Yapay Zekâ İşinizi Bitirdi. Kimin İşini Başlattı?

Bir şirket düşünün: Yapay zekâ sayesinde tekliflerini daha hızlı hazırlıyor, raporlarını dakikalar içinde çıkarıyor, müşteri sorularına anında yanıt veriyor. Departman sunumlarında kazanılan saatler gösteriliyor. Herkesin verimliliği artmış görünüyor.

Fakat akşam ofiste yine aynı insanlar kalıyor. Finans yöneticisi rapordaki varsayımları düzeltiyor, deneyimli mühendis kodu inceliyor, müşteri temsilcisi otomatik yanıtın çözemediği meseleyi toparlıyor.

Bu tabloda insanın aklına bir soru geliyor: Herkes zaman kazanıyorsa, bu insanların zamanı nereye gidiyor?

Yapay zekâ yatırımlarının hesabında kolayca atlanabilecek bir kalem var: Bir çalışanın kazandığı zamanın, başka bir çalışanın iş yüküne dönüşmesi. Üstelik bu aktarım çoğu zaman verimlilik raporlarında görünmüyor. İlk çalışanın teslim süresi kısalıyor; ikinci çalışanın düzeltme emeği “işinin gereği” sayılıyor.

BetterUp Labs ile Stanford Social Media Lab’in Eylül 2025’te 1.150 ABD’li masa başı çalışanıyla yaptığı anket, bu sorunu workslop kavramıyla ele alıyor. Profesyonel görünen, fakat kullanılması için başkasının yeniden düşünmesini ve çalışmasını gerektiren yapay zekâ çıktıları. Katılımcıların yüzde 40’ı önceki ay böyle bir içerikle karşılaştığını, her olayın çözümünün ortalama yaklaşık iki saat aldığını bildiriyor. Çalışan beyanlarına dayanan bu sonuçları bütün şirketlere uygulanabilecek kesin bir zarar hesabı olarak okumamak gerekir. Ama maliyetin nasıl el değiştirebildiğini göstermeleri bakımından değerliler. Araştırma⁠

Buradaki yönetim sorunu, hatalı bir rapordan daha büyük.

Raporu hızlı gönderen çalışan takdir ediliyor, raporun neden kullanılamayacağını açıklayan çalışan ise teslimatı geciktirmiş gibi görünebiliyor. Böyle bir performans düzeninde özenli çalışmanın bedelini özenli çalışan ödüyor. Kontrol etmeden göndermenin maliyeti başkasına bırakılabildiği sürece, şirket istemeden bu davranışı teşvik ediyor.

Ekonomide dışsallık dediğimiz meselenin şirket içindeki bir benzeri bu: Bir kararın faydasıyla maliyeti farklı kişilere dağılıyor. Departman kendi açısından verimli görünürken şirketin toplam sonucu iyileşmeyebiliyor.

Dolayısıyla yapay zekâ, kurumun performans sistemindeki eski bir kusuru büyütebilir. Teslim edilen dosyaları sayan bir yönetim, artık çok daha fazla dosya sayabilir.

Peki çalışanlar bunun farkında mı?

Her zaman olmayabilirler. METR’nin 2025’te yürüttüğü kontrollü deneyde, 16 deneyimli yazılımcı bildikleri projelerde 246 görev üzerinde çalıştı. Yapay zekâ kullanımına izin verilen görevlerin tamamlanması ortalama yüzde 19 daha uzun sürdü. Katılımcılar ise deney sonunda araçların kendilerini yaklaşık yüzde 20 hızlandırdığını düşünüyordu. Araştırma makalesi⁠

Bu oranı bugünün bütün araçlarına taşımak doğru olmaz. METR, Şubat 2026 güncellemesinde daha yeni araçların hız kazandırıyor olabileceğini, ancak takip çalışmasındaki seçim ve ölçüm sorunları nedeniyle etkinin büyüklüğünü güvenilir biçimde belirleyemediklerini açıkladı. Yine de ilk deneyin yöneticiler için önemli bir uyarısı var: İşin daha kolay hissettirmesi, daha az kaynak tükettiğini tek başına göstermiyor. Güncelleme⁠

Verimlilik artışını gösteren güçlü bulgular da mevcut. Quarterly Journal of Economics’te yayımlanan, 5.172 müşteri destek çalışanını kapsayan araştırmada yapay zekâ desteği, saat başına çözülen müşteri sorunu sayısını ortalama yüzde 15 artırdı. Burada ölçülen sonuç dikkate değer: Üretilen yanıt sayısı değil, çözülen sorun sayısı. Araştırma⁠

Bir şirketin yatırım hesabı da bu noktadan başlamalı. Rapor sayısı kolay ölçülür. Raporun karar vermeye ne kadar katkıda bulunduğunu ölçmek daha zahmetlidir. Kolay ölçüleni başarı kabul ettiğimizde, teknoloji o göstergede etkileyici sonuçlar üretebilir; şirketin asıl ihtiyacı ise karşılanmadan kalabilir.

Bunun bir de uzmanlık maliyeti var.

Deneyimli bir finans yöneticisi bütün gün kaynak, dönem ve varsayım kontrol ediyorsa, aynı saatlerde hangi iş yapılamıyor? Bir finansman seçeneği mi incelenemiyor, tahsilat sorunu mu geç fark ediliyor, yatırım kararı mı bekliyor?

Düzeltmenin maliyeti yalnızca harcanan saat değildir. O saatte yapılamayan işin değeri de hesaba dahildir. Kıdemli çalışanları sürekli çıktı temizleyen kişilere dönüştüren bir şirket, yapay zekâdan tasarruf sağlarken en kıt kaynağını tüketiyor olabilir.

Bu nedenle uzmanlığın sürecin neresinde kullanıldığı önemli. Uzman, yüzlerce çıktının sonunda hata arayan kişi olduğunda kapasitesi çabuk dolar. Hangi soruların sorulacağını, hangi kaynakların kabul edileceğini ve hangi sonuçların incelemeye alınacağını baştan belirlediğinde ise aynı bilgi çok daha fazla işte kullanılabilir.

Benim buradan çıkardığım sonuç, insan kontrolünü her aşamaya gelişigüzel eklemek değil. Gereksiz kontrol de maliyet yaratır. Şirketin, düşük sonuç riski taşıyan bir taslakla yatırım kararını etkileyen analizi aynı süreçten geçirmemesi gerekir.

Ölçmeye başlayacağım yer de belli: Bir çıktının ilk üretiminden kullanılabilir hâle gelmesine kadar kimlerin ne kadar çalıştığı, kaç kez geri döndüğü ve sonrasında neyi çözdüğü.

Böyle bakıldığında “yapay zekâ kullanan çalışan” ile “kullanmayan çalışan” ayrımından daha anlamlı bir ayrım ortaya çıkıyor: İşini tamamlayanlar ve tamamlanmış gibi görünen işi başkasına devredenler.

Bir sonraki verimlilik sunumunda kazanılan saatleri gördüğümüzde, o saatlerin kimden kazanıldığını da soralım.

Çünkü şirketin en hızlı çalışanı, bazen işini en çabuk bitiren değil; kalan kısmını başkasına en çabuk gönderen kişi olabilir.