Ortalama İnsan Değil, Ortalama Çıktı Ucuzluyor

Floransa Katedrali’nin kubbesi inşa edilmeye başlandığında takvim 1420’yi gösteriyordu.

Ortadaki açıklık o kadar büyüktü ki dönemin ahşap iskeleleriyle desteklenemiyordu. Filippo Brunelleschi yalnızca kubbeyi tasarlamadı; taşları ve tuğlaları o yüksekliğe çıkarabilmek için hayvan gücüyle çalışan vinçler ve kaldırma düzenekleri de geliştirdi.

Bu makineler malzemeyi yukarıya daha hızlı taşıdı. Fakat kubbeyi altı yüzyıldır ayakta tutan şey vincin gücü değildi.

İç içe geçen kabuklar, kaburgalar, gizli zincirler ve tuğlaların balıksırtı biçiminde yerleştirildiği geometrik düzendi. Yanlış bir geometri içinde çalışan daha güçlü bir vinç, yalnızca daha fazla tuğlayı daha hızlı biçimde yanlış yere koyardı. Opera di Santa Maria del Fiore

Bugün yapay zekâyı konuşurken yaptığımız temel hata da buna benziyor:

Vincin kapasitesini, ortaya çıkan yapının değeriyle karıştırıyoruz.

Ramp’ın Temmuz 2026 verilerine göre yapay zekâya en fazla harcama yapan şirketlerin ilk yüzde 1’i, çalışan başına medyan 7.400 dolar harcarken medyan şirketin harcaması yalnızca 11,95 dolar. Aradaki fark yaklaşık 620 kat.

Çarpıcı bir sayı. Ancak ölçülen şey başarı, üretkenlik ya da yaratılan ekonomik değer değil; harcama yoğunluğu. Bir şirketin yapay zekâya 620 kat fazla para ayırması, 620 kat daha iyi karar aldığı anlamına gelmiyor. Ramp AI Index

Cursor’ın 2026 araştırması da benzer bir yoğunlaşmaya işaret ediyor. En üst yüzde 1’deki kullanıcılar, medyan kullanıcıya göre 46 kat daha fazla yapay zekâ destekli kod satırı üretiyor ve 15 kat daha fazla kod değişikliğini sisteme dahil ediyor.

Bu önemli bir fark. Fakat kod satırı ile yaratılan iş değeri aynı şey değil. Nitekim Cursor da kod hacminin tek başına kusursuz bir üretkenlik ölçütü olmadığını belirtiyor. Cursor Developer Habits Report

Dolayısıyla asıl mesele kimin daha fazla yapay zekâ kullandığı değil.

Asıl mesele, kimin bu kapasiteyi ekonomik değere dönüşebilecek bir yapının içine yerleştirebildiği.

Araştırmalar bu konuda ilk bakışta birbiriyle çelişen iki sonuç veriyor.

NBER’ın 5.179 müşteri hizmetleri çalışanını kapsayan çalışmasında yapay zekâ, üretkenliği ortalama yüzde 14 artırdı. En deneyimsiz ve düşük performanslı çalışanlardaki artış yüzde 34’e ulaştı. Deneyimli çalışanlarda ise etkisi oldukça sınırlı kaldı.

Yani sınırları belirli ve tekrarlanabilir bir işte yapay zekâ, iyi çalışanların yöntemlerini daha geniş bir gruba taşıyarak performans farkını azaltabildi. NBER – Generative AI at Work

Harvard Business School ve BCG’nin 758 danışmanla gerçekleştirdiği araştırma ise diğer yüzü gösteriyor. Yapay zekânın güçlü olduğu görevlerde katılımcılar yüzde 25’ten fazla hızlandı ve sonuç kalitesi yüzde 40’tan fazla yükseldi.

