarak da adlandırılan ve kimi çalışmalarda komut ele geçirme (prompt hijacking) biçiminde ifade edilen saldırı türüdür. Bu saldırılarda, kötü niyetli girdiler LLM’ye verilerek modelin bu girdileri “yetkili bir komut” veya “güvenilir talimat” olarak yorumlaması sağlanır. Sonuç olarak model, tasarlanan kullanım amacının dışında çıktılar üretebilir veya entegre olduğu sistemlerin davranışını dolaylı olarak etkileyebilir.

Komut enjeksiyonu saldırılarının temelinde, LLM’lerin çoğu zaman komut (instruction) ile veri (data) arasında kesin bir ayrım yapamaması yatmaktadır. Bu yapısal sınırlılık, özellikle LLM’lerin karar destek, otomasyon veya kullanıcı etkileşimi gibi kritik işlevlerde kullanıldığı senaryolarda ciddi bir güvenlik zafiyeti olarak değerlendirilmektedir (Wikipedia contributors, 2025).

Buna ek olarak, LLM’ler kimlik avı (phishing) ve daha geniş anlamda sosyal mühendislik saldırılarının otomatik ve kişiselleştirilmiş biçimde üretilmesinde de etkin biçimde kullanılabilmektedir. Büyük dil modelleri, hedef kişinin dili, rolü veya kurumsal bağlamına uygun içerikler üreterek, saldırıların ikna ediciliğini ve başarı oranını artırabilmektedir. Örneğin ChatGPT benzeri modeller kullanılarak oluşturulan gerçekçi kimlik avı e-postaları, sahte kurumsal mesajlar veya kötü amaçlı yazılım dağıtımına yönelik metinlerin giderek yaygınlaştığı gözlemlenmektedir (Wikipedia contributors, 2025).

Bu gelişmeler, LLM tabanlı sistemlerin yalnızca teknik güvenlik açıkları açısından değil; insan faktörünü hedef alan sosyal mühendislik riskleri bakımından da dikkatle ele alınmasını gerekli kılmaktadır.

5.2.3. BT–OT Geçiş Noktalarının İstismarı

Limanlarda BT (bilgi teknolojisi) ile OT (operasyonel teknoloji) arasındaki entegrasyon, veri akışı ve kumanda/denetim sistemlerinin birbirine bağlanmasını sağlar. Ancak bu BT–OT geçiş noktaları, saldırganlar için yeni bir erişim vektörü teşkil eder. AI destekli otomasyon bileşenleri, bu geçiş noktaları üzerinden istismar edildiğinde hem lojistik süreçler hem de fiziksel güvenlik mekanizmaları risk altına girebilir. AI ile genişletilmiş saldırı yüzeyi, AI modellerinin yer aldığı bulut servisleri, API uç noktaları ve edge cihazları da kapsamına alır; bu da saldırı yüzeyinde önemli bir büyüme oluşturur.(CrowdStrike, 2025) ⁸⁷

5.2.4. Siber Saldırıların AI Tarafından Otomatikleştirilmesi

Son dönemde gelişen bir tehdit eğilimi, AI’ın siber saldırı sürecini otomatikleştirmede kullanılmasıdır. AI destekli araçlar, sıfır gün açıklarını taramak, fidye yazılımı kampanyalarını düzenlemek veya karmaşık saldırı zincirlerini sürdürmek için kullanılabilir; bu da saldırı hazırlık süreçlerini hızlandırır ve ölçeklendirir. Örneğin sektörde yayımlanan raporlarda, AI tabanlı saldırı araçlarının saldırı zamanını insan hızından makine hızına taşıdığı ve fidye yazılımları gibi saldırı biçimlerini optimize ettiği ifade edilmektedir.( Aka, M.C., 2025) ⁸⁸

Bu dört ana risk kategorisi, limanlar gibi kritik altyapılar için siber güvenlik planlamasının yeniden düşünülmesini zorunlu kılar; çünkü AI yalnızca savunma için değil, saldırı kapasitesi açısından da yeni vektörler üretmektedir.

6. AI ve Siber Hukuk: Limanlar Açısından Yükümlülükler ve Sorumluluklar

Liman operasyonlarında yapay zekâ (AI) giderek kritik kararların içine yerleştikçe, konu yalnızca teknik güvenlikten ibaret olmaktan çıkıyor; hukuki ve düzenleyici sorumluluklar da büyüyor. AI’nın ürettiği bir hatanın kime ait sayılacağı, otomatik kararların hangi durumda liman işletmesini, operatörü ya da modeli geliştiren ekibi sorumlu kılacağı ve AB Yapay Zekâ Yasası (AI Act) gibi düzenlemelerin kritik altyapılara yüklediği yükümlülükler bu resmin merkezinde. Bunun yanında, model eğitiminde kullanılan verilerin telif ve sahiplik durumu ile sigorta sektörünün özellikle vurguladığı yüksek fikrî mülkiyet (IP) riski, limanların Büyük Dil Modelleri (LLM) ve üretken AI araçlarını kullanırken dikkat etmesi gereken hukukî hassasiyetleri artırıyor. Mahremiyet tarafında ise kamera ve sensör sistemlerinde GDPR/KVKK (kişisel verilerin korunması) uyumu, LLM tabanlı uygulamalarda veri sızıntısının önlenmesi ve “yalnızca gerekli veriyi paylaşma” ilkesi; limanların dijital dönüşüm stratejileriyle güvenlik politikalarını birlikte şekillendiren temel ilkeler hâline geliyor. Bu bölüm, AI ile siber hukukun kesişiminde liman işletmelerinin karşı karşıya olduğu yükümlülükleri, uygulamaya dönük ve bütüncül bir çerçeveyle ele alır.

6.1. AI Kaynaklı Hataların Hukuki Niteliği

Liman işletmelerinde yapay zekâ tabanlı karar destek ve otomasyon sistemlerinin kullanılması, klasik sorumluluk rejimlerine yeni bir belirsizlik katmanı eklemektedir. Bu yeni teknolojinin yaygın ve süratli bir ivme ile kullanılmaya başlanmasının ardından gündeme gelen yeni sorular: Ortaya çıkan zarardan kim sorumlu olacaktır; operatör mü, liman işletmesi mi, yoksa modeli geliştiren tedarikçi mi? Güncel doktrin hem Türkiye’de hem AB’de, yapay zekânın bağımsız bir “hukuk süjesi” olarak değil, risk üreten bir araç olarak ele alınması gerektiğini; bu nedenle sorumluluğun hâlen insan veya tüzel kişiliklere (işletmeci, üretici, idare vb.) atfedileceğini vurgulamaktadır. (Param Legal, 2024 ⁸⁹ ; Kayıran, H.F., 2020 ⁹⁰ ).

6.1.1. Karar Otomasyonunda Sorumluluk: Operatör mü, liman işletmesi mi, model geliştiricisi mi?

Mevcut hukuk düzenlerinde (Türk borçlar hukuku, idare hukuku ve AB özel hukuk rejimleri), yapay zekâ kaynaklı zararlar genellikle üç eksen üzerinden analiz edilmektedir:

(i) Operatörün kusuru,

(ii) Liman işletmesinin işveren / hizmet sağlayıcı olarak sorumluluğu ve

(iii) Üretici / geliştiricinin ürün sorumluluğu.

Türkçe literatürde, yapay zekâlı sistemlerin hatalarından doğan zararlarda kural olarak, AI sisteminin “yardımcı kişi / araç” niteliğinde olduğu, sorumluluğun ise ilgili kamu idaresine veya özel işletmeye yöneldiği; ardından üreticiye rücu imkânının gündeme geldiği belirtilmektedir (Kaplan, İ., 2025 ⁹¹ ; Çetinkaya, A., 2024 ⁹² , Kayıran, H. F., 2020 ⁹³ ).

Avrupa Parlamentosu adına hazırlanan yeni bir çalışma, yüksek riskli yapay zekâ sistemleri için “tek sorumlu işletici (single responsible operator)” etrafında şekillenen, sıkı (kusursuz) sorumluluğa dayalı bir rejimi savunmakta; özellikle karmaşık AI-insan etkileşimlerinde zarar görenin ispat yükünü hafifletmek için bu yaklaşımın gerekli olduğunu ifade etmektedir (Bertolini, 2025) ⁹⁴ . AB Komisyonu’nun önerdiği AI Liability Directive (2021) ve güncellenen Ürün Sorumluluğu Direktifi (PLD) ⁹⁵ de AI destekli ürün ve hizmetlerde üretici ve işletmecilerin sorumluluklarının genişletilmesini, dijital bileşenler ve yazılım güncellemelerinin de “ürün” kavramına açıkça dahil edilmesini öngörmektedir. (AI Liability Directive ,2023) ^{96 97} ,

Söz konusu hukuki ve idari düzenlemeler liman ortamına uyarlandığında karşılaşılabilecek olası durumlar ve riskler ise aşağıdadır:

• AI destekli bir rıhtım atama veya vinç otomasyon sisteminin yanlış kararı sonucu meydana gelen çarpışma veya iş kazasında, gemi trafiğini ve terminal operasyonunu yöneten liman işletmesi, işveren ve “sistem işletmecisi” sıfatıyla birincil sorumlu konumuna gelebilir;

• Aynı olayda, AI modülünün tasarımındaki hata veya yetersiz risk yönetimi ispatlanabilirse, üretici/model geliştiricisine karşı ürün sorumluluğu veya sözleşmesel sorumluluk çerçevesinde rücu gündeme gelebilir;

• Operatörün, AI sistemi tarafından açıkça uyarılmasına rağmen gerekli güvenlik tedbirlerini almaması ya da talimatlara aykırı hareket etmesi durumunda, operatörün şahsi kusuru da sorumluluğun paylaştırılmasında dikkate alınabilir (Yılmaz, 2024 ⁹⁸ ; Murat Hukuk, 2024 ⁹⁹ ).

AB düzeyinde geliştirilen yeni sorumluluk çerçeveleri, temel hedef olarak “AI kaynaklı zarara uğrayan kişinin, diğer teknolojilerden kaynaklanan zararlara uğrayan kişi ile benzer düzeyde korunmasını” amaçlamakta; bunun için de illiyet bağının ispatında “karine”ler ve ispat yükünün hafifletilmesi gibi araçlar önermektedir (Noto La Diega, G., & Bezerra, L. C. T. , 2024) ¹⁰⁰ .

6.1.2. AB AI Act Kapsamındaki Yükümlülükler ve Ulusal Mevzuat

AB Yapay Zekâ Tüzüğü (AI Act), risk temelli yaklaşımıyla AI sistemlerini “kabul edilemez risk, yüksek risk, sınırlı risk, asgari risk” kategorilerine ayırmakta; kritik altyapının yönetiminde kullanılan AI sistemlerini yüksek risk sınıfına dahil etmektedir (örneğin, yol trafiği, su, gaz, ısıtma, elektrik gibi kritik altyapıların yönetim ve işletiminde güvenlik bileşeni olarak kullanılan AI sistemleri) (EU AI Act, m.6 ve Ek III) ¹⁰¹ .

