Hukuk Bürolarında Yapay Zeka: Tahsil Edilemeyen Saatleri Geri Kazanmanın Rehberi

Tek Bir İstatistikle Hukuk Mesleğinin Hali

Clio'nun 2024 Legal Trends Report verilerine göre ortalama bir avukat, 8 saatlik iş gününün yalnızca 2,6 saatini faturalandırabiliyor. Geri kalan üçte iki, yani neredeyse her çalışma gününün büyük bölümü, idari işlere, dosya incelemeye, araştırmaya ve müvekkilin tam ücretini ödemediği taslak yazımına gidiyor. Bu bir verimlilik sorunu değil; işin yapısı böyle.

Üretken yapay zekayı hukukta diğer birçok bilgi işi mesleğinden daha sarsıcı kılan da tam olarak bu yapı. Goldman Sachs Research 2023 analizinde hukuku, tüm beyaz yakalı meslekler içinde yapay zekadan en çok etkilenecek alanların başında gösterdi; işi oluşturan görevlerin otomasyona uygunluğu tıp, finans veya mühendislikten daha yüksek. Artık asıl soru, yapay zekanın hukuk pratiğini değiştirip değiştirmeyeceği değil; hangi büroların tahsil edilemeyen saatleri geri kazanmak için bu araçları önce benimseyeceği ve beraberinde gelen çok somut riskleri nasıl yöneteceği.

Bu rehber, Lexup gibi otonom hukuk asistanlarının gerçekte ne yaptığını, asıl zaman tasarrufunun nereden geldiğini, tehlikelerin nerede olduğunu ve müvekkil gizliliğini ihlal etmeden ya da var olmayan içtihat uydurmadan bu araçları nasıl uygulayacağınızı anlatıyor.

Saatler Aslında Nereye Gidiyor

Tam hizmet veren bir büroda avukatın gününün tahsil edilemeyen üçte ikilik kısmı kabaca şöyle dağılır:

• Dosya inceleme (elektronik delil taraması, hukuki durum tespiti, sözleşme inceleme): en çok zaman alan kalem. Orta ölçekli bir birleşme ve satın alma (M&A) işlemi 5.000–50.000 sayfa belge üretebilir.
• İçtihat ve mevzuat araştırması: belirli bir uyuşmazlık için bağlayıcı kararları ulusal ve uluslararası kaynaklarda bulmak.
• Taslak hazırlama: dilekçe, sözleşme, savunma ve görüş yazısının ilk taslakları; neredeyse her zaman önceki dosyalardan yararlanılan ama elle yeniden kurgulanan bir iş.
• İç koordinasyon: dosya durum güncellemeleri, klasör düzenleme, çalışma saati girişi, kurumsal bilgi yönetimi.

Bu görevlerin her biri temelde bilgi çağırma ve örüntü işi; yani belge-destekli (RAG) dil modellerinin en iyi olduğu alan. Hiçbiri muhakeme gerektirmiyor ve hiçbirine avukatın paragrafları elle taşıması bir değer katmıyor.

Hukukta Üretken Yapay Zeka Dönüm Noktası

Kullanım hızla yayılıyor. Thomson Reuters Institute'un 2024 Future of Professionals Report'u, binlerce hukuk ve vergi profesyoneliyle yapılan ankette üretken yapay zekayı pilot olarak deneyen veya aktif kullanan büroların oranının bir yılda yaklaşık iki katına çıktığını ortaya koydu. Daha da önemlisi, pilot aşamasını geçmiş bürolarla hâlâ değerlendirme aşamasında olanlar arasında belirgin bir uçurum var: erken davranan bürolar belge yoğun işlerde somut zaman tasarrufu bildirirken, geç kalanlar tedarikçi seçme sürecinde takılıp kaldı.

McKinsey'nin 2024 State of AI raporu sektörlerin genelinde aynı tabloyu gösteriyor: üretken yapay zeka artık merakla değil, ölçülebilir bir operasyonel kazançla konuşuluyor. Hukuk hizmetleri de öndeki büro ile geride kalan arasındaki verimlilik farkının en hızlı açıldığı sektörlerden biri.

Bir yönetici ortak için bu rakamların anlamı basit: rakip bürolarda kurulum çoktan başladı ve beklemenin bir bedeli var. Entegre bir sistem kurulmadan geçen her çeyrekte rakip bürolar stajyerlerini bu araçlarla eğitiyor, kendi içtihat kütüphanelerini oluşturuyor ve ücret yapılarını yeniden şekillendiriyor.

