Yapay Zeka Aracılı İletişim: Nedir ve Neden Önemlidir?

Bugün muhtemelen farkında bile olmadan yapay zekayı kullandınız.

E-posta uygulamanız bir yanıt önerdi. Mesajlaşma uygulamanız yazım hatanızı düzeltti. Bir sohbet robotu müşteri hizmetleri sorunuzu yanıtladı. Bu etkileşimler artık o kadar sorunsuz işliyor ki neredeyse görünmez hale geldi; tıpkı su boruları gibi. Su akışı durana kadar borular aklınıza gelmez.

Peki ya yapay zeka yazım hatalarınızı düzeltmenin ötesine geçip başkalarına ne söylediğinizi biçimlendirmeye başlarsa ne olur? İşte şu an girdiğimiz alan tam da bu ve bunun bir adı var: Yapay Zeka Aracılı İletişim (AI-MC).

Yapay Zeka Aracılı İletişim Nedir?

Yapay Zeka Aracılı İletişim (AI-MC), Jeffrey Hancock, Mor Naaman ve Karen Levy tarafından Journal of Computer-Mediated Communication dergisinde 2020 yılında yayımlanan çığır açan bir makalede resmi olarak tanımlandı. Bu tanım oldukça nettir: AI-MC, “iletişim hedeflerini gerçekleştirmek amacıyla akıllı bir etmenin iletişimciler adına mesajları değiştirerek, zenginleştirerek ya da üreterek devreye girdiği kişilerarası iletişim"dir (Hancock et al., 2020, s. 89).

Üzerinde durmaya değer temel ayrım şudur: AI-MC, yapay zeka tarafından kolaylaştırılan insan-insan iletişimiyle ilgilidir. Bir yapay zeka ile sohbet etmek değil, ChatGPT’ye soru sormak değil. Aksine: yapay zekanın iki insan arasında oturarak birinden diğerine giden mesajı dönüştürmesi söz konusudur. Burada yapay zeka muhatap değil, araç konumundadır.

Bu ayrım önemlidir; çünkü AI-MC’yi, e-posta ve anlık mesajlaşmanın ilk günlerinden bu yana teknolojinin kişilerarası dinamikleri nasıl şekillendirdiğini inceleyen Bilgisayar Aracılı İletişim (BAİ) araştırmalarının geleneği içine yerleştirir. Hancock ve meslektaşlarının belirttiği gibi, AI-MC’nin ortaya çıkması “BAİ’nin pek çok temel kuramını, çerçevesini ve bulgusunu yeniden değerlendirmeyi — hatta genişletmeyi — gerektirmektedir” (Hancock et al., 2020, s. 90). Yapay zeka artık yalnızca mesajınızı iletmiyor; onu dönüştürüyor.

Daha yakın bir tarihte, Boyd ve Markowitz (2026) Makine Entegre İlişkisel Uyum (MIRA — Machine-Integrated Relational Adaptation) modelini geliştirerek alana önemli bir kavramsal genişleme kazandırdı. MIRA, yapay zekanın insan toplumsal ekosistemlerinde oynadığı iki rolü birbirinden ayırt eder: ilişkisel ortak (sohbet robotu gibi doğrudan etkileşim arkadaşı) ve ilişkisel arabulucu (akıllı yanıtlar gibi insan-insan iletişimini biçimlendiren). Bu ikili çerçeve, aynı teknolojinin — büyük dil modelinin — size karşı mı konuştuğuna, yoksa sizin adınıza mı konuştuğuna bağlı olarak neden temelden farklı toplumsal işlevler üstlendiğini anlamamıza yardımcı olmaktadır.

Yapay Zeka Aracılı İletişim Araştırmalarının Üç Temel Direği

Hancock ve meslektaşları (2020), bireysel düzey etkilerden ilişkisel dinamiklere ve toplumsal etkiye uzanan bir araştırma gündemine zemin hazırladı. Bu alanın kapsamını örnekleyen üç aktif araştırma konusu öne çıkmaktadır:

1. Akıllı Yanıtlar ve Tahmini Metin

AI-MC’nin en tanıdık örneği, Kannan ve meslektaşlarının (2016) Google’da geliştirdiği Gmail Akıllı Yanıtları’dır. Sistem, kullanıcıların tek bir dokunuşla gönderebileceği anlamsal açıdan çeşitlendirilmiş yanıt önerileri üretmek için derin öğrenmeden yararlanmaktadır. Kullanıma sunulduğunda, Akıllı Yanıtlar tüm mobil e-posta yanıtlarının yaklaşık yüzde onunu oluşturuyordu; her gün milyarlarca mesaj bir yapay zeka aracısından geçiyordu (Kannan et al., 2016).