Limanlar, kritik varlıklar (critical entities) kapsamında ele alınan ulaştırma ve lojistik zincirinin kilit halkası olduğundan, liman operasyonlarının güvenliğini etkileyen AI sistemlerinin de fiilen bu yüksek risk rejimine tabi olması beklenmektedir (CER Direktifi 2022/2557, 2022) ¹⁰² .

AI Act kapsamında yüksek riskli sistem sağlayıcıları (providers); risk yönetimi, veri yönetişimi, teknik dokümantasyon, kayıt tutma, şeffaflık, insan gözetimi, sağlamlık ve siber güvenlik gibi geniş bir yükümlülük setine tabidir (AI Act, Bölüm 2, md.16–22; Ek IV). Buna paralel olarak yüksek riskli AI sistemlerini “kullanan” veya “uygulayan” işletmeler (deployers) için getirilen özel yükümlülükler, liman işletmecileri bakımından doğrudan önem taşır. AI Act m.26’ya göre deployer:

• Sistemi sağlayıcının talimatına uygun şekilde kullanmak;

• Uygun insan gözetimi ni sağlamak;

• Girdi verisinin bağlama uygun ve ilgili olmasını temin etmek;

• Sistem tarafından üretilen log kayıtlarını en az altı ay saklamak;

• Ciddi bir risk veya olay halinde sağlayıcıyı ve yetkili otoriteleri derhal bilgilendirmek;

• İşyerinde kullanılan yüksek riskli sistemler hakkında çalışanları ve temsilcilerini önceden bilgilendirmekle yükümlüdür.( European Commission, 2024) ¹⁰³

Bu çerçeve, liman işletmelerini yalnızca “teknolojiyi kullanan” pasif aktörler değil, AI kullanımından doğan risklerin yönetiminde birincil hukuki muhataplar hâline getirmektedir. Nitekim uygulamayı yorumlayan rehberlerde, yüksek riskli AI sistemlerini devreye alan işletmelerin, iç süreçlerine risk yönetimi, veri kalitesi ve insan gözetimi prosedürlerini entegre etmemeleri hâlinde, hem düzenleyici yaptırımlara (idari para cezaları) hem de medeni/özel hukuk tazminat sorumluluğuna maruz kalabilecekleri ifade edilmektedir. (A&O Shearman, 2024 ¹⁰⁴ ; Latham & Watkins, 2024 ¹⁰⁵ )

Türkiye açısından bakıldığında, henüz AI’a özgü kapsamlı bir çerçeve yürürlükte olmasa da, hem akademik çalışmalar hem de uygulama analizleri; yapay zekâ kaynaklı zararların mevcut haksız fiil, idari sorumluluk, ürün sorumluluğu ve sözleşmesel sorumluluk rejimleri içinde değerlendirileceğini, ancak AB AI Act ve ilgili sorumluluk direktiflerinin orta vadede Türk hukukuna da uyum baskısı yaratacağını vurgulamaktadır (Kayıran, H.F,2020; Murat Hukuk, 2024).

6.2. Telif, Veri Sahipliği ve Model Eğitim Verileri

Büyük dil modelleri (LLM) gibi yapay zekâ sistemlerinin hangi verilerle eğitildiği, telif hakkı, veri sahipliği ve ticari sırların korunması açısından ciddi belirsizlikler yaratır. Liman işletmeleri için bu belirsizlikler; ChatGPT benzeri modellerin kurumsal işlerde kullanılması hâlinde fikrî mülkiyet (IP) ihlali, gizli veri sızıntısı ve model çıktılarından doğan sorumluluk gibi özel risklere dönüşebilir.

Sigorta sektörünün analizleri (Swiss Re, 2023–2024), üretken modellerde IP risklerini en yüksek risk sınıflarından biri olarak değerlendirir. Eğitim havuzlarında telifli eserler, ticari sır niteliğindeki bilgiler ya da sahipliği net olmayan materyaller yer alıyorsa ve model çıktıları bunlarla benzerlik gösteriyorsa, işletmeler hukukî sorumlulukla karşılaşabilir. Bu nedenle limanlar, LLM tabanlı akışlar tasarlarken hem eğitim verisinin şeffaf olmamasını hem de çıktılar üzerindeki IP belirsizliğini temel bir tasarım kısıtı olarak ele almalıdır. (Swiss Re Institute, 2023) ¹⁰⁶ ,

Swiss Re ayrıca, kullanıcıların farkında olmadan telifli içeriği kısmen yeniden üretebileceğini hatırlatır. Bu yüzden liman işletmeleri özellikle şu noktalarda titiz davranmalıdır:

• Kurumsal doküman üretiminde LLM çıktılarının telif ihlali riski yönünden denetlenmesi,

• Modele paylaşılan plan, proje, çizim, prosedür gibi içeriklerin ticari sır ve mülkiyet açısından güvenliğinin değerlendirilmesi,

• Mümkünse kurumsal (enterprise) LLM çözümlerinin veya şirket içi güvenli ortamların tercih edilmesi,

• Eğitim verisine ilişkin şeffaflık sağlanamadığında “IP contamination” (fikrî hakların bulaşması) riskinin açık politikalarla yönetilmesi. (Swiss Re Institute, 2023).

Telif hukuku çalışmaları (ör. Henderson vd., 2023) ¹⁰⁷ , bazı LLM çıktılarının “türetilmiş eser” niteliği taşıyabileceğini ve kullanıcı kurumun farkında olmadan telif ihlaline yol açabileceğini belirtir. LLM kullanımının limanlarda otomasyon, raporlama, eğitim ve iletişim süreçlerine yayılması, bu risklerin görünmez şekilde büyümesine neden olabilir.

Son olarak, model eğitiminde kullanılan kişisel veriler, kamera görüntüleri, sensör kayıtları ve operasyon logları, GDPR/KVKK’nın açık rıza, amaçla sınırlılık ve işleme ilkeleriyle doğrudan bağlantılıdır. Swiss Re ve diğer hukukî değerlendirmeler, gerçek kişi verisi veya hassas operasyon verisinin LLM’lere gönderilmesini; telif, mahremiyet ve ticari sır rejimleri bakımından yüksek risk olarak vurgular.

6.3. Kişisel Veri ve Mahremiyet

Yapay zekâ tabanlı sistemlerin liman operasyonlarında kullanılması, özellikle kamera, biyometrik doğrulama, araç plaka tanıma, sensör ağları ve LLM tabanlı iletişim araçları üzerinden yoğun miktarda kişisel veri işlenmesine neden olmaktadır. Bu durum hem GDPR/ KVKK kapsamındaki veri koruma yükümlülüklerini artırmakta hem de LLM sistemlerinin doğası gereği ortaya çıkan “veri sızıntısı” ve “kontrol kaybı” risklerini kritik bir noktaya taşımaktadır.

6.3.1. Kamera & Sensör Sistemlerinde GDPR/KVKK Uyumu

Limanlarda yaygın olarak kullanılan kapalı devre kamera sistemleri (CCTV – Closed Circuit Television), yüz tanıma, plaka tanıma/okuma (Automatic Number Plate Recognition – ANPR), davranış analizi ve nesnelerin interneti sensörleri (IoT – Internet of Things); doğrudan veya dolaylı olarak kişisel verilerin ve hatta biyometrik verilerin işlenmesine yol açabilmektedir. Özellikle yüz görüntüleri, yürüme biçimi veya diğer biyometrik tanımlayıcılar, Avrupa Birliği Genel Veri Koruma Tüzüğü (GDPR – General Data Protection Regulation) Madde 9 kapsamında “özel nitelikli kişisel veri” olarak değerlendirilmektedir.

Bu çerçevede, hem GDPR hem de Türkiye’de yürürlükte olan Kişisel Verilerin Korunması Kanunu (KVKK); kamera ve sensör tabanlı veri işleme faaliyetlerinde amaçla sınırlılık, veri minimizasyonu, uygun teknik ve idari güvenlik tedbirlerinin alınması, meşru menfaat değerlendirmesi (legitimate interest test) ve özellikle açık rıza veya geçerli bir hukuki dayanağın bulunması şartlarının yerine getirilmesini zorunlu kılmaktadır (EDPB, 2020) ¹⁰⁸ . Bu kapsamda, video analitiği uygulanan liman alanlarında işletmelerin yalnızca gerçekten gerekli ve ölçülü veri işlemeleri; kapsamı belirsiz veya gereğinden fazla görüntü toplamaktan kaçınmaları ve saklama sürelerini mümkün olan en düşük seviyede tutmaları gerekmektedir (EDPB, 2020; KVKK, 2022 ¹⁰⁹ ).

Avrupa Birliği Siber Güvenlik Ajansı’nın “Kişisel Veri İşlemenin Güvenliği Rehberi” (Handbook on Security of Personal Data Processing) ’nde belirtildiği üzere, kamera veya sensörler aracılığıyla toplanan kişisel verilerin sonradan farklı bir amaçla — örneğin bir yapay zekâ modeli eğitimi için — kullanılması, ikincil amaçla işleme (secondary use of data) olarak nitelendirilmektedir. Bu tür durumlarda, veri işleyen kuruluşların GDPR kapsamında Veri Koruma Etki Değerlendirmesi (DPIA – Data Protection Impact Assessment) gerçekleştirmesi zorunlu hâle gelmektedir. DPIA süreci, ilgili veri işleme faaliyetinin bireylerin temel hak ve özgürlükleri üzerindeki olası etkilerinin sistematik biçimde değerlendirilmesini ve risklerin azaltılmasına yönelik önlemlerin belirlenmesini amaçlamaktadır (ENISA, 2018) ¹¹⁰ .

Liman bağlamında bu durum, özellikle şu alanlarda kritik bir risk yaratır:

• Çalışan izleme,

• Sürücü/ziyaretçi kimlik doğrulama,

• Gemi personeli hareket takibi,

• Araç giriş-çıkış otomasyonları.

Bu sistemlerde, yanlış yapılandırılmış bir AI modülü, farkında olmadan bireylerin hareket geçmişi veya davranış profillerini çıkarabilir; bu ise GDPR'a göre “orantısız ve hukuka aykırı profil oluşturma” anlamına gelir. (EDPB, 2020)

6.3.2. LLM Tabanlı Uygulamalarda Veri Sızıntısını Önleme

ChatGPT ve benzeri büyük dil modeli (Large Language Model – LLM) tabanlı uygulamaların; limanlarda müşteri iletişimi, operasyonel talimatların hazırlanması, raporlama ve belge oluşturma gibi süreçlerde kullanılması, verimlilik açısından önemli kazanımlar sunmakla birlikte kurumsal veri sızıntısı riskini de ciddi ölçüde artırmaktadır. Swiss Re’nin 2023–2024 dönemine ilişkin risk analizlerinde, LLM’ler “yüksek gizlilik ve fikrî mülkiyet (intellectual property – IP) riski taşıyan sistemler” olarak sınıflandırılmakta ve kullanıcıların farkında olmadan modele ticari sırlar veya kişisel veriler aktarmasının hem telif hakları hem de mahremiyet ihlalleri doğurabileceği vurgulanmaktadır (Swiss Re Institute, 2023)

LLM kullanımında liman işletmeleri açısından öne çıkan üç temel risk alanı aşağıda özetlenmektedir:

• Üçüncü Taraflara Veri Aktarımı Riski (Veri Sızıntısı – Data Leakage)

Bulut tabanlı LLM çözümleriyle etkileşim sırasında, kullanıcı tarafından girilen metinler ve belgeler hizmet sağlayıcının altyapısına aktarılmaktadır. Bu kapsamda iletilen verilerin:

Model eğitimi veya iyileştirme amacıyla yeniden kullanılması,

Hizmet sağlayıcı personeli tarafından erişilebilir hâle gelmesi,

Sınır ötesi veri aktarımı niteliği taşıması

gibi durumlar, GDPR ve KVKK kapsamında yüksek düzeyde ihlal riski doğurabilmektedir (Information Commissioner’s Office – ICO , 2023) ¹¹¹ .

