Özet. Bir disiplinde derin, diğer disiplinlerle iş birliği yapabilecek kadar da geniş olan T-şekilli profesyonel modeli iki fiyata dayanıyordu: derinlik kıttı, genişliği edinmek ise pahalıydı. Üretken yapay zeka ikisini de değiştirdi. Procter & Gamble profesyonelleriyle yapılan bir saha deneyinde, yapay zekayla çalışan bireyler çözüm kalitesini 0,37 standart sapma artırarak yapay zeka kullanmayan iki kişilik ekiplerle aynı düzeye ulaştı ve kendi mesleki geçmişleri ne olursa olsun teknik ve ticari açıdan dengeli çözümler üretti. T’nin yatay çizgisi artık ödünç alınabiliyor. Dikey çizgi de değişiyor: 5.172 müşteri destek temsilcisini kapsayan yayımlanmış bir çalışmada yapay zeka desteği verimliliği ortalama %15 artırdı ve en büyük gelişmeyi en az deneyimli çalışanlar gösterdi. Kendi analizimiz, genellikle üniversite diploması gerektiren 372 ABD mesleği için O*NET 31.0 beceri puanlarını yayımlanmış yapay zeka maruziyeti skorlarıyla birleştiriyor. Analitik becerileri yüksek ama insan becerileri düşük meslekler en yüksek ortalama maruziyete sahip (0,52); aynı analitik yoğunluğu güçlü insan becerileriyle birleştirmek %16 daha düşük maruziyetle ilişkili. Önerdiğimiz yeni şekil Ağaç (Tree): ödünç aldığınız, yapay zekayla genişletilmiş bir genişlik tacı; sahibi olduğunuz bir muhakeme derinliği gövdesi; makinelerin sağlayamayacağı ilişki ve bağlam kökleri; ve öğrenmeyi ne kadar hızlı sürdürdüğünüzü kaydeden yıllık halkalar.
Bu yazı, yapay zeka çağında kariyer stratejisi serimizin bir parçası ve uzmanlıktan orkestrasyona geçiş, yapay zeka çağında yetenek istifleme ve kariyer sermayesi: ne birikerek büyür, ne aşınır yazılarımızın üzerine kuruluyor.
T nereden geldi ve hangi iki bahse girdi
T, onu kullananların çoğundan daha yaşlı. Araştırmacıların genellikle atıf yaptığı en eski kullanım, David Guest’in 1991’de The Independent’ta yayımlanan ve “The hunt is on for the Renaissance Man of computing” başlığını taşıyan kısa yazısı. Harvard Business Review, 2001’de Morten Hansen ve Bettina von Oetinger’in “Introducing T-shaped managers” makalesiyle fikri yönetim dünyasına taşıdı. IDEO’nun CEO’su Tim Brown ise bugün çoğu kişinin tekrarladığı tanımı 2010’da Chief Executive dergisine verdiği bir röportajda yaptı: dikey çizgi, kişinin “yaratıcı sürece katkı yapmasını sağlayan beceri derinliği”, yatay çizgi ise disiplinler arası iş birliğine yatkınlıktır.
Harfin arkasında iki ekonomik bahis yatıyordu:
- Derinlik kıt olan varlıktır. Dikey çizginiz için işe alınırsınız. Tek bir alanda yıllarca süren eğitim ve pratiği kopyalamak zordur, bu yüzden prim getirir.
- Genişlik pahalıdır, bu yüzden biraz yeterlidir. Mühendisseniz pazarlamayı bilmeniz gerekmez; pazarlamacıyla konuşabilecek kadarını bilmeniz yeterlidir. Yatay çizgi ikinci bir beceri değil, bir iş birliği arayüzüdür.
İki bahis de otuz yıl boyunca makuldü. Üretken yapay zeka her birinin fiyatını değiştiriyor.
Yapay zeka yatay çizgiye ne yapıyor
En net kanıt, Fabrizio Dell’Acqua, Karim Lakhani ve meslektaşlarının Procter & Gamble’da yürüttüğü ve 2026’da Organization Science’ta yayımlanan ön kayıtlı saha deneyi “The Cybernetic Teammate”ten geliyor. Profesyoneller gerçek ürün inovasyonu problemleri üzerinde, tek başlarına ya da biri Ar-Ge’den, biri ticari taraftan gelen iki kişilik ekipler halinde, GPT-4 tabanlı bir araçla veya araç olmadan çalıştı.
