İnternetin hayatımıza girişine, Web 1’in durağan sayfalarına, Web 2’nin herkesi konuşturan gürültüsüne, Web 3 tartışmalarına ve yapay zekânın gündelik hayata sızışına aynı ömrün içinde tanıklık etmiş bir kuşaktanım. Bu kadar dönüşümü bu kadar kısa sürede görmüş bir insanın buna bir tepki vermesi kaçınılmaz. Benim tepkim üretmek oldu. Sanat, bir dönüşümün ortasında kalmış zihnin belki de en doğal reaksiyonu: anlamaya çalışmanın elle yapılan hali.
Hesaplamadan yapay zekâya: laboratuvar kırılması ile toplumsal kırılma arasında on yıl var.
Ama son birkaç yıldır beni asıl düşündüren, bu araçlarla üretmenin kendisi değil; nasıl ürettiğimiz.
Aynı tezgâh, aynı iplik
Bugün yapay zekâyla üretim yapan çoğu kişi hazır sistemler kullanıyor. Aynı modeller, aynı arayüzler, aynı veri kümeleri. Bunun kaçınılmaz bir sonucu var: birbirine benzeyen işler.
Bu artık yalnızca bir sezgi değil. Science Advances’ta yayımlanan bir deneyde, yapay zekâdan fikir alarak yazan kişilerin hikâyeleri tek tek daha yaratıcı, daha iyi yazılmış ve daha keyifli bulundu — özellikle de kendini daha az yaratıcı sayan yazarlarda. Ama aynı hikâyeler birbirine, insanların yalnız başına yazdıklarından çok daha fazla benzedi. Araştırmacılar buna bir ikilem diyor: herkes tek tek kazanıyor, hep birlikte kaybediyoruz.
Bu tarifi ben başka bir yerden tanıyorum. Aynı tezgâhta, aynı iplikle, aynı desenden dokunan halılar gibi. Tek tek göz alıyor; yan yana koyduğunuzda tekleşiyor. Araç aynıysa, veri aynıysa, çıktının farklılaşacağı yer gitgide daralıyor.
Panzehir: kendi arşivin
Panzehir bence iki şeyde saklı. Birincisi, üretenin kendi verisini toplayabilmesi: kendi arşivini kurması, kendi bakışını veriye dönüştürmesi. İkincisi, o veriyle kendi modelini eğitebilmesi. Bu ikisini yapabilen kişi araç kullanmıyor; araç kuruyor. Aradaki fark, başkasının dokuduğu halıyı sermekle kendi ilmeğini atmak arasındaki fark kadar büyük.
Burada yaygın bir yanılgıyı düzeltmek isterim, çünkü bu yanılgı insanları daha başlamadan caydırıyor. Evet, o dev “temel modelleri” sıfırdan eğitmek bir sanatçının, çoğu araştırmacının, hatta çoğu kurumun erişebileceği ölçeğin çok üstünde. Ama kendi arşivinizle, açık bir modele kendi üslubunuzu öğretmek bugün öyle değil: iyi bir ekran kartında birkaç saat, kiralık bir sunucuda birkaç dolarlık bir iş.
Bu yalnızca benim sezgim de değil. Geçen yıl yayımlanan bir çalışma tam da bunun yöntemini kuruyor: Tanka, Yi ve Inuit kültürlerinden derlenen küçük ama titizce hazırlanmış veri kümeleriyle, hazır bir modele o kültürün görsel dili öğretiliyor. Sonucun kültürel olarak ne kadar sahici olduğunu belirleyen şey modelin büyüklüğü değil; veri kümesinin özenle hazırlanmış olması.
Yani gerçek eşik hesaplama gücü değil. Gerçek eşik arşivin kendisi. Fotoğrafı çekilmemiş, künyesi yazılmamış, tasnif edilmemiş bir kültürel miras makineye öğretilemez. Ve bu — sabırlı, görünmez, yavaş — iş, hiçbir ekran kartının yerine geçemeyeceği türden bir emek. Tezgâh başındaki emeğin ta kendisi.
Dünya ne yapıyor
Uluslararası literatüre bakınca dikkat çekici bir hareketlilik görülüyor; üstelik bu hareketlilik tek bir merkezden değil, aynı anda çok yerden geliyor.
