TL;DR
- Kontrollü çalışmalar, yapay zekadan gelen büyük bireysel görev hızlanmalarını sürekli buluyor: saatte yaklaşık %14 daha fazla çözülen çağrı, %55,8’e varan oranda daha hızlı biten görevler, %40 kısalan yazma süresi. Yine de şirket düzeyindeki ve ekonomi düzeyindeki çıktı neredeyse hiç kıpırdamadı.
- 2025’in en titiz denemesi, deneyimli geliştiricilerin yapay zekayla %19 daha yavaş olduğunu buldu; oysa kendilerini %20 daha hızlı sanıyorlardı. Hissedilen üretkenlik ile ölçülen üretkenlik arasındaki uçurum, hikayenin tamamı.
- Güvenilir bir makro tahmin, yapay zekanın toplam faktör verimliliği kazancını on yılda en fazla %0,66 olarak koyuyor. Ulusal iş gücü verimliliği büyümesi hala 1947-2024 ortalamasının altında seyrediyor.
- Bu, geri dönen Solow paradoksu: “Bilgisayar çağını üretkenlik istatistikleri dışında her yerde görebilirsiniz.”
- CEO-ve-öğrenci çıkarımı: kendi çıktını bir CEO’nun kar-zarar tablosunu (P&L) okuduğu gibi yönet (aktiviteyi değil, teslim edilen sonuçları ölç), aracı ise bir öğrenci gibi öğren. Aktivite çıktı değildir ve yalnızca çıktı, önemli olan rakamlara yansır.
Uyuşmayan İki Rakam
Yapay zekanın insanları daha üretken yapıp yapmadığını ölçmenin iki yolu var ve 2025’te bu ikisi zıt yönleri işaret ediyor.
Birincisi kontrollü deney: bir gruba yapay zeka aracı ver, diğerinden esirge, ikisine de aynı görevi ver ve kimin daha hızlı ya da daha iyi bitirdiğini ölç. Bu çalışmalar neredeyse tümüyle olumlu. İkincisi toplu istatistik: Çalışma İstatistikleri Bürosu’ndan gelen ulusal iş gücü verimliliği verileri ve toplam faktör verimliliğinin makro modelleri. Bunlar bir patlama tespit etmedi.
Kar-zarar tablosunu okuyan bir CEO bu deseni iyi bilir. Bir satış ekibi her zamankinden daha meşgul olabilir; daha fazla çağrı, daha fazla demo, yeşile boyanmış daha fazla aktivite paneli, ama gelir sabit kalır. Aktivite bir girdidir. Çıktı, hesaplara yansıyandır. Yapay zeka üretkenlik paradoksu aynı problemin uygarlık ölçeğindeki hali: girdi sayaçları çığlık atıyor, çıktı satırı ise sessiz.
Kontrollü Çalışmalar Gerçekte Ne Buldu
Bireysel düzeydeki kanıt gerçektir ve elinin tersiyle itilmemeli. İyimser tarafı üç çalışma sabitliyor.
Bugüne kadarki en büyük saha çalışmasında Erik Brynjolfsson, Danielle Li ve Lindsey Raymond, üretken bir yapay zeka sohbet asistanı verilen 5.179 müşteri destek temsilcisini izledi. Erişim, saat başına çözülen sorun olarak ölçülen üretkenliği ortalama %14 artırdı. Etki, en az deneyimli çalışanlarda yoğunlaştı; onlar %34 iyileşirken, en yetenekli temsilciler neredeyse hiç kazanç görmedi. Yapay zeka aslında en iyi temsilcilerin örtük bilgisini kopyalayıp acemilere veriyordu.
Sida Peng ve meslektaşlarının yürüttüğü rastgele kontrollü bir denemede 95 geliştiriciden JavaScript’te bir HTTP sunucusu kurmaları istendi. GitHub Copilot’lu grup %55,8 daha hızlı bitirdi; bu, p = 0,0017’de anlamlı bir sonuçtu, ancak %21’den %89’a uzanan geniş bir %95 güven aralığıyla.
