TL;DR: Bir asır boyunca işi mevcudiyet ve çabayla ölçtük, çünkü el emeği çıktısı görünür ve sayılabilirdi. Bilgi işi bu mantığı bozdu, yapay zeka da işi tamamladı. Bir yapay zeka asistanı bir müşteri destek temsilcisinin sorunları ortalama yüzde 14 daha hızlı çözmesini ve acemi bir geliştiricinin bir işi yüzde 55,8 daha hızlı bitirmesini sağladığında, ham etkinlik size değer hakkında hiçbir şey söylemez olur: hareket artık ucuzdur ve yalnızca katkı kıttır. Bu rehber, her bilgi işi metriğini etkinlikten bileşik değere uzanan dört yükselen sınıfa ayıran, adı konmuş bir CEOtudent çerçevesi olan Katkı Merdiveni’ni verir. Ayrıca kendi karnenizin nerede hâlâ meşgul olmayı yararlı olmakla karıştırdığını bulmak için bir Gösteriş Metriği Denetimi sunar. Bir CEO saatleri değil sonuçları fonlar; öğrenci ise bir işin ne kadar iyi yapıldığını ölçmeden önce o işin gerçekte ne olduğunu sormayı asla bırakmaz.
Peter Drucker, bilgi çalışanı üretkenliğini daha 1999’da yönetimin “en büyük mücadelesi” olarak adlandırmıştı ve ilk reçetesi aldatıcı biçimde basitti: işi ölçebilmeniz için önce görevi tanımlamanız gerekir. El emeği kendi sorusunu yanıtlar, çünkü monte edilmiş parçalardan oluşan bir yığın kendiliğinden apaçık bir çıktıdır. Bilgi işi bunu yapmaz. Toplantılar, yanıtlar ve belgelerle dolu bir gün, bir şirketi ileri taşıyabilir ya da hiçbir yere götürmeyebilir, mesai kaydı ise her iki durumda da aynı okunur. Bu, her yöneticinin ve her hırslı bireysel katkı sağlayıcının sessizce birlikte yaşadığı ölçüm boşluğudur. Yapay zeka bu boşluğu yaratmadı. Onu artık göz ardı edemeyeceğiniz noktaya kadar genişletti.
Eski vekil ölçüler neden çöktü
Her geleneksel bilgi işi metriği, doğrudan gözlemleyemediğimiz bir şeyin yerini tutan bir vekildir. Çalışılan saatler çabanın vekiliydi. Gönderilen e-postalar, kapatılan biletler ve yazılan kod satırları üretkenliğin vekiliydi. Bunların her biri yalnızca etkinlik üretmenin maliyeti yarattığı değerle kabaca orantılı kaldığı sürece işe yaradı. Yapay zeka bu bağı koparır. Araçlar artık etkinliği neredeyse bedavaya üretir, dolayısıyla vekil şişerken altındaki katkı şişmez.
Kanıt burada alışılmadık ölçüde nettir, çünkü yapay zekanın iş yerindeki etkisine dair en güçlü son çalışmalar tam olarak bunu ölçer. Görünür metrikte büyük kazanımlar gösterirken, metriğin en başından neyi yakaladığına dair daha zor bir soruyu gündeme getirir.
