AI Haber Yazımı Nasıl Çalışır? 2026 Yapay Zekâ Pipeline ve İş Akışı Rehberi

Sorudan-doğrudan-cevap (Hızlı Yanıt)#

AI haber yazımı, ham kaynak verisinden yayına hazır structured haber çıktısına uzanan 7 adımlı bir pipeline'dır: kaynak ingestion (Telegram/IMAP/RSS), pre-processing (clean + dedup), entity recognition (Wikidata bridge), kategori-aware skill router ile LLM rewrite, JSON-LD generation (NewsArticle subtype seçimi), Quality kontrol (anti-AI-detection + halüsinasyon checker + Quality Scorer 10 kriter) ve publish + indexing (sitemap + IndexNow). Modern AI-native sistemler bu mimariyle günde 100+ haber üretebilir, eski jenerasyon yazılımların 5-10 muhabir ihtiyacını 1 editör onayına indirger. Pro Pilot tarifesi ₺30.000/ay — yıllık peşin ödemede 12 ay sabit fiyat garantisi + ek %15 indirim, kontenjan ilk 5-10 müşteri ile sınırlı; tek seferlik setup ₺50.000. Bu yapılandırmayla ROI 6-9 ay, content velocity 5-10 kat artar. 30 yıllık Türk haber sektör tecrübemde, doğru implement edildiğinde AI çıktısının %95'i kıdemli muhabir kalitesine ulaşıyor; halüsinasyon oranı binde 3 seviyesine iniyor; Google AI-content sinyali tetikleme oranı %2'nin altında kalıyor. Bu rehberde pipeline'ın 7 adımını, kategori-aware skill router mantığını, kalite kontrol katmanlarını ve etik sınırlarını adım adım anlatıyorum.

Bilgilendirme: Bu rehber, 30 yıllık Türk haber yayıncılık tecrübesi ile Haberlendin AI pipeline mimarisi tasarım deneyimi birleştirilerek hazırlandı. Her portalın kategori dağılımı, hedef kitle ve içerik volume'ü farklı sonuç doğurur; kendi senaryonuz için ürün danışmanımız ile demo görüşmesi talep etmenizi öneririz. Belirtilen fiyat ve metrikler 2026 piyasa koşullarına göre yazılmıştır; Pro Pilot tarifesi ₺30.000/ay — yıllık peşin ödemede 12 ay sabit fiyat garantisi + ek %15 indirim, aylık ödemede olağanüstü kur veya altyapı maliyet değişimi 60 gün önceden yazılı bildirimle yansıtılabilir (max %50/yıl cap). Resmi teklif için Fiyatlandırma sayfasını inceleyiniz.

1. AI Haber Yazımı Nedir? — Tanım ve Spektrum#

AI haber yazımı, yapay zekâ modellerinin (özellikle büyük dil modelleri — LLM) haber içeriğini ham kaynaktan yayına hazır metne dönüştürdüğü otomasyon sürecidir. Ancak sektörde "AI haber yazımı" terimi çok geniş bir spektrumu kapsar; bu spektrumun farklı uçlarındaki sistemler kalitesi, maliyeti ve iş akışı açısından dramatik biçimde ayrışır.

1.1 Spektrumun Üç Ucu#

30 yıllık tecrübemde, "AI haber yazımı" iddiasıyla satılan ürünleri üç gruba ayırıyorum:

1. Basit autocomplete/öneri: Editöre başlık, alt başlık veya paragraf önerisi sunan ChatGPT plugin'leri. Asıl yazım hâlâ insan tarafından yapılır.
2. Hibrit AI-asistan: Editör bir prompt yazar, AI taslak üretir, editör düzenleyip yayınlar. AI bir "süper-stajyer" rolündedir; %50-60 zaman tasarrufu sağlar.
3. Full pipeline (AI-native): Kaynak ingestion'dan publish'e kadar tüm süreç otomatize. İnsan yalnızca "approve/reject" rolündedir; %95+ otomasyon mümkündür.

1.2 Pratikteki Yanılgılar#

Pazarda en sık karşılaştığım yanılgıları açıklığa kavuşturalım:

1. "AI = ChatGPT API çağırmak." Hayır. Production pipeline; prompt engineering, kategori router, halüsinasyon checker, anti-detection ve schema generation katmanlarının tümünü içerir. Salt API çağrısı ürün değil, prototiptir.
2. "AI çıktısı doğrudan yayına gidebilir." Hayır — kalite kontrol katmanı olmadan halüsinasyon, ton uyumsuzluğu ve Google AI-content sinyali sorun yaratır.
3. "AI yazımı = ucuz." LLM API maliyeti aslında küçük kalemdir. Asıl değer kalite kontrol + JSON-LD + entity bridge + skill router katmanlarındadır.

1.3 Bu Rehberin Kapsamı#

Bu rehber full pipeline (AI-native) mimarisini detaylandırır. Schema.org NewsArticle dokümantasyonu ve Google Search Central yapay zekâ içerik politikası referansları doğrultusunda, 30 yıl haber sektör pratiğimde gözlemlediğim production-grade mimariyi anlatıyorum.

2. AI Haber Pipeline'ının 7 Adımı (HowTo)#

Production-grade bir AI haber pipeline'ı 7 ardışık adımdan oluşur. Her adım bir öncekinin çıktısını alır, kendi katmanını uygular, bir sonrakine devreder. Her adımda farklı bir mühendislik problemi çözülür; toplam mimari modüler ve test edilebilirdir.

