(Yazımızın I. Bölümünde “Vergiyi Doğuran Olay”ın İnsansız Değer Yaratımı Karşısında Yaşadığı Kavramsal Tıkanma, Yapay Zekânın İnsan Fiilini İkame Ettiği Durumlarda Vergiyi Doğuran Olayın Yeniden İnşası, Yapay Zekânın Kendi Kendine Öğrenme Yeteneği Karşısında Vergiye Tabi Gelirin Tespit Edilmesindeki Şeffaflık Sorunu, Yorumsal Mecraya Taşıdığımız Üç Katmanlı AI Income Nexus Modeli ve dahasını içeriklendirerek sizlerle paylaşmış, görüşlerinize sunmuştuk. Bugün aynı yazımızın II. bölümüyle sizlerleyiz…)
Transfer Fiyatlandırmasında İnsan-Dışı Değer Yaratmanın Ölçülmesi: Algoritmik Fonksiyonlar, Otonom Karar Süreçleri Ve Yeni Emsallere Uygunluk Doktrini
Yapay Zekâ Çağında Transfer Fiyatlandırmasının Temel Sorunu: Değeri Kim Yaratıyor?
Uluslararası vergilendirme sisteminin yüzyıldır dayandığı “ilişkili işletmeler arası işlemlerin bağımsız işletmeler arasındaki işlemlerde gözlemlenecek koşullarla uyumlu olması” ilkesi, yani arm’s length standardı, klasik olarak insan emeği, fiziksel varlık, yönetim fonksiyonları ve risk üstlenme kapasitesi üzerine kurulmuşken, otonom çalışan yapay zekâ sistemleri, artık ekonomik değerin önemli bir kısmını –ki bu şekilde ifadesinde bir sakınca görmüyoruz- insan müdahalesi olmaksızın yaratmakta ve bu yeni gerçeklik, transfer fiyatlandırmasının analitik temelini oluşturan “Fonksiyonlar–Riskler–Varlıklar” (FAR) analizini yapısal olarak geçersiz kılmaktadır. Dolayısıyla modern dönemde asıl soru, “değerin hangi işletmede yaratıldığı” değil, “değeri artık kim (ya da ne) yaratıyor?” sorusuna dönüşmüştür.
FAR Analizinin Neden Yapay Zekâ İçin Yetersiz Kaldığı
Klasik FAR analizinde fonksiyonlar, insan faaliyetleri ve işletme içi karar süreçleri üzerinden tanımlanmaktadır ki, risk, insanların yönettiği ticari riskleri; varlıklar ise maddi ve maddi olmayan işletme unsurlarını ifade etmektedir. Oysa yapay zekâ, kendi başına ve çoğu zaman insan kontrolü olmadan karar verebildiği için, geleneksel fonksiyon tanımları algoritmik süreçleri kapsamayacak, aynı şekilde risk, artık insanların üstlendiği ticari riskten ziyade model parametrelerinin oluşturduğu teknik risklere dönüşecektir; varlıklar ise klasik fikrî mülkiyet kavramına sığmayacak kadar kompleks olan “dinamik model ağırlıkları” haline gelecektir. Bu nedenledir ki, FAR analizinin yapay zekâya uygulanması, tıpkı kare bir parçayı yuvarlak bir yuvaya sokmaya çalışmak kadar işlevsiz hale gelecektir.
OECD’nin “Algorithmic Value Contribution” (AVC) Olarak Nitelendirdiği Yeni Değer Yaklaşımı
Denilebilir ki, OECD’nin 2024 taslak çalışmaları baz alınırsa, yapay zekânın ekonomik değer yaratımının klasik yöntemlerle ölçülemeyeceği kabul edilmiş ve bu nedenle “Algorithmic Value Contribution” (AVC) adı verilen yeni bir metodoloji gündeme getirilmiştir. Şöyle ki, yorumlayacak olursak, AVC, bir yapay zekâ modelinin ekonomik faaliyette sağladığı katkıyı, modelin otonom hesaplama performansı, karar optimizasyon etkisi, veri işleme kapasitesi ve çıktı kalitesinin ekonomik sonuçlara dönüşme katsayısı üzerinden ölçen bir mekanizmadır. Böylece yapay zekâ artık “dolaylı bir üretim faktörü” değil, bizzat bir “değer katkı birimi” olarak kabul edilebilecektir.