Doğrulanmış veri: yapay zekanın iş yerindeki etkisini ölçen kontrollü çalışmalar gerçekte neyi ölçtü
| Çalışma | Ortam | Örneklem | Ölçülen etki | Neyi ortaya koyuyor |
|---|---|---|---|---|
| Brynjolfsson, Li ve Raymond, Quarterly Journal of Economics (2025) | Müşteri destek sohbeti, Fortune 500 şirketi | 5.179 temsilci, ~3 milyon sohbet | Saat başına çözülen sorunda ortalama +yüzde 14; acemilerde +yüzde 34; uzmanlarda sıfıra yakın | Yapay zeka deneyim eğrisini sıkıştırır, dolayısıyla verim en hızlı, becerinin en düşük olduğu yerde yükselir |
| Peng, Kalliamvakou, Cihon ve Demirer (2023) | JavaScript’te bir HTTP sunucusu yazmak | 95 geliştirici, rastgele atama | Deney grubu yüzde 55,8 daha hızlı bitirdi (1s11 karşısında 2s41) | Görev hızı artık yalnızca bireysel yetenek değil, araç erişiminin bir işlevidir |
Bu iki satırı birlikte okuyun, çıkarım rahatsız edicidir. Bir acemi orta düzey bir performansçının verimine ulaşabiliyorsa, o zaman verim artık performansçının güvenilir bir sinyali değildir. Metrik hareket etti; kişi etmedi. Hâlâ insanları çıktı hacmine göre sıralayan herhangi bir karne, artık onları kısmen bir aracı ne kadar agresif benimsediklerine göre sıralıyordur. Bunu bilmek değerlidir, ama çoğu kuruluşun ölçtüğünü sandığı şey bu değildir. Bu kopukluğun kurumsal versiyonunu yapay zeka üretkenlik paradoksu yazımızda, bireysel hız kazanımlarının şirket sonuçlarında inatla görünmediği yerde inceledik.
Katkı Merdiveni: bilgi işi metriklerinin dört sınıfı
Çözüm tek bir mükemmel metrik bulmak değildir. Bir metriğin merdivenin hangi basamağında durduğunu bilmek ve dikkatinizi yukarıya doğru ağırlıklandırmaktır. Katkı Merdiveni, bilgi işi sinyallerini dört yükselen sınıfa ayırır. Alt basamaklar sayması kolay ve oynanması kolaydır. Üst basamaklar ölçmesi daha zor ve değer konusunda çok daha dürüsttür.
CEOtudent editoryal çerçevesi: Katkı Merdiveni
| Basamak | Metrik sınıfı | Örnek sinyaller | Neyi yakalar | Yapay zeka çağı çarpıtması |
|---|---|---|---|---|
| 1 | Etkinlik | Kaydedilen saatler, gönderilen mesajlar, katılınan toplantılar | Mevcudiyet ve hareket | Şiddetli. Yapay zeka her etkinlik sayımını şişirir, değer sabit kalır |
| 2 | Verim | Kapatılan görevler, çözülen biletler, üretilen taslaklar | Bitmiş birim hacmi | Yüksek. Araç erişimi artık verimi en az beceri kadar yönlendirir |
| 3 | Sonuç | Mümkün kılınan kararlar, kaldırılan sorunlar, hareket ettirilen gelir veya risk | İşin gerçek bir şeyi değiştirip değiştirmediği | Düşük. Yapay zeka sonuç üretmeye yardım eder ama sizin adınıza sahiplenemez |
| 4 | Bileşik | Yeniden kullanılabilir varlıklar, paylaşılan muhakeme, kazanmaya devam eden sistemler | Görevden daha uzun yaşayan değer | İhmal edilebilir. Bu, yapay zekanın sizin adınıza taklit edemeyeceği basamaktır |
Tuzak şudur: ölçüm çabası, ölçüm değerinin tersine işler. 1. basamağı enstrümante etmek önemsizdir, panolar bu yüzden bununla dolar. 4. basamak, bir insanın önem hakkında bir muhakeme kararı vermesini gerektirir, bu yüzden neredeyse kimse onu izlemez. Yapay zeka bu boşluğu genişletir, çünkü en alt basamağa ucuz etkinlik dökerken en üst basamağı her zaman olduğu kadar zorlu bırakır. Stratejik hamle, ister bir yönetici için ister kendiniz için olsun, alt basamaklar daha gürültülü olsa da dikkati bilinçli olarak merdivende yukarı kaydırmaktır.