• Model Çıktıları Yoluyla Gizli Bilgilerin Yeniden Üretilmesi Riski
(Yapay Zekâ Davranış Riski – AI Behaviour Risk)

Avrupa Komisyonu Ortak Araştırma Merkezi’nin (Joint Research Centre – JRC) yayımladığı AI Behaviour raporu, bir LLM’nin içsel temsillerinin (internal representations) zaman içinde değişmesi veya güncellenmesi sonucunda, daha önce modele sağlanan veri parçacıklarına benzer çıktılar üretme olasılığı bulunduğunu ortaya koymaktadır. Bu durum, limanlara ait operasyonel veya ticari bilgilerin, model çıktıları aracılığıyla dolaylı biçimde dış ortamlara sızmasına neden olabilecek bir risk alanı oluşturmaktadır (JRC, 2025) ¹¹² .

• Operasyonel Talimatlarda Yanlış Yönlendirme Riski
(Emniyet Riski – Safety Risk)

LLM’lerin ürettiği hatalı veya uydurma bilgi içeren çıktılar (hallüsinasyon – hallucination), özellikle:

Güvenlik prosedürleri,
Rıhtım ve saha planlaması,
Gemi operasyonlarına ilişkin talimatlar

gibi emniyet-kritik süreçlerde yanlış yönlendirmelere yol açabilmektedir. Bu tür hataların hukuki niteliği, yalnızca operasyonel sorumluluk açısından değil; aynı zamanda kişisel veri işleme hataları ve kurumsal ihmal çerçevesinde de değerlendirilmekte olup, işletmeler için ciddi hukuki ve mali sonuçlar doğurabilmektedir (National Institute of Standards and Technology – NIST, 2023) ¹¹³ .

7. Etik Perspektif: Güvenilir AI İlkeleri ve Liman Çalışanlarının Rolü

Liman operasyonlarında yapay zekâ (AI) uygulamalarının hızla yaygınlaşması, yalnızca teknik güvenlik ve hukukî uyumluluk (compliance) gerekliliklerini değil, aynı zamanda güçlü bir etik yeniden çerçeveleme (ethical reframing) ihtiyacını da beraberinde getirir. Güvenilir yapay zekânın (trustworthy AI) temel taşları olan şeffaflık, hesap verebilirlik ve açıklanabilirlik gibi yüksek riskli operasyon alanlarında insan gözetiminin sürdürülebilmesi için kritik önemdedir. Bununla birlikte, AI destekli otomasyonun artışı; insan–makine işbirliğinin yeniden tanımlanmasını, operatör eğitimi ve yetkinliklerinin güncellenmesini ve güvenlik kültürünün yapay zekâ ile birlikte evrilmesini gerektirir. Son olarak, Swiss Re’nin sektörler genelinde büyüyen bir tehdit olarak tanımladığı ayrımcılık ve algoritmik önyargı riski; liman işletmelerinde operatör atama sistemlerinden güvenlik taramalarına kadar birçok kritik süreçte adalet , eşitlik ve güven sorunlarını gündeme getirir. Bu bölüm, etik perspektiften güvenilir yapay zekâ ilkeleri ile liman çalışanlarının rolünü bütüncül olarak ele alarak, geleceğin liman ekosisteminde insan merkezli ve sorumlu AI kullanımına yönelik bir çerçeve sunar.

7.1. Yapay Zekâ Sistemlerinde Şeffaflık, Açıklanabilirlik ve Hesap Verebilirlik

Yapay zekâ (Artificial Intelligence – AI) sistemlerinin limanlar gibi yüksek riskli ve emniyet-kritik operasyonel ortamlarda kullanılması, bu sistemlerin yalnızca teknik doğruluk ve performans ölçütleriyle değerlendirilmesini yeterli kılmamaktadır. Bu tür ortamlarda, AI uygulamalarının aynı zamanda şeffaflık (transparency), açıklanabilirlik (explainability) ve hesap verebilirlik (accountability) ilkeleriyle uyumlu olması temel bir gereklilik hâline gelmektedir.

Şeffaflık ilkesi, yapay zekâ sistemlerinin nasıl çalıştığına, hangi veri ve varsayımlar üzerine kurulduğuna ilişkin temel bilgilerin kullanıcılar, yöneticiler ve ilgili paydaşlar tarafından erişilebilir ve anlaşılabilir olmasını ifade eder. Açıklanabilirlik ise, sistemin belirli bir karar veya öneriyi neden ve nasıl ürettiğinin, teknik uzman olmayan kullanıcılar tarafından dahi makul ölçüde açıklanabilmesini amaçlamaktadır. Hesap verebilirlik ilkesi kapsamında ise, yapay zekâ destekli bir karar sonucunda ortaya çıkan olumsuz etkilerde sorumluluk zincirinin net biçimde tanımlanabilmesi ve gerekli düzeltici mekanizmaların işletilebilmesi gerekmektedir.

Bu ilkeler, liman operasyonlarında kullanılan yapay zekâ sistemlerinin; operatörler tarafından körü körüne değil, bilinçli ve denetlenebilir bir biçimde kullanılmasını mümkün kılmaktadır. Bu doğrultuda geliştirilen güvenilir yapay zekâ (Trustworthy AI) stratejileri, sıklıkla “açıklanabilirlik, şeffaflık ve güven” (explainability, transparency, trust) yaklaşımıyla ifade edilmekte; insan–makine etkileşiminin özellikle kritik altyapı sektörlerinde güvenilir, izlenebilir ve sürdürülebilir bir zemine oturtulması gerektiğini vurgulamaktadır (TRAI, 2024) ¹¹⁴ .

7.1.1. Şeffaflık (transparency), bir AI sisteminin ne yaptığı ve nasıl yaptığı hakkında ilgili paydaşlara bilgi sunma sorumluluğunu ifade eder. Bu, hem sistemin kullanılmaya başladığı durumun bildirilmesi hem de modelin temel çalışma mantığı, veri kaynakları, girdiler ve karar süreçlerinin anlaşılabilir biçimde açıklanması anlamına gelir (OECD AI Principles, 2025) ¹¹⁵ .

7.1.2. Açıklanabilirlik (explainability) ise özellikle bir kararın sonucunun neden o şekilde olduğu üzerine insan açısından anlaşılır gerekçeler sunulmasıdır. Black-box yapay zekâ modellerinin sınırlı gözlemlenebilirliği, özellikle liman gibi fiziksel ve kritik operasyonlarda yanlış ya da beklenmedik kararların çıktığında güvenilirlik ve hesap verebilirliği zayıflatabilir; bu yüzden modelin iç işleyişi hakkında açıklamalar sunmak, yalnızca etik bir beklenti değil aynı zamanda pratik bir güvenlik önlemidir (Explainable AI, Wikipedia, 2025) ¹¹⁶ .

7.1.3. Hesap Verebilirlik (accountability) ise şeffaf ve açıklanabilir AI çıktılarının ardından sorumluluğun tanımlanması ve gerekirse düzeltilmesi süreçlerini kapsar. AI sistemlerinin çıktılarının izlenebilir ve denetlenebilir olması, hem operasyonel hataların nedenlerini tespit etmeye hem de hatalı kararların tekrarını önlemeye yardımcı olur (Sterling J.Y. 2025) ¹¹⁷ .

Şeffaflık ve açıklanabilirlik yalnızca düzenleyici uyum açısından değil, aynı zamanda kullanıcı ve paydaş güvenini tesis etme açısından da kritik önemdedir. McKinsey’nin çalışmasına göre, organizasyonların önemli bir bölümü AI uygulamalarının güvenilirliğini engelleyen temel risklerden birinin şeffaflık eksikliği olduğunu ifade etmektedir; bu eksiklik, AI çıktılarının güvenilir biçimde yorumlanmasını zorlaştırır ve benimsenmesini engeller.(McKinsey & Company, 2024) ¹¹⁸

Bu ilkelerin liman uygulamalarında hayata geçirilmesi, yalnızca modelin teknik performansını iyileştirmekle kalmaz, aynı zamanda sonuçların doğruluk, adalet ve sorumluluk açısından izlenebilirlik çerçevesine oturmasını sağlar; bu da genel olarak AI ekosistemine yönelik güven ve kabul oluşturur.

7.2. İnsan–Makine İşbirliğinin Yeniden Tanımlanması

Liman operasyonlarında yapay zekâ (AI) sistemlerinin artan rolü, karar alma süreçlerinde insan–makine işbirliğinin yeniden tanımlanmasını zorunlu kılmaktadır. Güvenilir AI çerçeveleri, özellikle kritik altyapılarda nihai otoritenin bütünüyle algoritmaya devredilmemesi, insan gözetiminin korunması ve çalışanların yeni teknolojilerle uyumlu biçimde yetkinleştirilmesi gerektiğini vurgular (OECD, 2019 ¹¹⁹ ; NIST, 2023 ¹²⁰ ).

7.2.1. Otoritenin Tamamen Algoritmaya Devredilmesinin Riskleri

Tam otomasyon, hız ve verimlilik sağlasa da otomasyon yanlılığı (automation bias) ve aşırı güven (over-reliance) risklerini artırır; operatörler algoritmik çıktıları sorgulamadan kabul edebilir ve nadir fakat kritik hata durumlarında müdahale gecikebilir (Parasuraman & Riley, 1997 ¹²¹ ; Mosier & Skitka, 2018 ¹²² ). Liman bağlamında bu durum; rıhtım planlama, vinç operasyonları, güvenlik taramaları ve trafik yönetimi gibi fiziksel sonuçları olan kararların hatalı uygulanmasına yol açabilir (NIST, 2023). Swiss Re, sektörler genelinde artan otomasyonla birlikte yanlış negatif/pozitiflerin güvenlik ve sorumluluk risklerini büyüttüğünü belirtmektedir (Swiss Re Institute, 2023).

7.2.2. Operatör Eğitimi ve Yetkinlik İhtiyacı

Etkili ve güvenli bir insan–makine iş birliği, yalnızca ileri teknoloji yatırımlarıyla değil; aynı zamanda operatörlerin yapay zekâ okuryazarlığı (AI literacy) ve durumsal farkındalık (situational awareness) becerilerinin sistematik biçimde geliştirilmesiyle mümkündür. Liman gibi yüksek tempolu ve emniyet-kritik ortamlarda, yapay zekâ destekli sistemlerin doğru yorumlanması ve etkin kullanımı, büyük ölçüde bu insan yetkinliklerine bağlıdır.