AVC’nin Klasik Emsallere Uygunluk İlkesi İle İlişkisi: Emsal Artık İnsan Mı, Algoritma Mı?
AVC yaklaşımının en çarpıcı yönü ise, emsal karşılaştırmasının artık insan davranışına değil, algoritmik performansa dayanması gerektiği sonucunu doğurmasıdır. Yani yapay zekâ tarafından gerçekleştirilen bir fonksiyonun bağımsız işletmelerdeki eşdeğerinin bulunabilmesi için, emsal teşkil eden işletmenin de benzer kalitede bir algoritmik süreç kullanıp kullanmadığına bakılması gerekmektedir. Bu durum, transfer fiyatlandırmasında emsal analizinin ilk defa, -deyim yerindeyse- insan activity benchmark’ları yerine algorithmic benchmark’lara dayandırılması anlamına gelir ki bu, yöntemsel açıdan etkileyici bir devrim niteliğindedir.
AVA (Algorithmic Value Added) Katsayısının Doğuşu
OECD uzman grupları, yapay zekâ tarafından yaratılan değerin işletme bazında ölçülmesi için “Algorithmic Value Added (AVA)” adı verilen bir katsayı ya da daha doğru ifadeyle OECD AI Index çerçevesinde AI Capability Indicators (Yapay Zeka Yetkinlik Göstergeleri) geliştirmeyi tartışmaktadır diyebiliriz… AVA, modelin (i) işlem hacmine, (ii) karar optimizasyonuna katkısına, (iii) hata azaltma oranına, (iv) maliyet düşürme etkisine, (v) gelir artışı yaratma potansiyeline göre hesaplanan çok boyutlu bir değer gibi görünmektedir. AVA yüksek işletmeler, transfer fiyatlandırması açısından “yüksek değer katkısı içeren algoritmik operasyon merkezleri” olarak da sınıflandırmaya ve daha yüksek kâr payı tahsisine konu olmaya alan açma yönünde potansiyeldir.
Algoritmik Fonksiyonların Tespiti: Yeni Nesil Fonksiyon Envanteri
AI çağında fonksiyon envanteri yalnızca işletme çalışanlarının işleri üzerinden yapılamayacaktır, bunun yerine algoritmanın gerçekleştirdiği görevlerin fonksiyon kataloglarına dahil edilmesi gerekmektedir ki, bu katalogda örneğin:
öngörüsel analiz,
otonom karar verme,
veri işleme yoğunluğu,
modelin gerçek zamanlı optimizasyon kapasitesi,
kendini yeniden eğitme becerisi,
hata tespit ve düzeltme süreçleri
gibi fonksiyonlar yer almalıdır. Bunların her biri klasik fonksiyonlardan farklı olacaktır hiç şüphesiz ve dahası transfer fiyatlandırmasının temeline yeni bir fonksiyon kümesi ekleme yönünden de çığır açıcı olacaktır.
Riskin Algoritmik Yeniden Tanımı: “Model Risk Allocation” (MRA)
Yapay zekâ çağında risk, artık bir kararın yanlış yapılması riskinden ziyade model parametrelerinin sapma, bozulma veya yanlılık üretme ihtimaline bağlı teknik bir risk halini alacaktır. Bu nedenle yine OECD’nin çalışmalarından yola çıkarak diyebiliriz ki, bu alanda “Model Risk Allocation” (MRA) adında yeni bir risk sınıflandırması önerilmektedir. Şöyle ki, MRA, modelin hangi işletme tarafından eğitildiği, test edildiği, doğrulandığı ve gözetildiğine göre risk tahsisi yapılmasını öngörmektedir. Böylece risk, insan fiilinden bağımsız bir biçimde teknik yönetimin bir fonksiyonu haline gelecektir.
Model Ağırlıkları: Yeni Kuşak İmmateriâl Varlık Sınıfı
Bir yapay zekâ modelinin en değerli bileşeni olan “model weights” yani parametre ağırlıkları, klasik fikrî mülkiyet hukuku açısından ne tamamen telif hakkına konu bir eser ne de klasik anlamda bir patent niteliği taşımaktadır. Buna rağmen ekonomik değeri, birçok markanın toplam değerinden daha büyüktür. Bu nedenle transfer fiyatlandırması literatüründe model ağırlıkları, “dynamically evolving intangible assets” olarak sınıflandırılmakta (BEPS Aksiyon 8-10 sonrası geliştirilen DEMPE yaklaşımı bu kavramın fiili teorik zeminini oluşturmaktadır.) (zaman içinde kendiliğinden veya kullanım, veri, etkileşim ve öğrenme süreçleri yoluyla sürekli değişen, gelişen ve değer yapısı sabit olmayan maddi olmayan varlıklar) ve bu yeni varlık sınıfı üzerinden royalty tahsisi yapılması da tartışmalar arasında yer almaktadır.