Çalışma makalesi versiyonunda, yapay zeka kullanmayan ekipler çözüm kalitesini tek başına çalışan bireylere göre 0,24 standart sapma artırdı. Yapay zeka kullanan bireylerde artış 0,37, yapay zeka kullanan ekiplerde ise 0,39 standart sapmaydı. Yayımlanan özet bunu açıkça ifade ediyor: yapay zeka kullanan bireyler, yapay zeka kullanmayan ekiplerin performansını yakaladı.
T açısından en önemli bulgu silolarla ilgili. Yapay zeka olmadan Ar-Ge profesyonelleri teknik, ticari profesyoneller ise ticari çözümler önermeye eğilimliydi. Yazarların ifadesiyle, yapay zeka kullanan profesyoneller “mesleki geçmişlerinden bağımsız olarak” daha dengeli çözümler üretti. Bu, talep üzerine sunulan yatay çizginin ta kendisi.
Aynı çalışmada ileride önem kazanacak önemli bir ayrıntı var. En yüksek kaliteli fikirler hâlâ birlikte çalışan insanlardan geldi: yapay zeka kullanan ekiplerin en iyi %10’luk dilime giren bir çözüm üretme olasılığı, kontrol grubuna (ortalama %5,8) göre 9,2 yüzde puan daha yüksekti; yapay zeka kullanan bireylerde ise etki istatistiksel olarak anlamlı değildi. Yapay zeka bilgi genişliği sağlıyor. Ama odadaki bir başka insanın değerinin yerini tutmadı.
Yapay zeka dikey çizgiye ne yapıyor
Derinlik de yeniden fiyatlanıyor, ama eşit biçimde değil.
Erik Brynjolfsson, Danielle Li ve Lindsey Raymond, 2025’te Quarterly Journal of Economics’te yayımlanan “Generative AI at Work” çalışmasında yapay zeka asistanı verilen 5.172 müşteri destek temsilcisini inceledi. Saat başına çözülen talep sayısıyla ölçülen verimlilik ortalama %15 arttı. Daha az deneyimli ve daha düşük becerili çalışanlar hem hızlarını hem kalitelerini artırırken, en deneyimli ve en yüksek becerili çalışanlar hızda küçük kazanımlar, kalitede ise küçük düşüşler yaşadı. Oluşturulması yıllar süren bilgi birikimi, araç sayesinde kısmen yeni başlayanların da erişebileceği hale geldi.
Öte yandan aracın ne zaman yanıldığını size söyleyen şey de derinliktir. Boston Consulting Group’ta 758 danışmanla yapılan ve 2026’da Organization Science’ta yayımlanan deneyde (“Navigating the Jagged Technological Frontier”), GPT-4 verilen danışmanlar yapay zekanın sınırı içindeki görevlerde %12,2 daha fazla görev tamamladı ve %25,1 daha hızlı çalıştı. Bilinçli olarak bu sınırın dışında kalacak şekilde seçilen bir görevde, yapay zeka kullanmayan danışmanlar yaklaşık %84,5 oranında doğru sonuca ulaşırken, yapay zeka kullananlar %60 ve %70,6’da kaldı; bu, ortalama 19 yüzde puanlık bir düşüş demek. Yapay zekayı yeteneklerinin ötesindeki bir görevde kullanmak insanların doğruluğunu düşürdü ve böyle bir görevde olduğunuzu fark etmenizi sağlayan şey alandaki derinliğinizdir.
Tyna Eloundou, Sam Manning, Pamela Mishkin ve Daniel Rock’ın orijinal “GPTs are GPTs” çalışması da beceri düzeyinde aynı yönü işaret ediyor: meslekler genelinde programlama ve yazma becerilerinin önemi büyük dil modellerine maruziyetle güçlü biçimde pozitif ilişkiliyken, bilim ve eleştirel düşünme becerileri güçlü biçimde negatif ilişkiliydi.
Dolayısıyla dikey çizgi ikiye bölünüyor. Kodlanmış derinlik, yani uzmanlığın yazıya dökülebilen ve örüntü eşleştirmeyle yakalanabilen kısmı, ucuzluyor. Muhakeme derinliği, yani doğrulamanızı, karar vermenizi ve sorumluluk almanızı sağlayan kısım ise birinin size ihtiyaç duymasının asıl nedeni haline geliyor.
