Yapay Zekâ Mesaj Yeniden Yazıcıları İşe Yarıyor mu? Kanıtlar

Kişisel mesajları yeniden yazan yapay zekâ araçları hakkında bulabildiğim her şeyi birkaç hafta boyunca okudum. Kısmen böyle bir şey inşa ettiğim için, kısmen de bu konuda inandığım şeyin doğru olup olmadığını bilmek istediğim için.

İnandığım şey şu: zor bir mesajı yapay zekâya verdiğinde asıl işe yarayan an, sana geri verdiği cilalı versiyon değil. İşe yarayan an otuz saniye öncesi, bir şeyin sana zaten yazdığın mesajın kötü karşılanacağını ve nedenini söylediği andır.

Bunu yapan bir araç aradım. Rafta böyle bir şey bulamadım, Subtext’i sonunda kurmamızın nedeni kabaca bu. Buna göre taraflı olduğumu varsay ve makaleleri kendin kontrol et. Sonra insanlar kişisel mesajlarını yapay zekâya yazdırdığında ne olduğuna dair araştırmaları aramaya başladım, ve bu, ürünlerden çok daha ilginç çıktı.

Aşağıda bulduklarım var, kontrol edebilesin diye her şeyi bağlantıladım.

Bu kategorideki ürünlerin çoğu aslında aynı tek şeyi yapıyor

İndirilme sayılarını bir kenara bırakıp bu araçları ne yaptıklarına göre sıralarsan, dört gruba iniyorlar ve çoğu aynı yerde bitiyor.

Birinci grup, telefonuna gömülü olanlardır. Apple Intelligence Yazma Araçları¹ iOS 18.1 ve sonrasında sistem genelinde çalışıyor. Metni seçiyorsun ve karşına Düzelt, üç tonda (Samimi, Profesyonel, Kısa ve öz) Yeniden Yaz ve isteği ChatGPT’ye ileten Oluştur seçenekleri çıkıyor. Donanımın destekliyorsa ücretsiz, yani iPhone 15 Pro ve üstü. Samsung Writing Assist² One UI’de aynı işi görüyor, ton değişimleri, önerilen cevaplar ve Canlı Çeviri ile. Gboard³ daha yeni cihazlarda Gemini Nano üzerinde çalışan Akıllı Yanıt, Düzelt ve yeniden ifade etme araçları ekliyor. Hepsi ücretsiz.

İkinci grup, mesajlaşma uygulamasının içindeki asistanlardır. Magic Compose⁴, Google Messages’ta klavyenin üstüne önerilen cevaplar koyuyor ve taslakları Heyecanlı, Sakin ve, nedenini anlamadığım bir şekilde, Shakespeare dahil çeşitli üsluplarda yeniden yazıyor. Bunu yapmak için son yirmi mesajına kadarını Google’ın sunucularına gönderiyor, yani o mesajlar artık uçtan uca şifreli değil. Google bunları saklamadığını söylüyor. Messages içindeki Gemini ayrı bir şey, taslağını yazdığın ve sonucu gerçek konuşmaya kopyaladığın ayrı bir sohbet penceresi. Diğer konuşmalarını göremiyor. Hangisine ihtiyacın olduğu işe bağlı: en iyi yapay zekâ cevap uygulaması, sorunun hacim mi yoksa risk mi olduğuna bağlı.

Üçüncü grup, flört cevabı uygulamalarıdır. Konuşmanın ekran görüntüsünü atıyorsun, uygulama üstünde OCR çalıştırıyor ve sana açılış cümleleri ile geri dönüşler veriyor. W Rizz haftada 3,99 dolar alıyor. Eskiden RizzGPT olan PlugAI, 4,99 dolar civarında. Onlarca benzeri daha var ve hepsi tek bir şeyi optimize ediyor: bir sonraki mesajın cevap alıp almayacağını.

Dördüncü grup, zor konuşmalar için küçük olanlardır. Bu en ilginç ve en az yatırım alan grup. iOS’taki Resolve⁵, kendi deyimiyle çatışma sıcaklığını puanlıyor. Android’deki Clarity Coach⁶, taslağını bir pratik senaryoya yazdırıyor ve seni yeniden yazmaya geçmeden önce metnin belirsiz mi, fazla sert mi yoksa fazla açıklamalı mı okunduğunu söylüyor. Kurucu ortağı olduğum Subtext de bu grupta ve kategorinin geri kalanının tam tersi yönde çalışıyor. Önce konuşmayı ve taslağını okuyor, mesajın büyük ihtimalle nasıl karşılanacağını ve bunu hangi kelimelerin yarattığını söylüyor, ancak sonra alabileceğin ya da göz ardı edebileceğin yeniden yazımlar sunuyor.

