Özet. Bir yapay zeka aracı çıktınızı artırdı ve içgüdünüz buna denk bir zam istemek. Kanıtlar bu argümanın başarısız olduğunu söylüyor ve hangisinin işe yaradığını gösteriyor. Kontrollü çalışmalar görev düzeyinde gerçek kazanımlar ölçüyor: saat başına %15 daha fazla çözülen müşteri sorunu, %26,08 daha fazla tamamlanan kodlama görevi, %40 daha hızlı bitirilen bir yazma görevi. Ancak Danimarka’da yaklaşık 25.000 çalışanı kapsayan ve idari kayıtlarla eşleştirilen büyük bir çalışma, sohbet robotu kullanımının kazançlar üzerinde hiçbir etkisini bulmuyor ve %2’den büyük etkileri dışlıyor; araçları benimseyenlerin %97,7’si bu araçların kazandıkları parayı değiştirmediğini söylüyor. Rant paylaşımı araştırmaları nedenini açıklamaya yardımcı oluyor: bir firmada çalışan başına katma değerdeki %10’luk artış ücretleri tipik olarak %0,5 ile %1,5 arasında yükseltmiş; ABD’deki büyük bir çalışmada ise çalışanlar ortaya çıkan yeni artığın her bir dolarından yaklaşık 30 sent almış, yerine başkasını koymanın maliyetli olduğu mevcut çalışanlara bu payın kabaca iki katı gitmiştir. Güncel ABD verilerinde olağan yıllık ücret artışı %3,2 ile %3,4 arasında seyrediyor. CEO hamlesi: hız satmayı bırakın ve kazanımın sizinle birlikte gidecek olan kısmı üzerine kurulu, rakam içeren bir iş gerekçesi sunun. Öğrenci hamlesi: kazanımı lisansın değil sizin kılan muhakemeyi, doğrulamayı ve iş akışı tasarımını geliştirmeye ve belgelemeye devam edin.
Bu yazı, bireysel yapay zeka kazanımları ile şirket sonuçları arasındaki farkı tek bir ücret görüşmesine indiriyor. Serbest çalışanlar aynı soruyla bir fiyatlandırma sorunu olarak karşılaşıyor; bu konu ücret artırmaya yönelik yeniden fiyatlama rehberinde ele alınıyor. Her iki görüşmede de masaya ne getirdiğiniz ise yapay zeka çağında kariyer sermayesi yazısının konusu.
Ölçülen yapay zeka çıktı kazanımları gerçekte ne kadar büyük?
“Yapay zeka çıktımı katladı” bir rakama ilişkin bir iddiadır; bu yüzden kontrollü koşullarda neyin ölçüldüğüyle başlayın.
Tablo 1. Yapay zeka desteğinin ölçülen üretkenlik etkileri (rakamlar her kaynakta basıldığı şekliyle)
| Çalışma | Ortam ve örneklem | Ölçülen etki | En çok kim kazandı ya da araç nerede başarısız oldu |
|---|---|---|---|
| Brynjolfsson, Li ve Raymond (Quarterly Journal of Economics, 2025) | Bir yazılım firmasında müşteri desteği, 5.172 temsilci | Saat başına çözülen sorun sayısı ortalama %15 arttı | Daha az becerili ve daha az deneyimli temsilciler: yaklaşık %30’luk bir artış; daha deneyimlilerde asgari düzeyde etki |
| Cui ve ortak yazarları (çalışma metni, Şubat 2025) | Üç saha deneyi, Microsoft, Accenture ve bir Fortune 100 şirketinde 4.867 geliştirici | %26,08 daha fazla tamamlanan görev (standart hata %10,3) | Daha az deneyimli geliştiriciler |
| Peng ve ortak yazarları (2023) | Bir serbest çalışma platformundan seçilen 95 programcı, tek bir JavaScript görevi | Görev %55,8 daha hızlı tamamlandı (%95 güven aralığı %21-89): 160,89 dakikaya karşı 71,17 dakika | Programlama deneyimi daha az olan geliştiriciler |
| Noy ve Zhang (Science, 2023) | Üniversite mezunu 453 profesyonel, teşvikli yazma görevleri | Harcanan süre %40 azaldı, çıktı kalitesi %18 arttı | Çalışanlar arasındaki eşitsizlik azaldı |
| Dell’Acqua ve ortak yazarları (Harvard Business School çalışma metni, 2023) | 758 bilgi çalışanı, Boston Consulting Group ile yürütülen deney, 18 görev | %12,2 daha fazla görev tamamlandı, %25,1 daha hızlı | Aracın yetenekleri dışında kalacak şekilde seçilen bir görevde, yapay zeka kullananların doğru çözüm üretme olasılığı %19 daha düşüktü |
Kaynaklar: adı geçen makaleler. İlk çalışmanın 2023 tarihli çalışma metni sürümünde 5.179 temsilciden %14 ve acemi ve düşük becerili çalışanlar için %34 rakamları basılmıştı; Tablo 1, dergi özetini ve Kasım 2024 revizyonunu kullanıyor.