Analizimiz: hangi beceri profilleri en çok maruz kalıyor
Bunu güncel veriyle sınamak için genellikle bir arada kullanılmayan iki kamuya açık veri setini birleştirdik:
- O*NET 31.0 (ABD Çalışma Bakanlığı, Ağustos 2026): 910 mesleğin her biri için 35 becerinin 1-5 ölçeğindeki önem puanları.
- Meslek düzeyinde maruziyet skorları: Eloundou ve meslektaşlarının çalışmalarıyla birlikte yayımladığı skorlar. Beta ölçülerini kullandık: bir mesleğin görevleri içinde, büyük bir dil modeline doğrudan ya da onun üzerine kurulmuş yazılımlar aracılığıyla erişimin gereken süreyi en az yarıya indirebileceği görevlerin payı (ikinci yol 0,5 ağırlıkla hesaba katılıyor). Veri setinde skorun iki versiyonu var: biri insan değerlendiricilerden, diğeri GPT-4’ten.
910 mesleğin tamamında neredeyse her bilişsel beceri maruziyetle pozitif korelasyon gösteriyor, çünkü maruziyet büyük ölçüde masa başı işi fiziksel işten ayırıyor. Bu karşılaştırma, bir bilgi çalışanının tercihleri hakkında pek bir şey söylemiyor. Bu yüzden analizi O*NET’in Job Zone 4 ve 5 kategorilerindeki 372 mesleğe daralttık; bunlar, işlerin çoğunun lisans ya da lisansüstü eğitim gerektirdiği meslek gruplarıdır. Bu grubun içinde görünüm ikiye ayrılıyor.
Tablo 1. Diploma gerektiren mesleklerde beceri önemi ile yapay zeka maruziyeti arasındaki ilişki (CEOtudent hesaplaması, O*NET 31.0 ve Eloundou vd. maruziyet verisi)
| Beceri | Maruziyetle korelasyon, insan puanlaması | Maruziyetle korelasyon, GPT-4 puanlaması | Karşılaştırma için: 910 mesleğin tümü, insan puanlaması |
|---|---|---|---|
| Programlama | +0,35 | +0,46 | +0,57 |
| Sistem analizi | +0,21 | +0,13 | +0,58 |
| Matematik | +0,19 | +0,21 | +0,45 |
| Yazma | +0,12 | 0,00 | +0,74 |
| Eleştirel düşünme | -0,07 | -0,13 | +0,59 |
| Muhakeme ve karar verme | -0,12 | -0,21 | +0,55 |
| Bilim | -0,17 | -0,20 | +0,20 |
| Öğretme | -0,23 | -0,39 | +0,45 |
| Koordinasyon | -0,28 | -0,37 | +0,36 |
| Hizmet odaklılık | -0,35 | -0,48 | +0,41 |
| Sosyal algı | -0,36 | -0,51 | +0,48 |
| İzleme | -0,36 | -0,46 | +0,31 |
Son sütun hariç, Job Zone 4 ve 5’teki 372 meslek genelinde Spearman sıra korelasyonları. Pozitif değerler, beceriyi daha önemli olarak puanlayan mesleklerin daha yüksek maruziyete sahip olma eğiliminde olduğunu gösterir.
İki örüntü öne çıkıyor. Diploma gerektiren işler arasında, teknik bir T’nin genellikle dikey çizgisini oluşturan analitik üretim becerileri, yani programlama, sistem analizi ve matematik, daha yüksek maruziyetle birlikte görülüyor. T’nin ince bir iş birliği arayüzü olarak gördüğü insan becerileri, yani sosyal algı, koordinasyon, öğretme ve hizmet odaklılık ise daha düşük maruziyetle birlikte görülüyor. Aynı yön hem insan puanlamalı hem GPT-4 puanlamalı skorlarda ortaya çıkıyor.
Bunun tek bir beceri yerine bir profil için ne anlama geldiğini görmek amacıyla iki basit bileşik skor oluşturduk. Analitik skor; programlama, sistem analizi, sistem değerlendirme, matematik ve operasyon analizinin ortalamasıdır. İnsan skoru; sosyal algı, koordinasyon, öğretme, hizmet odaklılık, ikna ve müzakerenin ortalamasıdır. 372 mesleği her iki skorun medyanından ikiye ayırdık.