Ancak Akıllı Yanıtlar tarafsız değildir. Hohenstein ve meslektaşları (2023), Scientific Reports dergisinde yayımlanan iki rastgeleleştirilmiş deneyde, algoritmik yanıt önerilerinin kullanılmasının hem dili hem de ilişkileri ölçülebilir biçimde değiştirdiğini ortaya koydu. Akıllı yanıtları kullanan katılımcılar olumlu duygusal dil kullanımını artırdı, daha hızlı iletişim kurdu ve — kritik olarak — sohbet partnerleri onları daha yakın ve işbirliğine açık buldu. Yapay zeka yalnızca süreci hızlandırmadı; etkileşimin duygusal dokusunu da değiştirdi.

Ne var ki aynı çalışma kritik bir gerilimi de gün yüzüne çıkardı: insanlar, partnerlerinin yapay zeka üretimi yanıtlar kullandığından şüphelendiklerinde, mesaj kalitesi nesnel olarak daha iyi olsa bile o partneri daha olumsuz değerlendirdi. Bu bulgu, Jakesch ve meslektaşlarının (2019) ilk kez belgelediği “Replikant Etkisi"ni (Replicant Effect) yansıtmaktadır: bir mesajı yapay zekanın yazdığını bilmek, mesaj içeriği daha üstün olsa bile algılanan güvenilirliği düşürmektedir.

Mieczkowski ve meslektaşları (2021), kontrollü bir referansal iletişim görevinde yakınsak kanıtlar buldu: akıllı yanıtlar konuşmalara bir “olumluluk önyargısı” (positivity bias) kattı; dili konuşmacının doğal olarak ürettiğinden sistematik biçimde daha olumlu hale getirdi. Bu bulgu, AI-MC etiğinin merkezinde duran bir soruyu gündeme getiriyor: yapay zeka sizi olduğunuzdan daha nazik gösteriyorsa ortaya çıkan iletişim özgün midir?

2. Duygu Farkındalıklı Yeniden Çerçeveleme

Önceden yazılmış yanıtlar önermekten öte, daha gelişmiş AI-MC sistemleri bir mesajın duygusal tonunu algılayabilir ve alternatif ifadeler önerebilir. Amaç, gönderenin niyetini korurken alıcının mesajı olumsuz yorumlama olasılığını azaltmaktır.

Bu yalnızca kuramsal bir yetenek değildir. Ziems ve meslektaşları (2022), ACL’de sunulan çalışmalarında “olumlu yeniden çerçeveleme” (positive reframing) görevini tanıttı: özgün anlamı çürütmeden olumsuz bir bakış açısını nötrleştirmek ve daha olumlu bir bakış açısı üretmek. Sekiz binden fazla cümle çiftinden oluşan kıyaslama veri kümesi, sinir ağı modellerinin pozitif psikoloji stratejilerini — büyüme zihniyeti çerçevelemesi, kalıcısızlık, nötrleştirme ve iyimserlik — kullanarak olumsuz çerçevelenmiş metni daha yapıcı bakış açılarına kaydırmayı öğrenebildiğini gösterdi. Anlamı koruma konusundaki bu ısrar, konuyu sansürden temelden ayırt eder; amaç bastırmak değil, çevirmektir.