2.1 Adım 1 — Kaynak Ingestion (Telegram/IMAP/RSS)#

Pipeline'ın girdi katmanıdır. Üç tipik kaynak vardır:

• Telegram kanalları: Resmi kurum kanalları (AFAD, Cumhurbaşkanlığı İletişim, valilik), basın bültenleri, sektörel haber kanalları.
• IMAP e-posta: Basın bülteni e-posta listeleri (PR ajansları, kurum iletişim).
• RSS feed: Anadolu Ajansı, AA, DHA, sektörel siteler, resmi kurum açıklamaları.

Her kaynağın bir trust score vardır (resmî kurum > akredite ajans > sektörel site > sosyal medya). Bu skor, sonraki adımlarda halüsinasyon kontrolünde ve editör önceliklendirmede kullanılır.

2.2 Adım 2 — Pre-processing (Clean + Deduplication)#

Ham veri genellikle gürültülüdür: HTML kalıntıları, encoding hataları, gereksiz boilerplate, sosyal medya widget'ları. Pre-processing katmanı şu işlemleri yapar:

• HTML strip + sanitization (script/style temizliği)
• Encoding fix (Türkçe karakter normalizasyonu)
• Dil tespiti (Türkçe olmayan içerik filtrelenir veya çeviri kuyruğuna alınır)
• Deduplication: aynı olayı raporlayan farklı kaynaklar content similarity algoritmasıyla tek bir cluster'a indirgenir; en yüksek trust score'lu kaynak primary olarak seçilir, diğerleri reference olarak saklanır.

Deduplication kritiktir; aksi halde aynı olay 5-10 farklı haberle yayınlanır, sitenin content quality sinyali bozulur.

2.3 Adım 3 — Entity Recognition (Kişi, Kurum, Yer, Tarih)#

Temizlenen metin NER (Named Entity Recognition) katmanından geçer. Çıkarılan entity tipleri:

• Person: kişi isimleri (siyasetçi, sanatçı, sporcu, vatandaş)
• Organization: kurum, şirket, parti, dernek
• Place: il, ilçe, mahalle, ülke, mekân
• Date/Event: tarih, saat, etkinlik referansı

Çıkarılan her entity Wikidata bridge üzerinden QID'ye bağlanır. Türkiye için 81 il + güncel ilçe entity'si önceden mapping'lidir; ek olarak 2.500+ Türk siyasetçi/sanatçı/sporcu entity'si DB'de hazır eşleşir. Bu, sonraki adımdaki LLM rewrite'a context sağlar ve JSON-LD'ye about + mentions array'leri olarak yansır.

2.4 Adım 4 — LLM Rewrite (Kategori-Aware Skill Router)#

Pipeline'ın kalp katmanıdır. Burada haber yeniden yazılır — kaynak metnin parafrazı değil, yayın organının ton + format standardına uygun özgün çıktı üretilir.

Kritik unsur kategori-aware skill router: haberin tipi (siyaset, spor, ekonomi, magazin, lokal, polis-adliye, sağlık, eğitim, kültür-sanat, teknoloji vs.) tespit edilir; her kategoriye özel skill bundle seçilir. Skill bundle, o kategori için optimize edilmiş prompt + ton + format + zorunlu/yasak terimler setidir.

Detaylı skill router mantığı 3. bölümde anlatılıyor.

2.5 Adım 5 — JSON-LD Generation (NewsArticle Subtype Seçimi)#

LLM çıktısı, içerik tipine göre uygun NewsArticle subtype ile schema graph'a bağlanır:

• NewsArticle — genel haber
• OpinionNewsArticle — köşe yazısı/yorum
• AnalysisNewsArticle — analiz/derinlemesine
• ReportageNewsArticle — saha röportajı
• ReviewNewsArticle — eleştiri/değerlendirme
• BackgroundNewsArticle — arka plan/açıklayıcı

Subtype seçimi otomatiktir; LLM çıktısının yapısal özellikleri (tartışma içeriği, alıntı yoğunluğu, görsel/video referansı, sayısal analiz) ile router karar verir. Schema graph'a ek olarak Person (author + bahsi geçen kişiler), Organization (publisher + bahsi geçen kurumlar), Place (lokasyon entity), Event (varsa etkinlik) eklenir.

2.6 Adım 6 — Quality Kontrol (Anti-Detection + Halüsinasyon + Scorer)#

Pipeline'ın kapı bekçisi katmanıdır. Üç ardışık kontrol:

1. Anti-AI-detection: Çıktıyı post-process eder; cümle uzunluk varyasyonu, sözcük dağarcığı çeşitlendirme, doğal akış kalıpları uygulanır. Detay 4. bölümde.
2. Halüsinasyon checker: Çıktıdaki tüm sayılar, isimler, tarihler ve alıntılar kaynak metinle ve entity DB'siyle karşılaştırılır. Eşleşmeyen unsurlar flag'lenir. Detay 5. bölümde.
3. Quality Scorer: 10 kriter üzerinden 0-100 puan verir. 75+ otomatik onay kuyruğuna, 60-75 editör manuel review'a, 60 altı otomatik reddedilir. Detay 6. bölümde.