Bunların çoğunda olana dikkat et. Sen metin veriyorsun, o sana başka bir metin veriyor. Yazdığını okuyup karşıdakinin bunu muhtemelen nasıl alacağını söyleyen adım nadir, olduğu yerde de çoğunlukla iş yazılımlarının içinde duruyor. Outlook’taki Copilot⁷ ton, anlaşılırlık ve okuyanın ne hissedebileceği üzerine e-posta koçluğu sunuyor, Grammarly’nin Reader Reactions⁸ özelliği de seçtiğin bir okuyucunun bir belgeden ne anlayacağını ve kafasını neyin karıştırabileceğini tahmin ediyor. İkisi de kız kardeşine göndermek üzere olduğun mesaj için yapılmamış. Kişisel tarafta Clarity Coach buna en yakın olanı ve o da bir pratik alanı, yani gerçekten göndermek üzere olduğun bir mesaja dokunamıyor.

Grammarly⁹, net olmak istediğim araç, çünkü bu boşluğu kapatma ihtimali en yüksek olan yakın kaçırış o. Ton dedektörü kelime seçimini, cümle kuruluşunu, noktalamayı ve büyük harf kullanımını okuyup tonu adlandırıyor. 2019’daki lansmanında takdir eden, özgüvenli, resmî, sevecen ve üzgün dahil yaklaşık kırk tanesini¹⁰ kapsıyordu. Grammarly’nin kendi destek dokümantasyonu sınırı konusunda dikkatli. Dedektör metninin genel tonunu belirliyor¹¹ ve cümle düzeyinde yeniden yazım sunmuyor. Hangi tonun var olduğunu söylüyor. Kız kardeşinin bunu kaba bulup bulmayacağı ayrı bir soru. Grammarly’nin daha yeni Reader Reactions özelliği bu sorunun bir versiyonunu yönetici ya da müşteri gibi senin seçtiğin bir okuyucu için cevaplamaya çalışıyor⁸, ve gerçek okuyucuları ne kadar iyi tahmin ettiğine dair bağımsız bir test görmedim. Ton tespiti ücretsiz katmanda, Pro ise güncel fiyat takip sitelerine göre yıllık faturalamada ayda 12 dolar.

İnsanlar bir metni yapay zekânın yazıp yazmadığını anlayamadı, hem de hiç yakın değildi

Beni en çok şaşırtan bulgu bu, ve bu alandaki en güçlü örneklemli çalışma.

Maurice Jakesch, Jeff Hancock ve Mor Naaman, 2023’te PNAS’ta¹² yayımlanan, 4.600 ABD’li katılımcıyla altı deney yürüttü. İnsanlar flört, konaklama ve profesyonel profillerden kendini tanıtma metinleri okuyup hangilerinin bir makine tarafından yazıldığını tahmin etti. Doğruluk yüzde 50 ile 52 arasında çıktı. Doğru bilmenin para kazandırdığı flört koşulunda ise yaklaşık yüzde 51,6.

Yazı tura sınırında.

Sebebi hepimizin aynı bozuk kısayolları kullanması. Katılımcılar birinci tekil şahıs zamirlerini, kısaltmaları, aile sözlerini ve sıcak duygusal detayları bir insanın yazdığının kanıtı saydı. Düzgün dilbilgisini ve düz üslubu ise bir makinenin kanıtı saydı. Bu sinyallerin her biri bir modelin istek üzerine ürettiği kadar kolay. Sezgisel kısayollar tam ters yöne işaret ediyor. Aynı makaledeki eğitilmiş bir sınıflandırıcı da yalnızca yüzde 58,1’e ulaşabildi, yani bu daha dikkatli olarak çözülebilecek bir beceri sorunu değil.

Sayı Yapay zekânın yazdığı metni insanın yazdığından ayırt etme doğruluğu: yüzde 50 ile 52 arası. Yazı tura sınırında.