Tablo 2. Beceri profiline göre ortalama yapay zeka maruziyeti, diploma gerektiren meslekler (CEOtudent hesaplaması)
| Profil | Meslek sayısı | Ortalama maruziyet, insan puanlaması | Ortalama maruziyet, GPT-4 puanlaması |
|---|---|---|---|
| Yüksek analitik, düşük insan (klasik teknik T) | 123 | 0,52 | 0,57 |
| Yüksek analitik, yüksek insan | 63 | 0,43 | 0,46 |
| Düşük analitik, yüksek insan | 123 | 0,41 | 0,42 |
| Düşük analitik, düşük insan | 63 | 0,44 | 0,51 |
| Diploma gerektiren 372 mesleğin tümü | 372 | 0,45 | 0,49 |
Derin analitik beceri ve ince bir insan katmanından oluşan klasik teknik T, gruptaki en çok maruz kalan profil. Aynı analitik yoğunluğu güçlü insan becerileriyle birleştiren meslekler, insan puanlamalı skorda 0,52 yerine ortalama 0,43 maruziyete sahip; bu %16 daha düşük demek, GPT-4 puanlamalı skorda ise fark %19. Yalnızca insan bileşik skoruna göre sıralandığında, diploma gerektiren mesleklerin en üst çeyreğinin ortalaması 0,40, en alt çeyreğininki ise 0,50.
Buna göre harekete geçmeden önce dört uyarı. Maruziyet iş kaybı değildir: yapay zekanın görevleri nerede hızlandırabileceğini ölçer ve aşağıda ele aldığımız Canaries çalışması, işgücü piyasasındaki etkinin yapay zekanın çalışanların yerini alıp almadığına ya da onları tamamlayıp tamamlamadığına bağlı olduğunu gösteriyor. Maruziyet skorları 2023’te, GPT-4 dönemi yetenekleriyle üretildi. Bunlar meslek ortalamalarıdır ve bir kişi, aynı unvanı taşıyan tipik çalışandan çok farklı bir profile sahip olabilir. Son olarak korelasyon nedensellik değildir: insan ağırlıklı meslekler, insan becerilerinin kendisi dışındaki nedenlerle daha az maruz kalıyor olabilir. Yine de bu yön, P&G ve BCG deneyleriyle ve David Deming’in 2017’de Quarterly Journal of Economics’te yayımlanan bulgusuyla tutarlı: 1980 ile 2012 arasında yüksek düzeyde sosyal etkileşim gerektiren işlerin ABD işgücü içindeki payı yaklaşık 12 yüzde puan artarken, matematik yoğun ama daha az sosyal işlerin payı 3,3 yüzde puan geriledi; en güçlü büyüme ise ikisini birden gerektiren işlerde görüldü.
T neden yalnızca eskimedi, miadını doldurdu
Harf biçimindeki bir şekil bir modeldir ve bir model, varsayımları artık dünyayı tarif etmediğinde miadını doldurur. T’nin iki çizgisi de tek bir çizginin altında iki farklı şeyi gizliyordu.
- Yatay çizgi, bilgi genişliğini (konuşmayı takip edecek kadar pazarlama, finans ya da hukuk bilmek) ilişki genişliğiyle (o fonksiyonlardaki insanların güvenini kazanmış olmak ve onlarla koordinasyon kurabilmek) birbirine karıştırıyordu. Yapay zeka artık birincisinin büyük kısmını sağlıyor. İkincisini sağlamıyor.
- Dikey çizgi, kodlanmış derinliği (prosedürler, sözdizimi, standart analizler) muhakeme derinliğiyle (iyinin neye benzediğini bilmek, kendinden emin hatayı fark etmek, kararın sahibi olmak) birbirine karıştırıyordu. Yapay zeka birincisindeki farkı daraltıyor. İkincisinin değerini ise artırıyor.
Bunları birbirinden ayıramayan bir şekil kötü tavsiye verir. Bir analiste beceri setinin en çok maruz kalan kısmında daha da derinleşmesini, herkese de ince bir iş birliği becerisi katmanının yeterli olduğunu söyler.
Yeni şekil: Ağaç
Aşağıdaki çerçeve bizim editöryel sentezimiz. Ona Ağaç diyoruz; kısmen doğru eklemeler yapılan bir T ağaca dönüştüğü, kısmen de ağaçlar her yıl büyüdüğü için.