Kimsenin Yeterince Konuşmadığı Halüsinasyon Sorunu

Büroların en sık yaptığı hata, herkese açık üretken yapay zeka araçlarını alana özel bir hukuk asistanı gibi kullanmak. Oysa değiller; üstelik bu sektörde yapılan hatanın bedeli benzersiz ölçüde ağır.

Stanford HAI ve Stanford RegLab'in 2024 çalışması ("Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools"), önde gelen özel hukuk yapay zekası ürünlerini gerçek hukuki sorgularda karşılaştırdı. Öne çıkan bulgu şu: özel olarak hukuka göre kurulmuş ticari araçlar bile sorguların yaklaşık %17 ile %33'ünde halüsinasyon üretti; yani karar ismi uydurdu, hükmü yanlış aktardı ya da bir argümanı yanlış mahkemeye atfetti. Herkese açık ChatGPT ise belirgin biçimde daha kötü sonuç verdi. Risk teorik de değil: 2023'teki ünlü Mata v. Avianca davasında ABD federal mahkemesi, ChatGPT'nin tamamen uydurduğu birkaç içtihadın yer aldığı bir dilekçe sunan avukatlara yaptırım uyguladı.

Çözüm, belge-destekli üretim (Retrieval-Augmented Generation, RAG). Modelden hukuku eğitim hafızasından hatırlamasını istemek yerine RAG, sorgu anında ilgili mevzuatı, yönetmeliği veya kararı doğrulanmış bir veri kümesinden çekiyor ve cevabını bu metinlere dayandırmaya zorluyor; çoğu zaman avukatın tıklayıp doğrulayabileceği satır içi alıntılarla birlikte. Bu, halüsinasyonu tamamen bitirmez; ama RAG üzerine kurulu sistemlerde oran belirgin biçimde düşer. Daha da önemlisi, her iddia avukatın saniyeler içinde okuyabileceği gerçek bir belgeyle doğrulanabilir hale gelir.

Genel bir sohbet botu ile Lexup gibi bir aracın mimari farkı da burada: mesele farklı bir komut yazmak değil; doğrulanmış kaynaktan çekmeden emsal sorusuna cevap üretmeyi baştan reddeden, bambaşka bir sistem kurmak.

Otonom Hukuk Asistanları Gerçekte Neyi İyi Yapıyor

Araç RAG tabanlı ve alıntıya dayalı olduğunda, verimli kullanım örnekleri de somutlaşıyor:

1. İçtihat ve Mevzuat Çağırma

İçtihat ve mevzuatta anlam temelli arama. Avukat, anahtar kelime yazmak yerine olayı doğal dille anlatır ("müvekkil, işveren görev kapsamını daralttıktan sonra rekabet etmeme yükümlülüğünü ihlal etti; Türk içtihadı"), asistan da ilgili kararları olay benzerliğine göre sıralar ve işe yarayan paragrafları işaretleyerek getirir. Tutarlı biçimde 10 kat ve üzeri zaman tasarrufunun en güvenilir göründüğü kullanım da bu; çünkü alternatifi saatler süren veritabanı taramasıdır.

2. Belge Özetleme ve Sayfa Bazlı Atıf

10.000 sayfalık bir ceza veya ticaret hukuku dosyası; tarafların argümanlarını, kilit delilleri, olayın zaman çizelgesini ve risk değerlendirmesini içeren düzenli bir özete iner. Her satırın yanında, iddianın geldiği kaynak belgenin sayfasına bağlantı verilir. Avukat özeti dakikalar içinde okur ve kritik atıfları yerinde doğrular.

3. Sözleşme İnceleme ve Sapma Analizi

Bir taslağın, büronun kendi rehberiyle veya sektör standardı emsallerle karşılaştırılması. Asistan, büronun tercih ettiği konumdan sapan maddeleri işaretler ve önceki anlaşmalardan alınmış karşı önerileri sunar. Sıradan bir sözleşmenin kıdemli avukatın tüm dikkatini almasına gerek olmayan yüksek hacimli kurumsal işlerde özellikle değerli.

4. İlk Taslak Üretimi

Olayın düzenli bir özeti üzerinden dilekçe, savunma, sözleşme taslağı ve müvekkil görüş yazısının ilk taslaklarının üretilmesi. Çıktı asla doğrudan müvekkile gönderilecek nitelikte değildir; boş sayfadan ilk tutarlı taslağa geçişi saatlerden dakikalara indiren bir başlangıç belgesidir.

5. Mevzuat ve Uyum Takibi

Büronun çalışma alanlarını ilgilendiren mevzuat ve düzenleme değişikliklerinin sürekli taranması ve kolay sindirilir özetlere dönüştürülmesi. Düzenlemeye tabi sektörlerde (finans, sağlık, kişisel veri) çalışan bürolar için, bültenleri elle takip etmeye kıyasla büyük bir sıçrama.