Fakat araç kendi yetkinlik sınırlarının dışındaki bir iş probleminde kullanıldığında performans, yapay zekâ kullanmayan gruba kıyasla yüzde 23 düştü. Üstelik üretilen fikirlerin birbirine benzemesi nedeniyle grubun düşünce çeşitliliği yüzde 41 azaldı. Harvard Business School AI Institute, BCG

Demek ki yapay zekâ hem farkı kapatabiliyor hem de büyütebiliyor.

Standartlaştırılabilen işlerde performans tabanını yükseltiyor. Fakat bağlamın, sebep-sonuç ilişkilerinin ve sonuçların sorumluluğunun önemli olduğu alanlarda doğru yöntemle yanlış yöntem arasındaki farkı daha görünür hale getiriyor.

Bu nedenle “ortalama insan artık değersiz” yargısı bana doğru gelmiyor.

Değersizleşen insan değil; kolayca üretilebilen, bağlamdan kopuk ve birbirine benzeyen ortalama çıktı.

Finansta bunun işaretlerini şimdiden görüyoruz. Nakit akışı tahminleri, değerleme tabloları, yatırım notları, bütçe sapmaları, senaryo karşılaştırmaları ve yönetim raporları artık çok daha hızlı hazırlanabiliyor. Yakın gelecekte bu çıktıları üretmek, tek başına belirgin bir rekabet avantajı olmayacak.

Fakat bir finansal kararın kalitesi tablonun hazırlanma hızından daha fazlasına bağlı.

Gelirin hangi ekonomik davranışla oluştuğu, tahsilat süresinin neden değiştiği, kur riskinin hangi bilanço kalemlerine taşındığı, borç servis kapasitesinin hangi koşulda zorlanacağı, bir sapmanın geçici mi yoksa yapısal mı olduğu ve yönetimin ne zamana kadar müdahale edebileceği…

Bunlar ayrı ayrı hesaplanacak hücrelerden ibaret değil. Kubbenin yükünü taşıyan ilişkiler gibi birbirine bağlılar.

Yanlış varsayımlarla kurulan bir model matematiksel olarak kusursuz çalışabilir. Yapay zekâ da o modeli daha hızlı işletebilir, daha düzgün anlatabilir ve daha etkileyici grafiklerle sunabilir.

Fakat hız, yanlış kurulmuş finansal mantığı doğruya çevirmiyor. Bazen yalnızca yanlış kesinliği daha ikna edici hale getiriyor.

Ainsideme’nin çıkış noktası da burada şekilleniyor:

Daha fazla finansal çıktı üretmek değil; kurumsal finans deneyimini ve şirketin ekonomik gerçekliğini çalışan, izlenebilir ve tekrar kullanılabilir bir yönteme dönüştürmek.

Hesaplamalar hızlanabilir. Senaryolar çoğalabilir. Veriler daha kısa sürede işlenebilir. Ancak varsayımların neden seçildiği, sonuçların hangi koşullarda değişeceği ve hangi riskin gerçekten karar gerektirdiği görünür kalmalı. Gerçekleşen sonuçlar da modelin dışında bırakılmamalı; bir sonraki değerlendirmeyi beslemeli.

Böyle bakıldığında yapay zekâ finansal muhakemenin yerine geçen bir cevap makinesi değil, doğru kurulmuş yöntemin kapasitesini artıran bir kaldıraç haline geliyor.

Yeni dönemde bilgiye erişim ucuzluyor. Metin, kod, analiz ve görsel üretme kapasitesi hızla çoğalıyor. Buna karşılık neyin sorulmaya değer olduğunu bilmek, görünmeyen ekonomik ilişkileri fark etmek, doğru varsayımları kurmak ve alınan kararın sorumluluğunu taşımak hâlâ kıt.

Bu nedenle geleceğin en değerli şirketleri muhtemelen yapay zekâya en çok para harcayanlar ya da en fazla çıktı üretenler olmayacak.

Hangi yükün taşınacağını, hangi ilişkinin yapıyı ayakta tuttuğunu ve nerede hızlanmanın tehlikeli olduğunu bilenler olacak.

Çünkü vinçler çoğalıyor.

Ama kubbenin geometrisi hâlâ zor.