Tablo 3. T’den Ağaç’a (CEOtudent editöryel çerçevesi)
| Ağacın parçası | Nedir | T’nin varsayımı | Ne değişti ve kanıt | Ne inşa edilmeli |
|---|---|---|---|---|
| Taç | Fonksiyonlar arası bilgi genişliği, yapay zekayla genişletilmiş | Genişlik pahalıdır; ince bir çizgi yeterlidir | Yapay zeka bireylere fonksiyonlar arası genişlik kazandırıyor; yapay zeka kullanan P&G profesyonelleri mesleki geçmişlerinden bağımsız olarak dengeli çözümler üretti | Komşu alanlara hızla girmek için yapay zekayı akıcı biçimde kullanabilmek ve orada iyi sorular soracak kadar okuryazarlık |
| Gövde | Tek bir alanda muhakeme derinliği: doğrulama, karar verme ve hesap verebilme yeteneği | Derinlik, kodlanmış uzmanlık demektir | Kodlanmış bilgi birikimi yeni başlayanlara yayılıyor (ortalama %15 kazanç, en büyüğü daha az deneyimli temsilcilerde); yapay zekanın sınırı dışında, derinliği olmayan kullanıcıların doğru sonuca ulaşma olasılığı 19 puan daha düşüktü | Değerlendirmeye yönelik derinlik: alanınızdaki başarısızlık biçimlerini, kalite standartlarını ve yapay zekanın nerede yanılma eğiliminde olduğunu bilmek |
| Kökler | İlişkiler, güven ve bağlam: koordinasyon, sosyal algı, öğretme, kurumunuzun ve pazarınızın gerçekte nasıl işlediğine dair bilgi | İş birliği bir arayüz becerisidir | Analizimizde diploma gerektiren işler arasında insan becerileri daha düşük maruziyetle birlikte görülüyor; P&G’de en iyi %10’luk dilimdeki fikirler yapay zeka kullanan bireylerden değil, ekiplerden geldi | İşinizin vardığı yerdeki insanlara ve ortamlara bilinçli yatırım |
| Yıllık halkalar | Öğrenme hızı: araçlar değiştikçe her parçayı ne kadar hızlı yeniden inşa ettiğiniz | Beceriler bir kez inşa edildiğinde bütün bir kariyer boyunca geçerlidir | İşverenler, çalışanların mevcut beceri setlerinin beşte ikisinin (%39) 2025-2030 arasında dönüşmesini ya da geçerliliğini yitirmesini bekliyor (WEF) | Bir yenilenme ritmi: ne bildiğinizin, neyin aşındığının ve neyi yeniden öğrenmeniz gerektiğinin planlı olarak gözden geçirilmesi |
T’den üç farkı açıkça belirtmekte fayda var.
Taç ödünç alınır ve bunda bir sakınca yok. Taçtaki bilginin sahibi olmanız gerekmez, ama ona nasıl ulaşacağınızı ve onu nasıl değerlendireceğinizi bilmeniz gerekir. Gövdesi olmayan geniş bir taç, BCG deneyinin uyardığı profilin ta kendisidir: doğruyu yanlıştan ayıramadığınız alanlarda kendinden emin çıktı.
Gövde üretimle değil, değerlendirmeyle ilgilidir. Soru artık “işi herkesten hızlı yapabilir misiniz?” değil, “işin doğru olup olmadığını anlayabilir misiniz ve altına adınızı koyar mısınız?” sorusudur. Bu aynı zamanda orkestratör çerçevemizin ve ayırt etme açığının merkezindeki yetkinliktir.
Kökler görünmezdir; T’nin onları görmezden gelmesinin nedeni de budur. İlişkiler, güven ve kurumsal bağlam bir beceri listesinde yer almaz, ama iyi bir analizin eyleme dönüşüp dönüşmeyeceğini onlar belirler. Aynı zamanda bir kariyerin bir abonelikle kopyalanması en zor kısmı da onlardır.
Kariyer başlangıcı sorunu: ilk basamaklar seyrelirken gövde büyütmek
Ağaç, kariyerinin başındakiler için zor bir soruyu gündeme getiriyor. Muhakeme derinliği geleneksel olarak yıllarca kodlanmış iş yaparak inşa edildi; yapay zekanın artık hızla yaptığı işin ta kendisi. O iş ortadan kalkarsa, kim nasıl gövde büyütecek?