Çin’de araştırmacılar geleneksel manzara resmini ve hat sanatını yalnız bu iş için kurulmuş veri kümeleriyle modellere öğretiyor; klasik şiiri ve hat üslubunu birlikte düşünen çerçeveler kuruyorlar. Kore ile Çin’in görsel kodlarını karşılaştıran bir çalışma ise çarpıcı bir şey buluyor: hazır modeller bu iki kültüre ait istemlere Japon öğeleri karıştırıyor. Yani model, komşu kültürlerin sınırını görmüyor; hepsini “Doğu Asya” diye tek ve bulanık bir havuzda topluyor.
Tibet’te araştırmacılar hazır modellerin Tibet sembollerini nasıl yanlış temsil ettiğini göz izleme deneyleriyle ölçüyor; modellerin “simge” dendiğinde manastır ve saray gibi mimari klişelere saptığını gösteriyorlar. Hindistan’ın kuzeydoğusunda, Ao Naga sözlü geleneği üzerine yapılan bir çalışma aynı yere varıyor: üretken yapay zekâ erişimi kolaylaştırıyor, ama kültürel doğruluk ve temsil sadakati konusunda ciddi biçimde yetersiz kalıyor.
Mali’de bir ekip ülkenin farklı topluluklarının müzik geleneğini kendi topladığı veriyle modele taşıyor. Batı Afrika’da araştırmacılar Yoruba sözlü performansını — griot geleneğini — makineyle birlikte düşünüyor ve ikisini birden söylüyorlar: yapay zekâ hem yaratıcı bir ortak hem de geleneğin ruhsal temelini aşındıran bir unsur olabilir. Orta Asya’da, dutarla yapılan göçebe doğaçlama üzerine bir çalışma, icracıların algoritmik önerileri seçerek kabul edip reddederek yaratıcı kimliklerini nasıl koruduğunu inceliyor. Bangladeş’te sanatçı gruplarıyla yapılan bir araştırma ise meseleyi tek tek sanatçıdan alıp topluluğa taşıyor: dayanışma, topluluk merkezli veri yönetimi, kolektif pazarlık.
Bu çalışmaların ortak kavramı şu: bir kültürün kendi imgesini makineye başkasının gözünden değil, kendi arşivinden öğretme hakkı. Kenya merkezli bir derleme buna doğrudan bir ad koyuyor — yaratıcı egemenlik.
Sanat tarafında da örneği var. Holly Herndon ve Mat Dryhurst, Londra’daki Serpentine’de açtıkları The Call için İngiltere’yi dolaşıp on beş koroyu kaydettiler ve kendi koro modellerini bu kayıtlarla eğittiler. Serginin en dikkat çekici parçası işin kendisi değil, yanına kurulan “veri vakfı” deneyiydi: koro üyeleri, seslerinden doğan veri kümesinin başkalarına açılıp açılmayacağına kendileri karar verdi. Koroyu “en eski koordinasyon teknolojimiz” diye tanımlıyorlar — insanların tek tek seslerinin bir modeldeki veri noktaları gibi çalıştığı bir topluluk.
Tartışma araçtan mülkiyete kaydı
Bu satırları yazarken tartışmanın merkezi çoktan değişmişti. Artık soru “makine sanat yapabilir mi” değil; “bu makine kimin emeğinden yapıldı” ve “kim karar veriyor”.
Bunun en somut işareti bu ayın başında yürürlüğe girdi: 2 Ağustos 2026’dan itibaren Avrupa Birliği Yapay Zekâ Yasası’nın şeffaflık maddeleri uygulanıyor. Üretilen görsel, ses, video ve metnin makine tarafından okunabilir biçimde işaretlenmesi zorunlu. Daha önemlisi, genel amaçlı model sağlayıcıları eğitimde kullandıkları içeriğin kamuya açık bir özetini yayımlamak zorunda. “Bu model neyle dokundu” sorusu ilk kez bir formu olan, cevabı istenebilen bir soru haline geliyor.
Bu, meselenin çözüldüğü anlamına gelmiyor. Hukuk her yerde aynı yönde ilerlemiyor; mahkemeler ve telif kurumları verinin kime ait olduğu konusunda henüz ortak bir yere varmış değil. Piyasa ise beklemiyor. Mart 2025’te Christie’s ilk yapay zekâ müzayedesini yaptı; 5.600’den fazla sanatçı iptal çağrısına imza atarken satış 728 bin doları aşarak beklentiyi geçti — alıcıların yarısına yakını genç kuşaktan, üçte biri o evde ilk kez alım yapıyordu. Haziran 2026’da Refik Anadol’un Dataland’i Los Angeles’ta açıldı; dünyanın ilk yapay zekâ sanatları müzesi olarak anılıyor. Kurumsallaşma bu hızla ilerlerken “kimin verisi” sorusunu ertelemek artık mümkün değil.
