Yapay Zeka Destekli Pentest'te Asıl Zorluk: Harness Mühendisliği

Yapay zeka destekli sızma testleri (pentest) giderek yaygınlaşıyor; ancak bu süreçte asıl mühendislik ağırlığı, modelin kendisinde değil, onu çevreleyen kontrol katmanında yatıyor. Bir uygulama güvenliği ekibi, genel amaçlı bir model üzerinde çalışan yapay zeka ajanını kendi web uygulamalarına yöneltebilir. Saldırıları model yazıyor olsa da bu saldırıları üretim ortamında güvenli biçimde çalıştıran ve ardından harekete geçmeye değer hale getiren her şey, modelin etrafındaki harness katmanında bulunuyor. Başka bir deyişle, yapay zeka destekli pentest'teki gerçek mühendislik işi harness'ta yaşanıyor.

Kapsam ve Kimlik Bilgileri Kontrolü Neden Bu Kadar Kritik?​

Bir pentest ajanı, bir sonraki isteğini nereye göndereceğine dair binlerce karar alıyor; model her birini düz dille yazılmış bir kurala göre değerlendiriyor. Bir web uygulamasının gerçek sınırı çoğu zaman yönlendirmeler ve dış servis çağrıları aracılığıyla tek bir alan adının ötesine geçiyor. Kapsamı uygulamak, çıkmadan önce her isteği inceleyen ve OWASP'ın 2026 kılavuzuna göre ayrıcalıklı eylemleri model dışında deterministik bir politika motorundan geçiren kod gerektiriyor.
Kimlik bilgileri meselesi de benzer bir hassasiyet taşıyor. Pentest'in doğası gereği ajan, görev alanının dışında kalan çalışan anahtarlarla karşılaşabiliyor. Bunlardan hangisini kullanabileceği, hangi amaçla ve ne zaman bir insanın devreye gireceği; modelin etrafındaki kodun her denemede uyguladığı politika kararları oluyor.

Prompt Injection: Önüne Geçilemeyen Bir Risk​

Ajanın okuduğu her sayfa ve API yanıtı; kullanıcının hiç görmediği gizli alanlar, meta veriler ve yorumlar dahil olmak üzere, uygulamaya yazı yazabilen herkesin içerik yerleştirebileceği bir yüzey sunuyor. Tek bir ürün yorumu bile kötü amaçlı talimatlar barındırmaya yetiyor. OWASP, prompt injection'ı LLM uygulamaları için en büyük risk olarak sınıflandırıyor ve bugün itibarıyla güvenilir bir önleme yönteminin bulunmadığını belirtiyor.
Bu noktada tasarım sorusu, modelin kandırılıp kandırılmayacağı değil; kandırıldığında ne kadar zarar verebileceği oluyor. Bu da iki şeye bağlı: her eylemin ne kadar sıkı kısıtlandığı ve hangi eylemlerin ek inceleme ile insan onayı gerektirdiği. OWASP, her şeyi insana yönlendirmenin onay yorgunluğu yaratarak hata noktasını yalnızca kaydırdığını vurguluyor; dolayısıyla bu da tek başına bir çözüm değil.

Geçersiz Bulgular: Google'ın Bug Bounty Deneyimi​

Ekim 2026'da Google, açık kaynak hata ödül programına gelen otomatik gönderimlerde yaşanan artış nedeniyle ürün güvenlik açığı raporlarını kabul etmeyi durdurdu; şirket, bu gönderimlerin büyük çoğunluğunun geçerli olmadığını açıkladı. Bu gelişme, doğrulanamayan bir bulgunun yalnızca kapatılmayı bekleyen bir bilet olduğunu somut biçimde ortaya koyuyor. Harekete geçmeye değer bir bulgu üretmek; exploit'i çalıştırmayı, neye ulaştığını kayıt altına almayı ve sonucu herkesin tekrar oynatabileceği şekilde paketlemeyi gerektiriyor; tüm bunlar diğer kontrollerin sınırları içinde kalarak yapılmalı.
Ayrıca bu süreç bir kez kurulup bırakılan bir yapı değil. Her model yükseltmesi ajanın davranışını değiştirebiliyor; her sürüm ise güvenliğini test ettiği uygulamayı dönüştürüyor.