Lexup'ın Hukuk İşinin Kısıtlarına Göre Tasarımı

Lexup, hukuk yapay zekasını genel amaçlı yapay zekadan ayıran dört ilke üzerine tasarlandı:

• RAG ile halüsinasyon kontrolü: her esaslı cevap, çekilmiş bir belgeyi kaynak gösterir; kaynaksız cevap üretilmez.
• Kurulum biçimiyle gizlilik: ya veri saklamayan API modu ya da tümüyle yerel kurulum kullanılır; ayrıcalıklı içerik hiçbir zaman üçüncü tarafın eğitim verisine girmez.
• Yargı alanına bağlı temellendirme: taranan veri kümeleri yargı alanına özeldir (Türk içtihatları ve mevzuatı, AB direktifleri, uluslararası tahkim kararları); böylece bir yargı alanının kararını başka bir yere karıştırma riski önlenir.
• İş akışına entegrasyon: ayrı bir arayüz dayatmak yerine büronun mevcut dosya yönetim sistemine bağlanır; gerçek bürolarda kalıcı kullanımın en güvenilir işareti de budur.

Pratik Bir Uygulama Yol Haritası

Tipik bir ALTAI Digital hukuk yapay zekası entegrasyonu 4-8 hafta sürer ve şu adımları izler:

1. Keşif ve veri denetimi (1.-2. hafta). Tahsil edilemeyen işleri ortak ve dosya tipine göre çıkarırız; ardından büronun kendi emsal kütüphanesini ve taranacak dış veri kümelerini denetleriz.
2. İzole ortamda kurulum (3.-4. hafta). Lexup, sınırlı bir veri kümesi ve tanımlı bir dosya grubu üzerinde, 2-3 "erken benimseyen" avukatla ve ayrıntılı kayıtlarla devreye alınır. Bu aşamada henüz canlı müvekkil işi sistemden geçmez.
3. Kalibrasyon ve risk incelemesi (5.-6. hafta). Halüsinasyon için örnekleme denetimleri, büronun baş hukuk müşaviriyle gizlilik incelemesi ve komut kütüphanesinin inceltilmesi yapılır. Aceleci kurulumların atladığı aşama budur ve bedeli sonradan ödenir.
4. Büro çapında yayılım (7. hafta ve sonrası). Çalışma gruplarına kademeli yayılım, dosya yönetimi ve çalışma saati girişi sistemlerine entegrasyon, üç ayda bir yapılan ayar.

Hukuk Yapay Zekası Pilotlarının Tipik Başarısızlık Biçimleri

Neyin işe yaradığını anlamanın en hızlı yolu, işe yaramayanı görmek. 2023-2024'te hukuk yapay zekası pilotunu deneyip sessizce kapatan bürolarla konuştuğumuzda aynı üç başarısızlık biçimi tekrar tekrar karşımıza çıktı.

"Klasörün üstüne herkese açık ChatGPT" biçimi. Bir ortak, ekibe ChatGPT lisansı alıyor, dava dosyalarının bulunduğu klasöre yönlendiriyor ve özet istiyor. Modelin belge çekme katmanı yok, yargı alanına bağlı temellendirmesi yok ve cevaplarını okuyabildiği belgelere bağlama zorunluluğu yok. Halüsinasyon oranı, Stanford HAI'nin genel amaçlı modellerde ölçtüğü seviyede: hukuki kullanım için fazla yüksek. Pilot, var olmayan bir kararı uyduran ilk özetin ardından sönüyor. Büronun çıkardığı "yapay zeka hukukta işe yaramıyor" sonucu ise yanlış. Çünkü büronun denediği şey hukuka özel bir yapay zeka değil, hukuk bağlamına sokulmuş genel bir modeldi; tamamen farklı bir sistem.

Atlanan kalibrasyon biçimi. Amaca özel bir hukuk yapay zekası aracı satın alınıyor, ilk gün büro genelinde açılıyor ve aynı hafta müvekkil işinde kullanılıyor. Bu sistemlerin temel tasarımı (kaynak gösteren RAG, kontrollü veri kümesi, insana aktarma mantığı) sağlam. Ama büronun kendi verisinde boşluklar var (eski emsaller, eksik mütalaalar, tutarsız dosya adlandırma) ve avukatların gerçekten kullandığı komutlar, tedarikçinin eğitim verisinden, satış sırasında kimsenin fark etmediği biçimde sapıyor. Sonuç, gerçek dosyalarda makul görünen ama ince biçimde yanlış cevaplar; kıdemsiz bir avukat bunu tesadüfen yakalıyor ve büro sistemi kapatıyor. Hata, kalibrasyon değerlendirmesini bir kurulum adımı gibi değil, satın alma adımı gibi görmek.