Bu yaklaşım, Wolfe ve meslektaşlarının (2025) İhtiyaç Odaklı Tasarım (Needs-Conscious Design) olarak adlandırdığı şeyle örtüşmektedir — Şiddetsiz İletişim (NVC — Nonviolent Communication) ilkeleri üzerine kurulu bir AI-MC çerçevesi. On dört sertifikalı NVC eğitmeni ile yapılan görüşmeler ve on üç sıradan kullanıcıyla yürütülen ortak tasarım oturumları sonucunda, insan ilişkilerini merkeze alan yapay zeka iletişim tasarımının üç direği belirlendi: Kasıtlılık (yapay zeka, amaçlı ifadeyi kolaylaştırmalıdır), Varlık (gerçek ilgiyi desteklemeli, onun yerini almamalıdır) ve İhtiyaçlara Açıklık (her iki tarafın da mesajların arkasındaki temel ihtiyaçları anlamasına yardımcı olmalıdır).

Wolfe’un ekibi ayrıca Empati Sisi (Empathy Fog) olarak adlandırdıkları kritik bir riski saptadı: bir kullanıcının yapay zeka aracılı bir etkileşime ne kadar empati, ilgi ve çaba harcadığına dair belirsizlik. Yapay zeka herkesi empatik gösteriyorsa, kişinin gerçekten empatik olup olmadığını nasıl anlarsınız? Bu, sorumlu her AI-MC sisteminin ele almak zorunda olduğu gerçek bir tasarım sorunudur.

3. Kodek Çevirisi: DeepConvos Yaklaşımı

Mevcut AI-MC sistemlerinin büyük çoğunluğu tek taraflı müdahale olarak işler: yapay zeka, diğer kişi görmeden sizin mesajınızı yeniden yazar. Bu, doğası gereği bir asimetri yaratır — bir tarafın yapay zeka desteği vardır, diğeri bunun farkında bile değildir.

DeepConvos temelden farklı bir şey önermektedir: her iki katılımcının da Pigeon adı verilen bir yapay zeka ajanına sahip olduğu iki taraflı bir mimari (bilateral architecture). İki Pigeon bir “el sıkışması” gerçekleştirerek zihinsel modeller arasında çeviri yapar. Bu tek yönlü düzenleme değil, iki yönlü anlayıştır.

Bu yaklaşım, mevcut AI-MC’de yaygın olan üç sorunu doğrudan ele almaktadır:

Özgünlük sorunu. Yapay zeka yalnızca bir tarafı yeniden yazarsa ortaya çıkan mesaj göndereni hiç temsil etmeyebilir. DeepConvos’un İletişim Stilleri Envanteri (CSI), her kullanıcının doğal iletişim örüntülerini profilleyerek çeviri sırasında bireysel sesi korur. Bu, Sourati ve meslektaşlarının (2025) belgelediği homojenleşme riskini doğrudan karşılar; söz konusu araştırmacılar, büyük dil modellerinin insan ifadesine aracılık ederken bireysel ses özgünlüğünü sistematik olarak azalttığını ortaya koymuştur.

Şeffaflık sorunu. Boyd ve Markowitz’in (2026) MIRA modeli, yapay zekanın ilişkisel etkisini yöneten dört temel ilkeden biri olarak kişilerarası güveni tanımlamaktadır. Güven, şeffaflık gerektirir. Tek taraflı AI-MC’de alıcı yapay zekanın dahil olduğunu bilmez; bu da Replikant Etkisi’nin tam anlamıyla işlediği koşulları yaratır (Jakesch et al., 2019). DeepConvos’un iki taraflı tasarımı, her iki tarafın da sisteme bilinçli olarak katılması anlamına gelir; böylece güveni aşındıran bilgi asimetrisi ortadan kalkar.

Empati sisi sorunu. Her iki Pigeon da kendi kullanıcısını modellediğinden, sistem “bu kişi endişesini dile getirdi” ile “yapay zeka bu kişiyi endişeli gösterdi” arasındaki farkı ayırt edebilir. Mimari, Wolfe ve meslektaşlarının (2025) anlamlı bağlantı için zorunlu olarak tanımladığı gerçek insan çabasının sinyalini korur.

