Özet. “Sırada ne öğrenmeliyim?” sorusu, insanların bugün bir yapay zeka asistanına yazdığı muhtemelen en kişisel soru; gelen cevaplar ise çoğunlukla popüler becerilerden oluşan genel bir liste. Bir liste kişisel bir soruyu cevaplayamaz. İhtiyacınız olan şey, kamuya açık piyasa verisini yalnızca sizin bildiğiniz gerçeklerle birleştiren bir puanlama yöntemi. Bu yazı size tam olarak bunu sunuyor: CEOtudent 4 Faktörlü Beceri Karar Matrisi. Matris, aday her beceriyi 1’den 5’e kadar şu dört ölçüte göre puanlar: Talep (piyasa bunun için para ödüyor mu), Kalıcılık (yapay zeka işi değiştirirken değerini koruyacak mı), Kaldıraç (zaten sahip olduklarınızla birlikte katlanarak büyüyor mu) ve Yetkinlik Maliyeti (işe yarar seviyeye gelmek ne kadar zaman ve para gerektiriyor). Ağırlıklar 30/25/25/20’dir; matris ayrıca veto kuralları ve eşitlik bozucular içerir. Çapalar, Dünya Ekonomik Forumu’nun Future of Jobs Report 2025 raporundan (çalışanların temel becerilerinin %39’unun 2025-2030 döneminde dönüşmesi ya da eskimesi bekleniyor) ve ABD Çalışma İstatistikleri Bürosu’nun (BLS) 2025-35 projeksiyonlarından geliyor. Ayrıca iki BLS veri setini birleştirdik ve şunu bulduk: göreli yapay zeka maruziyeti “Düşük” olan meslekler, küçülmesi öngörülen meslek payının en yüksek olduğu grup (%36,6); buna karşın en hızlı büyüyen 30 meslekten 8’i “Çok yüksek” maruziyet grubunda. Çıkarılacak ders: yapay zekaya maruz kalmak kırılganlıkla aynı şey değildir ve sıralamanız ikisini aynıymış gibi ele almamalıdır.
“Ne popüler?” neden yanlış soru
Bir CEO, bir projeyi popüler olduğu için finanse etmez. Finansman; beklenen getirinin, avantajın süresinin, mevcut varlıklarla uyumun ve maliyetin aynı yönü gösterdiği yere gider. Öğrenme saatleriniz de aynı disiplini hak ediyor, çünkü kıtlar ve bir beceriye harcanan her saat, bir başkasına harcanmamış bir saattir.
Disiplinin gerekçesi verilerde. WEF Future of Jobs Report 2025 için anket yapılan işverenler (55 ekonomide 14 milyondan fazla çalışanı temsil eden 1.000’den fazla şirket), 2025-2030 arasında ortalama olarak çalışanların mevcut beceri setlerinin %39’unun dönüşeceğini ya da eskiyeceğini bekliyor. Rapor bunu “beceri istikrarsızlığı” olarak adlandırıyor. Bu oran 2023 baskısındaki %44’ten ve 2020’deki %57’den düşmüş durumda; rapor olası bir nedene de işaret ediyor: çalışanların %50’si artık eğitim, yeniden beceri kazanma ya da beceri geliştirme programlarını tamamlamış, 2023 baskısında bu oran %41’di. Kısacası, dönüşümü yavaşlatanlar öğrenmeyi sürdüren insanlar.
Trend listeleri üç nedenle başarısız olur:
- Başlangıç noktanızı yok sayarlar. Aynı beceri, neyle bağlantı kurduğuna bağlı olarak bir kişi için hızla, bir başkası için çok yavaş karşılık verebilir. Bu fikir yetenek istiflemenin özüdür.
- Aşınmayı yok sayarlar. Bazı beceriler değerini on yıl korurken, bazıları değerinin büyük kısmını bir sonraki yazılım sürümünde kaybeder (bkz. becerilerin yarı ömrü).
- Maliyeti yok sayarlar. Öğrenmesi iki yıl süren bir beceri doğru hamle olabilir, ama ancak onu bilinçli olarak seçtiyseniz.