Otonom Karar Süreçleri: İnsan Dışı Kararın Ekonomik Etkisi Nasıl Ölçülür?
Yapay zekâ tarafından verilen kararların ekonomik katkısını ölçmek için OECD çalışmaları değerlendirildiğinde, “Autonomous Decision Impact Analysis” (ADIA) adlı bir çerçevenin gelişmesine ilişkin tartışma mecrasının hâlihazırda aktif olduğu söylenebilir. ADIA, yapay zekâ tarafından verilen kararların işletme sonuçlarına etkisini, alternatif insan karar modelleri ile karşılaştırarak ölçen bir yapısal durumdur ve yorumumuz şu ki, bu analiz, yapay zekânın değer yaratım kapasitesini objektif olarak belirlemeyi de amaçlayacaktır.
Algoritmik emsal belirleme: Benchmarking artık veri kümeleri üzerinden yapılır
Klasik emsal karşılaştırma yöntemleri, işletmelerin finansal verilerini karşılaştırırken; algoritmik çağda emsaller, modelin performans metrikleri (yani doğruluk, latency, error rate, optimisation gain) üzerinden belirlenmektedir. Böylece emsal, finansal değil, teknik bir karakter kazanmaktadır ve OECD literatüründe bunun “Algorithmic Comparable Analysis (ACA)” (bir algoritmanın ne yaptığını, ne kadar değer yarattığını, ne kadar risk üstlendiğini, benzer algoritmalarla veya insan karar süreçleriyle karşılaştıran bir analiz sistemi) olarak değerlendirildiğini de söylemek de kavramsal uzaklaşma yaratmayacaktır.
Emsallere Uygunluk İlkesinin Algoritmik Dönüşümü: Yeniden Fiyatlandırmanın Doğası Değişiyor
Arm’s length standard’ın (emsallere uygunlık prensibi) algoritmik dönemdeki uygulaması, klasik yeniden fiyatlandırma yöntemlerini (CUP, TNMM, Cost Plus, Profit Split) teknik parametrelerle yeniden tanımlayacaktır. Örneğin:
Algorithmic Cost-Plus: model eğitimi maliyetine AVA katsayısı eklenebilir.
Algorithmic Profit Split: kâr, insan ve algoritma arasında paylaştırılabilir.
Algorithmic TNMM: net kâr marjı teknik performans üzerinden düzeltilebilir.
İnsan–Makine Değer Paylaştırması: Hibrit Değer Yaratım Modelleri
Birçok işletmede değer, hem insanlar hem de yapay zekâ tarafından birlikte yaratılmaktadır; bu nedenle OECD (AI and the Future of Skills adlı rapordan yola çıkarak-AI nin insan becerileriyle karşılaştırmalı raporunu incelediği üzere), -bizim teknik değerlendirmemiz olduğunu söylemekle birlikte- “Human–AI Joint Value Creation Models” olarak nitelendirebileceğimiz hibrit dağıtım sistemleri üzerinde çalışmaya devam etmektedir. Bahse konu çalışmalarda ise, değer yaratım süreci insan katkısı, algoritmik katkı ve veri katkısı olmak üzere üç kategoride değerlendirilebilir ve bu üç kategorinin karma oranına göre kâr tahsisi de yapılabilir.
Veri Katkısının Vergisel Değeri: Raw Data Royalty Sistemi
Denilebilir ki, OECD çalışmalarında verinin kendisi de bir değer katkısı olarak kabul edilmektedir. Bu nedenle yapılan çalışmalardan yola çıkarak “Raw Data Royalty” (ham verinin bir başkası tarafından kullanılması karşılığında, veri sahibine ödenen lisans/kullanım bedeli) olarak nitelendirebileceğimiz yeni bir ücretlendirme modelini değerlendirebiliriz. Bu modele göre, veri sağlayan işletme veya ülke, modelin yarattığı değerden royalty benzeri bir pay alma hakkına sahip olabilecek ki, bu yaklaşımda, veri zengini ülkelerin küresel AI değer zincirinde güç kazanması da kaçınılmaz olacaktır.
