Güven ve uyumluluk · 2026-08-18
GİB ve KGK Yapay Zekâ Projeleri: Finansal Risk Analizinde Açıklanabilirlik ve Veri Kontrolü
GİB kurumlar vergisi zarar analizi ile KGK finansal başarısızlık projesini veri hacmi, risk modeli, açıklanabilirlik, erişim, on-premise dağıtım, yanlılık ve model izleme açısından karşılaştırın.
İki proje hangi problemi çözüyor
Gelir İdaresi Başkanlığının projesi, kurumlar vergisi beyannamelerindeki geçmiş yıl zararlarını diğer kurumsal verilerle birlikte analiz ederek olması gereken zarar değerini tahmin etmeyi, sapmanın nedenlerini göstermeyi ve mükellefe düzeltme önerisi sunmayı amaçlıyor. Teknik ister bunu yalnızca yazılım değil, açıklanabilir özgün modeller geliştirme işi olarak tanımlıyor.
Kamu Gözetimi, Muhasebe ve Denetim Standartları Kurumunun projesi ise şirketlerin finansal başarısızlığını önceden tahmin etmeyi ve sektöründeki işletmelerden belirgin biçimde ayrışan finansal anomalileri bulmayı hedefliyor. İki proje de riskli kaydı önceliklendiriyor; model sonucu nihai hüküm değil, yetkili kullanıcının inceleyeceği analitik kanıttır.
GİB: yapılandırılmış ve serbest metin veriyi birlikte okumak
GİB dokümanında yaklaşık 1,2 milyon kurumlar vergisi mükellefi bulunduğu, son üç yılda 35 bin mükellefin beyannamesinin tam incelenebildiği ve 2024'te 2.500 mükellefe ceza düzenlendiği belirtiliyor. Proje için yıllık yaklaşık 500 bin beyanname ile e-Fatura, e-Arşiv, e-Defter, MEVA, KAŞİF ve EVDO verilerinin sağlanması öngörülüyor.
Finansal tablolar ve tutarlar yapılandırılmış; beyannamenin dipnotu ise serbest metindir. Çözümün iki veri türünü birlikte analiz etmesi beklenir. Serbest metin modele girdiğinde kimlik ve ticari sır içeren alanların ayrıştırılması, yapılandırılmış değişkenlerin dönem ve kaynak sistemiyle eşleştirilmesi gerekir.
KGK: sektör bazlı başarısızlık ve anomali modeli
KGK'nın EFR sisteminde 2018'den itibaren finansal tablolar bulunuyor. Teknik ister yıllık yaklaşık 30 GB veriyi, 22 ana ve 272 alt sektör yapısını ve finansal oranları kullanarak riskli şirketleri tespit etmeyi amaçlıyor. Her alt sektör için en az yüzde 70 Makro F1 hedefleniyor; yeterli başarısız şirket örneği olmayan alt sektörler idare onayıyla üst gruba taşınabiliyor.
Bu karar, veri dengesizliğini saklamak yerine açıkça yönetiyor. Bir sektörde az sayıda başarısızlık örneği varsa yüksek doğruluk değeri yanıltıcı olabilir. Makro F1 sınıfları eşit ağırlıkla okurken, sektör bazında örnek sayısı ve güven aralığı da raporlanmalıdır.
| Başlık | GİB zarar analizi | KGK finansal analiz |
|---|---|---|
| Ana çıktı | Olması gereken zarar tahmini ve sapma nedeni | Finansal başarısızlık ve sektörel anomali riski |
| Veri | Beyanname, e-Belge, e-Defter, MEVA, KAŞİF, EVDO | EFR finansal tabloları, NACE sektörleri ve finansal oranlar |
| Yöntem | Regresyon ve açıklanabilir risk modeli | Clustering, olasılık, ML/DL ve transformers seçenekleri |
| Performans | Tahmin ve açıklama kurum testleriyle belirlenir | 272 alt sektör için en az %70 Makro F1 |
| Entegrasyon | PostgreSQL/Sybase/XML ve kurumsal REST servisleri | FinAP, EFR, SBG; REST, SOAP, gRPC veya ODATA |
| Dağıtım | Mevcut kurum erişim, limit ve dayanıklılık kuralları | Kurum içi kapalı devre, AD, değiştirilemez log ve sızma testi |
Açıklanabilirlik neyi göstermeli
GİB projesinde tahmin edilen zarar ile beyan arasındaki farkın hangi etmenlerden kaynaklandığı görülmelidir. KGK projesinde finansal oranın önceki dönem ve sektör ortalamasıyla farkı kullanıcıya açıklanır. Bu açıklama, modelin serbestçe ürettiği ikna edici metin değil, hesaplanmış değişken ve kurala dayalı kanıt olmalıdır.
Her açıklamada veri dönemi, kaynak sistem, kullanılan model sürümü ve sonuç üzerinde etkili değişkenler bulunmalıdır. Kullanıcı model sonucundan resmî kayda dönebilmeli; hatalı kaynak tespit edildiğinde aynı veri ve sürümle sonucu yeniden üretebilmelidir.