Science’ta yayımlanan önceden kaydedilmiş bir deneyde Shakked Noy ve Whitney Zhang, üniversite eğitimli 453 profesyonele teşvikli yazma görevleri atadı ve yarısına ChatGPT verdi. Ortalama tamamlama süresi %40 düştü ve değerlendirilen çıktı kalitesi %18 yükseldi. Çağrı merkezi çalışmasında olduğu gibi, en çok zayıf performans gösterenler kazandı.
Birlikte okunduğunda bunlar “yapay zeka işe yarıyor” elinin en güçlü kartları. Aşağıdaki her rakam gerçek, yayımlanmış bir sayıdır.
| Çalışma (adı) | Ortam / görev | n | Ölçülen bireysel kazanç | En çok kim kazandı |
|---|---|---|---|---|
| Brynjolfsson, Li, Raymond 2023 (NBER w31161) | Müşteri destek, saat başına çözülen sorun | 5.179 temsilci | +%14 ortalama | Acemiler +%34; uzmanlar sıfıra yakın |
| Peng et al. 2023 (arXiv 2302.06590) | Kodlama, HTTP sunucusu kurma | 95 geliştirici | %55,8 daha hızlı (%95 GA 21-89%) | Daha az deneyimli geliştiriciler |
| Noy, Zhang 2023 (Science) | Profesyonel yazma görevleri | 453 | Süre -%40, kalite +%18 | Düşük beceri düzeyindeki yazarlar |
| Bick, Blandin, Deming 2024 (NBER w32966) | Kendi beyanına dayalı tasarruf edilen süre, ABD çalışanları | Geniş anket | Çalışma saatlerinin %5,4’ü tasarruf (~2,2 saat/hafta) | Sık yapay zeka kullananlar |
| METR 2025 (arXiv 2507.09089) | Deneyimli açık kaynak geliştiriciler, gerçek depolar | 16 geliştirici, 246 görev | Yapay zekayla %19 DAHA YAVAŞ | Hiç kimse; hepsi yavaşladı |
| Acemoglu 2024 (NBER w32487) | Makro TFV, 10 yıllık projeksiyon | Model | Toplamda en fazla +%0,66 TFV | Ekonomi geneli tavan |
Tablo: doğrulanmış rakamlar, her hücre listelenen adı geçen çalışmaya dayandırılmıştır. Tam kaynakça Kaynaklar’da.
Uzlaşıyı Bozan Çalışma
Beşinci ve altıncı satırlara dikkat edin. “Yapay zeka çalışanları daha üretken yapar” iddiasının artık yerleşik değil, gerçekten tartışmalı bir iddia olmasının sebebi onlar.
2025’te araştırma kâr amacı gütmeyen kuruluşu METR, iyi bildikleri olgun kod tabanları üzerinde çalışan, o projelerde ortalama beş yıllık önceki deneyime sahip 16 deneyimli açık kaynak geliştiricisi üzerinde 246 gerçek görevde rastgele kontrollü bir deneme yürüttü. Cursor Pro ve Claude 3.5/3.7 Sonnet gibi 2025 başı yapay zeka araçlarını kullanmalarına izin verildiğinde, bitirmeleri %19 daha uzun sürdü.
En önemli bulgu yavaşlama değildi. Yanlış algıydı. Başlamadan önce geliştiriciler yapay zekanın kendilerini %24 daha hızlı yapacağını öngördü. Bitirdikten sonra, gerçekten yavaşlatıldıktan sonra bile, yapay zekanın kendilerini yaklaşık %20 daha hızlı yaptığına hala inanıyorlardı. Hissedilen üretkenlik, ölçülen sonucun tam tersi yönde hareket etti.
Bu, tüm paradoksun küçük ölçekli mekanizması. Yapay zeka işi güvenilir biçimde daha hızlı ve kolay hissettirir: boş sayfa kaybolur, tekrar eden kod kendini yazar, ilk taslak saniyeler içinde gelir. O hissedilen akıcılık gerçektir ve çalışanlar zaman tasarrufu bildirdiğinde anketlerin yakaladığı tam olarak budur. St. Louis Fed’in Alexander Bick, Adam Blandin ve David Deming tarafından yürütülen anket çalışması, çalışanların yapay zekanın çalışma saatlerinin %5,4’ünü, yani haftada kabaca 2,2 saati kurtardığını bildirdiğini buldu. Ama kendi beyanına dayalı tasarruf edilen süre bir histir, denetlenmiş bir çıktı sayısı değil. METR denemesi, bunu denetlediğinizde olan şeydir.