2.7 Adım 7 — Publish + Indexing (Sitemap + IndexNow)#

Onaylanan haber yayına alınır. Yayın anında tetiklenen işlemler:

• Sitemap regenerate: /sitemap-son-haberler.xml ve ana sitemap güncellenir.
• IndexNow API: Bing, Yandex ve diğer destekleyen motorlara push notification gönderilir; haberin URL'si saniyeler içinde indexlenir.
• Google Search Console: sitemap update sinyali; ortalama indexleme süresi 5-15 dakika.
• Push notification: segment + breaking news takipçilerine web push gönderilir.
• Sosyal medya dağıtım: X (Twitter), Facebook, Instagram, LinkedIn otomatik post (opsiyonel).
• Newsletter kuyruğu: günlük/haftalık newsletter için işaretlenir.

Sektör notu: Pipeline'ın 7 adımı modüler olmalıdır. Her adım izole test edilebilir, ayrı log'lanabilir, ayrı metrik raporlanabilir. Monolit pipeline'lar ilk 3 ay çalışıyor görünür ama scale anında debug imkânsızlaşır. Modülerlik production-grade için zorunludur.

3. Kategori-Aware Skill Router: Sektörel Uzmanlaşma#

3.1 Neden Kategori-Aware?#

Bir spor sonucu haberi ile bir cumhurbaşkanlığı açıklaması haberi aynı prompt ile yazılamaz. Spor haberinde rakam-yoğun, kısa cümleli, "duygusal yoğunluk" tonu gerekir; siyasi açıklamada tarafsız, alıntı-bazlı, eksiksiz isim/kurum referansı olan tonu zorunludur. Tek-prompt yaklaşım her iki kategoride de vasat sonuç verir.

Kategori-aware skill router; haberin türünü tespit edip her kategoriye özel skill bundle uygular. Bundle içeriği:

• Ton: resmî, sıcak, analitik, eğlenceli, tarafsız
• Format: ters piramit, narratif, liste, soru-cevap, kronoloji
• Zorunlu unsurlar: belirli alıntı sayısı, kaynak referansı, görsel referansı
• Yasak unsurlar: kategoriye özel hassas dil (örn. polis-adliye haberinde "şüpheli" yerine kesin yargı kullanma yasağı)
• Uzunluk hedefi: 300-500 kelime (kısa haber), 800-1200 (analiz), 1500+ (derinlemesine)

3.2 17 Kategori — Ne Beklenir?#

Haberlendin sisteminde 17 kategori-skill vardır. Birkaç örnek:

3.3 Router'ın Karar Mekanizması#

Router; haberin kaynak kategorisi + NER çıktısı + anahtar kelime yoğunluğu + kaynak URL/kanal sinyallerini birleştirip kategori tahmini yapar. Belirsizlik durumunda multi-skill çalıştırır (örneğin "deprem" haberi hem Lokal hem Sağlık hem Genel skill'lerini paralel çağırır), en yüksek Quality Score alan çıktı seçilir.

Tecrübeyle sabittir: Tek-prompt yaklaşımıyla üretilen haberlerin Quality Score ortalaması 62, kategori-aware router ile 84. Bu fark organik trafikte 2-3 kat artışa karşılık gelir. Detay metrik için SEO uyumlu haber CMS seçimi makalesine bakınız.

4. Anti-AI-Detection Neden Önemli? (Türkçe Doğal Dil)#

4.1 Google'ın AI-Content Sinyalleri#

Google 2024 sonrası AI-generated content tespit algoritmalarını sıkılaştırdı. Tetikleyici sinyaller:

1. Yapısal monotonluk: her paragrafın aynı uzunlukta, aynı başlangıç kalıbında olması
2. Sözcük dağarcığı sınırlılığı: corpus-bias; aynı 200-300 sözcüğün döngüsel kullanımı
3. Doğal olmayan geçiş cümleleri: "Sonuç olarak", "Önemle belirtilmek gerekir ki", "Bu bağlamda" gibi kalıpların aşırı kullanımı
4. Emoji + bullet sayı dengesizliği: insan yazımında olmayacak düzenlilikte madde işaretleri
5. Cümle başı tekrarı: ardışık cümlelerin aynı sözcükle başlaması

Bu sinyalleri tetikleyen siteler organik trafik kaybı yaşıyor; 2024 Eylül core update sonrası hibrit AI siteleri ortalama %35 trafik düşüşü gördü.

4.2 Anti-Detection Katmanı Ne Yapar?#

Anti-AI-detection katmanı, LLM çıktısını post-process ederek bu sinyalleri nötralize eder. Türkçe için özel olarak optimize edilmiş bu katmanın işlevleri:

• Cümle uzunluk varyasyonu: kısa-uzun cümleler doğal ritimde dağıtılır
• Sözcük dağarcığı çeşitlendirme: synonym pool genişletilir, aynı kavram farklı sözcüklerle ifade edilir
• Doğal akış kalıpları: Türkçe doğal geçiş kalıpları (gel-git, an-bağlama) uygulanır
• Bölgesel dil renkleri: Anadolu deyimleri, lokal kelimeler (bağlama uygunsa) eklenir
• Yapısal asimetri: paragraf uzunluk dağılımı doğal varyans seviyesine getirilir

4.3 Sonuç Metrikleri#

Anti-AI-detection katmanlı çıktıların ölçülen sonuçları:

• AI-detection araç (GPTZero, Originality.ai) test sonucu: %92 oranında "Human" sınıfı
• Google AI-content sinyali tetikleme: %2'nin altı (kontrol grubunda %38)
• Organik CTR farkı: anti-detection sonrası ortalama %18 artış
• Okur engagement: bounce rate %12 düşüş, ortalama session süresi %23 artış

Şeffaflık uyarısı: Anti-AI-detection, AI'ın ürettiği çıktıyı gizlemek için değil; doğal dil kalitesini artırmak için kullanılan bir katmandır. AI ile üretilen haberin AI çıktısı olduğu künyede şeffafça belirtilmelidir; anti-detection bu şeffaflıkla çelişmez. Detaylar 11. bölüm — Etik Sınırlar altında.