Etik Boyutlar

AI-MC, alanın aktif olarak tartıştığı en az üç temel etik soruyu gündeme getirmektedir:

Mesaj özgünlüğü. Yapay zeka mesajınızı büyük ölçüde yeniden yazarsa o mesaj artık size ait midir? Hancock ve meslektaşları (2020) bunu bir “öz sunum” meselesi olarak çerçeveler: AI-MC, iletişimcilere başkalarının kendilerini nasıl algıladığını yönetmede benzersiz bir araç sunmaktadır, ancak bunun bedeli özgünlükten ödün vermektir. Nakano ve meslektaşları (2025), okuyucuların bir metnin yapay zeka tarafından yazıldığını öğrendiklerinde hem metne hem de iddia edilen yazarına ilişkin algılarının belirgin biçimde değiştiğini bulmuştur; bu da yapay zeka müdahalesinin iletişimin toplumsal sözleşmesini temelden dönüştürdüğünü göstermektedir.

İfşa ve onay. Alıcılar, bir mesajın hazırlanmasında yapay zekanın yardımcı olduğunu bilmeli midir? Ampirik kanıtlar nettir: yapay zeka katılımına ilişkin farkındalık değerlendirmeyi değiştirmektedir (Hohenstein et al., 2023; Jakesch et al., 2019). Ancak kapsamlı bir ifşa yükümlülüğü de kendi sorunlarını beraberinde getirir: Agarwal’ın (2025) kültürlerarası bağlamlarda ortaya koyduğu gibi, “yapay zeka destekli” kavramının toplumsal anlamı kültürden kültüre, bağlamdan bağlama önemli ölçüde farklılaşmaktadır. Bir kültürel kodekte yararlı teknoloji olarak okunan şey, bir başkasında dürüstsüzlük olarak algılanabilir.

Varsayılan iletişim stilleri. AI-MC sistemleri, “iyi” iletişimin nasıl göründüğüne dair belirli varsayımları kodlar. Akıllı Yanıtlar’ın olumluluk önyargısı (Mieczkowski et al., 2021), Batılı, profesyonel ve çatışmadan kaçınan belirli bir iletişim stilini ön plana çıkarmaktadır. Baumler ve Daumé (2024), tahmini metin önerilerinin cinsiyet klişelerini pekiştirebileceğini göstermiştir: yapay zeka yalnızca mevcut önyargıları yansıtmakla kalmaz, bunları yeni mesajlara taşıyarak güçlendirir. Her AI-MC sisteminin, varsayılan ayarlarının kültürel ve siyasal ağırlık taşıdığı bilinciyle tasarlanması gerekmektedir.

DeepConvos bu kaygılara üç tasarım ilkesiyle yanıt vermektedir: karşılıklı onay (her iki taraf da sistemi bilir ve kullanmayı seçer), ses koruma (CSI, çevirinin bireysel stili düzleştirmek yerine olduğu gibi korumasını sağlar) ve ihtiyaç odaklı tasarım (sistem, yüzeysel nezaketi değil, karşılıklı anlamayı optimize eder).

Geleceğe Bakış

AI-MC’nin yönü açıktır: dijital iletişim için standart bir altyapı haline gelecektir.

Şu analojiye bakalım. Yazım denetimi bir zamanlar yenilikçi bir özellikti. Ardından açıp kapatılabilen bir ayara dönüştü. Şimdiyse görünmez: varlığını değil, yokluğunu fark ederdiniz. Dilbilgisi önerileri de aynı yolu izledi. Sıra AI-MC’de.

Önümüzdeki on yıl içinde her mesajlaşma platformu muhtemelen bir tür akıllı arabuluculuğu — ton algılama, kültürel bağlam uyarlaması, iletişim stilleri arasında gerçek zamanlı çeviri — bünyesine katacaktır. Pew Araştırma Merkezi’nin teknoloji uzmanlarıyla yürüttüğü bir anket, 2035 yılına gelindiğinde yapay zekanın “Wi-Fi gibi günlük yaşamın dokusuna görünmez biçimde işlemiş olacağını” öngörmektedir (Nadeem et al., 2023) — kişilerarası iletişim ise bu dokunun en mahrem parçalarından biridir.

Asıl soru, AI-MC’nin yaygın hale gelip gelmeyeceği değil; kimin değerlerini kodlayacağıdır. AI-MC sistemleri kurumsal düzeyde bir olumluluk dayatarak meşru şikayetleri mi örtbas edecek? İletişimi kültürler arası homojenleştirerek yerel ifadeyi silen küresel bir “yapay zeka sesi” mi yaratacak? Yoksa DeepConvos’un öngördüğü gibi, her bireyin iletişim tarzının indirgenemez özgünlüğünü koruyarak anlamayı güçlendirecek şekilde mi tasarlanacak?