Yapay Zekâ Döneminde Kâr Kaydırmanın Yeni Biçimleri: Algorithmic Profit Shifting
Bunu söylemekte bir beis görmüyoruz… Neden mi? Klasik kâr kaydırma teknikleri artık geçerliliğini yitirirken, yapay zekâ çağında “Algorithmic Profit Shifting” olarak nitelendirilebilen yeni bir kaçınma türü ortaya çıkmaktadır ki, bu yöntemde şirketler, model eğitimini düşük vergili ülkelere kaydırarak AVA katsayısını oraya taşımaya çalışabilecekler ve OECD de bu nedenle Training Nexus ile bu tür kaçınmaları engellemeyi hedefleyebilecektir.
Transfer Fiyatlandırmasının İnsan-Dışı Bir Ekonomiye Uyarlanması
Yapay zekânın ekonomik karar süreçlerinin merkezine yerleşme niyeti, transfer fiyatlandırmasını kökten sorgulamaya itmiş ve arm’s length standard’ı algoritmik bir mantığa bağlama yolunda cüretkâr tavır sergilemiştir. Klasik FAR analizi, algoritmik fonksiyon, teknik risk ve dinamik model ağırlıkları karşısında işlevsiz kalırken, OECD tarafından yapılan çalışmalarda diyebiliriz ki işlevsel ve yorumsal mecra bulan, AVC (Analitik Değer Zinciri), AVA (Otomatik Değer Analizi), MRA (İzleme, Değerlendirme ve Raporlama Sistemi), ADIA (Otomatik Veri Etki Analizi) ve ACA (Algoritmik Uyum Değerlemesi) gibi araçlar, insan-dışı değer yaratımını ölçen yeni nesil bir transfer fiyatlandırma mimarisinin temeline de etki etmektedir. Bu dönüşüm, yapay zekâ çağında uluslararası vergi hukukunun yalnızca teknik bir yeniden düzenlemesi değil, aynı zamanda “ekonomik değerin kim tarafından yaratıldığına” ilişkin kavramsal sorunun da yeniden tanımlanması anlamına gelecektir.
Algoritmik Ekonomide Kârın Dağıtımı Ve Çok Taraflı Vergi Anlaşmalarının Yeni Mimarisi: “AI Fiscal Constitution” Dönemine Geçiş
Yapay Zekâ Ekonomisinin Uluslararası Vergi Düzenine Getirdiği Meydan Okuma: Devletlerin Vergi Egemenliği Algoritmik Akışlar Altında Çözülüyor Mu?
Yapay zekâ-temelli küresel ekonomide üretim süreçlerinin, sermaye hareketlerinin ve bilgi akışlarının büyük ölçüde sınır ötesi veri transferi, bulut altyapısı, otonom karar sistemleri ve algoritmik hesaplama düğümleri etrafında örgütlendiği bir çağda, klasik anlamdaki vergi egemenliği modelinin - yani devletin kendi sınırları içinde ekonomik faaliyet üzerinden egemen olarak vergi alma yetkisinin - adeta dijitalleşmiş bir ekonomik atmosfer tarafından çevrelenerek zayıflatıldığı, hatta bazı yönleri itibarıyla hükümsüzleştirilme çabasına girildiği görülmektedir. Çünkü vergiyi doğuran olay artık belirli bir ülkenin toprağında gerçekleşen somut faaliyet ile değil, küresel çapta dağılmış veri merkezlerinin, yapay zekâ modellerinin, bulut hizmet sağlayıcılarının ve otonom algoritmaların eş zamanlı etkileşimi sonucu dijital bir küme davranışı şeklinde ortaya çıkmaktadır. Bu durum, uluslararası vergi hukukunu şekillendiren çifte vergilendirmeyi önleme anlaşmalarının (ÇVÖA) ve OECD Model Vergi Anlaşması’nın, yapay zekâ çağında kârın nereye ait olduğuna ilişkin temel soruya artık cevap veremez bir hâle gelmesine yol açmaktadır ki, söz konusu durum artık bu alana ilişkin cevapların yeniden yapılandırılması gerektiği yönünde de ihtiyaca işaret etmektedir.