Aşağıdaki matris bu üç sorunu da ele alıyor. Yaklaşık otuz dakikada uygulanacak ve her çeyrekte yeniden çalıştırılacak şekilde tasarlandı.
Piyasa verileri gerçekte ne söylüyor
Puanlamaya geçmeden önce, Talep ve Kalıcılık faktörlerine çapa olan iki kamuya açık veri setini görmek faydalı.
Sinyal 1: işverenler hangi beceri kategorilerinin büyümesini bekliyor
WEF, 26 beceri kategorisini net artışa göre sıralıyor: bir becerinin kullanımının artmasını bekleyen işverenlerin payı eksi azalmasını bekleyenlerin payı. Sıralamanın başında teknoloji becerileri var, ancak yaratıcı düşünme, dayanıklılık ve merak gibi insani beceriler hemen arkalarından geliyor.
Tablo 1. Yükselen beceriler, 2025-2030 (doğrulanmış veri, WEF Future of Jobs Report 2025, Şekil 3.4)
| Sıra | Beceri kategorisi | Net artış (yüzde puan) |
|---|---|---|
| 1 | Yapay zeka ve büyük veri | 87 |
| 2 | Ağlar ve siber güvenlik | 70 |
| 3 | Teknoloji okuryazarlığı | 68 |
| 4 | Yaratıcı düşünme | 66 |
| 5 | Dayanıklılık, esneklik ve çeviklik | 66 |
| 6 | Merak ve yaşam boyu öğrenme | 61 |
| 7 | Liderlik ve sosyal etki | 58 |
| 8 | Yetenek yönetimi | 58 |
| 9 | Analitik düşünme | 55 |
| 10 | Çevresel sorumluluk | 53 |
| 11 | Sistem düşüncesi | 51 |
| 14 | Tasarım ve kullanıcı deneyimi | 45 |
| 17 | Programlama | 27 |
| 18 | Pazarlama ve medya | 25 |
| 19 | Kaynak yönetimi ve operasyonlar | 24 |
| 25 | Okuma, yazma ve matematik | -4 |
| 26 | El becerisi, dayanıklılık ve hassasiyet | -24 |
Kaynak: World Economic Forum, Future of Jobs Survey 2024, Future of Jobs Report 2025’te yayımlandığı haliyle. Yer darlığı nedeniyle 12-13, 15-16 ve 20-24. satırlar çıkarılmıştır.
Kişisel bir karar için iki ayrıntı önemli. Birincisi, programlama (27), yapay zeka ve büyük verinin (87) çok altında kalıyor. Rapor beceri kategorilerini ölçüyor ve işverenler “veri ve yapay zekayla çalışmak” ile “kod yazmak” arasında net bir ayrım yapıyor. İkincisi, okuma, yazma ve matematik hafifçe negatif bölgede ve rapor bunları en istikrarlı beceriler arasında sayıyor. Bunlar temellerdir, sıradaki beceri için bahis adayı değildir. Neredeyse her işte karşımıza çıkarlar; net değişimin sıfıra yakın olmasının nedeni de bu.
Sinyal 2: “yapay zeka maruziyeti” neyi öngörür, neyi öngörmez
BLS, 2025-35 projeksiyonlarıyla birlikte, 831 ayrıntılı mesleğin tamamını dört göreli yapay zeka maruziyeti kategorisine (Düşük, Orta, Yüksek, Çok yüksek) yerleştiren ek bir dosya yayımladı. Kategoriler beş kaynaktan oluşturuluyor: üç teorik ölçüm ve Claude ile Microsoft Copilot verileri dahil gözlemlenen kullanıma dayanan iki ölçüm. BLS, sınırlar konusunda açık: bir maruziyet kategorisi “istihdam artışı ya da düşüşüne ilişkin bir tahmin değildir”, otomasyonu güçlendirmeden (augmentation) ayırmaz ve teorik kaynaklar yapay zeka yeteneklerini en geç 2023 ortası itibarıyla tanımlar.