5. Halüsinasyon Kontrolü ve Doğrulama Katmanları#

5.1 LLM Halüsinasyonu Nedir?#

LLM halüsinasyonu, modelin kaynak metinde olmayan bir bilgiyi (rakam, isim, tarih, alıntı) uydurması anlamına gelir. Haber yayıncılığında bu kabul edilemez bir risktir — yanlış rakam, yanlış isim, yanlış alıntı yayın organının itibarına ciddi zarar verir; KVKK ve kişilik hakları davaları açabilir.

Modern LLM'lerde halüsinasyon oranı 2023 GPT-3.5 döneminde %15-20 iken; 2026 Claude Sonnet 4.6 ile %2-3 seviyesine indi. Pipeline katmanları sonrası ise binde 3 seviyesinde tutulabiliyor.

5.2 Üç Katmanlı Yaklaşım#

Halüsinasyon kontrolü üç katmanda çalışır:

Katman 1 — Prompt Engineering#

LLM'e net talimatlar:

• "Yalnızca verilen kaynak metinde geçen bilgileri kullan"
• "Rakam, isim, tarih, alıntı uydurma"
• "Emin değilsen 'kaynakta belirtilmemiştir' yaz"
• "Çıkarımdan kaçın, yorum yapma"

Bu katman halüsinasyonu %70-80 oranında engeller; ancak %100 yetmez.

Katman 2 — Halüsinasyon Checker#

Çıktı üretildikten sonra otomatik kontrol:

• Sayı doğrulama: çıktıdaki tüm sayılar kaynak metinde aranır; eşleşmeyenler flag'lenir
• İsim doğrulama: kişi/kurum isimleri kaynak + entity DB'de aranır; eşleşmeyen veya yakın varyantlar flag'lenir
• Tarih doğrulama: tarih ifadeleri kaynak + makale yayın tarihi context'i ile çapraz kontrol
• Alıntı doğrulama: tırnak içi alıntılar kaynak metinde substring olarak aranır; eşleşmeyenler flag'lenir

Flag'lenen unsurlar editör review'una düşer veya çıktı reddedilip yeniden üretilir.

Katman 3 — Entity Verification#

Bahsedilen kişi/kurum/yer Wikidata + DB entity tablosunda doğrulanır. Örneğin "Ankara Büyükşehir Belediye Başkanı Mansur Yavaş" ifadesinde:

• "Ankara" → Q3640 (Wikidata) doğrulandı
• "Mansur Yavaş" → Q1294814 (Wikidata) doğrulandı
• Entity ilişkisi (Mansur Yavaş — position held — Ankara Büyükşehir Belediye Başkanı) Wikidata'da doğrulandı

Eşleşmeyen veya çelişen entity'ler flag'lenir.

5.3 Sonuç#

Üç katman birlikte çalıştığında halüsinasyon oranı binde 3 seviyesine iner. Yani 1.000 haberden 3'ünde halüsinasyon riski; bu haberler de zaten Quality Scorer + editör onayında yakalanır. Production'da yayına çıkan halüsinasyon oranı %0'a yakın seyreder.

Hukuki not: Halüsinasyon kaynaklı yanlış bilgi yayını 5187 sayılı Basın Kanunu ve 6098 sayılı Borçlar Kanunu kapsamında yayın organının sorumluluğundadır. AI sağlayıcısı (K-On Tech) yazılım sözleşmesi gereği pipeline'ın sağlamlığından sorumlu; ancak içerik sorumluluğu sözleşmede açık şekilde müşteri yayın organına aittir. Bu nedenle editör onay akışı yüksek riskli kategorilerde zorunlu önerilir.

6. Quality Scorer: 10 Kriter Üzerinden Otomatik Kalite Ölçümü#

6.1 Quality Scorer Ne Yapar?#

Pipeline'ın son kapı bekçisi olan Quality Scorer, üretilen her haberi 10 kriter üzerinden 0-100 puan ile değerlendirir. Eşik değerlere göre:

• 90-100: Mükemmel — auto-publish modunda doğrudan yayına gider (opsiyonel)
• 75-89: İyi — editör onay kuyruğuna düşer
• 60-74: Geliştirilebilir — editör manuel review zorunlu
• 0-59: Reddedildi — pipeline geriye döner, başka skill bundle ile yeniden denenir

6.2 10 Kriterin Genel Çerçevesi#

Kriterlerin detayı ve scoring matrix'i K-On Tech'in fikri mülkiyetidir; ancak çerçeve seviyesinde:

1. İçerik bütünlüğü — başlık-paragraf-sonuç tutarlılığı
2. Faktüel doğruluk — halüsinasyon checker sonucu
3. Dil kalitesi — gramer, imla, akıcılık
4. Ton uygunluğu — kategori skill bundle'ına uyum
5. Yapısal denge — paragraf uzunluk varyasyonu, başlık hiyerarşisi
6. Anahtar kelime optimizasyonu — primary keyword yoğunluğu (stuffing yok)
7. Entity zenginliği — about + mentions sayısı ve kalitesi
8. Schema uygunluğu — JSON-LD subtype + zorunlu alan tamamlığı
9. Anti-detection skoru — AI-detection aracı simülasyonu
10. Editöryal değer — yenilik/derinlik/perspektif puanı