Kazancın Nereden Sızdığı
Bireyler gerçekten bazı görevleri daha hızlı bitiriyorsa, bunun hiçbiri neden şirketin çıktısına ya da ulusun verimlilik istatistiklerine ulaşmıyor? Çünkü bir görev hızlanmasının ölçülen çıktıya dönüşmeden önce uzun bir yolculuktan sağ çıkması gerekiyor ve her aşamada sızıyor. Aşağıdaki tablo bu makale için oluşturulmuş bir tanı çerçevesi; her sızıntıyı onu tıkayan disipline eşliyor.
| Sızıntı noktası | Kazanç neden kayboluyor | CEO-ve-öğrenci çözümü |
|---|---|---|
| Tasarruf edilen süre bankaya konmaz, daha fazla aktiviteye yeniden yatırılır | Daha hızlı taslak yazmak sadece daha fazla taslak, daha fazla toplantı, daha fazla mesaj demektir | Kurtardığın saati gerçek bir çıktı hedefine karşı bankaya koy, tıpkı bir CEO’nun maliyet kesintisini bankaya koyması gibi; onu harekete harcama |
| Yeniden çalışma ve doğrulama | Yapay zeka çıktısı bitmiş görünür ama kontrol gerektirir; kıdemli zaman, kıdemsiz-artı-yapay zeka işini gözden geçirmeye harcanır | İnceleme dahil net süreyi say; görevi ilk taslakla değil, uçtan uca ölç |
| Koordinasyon sürtünmesi | Bir kişi daha hızlıdır, ama ekip, onaylar ve devir teslimler değildir | Kendi adımını değil, darboğazı optimize et; P&L en yavaş halkayı yansıtır |
| Beceri körelmesi ve aşırı güven | Aşırı bağımlılık, yapay zeka hatalarını yakalayan muhakemeyi aşındırır | Öğrenci modunda kal: kalite kontrolünün gerektirdiği damak zevkini korumak için zor görevleri yardımsız yapmaya devam et |
| Yanlış görevin otomatikleştirilmesi | Hiç yapılmaması gereken işi hızlandırmak | Önce CEO sorusu: bu çıktı üretilmeye değer mi? Faydasız bir görevde verimlilik sıfırdır |
| Ölçüm yanılsaması | Hissedilen hız (anketler), METR’in gösterdiği gibi ölçülen hızdan (denemeler) ayrışır | Kendi denetlenmiş rakamlarına, ivme hissinden daha çok güven |
Tablo: CEOtudent editöryel çerçevesi (kamuya açık araştırmanın sentezi).
Bütün Ekonominin Manzarası
Makro düzeye uzaklaşın ve sızıntılar çarpıcı bir düzlüğe toplanır. NBER çalışma raporu olarak yayımlanan Daron Acemoglu’nun görev tabanlı modeli, yapay zekanın toplam faktör verimliliğini on yılda toplamda en fazla %0,66, yani yılda kabaca %0,064 artıracağını tahmin ediyor. Bu sıfır değil, ama bireysel görev rakamlarının ima edebileceği dönüşümün hiç yakınında değil.
Gözlemlenen veri onu yalanlamadı. ABD tarım dışı işletme iş gücü verimliliği, 2023’ün dördüncü çeyreğinden 2024’ün dördüncü çeyreğine %2,0, 2025’in ikinci çeyreğinde ise %2,4 arttı. Bunlar saygın rakamlar, ama bir sıçrama değil. 2019 sonundan bu yana süregelen mevcut iş çevriminde verimlilik yıllıklandırılmış %1,8 büyüdü; bu, 1947’den beri uzun vadeli %2,1 oranının altında. Yapay zeka her ne yapıyorsa, henüz toplamı kendi tarihsel eğiliminin üzerine itmedi.