AI Ekonomisinde “İş Yeri” Kavramının Çöküşü: Fiziksel Varlık Olmadan Ekonomik Varlık Yaratılabilir Mi?
Uluslararası vergi hukukunda bir ülkenin vergileme yetkisini belirleyen en önemli kriterlerden biri olan “daimi iş yeri” kavramı, yapay zekâ çağında giderek daha fazla işlevsiz kalmaktadır; çünkü otonom algoritmaların ekonomik değer yaratma fiili, belirli bir ofise, personele, üretim tesisine, sabit yere veya klasik bir organizasyon bütünlüğüne bağlı olmaksızın gerçekleşmektedir. Bir yapay zekâ modelinin bulut üzerinde eğitildiği, kararlarının dünyanın dört bir yanındaki müşterilere eş zamanlı olarak dağıtıldığı ve bu modelin ekonomik sonuçlarının herhangi bir ülkenin fiziksel sınırlarıyla ilişkilendirilemediği bir durumda, klasik anlamda “iş yeri” aramak, dijital bir atmosfere fiziksel bir gölge düşürmeye çalışmak kadar anlamsız hale gelmektedir. Ve bu alanda diyebiliriz ki, OECD bu nedenle “Algorithmic Nexus” olarak nitelendirebileceğimiz yeni bir bağlantı ölçütü üzerinde çalışmakta, yapay zekâ temelli ekonomik katkının, nerede fiziksel tesis olduğuna değil, nerede algoritmik değer yaratımının gerçekleştiğine göre tespit edilmesi gerektiğine dair çalışmalarını sürdürmektedir.
Çok Taraflı Vergi Anlaşmalarının Yeni Paradigması: “AI Income Nexus”un Küresel Vergi Düzenindeki Yeri
OECD ve G20’nin son dönem tartışmalarında ortaya çıkan “AI Income Nexus”, yapay zekâ tarafından yaratılan ekonomik değerin ülkelere nasıl dağıtılacağını belirleyen yeni bir bağlantı kuralı olarak konumlandırılmakta, bu yeni yaklaşımda bir devletin vergileme yetkisi, artık işletmenin fiziki varlığına değil; yapay zekâ modelinin ilgili devletin veri ekosistemi, kullanıcı kitlesi, pazar etkisi, model eğitimi, model güncellemesi ve veri kaynağı üzerindeki bağımlılık düzeyine göre belirlenmesine dair hususlar ve buna ilişkin gelir-yapay zekâ ilişkisi kapsamlı çalışma ve tartışma alanı bulmaya devam etmektedir. Bu durum uluslararası vergi hukukunda ilk defa ekonomik değerin coğrafi dağıtımının fiziksel değil, algoritmik bağlarla tanımlanması anlamına gelir ki bu kırılma, neredeyse ve bir o kadar da heyecan verici ki, Bretton Woods sonrası düzenin yeniden yazılması kadar kapsamlı bir dönüşümü de beraberinde getirme potansiyeline sahiptir.
Uluslararası vergi hukukunun temel çatışması, gelirin kaynak ülke mi yoksa ikamet ülkesi tarafından mı vergileneceği üzerine kuruluydu; ancak yapay zekâ çağında gelirin kaynağı, artık ne üretimin yapıldığı fiziksel yer ne de mükellefin bulunduğu ikamet ülkesi kavramlarını karşılamaktadır. Gelirin kaynağı, veri kümelerinin niteliği, modelin eğitildiği algoritmik ortam, sunucu dağılımı, veri işleme yoğunluğu ve karar üretiminin gerçekleştiği teknik düğüm noktaları haline gelmiştir. Dolayısıyla küresel sistem artık “source vs residence” değil, “data vs algorithm” mücadele alanına dönüşmüştür. Bu dönüşüm, uluslararası vergi anlaşmalarının tüm mantığını yeniden tanımlanmayı da bu süreçte zorunlu kılacaktır kim bilir…
AI Ekonomisinde Kârın Dağıtımı: P1–P2 Sisteminden “Algorithmic Profit Allocation” Modeline Geçiş
OECD’nin BEPS 2.0 çalışmalarında ortaya konan Pillar 1 ve Pillar 2 sistemleri (küresel asgari vergi ve pazarda değer yaratımına göre kâr dağılımı), yapay zekâ çağının gereksinimlerini karşılamakta yetersiz kalmakta, üstelik dijital platform şirketlerinin bile geride kaldığı bir algoritmik ekonomi içinde kârın hangi ülkeye ait olduğunun belirlenmesi neredeyse imkânsız hale gelmektedir. Bu nedenle OECD görünen o ki, “Algorithmic Profit Allocation” (APA) adı verilen yeni bir sistemi sorgulamakta; bu sistemde kârın dağıtımı, kullanıcıların konumu, verinin kaynağı, algoritmanın eğitildiği ortam, modelin güncellendiği bağlam, modelin ekonomik katkısı ve sonuçların hangi devletlerin ekonomilerini etkilediği üzerinden yeniden hesaplanma masasına konulmaktadır.