Bu dosyayı, BLS’nin en hızlı büyüyen 30 meslek tablosuyla birleştirdik ve her maruziyet grubunu özetledik.
Tablo 2. CEOtudent hesaplaması: yapay zeka maruziyeti ve öngörülen büyüme, 831 ABD mesleği (BLS verilerinden)
| Göreli yapay zeka maruziyeti | Meslek sayısı | 2025 istihdamı (bin) | İstihdam payı | Öngörülen istihdam değişimi 2025-35 | Meslek medyan ücretlerinin medyanı | Küçülmesi öngörülen mesleklerin payı | En hızlı büyüyen 30 meslek içinde |
|---|---|---|---|---|---|---|---|
| Düşük | 213 | 30.264,7 | %17,8 | +%2,5 | $49.120 | %36,6 | 4 |
| Orta | 206 | 44.651,3 | %26,2 | +%6,2 | $52.760 | %26,2 | 9 |
| Yüksek | 206 | 42.142,0 | %24,8 | +%3,1 | $73.985 | %19,4 | 9 |
| Çok yüksek | 206 | 53.209,2 | %31,3 | +%2,0 | $78.105 | %29,1 | 8 |
CEOtudent tarafından BLS “AI exposure categories and 2025-35 employment projections” dosyası ve BLS Employment Projections Tablo 1.3’ten hesaplanmıştır. İstihdam değişimi, ayrıntılı mesleklerin 2035 istihdam toplamının 2025 toplamına bölünmesiyle bulunmuştur. Ücret sütunu meslekler genelindeki medyandır (ağırlıksız); ücret verisi olmayan 6 meslek hariç tutulmuştur. Tüm meslekler için BLS’nin öngördüğü toplam değişim +%3,5’tir.
Tablo, popüler bir kestirmeye karşı çıkıyor: “Yapay zekanın dokunamayacağı her neyse onu öğren.” Düşük maruziyet grubu, küçülmesi öngörülen mesleklerin en büyük payına sahip ve aynı zamanda en düşük ücretlere de. Çok yüksek grubu toplamda daha yavaş büyüyor, ancak veri bilimcileri (+%34,6), bilgi güvenliği analistlerini (+%21,0) ve bilgisayar ve bilgi sistemleri yöneticilerini (+%15,8, medyan ücret $175.140) barındırıyor. Bunların hepsi ülkenin en hızlı büyüyen meslekleri arasında.
Maruziyet size bir işin görevlerinin değiştiğini söyler. Piyasanın o iş için ödeme yapmaya devam edip etmeyeceğini söylemez. Matrisin Kalıcılığı Talep’ten ayrı puanlamasının ve Kalıcılığı meslek düzeyinde değil beceri düzeyinde ölçmesinin nedeni bu.
CEOtudent 4 Faktörlü Beceri Karar Matrisi
Dört faktör iki gruba ayrılıyor. Talep ve Kalıcılık piyasayı tanımlar; bu yüzden veriden gelirler ve herkes için aşağı yukarı aynıdır. Kaldıraç ve Yetkinlik Maliyeti sizi tanımlar; bu yüzden yalnızca sizin verebileceğiniz yargılardır. Bir becerinin üst sıralara çıkması için her iki grupta da iyi performans göstermesi gerekir.