Bir ücret görüşmesi açısından üç şey önemli. Her kazanım işin bütününde değil, bir görevde ya da tek bir çıktı metriğinde ölçülüyor: %55,8 daha hızlı olmak bile tek bir programlama alıştırmasında 2,26 kat hız demek. Kazanımlar daha az deneyimli çalışanlarda yoğunlaşıyor; yani araç sizinle bir sonraki kişi arasındaki mesafeyi daraltıyor, bu da kıtlığın tam tersi. Yanlış görevde ise araç insanların doğruluğunu düşürdü.
Bu kazanımın herhangi bir kısmı ücrete yansıyor mu?
Zam argümanlarının çoğu cevabın evet olduğunu varsayar. Şimdiye kadar eldeki en iyi kanıt ise şunu söylüyor: kendiliğinden değil.
Anders Humlum ve Emilie Vestergaard, Danimarka’da aralarında yazılım geliştiricilerin, pazarlama profesyonellerinin ve muhasebecilerin de bulunduğu, yapay zekaya açık 11 meslekte yapay zeka sohbet robotu kullanımına ilişkin büyük anketleri kazanç ve çalışma saatlerine dair idari kayıtlarla eşleştirdi. Son tur, 7.000 işyerinde yaklaşık 25.000 çalışanı kapsıyor. Mart 2026 revizyonları, ChatGPT’nin kullanıma sunulmasından iki yıl sonra “kazançlar ve kayıtlı çalışma saatleri üzerinde kesin sıfır etkiler” bildiriyor ve %2’den büyük etkileri dışlıyor. Sıfır etki, araçları her gün kullananlar için de, günde bir saatten fazla zaman kazandığını bildiren çalışanlar için de, araçları teşvik eden firmalarda da geçerli. Ücreti merkezi pazarlıkla belirlenen öğretmenlerden bireysel pazarlık yapan yazılım geliştiricilere ve pazarlamacılara kadar, çalışanların çoğunun her yıl işvereniyle pazarlık ettiği mesleklerde de geçerliliğini koruyor.
Doğrudan sorulduğunda, araçları benimseyenlerin %97,7’si yapay zeka sohbet robotlarının emek kazançlarını etkilemediğini söyledi. Kullanıcıların çoğu (%85) kazandığı zamanı işindeki başka görevlere aktardığını bildirdi. Makalenin 2025 tarihli önceki sürümleri bu sızıntıya bir rakam biçmişti: zaman tasarrufu ortalama olarak çalışma saatlerinin %2,8’i kadardı ve yazarlar, çalışanların kendi beyanlarından hareketle bu tasarrufun yalnızca %3-7’sinin daha yüksek kazanca dönüştüğünü tahmin etti.