Altı deney · 4.600 katılımcı · 2023’te PNAS’ta yayımlandı · özellikle bu görev için eğitilen bir sınıflandırıcı bile yalnızca yüzde 58,1’e ulaşabildi

Tek bir çekince var: bu çalışma GPT-3 dönemi metinler kullandı. Sayıların güncel modeller karşısında da geçerli olup olmadığını bu ölçekte test eden kimseyi görmedim.

Subtext’in bir mesajı yapay zekânın yazıp yazmadığını asla tahmin etmeye çalışmamasının bir nedeni de bu. Kendi taslağını okuyup onu alacak kişiye nasıl ulaşacağına bakıyor, yazarının kim olduğuna dair bir yazı tura tahmini bunu sana asla söyleyemezdi. İfade kalıplaşmış, arkasında ses olmayan hazır cümleler gibi okunduğunda, bunu robotik ton olarak etiketler; bu, kelimelerin nasıl okunduğuyla ilgilidir, kimin yazdığıyla değil.

Zarar yakalanmaktan değil, şüphelenilmekten geliyor

İnsanlar yapay zekâyı tespit edemiyorsa, bütün endişenin buharlaşmasını bekleyebilirsin. Buharlaşmıyor, ve gerçek birine gerçek bir mesaj yazan herkes için önemli olan kısım da tam burası.

Cornell öncülüğündeki bir ekip, Scientific Reports’ta¹³ yayımlanan, 1.020 katılımcıyla iki randomize deney yaptı. Akıllı yanıtlar konuşmaları hem daha hızlı hem daha olumlu hale getirdi ve insanlar birbirini daha yakın ve daha iş birlikçi buldu. Karşı tarafın akıllı yanıt kullandığından şüphelenen katılımcılarsa o kişiyi belirgin şekilde daha kötü değerlendirdi. Zararı yaratan şüpheydi. Bu çalışma doğruluğu değil şüpheyi ölçtü, ve yukarıdaki tespit rakamları düşünüldüğünde bu şüphelerin doğru kişilere yöneldiğini düşünmüyorum.

Bir Carnegie Mellon ekibi, iki çalışmada 399 katılımcıyla yürüttükleri 2025 makalesinde¹⁴ bunun altına bir mekanizma koydu ve sonuçları basit bir cezadan daha ince. Yapay zekâ etiketi, aleyhine bir işaretten fazlasıdır. Mesajını her iki yönde de senin hakkında daha zayıf bir kanıt haline getiriyor. Yapay zekâ yardımlı bir özür daha az sıcak okunuyor, yapay zekâ yardımlı bir övünme ya da suçlama ise daha az soğuk okunuyor. Etiket, mesajdan kim olduğuna dair bilgiyi boşaltıyor.

Bu çerçeveleme aklımda kaldı. Mesajın bir sinyal olarak ne yapıyorsa, etiket onun sesini kısıyor.

Tek bir durum hariç, orada açıklama ölçülebilir bir fark yaratmadı

Kendi ürün tezime karşı çıkan çalışmayı da eklemek istiyorum, çünkü dışarıda bırakmak dürüst olmaz.

Max Planck İnsan Gelişimi Enstitüsü’nden Zoe Purcell ve ekibi, yazarlar arasında yine Jakesch’in de bulunduğu, Kasım 2025’te iScience’ta¹⁵ yayımlanan çalışmada, ödüllü iki oyunculu güven oyunlarında 1.637 katılımcıyla iki ön kayıtlı deney yürüttü. Katılımcıların yarısı bir yabancıyı kendilerine güvenmeye ikna eden bir mesaj yazarken tahmini metin desteği kullanabildi. Geri kalanı yardımsız yazdı.

Yapay zekâ desteğinin güven üzerinde neredeyse hiç etkisi yoktu, ve bu, yapay zekâ kullanımı açıklandığında bile geçerliydi. Destek alan yazarlar aynı derecede güven veren mesajları daha kısa sürede üretti, yani harcadıkları dakika başına daha çok güven kazandılar. Dilbilimsel analiz, mesajlarının biraz daha az özgün ama daha sıcak, daha karmaşık ve araştırmacıların nüfuz (clout) dediği ölçütte daha yüksek olduğunu buldu.