Veri Katkısının Kâr Dağılımında Rolü: “Data Sovereignty as Taxing Right”
AI ekonomisinin en kritik bileşeni olan verinin üretildiği yer ile verinin işlendiği yer birbirinden ayrıldığında, veriyi üreten ülkenin artık klasik anlamda ekonomik faaliyetten pay alması mümkün olmayacaktır, bu durum özellikle veri zengini ancak teknoloji fakiri ülkelerin aleyhine derin bir eşitsizlik sorununu da gündeme getirecektir. Bu nedenle birçok gelişmekte olan ülke, Birleşmiş Milletler çatısı altında “Data Sovereignty as Taxing Right” (Veri Egemenliğinin Vergileme Hakkı Olarak Tanınması) doktrinel yönelimi savunmakta, veriyi üreten nüfusun bulunduğu ülkelerin küresel AI değer zincirinden pay alması gerektiğini öne sürmektedir. Bu tartışma, AI ekonomisinde adaletin de merkezinde yer alan bir unsur olacaktır.
Yapay zekâ ekonomisinde verinin vergisel değeri nasıl ölçülür?
Verinin değeri, en basit betimlemesiyle klasik amortismana tabi varlıkların aksine lineer veya deterministik bir şekilde ölçülemeyecektir, çünkü veri, modelin eğitimi sırasında sürekli olarak yeniden değerlilik kazanan bir girdidir. OECD bu nedenle yeni bir ölçüm sistemi üzerinde tartışmalarını sürdürmektedir. Peki, nedir bu verinin değerini belirleyecek olan sistem? “Data-Driven Value Attribution” (DDVA). DDVA, en kısa tanımıyla, veri kaynağının model performansına katkısını ölçen ve bu katkıyı kâr payı tahsisinde bir unsur haline getiren bir metriktir. Böylece veri üreten ülkeler - Türkiye dahil - küresel AI süreçlerinden pay alma hakkına kavuşabilecektir ne dersiniz…
Algoritmik Dağıtım Anahtarları: Coğrafi Değil, Fonksiyonel Kriterler
Kâr dağıtımında kullanılan klasik coğrafi kriterler (satış yeri, üretim yeri, yönetim merkezi) yerini fonksiyonel, teknik ve veri temelli kriterlere bırakmaya başlamaktadır. Bu alandaki tartışmalar OECD metinlerinin alt katmanlarında da açıkça hissedilmektedir ki, artık beklenen algoritmik dağıtım anahtarları şu üç unsuru karşılamaktadır;
Bu sistem, yapay zekâ tarafından yaratılan kârın doğrudan teknik süreçlerin niteliğine göre paylaştırılmasını da hedefleyecektir.
Bulut Bilişim Merkezleri Yeni “İş Yeri” Midir?
Birçok ülke, bulut sunucularının vergi hukuku açısından “iş yeri” sayılması gerektiği yönünde tartışmalara katılmakta, ancak yapay zekâ çağında bulut ortamının kendisi, yalnızca veri depolayan bir mekanizma olmaktan çıkıp, aynı zamanda model eğiten, hesaplama yapan, karar veren, kâr üreten bir uzamsal merkez haline geldiğinden, bulut sunucularının klasik iş yeri kurallarına göre değerlendirilmesi de bu ekosistemde yetersiz kalmaktadır. OECD’nin bu alana ilişkin bulut bilişim alt yapısına ilişkin AI politikaları bağlamında ölçülmesi, değerlendirilmesi ve politika oluşturulması üzerine yoğunlaşmış çalışmaları mevcut olup bu nedenle “Cloud-Based Algorithmic Establishment” adında yeni bir yapının tartışılmasının ayak seslerini de duyar gibiyiz…
Yapay Zekâ Modelleri Ulus-Ötesi İse Kâr Hangi Ülkeye Aittir?
