Herkes Uzman Gibi Göründüğünde
Yapay zekâ, daha önce yapamadığımız işleri yapmamızı sağlıyor. Fakat bir işi yapabilmekle, yapılan işin doğruluğunu değerlendirebilmek arasındaki mesafe giderek açılıyor. İş dünyasının yeni sorunu tam da burada başlıyor.
Bir şirketin yönetim kuruluna kapsamlı bir yatırım raporu geliyor. Finansal projeksiyonlar hazırlanmış, sektör analizleri tamamlanmış, riskler sınıflandırılmış. Grafikler yerli yerinde, hesaplamalar tutarlı görünüyor.
Eskiden günler süren bu çalışma artık birkaç saatte hazırlanabiliyor.
Peki raporun dayandığı temel varsayım yanlışsa bunu kim fark edecek?
Yapay zekâ tartışmalarında yeterince konuşmadığımız mesele bu. Teknoloji, uzmanlık gerektiren işlerin üretilmesini kolaylaştırıyor. Ancak o işleri değerlendirmek için gereken uzmanlığı aynı hızda yaygınlaştırmıyor olabilir.
Üstelik bu yalnızca teknolojik bir mesele değil. Şirketlerin verimlilik hesaplarını, çalışanlardan bekledikleri becerileri ve karar alma biçimlerini değiştirebilecek ekonomik bir sorun.
Aynı dünyada dört ayrı yapay zekâ deneyimi
OpenAI’ın kuruluşunda yer alan ve Tesla’da yapay zekâ çalışmalarını yöneten Andrej Karpathy, 11 Ekim 2026’da ilginç bir gözlem paylaştı.
Karpathy’ye göre dünya, yapay zekânın neler yapabildiğini birbirinden çok farklı düzeylerde deneyimleyen insanlara ayrılıyor.
Kendi kaba tahminleriyle yaklaşık 6 milyar insan büyük dil modelleriyle neredeyse hiç temas etmemiş. 1–2 milyar kişi sohbet botlarını ara sıra kullanıyor. Yaklaşık 20 milyon kişi gelişmiş modellerden profesyonel projelerde yararlanırken, en ileri sistemlere kurum içinden erişebilenlerin sayısı yalnızca birkaç bin kişi olabilir.
Bunların ölçülmüş kullanım istatistikleri değil, Karpathy’nin ölçeği anlatmak için yaptığı tahminler olduğunu belirtmek gerekiyor.
Ama asıl ilginç olan rakamlar değil.
Bir kişi yapay zekâyla e-posta yazarken diğeri aynı teknolojinin gelişmiş sürümleriyle yazılım projeleri yürütüyor, matematik problemleri çözüyor veya araştırma süreçlerini yönetiyor.
İkisi de yapay zekâ kullandığını söylüyor. Oysa deneyimledikleri şeyler neredeyse birbirinden farklı teknolojiler.
Karpathy’nin işaret ettiği uçurum yalnızca teknolojiye erişimde değil; teknolojinin neler yapabileceğine ilişkin kavrayışta da oluşuyor.
Bence burada ikinci ve daha az konuşulan bir uçurum var: Yapay zekâyla üretilebilen işlerin karmaşıklığı ile bu işleri bağımsız olarak değerlendirebilecek insan kapasitesi arasındaki fark.
Kullanmak başka, iş yapma biçimini değiştirmek başka
Stanford Üniversitesi’nin 2026 AI Index raporuna göre araştırma kapsamındaki kuruluşların %88’i en az bir iş fonksiyonunda yapay zekâ kullanıyor. Buna rağmen yapay zekâ ajanlarının kullanımı, iş fonksiyonlarının neredeyse tamamında tek haneli oranlarda kalıyor.
Başka bir ifadeyle, teknolojiye dokunmakla iş süreçlerini onun etrafında yeniden kurmak aynı şey değil.
Türkiye’deki rakamlar da önemli bir dönüşüme işaret ediyor.
TÜİK’in 2 Ekim 2026’da yayımladığı verilere göre, 16–74 yaş grubunda üretken yapay zekâ kullananların oranı bir yılda %19,2’den %37,6’ya yükseldi. En az 10 çalışanı bulunan işletmelerde herhangi bir yapay zekâ teknolojisi kullanma oranı ise %14’e ulaştı.
Bireyler ve işletmeler için farklı kullanım türleri ölçüldüğünden bu oranlar doğrudan karşılaştırılamaz. Ancak teknolojinin gündelik hayata girmesiyle kurumsal süreçlere yerleşmesinin aynı hızda ilerlemediğini anlamak açısından anlamlılar.