Yukarı tırmanmanın somut bir yolu: herhangi bir iş parçası için, çıktının kendisi yarın silinseydi geriye ne değerli kalırdı diye sorun. Belgelenmiş bir düzeltme bırakan kapatılmış bir bilet, bir takım arkadaşının yeniden kullandığı bir karar çerçevesi ya da çalışmaya devam eden temizlenmiş bir veri hattı, hepsi 4. basamak kalıntısıdır. Geriye hiçbir şey bırakmayan kapatılmış bir bilet ise saf verimdi. Kalıntı, katkının kendisidir.
Gösteriş Metriği Denetimi
Katkıyı ölçebilmeden önce, etkinliği fazla ödüllendirmeyi bırakmanız gerekir. Bu denetimi kendi karneniz üzerinde çalıştırın, ister resmi bir performans değerlendirmesi olsun ister kendi haftanız hakkında tuttuğunuz özel hesap.
- Gerçekte neyi izlediğinizi listeleyin. Sizin ya da yöneticinizin performansı değerlendirmek için baktığı her sayıyı yazın. Ne sıklıkta çevrimiçi göründüğünüz veya ne kadar hızlı yanıt verdiğiniz gibi gayriresmi olanlarda dürüst olun.
- Her birini merdivene yerleştirin. Yukarıdaki tabloyu kullanarak her metriği bir basamağa atayın. Çoğu insan, izledikleri şeyin yüzde sekseninin 1. ve 2. basamakta olduğunu bulur.
- Silme testini sorun. Her metrik için, bir yapay zeka aracının gerçek değerde hiçbir artış olmadan onu şişirip şişiremeyeceğini sorun. Yanıt evetse, 2019’da ne kadar saygın görünürse görünsün, o artık bir gösteriş metriğidir.
- İki sinyali terfi ettirin. Önümüzdeki çeyrek boyunca bilinçli olarak izlemek için bir sonuç metriği ve bir bileşik metrik seçin. İlk başta belirsiz gelecekler, mesele de bu: 3. ve 4. basamak sinyalleri muhakeme gerektirir, muhakeme ise kıt girdidir.
- Ödülü yeniden dengeleyin. İşi, ister kendinizinkini ister ekibinizinkini, değerlendirme biçiminizin en azından bir kısmını bu terfi ettirilen sinyallere kaydırın.
Çoğu ölçüm sistemi, üst basamakların izlenmesi imkânsız olduğu için değil, kimse kesin ama yanlış bir sayının rahatlığını yaklaşık ama doğru bir sayının rahatsızlığıyla değiştirmeye istekli olmadığı için başarısız olur. Muhakeme kararı artık işin kendisidir. Bu kararları iyi verme kapasitesini inşa etmek istiyorsanız, muhakeme ekonomisi insan muhakemesini her şey otomatikleşirken değeri artan beceri olarak ele alır, değerlendirme becerisi ise özellikle yapay zeka destekli çıktının nasıl değerlendirileceğini kapsar.
Bunun çalışma biçiminiz için anlamı
Bireysel bir katkı sağlayıcıysanız, uygulamadaki çıkarım şudur: verim üzerinden rekabet etmeyi bırakmalısınız, çünkü bu rekabet artık araçları en hızlı benimseyenin lehine hileli hâle gelmiştir ve sizi metalaştıracaktır. Bunun yerine iki üst basamak üzerinde rekabet edin. Hangi sorunun çözülmeye değer olduğunu adlandıran, geriye yeniden kullanılabilir varlıklar bırakan ve yapay zeka destekli taslağın gerçekten doğru olup olmadığına karar vermesine güvenilebilen kişi olun. Bu, hızın olmadığı bir şekilde savunulabilirdir; bu noktaya geleneksel biçimiyle uygulanan derin çalışmaya karşı savunmamızda farklı bir açıdan değindik.