Kıdemli ortağın sürece katılmadığı biçim. Pilot, avukatlar ve kıdemsiz bir ortakla yürütülüyor; aracı kullanıyor, beğeniyor ve olumlu rapor veriyorlar. Ama davaların gerçekte nasıl yürütüldüğünü belirleyen kıdemli ortaklar hiçbir zaman değerlendirmeye çağrılmıyor. Yayılım onlara ulaştığında süreçlerini değiştirmeyi reddediyorlar ve araç yalnızca zaten kullanan avukatlarda kalıyor. Büro, gerçekte tek kişilik bir denemeye bir yıllık lisans ücreti ödemiş oluyor. Buradan çıkan ders: kıdemli avukatın sahiplenmesi, yayılımdan sonra atılacak bir satış adımı değil, kurulumun ön koşuludur.

Bu başarısızlık biçimlerinin her biri önlenebilir; ama yalnızca kurulum bir yazılım kurulumu gibi değil, bir organizasyon değişimi gibi ele alınırsa.

Bir Yıllık Somut Getiri Örneği

Gerçekçi finansal tabloyu, genel iddialar yerine somut bir örnek üzerinden konuşmak daha kolay. 10 avukatlı, ortalama 250 €/saat fatura oranıyla çalışan ve avukat başına haftada 40 fatura saati olan orta ölçekli bir ticari büroyu ele alalım.

İyi entegre edilmiş bir hukuk yapay zekası kurulumu avukat başına haftada 12 saat geri kazandırırsa (Goldman Sachs ve Thomson Reuters aralığının temkinli ucu), hesap şöyle işliyor. 12 saat × 10 avukat, haftada 120 saatlik geri kazanılan kapasite eder. Yılda 48 çalışma haftasıyla bu 5.760 saat yapar. Bu sürenin yalnızca yarısı, normalde reddedilecek, silinecek ya da dışarıya verilecek faturalandırılabilir işe dönerse (diyelim ki 2.880 net faturalandırılabilir saat), brüt gelir etkisi yaklaşık 720.000 € olur. Kurumsal sınıf bir hukuk yapay zekasının tipik yıllık maliyetine (lisans, entegrasyon, değişim yönetimi, iç eğitim; 40.000-90.000 € aralığı) karşı, birinci yılın net sonucu ortada.

Asıl mesele rakamın kendisi değil. Mesele şu: bu hesap, büroların çoğunlukla hafife aldığı yönde birikerek çalışıyor. Kıdemli avukatın zamanı çoğu ticari büroda darboğaz olduğu için, geri kazanılan saatler büronun normalde hiç fatura edemeyeceği işe gidiyor. Yani yapay zeka hukuk işinin maliyetini düşürmüyor; büronun teslim edebileceği iş miktarının tavanını yükseltiyor.

Yapay Zekanın Yerini Almaması Gereken İşler

Yapay zekanın hukukta zayıf kaldığı yerler, tam olarak kıdemli avukatın saatlik ücretini haklı çıkaran yerlerdir: belirsizlik altında dava stratejisi, hangi argümandan vazgeçileceğine dair muhakeme, duruşma savunması, baskı altında müvekkil ilişkisi yönetimi ve mesleki etik sınırında karar. Yapay zekayı bu becerileri kullanan avukatlar için bir kaldıraç olarak görmek yerine onların yerine koymak, bir verimlilik girişimini malpraktis riskine çeviren başarısızlık biçimidir.

Pratik Sonuç

Kurulum yaptığımız bürolarda gerçekçi ve tekrar eden kazanım avukat başına haftada 12-20 saat aralığında; bu da Goldman Sachs ve Thomson Reuters'ın yayımladığı verimlilik tahminleriyle büyük ölçüde örtüşüyor. Bu saatler, tahsil edilemeyen zamanın geri kazanılması demek. Ortaklığın kararına göre müvekkil işine, iş geliştirmeye veya daha kısa bir çalışma haftasına yönlendirilebilir.

Bu değeri yakalayan büroların üç ortak özelliği var: yapay zekayı bir eklenti değil altyapı olarak görüyorlar, herkese açık sohbet botları yerine kaynak gösteren araçlar kuruyorlar ve herkesin atladığı kalibrasyon aşamasına yatırım yapıyorlar. Lexup ve özel hukuk otomasyonu iş akışlarımız, ALTAI Digital'in büroları tam da bu gruba taşıma yöntemi; üstelik Mata v. Avianca örneğindeki avukatların yerine düşme riskini almadan.