# Kodlama ajanları, tespit araçlarını atlatmak için yapay zekâ metinlerini birleştirebiliyor

> Yeni bir yöntem, yazılım ajanlarının daha küçük bir dil modelinden aldığı çıktıları bir araya getirmesini sağlıyor. Bu yöntem tespit oranlarını yüzde 77’den yüzde 24’e düşürürken sorgu maliyetlerini 30 kata kadar artırıyor.

Oossa · 2026-09-29 · https://oossa.com/tr/coding-agents-can-stitch-ai-text-to-dodge-detection-tools

Araştırmacılar, 25 Eylül 2026’da yayımladıkları bir makalede, bir kodlama ajanının yapay zekâ tespit sistemlerini atlatmak için temel bir dil modelinden aldığı metin parçalarını bir araya getirebildiğini gösterdi. Claude Opus 5 üzerine kurulu ajan, kelimelerinin yüzde 90’ına kadarını OLMo-2 adlı 32 milyar parametreli bir modelden alıyor. Testlerde, bu şekilde birleştirilen yanıtlar iki tür tespit aracını da atlattı: Popüler bir sonradan analiz aracında tespit oranı yüzde 77’den yüzde 24’e, filigran temelli bir kontrolde ise yaklaşık yüzde 10’a düştü.

## Yöntem nasıl çalışıyor?

Önceki yöntemlerde yapay zekâ tarafından üretilen metin birkaç kez yeniden yazdırılıyordu; bu da çoğu zaman anlamı değiştiriyordu. Bu yaklaşımda ise ajan, kopyalayıp yapıştıran bir editör gibi çalışıyor. Temel modelden çok sayıda kısa örnek istiyor, ardından göreve (yaratıcı yazı, olgusal yanıtlar, sağlık soruları veya talimatları izleme) en uygun parçaları seçiyor. Bu parçaları birleştirince ortaya çıkan metin hem konudan sapmıyor hem de doğal okunuyor; tespit aracıysa kesintisiz, tek bir yapay zekâ üretimi metin yerine çok sayıda küçük parçanın karışımını görüyor.

## Sonuçları ve maliyeti

Yöntem işe yarıyor, ancak pahalı. Ajan çok daha fazla metin birimi olan token gönderip aldığı için sorgu başına maliyet standart bir API çağrısına kıyasla 30 kata kadar çıkabiliyor. Araştırmacılar, etkili kalmak istiyorlarsa tespit hizmetlerinin bu şekilde birleştirilmiş çıktılarla da eğitilmesi gerektiği uyarısında bulunuyor. Sıradan kullanıcılar açısından bulgu, yapay zekâ tarafından yazılmış içerikleri tespit ettiğini iddia eden araçların söylendiği kadar güvenilir olmayabileceği anlamına geliyor.

## Gerçekler

- Makale, Bhuwan Dhingra tarafından 25 Eylül 2026’da sunuldu.
- Claude Opus 5, yerel olarak çalışan 32 milyar parametreli OLMo-2 modelini yönlendirdi.
- Pangram v4 tespit aracında tespit oranı yüzde 77’den yüzde 24’e düştü.
- Düşük yanlış pozitif oranlarında yumuşak filigran tespiti yaklaşık yüzde 10’a geriledi.
- Ajan çok daha fazla token kullandığı için sorgu maliyeti 30 kata kadar artabiliyor.

## Neden önemli

Tespit araçları daha az güvenilir hâle gelirse, insanların bir metnin insan mı yoksa yapay zekâ tarafından mı yazıldığını doğrulaması zorlaşabilir; bu da çevrimiçi içeriğe duyulan güveni etkileyebilir. Öte yandan, bu kaçınma yönteminin yüksek maliyeti, gelişigüzel kullanımını pek olası kılmıyor ve çoğu kullanıcı için erişim eşiğini yüksek tutuyor.

## Kaynaklar ve referanslar

1. [Agents Can Use Base Models to Evade AI Detection](https://arxiv.org/abs/2609.31876) – arXiv, 2026-09-29

Son güncelleme: 2026-09-29