Yazarlar kapsam konusunda dikkatli, ben de öyleyim. Bu, para bağlantılı, yabancılar arasında tek seferlik bir işlem. Bir ödeme kararındaki davranışsal güven, partnerinin gece 11’de mesajını okuyup samimi olup olmadığına karar vermesinden çok farklı bir şey. Ama benim değerlendirmem şu: “yapay zekâ güveni bozar” hikâyesinin literatürde gerçek bir karşı örneği var, ve bu da o.

Yapay zekâ, yapay zekâ olduğunu söyleyene kadar çoğu insandan daha iyi teselli mesajı yazıyor

İki çalışma, aynı biçimde sonuç.

Yin, Jia ve Wakslak, PNAS’ta¹⁶ yapay zekânın ürettiği cevapların, insanları eğitimsiz insanların cevaplarından daha çok dinlenmiş hissettirdiğini ve yapay zekânın devrede olan duyguyu okumakta daha iyi olduğunu buldu. Sonra alıcılara mesajın yapay zekâdan geldiğini söylediler ve etki düştü. Yazarlardan biri, iki etkinin boyut olarak benzer olduğunu ve birbirini büyük ölçüde götürdüğünü belirtti.

Ovsyannikova, Oldemburgo de Mello ve Inzlicht¹⁷, Communications Psychology’de 556 katılımcıyla dört ön kayıtlı deney yürüttü. GPT-4 cevapları, Greater Toronto Kriz Merkezleri’nde eğitimli kriz hattı gönüllülerinin yazdıkları dahil, insan cevaplarından daha şefkatli bulundu. Kaynağın açıklanması farkı daralttı ama kapatmadı.

Yani makine kelimelerde çoğu zaman daha iyi. Ama aktarılan tek şey kelimeler değil.

Eforun önemli olmasının sebebi, eforun eskiden pahalı olması

Bütün bunların kafamda oturmasını sağlayan çerçeve sinyal teorisi.

Bir mesaj iki iş yapar. İçerik taşır, ve onu göndermek için bir şey harcadığını kanıtlar. Zamanını, dikkatini ve zor bir konuşmada soğukkanlılığını. Bunlar sınırlı, yani onları harcamak kişiye ne kadar değer verdiğine dair gerçek bir şey söylüyor. Japon ve ABD örneklemlerinde yürütülen bağlılık sinyalleri araştırması¹⁸, pahalı sinyallerin ucuz olanlardan daha etkili olduğunu ve beklenen bir sinyali göndermemenin, mesela bir günü unutmanın, romantik ilişkilere arkadaşlıklardan çok daha fazla zarar verdiğini buldu.

Sıcak, düzgün ifade edilmiş, iyi kurgulanmış bir mesaj üretmenin maliyetini sıfıra yakın bir yere indir, sinyal bilgi taşımayı bırakır.

Bu mekanizma için artık doğrudan kanıt var, gerçi mesajlaşma bağlamından değil. 618 katılımcıyla yapılan 2026’daki bir Frontiers in Psychology çalışması¹⁹, içeriği yapay zekâ üretimi olarak etiketlemenin algılanan eforu belirgin şekilde azalttığını, insan yapımı etiketinin ise hiç etiket olmamasından farksız olduğunu buldu. İnsanlar varsayılan olarak insan eforu varsayıyor, yapay zekâ etiketi de bu varsayımı kaldıran şey. O çalışma kısa video kullandı, mesajlaşmaya aktarırken biraz temkinli olmakta fayda var.

Kelimeleri dışarıya devretmek, onlara olan bağlılığını zayıflatıyor gibi görünüyor

Aklımdan çıkmayan bulgu bu, ve alıcıyla hiç ilgisi yok.

Amsterdam’daki CREED’in²⁰ ekonomistleri, gönderenlerin karşılık vereceğine söz veren bir mesaj yazmak için ChatGPT kullanabildiği güven oyunları yürüttü. Aynı anda iki şey oldu. ChatGPT erişimi olan insanlar daha açık sözler verdi. Ve ChatGPT’yi bir kere bile açan insanlar, sonunda önerdiğini kopyalayıp kopyalamadıklarından bağımsız olarak, ödeme anında sözlerini yüzde 25,7 daha az tuttu.