Tablo 3. CEOtudent editöryel çerçevesi: puanlama ölçütü (faktör başına 1-5)
| Puan | Talep (%30): piyasa ödüyor mu? | Kalıcılık (%25): değerini koruyacak mı? | Kaldıraç (%25): sahip olduklarınızla katlanıyor mu? | Yetkinlik Maliyeti (%20): “işe yarar” seviye ne kadar ucuz? |
|---|---|---|---|---|
| 5 | WEF net artışı 65 veya üzeri, YA DA hedef mesleğin tüm meslek ortalamasının 3 katı hızla büyümesi bekleniyor (2025-35 döneminde %10,5 veya üzeri) | Yargı, yön veya insan katmanında ilke düzeyinde bir beceri; araçlar ve roller arasında taşınabilir | Çalışma düzeyinde sahip olduğunuz iki veya daha fazla beceri üzerine kurulur ve yeni bir rol ya da kombinasyon açar | 1 ay veya daha kısa sürede işe yarar seviye (BLS’nin kısa süreli iş başında eğitim eşiği) |
| 4 | Net artış 50-64, YA DA büyüme tüm meslek ortalamasının 2-3 katı (%7,0-10,4) | Yapay zekanın kendisi yapmak yerine güçlendirdiği bir yöntem; araçlar değişir, öz değişmez | Güçlü olduğunuz mevcut bir becerinin doğrudan üzerine kurulur | Yarı zamanlı 1-3 ay |
| 3 | Net artış 25-49, YA DA büyüme ortalamanın 1-2 katı (%3,5-6,9) | Kalıcı bir öz, ancak düzenli yeniden öğrenme gerektiren hızla değişen bir araç katmanı | Nötr: yığınınızın ne üzerine kurulur ne de onunla çatışır | 3-12 ay (BLS’nin orta süreli bandı 1 aydan fazla ile 12 ay arasındadır) |
| 2 | Net artış 0-24, YA DA büyüme %0 ile %3,4 arasında | Tek bir platforma veya sürüme bağlı; 1-2 yıl içinde yeniden öğrenmeyi planlayın | Önce öğrenmeniz gereken eksik ön koşullara sahip yeni bir alan | 12 aydan fazla (BLS’nin uzun süreli bandı) |
| 1 | Negatif net artış, YA DA hedef mesleğin küçülmesi bekleniyor | Becerinin kendisi otomatikleştirilen rutin görev (WEF, veri giriş memurlarını en hızlı gerileyen roller arasında sayıyor) | Yığınınızla hiçbir bağlantısı yok ve korumanız gereken becerilerle zaman için yarışıyor | Diploma, lisans veya ihtisas ile birlikte ciddi para gerektirir |
Talep nasıl puanlanır. Hedef piyasanız için doğrulayabildiğiniz iki sinyalden hangisini kullanabiliyorsanız onu kullanın ve yüksek olanı alın. WEF kategorisi, işverenlerin küresel olarak ne beklediğini gösterir. BLS meslek büyümesi, tüm meslekler için geçerli %3,5’lik oranla karşılaştırıldığında, belirli bir ABD rolünün genişleyip genişlemediğini gösterir. ABD dışında, ulusal istatistik kurumunuzun projeksiyonlarını aynı şekilde kullanın. 2026’nın en çok aranan becerileri daha fazla piyasa sinyalini ele alıyor.
Kaldıraç nasıl puanlanır. Dürüst bir envanterle başlayın. Beceri denetimi haritası bunu adım adım anlatıyor. Kaldıraç, aynı beceriyi iki farklı kişi için farklı sıralayan faktördür.
Maliyet nasıl puanlanır. Ustalığa değil, işe yarar seviyeye ulaşma süresini tahmin edin: birinin çıktınız için para ödeyeceği ya da ona güveneceği nokta. 20 beceri için yetkinlik süresi verileri referans noktaları sunuyor.
Formül
Beceri Puanı = 0,30 x Talep + 0,25 x Kalıcılık + 0,25 x Kaldıraç + 0,20 x Yetkinlik Maliyeti
En yüksek puan 5,0’dır. 0-100 ölçeğini tercih ediyorsanız 20 ile çarpın. Talep en büyük ağırlığı taşır, çünkü kimsenin para ödemediği bir beceri hobidir; bunda sorun yok, ama farklı bir karardır. Maliyet en az ağırlığı taşır, çünkü diğer üç faktör güçlüyse yüksek bir maliyet çoğu zaman ödenmeye değer.
Karar kuralları
Ağırlıklı bir puan tek başına ölümcül bir kusuru gizleyebilir. Bu kurallar toplamdan önce gelir:
- Veto: Talep 2 veya altı. Piyasa sinyali yatay ya da negatifse, beceri bir kariyer bahsi değildir. Kendisi için öğrenin, ama kariyer sermayesi olarak saymayın.