Bunun hiçbiri türü itibarıyla yeni değil. 1987’de iktisatçı Robert Solow, “bilgisayar çağını üretkenlik istatistikleri dışında her yerde görebilirsiniz” diye yazdı. Bilgisayar devriminin nihayet 1990’ların sonu verimlilik rakamlarında görünmesi, kabaca on yıl ve internet ile kurumsal yazılımın yayılmasını aldı. Solow paradoksunun yapay zeka versiyonu aynı şekilde çözülebilir: herkesi anında daha üretken yapan bir araç yoluyla değil, işin nasıl yapıldığının yavaş yeniden düzenlenmesi yoluyla.
Benimseme-Etki Uçurumu
Kurumsal veri aynı hikayeyi içeriden anlatıyor. Stanford HAI’nin 2025 AI Index’i, kurumsal yapay zeka benimsemesinin 2024’te bir önceki yıl %55’ten %78’e sıçradığını ve en az bir iş fonksiyonunda üretken yapay zeka kullanımının iki katından fazla artarak %71’e ulaştığını bildiriyor. Benimseme neredeyse evrensel.
Etki değil. McKinsey’nin 2025 State of AI anketi, kuruluşların büyük çoğunluğunun yapay zeka kullanımından işletme düzeyinde kazançlarda henüz maddi bir etki görmediğini, yalnızca yüksek performans gösterenlerin küçük bir azınlığının anlamlı bir kâr-zarar etkisini buna atfettiğini buldu. “Yapay zeka kullanıyoruz” ile “yapay zeka sonuçlarımızı değiştirdi” arasındaki uçurum, üretkenlik paradoksunun kurumsal yüzü. Lisans satın almak kolay. İş akışını, zaman tasarrufu P&L’e sağ çıkacak şekilde yeniden kablolamak zor kısım ve çoğu firma bunu yapmadı.
Bunu Bir CEO Gibi Nasıl Okumalı, Bir Öğrenci Gibi Nasıl Öğrenmeli
Paradoks, yapay zekayı görmezden gelmek için bir sebep değil. Kendini dürüstçe ölçmek için bir sebep. Kanıttan üç işletim ilkesi çıkıyor.
Birincisi, aktiviteyi değil çıktıyı ölç. METR geliştiricileri %19 daha yavaşken %20 daha hızlı hissetti. Kendi ivme hissin güvenilmez bir alettir. Rolünde gerçekten önemli olan çıktı birimini tanımla; teslim edilen özellikler, kapatılan anlaşmalar, yayımlanan analizler ya da alınan kararlar gibi, ve bunu yapay zekadan önce ve sonra, inceleme süresi dahil uçtan uca izle. Bir CEO “bu çeyrek çok meşguldük” diye rapor etmez. Sen de kendine böyle rapor etme. Bu tam olarak hayatını kişisel bir işletim sistemi üzerinde yürütmenin ardındaki disiplindir.
İkincisi, kurtarılan zamanı bilinçli olarak bankaya koy. En büyük tek sızıntı, kurtarılan dakikaların daha fazla harekete harcanmasıdır. Yapay zeka sana gerçekten haftada iki saat geri veriyorsa, CEO hamlesi o saatleri belirli, daha yüksek değerli bir çıktıya ayırmaktır; onların daha dolu bir gelen kutusuna karışmasına izin vermek değil.
Üçüncüsü, önemli olduğu yerde öğrenci kal. Saha çalışmalarındaki kazançlar acemiler için en büyüktü, çünkü yapay zeka onların sahip olmadığı uzmanlığı kodluyordu. Ama METR yavaşlaması, derinlemesine bildikleri alanlarda çalışan uzmanların üzerine düştü; kısmen çünkü yapay zeka çıktısını gözden geçirmek ve düzeltmek, işi kendilerinin yapmasından daha pahalıya patladı. Ders, iyi yapay zeka çıktısını kendinden emin görünen yanlış çıktıdan ayırmanı sağlayan muhakemeyi kurmaya devam etmek ve işini yapay zekanın neyi değiştirip değiştiremeyeceği açısından denetlemeye devam etmektir. O muhakeme, yapay zekanın henüz sana veremeyeceği tek varlıktır ve bir görev hızlanmasını gerçek, bankaya konabilir çıktıya çeviren şeydir.