Bu kapsamda tasarlanacak eğitim programlarının; kullanılan yapay zekâ modellerinin hangi alanlarda güçlü olduğu, hangi durumlarda sınırlı kaldığı, belirsizlik ve güven düzeylerini gösteren kararsızlık göstergeleri (uncertainty indicators), uyarı üretme eşik değerleri (alert thresholds) ve insan müdahalesini tetikleyen müdahale protokolleri (intervention protocols) gibi unsurları kapsaması gerekmektedir (NIST, 2023). Böylece operatörler, sistem çıktılarının mutlak doğrular değil; bağlama bağlı karar destek araçları olduğunu daha sağlıklı biçimde değerlendirebilmektedir.

Avrupa Komisyonu Birleşik Araştırma Merkezi’nin (Joint Research Centre – JRC) yayımladığı “AI Behaviour” raporu, yapay zekâ modellerinde gerçekleştirilen güncellemelerin ve sürüm değişikliklerinin, operatörlerin sistemden beklediği davranışları doğrudan etkileyebileceğini ortaya koymaktadır. Bu nedenle, sürüm güncellemeleri (version updates) sonrasında operatörlere yönelik yeniden eğitimler ve uygulamalı tatbikatlar yapılmasının zorunlu olduğu vurgulanmaktadır (JRC, 2025).

Liman operasyonlarında vardiya yoğunluğu ve zaman baskısı dikkate alındığında, teorik anlatımlarla sınırlı kalan eğitimlerin yeterli olmadığı açıktır. Bu bağlamda, gerçek operasyon koşullarını yansıtan senaryo tabanlı eğitimler (scenario-based training) ile karar süreçlerinde insanın aktif rol aldığı “insan denetimli sistemler” (human-in-the-loop) yaklaşımının birlikte uygulanması, hataların azaltılmasında ve güvenli işletimin sürdürülebilmesinde kritik bir rol oynamaktadır.

7.2.3. Güvenlik Kültüründe Dönüşüm

Yapay zekâ (Artificial Intelligence – AI) sistemlerinin liman operasyonlarına entegrasyonu, yalnızca teknik altyapının değil; aynı zamanda kurumların güvenlik kültürünün de dönüşmesini zorunlu kılmaktadır. Bu bağlamda, insan-merkezli yapay zekâ (human-centred AI) yaklaşımı; açıklanabilirlik (explainability), şeffaflık (transparency) ve sürekli öğrenmeyi destekleyen dinamik geri bildirim döngüleri (dynamic feedback loops) ile birlikte ele alınmalıdır (De Silva, Halloluwa & Vyas, 2025) ¹²⁴ .

İnsan-merkezli bu yaklaşım, çalışanların algoritmik kararların nasıl üretildiğini anlayabilmesini ve gerektiğinde bu kararlara müdahale edebilmesini mümkün kılmaktadır. Böylece yapay zekâ sistemlerine duyulan kurumsal güven artmakta; otomasyona aşırı bağımlılık veya sorgusuz kabul gibi riskler azalmakta ve operasyonel kazaların önlenmesine somut katkı sağlanmaktadır.

Bu perspektif, yalnızca liman sektörüne özgü değildir. Havacılık alanındaki güvenlik literatürü, güvenliğin sadece teknik sistemlerin performansına değil; aynı zamanda organizasyonel davranış, liderlik ve kurumsal normlar tarafından belirlendiğini açık biçimde ortaya koymaktadır (Kirwan, 2024) ¹²³ . Bu bulgu, benzer biçimde yüksek risk ve karmaşıklık içeren liman operasyonları için de doğrudan geçerlidir.

Nitekim denizcilik sektörüne yönelik güncel çalışmalar, yapay zekâ entegrasyonunun başarılı olabilmesi için “insan öncelikli yaklaşım (people-first philosophy)” benimsenmesinin, şeffaf karar süreçlerinin tesis edilmesinin ve kullanıcıların sürekli eğitimle desteklenmesinin kritik öneme sahip olduğunu göstermektedir (Durlik, Miller, Kostecka & Tuński, 2024) ¹²⁵ . Bu unsurlar bir araya geldiğinde, yapay zekâ yalnızca teknik bir araç olmaktan çıkarak, güvenliği güçlendiren ve kurumsal öğrenmeyi destekleyen bir bileşen hâline gelmektedir.

7.3. Algoritmik Önyargının (Bias) Liman İşletmeleri Üzerindeki Etkisi

Yapay zekâ (Artificial Intelligence – AI) sistemlerinde algoritmik önyargı (algorithmic bias), eğitim verilerindeki dengesizlikler, hatalı veya eksik etiketleme süreçleri, modele özgü varsayımlar ya da sistemin uygulandığı operasyonel bağlamla uyumsuzluklar sonucunda; belirli kişi, grup veya varlıklar için sistematik olarak dezavantajlı sonuçlar üretilmesi durumu olarak tanımlanmaktadır. Bu tür önyargılar, çoğu zaman fark edilmesi güç olmakla birlikte, karar destek ve otomasyon sistemlerinin güvenilirliğini ciddi biçimde zayıflatabilmektedir.

Swiss Re Institute’un sektörler genelini kapsayan analizleri, özellikle üretken yapay zekâ (generative AI) ve karar destekli yapay zekâ uygulamalarının yaygınlaşmasıyla birlikte, algoritmik önyargı risklerinin hem görülme sıklığı hem de potansiyel etkileri bakımından arttığını ortaya koymaktadır (Swiss Re Institute, 2023). Bu eğilim, yapay zekâ sistemlerinin daha karmaşık karar süreçlerine entegre edilmesiyle, önyargıların operasyonel sonuçlara daha doğrudan yansımasına neden olmaktadır.

Limanlar gibi kritik altyapı niteliği taşıyan işletmelerde algoritmik önyargı riski, yalnızca etik veya toplumsal bir mesele olarak değerlendirilemez. Yanlı kararlar; güvenlik taramalarında hatalı sınıflandırmalara, personel veya tedarikçilere yönelik ayrımcı uygulamalara, gecikmelere ve operasyonel aksamalara yol açabilir. Bu durum, aynı zamanda hukuki sorumluluk, düzenleyici uyum ve kurumsal itibar açısından da yüksek etkili bir tehdit oluşturmaktadır. Bu nedenle, liman işletmelerinde yapay zekâ uygulamalarının tasarım ve kullanımında algoritmik önyargının tespiti, izlenmesi ve azaltılmasına yönelik önlemler, yönetişimin ayrılmaz bir parçası hâline gelmiştir.

7.3.1. Operatör Seçimi ve Atama Algoritmaları

Yapay zekâ (Artificial Intelligence – AI) tabanlı vardiya planlama, operatör atama ve performans değerlendirme sistemleri; geçmiş performans kayıtları, eğitim ve sertifikasyon bilgileri ile olay ve kaza istatistikleri gibi tarihsel verilere dayanarak çalışmaktadır. Bu tür sistemler, uygun şekilde tasarlanıp denetlenmedikleri takdirde, geçmişte oluşmuş yapısal sorunları ve tarihsel önyargıları (historical bias) modelin karar süreçlerine taşıma riski barındırmaktadır.

Örneğin, belirli vardiyalarda veya operasyon türlerinde çalışan gruplara geçmişte daha fazla olay kaydı düşmüş olması, yapay zekâ modelinin bu grupları “daha riskli” olarak etiketlemesine neden olabilir. Bu durumda model, mevcut bağlamı veya koşullardaki değişimleri dikkate almaksızın, söz konusu çalışanları sistematik biçimde daha az tercih edilen vardiyalara atayabilir veya terfi ve görev dağılımında dezavantajlı konuma itebilir. Böylece yapay zekâ sistemi, tarafsız bir araç olmaktan çıkarak mevcut önyargıları yeniden üreten bir mekanizma hâline gelmiş olur (OECD, 2019).

Bu tür sonuçlar, yalnızca kurumsal adalet algısını zedelemekle kalmaz; aynı zamanda eşit muamele ilkesi ve ayrımcılık yasağı kapsamında ciddi hukuki riskler doğurur. Avrupa Veri Koruma Kurulu (European Data Protection Board – EDPB), personel yönetimi ve işe ilişkin karar süreçlerinde otomatik sistemlerin kullanımının, şeffaflık ve insan denetimi sağlanmadığı durumlarda yüksek riskli veri işleme faaliyeti olarak değerlendirilmesi gerektiğini vurgulamaktadır (EDPB, 2024) ¹²⁶ .

Bu çerçevede, Nortal tarafından ortaya konulan güvenilir yapay zekâ (Trustworthy AI) yaklaşımı; açıklanabilirlik (explainability), denetlenebilirlik (auditability) ve insan gözetimi (human oversight) sağlanmaksızın personel seçim ve atama kararlarında yapay zekâ kullanımını yüksek risk kategorisinde sınıflandırmaktadır (Nortal, 2023) ¹²⁷ . Liman işletmelerinde bu tür sistemlerin devreye alınması, ancak bu yönetişim ilkeleriyle uyumlu bir çerçeve içerisinde mümkün olmalıdır.

7.3.2. Güvenlik Kontrollerinde Yanlış Alarm ve Kaçırma Hatalarının Etkisi

Liman güvenliğinde kullanılan yüz tanıma, plaka tanıma ve davranış analizi gibi otomatik kontrol sistemlerinde ortaya çıkan hatalar, genellikle yanlış pozitif (false positive) ve yanlış negatif (false negative) çıktılar üzerinden kendini göstermektedir. Algoritmik önyargıların (bias) bu sistemlere yansıması, söz konusu hata türlerinin hem sıklığını hem de operasyonel etkisini artırabilmektedir.

Yanlış pozitif sonuçlar, herhangi bir gerçek risk bulunmamasına rağmen sürücülerin, gemi personelinin veya ziyaretçilerin şüpheli olarak değerlendirilmesi anlamına gelmektedir. Bu durum, belirli kişi veya grupların orantısız biçimde durdurulmasına, gecikmelere ve tekrar eden ek kontrollere maruz kalmasına yol açarak operasyonel akışı sekteye uğratabilmektedir. Öte yandan, yanlış negatif sonuçlar ise mevcut bir tehdidin sistem tarafından fark edilmemesi anlamına gelmekte ve liman güvenliği açısından doğrudan ve yüksek etkili riskler doğurmaktadır (Buolamwini & Gebru, 2018).

Swiss Re Institute’un değerlendirmeleri, bu iki hata türünün de kritik altyapı işletmelerinde yalnızca güvenlik zafiyetlerine değil; aynı zamanda operasyonel duruşlara, tedarik zinciri aksamalarına ve tazminat sorumluluğu gibi hukuki sonuçlara yol açabileceğini ortaya koymaktadır (Swiss Re Institute, 2023). Bu nedenle, güvenlik sistemlerinin başarısı yalnızca “yüksek doğruluk oranı” ile değil, hataların hangi koşullarda ve kimleri etkilediği üzerinden değerlendirilmelidir.