- Veto: Kalıcılık 1. Piyasanın otomatikleştirerek ortadan kaldırdığı göreve aylarınızı yatırmayın.
- Sertifika kapısı. Maliyet puanının 1 olması (diploma veya lisans), yalnızca Talep 5 ve finansmanı ile takvimi belli bir planla gerekçelendirilebilir.
- 0,2 puan içinde eşitlik bozucu: Kaldıracı yüksek olanı seçin. Katlanan beceriler görünür sonuçları daha erken üretir ve erken sonuçlar öğrenmeye devam etmenizi sağlar.
- İkinci eşitlik bozucu: ilk kamuya açık kanıta daha kısa süre (yayına alınmış bir proje, yayımlanmış bir analiz, işverenlerin aradığı bir sertifika).
- Zamanı kısıtlı olanlar için taban. Saatleriniz kıt olduğu için Maliyet ağırlığını %30’un üzerine çıkarırsanız, Kalıcılığın 3 veya üzeri olmasını şart koşun. Aksi halde matris sizi hızla eskiyen ucuz becerilere yönlendirir (aşağıdaki uygulamalı örnek bunun nasıl olduğunu gösteriyor).
- Aynı anda tek bir ana bahis. Bir beceriyi ana öğrenme yatırımınız olarak finanse edin ve halihazırda sahip olduğunuz beceriler için küçük bir bakım bütçesi ayırın (bkz. beceri kaybı bakım takvimi).
Uygulamalı örnek: aynı sekiz beceri, iki farklı kişi
Matrisin kullanımını göstermek için, iki örnek profil adına sekiz aday beceriyi puanladık:
- Profil A: güçlü yazım ve kampanya deneyimine, temel düzeyde elektronik tablo becerisine sahip bir pazarlama uzmanı.
- Profil B: elektronik tablolarda ve süreçlerde güçlü, pazarlama geçmişi olmayan bir operasyon koordinatörü.
Talep, Tablo 1’den ve BLS büyümesinden gelir (yüksek sinyal kazanır). Örneğin operasyon ve proje yönetimi, WEF kategorisinde yalnızca 2 puan alıyor (net artış 24), ancak BLS’de 5 alıyor, çünkü lojistik uzmanlarının %17,6 büyümesi bekleniyor. Kalıcılık, Kaldıraç ve Maliyet, örnekleme amacıyla verilmiş CEOtudent yargılarıdır. Sizin puanlarınız farklı olacaktır ve olmalıdır.
Tablo 4. CEOtudent hesaplaması: uygulamalı örnek, temel ağırlıklar 30/25/25/20
| Aday beceri | Talep (veri) | Kalıcılık (yargı) | A: Kaldıraç | A: Maliyet | A: Puan (sıra) | B: Kaldıraç | B: Maliyet | B: Puan (sıra) |
|---|---|---|---|---|---|---|---|---|
| Yapay zeka iş akışı otomasyonu | 5 (WEF 87) | 3 | 5 | 4 | 4,30 (1) | 4 | 4 | 4,05 (3) |
| Veri analizi (SQL + Python) | 5 (WEF 87; veri bilimcileri +%34,6) | 3 | 4 | 3 | 3,85 (2) | 5 | 3 | 4,10 (2) |
| İnsan liderliği | 4 (WEF 58) | 5 | 3 | 2 | 3,60 (3) | 4 | 2 | 3,85 (4) |
| Operasyon ve proje yönetimi | 5 (WEF 24; lojistik uzmanları +%17,6) | 4 | 2 | 3 | 3,60 (4) | 5 | 4 | 4,55 (1) |
| UX araştırması | 3 (WEF 45) | 4 | 4 | 3 | 3,50 (5) | 1 | 3 | 2,75 (7) |
| Tek bir reklam platformu sertifikası | 3 (WEF 25) | 2 | 4 | 5 | 3,40 (6) | 1 | 5 | 2,65 (8) |
| Siber güvenlik temelleri | 5 (WEF 70; bilgi güvenliği analistleri +%21,0) | 4 | 1 | 3 | 3,35 (7) | 2 | 3 | 3,60 (5) |
| Yazılım programlama | 3 (WEF 27) | 3 | 2 | 2 | 2,55 (8) | 3 | 2 | 2,80 (6) |
Profil A için insan liderliği ve operasyon 3,60’ta eşit; Kural 4 (yüksek Kaldıraç) liderliği üçüncü sıraya koyuyor. Profil B için veri analizi (4,10) ile yapay zeka iş akışı otomasyonu (4,05) arasındaki fark 0,2 puanın altında ve Kural 4 veri analizini önde tutuyor. Bu setteki hiçbir beceri vetoyu tetiklemiyor. Tüm puanlar bir betikle yeniden hesaplanmıştır.