Daha çarpıcı bir ayrıntı var.
Yapay zekâ kullanmayan ancak kullanmayı düşünen işletmelerin %72,3’ü, kullanmama gerekçeleri arasında uzmanlık eksikliğini gösteriyor. %66,4’ü hukuki belirsizliklerden, %65,4’ü veri güvenliği ve gizlilik risklerinden endişe duyuyor.
Şirketlerin ihtiyacı yalnızca daha fazla yapay zekâ aracı değil. Bu araçları ne için kullanacaklarını bilen, sonuçlarını değerlendirebilen ve sorumluluklarını tanımlayabilen bir organizasyon.
Bir beceriyi kullanmak, o beceriye sahip olmak mı?
26 Ekim 2026’da Nature Human Behaviour dergisinde yayımlanan bir araştırma bu soruyu daha da ilginç hale getiriyor.
487 yönetim danışmanının katıldığı kontrollü deneyde, ChatGPT erişimi ve kullanma eğitimi verilen katılımcılar, kendi uzmanlıklarının dışındaki veri bilimi görevlerinde daha başarılı sonuçlar elde etti.
Ancak deneyin ardından yapay zekâ desteği olmadan yapılan teknik bilgi değerlendirmelerinde, katılımcıların aynı becerileri bağımsız biçimde kazandıklarına ilişkin kanıt bulunamadı.
Araştırma, teknolojinin sağladığı performans artışıyla kalıcı öğrenmenin birbirinden farklı olabileceğini gösteriyor.
Buradan insanların yapay zekâ kullandıkça öğrenmeyi bıraktığı sonucu çıkmaz. Böyle bir genelleme araştırmanın kapsamını aşar.
Zaten teknolojinin amacı her zaman bizi yaptığı işin uzmanı haline getirmek değildir. Hesap makinesi kullanmak için bütün işlemleri zihinden yapmak, uçakla seyahat etmek için de pilot olmak gerekmiyor.
Fakat önemli bir fark var.
Bir hesap makinesinin doğru çalıştığını matematiksel olarak denetleyebilirsiniz. Karmaşık bir yatırım kararında ise yalnızca hesaplamanın doğru olması yeterli değildir. Varsayımların da ekonomik gerçeklikle uyumlu olması gerekir.
Örneğin yapay zekâyla hazırlanmış 13 haftalık bir nakit akış tahminini düşünelim.
Model bütün formülleri doğru çalıştırmış olabilir. Ancak müşterilerin geçmişe göre daha hızlı ödeme yapacağı varsayılmışsa ve bu beklentiyi destekleyen somut bir gelişme yoksa, ortaya çıkan likidite görünümü yanıltıcıdır.
Model yanlış hesap yapmamıştır.
Yanlış olan, modele doğru kabul ettirilen varsayımdır.
İşte uzmanlık tam da burada devreye girer. Yalnızca hesaplamayı yapmak için değil, hesabın arkasındaki hikâyeyi sorgulamak için.
Hızın şirket bilançosunda görünmeyen maliyeti
Yapay zekânın verimliliğe katkısı konusunda elimizde somut araştırmalar var.
NBER tarafından yayımlanan, 66 şirket ve 7.137 bilgi çalışanını kapsayan saha deneyinde, iş uygulamalarına entegre edilen üretken yapay zekâyı düzenli kullanan çalışanların haftalık e-posta süresi yaklaşık iki saat azaldı.
Ancak bireysel düzeyde yapay zekâ erişimi sağlanması, çalışanların görevlerinin miktarında veya bileşiminde belirgin bir değişim yaratmadı.
Demek ki bir çalışanın daha hızlı iş yapması ile şirketin daha verimli bir organizasyona dönüşmesi arasında otomatik bir ilişki yok.
Bir finans ekibinin eskiden ayda beş kapsamlı analiz hazırlarken şimdi yirmi analiz hazırlayabildiğini düşünelim.
Bu ilk bakışta büyük bir kapasite artışı.
Peki yönetim ekibinin bu analizleri değerlendirme, varsayımlarını sorgulama ve sonuçlarını kararlara dönüştürme kapasitesi de dört katına çıktı mı?
Çıkmadıysa şirketin elinde artık daha fazla bilgi bulunuyor olabilir. Ama mutlaka daha iyi kararlar bulunmuyor.
Hatta bazı durumlarda tam tersi yaşanabilir.