İlk veriler bir uyarı niteliğinde. “Canaries in the Coal Mine?” çalışmasının Ağustos 2026 versiyonunda Erik Brynjolfsson, Bharat Chandar ve Ruyu Chen, Haziran 2026’ya kadar milyonlarca ABD’li çalışanı kapsayan ADP bordro verilerini kullandı. Ekonominin geneline yayılan, yaygın bir iş kaybına dair kanıt bulmadılar; ancak yapay zekaya maruz mesleklerdeki 22 ile 25 yaş arası çalışanların istihdamı, daha az maruz kalan akranlarıyla aynı hızda seyretmiş olsaydı ulaşacağı düzeyin %19 altındaydı ve deneyimli çalışanlarda benzer bir açık yoktu. Düşüşler, yapay zeka kullanımının ağırlıklı olarak insan görevlerinin yerini aldığı alanlarda yoğunlaştı; kullanımın ağırlıklı olarak çalışanları tamamladığı alanlarda ise istihdam yatay seyretti ya da arttı. Yazarlar bunları nedensel tahminler değil, erken ve betimleyici göstergeler olarak tanımlıyor.
Danimarka’dan bir çalışma ise etkinin şimdiye kadarki büyüklüğü konusunda ters yönü işaret ediyor. Anders Humlum ve Emilie Vestergaard, 33777 numaralı NBER çalışma makalesinde (Mart 2026’da revize edildi) idari kayıtları kullandı ve kazançlar ile kayıtlı çalışma saatleri üzerinde hassas biçimde tahmin edilmiş sıfır etkiler buldu; ChatGPT’nin kullanıma sunulmasından iki yıl sonra %2’den büyük etkileri dışladılar. Raporlarına göre değişen şey işin yapısıydı: işverenler yapay zekayı görevleri yeniden düzenleyerek özümsedi.
Birlikte okunduğunda tablo şu: toplam şok hâlâ küçük, ama merdiven alt basamaklarda şekil değiştiriyor. Kariyerinin başındaki okurlar için bu, yalnızca çıktı değil muhakeme inşa eden işleri bilinçli olarak aramak demek: gözden geçirmek, karar vermek, kararları başkalarına açıklamak, yapay zekanın yanlış yaptığı istisnaları ele almak. Yöneticiler için ise kıdemsiz çalışanların gözetim altında hâlâ muhakeme gerektiren kararlar verebildiği roller tasarlamak demek; aksi takdirde kurumun on yıl sonra hiç gövdesi olmayacak.
Kendi şeklinizi nasıl denetlersiniz
Aşağıdaki denetim, Ağaç’ı sorulara dönüştürüyor. Her birini 1 (doğru değil) ile 5 (kesinlikle doğru) arasında puanlayın. Bu bir öz değerlendirme aracıdır, geçerliliği kanıtlanmış bir ölçme aracı değildir.
Tablo 4. Ağaç denetimi (CEOtudent editöryel çerçevesi)
| Parça | Soru | 1 veya 2 puan verirseniz uyarı işareti | İlk adım |
|---|---|---|---|
| Taç | Yapay zekayı kullanarak komşu bir fonksiyonu bir hafta içinde iş görecek düzeyde anlayabilir miyim? | Uzmanlık alanınızın dışındaki problemlerden kaçınıyorsunuz | Komşu bir fonksiyon seçin ve işinizden gelen gerçek sorularla iki haftalık, yapay zeka destekli bir öğrenme sprinti yapın |
| Taç | Ödünç aldığım bilginin, harekete geçmek için fazla yüzeysel kaldığı anları fark edebiliyor muyum? | Savunamayacağınız yapay zeka özetlerini tekrarlıyorsunuz | Alanınız dışında harekete geçmeden önce bir uzmandan yapay zekanın yanıtını kontrol etmesini isteyin |
| Gövde | Alanımdaki yapay zeka çıktısının yanlış olduğunu güvenilir biçimde fark edebiliyor muyum? | Yapay zeka çıktısını yalnızca yazım hataları ve ton açısından kontrol ediyorsunuz | Yakaladığınız yapay zeka hatalarının kaydını tutun; her ay gözden geçirin |
| Gövde | Yalnızca teslim ettiğim işlerin değil, kararların da sahibi miyim? | İşiniz teslim ettiğiniz anda bitiyor | Bir sonraki önemli tavsiyeniz için kısa bir karar notu yazın |
| Kökler | Başka iki fonksiyondaki insanlar bir problemle karşılaştığında ilk olarak beni arar mı? | Ağınızın tamamı kendi disiplininizde | Her ay farklı bir fonksiyonla bir çalışma oturumu planlayın |
| Kökler | İşimin vardığı yerde kararların gerçekte nasıl alındığını anlıyor muyum? | İyi analizleriniz çoğu zaman kullanılmadan kalıyor | Mevcut bir proje için kimin karar verdiğini, kimin etkilediğini ve kimin uyguladığını haritalayın |
| Halkalar | Son 12 ayda beceri setimin önemli bir kısmını yeniden inşa ettim mi? | Yöntemleriniz üç yıl öncekiyle aynı görünüyor | Üç ayda bir gözden geçirme belirleyin: ne öğrendim, ne aşındı, neyi yeniden öğrenmeliyim |
Düşük puanlarınızın çoğu gövdedeyse, genişlemeden önce değerlendirme yeteneğinizi derinleştirin. Köklerdeyse, analitik gücünüz muhtemelen Tablo 2’nin en çok maruz kalan kadranında duruyor. Taçtaysa, sahip olduğunuz en ucuz kaynağı yeterince kullanmıyorsunuz. İyi muhakeme geliştirme rehberimiz gövdeyi daha derinlemesine ele alıyor.