Üç sonuç dikkat çekmeye değer:
- Aynı piyasa farklı cevaplar veriyor. Siber güvenlik, setteki en güçlü Talep puanlarından birine sahip, ancak pazarlamacı için 7. sırada kalıyor, çünkü bu profilin mevcut işindeki hiçbir şeyle bağlantı kurmuyor. Operasyon ve proje yönetimi pazarlamacı için 4., koordinatör için 1. sırada. Genel bir trend listesini kişisel bir karara dönüştüren şey Kaldıraçtır.
- Kalıcılık, birbirine benzeyen seçenekleri ayırıyor. Reklam platformu sertifikası ucuz (Maliyet 5) ve pazarlamacının işine uyuyor (Kaldıraç 4), ancak tek bir sağlayıcının arayüzüne bağlı. Yine de yalnızca 6. sırada.
- En yüksek talep gören beceri otomatik olarak birinci tercih değil. Veri analizi ile yapay zeka iş akışı otomasyonu en yüksek Talep puanını paylaşıyor, ancak iki profil arasında yer değiştiriyor.
Duyarlılık kontrolü: cevap farklı ağırlıklara dayanıyor mu?
İyi bir karar aracı, varsayımlarını biraz değiştirdiğinizde istikrarlı cevaplar vermelidir. İki profili beş farklı ağırlık setiyle yeniden çalıştırdık.
Tablo 5. CEOtudent hesaplaması: alternatif ağırlıklar altında ilk 3 sıralaması (Talep/Kalıcılık/Kaldıraç/Maliyet)
| Ağırlık seti | Profil A ilk 3 (puan) | Profil B ilk 3 (puan) |
|---|---|---|
| Temel 30/25/25/20 | Yapay zeka iş akışı otomasyonu (4,30); Veri analizi (3,85); İnsan liderliği (3,60) | Operasyon ve PY (4,55); Veri analizi (4,10); Yapay zeka iş akışı otomasyonu (4,05) |
| Talep ağırlıklı 45/20/20/15 | Yapay zeka iş akışı otomasyonu (4,45); Veri analizi (4,10); Operasyon ve PY (3,90) | Operasyon ve PY (4,65); Veri analizi (4,30); Yapay zeka iş akışı otomasyonu (4,25) |
| Kalıcılık ağırlıklı 20/40/20/20 | Yapay zeka iş akışı otomasyonu (4,00); İnsan liderliği (3,80); Veri analizi (3,60) | Operasyon ve PY (4,40); İnsan liderliği (4,00); Veri analizi (3,80) |
| Eşit 25/25/25/25 | Yapay zeka iş akışı otomasyonu (4,25); Veri analizi (3,75); UX araştırması (3,50) | Operasyon ve PY (4,50); Veri analizi (4,00); Yapay zeka iş akışı otomasyonu (4,00) |
| Zamanı kısıtlı 20/20/20/40 | Yapay zeka iş akışı otomasyonu (4,20); Tek bir reklam platformu sertifikası (3,80); Veri analizi (3,60) | Operasyon ve PY (4,40); Yapay zeka iş akışı otomasyonu (4,00); Veri analizi (3,80) |
Profil B’nin Eşit satırında veri analizi ile yapay zeka iş akışı otomasyonu 4,00’te eşit ve Kural 4’e göre sıralanmıştır (önce yüksek Kaldıraç).