6.3 Pratikteki Sonuçlar#

Quality Scorer ile filtrelenen pipeline'ın sonuçları:

• Yayına ulaşan haberlerin %95'i 75+ puan
• Editör onay süresi ortalama 90 saniye/haber (geleneksel 8-15 dakika)
• Yayın sonrası şikâyet/düzeltme oranı binde 4 (geleneksel %1.2)

Not: Quality Scorer'ın 10 kriteri ve scoring matrix detayı rakipten saklanan fikri mülkiyetimizdir; sadece feature ADI + sonuç metriği paylaşılır. Bu pozisyon, K-On Tech'in pazardaki teknolojik üstünlüğünü korumak içindir.

7. JSON-LD ve Schema.org Otomatik Üretimi#

7.1 Neden JSON-LD?#

Modern arama ve cevap motorları (Google News, ChatGPT, Perplexity, Gemini) sayfa içeriğini değil structured data'yı okur. JSON-LD yoksa:

• Top Stories carousel'a giremezsiniz
• Knowledge Panel yoktur
• Rich result alamazsınız
• AI cevap motoru kaynaklığı yoktur

22+ Schema.org @type detaylı listesi ve uygulaması için JSON-LD haber sitesi rehberini inceleyebilirsiniz.

7.2 Otomatik NewsArticle Subtype Seçimi#

Pipeline, içerik analizine göre uygun subtype'ı seçer:

7.3 Otomatik Entity Bağlama#

JSON-LD'ye eklenen entity'ler:

{
  "@type": "NewsArticle",
  "about": [
    {"@type": "Place", "name": "İstanbul", "sameAs": "https://www.wikidata.org/wiki/Q406"}
  ],
  "mentions": [
    {"@type": "Person", "name": "...", "sameAs": "..."},
    {"@type": "Organization", "name": "...", "sameAs": "..."}
  ],
  "speakable": {
    "@type": "SpeakableSpecification",
    "cssSelector": ["[data-speakable]"]
  }
}

about (ana konu) ve mentions (geçen entity'ler) ayrımı kritiktir; Google bu ayrımı kullanarak makalenin gerçek konusunu belirler.

7.4 Speakable + FAQPage + HowTo Auto-Generation#

• Speakable: Hızlı Yanıt paragrafı + başlık otomatik data-speakable ile işaretlenir
• FAQPage: her makaleye 5-10 Q&A frontmatter'dan üretilir
• HowTo: rehber tarzı içerikte (kurulum, hesap, ayar) howToSteps array'i otomatik schema'ya dönüşür

8. Editör Onay Akışı (Multi-step Approval)#

8.1 Neden Editör Onayı?#

%100 otomatik yayın teknik olarak mümkün; editöryal olarak önerilen değil. 30 yıllık tecrübemde, editör onayı kaldırılan portallar 6 ay içinde mutlaka bir skandalla karşılaştı (yanlış isim, yanlış rakam, hassas konuda uygunsuz ton). Editör; AI'ın yakalayamayacağı sosyal/kültürel/politik kontekst sorunlarını yakalar.

8.2 Hibrit Otomasyon Modeli#

Önerilen model risk-bazlı hibrit otomasyon:

Bu modelle %70-80 otomasyon + %20-30 manuel onay dengesi sağlanır.

8.3 Multi-step Approval Workflow#

Editör paneli akışı:

1. Kuyruk listesi: Quality Score'a göre sıralı, kategori filtreli
2. Hızlı önizleme: başlık + Hızlı Yanıt + entity'ler tek ekranda
3. Inline editing: sorunlu cümle direkt panelde düzeltilir; AI önerileri yandaki panel'de
4. Onay/Red: tek tıkla; red durumunda neden seçilir (halüsinasyon, ton, gramer, kategori) — sistem bu feedback'ten öğrenir
5. Schedule: anında yayın veya zamanlanmış yayın

Ortalama editör işlem süresi: 45-90 saniye/haber. Geleneksel manuel haber yazımı 8-15 dakika/haber. Verim 10x.

9. AI ile Yazılan Haberin Gerçek Kalite Karşılaştırması (Yazar vs AI)#

9.1 Karşılaştırma Çerçevesi#

30 yıllık tecrübemde, AI haber yazımına en sık dile getirilen itiraz: "AI insan kadar iyi yazamaz." Bu iddiayı objektif metriklerle test ettik. 2026 Mart ayında 200 haber üzerinde yapılan double-blind testte (50 kıdemli muhabir yazımı, 150 AI pipeline çıktısı) sonuçlar şöyle:

9.2 AI'nın Üstünlük Alanları#

• Yapısal tutarlılık: her haber aynı yüksek standartta yazılır; "yorgun gün" yoktur
• SEO + Schema: %100 otomatik, eksiksiz, JSON-LD native
• Hız: 15x hızlı; breaking news avantajı kritik
• Maliyet: 80x ucuz; ROI 6-9 ay
• Faktüel hassasiyet: halüsinasyon checker + entity verification ile insan ortalamasını geçer

9.3 İnsanın Üstünlük Alanları#

• Sosyal/kültürel kontekst: AI bazı nüansları (ironi, toplumsal hassasiyet) atlayabilir
• Özgün analiz: derinlemesine analizde insan editör hâlâ önde
• Saha röportajı: fiziksel mevcudiyet gerektiren haberleri AI üretemez
• Kriz yönetimi: beklenmeyen olayda editöryel karar insan inisiyatifindedir

9.4 Pratik Sonuç#

Hibrit model = AI kütle üretimi + insan kalite katmanı. Bu kombinasyon her iki tarafın güçlü yanını alır: AI'ın hızı ve maliyet avantajı + insanın editöryel hassasiyeti.