Avrupa Komisyonu Ortak Araştırma Merkezi’nin (Joint Research Centre – JRC) yayımladığı AI Behaviour çalışması, yapay zekâ modellerinde gerçekleştirilen sürüm güncellemeleri ve davranışsal değişikliklerin, hata dağılımlarını ve önyargı düzeylerini öngörülemeyen biçimde etkileyebileceğini göstermektedir. Bu bulgu, model güncellemeleri sonrasında yeniden test, bağlamsal doğrulama ve operasyonel etki analizleri yapılmadığı takdirde, hem adalet hem de güvenlik risklerinin artabileceğine işaret etmektedir (JRC, 2025).

Bu risklerin yönetilmesine yönelik olarak, ABD Ulusal Standartlar ve Teknoloji Enstitüsü’nün Yapay Zekâ Risk Yönetim Çerçevesi (NIST AI RMF – Artificial Intelligence Risk Management Framework); güvenlik kontrollerinde kullanılan yapay zekâ sistemleri için etki değerlendirmesi (impact assessment), eşik ve uyarı ayarlarının dikkatle yapılandırılması, insan denetiminin karar süreçlerine entegre edilmesi (human-in-the-loop) ve periyodik önyargı denetimleri (bias audits) gibi önlemleri önermektedir (NIST, 2023).

Sonuç olarak, liman işletmelerinde algoritmik önyargının etkileri yalnızca bireysel adalet veya kullanıcı memnuniyetiyle sınırlı değildir. Bu etkiler; iş güvenliği, operasyonel süreklilik, tedarik zinciri güvenilirliği ve hukuki uyum üzerinde doğrudan sonuçlar üretmektedir. Bu nedenle, Swiss Re Institute’un da vurguladığı üzere, önyargı kaynaklı risklerin proaktif biçimde ölçülmesi, sürekli izlenmesi ve kurumsal yönetişim mekanizmalarına sistematik olarak entegre edilmesi, modern liman güvenlik yönetiminin ayrılmaz bir parçası hâline gelmiştir (Swiss Re Institute, 2023).

8. Riskleri Azaltma Stratejileri ve Uluslararası İyi Uygulamalar

Limanlarda yapay zekâ kullanımından kaynaklanan teknik, hukuki ve etik risklerin yönetimi, yalnızca tekil güvenlik önlemleriyle değil; yönetişimden altyapıya, insan kaynağından uluslararası standartlara uzanan bütüncül stratejilerle mümkündür. Bu bölüm, referans raporlarda öne çıkan “iyi uygulamalar” yaklaşımıyla uyumlu olarak, liman işletmeleri için uygulanabilir ve ölçülebilir çözüm setleri sunmaktadır. AI yönetişim modelleri, dijital altyapı ve siber dayanıklılık mimarileri, şeffaf ve denetlenebilir AI tasarımları, çalışan eğitim programları ve küresel standartlara uyum; riskleri azaltırken aynı zamanda güvenilir, sürdürülebilir ve insan-merkezli bir dijital liman ekosistemi oluşturmanın temel yapı taşları olarak ele alınmaktadır.

8.1. AI Yönetişim Modeli

Limanlarda AI uygulamalarının ölçeklenmesi, tekil “proje yönetimi” yaklaşımıyla değil; rollerin, karar mekanizmalarının, denetim izlerinin ve yaşam döngüsü kontrollerinin kurumsallaştırıldığı bir AI yönetişim modeli ile sürdürülebilir hâle gelir. Bu yaklaşım, OECD’nin bağlayıcı olmayan ilke seti (değerler), NIST’in risk yönetim süreçleri ve AB AI Act’in yükümlülükleri (legal obligations) ayrımını birlikte ele alan “yönetişim” bakışına da uyumludur.

8.1.1. AI Etik Komitesi

AI etik komitesi (AI Governance Board), liman işletmesinde AI kararlarının etik, güvenlik, uyum ve itibar boyutlarını birlikte değerlendiren üst düzey bir kontrol katmanı olarak konumlandırılmalıdır. NIST AI RMF, güvenilir AI için risk yönetiminin “Govern” fonksiyonuyla başlaması gerektiğini; bunun da liderlik sahipliği, politika/rol tanımı ve hesap verebilirlik mekanizmalarıyla kurumsallaşacağını vurgular (NIST, 2023). ISO/IEC 42001 ise kuruluşların bir AI Yönetim Sistemi (AIMS) kurmasını; bunun kapsamında politika, sorumluluklar, yaşam döngüsü kontrolleri ve sürekli iyileştirme yaklaşımını sistematik hale getirmesini hedefler (ISO/IEC 42001:2023) ¹²⁸ .

Uygulamada etik komite;

(i) Yüksek riskli kullanım senaryolarını onaylama/red etme,
(ii) Veri ve model risk değerlendirmelerini gözden geçirme,
(iii) Tedarikçi/çözüm sağlayıcı şartlarını (sözleşmesel güvence, denetim hakkı, incident bildirimleri vb.) Belirleme ve
(iv) Büyük değişikliklerde (model güncellemesi, yeniden-eğitim, yeni veri kaynağı) “go/no-go” kararlarını alma işlevlerini üstlenebilir. Bu yapı, meslek örgütlerinin aı için oluşturduğu uzman/advisory grup örnekleriyle de uyumludur (ör. RIBA’nın AI–Generative Design–Data Expert Advisory Group yapılanması) (RIBA.,2025) ¹²⁹ .

8.1.2. Veri Yönetişimi ve Veri Sorumlusu (Data Steward) Rolleri

Yapay zekâ uygulamalarının kalitesi, güvenilirliği ve güvenliği, büyük ölçüde bu sistemleri besleyen verinin nasıl yönetildiğine bağlıdır. Bu nedenle veri yönetişimi (data governance), yalnızca teknik bir konu değil; aynı zamanda kurumsal karar alma ve risk yönetimiyle doğrudan ilişkili bir yönetişim alanı olarak ele alınmalıdır. ISO/IEC 38505-1 standardı, veriyi bilgi teknolojileri yönetişiminin (IT governance) ayrılmaz bir bileşeni olarak tanımlamakta; bilişim sistemleri tarafından üretilen, toplanan ve saklanan verilerin nasıl kullanıldığının, üst düzey yönetim süreçleri ve kurumsal kararlar üzerinde belirleyici etkisi olduğunu vurgulamaktadır (ISO/IEC 38505-1:2017) ¹³⁰ .

Benzer biçimde, Avrupa Birliği Genel Veri Koruma Tüzüğü (GDPR – General Data Protection Regulation) çerçevesinde yer alan hesap verebilirlik (accountability) ilkesi, kurumların yalnızca mevzuata uyum sağlamasını değil; aynı zamanda bu uyumu gösterebilecek somut organizasyonel yapı ve sorumlulukları tesis etmesini zorunlu kılmaktadır (European Data Protection Board) ¹³¹ .

Bu çerçevede, liman işletmelerinde veri yönetişiminin rol temelli bir yapı üzerinden kurgulanması önem taşımaktadır. Uluslararası iyi uygulamalara paralel olarak, aşağıdaki temel rollerin net biçimde ayrıştırılması önerilmektedir:

• Veri sahibi (data owner): Verinin iş amaçları doğrultusunda kullanımından ve stratejik değerinden sorumlu olan iş birimi veya yönetim düzeyi.

• Veri sorumlusu / veri yöneticisi (data steward): Verinin amaçla uyumu, kalite standartları, tutarlılığı ve mevzuata uygunluğu konusunda gözetim ve koordinasyon rolünü üstlenen aktör.

• Veri muhafızı (data custodian): Verinin teknik altyapı üzerinde güvenli biçimde saklanması, erişilmesi ve işletilmesinden sorumlu olan bilgi teknolojileri fonksiyonu.

Bu yapı içerisinde veri sorumlusu (data steward) rolü, veri yönetişiminin operasyonel bel kemiğini oluşturmaktadır. Veri sınıflandırma süreçleri (özellikle kişisel veriler, ticari sırlar ve güvenlik hassasiyeti taşıyan veriler), veri kalitesi ölçütleri, erişim ve yetkilendirme kuralları, saklama ve imha süreleri, veri paylaşım ilkeleri ile kayıt altına alma (loglama – logging) politikalarının uygulanması ve izlenmesi, büyük ölçüde bu rol üzerinden yürütülmelidir. Veri sorumlusunun, veri varlıklarının amaç uygunluğu, kalite ve uygunluk boyutlarında sürekli gözetim sağlaması, veri yönetişiminin kurumsallaşmasının temel dayanaklarından biri olarak kabul edilmektedir (Wikipedia contributors) ¹³² .

Sonuç olarak, limanlarda yapay zekâ kullanımının sürdürülebilir ve güvenli biçimde yaygınlaşabilmesi için, veri yönetişiminin soyut ilkeler düzeyinde değil; açıkça tanımlanmış roller, sorumluluklar ve süreçler üzerinden hayata geçirilmesi gerekmektedir.

8.1.3. Model Yaşam Döngüsü Yönetimi: Makine Öğrenmesi ve Yapay Zekâ Operasyonları (MLOps / AIOps)

Limanlarda yapay zekâ (Artificial Intelligence – AI) yönetişiminin üçüncü temel sütunu, AI modellerinin “bir kez geliştirilip devreye alınan” statik yazılımlar değil; sürekli sürüm yönetimi, değişiklik takibi, izleme ve olay yönetimi gerektiren canlı sistemler olarak ele alınmasıdır. Bu yaklaşım, modellerin zaman içinde değişen operasyonel koşullar, veri kaynakları ve risk profilleri karşısında güvenilirliğini koruyabilmesi açısından kritik önem taşımaktadır.

Microsoft’un “Tasarım Aşamasından İtibaren Güvenli Yapay Zekâ” (Secure AI by Design) yaklaşımı, yapay zekâ sistemlerinde güvenliğin yalnızca teknik bir konu olarak değil; tüm yaşam döngüsüne yayılmış bir yönetişim ilkesi olarak ele alınması gerektiğini vurgulamaktadır. Bu çerçevede, organizasyonel uygulamalar (politikalar, roller, eğitimler ve yönetişim mekanizmaları) ile teknik önlemlerin (tehdit modelleme, güvenli geliştirme yaşam döngüsü ve sürekli izleme) birlikte ve uyumlu biçimde uygulanması önerilmektedir (Microsoft, 2025) ¹³³ .

Benzer biçimde, makine öğrenmesi operasyonları (Machine Learning Operations – MLOps) ve yapay zekâ operasyonları (AI Operations – AIOps) rehberleri ;¹³⁴ yapay zekâ iş yüklerinin operasyonel yaşam döngüsünün yapılandırılmış ve denetlenebilir adımlar üzerinden yönetilmesini önermektedir. Bu yaşam döngüsü; veri hazırlama ve kürasyonu, dağıtıma alma (deployment), sürekli izleme, yeniden eğitim veya güncelleme, ve gerektiğinde geri alma (rollback) aşamalarını kapsamakta; bu adımların otomasyon, gözlemlenebilirlik (observability) ve yönetişim kontrolleriyle desteklenmesini gerekli kılmaktadır (Microsoft, n.d.) ¹³⁵ .

Liman uygulamaları açısından bu yaklaşım, asgari olarak aşağıdaki kontrollerin hayata geçirilmesini gerektirmektedir:

• Model sürümleme ve model kartları (model versioning & model cards):

Her model sürümünün amacı, kullanılan veri setleri, performans göstergeleri ve bilinen sınırlılıklarının belgelenmesi (NIST, 2023).