İlk tercih, her iki profil için de beş ağırlık setinin tamamında yerini koruyor. Aradığınız sinyal tam olarak bu: 1 numaranız makul her ağırlıklandırmada ayakta kalıyorsa, ona bağlanın. Alt sıralar ise yer değiştiriyor. İnsan liderliği, Kalıcılığa daha fazla ağırlık verildiğinde yükseliyor; Zamanı kısıtlı satırı ise Kural 6’nın neden var olduğunu gösteriyor. Maliyete ağırlığın %40’ını verdiğinizde, reklam platformu sertifikası (Kalıcılık 2) pazarlamacı için ikinci sıraya fırlıyor. Taban kuralı onu listeden çıkarıyor. Zaman baskısı altında insanlar çabuk öğrenilen ve çabuk eskiyen becerileri seçme eğilimindedir; kural buna karşı koruma sağlar.
CEO + Öğrenci lensi: puandan müfredata
Matris, kararın CEO yarısıdır: kıt sermayeyi (saatlerinizi) riske göre düzeltilmiş en yüksek getiriye ayırın, cevabın farklı varsayımlar altında ayakta kaldığını kontrol edin, sonra karar verin. Bir CEO aynı zamanda bir portföy yönetir. Becerilerinize, bir şirketin iş kollarına davrandığı gibi davranın:
- Tek bir ana bahis (matrisin kazananı), belirli bir dönem boyunca öğrenme saatlerinizin çoğunu alır.
- Size halihazırda kazandıran becerilerin bakımı, küçük ve sabit bir pay alır; böylece yenisini inşa ederken aşınmazlar.
- Bir keşif pozisyonu, yani 2. veya 3. seçeneğin düşük maliyetli bir keşfi, bir sonraki hamlenizi bilgiye dayalı tutar.
Öğrenci yarısı seçim yapıldığında başlar. Bir puan size hiçbir şey öğretmez. Seçimi bir beceriye dönüştüren şey, sıralı bir plan, bilinçli pratik ve erken bir kamuya açık kanıttır. Bunun için yapay zeka ile kişisel bir müfredat kurun: “işe yarar” seviyeyi gözlemlenebilir bir çıktı olarak tanımlayın, oradan geriye doğru çalışın ve birkaç haftada bir kontrol noktası koyun.
Sonra yeniden puanlayın. Piyasalar hareket eder ve BLS’nin kendisi de projeksiyonlarını her yıl yeniden yayımlar (2026-36 baskısı 2027’de bekleniyor). Kendi Kaldıraç puanlarınız da öğrendikçe değişir: eklediğiniz her beceri, yanındaki becerilerin Kaldıracını yükseltir. Matrisin yakalamak üzere tasarlandığı katlanma tam olarak budur.
Matris 30 dakikada nasıl uygulanır
- 5-8 aday listeleyin. Mevcut işinize yakın en az bir “sıkıcı” seçenek ekleyin. Çoğu zaman Kaldıraçta kazanır.
- Talebi veriden puanlayın. WEF kategorisine ve hedef bir rolünüz varsa, onun %3,5’lik temel orana (ya da ülkenizdeki karşılığına) göre öngörülen büyümesine bakın.
- Kalıcılığı puanlayın. Becerinin yapay zekanın yerine getirdiği görev mi, yoksa o görevi yönlendiren ve denetleyen yargı mı olduğunu sorun. Meslek maruziyetini kestirme olarak kullanmayın (bkz. Tablo 2).
- Kaldıraç ve Maliyeti dürüstçe puanlayın. Bunlar sizin özel girdilerinizdir. Emin değilseniz, işinizi bilen bir iş arkadaşınıza sorun.
- Önce vetoları uygulayın, sonra hesaplayın. Becerileri sıralayın ve eşitlik bozucuları uygulayın.
- Stres testi yapın. Talep ağırlıklı ve Kalıcılık ağırlıklı ağırlıklarla yeniden çalıştırın. 1 numaranız ayakta kalırsa, ona bağlanın. Kalmazsa seçim başa baştır ve kararı Kaldıraç vermelidir.
- 90 gün sonrası için bir yeniden puanlama tarihi yazın.