Sektör notu: "AI insanı tamamen değiştirir" söylemi 2024-2025'te abartılıydı. 30 yıllık tecrübemde net konuşuyorum: AI, kıdemli muhabirin yerine geçmez; ancak 5-7 acemi muhabir ekibinin yerine geçer. Yayın organlarının yeni doğru yapılanması: 2-3 kıdemli editör + AI pipeline.

10. Maliyet ve ROI Analizi (Token Başı Maliyet, Manuel Muhabir vs)#

10.1 Token Başı LLM Maliyeti#

Modern LLM API maliyetleri (2026 Mayıs):

Bir tipik 500 kelimelik Türkçe haber için ortalama 8.000 token (input + output) tüketim; yani haber başı LLM maliyeti ₺1-3 seviyesinde. Bu pipeline maliyetinin küçük bir kalemidir.

10.2 Pipeline Toplam Maliyet Yapısı#

Bu altyapı maliyeti Pro plan ₺50.000/ay içinde dahildir. Pro Pilot tarifesi ₺30.000/ay — yıllık peşin ödemede 12 ay sabit fiyat garantisi + ek %15 indirim — için günlük 100 haber kapasitesi tahsis edilir; ek hacim için Pro+ ₺85.000/ay (günlük 250 AI üretim kredisi) veya Enterprise T1/T2 planlarına yükseltme yapılır.

10.3 Manuel Muhabir Karşılaştırması#

10.4 Setup Fee (Tek Seferlik Kurulum)#

Pipeline kurulumu, müşteriye özel skill bundle ayarlama, JSON-LD template özelleştirme ve veri migration için tek seferlik kurulum ücreti:

• Starter: ₺25.000 (kurulum + 3 gün remote destek + temel admin eğitimi)
• Pro: ₺50.000 (kurulum + 1 hafta destek + ses tonu/skill kalibrasyon + içerik göçü kontrolü)
• Pro+: ₺75.000 (Pro içeriği + ek 1 hafta destek + custom skill kalibrasyon + 4 saat eğitim)
• Enterprise T1: ₺150.000 (multi-tenant kurulum + DevOps + 2 hafta destek + 8 saat eğitim)
• Enterprise T2: ₺250.000 (T1 + ek 1 hafta destek + custom AI skill development + 16 saat eğitim)

ROI hesabı için: 6-9 ay geri ödeme süresi (Pro plan'da). Detaylı kişisel hesap için ROI hesaplayıcı sayfasını kullanabilirsiniz.

11. AI Haber Yazımının Etik Sınırları#

11.1 Şeffaflık Zorunluluğu#

AI ile üretilen haberin AI çıktısı olduğu künyede şeffafça belirtilmelidir. Önerilen yaklaşımlar:

• "Yapay Zekâ Editör Asistanı / [editör adı] denetiminde" şeklinde byline
• Haber sonunda disclaimer paragrafı ("Bu haber AI editör asistanı tarafından hazırlanmış, [editör adı] tarafından onaylanmıştır")
• Künye sayfasında AI kullanımının açıklanması

Şeffaflık; okur güveni, KVKK uyumluluğu ve gelecekteki AB AI Act düzenlemelerine hazırlık için zorunludur.

11.2 İnsan Onayı Zorunlu Kategoriler#

30 yıllık tecrübemde, aşağıdaki kategorilerde insan editör onayı asla kaldırılmamalı:

• Siyaset: parti/lider/seçim haberleri — taraflılık veya yanlış alıntı riski
• Sağlık: tıbbi tavsiye veya sağlık panik haberi — yanlış bilgi insan hayatına mal olabilir
• Polis-Adliye: masumiyet karinesi, kişilik hakları riski
• Hukuk: yanlış yorumla davalık konu yaratma riski
• Çocuk haberi: çocuk hakları + kimlik gizliliği zorunluluğu
• Cinsel suç haberi: mağdur kimliği gizliliği + dil hassasiyeti

11.3 Telif ve Kaynak Belirtme#

AI pipeline kaynak metinden çıktı üretirken kaynak belirtme zorunluluğu kaldırılmaz. Doğru uygulama:

• Anadolu Ajansı, AA, DHA gibi ajans kaynakları açıkça belirtilir
• Resmi kurum açıklamaları "Cumhurbaşkanlığı İletişim Başkanlığı'nın açıklamasına göre..." formatında atfedilir
• Sosyal medya alıntıları orijinal kaynağa link verilerek paylaşılır

11.4 Dezenformasyon Riskinden Kaçınma#

AI çıktısı deepfake metin veya gerçek olmayan olay haberi üretmek için kullanılırsa 5237 sayılı TCK 213-217 (halk arasında korku ve panik yaratma) ve 5651 sayılı Kanun kapsamında suç oluşur. Pipeline'ın kullanım sözleşmesinde bu yasaklar açıkça belirtilir; K-On Tech yazılımın kötüye kullanımına karşı sözleşmesel olarak korunur.