• Değişiklik yönetimi (change management):

Yeni sensör veya veri kaynaklarının eklenmesi, kural setlerinin güncellenmesi ya da model sürüm değişiklikleri için yapılandırılmış onay ve kayıt süreçlerinin işletilmesi (ISO/IEC 42001).

• Sürekli izleme ve alarm eşikleri (continuous monitoring & alert thresholds):

Model davranışında kayma (drift) , veri kalitesinde düşüş veya hata oranlarında artış gibi durumların erken tespit edilmesi (Microsoft).

• Olay yönetimi entegrasyonu (incident management integration):

Yapay zekâ çıktılarından kaynaklanan operasyonel olaylarda kök neden analizi, gerektiğinde modelin geri alınması ve düzeltici/önleyici faaliyetlerin sistematik biçimde yürütülmesi (NIST, 2023).

Sonuç olarak, limanlarda yapay zekâ kullanımının sürdürülebilir ve güvenli biçimde yönetilebilmesi, modellerin teknik performansının ötesinde; yaşam döngüsü boyunca izlenen, denetlenen ve yönetişim mekanizmalarına entegre edilen sistemler olarak ele alınmasına bağlıdır.

8.2. Dijital Altyapı ve Siber Dayanıklılık

Limanlarda yapay zekâ uygulamalarının güvenli ve sürdürülebilir biçimde ölçeklenebilmesi, yalnızca AI modellerinin doğruluğuna değil; bu modelleri besleyen dijital altyapının dayanıklılığına bağlıdır. Uluslararası iyi uygulamalar, limanların veri platformlarını standartlaştırmasını, ağ ve erişim mimarilerini modern tehditlere göre yeniden tasarlamasını ve OT (Operational Technology) ortamlarını özel siber güvenlik çerçeveleriyle korumasını önermektedir.

8.2.1. Liman Veri Platformlarının Standardizasyonu

Dijital Kamu Altyapısı (Digital Public Infrastructure – DPI) yaklaşımı; kimlik, veri paylaşımı ve ödeme gibi temel dijital bileşenlerin ortak standartlar, açık arayüzler (API) ve yeniden kullanılabilir platformlar üzerinden kurgulanmasını öngörür (Nortal, 2023). Bu yaklaşım limanlara uyarlandığında, her bir uygulamanın (terminal işletimi, güvenlik, gümrük entegrasyonu, lojistik paydaşlar) ayrı veri siloları oluşturması yerine, ortak bir liman veri platformu üzerinden güvenli ve denetlenebilir veri akışı sağlanmasını mümkün kılar.

Standartlaştırılmış veri altyapısı;
• Veri kalitesini ve tutarlılığı artırır,
• AI modellerinin farklı kaynaklardan gelen verilerle daha güvenilir çalışmasını sağlar,
• Siber güvenlik kontrollerinin merkezi ve tutarlı uygulanmasına imkân tanır (Nortal, 2023).

Bu yapı, aynı zamanda AB’de tartışılan “birlikte çalışabilir veri uzayları” (interoperable data spaces) ve kritik altyapılar için önerilen platform temelli mimarilerle de uyumludur.

8.2.2. Sıfır Güven (Zero Trust) Mimarisi

Geleneksel güvenlik yaklaşımları, ağın “iç kısmının güvenli, dış kısmının ise güvensiz” olduğu varsayımına dayanmakta; bu nedenle erişim kontrolünü büyük ölçüde ağ sınırlarında konumlandırmaktadır. Ancak limanlar gibi çok sayıda paydaşın bulunduğu, uzaktan erişimin yaygın olduğu ve operasyonel teknoloji (OT – Operational Technology) ile bilgi teknolojileri (BT – Information Technology) sistemlerinin yoğun biçimde entegre edildiği ortamlarda, bu varsayım giderek geçerliliğini yitirmektedir. Bu bağlamda, uluslararası standartlar ve iyi uygulamalar, daha dinamik ve bağlama duyarlı bir güvenlik yaklaşımı olarak Sıfır Güven Mimarisi (Zero Trust Architecture – ZTA) modelini önermektedir.

Sıfır Güven yaklaşımı, “asla güvenme, her zaman doğrula” ilkesine dayanmakta; kullanıcıların, cihazların, uygulamaların ve veri erişim taleplerinin ağ içinde ya da dışında olmasına bakılmaksızın sürekli kimlik doğrulama (continuous authentication) ve yetkilendirme (authorization) süreçlerine tabi tutulmasını esas almaktadır. ABD Ulusal Standartlar ve Teknoloji Enstitüsü’nün NIST SP 800-207 numaralı rehberi, Zero Trust mimarisini; erişim kararlarının tek seferlik değil, bağlamsal ve sürekli olarak değerlendirildiği bir güvenlik modeli olarak tanımlamaktadır (NIST SP 800-207) ¹³⁶ .

Liman ortamlarında Sıfır Güven yaklaşımının uygulanması, özellikle yapay zekâ destekli sistemler açısından aşağıdaki kazanımları sağlamaktadır:

• Yapay zekâ sistemlerine erişen kullanıcıların ve servis hesaplarının sürekli doğrulanması ve bağlama duyarlı biçimde yetkilendirilmesi,

• OT ağlarının, kurumsal BT ağlarından mantıksal olarak ayrıştırılması ve yatay saldırı hareketlerinin sınırlandırılması,

• Sensörler, kameralar ve yapay zekâ servisleri arasındaki erişimlerde “en az yetki ilkesi (least privilege)”nin uygulanması.

Bu mimari yaklaşım, herhangi bir bileşenin ele geçirilmesi durumunda saldırının tüm sisteme yayılmasını zorlaştırarak siber dayanıklılığı (cyber resilience) artırmakta ve liman operasyonlarının sürekliliğini desteklemektedir (NIST, 2020). Böylece Zero Trust, limanlarda yapay zekâ kullanımının getirdiği karmaşık erişim ilişkilerini daha kontrollü ve yönetilebilir hâle getiren temel bir güvenlik çerçevesi sunmaktadır.

8.2.3. OT Siber Güvenlik Sertifikasyonları

Liman altyapılarının önemli bir bölümü vinçler, konveyörler, kapı sistemleri, sensörler ve endüstriyel kontrol sistemlerinden (ICS/SCADA) oluşur. Bu sistemler, klasik BT güvenlik standartlarından farklı tehdit profillerine sahiptir. Uluslararası iyi uygulamalar, OT ortamlarının IEC 62443 standart ailesi çerçevesinde korunmasını önermektedir. IEC 62443;

• OT sistemleri için rol ve sorumlulukları,
• Ağ segmentasyonu ve güvenlik seviyelerini,
• Ürün, sistem ve organizasyon bazlı sertifikasyon yaklaşımlarını tanımlar (IEC, 2018) ¹³⁷ .

Buna ek olarak, liman işletmelerinin genel bilgi güvenliği yönetimi için ISO/IEC 27001 standardı; OT özelinde ise IEC 62443 ile birlikte sağlar. Bu sertifikasyonlar, yalnızca teknik kontrolleri değil, aynı zamanda süreç, eğitim ve sürekli iyileştirme mekanizmalarını da kapsar (ISO, 2022) ¹³⁸ .

8.3. Şeffaf ve Denetlenebilir Yapay Zekâ (AI)

Limanlarda yapay zekâ (Artificial Intelligence – AI) sistemlerinin operasyonel ve güvenlik açısından kabul edilebilir olması, yalnızca teknik performans ölçütleriyle değil; aynı zamanda şeffaflık, izlenebilirlik ve denetlenebilirlik nitelikleriyle sağlanabilmektedir. Uluslararası iyi uygulamalar, kritik altyapılarda kullanılan yapay zekâ çözümlerinin “kara kutu” (black box) niteliği taşımasının önemli yönetişim ve güvenlik riskleri doğurduğunu; bu nedenle açıklanabilir, denetlenebilir ve karar süreçlerine ilişkin kayıt üreten mimarilerin tercih edilmesi gerektiğini vurgulamaktadır (OECD, 2019; NIST, 2023).

8.3.1. Açıklanabilirlik Araçları (Explainable AI – XAI)

Açıklanabilir yapay zekâ (Explainable AI – XAI), bir modelin belirli bir çıktıyı neden ve nasıl ürettiğinin, insan kullanıcılar tarafından anlaşılabilir biçimde ortaya konmasını amaçlamaktadır. Liman uygulamalarında — örneğin güvenlik taramaları, risk puanlamaları ve operasyonel planlama süreçlerinde — açıklanabilirlik araçları; hatalı kararların analiz edilmesi, operatör müdahalesinin desteklenmesi ve olay sonrası incelemelerin sağlıklı biçimde yürütülmesi açısından kritik öneme sahiptir.

ABD Ulusal Standartlar ve Teknoloji Enstitüsü’nün Yapay Zekâ Risk Yönetim Çerçevesi (NIST AI RMF – Artificial Intelligence Risk Management Framework), yüksek riskli kullanım bağlamlarında model çıktılarının gerekçelendirilebilir olmasını, güvenilir yapay zekâ yaklaşımının temel gerekliliklerinden biri olarak tanımlamaktadır (NIST, 2023). Uygulamada, özellik önem sıralamaları (feature importance), yerel açıklamalar (belirli bir kararın hangi girdilerden etkilendiğini gösteren analizler) ve model kartları (model cards) gibi araçlar, kararların anlaşılabilirliğini artırarak insan gözetimini mümkün kılmaktadır (OECD, 2019).

8.3.2. Denetlenebilir Yapay Zekâ Yaklaşımı (Auditable AI)

Denetlenebilir yapay zekâ (Auditable AI) yaklaşımı, yalnızca açıklama üretmekle sınırlı kalmayan; aynı zamanda bağımsız denetim, iç kontrol ve hukuki inceleme süreçleri için yeterli ve güvenilir kanıt izi (evidence trail) sunan sistemleri ifade etmektedir. Nortal’ın ortaya koyduğu “açıklanabilirlik–şeffaflık–güven” (explainability–transparency–trust) çerçevesi, kritik süreçlerde kullanılan yapay zekâ sistemlerinin denetlenebilir olmasını, kurumsal güvenin ön koşulu olarak değerlendirmektedir (Nortal, 2023).

Bu yaklaşımı destekleyen çalışmalar, model güncellemeleri veya davranışsal değişikliklerin denetlenebilir kayıtlar olmaksızın gerçekleştirilmesinin; sorumluluk paylaşımı, güvenlik yönetimi ve mevzuata uyum açısından ciddi riskler doğurduğunu ortaya koymaktadır (RIBA, 2025; JRC, 2025). Bu nedenle limanlarda, kara kutu niteliği taşıyan modellerin kullanılması kaçınılmaz olduğunda dahi, bu modellerin bağlamsal kısıtlar, insan onayı (human approval) ve güçlü kayıt mekanizmaları ile desteklenmesi önerilmektedir (NIST, 2023).

