Yapay zeka güvenlik protokollerinin temelini oluşturan denetim sistemlerinde beklenmedik bir sorun keşfedildi. Araştırmacılar, AI güvenlik sistemlerinin farklı coğrafi bölgelerde eşitsiz performans gösterdiğini ve bazı ülkelerde ciddi bilgi boşlukları bulunduğunu ortaya çıkardı.
Apart Research'ün AI Kontrol Hackathonu için kullanılan Claude Opus 4.6 modelinin detaylı incelemesinde, sistemin küresel AI manzarası hakkındaki faktüel bilgilerinde sistematik boşluklar tespit edildi. Çalışma kapsamında geliştirilen AI Kontrol Bilgi Çerçevesi (ACKF) altı farklı tematik boyutu ele alırken, Harvard Dataverse'te yayınlanan Küresel AI Veri Seti v2'den elde edilen verilerle desteklendi.
227 ülkeden toplanan 24.453 gösterge üzerinden yapılan analizde, araştırmacılar doğrulanabilir uydurmalar ile dürüst ret durumları arasında net ayrım yaparak beş kategorili bir sınıflandırma sistemi kullandı. Ülke bazında kümelenmiş standart hatalar içeren lojistik regresyon ve fark-içinde-fark tahmin yöntemleri, coğrafi eşitsizlikleri sayısal olarak ortaya koydu.
Bu bulgular, AI denetim sistemlerinin küresel düzeyde güvenilirliği konusunda önemli sorular gündeme getiriyor. Özellikle AI teknolojilerinin dünya çapında yaygınlaşması göz önüne alındığında, denetim sistemlerindeki coğrafi önyargıların giderilmesi kritik önem taşıyor.