Bu, CEO ve öğrenci merceğinin tek bir şekildeki hali. CEO yarısı gövdenin sahibidir ve köklere özen gösterir: kararlar, hesap verebilirlik, ilişkiler. Öğrenci yarısı tacı büyütmeye devam eder ve her yıl bir halka ekler.
T’nin hâlâ doğru şekil olduğu durumlar
Ağaç, bilgi işi için bir varsayılan, bir yasa değil.
- Yapay zeka kullanımının kısıtlı olduğu yerlerde. Düzenlemelerin, güvenlik gerekliliklerinin ya da gizliliğin yapay zeka araçlarını sınırladığı ortamlarda genişlik hâlâ pahalıdır ve klasik T hâlâ karşılığını verir.
- Derin teknik öncü çalışmalarda. Bir alanı ileri taşıyan araştırmacılar hâlâ uç düzeyde kodlanmış derinliğe ihtiyaç duyar; yapay zekanın sınırı çoğu zaman onların gerisindedir.
- Kıt olanın gerçekten uygulama olduğu yerlerde. Bazı roller sıkı standartlar altındaki üretim hızları nedeniyle değer görür ve dar, derin bir profil bu rollere uyar.
- Kariyerin başında, bir süreliğine. Muhakeme, bir miktar kodlanmış derinlik sayesinde inşa edilir. Amaç onu atlamak değil, orada durmamaktır.
Kanıtların dürüst bir özeti, T üzerine kurulu kariyerlerin çöktüğü değil, şeklin işgücü piyasasından daha hızlı değiştiğidir. Bu da, değişimin maliyeti düşükken Ağaç’ı büyütmeye şimdi başlamak için bir neden.
Sıkça sorulan sorular
T-şekilli profesyonel nedir?
T-şekilli profesyonel, bir disiplinde derin uzmanlığa (dikey çizgi) ve diğer disiplinlerle iş birliği yapabilmesini sağlayan daha geniş bir yetkinliğe (yatay çizgi) sahip kişidir. Terim en geç 1991’de basılı yayınlarda yer almıştı; yönetim dünyasında ise 2001’de Harvard Business Review ve IDEO’dan Tim Brown tarafından yaygınlaştırıldı.
T-şekilli model yapay zeka çağında hâlâ geçerli mi?
Kısmen. Derinliği genişlikle birleştirme şeklindeki temel fikri geçerliliğini koruyor, ama varsayımları korumuyor. Yapay zeka artık yatay çizginin temsil ettiği bilgi genişliğinin büyük kısmını sağlıyor ve kodlanmış derinlikteki farkı daraltıyor. Kıt kalan şey, muhakeme derinliği ile analizi eyleme dönüştüren ilişkiler ve bağlam.
Ağaç şekilli profesyonel nedir?
Yapay zeka çağı kariyerleri için geliştirdiğimiz çerçeve: ödünç alabileceğiniz, yapay zekayla genişletilmiş bir genişlik tacı; sahibi olduğunuz bir muhakeme derinliği gövdesi; ilişkiler ve kurumsal bağlamdan oluşan kökler; ve öğrenme hızınızı gösteren yıllık halkalar.
Profesyonel işlerde yapay zekaya en az maruz kalan beceriler hangileri?