8.3.3. Model Sürümleme, Kayıt Tutma ve Karar İzleme

Denetlenebilirliğin operasyonel temeli; model sürümleme (model versioning), kapsamlı kayıt tutma (logging) ve karar izleme (decision traceability) süreçleridir. ISO/IEC 42001 Yapay Zekâ Yönetim Sistemleri Standardı, model değişikliklerinin kayıt altına alınmasını, amaç ve kapsam değişikliklerinin yapılandırılmış onay süreçlerinden geçirilmesini ve performansın sürekli izlenmesini zorunlu kılmaktadır (ISO/IEC, 2023).

Benzer şekilde, NIST AI RMF ve Microsoft’un güvenli yapay zekâ rehberleri; veri sürüklenmesi (data drift), model sürüklenmesi (model drift) ve anomalilerin erken tespiti için sürekli izleme mekanizmalarının kurulmasını ve gerektiğinde geri alma (rollback) kabiliyetlerinin sağlanmasını iyi uygulama olarak tanımlamaktadır (NIST, 2023). Liman bağlamında bu yaklaşım; bir güvenlik alarmının, rıhtım atama kararının veya otomatik erişim engellemesinin hangi model sürümü, hangi veri seti ve hangi eşik değerleri temelinde üretildiğinin geriye dönük olarak izlenebilmesini mümkün kılmaktadır.

Sonuç olarak, şeffaf ve denetlenebilir yapay zekâ yaklaşımı; liman işletmelerinin etik sorumluluklarını, hukuki uyum yükümlülüklerini ve operasyonel güvenliğini birlikte güçlendiren temel bir yönetişim aracıdır. Uluslararası iyi uygulamalarla uyumlu bu yaklaşım, yapay zekâdan kaynaklanan riskleri azaltırken, sistemlere duyulan güveni ve kurumsal kabulü artıran kritik bir yapı taşı olarak öne çıkmaktadır (OECD, 2019; NIST, 2023).

8.4. Çalışan Eğitim Programları

Limanlarda yapay zekâ tabanlı sistemlerin güvenli, etik ve verimli şekilde kullanılabilmesi, yalnızca teknik altyapıya değil; bu sistemlerle etkileşim kuran insan unsurunun yetkinliğine de doğrudan bağlıdır. Uluslararası iyi uygulamalar, AI dönüşümünün başarısında çalışan eğitim programlarını temel bir risk azaltma aracı olarak tanımlar (OECD, 2019; NIST, 2023). Bu programlar; AI okuryazarlığını artırmayı, siber güvenlik farkındalığını güçlendirmeyi ve dijitalleşmenin yol açtığı bilişsel ve organizasyonel yorgunluğu azaltmayı hedeflemelidir.

8.4.1. AI Okuryazarlığı

AI okuryazarlığı, çalışanların yapay zekânın ne olduğu, ne olmadığı, hangi sınırlamalara sahip olduğu ve hangi bağlamlarda hata üretebileceği konusunda temel bir anlayış geliştirmesini ifade eder. OECD, güvenilir AI kullanımının ön koşullarından birinin, AI sistemlerini kullanan veya denetleyen kişilerin “uygun düzeyde bilgi ve farkındalığa sahip olması” olduğunu belirtir (OECD, 2019). Liman bağlamında bu; operatörlerin AI destekli kararların olasılıksal niteliğini kavramasını, çıktıları körü körüne kabul etmemesini ve gerektiğinde müdahale edebilmesini sağlar (NIST, 2023).

JRC’nin AI Behaviour raporu, model güncellemeleri ve davranışsal değişimlerin kullanıcı beklentilerini etkileyebileceğini; bu nedenle AI okuryazarlığının tek seferlik değil, sürekli bir eğitim süreci olarak ele alınması gerektiğini vurgular (JRC, 2025). Bu yaklaşım, limanlarda insan–makine işbirliğinin güvenli şekilde sürdürülebilmesi için kritik bir ön koşuldur.

8.4.2. Siber Güvenlik Farkındalığı

Liman çalışanları, AI ve dijital sistemlerle etkileşim hâlindeyken aynı zamanda siber saldırı zincirinin en zayıf halkası hâline de gelebilir. ENISA ve NIST rehberleri, sosyal mühendislik, kimlik avı (phishing), yetkisiz erişim ve yanlış yapılandırma gibi olayların önemli bir kısmının insan hatasından kaynaklandığını göstermektedir (ENISA, 2023; NIST, 2023).

Bu nedenle çalışan eğitim programları;
• AI tabanlı sistemlerde veri paylaşımının riskleri,
• LLM’lerle etkileşimde gizli/kişisel veri girilmemesi,
• Şüpheli e-posta ve talimatların tanınması,
• OT ortamlarında USB, mobil cihaz ve uzaktan erişim riskleri

gibi başlıkları içermelidir. Swiss Re, kritik altyapılarda siber güvenlik farkındalığı düşük personelin, AI destekli sistemlerde hasarın çarpan etkisini artırdığını belirtmektedir (Swiss Re Institute, 2023).

8.4.3. Dijitalleşme Yorgunluğunu Azaltıcı İnsan-Merkezli Programlar

Yoğun dijitalleşme, çok sayıda sistem, sürekli güncellenen arayüzler ve artan izleme/raporlama yükü, çalışanlarda dijitalleşme yorgunluğu (digital fatigue) ve direnç yaratabilir. RIBA AI Report, yapılı çevre ve operasyonel sektörlerde AI uygulamalarının başarısız olmasının önemli nedenlerinden birinin, çalışanların bilişsel yükünün ve stresinin göz ardı edilmesi olduğunu vurgular (RIBA, 2025).

ILO ve insan-faktörleri literatürü, teknolojik dönüşümlerde insan-merkezli tasarım, geri bildirim mekanizmaları ve psikososyal desteklerin, güvenlik kültürünü güçlendirdiğini ve hata oranlarını azalttığını göstermektedir (ILO, 2019) ¹³⁹ .

Limanlar için insan-merkezli eğitim programları;

• Rol bazlı ve senaryo temelli eğitimler,
• Kullanıcı dostu arayüz ve süreç tasarımı geri bildirimleri,
• AI sistemleriyle ilgili endişelerin açıkça dile getirilebildiği kültürler

oluşturarak dijitalleşmenin yarattığı yorgunluğu azaltabilir. Bu yaklaşım, AI’ın bir “tehdit” değil, kontrollü ve destekleyici bir araç olarak algılanmasını sağlar (Nortal, 2023).

8.5. Uluslararası Standartlara Uyum

Limanlarda yapay zekâ uygulamalarının güvenilir, sürdürülebilir ve hukuka uyumlu biçimde hayata geçirilmesi, uluslararası kabul görmüş standartlar ve sektörel çerçevelerle sınırlandırılan bir yönetişim yaklaşımını gerektirir. Bu standartlar, yalnızca teknik güvenlik kontrollerini değil; aynı zamanda organizasyonel sorumlulukları, süreç olgunluğunu ve sürekli iyileştirme mekanizmalarını da kapsayarak, liman işletmelerine karşılaştırılabilir ve denetlenebilir bir yapı sunar.

8.5.1. ISO/IEC 42001 – AI Management System

ISO/IEC 42001, dünyada yapay zekâya özgü yayımlanan ilk AI Yönetim Sistemi (AIMS) standardıdır ve kuruluşların AI sistemlerini yaşam döngüsü boyunca planlama, uygulama, izleme, gözden geçirme ve iyileştirme prensipleriyle yönetmesini hedefler (ISO/IEC, 2023). Bu standart;

• Risk temelli yaklaşım,
• Veri ve model yönetişimi,
• İnsan gözetimi,
• Şeffaflık ve kayıt tutma,
• Olay ve değişiklik yönetimi

gibi unsurları zorunlu kılar. Liman işletmeleri açısından ISO 42001, AI kullanımını bireysel projelerden çıkarıp kurumsal bir yönetim sistemi haline getirmek için güçlü bir çerçeve sunar ve AB AI Act’in yüksek riskli sistemlere ilişkin yükümlülükleriyle de kavramsal uyum içindedir (ISO/IEC, 2023).

8.5.2. ISO/IEC 27001, NIST Yapay Zekâ Risk Yönetim Çerçevesi (AI RMF) ve Microsoft Model Güvenliği Yönergeleri

Bilgi güvenliği ile yapay zekâ risk yönetimi, limanlar gibi karmaşık ve kritik altyapılarda birbirini tamamlayan yönetişim katmanları olarak ele alınmalıdır. Bu bağlamda ISO/IEC 27001 Bilgi Güvenliği Yönetim Sistemi Standardı, liman işletmelerinin bilgi varlıklarını korumaya yönelik temel çerçeveyi sunmakta; verinin gizliliğini, bütünlüğünü ve erişilebilirliğini güvence altına almayı amaçlamaktadır (ISO, 2022). ISO/IEC 27001, yapay zekâ sistemlerinin dayandığı veri, altyapı ve erişim bileşenleri için sağlam bir güvenlik temeli oluşturmaktadır.

Bu temel üzerine inşa edilen NIST Yapay Zekâ Risk Yönetim Çerçevesi (Artificial Intelligence Risk Management Framework – AI RMF) ise, yapay zekâya özgü risklerin sistematik biçimde ele alınmasına odaklanmaktadır. Çerçeve; güvenlik açıkları, algoritmik önyargı (bias), performans tutarsızlıkları, açıklanabilirlik eksikliği ve insan faktörüne bağlı risklerin tanımlanması, değerlendirilmesi ve yönetilmesi için pratik bir yapı sunmaktadır (NIST, 2023). NIST AI RMF’in Yönet – Haritala – Ölç – Yönet” (Govern – Map – Measure – Manage) yaklaşımı, limanlarda hem teknik ekipler hem de üst yönetim açısından ortak bir risk dili ve karar alma çerçevesi oluşturulmasına katkı sağlamaktadır.

Bunlara ek olarak, Microsoft’un “Güvenli Yapay Zekâ” (Secure AI) ve “Sorumlu Yapay Zekâ” (Responsible AI) yönergeleri, model güvenliğini yazılım ve yapay zekâ sistemlerinin yaşam döngüsüne entegre eden uygulamaya dönük öneriler sunmaktadır. Bu yönergeler; model sürümleme (model versioning), güvenli dağıtım (secure deployment), sürekli izleme (continuous monitoring), karşıt saldırılara karşı testler (adversarial testing) ve olay müdahalesi (incident response) gibi alanlarda somut iyi uygulamaları tanımlamaktadır (Microsoft, 2024).

Bu üç çerçevenin birlikte ve tutarlı biçimde uygulanması, liman işletmelerinde yalnızca teknik güvenlik kontrollerinin değil; aynı zamanda kurumsal yönetişim, risk yönetimi ve hesap verebilirlik mekanizmalarının da güçlendirilmesini mümkün kılmaktadır. ISO/IEC 27001’in sağladığı bilgi güvenliği temeli, NIST AI RMF’in yapay zekâya özgü risk perspektifi ve Microsoft’un operasyonel model güvenliği uygulamaları bir araya geldiğinde, limanlar için uçtan uca, sürdürülebilir ve denetlenebilir bir yapay zekâ ve siber güvenlik mimarisi oluşturulmasına önemli katkı sağlamaktadır.