SSS
İddia, yapay zekanın üretkenliği artırmadığı mı?
Hayır. Kontrollü çalışmalar, özellikle daha az deneyimli çalışanlar için net bireysel görev kazançları gösteriyor. Paradoks, bu kazançların henüz şirket düzeyinde ya da ekonomi genelinde çıktı büyümesine dönüşmemesidir.
Yapay zeka neden deneyimli geliştiricileri yavaşlatsın?
2025 METR denemesinde, iyi bildikleri kod tabanları üzerinde çalışan deneyimli geliştiriciler, düzeltme gerektiren yapay zeka çıktısını yönlendirmeye, beklemeye ve gözden geçirmeye fazladan zaman harcadı. Zaten akıcı yaptığın iş için bu ek yük, yapay zekanın kurtardığı süreyi aşabilir.
Çalışanlar zaman tasarrufunu sadece hayal mi ediyor?
Kısmen. St. Louis Fed anketindeki çalışanlar gerçekten saatlerinin %5,4’ünü kurtardıklarını bildirdi ve METR geliştiricileri yapay zekanın kendilerini hızlandırdığına inandı. Ama bir kontrol grubuna karşı ölçüldüğünde, hissedilen hızlanma gerçek sonuçla her zaman örtüşmedi. Algılanan ve ölçülen üretkenlik keskin biçimde ayrışabilir.
Yapay zekanın ekonominin geneli üzerindeki beklenen etkisi ne kadar büyük?
Acemoglu’nun modeli, on yılda en fazla %0,66 toplam faktör verimliliği kazancı, yani yılda yaklaşık %0,064 öngörüyor. Diğer iktisatçılar daha iyimser, ama güvenilir hiçbir tahmin anında bir üretkenlik patlamasını ima etmiyor.
Yapay zeka resmi verimlilik rakamlarında henüz göründü mü?
Belirgin biçimde değil. ABD tarım dışı işletme verimliliği 2024 boyunca %2,0, 2025’in ikinci çeyreğinde %2,4 büyüdü, ama mevcut iş çevrimi hala 1947’den beri uzun vadeli %2,1 ortalamasının altında seyrediyor.
Bu, eski Solow paradoksuyla aynı mı?
Onunla kafiyeli. Solow 1987’de bilgisayarların üretkenlik istatistikleri dışında her yerde olduğunu gözlemledi. Kazançlar, firmalar teknoloji etrafında yeniden düzenlendikten sonra nihayet ortaya çıktı. Yapay zeka aynı gecikmeli yolu izleyebilir.
Bir birey bu konuda ne yapmalı?
Yapay zekayı benimsemeden önce ve sonra somut bir çıktı metriğini izle, inceleme ve yeniden çalışma süresini say, kurtarılan herhangi bir zamanı kasıtlı olarak daha yüksek değerli işe yeniden tahsis et ve yapay zeka hatalarını yakalayabilmek için temel becerileri yardımsız çalışmaya devam et.
Kaynaklar
- Erik Brynjolfsson, Danielle Li ve Lindsey Raymond, Generative AI at Work, NBER Working Paper 31161, 2023.
- Sida Peng, Eirini Kalliamvakou, Peter Cihon ve Mert Demirer, The Impact of AI on Developer Productivity: Evidence from GitHub Copilot, arXiv 2302.06590, 2023.
- Shakked Noy ve Whitney Zhang, Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence, Science, 2023.
- METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, arXiv 2507.09089, 2025.
- Daron Acemoglu, The Simple Macroeconomics of AI, NBER Working Paper 32487, 2024.
- Alexander Bick, Adam Blandin ve David Deming, The Rapid Adoption of Generative AI, NBER Working Paper 32966 ve Federal Reserve Bank of St. Louis, 2024.
- US Bureau of Labor Statistics, Productivity and Costs, tarım dışı işletme sektörü yayınları, 2024-2025.
- Stanford Institute for Human-Centered Artificial Intelligence, The 2025 AI Index Report, 2025.
- McKinsey and Company, The State of AI: How Organizations Are Rewiring to Capture Value, 2025.
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.
