Kullanım raporu size ne kadar harcandığını söyler. Ne yapıldığını söylemez. Şirket parasıyla alınmış bir AI koltuğunda gerçekte hangi işlerin yapıldığını görmenin tek yolu, sohbet içeriğine bakmaktır. claude.ai tarafında bunun yolu export dosyasıdır.
Bu yazı, exportu istemekten bulguyu raporlamaya kadar olan altı adımı sırayla anlatıyor. Teknik bir ekibiniz olması gerekmiyor, ama disiplinli olmanız gerekiyor: burada işlenen veri sohbet metnidir ve sohbet metni hassastır.
Adım 1 ve 2: Exportu istemek ve içine bakmak
Exportu istemek
Kullanıcı kendi hesabında claude.ai'a girer ve şu yolu izler: Settings → Privacy → Export data. Talep anında dosya inmez. Hazırlanan dosya, hesabın e-posta adresine bir indirme bağlantısı olarak gelir. Bu genellikle birkaç dakika ile birkaç saat arasında sürer.
Buradaki kritik nokta idari değil, hukuki: exportu talep eden kişi hesap sahibidir. Yani bu akış, çalışanın haberi olmadan yürütülebilecek bir akış değildir. Talebi siz yapamazsınız, çalışan yapar ve size iletir. Denetimi bu şekilde kurgulamak hem doğru hem de savunulabilir olandır.
Sohbet metinleri çalışanın özel konularına, sağlık durumuna veya aile hayatına dair içerik taşıyabilir. Dosyayı ortak sürücüye koymayın, e-posta ekinde dolaştırmayın, analiz bitince ham kopyayı silin. Denetimin amacı prompt okumak değil, kategori çıkarmaktır. Hukuki çerçeve için KVKK ve çalışan AI denetimi yazısına bakın.
Zipin içinde ne var
İnen dosya bir zip arşividir. İçindeki asıl dosya conversations.json. Adı üstünde: sohbetlerin tamamı, tek bir JSON dosyasında.
Dosyada bulacaklarınız kabaca şunlardır: sohbet başlıkları, oluşturulma zamanları, her mesajın kim tarafından yazıldığı ve mesaj metinleri. Yani "ne zaman, ne konuşuldu" sorusunun ham malzemesi buradadır.
Dosyayı çift tıklayıp açmaya çalışmayın. Aktif kullanan bir çalışanın exportu rahatlıkla on binlerce satır olabilir ve metin editörü kilitlenir. İşi bir betiğe veya bir denetim aracına yaptırın.
Adım 3: Neyi ölçemeyeceğinizi baştan bilin
Burası çoğu denetimin duvara tosladığı yerdir.
Export dosyasında token sayısı yoktur. Ne girdi tokenı, ne çıktı tokenı, ne de herhangi bir maliyet alanı. Bunun doğrudan sonucu şudur: yalnızca export dosyasına bakarak "bu çalışan şirkete şu kadar liraya mal oldu" diyemezsiniz. Elinizde para değil, iş adedi vardır.
Maliyet atfı yapmak istiyorsanız export verisini kullanım ve maliyet raporlarıyla birleştirmeniz gerekir. İki kaynağın nasıl çekildiğini Anthropic Admin API rehberinde anlattık. Tek başına export, "kim ne yapıyor" sorusunu cevaplar; "kim ne kadar yakıyor" sorusunu cevaplamaz.
Bu sınırı kabul etmek aslında denetimi kolaylaştırır. Çünkü çoğu yöneticinin gerçekte merak ettiği şey kuruş kırılımı değil, koltuğun ne işe yaradığıdır.
Adım 4: Görevleri sınıflandırmak
Ham sohbet listesi hiçbir şey anlatmaz. Anlatan şey, her sohbetin bir kategoriye oturtulmasıdır: iş, iş dışı, belirsiz. Daha ince kırılım isterseniz iş kategorisini de bölebilirsiniz; yazılım, pazarlama, müşteri yazışması, veri analizi gibi.