Genellikle diploma gerektiren 372 ABD mesleğine ilişkin analizimizde, sosyal algı, izleme, hizmet odaklılık, koordinasyon ve öğretmeyi önemli olarak puanlayan meslekler daha düşük yapay zeka maruziyetine sahip olma eğilimindeydi; programlama, sistem analizi ve matematik ise daha yüksek maruziyetle birlikte görüldü.
Uzmanlık alanımda derinleşmeyi bırakmalı mıyım?
Hayır. Derinliğinizi üretime değil değerlendirmeye yöneltin: işin ne zaman doğru olduğunu anlayabilme, yapay zeka hatalarını fark edebilme ve kararların sorumluluğunu alabilme yeteneği. Bir BCG deneyinde, yeteneklerinin dışındaki bir görevde yapay zeka kullanan danışmanların doğru sonuca ulaşma olasılığı, yapay zeka kullanmayanlara göre 19 yüzde puan daha düşüktü.
Giriş seviyesindeki işleri yapay zeka yapıyorsa, kariyerinin başındaki profesyoneller muhakemeyi nasıl inşa eder?
Yalnızca üretmeyi değil; gözden geçirmeyi, karar vermeyi ve açıklamayı da içeren işler arayın. Erken bordro verileri, yapay zekaya maruz mesleklerdeki 22 ile 25 yaş arası çalışanların istihdamının daha az maruz kalan akranlarının gerisinde kaldığını ve bunun yapay zekanın çalışanların yerini aldığı alanlarda yoğunlaştığını gösteriyor; bu yüzden yapay zekanın işinizi tamamladığı rolleri seçmek önemli.
Kaynaklar
Dell’Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., Han, Y., Goldman, J., Nair, H., Taub, S., ve Lakhani, K. R. The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork. Organization Science, 2026, cilt 37, sayı 4, sayfa 1217-1242; çalışma makalesi versiyonu NBER çalışma makalesi 33641, 2025.
Dell’Acqua, F., McFowland, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., ve Lakhani, K. R. Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science, 2026, cilt 37, sayı 2, sayfa 403-423.
Brynjolfsson, E., Li, D., ve Raymond, L. Generative AI at Work. The Quarterly Journal of Economics, 2025, cilt 140, sayı 2, sayfa 889-942.
Eloundou, T., Manning, S., Mishkin, P., ve Rock, D. GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models. Çalışma makalesi, arXiv 2303.10130; Science’ta yayımlandı, 2024; meslek düzeyindeki maruziyet verileri yazarlar tarafından paylaşıldı.
National Center for ONET Development. ONET 31.0 Database, Ağustos 2026: Essential Skills, Transferable Skills ve Job Zones dosyaları.
Deming, D. J. The Growing Importance of Social Skills in the Labor Market. The Quarterly Journal of Economics, 2017, cilt 132, sayı 4, sayfa 1593-1640.
Brynjolfsson, E., Chandar, B., ve Chen, R. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab çalışma makalesi, Ağustos 2026 versiyonu.
Humlum, A., ve Vestergaard, E. Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER çalışma makalesi 33777, 2025, Mart 2026’da revize edildi.
World Economic Forum. The Future of Jobs Report 2025. Ocak 2025.
Hansen, M. T., ve von Oetinger, B. Introducing T-shaped managers: knowledge management’s next generation. Harvard Business Review, 2001, cilt 79, sayı 3, sayfa 106-116.
Guest, D. Managers in focus as the skills gap closes: the hunt is on for the Renaissance Man of computing. The Independent, 17 Eylül 1991; Neeley, K. A., ve Steffensen, B., The T-shaped engineer as an ideal in technology entrepreneurship: its origins, history, and significance for engineering education, American Society for Engineering Education Annual Conference, 2018’de belgelendiği şekliyle.
Brown, T. T-şekilli insanlar üzerine röportaj, Chief Executive dergisi, Ocak 2010.
Tablo 1 ve 2, O*NET 31.0 beceri önem puanlarının Eloundou vd. tarafından yayımlanan meslek düzeyindeki beta maruziyet skorlarıyla birleştirilmesiyle tarafımızca hesaplanmıştır; beceri bileşik skorları, Job Zone 4 ve 5 kısıtı ve medyan ayrımları bizim analitik tercihlerimizdir. Tablo 3 ve 4, CEOtudent editöryel çerçeveleridir.
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.