Hazırlanması kolaylaşan her yeni rapor, kontrol edilmesi gereken yeni varsayımlar, yeni senaryolar ve yeni hata ihtimalleri yaratır.
Şirketlerin finansal tablolarında görünmeyen bir tür yük birikebilir: Henüz yeterince sorgulanmamış kararların oluşturduğu muhakeme borcu.
Bu kavramı, yapay zekânın ürettiği iş miktarı arttıkça geride kalabilen değerlendirme ve doğrulama kapasitesini anlatmak için kullanıyorum.
Üstelik tehlikeli olan yalnızca yanlış cevaplar değil. Gayet makul görünen, iyi yazılmış, düzgün hesaplanmış fakat eksik bağlama dayanan cevaplar.
Çünkü kolay fark edilen hatanın düzeltilme ihtimali yüksektir. İkna edici biçimde sunulan hatanın ise karar mekanizmasına girme ihtimali daha fazladır.
Yeni rekabet avantajı nerede oluşacak?
Ekonomide bir üretim girdisinin maliyeti düştüğünde, sistemin başka bir noktasındaki kısıt daha görünür hale gelir.
Yapay zekâ bilgiye dayalı çıktı üretmenin maliyetini düşürüyor. Bir raporun ilk taslağını oluşturmak, bir yazılım geliştirmek veya farklı senaryoları hesaplamak giderek kolaylaşıyor.
Ancak üretilen çıktının güvenilirliğini değerlendirmek, karar için uygun olup olmadığını belirlemek ve sonuçların sorumluluğunu taşımak hâlâ önemli ölçüde uzmanlık gerektiriyor.
Bu durum mesleklerin tamamen ortadan kalkmasından çok, bazı mesleklerde değerin hangi faaliyetlerde yoğunlaştığını değiştirebilir.
Finansta örneğin değer, yalnızca modeli hazırlamaktan modelin hangi koşullarda geçerliliğini kaybedeceğini anlamaya kayabilir.
Hukukta sözleşmeyi yazmaktan, belirli bir hükmün ticari ve hukuki sonuçlarını öngörmeye.
Yönetimde bilgi toplamaktan, çelişkili bilgiler arasında gerekçeli tercih yapmaya.
Elbette yapay zekâ doğrulama ve denetim süreçlerinde de kullanılabilir. Yazılım testleri, veri mutabakatları, tutarlılık kontrolleri ve karşılaştırmalı analizler bunun önemli örnekleri. Mesele bütün işleri yeniden insanlara yaptırmak değil; hangi sonucun nasıl doğrulanacağını ve hangi riskin kim tarafından üstlenileceğini tasarlamak.
Bu nedenle geleceğin başarılı şirketlerini yalnızca kullandıkları modelin gücüyle veya çalışanlarının hazırladığı prompt sayısıyla değerlendirmek yanıltıcı olabilir.
Daha anlamlı sorular var:
Şirket yapay zekâ sayesinde hangi kararlarını iyileştirdi? Hangi hataları daha erken yakaladı? Hangi süreçleri yeniden tasarladı? Hangi sonuçları güvenilir biçimde doğrulayabiliyor?
Ve belki de en önemlisi, sistemin ürettiği sonuca gerektiğinde kim itiraz edebiliyor?
Karpathy’nin sözünü ettiği büyük uçurumun bir tarafında yapay zekâyı henüz tanımayanlar, diğer tarafında onun sınırlarını zorlayanlar bulunuyor.
Ama iş dünyasının geleceğini yalnızca bu ayrım belirlemeyecek.
Çünkü çok yakında iyi hazırlanmış bir rapor, etkileyici bir analiz veya karmaşık bir finansal model üretmek tek başına ayırt edici bir beceri olmaktan çıkabilir.
O zaman asıl değer, bir raporu herkes hazırlayabilirken o rapordaki tek bir yanlış varsayımı görebilen insanda olacak.
Kaynaklar
Andrej Karpathy, X paylaşımı – 11 Ekim 2026. Yapay zekâ kullanımında ve kapasite algısında büyüyen farklılıklar.
TÜİK – Yapay Zekâ İstatistikleri, 2026. 2 Ekim 2026.
Stanford HAI – AI Index Report 2026, Economy. Kurumsal benimseme, yapay zekâ ajanları ve ekonomik etkiler.
Wiles ve diğerleri – Generative AI and the temporary upskilling of knowledge workers. Nature Human Behaviour, 26 Ekim 2026.
Dillon ve diğerleri – Shifting Work Patterns with Generative AI. NBER Working Paper 33795, 2025.
Yorumlar