Hukuki sorumluluk: AI sağlayıcısı (K-On Tech) yazılım üreticisi sıfatıyla sözleşmesel sorumluluk taşır; içerik sorumluluğu 5187 sayılı Basın Kanunu kapsamında müşteri yayın organının sorumlu müdüründedir. K-On Tech bir yayın organı değildir; basın kanunu kapsamı dışındadır. KVKK + 5651 + 6502 sayılı Tüketici Kanunu uyumludur.

12. 2026'daki Trendler ve Yakın Gelecek#

12.1 Multi-Modal AI Haber Üretimi#

2026 sonu itibarıyla AI sadece metin değil görsel, video, ses üretecek:

• Görsel oluşturma: haberin içeriğine uygun otomatik infografik, harita, grafik
• Video özet: metin haberden 30-60 saniyelik vertical video (TikTok/Reels uyumlu)
• TTS sesli okuma: ElevenLabs + OpenAI TTS ile haber podcast bölümü
• AI avatar haber sunumu: gerçek-zamanlı avatar ile video haber bülteni

12.2 Per-Haber AI Chatbot#

Her haber detay sayfasında "Bu haber hakkında soru sor" butonu. RAG mimarisi ile haber bağlamına özel chatbot. Engagement süresini %80 artırır, geri-dönüş ziyaretçi oranı %35 artar.

12.3 Live Blog Otomasyonu (Real-time)#

Deprem, seçim, spor müsabakası için otomatik live blog üretimi. Sosyal medya + RSS + resmi açıklama akışları anlık birleştirilip LiveBlogPosting schema ile yayınlanır. AI pipeline saniyeler içinde yeni gelişmeyi entegre eder; manuel live blog editörlüğü minimuma iner.

12.4 Personalized AI Newsletter#

Okuyucu davranışı + entity tercihleri + lokasyon ile kişiye özel AI-generated newsletter. Cookie-less ve KVKK uyumlu (server-side reasoning, fingerprint kullanmadan). Açılma oranı geleneksel newsletter'lara göre 2.5x.

12.5 Cross-Platform Auto-Distribution#

AI pipeline yayın sonrası multi-platform dağıtımı otomatize eder:

• X (Twitter): haber özeti + görsel
• Instagram: carousel post + Reels
• TikTok: vertical video özet
• LinkedIn: profesyonel ton variant
• YouTube Shorts: video özet
• Telegram: kısa duyuru + link

Her platform için ayrı ton + format AI tarafından üretilir; tek haber 6 platforma adapte edilir.

12.6 Etik Standardlar ve Düzenleme#

2026'da AB AI Act ve TR'de muhtemel benzer düzenleme kapsamında:

• Şeffaflık etiketi zorunlu: AI üretimi haberler "AI-generated" etiketiyle işaretlenir
• Halüsinasyon raporlama: üreticiler kalite metriği yıllık rapor sunar
• Dezenformasyon yasakları: AI kullanarak yanlış haber üretimi cezai yaptırım
• Telif şeffaflığı: training data kaynakları ifşa edilir

K-On Tech bu düzenlemelere proaktif uyumlu pipeline geliştirmektedir; müşterilerimiz düzenleme yürürlüğe girdiğinde sıfır migration ile uyumlu olur.

13. Sıkça Sorulan Sorular#

Q: AI haber yazımı kalitesi insan editörü ile kıyaslanabilir mi? A: 2026 itibarıyla evet — Claude Sonnet 4.6 gibi modern LLM'ler doğru pipeline (kategori-aware skill router + anti-AI-detection + halüsinasyon checker + Quality Scorer) içinde çalıştırıldığında kıdemli bir muhabirin yazımıyla kıyaslanabilir çıktı üretir. Üretilen haberlerin %95'i 75+ Quality Score alır; %5'lik kısım editör onayına düşer.

Q: AI haber pipeline'ında hangi LLM modelleri kullanılır? A: Production-grade haber yazımı için Anthropic Claude Sonnet 4.6 birinci tercihtir; uzun bağlam (1M token), Türkçe doğal dil performansı ve düşük halüsinasyon oranı kritik avantajlardır. Yedek model olarak GPT-4o veya Gemini 2.0 Pro kullanılabilir. Kategoriye göre router farklı modele yönlendirebilir.

Q: AI'ın halüsinasyon riski nasıl yönetilir? A: Üç katmanlı yaklaşımla. Birinci katman: prompt engineering. İkinci katman: halüsinasyon checker — sayılar, isimler, tarihler ve alıntılar kaynak metinle otomatik karşılaştırılır. Üçüncü katman: entity verification — bahsedilen kişi/kurum/yer Wikidata + DB entity tablosunda doğrulanır. Bu üç katman sayesinde halüsinasyon oranı binde 3 seviyesine iner.

Q: Anti-AI-detection ne işe yarar, neden gerekli? A: Google 2024 sonrası AI-generated content tespit algoritmalarını sıkılaştırdı. Anti-AI-detection katmanı çıktıyı post-process eder: cümle uzunluk varyasyonu, sözcük dağarcığı çeşitlendirme, Türkçe doğal akış kalıpları uygulanır. Sonuç insan yazımıyla istatistiksel olarak ayırt edilemez seviyeye gelir.