Yetki, değiştirilemez log ve veri minimizasyonu
Finansal risk sistemleri çok sayıda veri kaynağını birleştirdiği için tekil kaynakta bulunmayan yeni bir hassas profil üretir. Kullanıcı yalnızca görev alanındaki şirket veya mükellef verisini görmeli; toplu dışa aktarım, model eğitim verisi hazırlama ve yönetici işlemleri ayrı rollerle sınırlandırılmalıdır.
KGK isterinde kullanıcı ve sistem işlemlerinin değiştirilemez merkezî logda tutulması, Active Directory kimlik doğrulaması, OWASP Top 10, bağımsız sızma testi ve TS ISO/IEC 27001 süreçleri açıkça yer alır. Loglar kanıt üretirken ham finansal raporların ikinci ve kontrolsüz kopyasına dönüşmemeli; olay, kullanıcı, zaman, model sürümü ve sonuç kimliğiyle sınırlı tutulmalıdır.
Yanlılık ve model drift'i birlikte izlenmeli
KGK teknik isteri ISO/IEC TR 24027 kapsamında yanlılık analizi, ISO/IEC 23894 rehberliğinde risk yönetimi ve ISO/IEC 42001 prensipleriyle uyum ister. Sektör büyüklüğü, bölge, dönem veya veri eksikliği bazı gruplarda yanlış pozitif oranını artırıyorsa toplam F1 değeri bunu gizleyebilir. Alt grup hata oranları ayrıca raporlanmalıdır.
Doküman güncel verilerle tekrar eğitilebilen MLOps mimarisi istediği için model drift'i işletim tasarımının doğal bir parçasıdır. Bu, dokümandan yapılan teknik bir çıkarımdır: yeni dönem finansal dağılımı değiştiğinde modelin veri ve sonuç dağılımı izlenmeli; eşik aşılırsa yeniden eğitim otomatik yayınlanmadan önce doğrulama ve insan onayından geçmelidir.
LLM gateway hangi işte kullanılabilir, hangi işte kullanılamaz
KGK sistemi açıkça kurum içi kapalı devre çalışacağından LLMTR'nin haricî API'si çekirdek finansal risk modelinin yerine geçmez. GİB'in beyanname ve e-belge verileri de kurumun mevcut güvenlik ve servis sınırları içindedir; bu ham kayıtların dış modele gönderilebileceği varsayılmamalıdır.
Dış hizmete uygun, kişisel ve ticari veriden arındırılmış genel metin işleri veya onaylı değerlendirme setleri için farklı modeller karşılaştırılabilir. LLMTR kullanım kaydında prompt ve yanıt alanı bulunmaz, API anahtarı hash olarak saklanır ve anahtar bazlı limitler uygulanabilir; buna rağmen seçilen upstream sağlayıcının veri işleme politikası ayrı inceleme konusudur.
Kaynak ve sorumluluk sınırı
Bu yazı Haziran 2026'da yayımlanan GİB Kurumlar Vergisi Zarar Analizi ve KGK Yapay Zekâ Destekli Finansal Analiz teknik isterlerine dayanır. Projelerin başvuru sonucu, sözleşme tarafı veya canlı uygulama durumu hakkında belge dışı iddia içermez.
İçerik teknik analizdir ve hukuki görüş niteliği taşımaz. Vergi ve finansal raporlama verilerinin işlenmesi, model sonucunun idari süreçteki ağırlığı ve dış hizmet kullanımı ilgili kurumun veri sahibi, bilgi güvenliği, uyum ve hukuk birimlerinin kararıdır.
Sık sorulan sorular
GİB yapay zekâ projesi neyi tahmin edecek?
Kurumlar vergisi beyannamesindeki geçmiş yıl zararını diğer beyanname ve e-belge verileriyle karşılaştırarak olması gereken zarar değerini ve sapmanın olası nedenlerini tahmin etmeyi amaçlıyor.
KGK yapay zekâ projesinin performans hedefi nedir?
NACE sistemindeki 272 alt sektörün her biri için en az yüzde 70 Makro F1 hedefleniyor; veri yetersizse idare onayıyla üst sektör grubu kullanılabiliyor.
Bu projelerde büyük dil modeli zorunlu mu?
Hayır. Teknik isterler regresyon, clustering, olasılık tabanlı algoritmalar, makine öğrenmesi, derin öğrenme ve transformer seçeneklerini problem bazında değerlendiriyor.
Finansal risk modelinde açıklanabilirlik neden gerekli?
Yetkili kullanıcının risk sonucunu hangi dönem, kaynak ve değişkenlerin oluşturduğunu inceleyebilmesi ve sonucu resmî kayıtla yeniden doğrulayabilmesi için.
GİB veya KGK verisi LLMTR API'ye gönderilebilir mi?
KGK çekirdeği kapalı devre tarif edilmiştir; GİB verileri de kurum güvenlik sınırındadır. Ham beyanname veya finansal rapor verisinin dış API'ye çıkabileceği varsayılamaz; karar ilgili kurum birimlerine aittir.