Bunu elle yapmayın. İnsan eliyle yüzlerce sohbet okumak hem yavaştır hem de gereksiz yere mahremiyet ihlalidir. Sınıflandırmayı ucuz bir modele yaptırmak hem hızlıdır hem de ölçülebilir biçimde ucuzdur.
Kendi ölçümümüzden somut bir referans verelim. Temmuz 2026'da gerçek veri üzerinde çalışan 739 görevin tamamını sınıflandırmak, Claude Haiku 4.5 ile onarlı gruplar halinde ve önbelleğe alınmış bir sistem promptu kullanılarak toplam 0,41 dolara mal oldu. Yani bir öğle yemeğinin çok altında bir maliyetle, koltuk kullanımının tam envanterini çıkarabilirsiniz.
Sınıflandırmada dikkat edilecek tek şey
Aynı ölçümde ortaya çıkan bir başka bulgu, sınıflandırma tasarımınızı doğrudan etkiler: promptların yaklaşık yüzde 42'si bağlamsız devam ifadeleriydi. "devam", "evet", "peki" gibi tek kelimelik mesajlar. Bunlar token maliyetinin yaklaşık yüzde 35'ini oluşturuyordu.
Bu mesajları ayrı ayrı sınıflandırırsanız hiçbirine kategori atayamazsınız ve faturanın üçte biri "bilinmeyen" kovasına düşer. Doğru yaklaşım, devam mesajlarını ait oldukları sohbetin kategorisine miras yoluyla bağlamaktır. Konuyu ayrıntılı ele aldığımız yazı: devam demenin faturası.
Adım 5: Sır taraması
Sınıflandırma "ne yapılıyor" sorusunu cevaplar. Sır taraması ise çok daha acil bir soruyu cevaplar: prompt içine yapıştırılmış kimlik bilgisi var mı.
Aranacak desenler tahmin ettiğinizden dar ve nettir: API anahtarları, veritabanı bağlantı dizeleri, özel anahtar blokları, bulut erişim kimlikleri, kurum içi parolaların düz metin hali. Bunların çoğu belirgin ön eklere sahiptir ve desen eşlemesiyle yakalanır.
Burada iki pratik uyarı var. Birincisi, örnek ve dokümantasyon anahtarları yanlış pozitif üretir; bunları liste dışı bırakın. İkincisi, bulunan her sır derhal iptal edilmelidir. Raporu yazıp haftaya toplantıya koymak değil, o gün döndürmek gerekir. Sır bir kez prompt içine girdiyse, artık sizin kontrolünüzde olmayan bir yerde durduğunu varsayın.
Adım 6: Bulguyu rapora çevirmek
İyi bir denetim raporu prompt alıntısı içermez. İçermesi gereken şey şudur:
- Toplam görev sayısı ve dönem.
- Kategori dağılımı: iş, iş dışı, belirsiz oranları.
- Bilinmeyen kovasının büyüklüğü ve nedeni.
- Tespit edilen sır sayısı, türü ve iptal durumu.
- Kullanım raporuyla eşleştirildiyse koltuk başına yaklaşık maliyet.
- Somut aksiyon önerileri, kişi adı yerine desen üzerinden.
Yanlış pozitif riskini azaltmak için şirketin ne iş yaptığını sınıflandırıcıya doğru anlatmanız gerekir; bir tasarım ajansında "görsel üretimi" iş kategorisidir, muhasebe ofisinde değildir. Bu ayrım şirket tanımı ve yanlış pozitif yazısının konusudur.
Kurumsal ölçekte alternatif
Onlarca koltuğu tek tek export ile denetlemek sürdürülebilir değildir. Anthropic Mayıs 2026'da yalnızca Enterprise planına açık bir Compliance API duyurdu; CrowdStrike, Microsoft Purview, Okta, Wiz ve Zscaler entegrasyonlarıyla geliyor. OpenAI tarafında ChatGPT Enterprise ve Edu için eşdeğer bir Compliance API var.
Enterprise plandaysanız yol budur. Değilseniz, bu yazıdaki altı adım hâlâ en pratik yöntem ve düzenli tekrarlandığında şaşırtıcı derecede iyi çalışır.