Sık Sorulan Sorular
2026’da sırada hangi beceriyi öğrenmeliyim?
Başlangıç noktanıza bağlı; tek bir listenin bu soruyu cevaplayamamasının nedeni de bu. Adaylarınızı Talep, Kalıcılık, Kaldıraç ve Yetkinlik Maliyeti üzerinden puanlayın. Pek çok bilgi çalışanı için matris veri ya da yapay zeka ile ilgili bir beceriyi işaret edecektir, çünkü WEF’in anket yaptığı işverenler yapay zeka ve büyük veriyi 87’lik net artışla ilk sıraya koyuyor. Ancak uygulamalı örneğimizde operasyon koordinatörünün en iyi hamlesi, Kaldıraç sayesinde operasyon ve proje yönetimi oldu.
Yapay zeka maruziyeti yüksek işlerdeki becerilerden kaçınmalı mıyım?
Hayır. BLS, maruziyet kategorilerinin istihdam düşüşüne dair tahminler olmadığını belirtiyor. BLS verilerini birleştirdiğimiz analizde, en hızlı büyüyen 30 meslekten 8’i Çok yüksek maruziyet grubunda yer alırken, küçülmesi öngörülen meslek payı en yüksek olan grup Düşük maruziyetli meslekler oldu (%36,6). Bunun yerine Kalıcılığı beceri düzeyinde puanlayın.
Bunun beceri açığı analizinden farkı ne?
Açık analizi, belirli bir hedef için neyin eksik olduğunu söyler. Matris ise piyasa değerini, ömrü, uyumu ve maliyeti birbirine karşı tartarak önce hangi açığı kapatacağınızı seçmenize yardım eder.
Ağırlıkları değiştirebilir miyim?
Evet. 30/25/25/20 dağılımı editöryel bir varsayılandır. Sonucunuzu başka ağırlıklarla test edin (Tablo 5). Maliyete ağırlığın %30’undan fazlasını verirseniz, aracın hızla eskiyen becerileri öne çıkarmaması için 3’lük Kalıcılık tabanını uygulayın.
Ne sıklıkla yeniden puanlamalıyım?
Her 90 günde bir ya da önemli bir şey değiştiğinde: yeni bir rol, alanınızda yeni bir araç ya da WEF raporunun veya BLS projeksiyonlarının yeni bir baskısı.
Daha yüksek bir puan daha yüksek maaşı garanti eder mi?
Hayır. Matris, öğrenme zamanınızı nasıl ayırdığınızı iyileştirir. Sonuçları tahmin etmez. Ücret ve büyüme rakamları meslekleri ortalama olarak tanımlar; herhangi bir bireyin ne kazanacağını değil.
Kaynakça
World Economic Forum, The Future of Jobs Report 2025, Insight Report, Ocak 2025 (Key findings; Figure 3.4 Skills on the rise, 2025-2030).
U.S. Bureau of Labor Statistics, Employment Projections, Table 1.3 Fastest growing occupations, 2025 and projected 2035 (son güncelleme 27 Ağustos 2026).
U.S. Bureau of Labor Statistics, AI exposure categories and 2025-35 employment projections, ek veri dosyası, 2026.
U.S. Bureau of Labor Statistics, Artificial Intelligence (AI) exposure categories: methodology and limitations, Employment Projections yayınları (son güncelleme 27 Ağustos 2026).
U.S. Bureau of Labor Statistics, Measures of Education and Training, Employment Projections teknik dokümantasyonu (son güncelleme 27 Ağustos 2026).
Veriler hakkında not: Tablo 1, WEF Future of Jobs Report 2025’ten alınmış doğrulanmış veridir. Tablo 2, BLS verilerinden yapılmış bir CEOtudent hesaplamasıdır. Tablo 3, CEOtudent editöryel çerçevesidir. Tablo 4 ve 5, Talep’in veriden türetildiği; Kalıcılık, Kaldıraç ve Maliyet’in ise örnekleme amaçlı editöryel yargılar olduğu CEOtudent hesaplamalarıdır.
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.