Bilgi çalışanlarını yönetiyorsanız, çıkarım şudur: mevcut panonuz artık aktif olarak yanıltıcıdır ve araç benimseme ekibinize eşit olmayan biçimde yayıldıkça daha da kötüleşecektir. Buna merdivenin altında daha çok ölçerek yanıt vermeyin. Buna merdivenin tepesinde cesurca ölçerek yanıt verin, bunun daha az ondalık basamak ve daha çok insan muhakemesi anlamına geldiğini kabul ederek. Drucker’ın özgün noktası yeni bir güçle geçerliliğini korur: bilgi işini ölçmenin ilk edimi, işin ne için olduğunu tanımlamaktır. Yapay zeka bu ilk edimi artık isteğe bağlı olmaktan çıkardı.
Sıkça sorulan sorular
Çıktıyı ölçmek üretkenliği ölçmekle aynı mı?
Hayır ve ikisini karıştırmak temel hatadır. Çıktı, verim basamağında yer alan bitmiş birim hacmidir. Önemli olan anlamda üretkenlik ise kıt girdi başına katkıdır, kıt girdi de artık saatler değil muhakemedir. Daha az çıktı üreten ama neyin üzerinde çalışılacağına dair daha iyi kararlar veren bir çalışan, otomasyona dayanan anlamda çok daha üretken olabilir.
Etkinlik metriklerini izlemeyi tamamen bırakmalı mıyım?
Hayır. Etkinlik metrikleri hâlâ tanısal sinyaller olarak işe yarar, örneğin tükenmişliği veya bozuk bir süreci saptamak için. Hata, onları performans metriği veya ödül metriği olarak kullanmaktır. Onları skor tablosu olarak değil, enstrüman olarak tutun.
Bir bileşik metriği bu kadar belirsizken nasıl ölçerim?
Bir kişinin veya ekibin ürettiği kalıcı eserlerin, örneğin yeniden kullanılabilir şablonların, belgelenmiş kararların veya başkalarının benimsediği sistemlerin basit bir sayımıyla başlayın. Kesin olmayacak, bu kabul edilebilir. Doğru şeyin yaklaşık bir ölçümü, yanlış şeyin kesin bir ölçümünden iyidir.
Bu, tek kişilik girişimciler ve serbest çalışanlar için de geçerli mi?
Özellikle onlar için. Yöneticisi olmayan bir serbest çalışanın yalnızca kendi belirlediği metrikleri vardır ve varsayılan olarak faturalanan saatlere veya teslim edilen görevlere yönelmek, değerlerini sessizce verim basamağında sınırlar. Müşterilere teslim edilen sonuçları ve kendi işi için inşa edilen yeniden kullanılabilir varlıkları izlemek, tek kişilik bir operatörün zamanı parayla takas etmekten kurtulma yoludur.
Yapay zeka sonunda katkıyı bizim yerimize ölçecek mi?
Yapay zeka etkinliği ve verimi son derece iyi ölçebilir, çünkü bunlar sayılabilir. Neyin anlamlı bir sonuç sayılacağına henüz karar veremez, çünkü bu, hedefi ve bağlamı bilmeyi gerektirir ki bu bir muhakemedir. Karar verebilene kadar, merdivenin tepesi insan sorumluluğu olarak kalır, ki değerinizin yoğunlaştığı yer de tam olarak burasıdır.
Kaynakça
- Peter F. Drucker, “Knowledge-Worker Productivity: The Biggest Challenge,” California Management Review, 1999.
- Erik Brynjolfsson, Danielle Li ve Lindsey Raymond, “Generative AI at Work,” Quarterly Journal of Economics, 2025.
- Sida Peng, Eirini Kalliamvakou, Peter Cihon ve Mert Demirer, “The Impact of AI on Developer Productivity: Evidence from GitHub Copilot,” 2023.
- Dünya Ekonomik Forumu, Future of Jobs Report 2025.
- OECD, OECD Employment Outlook 2024: The Net Effect of AI on Jobs.
- Peter F. Drucker, Management Challenges for the 21st Century, HarperBusiness, 1999.
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.
