(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........

© Ekonomim