Bunu anlamlı kılan ayrıntı, gönderilen mesaj ham ChatGPT önerisine ne kadar yakınsa gönderenin sonraki davranışının o kadar az güvenilir olmasıydı. Öneriyi yeniden yazanlar daha iyi davrandı. Yazarlar bunu bir sahiplenme hissi olarak okudu. Bir şeyi kendi kelimelerinle söylersen ona bağlı hissedersin. Bir makinenin yazdığı şeyi ilettiğindeyse içinden bir parça onu hiç imzalamamış olur. Subtext’in de önce sana problemi, herhangi bir değişiklikten önce göstermesinin ve her sürümün ifadeni ne kadar değiştirdiğini işaretlemesinin nedeni de bu. Kendi seçtiğin ya da yazdığın bir düzeltme, imzaladığın bir düzeltmedir.

Bunun düzgün çalışıldığı yer özürler, ve bulgu “yapma”dan daha faydalı

Bu yazıdan tek bir bölüm okuyacaksan bunu oku, çünkü pratik cevap burada yaşıyor.

Ella Glikson ve Omri Asscher, Computers in Human Behavior’da²¹ yayımlanan, iş yerindeki özürler üzerine üç senaryo çalışması yürüttü. Birinin özür yazmak için yapay zekâ araçları kullandığını bilmek, özrün ne kadar özgün göründüğünü ve insanların affetme isteğini azalttı. Bunu kendin açıklaman durumu yumuşatmadı. Buraya kadar tahmin edilebilir.

Sonra fikrimi değiştiren kısım geldi. Mevcut üç yapay zekâ aracından yalnızca birini kullanan katılımcılar hiçbir özgünlük cezası almadı. Araştırmacılar bunu mesafeyle açıkladı. Sınırlı yapay zekâ kullanımı, nihai mesajı kişinin aslında ne demek istediğine yakın tutuyor, ve insanlar bunu hissedebiliyor.

Lim, Hong ve Schneider’ın, yine Computers in Human Behavior’da²² yayımlanan, 464 katılımcıyla ayrı bir 3x2 deneyi, insan tarafından yazılan özürlerin genel olarak daha samimi görüldüğünü, sıcak bir tonun yapay zekâ özürlerini iyileştirdiğini ama insan özrüyle arasındaki farkı hiçbir zaman kapatmadığını buldu.

Fan, Liu ve Pan’ın 2026 tarihli CHI makalesi²³ bunu romantik mesajlar üzerinde test etti, ilk çalışmada 152, ikincisinde 704 kişiyle. Mesajın ne kadarını yapay zekâ taslak olarak yazdıysa, mesaj gönderenin kendi sözü gibi o kadar az okundu ve o kadar az sahici göründü. Gönderenin onay verdiği hafif bir ton düzeltmesi, bir özrün nasıl değerlendirildiğine olumlu yansıdı, ama tam taslaklar ve sınır koyma talepleri farklı sonuç verdi.

Bu üçünü yan yana koyunca pratik bir şey çıkıyor. Ceza, bitmiş mesajın demek istediğinden ne kadar uzaklaştığını takip ediyor. Odada bir makine olup olmadığını değil. Subtext’in o izlenimi yaratanı, bitmiş bir sürüm sunmadan önce sana göstermesinin ve her sürümün ifadeni ne kadar değiştirdiğini söylemesinin nedeni de bu, çünkü o mesafeyi kısa tutmak bir özrü inandırıcı kılan şey. Mesajla nasıl özür dilenir konusundaki daha geniş araştırma ayrı bir yazıda.

Bu araçlar en kötü içgüdülerini cilalar ve hiç ses çıkarmaz

Pasif agresif bir şey yaz, telefonundaki herhangi bir yeniden yazma aracına ver ve neler olduğunu izle. Karşına daha iyi yazılmış bir pasif agresiflik çıkar. Uyarı yok, “emin misin” yok. Aracın işi istediğini yapmak.

Modellerin bu yöne kaymasının bir sebebi var. OpenAI, Nisan 2025’te bir GPT-4o güncellemesini geri çekti ve modelin “aşırı pohpohlayıcı ya da onaylayıcı, çoğu zaman yağcı diye tanımlanan” bir hale geldiğini, “aşırı destekleyici ama samimiyetsiz yanıtlara kaydığını” açıkça yazdı²⁴. Sebep olarak, beğeni ve beğenmeme gibi kısa vadeli kullanıcı geri bildirimine fazla ayarlanmayı gösterdiler. Sonraki bir yazıda²⁵, yağcılığı takip eden hiçbir dağıtım değerlendirmelerinin olmadığını itiraf ettiler.