Bu soruya verilen hiçbir klasik yanıt yeterli olmayacaktır. Çünkü yapay zekâ modelleri, tek bir ülkede eğitilmeyip küresel sunucu ağlarında çok noktalı eğitim süreçlerine tabi tutuluyorsa, hangi ülkenin “kaynak” ülke olduğu da belirlenemeyecek ve bu nedenle yeni sistemde, kârın şu üç kritere göre dağıtılması gerekecektir;
Bu üçlü yapı da Tri-Source AI Allocation yansımasını vermektedir.
Gelişmekte Olan Ülkeler Açısından Yapay Zekâ Ekonomisinde Adil Vergi Payı Mücadelesi
AI ekonomisi esasen teknolojik altyapısı güçlü olan ülkelerin lehine bir değer yataylığı yaratmaktadır; bu nedenle gelişmekte olan ülkeler, özellikle Türkiye, Hindistan, Brezilya ve Güney Afrika, Birleşmiş Milletler çatısı altında daha adil bir dağıtım sistemi talep etmekte ve yapay zekâ model eğitimi için kullanılan veri kaynaklarının, nüfus yoğunluğunun ve kültürel içerik katkısının vergisel hak olarak tanınmasını istemektedir.
“AI Fiscal Constitution” Kavramının Doğuşu
Birçok akademisyen, yapay zekâ çağında uluslararası vergi hukukunun yalnızca teknik bir dönüşümden değil, aynı zamanda köklü bir dönüşümden geçmesi gerektiğini savunmakta ve bu dönüşüm de, yapay zeka ile vergi hukuku/vergisel süreçler arasındaki ilişkiler, hukuki yapıların dayandığı normatif çerçeve ve anayasal ilkeler bağlamında tartışmaları bünyesinde barındırmaktadır. Başlığa konu betimlemesel, ki tarafımızca nitelendirilmiş kavram da, devletlerin vergileme yetkisinin algoritmik bir dünyada nasıl yeniden kurulacağını belirleyen temel ilke, kavram ve kuralları, diğer bir ifadeyle yol haritasının şekillenmesi gerektiğini ifade etmeye gönüllüdür kim bilir…
Çok Taraflı Anlaşmaların Güncellenmesinin Ötesinde: Tamamen Yeni Bir Vergi Mimarisine İhtiyaç Var mı?
Hiç şüphesiz konunun uzmanları, mevcut ÇVÖA’ların yapay zekâ çağında deyim yerindeyse yamayla ayakta tutulamayacağını, çünkü yapısal olarak insan-merkezli bir kavramsal çerçeveye sahip olduklarını ve bu nedenle yapay zekâ temelli bir ekonomiyi düzenlemekte ontolojik olarak yetersiz kalıp kalmadıklarını haliyle tartışmaya devam etmektedirler. Bu nedenle gelecek, mevcut sistemi güncellemekten değil, belki de tamamen yeni birçok taraflı vergi anlaşması mimarisi kurmaktan geçecektir.
Uluslararası Vergi Hukukunun Yapay Zekâ Çağında Yeniden Doğuşu
Yapay zekâ ekonomisinin küresel ölçekte yarattığı değer akışları, uluslararası vergi hukukunun insana dayalı tüm yapısal kabullerini sorgulatmakta, verginin kaynağını, öznesini, dağıtımını, bağlantı kurallarını ve çok taraflı anlaşmaların amacını yeniden tanımlamayı zorunlu kılmaktadır. AI çağında vergileme, artık fiziksel varlıkları değil, algoritmik süreçleri; insan faaliyetlerini değil, veri katkısını; ulusal ekonomileri değil, küresel hesaplama ağlarını merkeze alan bir yapıya evrilmek zorundadır. Dahası bu dönüşüm yalnızca teknik bir revizyon olmanın ötesinde, kavramların yeniden sorgulanmasını ve belki de yapılandırılmasını da gerektiren bir kırılma mahiyetinde olacaktır…
Yazı serimizin devamı niteliğindeki III. Bölümünü bir sonraki yazımızla sizlerle paylaşacağız…