8.5.3. IMO, IAPH ve ESPO Çerçeveleriyle Uyum

Limanlar, yalnızca genel teknoloji standartlarına değil; aynı zamanda denizcilik ve liman sektörüne özgü uluslararası çerçevelere de uyum sağlamak zorundadır. IMO (International Maritime Organization), dijitalleşme, siber riskler ve otomasyonun deniz emniyeti üzerindeki etkilerini ele alan rehber ve kararlarıyla, liman–gemi–kıyı etkileşiminde güvenliğin korunmasını hedefler (IMO, 2021) ¹⁴⁰ .

IAPH (International Association of Ports and Harbors), akıllı limanlar (smart ports), siber güvenlik ve dijital dönüşüm konularında yayımladığı kılavuzlarla limanlara uygulamaya dönük iyi örnekler sunmaktadır (IAPH, 2022) ¹⁴¹ . Benzer şekilde ESPO (European Sea Ports Organisation), Avrupa limanlarının dijitalleşme, güvenlik ve sürdürülebilirlik hedeflerini ortak ilkeler çerçevesinde ele alarak, limanlar için politika uyumunu teşvik etmektedir (ESPO, 2023) ¹⁴² .

Bu sektörel çerçevelerle ISO, NIST ve AI-odaklı standartların birlikte ele alınması, limanların hem küresel teknoloji normlarıyla hem de denizcilik sektörünün özgül gereklilikleriyle uyumlu bir AI ve siber güvenlik yaklaşımı geliştirmesini mümkün kılar.

8.5.4. Tamamlayıcı Düzenlemeler ve Standardizasyon Çerçeveleri

• ISO/IEC portföyü (42001’i tamamlayan AI yönetişim ve güvenilirlik standartları)

- ISO/IEC 23894:2023 (AI risk yönetimi rehberi), AI kullanan/sağlayan/dağıtan kuruluşların AI’ye özgü riskleri yönetmesine yönelik kılavuz sağlar (ISO, 2023a) ¹⁴³ .

- ISO/IEC 38507:2022 (Kurumsal yönetim / üst yönetim rehberi), kuruluşların yönetim organına (board/üst yönetim) AI kullanımını etkin, verimli ve kabul edilebilir kılacak yönetişim rehberi sunar (ISO, 2022) ¹⁴⁴ .

- ISO/IEC 22989:2022 (AI kavramlar ve terminoloji), AI terminolojisini standardize ederek politika, sözleşme, denetim ve teknik dokümantasyonda ortak dil sağlar (ISO, 2022a) ¹⁴⁵ .

- ISO/IEC TR 24028:2020 (AI güvenilirliği görünümü), güvenilirlikte şeffaflık/açıklanabilirlik/kontrol edilebilirlik gibi unsurları ve risk/azaltım yaklaşımlarını derler (ISO, 2020) ¹⁴⁶ .

• ETSI “Securing AI” standartları (AI siber güvenliği için Avrupa temelli teknik gereksinimler)

- ETSI TS 104 223 (2025-04), AI modelleri ve sistemleri için yaşam döngüsü boyunca “asgari/baseline” siber güvenlik gereksinimlerini tanımlar; generative AI dahil geniş kapsam hedefler (ETSI, 2025) ¹⁴⁷ .

- Birleşik Krallık NCSC, bu ETSI spesifikasyonunu AI tedarik zincirindeki paydaşlar için minimum güvenlik gereksinimleri getiren bir standart olarak değerlendirir (NCSC, 2025) ¹⁴⁸ .

• AB düzeyi “bağlayıcı” düzenlemeler ve standardizasyon ekosistemi (AI Act + harmonize standartlar + siber dayanıklılık)

- AB AI Act (Regulation (EU) 2024/1689), AB’de AI için uyumlaştırılmış kurallar getirir ve yüksek riskli sistemlerde (örn. kritik altyapı bağlamları dahil) kapsamlı yükümlülükler öngörür (European Union, 2024) ¹⁴⁹ .

- AI Act’in uygulanmasını kolaylaştırmak için CEN-CENELEC gibi Avrupa standardizasyon kuruluşları “harmonize standartlar” geliştirir; bu standartlar OJ’de yayımlandığında uygunluk karinesi sağlayabilir (CEN-CENELEC, n.d.) ¹⁵⁰ .

- Avrupa Komisyonu’nun AI Act’e hazırlık kapsamında resmî standardizasyon talebi sonrasında harmonize standartların taslak çalışmaları yürütülmektedir (European Commission, 2024) ¹⁵¹ .

- Liman işletmeleri (AB’deki faaliyetleri/bağlantıları üzerinden) ayrıca NIS2 (Directive (EU) 2022/2555) çerçevesinde siber risk yönetimi ve olay bildirimi gibi kurumsal yükümlülüklere tabi olabilir; bu, AI altyapısının “siber dayanıklılık” yönetişimiyle entegre edilmesini zorunlu kılar (European Union, 2022) ¹⁵² .

• İnsan hakları/etik uyum için bölgesel çerçeve

- Avrupa Konseyi AI Çerçeve Sözleşmesi, AI yaşam döngüsü faaliyetlerinin insan hakları, demokrasi ve hukukun üstünlüğü ile uyumlu olmasını hedefleyen bağlayıcı bir uluslararası metin olarak imzaya açılmıştır (Council of Europe, 2024) ¹⁵³ .

• Küresel etik ve yönetişim ilkeleri (soft-law ama kurumsal politika tasarımında yaygın)

- UNESCO AI Etiği Tavsiye Kararı (2021), üye devletler için AI yaşam döngüsünde etik yönetişim, etki değerlendirmesi ve insan hakları temelli çerçeveler önerir (UNESCO, 2021) ¹⁵⁴ .

• IEEE etik tasarım standartları (mühendislik süreçlerine etik risklerin gömülmesi)

- IEEE Std 7000-2021, sistem tasarımında etik kaygıların (değerlerin) süreçlere dâhil edilmesi için uygulanabilir bir süreç modeli tanımlar (IEEE, 2021) ¹⁵⁵ .

9. Sonuç ve Değerlendirme: Güvenli, Etik ve Dayanıklı AI ile Geleceğin Limanları

9.1. Yapay Zekâ: Limanlar İçin Kaçınılmaz Bir Dönüşüm Aracı

Bu çalışmada ele alındığı üzere, yapay zekâ liman işletmelerinde operasyonel verimlilik, güvenlik, tahmin kabiliyeti ve hizmet kalitesi açısından oyun değiştirici bir teknoloji niteliği taşımaktadır. Vinç operasyonlarından rıhtım planlamasına, güvenlik kontrolünden bakım tahminine ve paydaş iletişimine kadar geniş bir yelpazede AI uygulamaları, limanların rekabet gücünü ve sistem performansını artırma potansiyeline sahiptir. Ancak makale boyunca da gösterildiği gibi, bu potansiyel doğru yönetişim, güvenlik, etik ve hukuk çerçeveleriyle desteklenmediği takdirde, aynı ölçüde ciddi operasyonel, hukuki ve itibar risklerini de beraberinde getirmektedir.

9.2. Güvenlik–Etik–Hukuk Üçlüsü

Analizler, limanlarda AI kullanımının yalnızca teknik bir mesele olmadığını; siber güvenlik, etik ilkeler ve hukuki sorumluluk rejimleri birlikte ele alınmadığında sürdürülemez hâle geldiğini ortaya koymaktadır. AI sistemlerinin yeni siber saldırı yüzeyleri oluşturması, veri bütünlüğüne bağımlılığı, model davranışlarının zamanla değişebilmesi ve insan karar süreçlerini etkilemesi; güvenliği yalnızca BT katmanında değil, BT–OT–insan etkileşimi ekseninde ele almayı zorunlu kılmaktadır. Aynı şekilde, algoritmik bias, açıklanabilirlik eksikliği ve otomasyon yanlılığı gibi etik riskler, limanların güvenlik kültürü ve çalışan–teknoloji ilişkisi üzerinde doğrudan etki yaratmaktadır.

9.3. Kurumsal Kapasitenin Belirleyici Rolü

Bu çalışma, limanlarda AI projelerinin başarısızlık nedenlerinin çoğunlukla teknoloji yetersizliğinden değil; kurumsal yönetişim eksikliği, veri kalitesizliği, BT–OT uyumsuzluğu, sahiplenme sorunu ve insan faktörünün ihmal edilmesinden kaynaklandığını göstermektedir. PoC aşamasında kalan projeler, dijital yorgunluk ve kontrolsüz dijitalleşme olguları; AI yatırımlarının ancak yeterli kurumsal olgunluk, yönetim desteği ve organizasyonel kültür ile anlamlı sonuçlar üretebileceğini ortaya koymaktadır.

9.4. AI’nın Stratejik Risk Boyutu

Makalede vurgulandığı üzere, liman işletmelerinin AI’yı yalnızca maliyet düşürücü veya hız artırıcı bir otomasyon aracı olarak görmesi önemli bir stratejik hatadır. AI; veri yönetişimi, siber dayanıklılık, hukuki uyum, insan kaynakları ve kurumsal itibar boyutlarıyla birlikte ele alınması gereken stratejik bir dönüşüm ve risk yönetimi alanıdır. Bu nedenle AI kararları; etik komiteler, veri steward rolleri, model yaşam döngüsü yönetimi (MLOps/AIOps) ve denetlenebilirlik mekanizmalarıyla desteklenmelidir.

9.5. Uluslararası Standartlar ve İyi Uygulamalar

ISO/IEC 42001, ISO 27001, NIST AI RMF, ETSI AI güvenlik standartları, AB AI Act ve IMO–IAPH–ESPO çerçeveleri; limanlara AI kullanımında somut, karşılaştırılabilir ve denetlenebilir bir yol haritası sunmaktadır. Bu standartlar, yalnızca uyum gerekliliği değil; aynı zamanda limanların dayanıklı, güvenilir ve sürdürülebilir AI ekosistemleri kurması için birer rehber niteliğindedir. Uluslararası iyi uygulamalarla uyum, limanların hem regülasyon risklerini azaltmasına hem de küresel tedarik zincirlerinde güvenilir aktörler olarak konumlanmasına katkı sağlar.

9.6. İnsan Merkezli Yaklaşımın Önemi

Son olarak, bu çalışma AI destekli limanların geleceğinin, insan unsurunu dışlayan değil; aksine insan–makine işbirliğini güçlendiren bir yaklaşım üzerine inşa edilmesi gerektiğini göstermektedir. Operatör eğitimi, AI okuryazarlığı, siber güvenlik farkındalığı ve dijitalleşme yorgunluğunu azaltıcı insan-merkezli programlar; teknolojik yatırımlar kadar kritik öneme sahiptir. Güvenli, etik ve dayanıklı AI; ancak çalışanların güven duyduğu, anlayabildiği ve gerektiğinde müdahale edebildiği sistemlerle mümkün olacaktır.

9.7. Genel Değerlendirme

Geleceğin limanları, yapay zekâyı yalnızca kullanan değil; onu yöneten, denetleyen ve sorumluluğunu üstlenen limanlar olacaktır. Güvenli, etik ve dayanıklı AI yaklaşımı, limanları hem dijital risklere karşı koruyacak hem de küresel rekabette sürdürülebilir bir avantaj sağlayacaktır.

REFERANSLAR VE KAYNAKÇA