Araştırmalar bir konuda nettir: bugün verilen tasarım kararları, yarının iletişim normlarını şekillendirecektir. Hancock ve meslektaşlarının yazdığı gibi, AI-MC “teknolojinin insan iletişimini nasıl biçimlendirebileceğine dair yeni sorular doğurmaktadır” (Hancock et al., 2020, s. 89). Bu sorular artık kuramsal değildir. Cevapları yazılıyor — kod satırlarında, ürün kararlarında ve milyarlarca insanın her gün karşılaştığı varsayılan ayarlarda.

İletişim biçimimize ilişkin konuşmaya artık yapay zeka aracılık ediyor. Yapabileceğimiz en az şey, bu konuşmayı bilinçli olarak sürdürmektir.

Kaynakça

Agarwal, A. (2025). Exploring how AI-suggested politeness strategies influence email writing and social perception among native and non-native speakers. University of Waterloo. https://uwspace.uwaterloo.ca/bitstreams/586d99e6-dcde-4316-af32-b45dfd97ce75/download

Baumler, C., & Daumé III, H. (2024). When stereotypes GTG: The impact of predictive text suggestions on gender bias in human-AI co-writing. arXiv preprint. https://arxiv.org/abs/2409.20390

Boyd, R. L., & Markowitz, D. M. (2026). Artificial intelligence and the psychology of human connection. Perspectives on Psychological Science. https://doi.org/10.1177/17456916251404394

Hancock, J. T., Naaman, M., & Levy, K. (2020). AI-Mediated Communication: Definition, research agenda, and ethical considerations. Journal of Computer-Mediated Communication, 25(1), 89–100. https://doi.org/10.1093/jcmc/zmz022

Hohenstein, J., Kizilcec, R. F., DiFranzo, D., Aghajari, Z., Mieczkowski, H., Levy, K., Naaman, M., Hancock, J., & Jung, M. F. (2023). Artificial intelligence in communication impacts language and social relationships. Scientific Reports, 13, 5487. https://doi.org/10.1038/s41598-023-30938-9

Jakesch, M., French, M., Ma, X., Hancock, J. T., & Naaman, M. (2019). AI-Mediated Communication: How the perception that profile text was written by AI affects trustworthiness. Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3290605.3300469

Kannan, A., Kurach, K., Ravi, S., Kaufmann, T., Tomkins, A., Miklos, B., Corrado, G., Lukacs, L., Ganber, M., Bober, P., & Toutanova, K. (2016). Smart Reply: Automated response suggestion for email. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 955–964. https://doi.org/10.1145/2939672.2939801

Mieczkowski, H., Hancock, J. T., Naaman, M., Jung, M., & Hohenstein, J. (2021). AI-Mediated Communication: Language use and interpersonal effects in a referential communication task. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), 1–14. https://doi.org/10.1145/3449091

Nadeem, R., Anderson, J., Auxier, B., Rainie, L., & Vogels, E. A. (2023). As AI spreads, experts predict the best and worst changes in digital life by 2035. Pew Research Center. https://www.pewresearch.org/internet/2023/06/21/as-ai-spreads-experts-predict-the-best-and-worst-changes-in-digital-life-by-2035/

Nakano, H., Takezawa, J., Matulic, F., Yang, C.-L., & Yatani, K. (2025). Understanding reader perception shifts upon disclosure of AI authorship. arXiv preprint. https://arxiv.org/abs/2510.24011

Sourati, Z., Ziabari, A. S., & Dehghani, M. (2025). The homogenizing effect of large language models on human expression and thought. arXiv preprint. https://arxiv.org/abs/2508.01491

Wolfe, R., Dangol, A., Kim, J., & Hiniker, A. (2025). Toward needs-conscious design: Co-designing a human-centered framework for AI-mediated communication. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society (AIES). https://doi.org/10.1609/aies.v8i3.36751

Ziems, C., Li, M., Zhang, A., & Yang, D. (2022). Inducing positive perspectives with text reframing. Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (ACL), 3120–3132. https://doi.org/10.18653/v1/2022.acl-long.257