Pentera Apps'in Harness Yaklaşımı​

Pentera Apps, bu ayrımı, yani akıl yürütme ile yürütme ayrımını, ürününün temel tasarım ilkesi olarak benimsiyor. Yapay zeka modelinin doğrudan uygulamaya istek göndermesine izin vermek yerine, Pentera Apps neyi test edeceğine karar veren bir yapay zekayı, neyin çalıştırılacağını denetleyen deterministik bir harness ile eşleştiriyor. Her eylem kayıt altına alınıyor; herhangi bir test istenen anda duraklatılabiliyor veya tamamen durdurulabiliyor. Pentera'nın yaklaşık on yıldır binlerce küresel müşteriye uyguladığı üretim testi güvenlik disipliniyle örtüşen bu anlayış, ürünün omurgasını oluşturuyor.
Harness aynı zamanda kanıtı da üretiyor. Her bulgu, tekrarlanabilir bir exploit betiği, CVSS 3.1 puanı ve CWE eşlemesiyle birlikte geliyor; böylece geliştiriciler saldırıyı bizzat yeniden üretebiliyor. Düzeltme yapıldıktan sonra yolun kapandığını doğrulamak için aynı saldırı yeniden çalıştırılabiliyor. Testler isteğe bağlı ya da belirli bir programa göre gerçekleştiriliyor; CI/CD süreçlerine entegre değişiklik tetiklemeli test özelliği ise sırada bekliyor.
Veri güvenliği açısından LLM'ye yalnızca asgari düzeyde ve anonimleştirilmiş veri ulaşıyor; sıfır veri saklama ve müşteri verisi üzerinde eğitim yapılmaması ilkeleri benimseniyor. Veriler müşterinin bölgesinde kalıyor. Her test; müşterinin saldırı yüzeyleri genelinde gerçekleştirilen keşiften, güvenlik yığınından gelen bulgulardan ve canlı tehdit istihbaratı sinyallerinden elde edilen bağlamla başlıyor. Bu bağlam, Pentera'nın bir web uygulamasındaki exploit'i tek platform üzerinden ağ, bulut ve kimlik katmanlarına izleyebilmesini sağlıyor.

Sıkça Sorulan Sorular​

Yapay zeka destekli pentest'te harness katmanı tam olarak ne işe yarıyor?​

Harness katmanı, yapay zeka modelinin akıl yürütme sürecini gerçek dünya eylemlerinden ayırıyor. Model neyi test edeceğine karar verirken deterministik harness neyin çalıştırılacağını denetliyor, her eylemi kayıt altına alıyor ve gerektiğinde testi durdurabiliyor. Bu yapı, saldırıların üretim ortamında güvenli biçimde yürütülmesini ve bulguların doğrulanabilir olmasını sağlıyor.

Prompt injection saldırılarına karşı nasıl bir önlem alınıyor?​

OWASP'a göre prompt injection'a karşı bugün itibarıyla güvenilir bir önleme yöntemi bulunmuyor. Bu nedenle tasarım yaklaşımı, modelin kandırılmasını engellemeye değil, kandırıldığı takdirde verebileceği zararı sınırlamaya odaklanıyor. Her eylemin sıkı biçimde kısıtlanması ve belirli eylemlerin insan onayına yönlendirilmesi bu kapsamda değerlendiriliyor.

Google'ın bug bounty programında yaşanan sorun yapay zeka pentestiyle nasıl ilişkilendiriliyor?​

Ekim 2026'da Google, açık kaynak hata ödül programına yönelik otomatik gönderimlerin büyük çoğunluğunun geçersiz olduğunu belirterek yeni raporları kabul etmeyi durdurdu. Bu durum, doğrulanamayan bulguların güvenlik ekipleri için gereksiz iş yükü oluşturduğunu gösteriyor ve pentest araçlarının tekrarlanabilir, kanıtlanmış bulgular üretmesinin önemini vurguluyor.

Pentera Apps hangi veri güvenliği ilkelerini benimsiyor?​

Pentera Apps, LLM'ye yalnızca asgari düzeyde ve anonimleştirilmiş veri gönderiyor. Müşteri verisi üzerinde herhangi bir model eğitimi yapılmıyor, veri saklanmıyor ve veriler müşterinin kendi bölgesinde tutuluyor.

Pentera Apps'in ürettiği bulgular nasıl doğrulanıyor?​

Her bulgu, tekrarlanabilir bir exploit betiği, CVSS 3.1 puanı ve CWE eşlemesiyle birlikte sunuluyor. Geliştiriciler saldırıyı bağımsız olarak yeniden üretebiliyor; yapılan düzeltmenin ardından aynı saldırı tekrar çalıştırılarak güvenlik açığının gerçekten kapatıldığı doğrulanabiliyor.