Anthropic araştırmacıları aynı örüntünün genel olduğunu buldu. ICLR 2024’te²⁶ sunulan bir makalede, beş öncü asistanın hepsi yağcılık gösterdi ve yaklaşık 15.000 insan tercihi karşılaştırmasının analizi, kullanıcının belirttiği inançlarla eşleşmenin, hangi yanıtın tercih edildiğini en güçlü belirleyen etkenlerden biri olduğunu ortaya koydu. Onayı eğitirsen anlaşmayı seçersin. 2025 tarihli bir kıyaslama²⁷, ChatGPT-4o, Claude Sonnet ve Gemini 1.5 Pro genelinde test vakalarının yüzde 58,19’unda yağcı davranış ölçtü, başladıktan sonra yüzde 78,5 oranında sürdü; gerçi bu kişisel mesajlar değil olgusal soru cevaplama içindi. Kişisel mesajlar için, yazma konusunda ChatGPT alternatiflerini ve büyük üçlünün kelimelerine ne yaptığını karşılaştırdım.

Şimdi bunun en çok yardıma ihtiyaç duyduğun an için ne anlama geldiğini düşün. Öfkelisin, pişman olacağın bir şey yazdın, ve taslağını elinde tutan araç seni bu konuda iyi hissettirecek şekilde optimize edilmiş.

İşte tam da bu an Subtext’in inşa edildiği an, ve rahatsız edici kısım da bu. Öfkeyi daha iyi göstermek yerine, taslağının öfkeli okunduğunu söylüyor.

Cevaplayamadığım soru

Kendi yazdığın beceriksiz bir mesajı mı, yoksa senin yazmadığın cilalı bir mesajı mı göndermek daha iyi?

Uzun uzun araştırdım ve bunu doğrudan test eden bir çalışma yok. Kimse “senin kendi kusurlu taslağını” “senin yazmadığın iyi bir taslağa” karşı randomize edip ilişkiye ne olduğunu takip etmemiş. Boylamsal hiçbir şey yok. Aylar boyunca yapay zekâ destekli mesajlaşan çiftler, aileler ya da yakın arkadaşlar üzerine saha verisi yok. İnsanların sentetik cilaya alıştığını mı, yoksa bu alışkanlığın sessizce bir şeyleri aşındırdığını mı bilmiyoruz.

Elimizdekiler, yakın ilişkiler için tek bir yönü işaret ediyor. Efor özen olarak okunuyor, etiketler sinyali düzleştiriyor, dışarıya devredilen kelimeler kendi sözlerine olan tutuşunu gevşetiyor gibi görünüyor, ve özürler demek istediğine yakın kaldığı sürece inandırıcı kalıyor. Ama güven oyunu sonucu bazı ortamlarda bu bedelin ölçülemeyecek kadar küçük kaldığını söylüyor, ve kanıtları olduğundan daha temiz gösterme niyetinde değilim.

Peki ne işe yarardı

Bütün bunları yeniden okuyunca, eksik olan ürünün şeklinin oldukça net olduğunu, ve kategorinin inşa ettiği şeyin neredeyse tersi olduğunu düşünüyorum.

Kimsenin kelimelerinin değiştirilmesine ihtiyacı yok. Gönder’e basmadan önceki on beş saniyede ihtiyaç duydukları şey, mesajın hissettiklerinden daha soğuk okunduğunu ya da bir açıklama sandıkları şeyin bir şikayet listesi gibi okunduğunu bilmek. Sonra bunu kendi kelimeleriyle kendileri düzeltiyor, efor sinyali hayatta kalıyor, sahiplenme hayatta kalıyor ve Glikson ile Asscher’ın bahsettiği mesafe kısa kalıyor.

Var olmasını istediğim versiyon bu, ve Subtext’i tam da bunun etrafında kurduk. Subtext tek cümle yerine konuşmanın tamamını alıyor, taslağının okuyacak kişiye muhtemelen ne sinyal vereceğini adlandırıyor ve o izlenimi yaratan kelimeleri sana gösteriyor. Sonra sunduğu her sürüm, ifadenin ne kadarını değiştirdiğini söylüyor, ve kopyalamadan önce bunlardan herhangi birini Elle düzenle ile değiştirebilirsin, böylece düzeltme senin elinde kalıyor. Yukarıdaki kanıtlara göre önemli olan bu, yeniden yazım değil, çünkü ceza demek istediğinden ne kadar uzaklaştığına bakıyor ve en kısa mesafe de tek kelimesi değişmiş kendi cümlen. Subtext'i tarayıcıda deneSubtext'i tarayıcıda dene

Ne kadar değeri varsa, kendi kuralım şu: bir makinenin mesajımın nasıl duyulduğunu söylemesine izin veririm. Kız kardeşime özür dilediğimi söylemesine izin vermem.