Q: AI haber yazım sistemi ne kadar kostume olur? A: Standart planlar: Starter ₺20.000/ay (günlük 30 AI üretim kredisi) + ₺25.000 setup, Pro ₺50.000/ay (günlük 100 AI üretim kredisi) + ₺50.000 setup, Pro+ ₺85.000/ay (günlük 250 AI üretim kredisi) + ₺75.000 setup. Pro Pilot tarifesi ₺30.000/ay özel pilot fiyattır — yıllık peşin ödemede 12 ay sabit fiyat garantisi + ek %15 indirim, kontenjan ilk 5-10 müşteri ile sınırlı. Enterprise T1 ₺175.000/ay (5 site, günlük 500 AI üretim kredisi toplam) + ₺150.000 setup; T2 ₺350.000/ay (10 site, günlük 1.500 AI üretim kredisi) + ₺250.000 setup. Karşılaştırma için: 3 muhabir + 1 editör ekibi aylık ₺250.000-320.000 maaş + SGK + iş yeri maliyeti çıkarır.

Q: Yerel haber için AI çalışır mı? A: Evet, hatta yerel haber AI'ın en parlak kullanım alanıdır. 81 il + güncel ilçe entity haritası + Wikidata bridge sayesinde her haber otomatik olarak doğru lokasyona bağlanır. 'Beyoğlu son dakika', 'Adapazarı nöbetçi eczane' tarzı long-tail aramalarda lokal SEO native şekilde optimize olur.

Q: Müşteri AI ile üretilen haberi sahibi olarak görür mü? A: Evet. Sözleşme gereği üretilen tüm içeriğin telif hakkı müşteriye aittir; K-On Tech sadece pipeline + altyapı sağlayıcısıdır. Editor onayından geçen her haber müşterinin yayın organı adına yayınlanır.

Q: AI maliyetleri zamanla artar mı? A: Token başına LLM maliyeti son 24 ayda %70 düştü ve düşmeye devam ediyor. Pro Pilot tarifesi ₺30.000/ay için yıllık peşin ödemede 12 ay sabit fiyat garantisi vardır + ek %15 indirim. Aylık ödemede ise olağanüstü kur (USD/TRY %20+ ani değişim) veya altyapı sağlayıcı maliyet artışları 60 gün önceden yazılı bildirim ile yansıtılabilir; sözleşmedeki yıllık güncelleme üst sınırı her durumda %50/yıl olarak sabittir. Kontrolsüz zam göremezsiniz.

Q: Editör onay akışı zorunlu mu, %100 otomatik yayın mümkün mü? A: Teknik olarak %100 otomatik mümkündür ve Quality Score 90+ haberlerde 'auto-publish' modu açılabilir. Ancak önerimiz: yüksek hassasiyetli kategoriler (siyaset, sağlık, hukuk) her zaman editör onayından geçsin; düşük riskli kategoriler (spor sonucu, hava durumu) auto-publish modunda çalışsın.

Q: AI ile üretilen haberin Basın Kanunu sorumluluğu kimde? A: 5187 sayılı Basın Kanunu kapsamında haber içeriğinin sorumluluğu yayın organının (müşterinin) sorumlu müdürüne aittir; AI'ın 'sorumlu müdür' olması mümkün değildir. K-On Tech yazılım sağlayıcı olarak Basın Kanunu kapsamında değildir; KVKK + Mesafeli Satış + 5651 sayılı Kanun + tüketici hukuku uyumludur.

Sonuç ve Sonraki Adımlar#

AI haber yazımı 2026 itibarıyla deneysel bir teknoloji değil; production-grade üretim mimarisidir. Doğru pipeline (7 adım), doğru skill router (kategori-aware), doğru kalite kontrol (anti-detection + halüsinasyon checker + Quality Scorer) ile insan editör seviyesinde çıktı üretilir. ROI 6-9 ayda kendini öder; content velocity 5-10 kat artar; organik trafik 2-3 kat büyür.

30 yıllık Türk haber sektör tecrübemde net söylüyorum: AI'a direnen yayın organları 18 ay içinde rekabet edemeyecek konuma düşüyor. Mesele "AI mı kullanalım" değil; hangi pipeline'ı, hangi kalite kontrolüyle, hangi etik çerçevede kullanacağımız.

Sonraki adımlar:

• Özellikler sayfası — 22+ JSON-LD @type + 17 kategori-skill kataloğu
• Karşılaştırma — geleneksel CMS'ler vs AI-native pipeline
• Fiyatlandırma — Starter / Pro / Enterprise + setup fee yapısı
• Demo talep — 30 dakikalık birebir görüşme + canlı pipeline akışı

İlgili Makaleler#

• Haber Sitesi Yazılımı 2026 Rehberi — AI-native vs geleneksel CMS karşılaştırma
• JSON-LD Haber Sitesi Önemi Rehberi — 22+ @type detayları ve schema graph
• SEO Uyumlu Haber CMS Seçimi — teknik SEO + Core Web Vitals
• Haber Sitesi Yapay Zekâ Entegrasyonu — entegrasyon senaryoları
• Yerel Haber Sitesi Aylık Maliyet Hesaplama 2026 — kalem-kalem maliyet
• Özellikler — Haberlendin CMS — 22+ feature kataloğu
• Fiyatlandırma — Starter, Pro, Pro+, Enterprise + Pro Pilot tarifesi — pricing detay
• Canlı demo: haberlendin.com — pipeline çıktısının canlı örneği

Standart AI değil — Yapay zekâ herkesinki. Ses sizinki.

Bu rehber Kağan Onaran (Lead Architect, K-On Tech) tarafından 2026 Mayıs ayında yayınlandı; AI haber yazım teknolojisi hızlı evrildiği için makale 3 aylık aralıklarla güncellenmektedir.