Türkiye de bu haritanın dışında değil: Ars Electronica geçen ekim Zorlu PSM’ye geldi, İstanbul Dijital Sanat Festivali altıncı yılında merkezine doğrudan yapay zekâyı aldı.
Anadolu’nun dokuma belleği
Bu haritada beni asıl düşündüren bir boşluktu. Bu yazıyı hazırlarken taradığım alan literatüründe Çin, Kore, Japonya, Tibet, Hindistan, Bangladeş, Mali, Kenya, Nijerya, Orta Asya, hatta Inuit ve Yi toplulukları vardı. Anadolu yoktu. Kilimin, halının, motifin dili — binlerce yıllık bir dokuma hafızası — bu literatürde henüz yerini almamıştı.
Anadolu’da halı ve kilim bir yüzey değil, bir bellektir. Motif süs değil, kayıttır: kimin nereden geldiğini, neye inandığını, neyi dilediğini taşır.
Ben bu belleğin hem üreteni hem araştırmacısıyım. Sanatçı olarak tezgâhın başında duruyorum; akademisyen olarak o tezgâhın neye dönüştüğünü soruyorum. Bende bu ikisi ayrı işler değil, ürettiğim şey sorumun biçimi, sorduğum şey üretimimin yöntemi.
Latent İlmekler bu ikili bakışın çıktısı. Doktora çalışmam boyunca 48 yöreden derlediğim 700’ü aşkın eserle kendi veri kümemi kurdum ve modeli bu arşivle eğittim. Ortaya çıkan gerçek zamanlı görüntüde motifler birbirine dönüşüyor, dağılıyor ve yeniden toplanıyor — kuşaktan kuşağa, tezgâh başındaki isimsiz kadınların elleriyle taşınmış bir geleneği, makineye kendi arşivimden anlattım.
Bu çalışmanın asıl önerisi bir arşiv değil, bir yöntem: kültürel mirası makineye kendi kaynağından, kendi künyesiyle, kendi bakışıyla anlatmak. 48 yöre ve 700 eser bunun ilk uygulaması. Yöntem çoğaltılabilir olduğu ölçüde anlam kazanır.
Ayna
Yine de bu araçlara sırtımı dönmüyorum; dönemem. Çünkü yapay zekâ, ne kadar teknik bir mesele gibi görünse de, aslında bir ayna. Felsefeci Shannon Vallor, The AI Mirror’da bu aynanın hep geriye baktığını söylüyor: verilerimizden türetilen bu sistemler bize ancak daha önce nerede olduğumuzu gösterebilir, birlikte ilk kez gidebileceğimiz yeri değil. Vallor bir de Narkissos’u hatırlatıyor, sudaki aksine vurulup orada kalan adamı.
Katılıyorum. Bu araçlar bizim yazdıklarımızla, çizdiklerimizle, biriktirdiklerimizle eğitildi. Ona baktığımızda gördüğümüz şey kendi kültürel hafızamızın istatistiksel bir yansıması. Bu yüzden asıl soru “makine ne üretebilir” değil. Asıl soru şu: kendimizi görmeye hazır mıyız? Aynada beliren şeyi —tekrarlarımızı, körlüklerimizi, neyi hatırlayıp neyi unuttuğumuzu — karşılamaya hazır mıyız? Ve hepimiz aynı aynaya bakarsak, zamanla birbirimize benzemeye başlayacağımızı görebiliyor muyuz?
Ben bu sorularla akademik bir merakın ötesinde ilgileniyorum; alana duyduğum tutkuyu bir çalışma konusu olarak değil, hayatımın dokusu olarak taşıyorum: öğrendiğimi üretime, ürettiğimi soruya dönüştürerek.
Aynanın karşısındayız. Ama bir aynanın ne göstereceğini, ona ne verdiğimiz belirliyor. Bakmaya değil, görmeye hazır olmak gerekiyor ve gördüğümüzde, kendi ipliğimizi getirmeye.