Bir çalışmayı yanlış okuduğumu düşünüyorsan, ya da yeniden yazmadan önce teşhis koyan bir araç biliyorsan, LinkedIn’den bana yaz.

Samet Durgun, mesajlarının duygusal tonunu yakalayıp onları kendi sesinle yeniden yazan Subtext uygulamasının kurucu ortağı. Berlin’de yaşıyor.

Kaynaklar

Yukarıdaki her bağlantı, varsa birincil kaynağa gidiyor, göründükleri sıraya göre numaralandırıldı. Ürün özellikleri ve fiyatları Ağustos 2026 itibarıyla kontrol edildi. Bir rakam bir çalışmadan değil de şirket blogundan ya da basın bülteninden geliyorsa, dışarıda bıraktım.

Apple Destek. Use Writing Tools with Apple Intelligence on iPhone.
Samsung. Use Writing assist on Galaxy phones and tablets.
Google Destek. Use writing tools with Gboard.
Google Destek. Draft messages with Magic Compose.
Apple App Store. Resolve: AI Conflict Coach.
Google Play. Clarity Coach.
Microsoft Destek. Get email coaching with Copilot in Outlook.
Grammarly Destek. Reader Reactions user guide.
Grammarly. Writing Tone Detector and Tone Suggestions.
TechCrunch (2019). Grammarly gets a tone detector to keep you out of email trouble.
Grammarly Destek. How do Grammarly’s tone suggestions work?
Jakesch, M., Hancock, J. T., & Naaman, M. (2023). Human heuristics for AI-generated language are flawed. PNAS, 120(11), e2208839120.
Hohenstein, J., Kizilcec, R. F., DiFranzo, D., Aghajari, Z., Mieczkowski, H., Levy, K., Naaman, M., Hancock, J., & Jung, M. F. (2023). Artificial intelligence in communication impacts language and social relationships. Scientific Reports, 13, 5487.
Khadpe, P., Wenzel, K., Loewenstein, G., & Kaufman, G. (2025). Explaining the Reputational Risks of AI-Mediated Communication. AAAI/ACM Conference on AI, Ethics and Society.
Purcell, Z. A., Jakesch, M., Dong, M., Nussberger, A.-M., & Köbis, N. (2025). Writing with AI boosts trust-building efficiency. iScience, 28(12), 114092.
Yin, Y., Jia, N., & Wakslak, C. J. (2024). AI can help people feel heard, but an AI label diminishes this impact. PNAS, 121(14), e2319112121.
Ovsyannikova, D., Oldemburgo de Mello, V., & Inzlicht, M. (2025). Third-party evaluators perceive AI as more compassionate than expert humans. Communications Psychology, 3.
Yamaguchi, M., et al. (2015). Commitment signals in friendship and romantic relationships. Evolution and Human Behavior.
Human-made vs. AI-generated: how provenance labels drive strategic curation via perceived effort (2026). Frontiers in Psychology.
AI-Powered Promises: The Influence of ChatGPT on Trust and Trustworthiness. CREED, University of Amsterdam.
Glikson, E., & Asscher, O. (2023). AI-mediated apology in a multilingual work context. Computers in Human Behavior, 140, 107592.
Lim, J. S., Hong, N., & Schneider, E. (2025). How warm- versus competent-toned AI apologies affect trust and forgiveness through emotions and perceived sincerity. Computers in Human Behavior, 172, 108761.
Fan, G., Liu, D., & Pan, L. (2026). Is It Still You? Attributing Authorship and Authenticity in AI-Assisted Romantic Communication. Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems, 1-24.
OpenAI (2025). Sycophancy in GPT-4o.
OpenAI (2025). Expanding on what we missed with sycophancy.
Sharma, M., et al. (2024). Towards Understanding Sycophancy in Language Models. ICLR 2024.
Fanous, A., et al. (2025). SycEval: Evaluating LLM Sycophancy. AAAI/ACM Conference on AI, Ethics and Society.