Tablo 1’deki ilk çalışma bir ayrıntı ekliyor. Yazarları, verilerinin “ücretlerdeki değişimleri gözlemlememize olanak tanımadığını” belirtiyor, ancak ücret sistemini tarif ediyor: saat başına sohbet sayısı gibi hedeflere bağlı, ele geçen ücretin %20 ila %40’ı olarak tahmin edilen primler. Ücretin sözleşmeyle bir çıktı metriğine bağlandığı yerde kazanımın bir kısmı kendiliğinden ücrete akar. Maaşlı bilgi işlerinin çoğunda böyle bir bağ yoktur; dolayısıyla biri pazarlık etmedikçe hiçbir şey kıpırdamaz.
İşverenler bir kazanımın ne kadarını genellikle paylaşır?
İktisatçılar bunu rant paylaşımı başlığı altında inceler: bir firma daha üretken ya da daha karlı hale geldiğinde bunun ne kadarı çalışanlarına ulaşır?
David Card, Ana Rute Cardoso, Joerg Heining ve Patrick Kline’ın bir derleme çalışması, kimin nerede çalıştığını kontrol eden araştırmaların tipik olarak “çalışan başına katma değerdeki %10’luk bir artışın ücretlerde %0,5 ile %1,5 arasında bir artışa yol açtığını” bulduğu sonucuna varıyor; bu, 0,05-0,15’lik bir esnekliğe karşılık geliyor. Patrick Kline, Neviana Petkova, Heidi Williams ve Owen Zidar ise değerli patent başvuruları kabul edilen ABD firmalarını izledi ve çalışanların ortaya çıkan artığın her bir dolarından kabaca 30 sent aldığını buldu. Bu pay, halihazırda firmada çalışanlar için yaklaşık iki kat yüksekti: firmada kalanlar kabaca 61 sent aldı. Yazarlar işe giriş ücretlerinde herhangi bir tepki saptayamadı.
Tablo 2. Çıktı kazanımından ücrete: her kanıt katmanı neyi ölçüyor (adı geçen çalışmalara ilişkin CEOtudent analizi)
| Katman | Kaynak | Ne değişti | Ücrete ne ulaştı |
|---|---|---|---|
| Yapay zeka ile görev çıktısı | Tablo 1’deki çalışmalar | %12,2 ile %26,08 arasında daha fazla çıktı; her çalışmanın kendi tanımına göre %25,1 ile %55,8 arasında daha hızlı tamamlanan görevler | Ölçülmedi |
| Yapay zeka kullananların kazançları | Humlum ve Vestergaard, Mart 2026 | Danimarka’da 11 meslekte sohbet robotunu benimseyenler için zaman tasarrufu ve yeni görevler | Etki yok; %2’den büyük etkiler dışlandı; benimseyenlerin %97,7’si kazanç etkisi olmadığını bildiriyor |
| Çalışanların kendi beyanları | Aynı çalışma, 2025 sürümleri | Ortalama olarak çalışma saatlerinin %2,8’i kadar zaman tasarrufu | Zaman tasarrufunun %3-7’si (yazarların tahmini); bu da kazançların %0,08 ile %0,20’si anlamına geliyor |
| Firma üretkenliği | Card, Cardoso, Heining ve Kline derlemesi | Çalışan başına katma değerde %10’luk artış | Ücretlerde %0,5 ile %1,5 |
| Değerli bir patentten doğan firma artığı | Kline, Petkova, Williams ve Zidar | Çalışan başına bir dolarlık yeni artık | Ortalamada yaklaşık 30 sent; firmada kalanlar için 61 sent; işe giriş ücretlerinde saptanabilir bir tepki yok |
| Temsili aritmetik | 1. ve 4. satırların birleşimi | Firma genelinde katma değer olsaydı, %15 ile %26,08 arasında bir kazanım | %0,75 ile %3,91, bir öngörü değil |
CEOtudent analizi; türetilmiş hücreler basılı rakamlardan yeniden hesaplanmıştır. Satırlar tek bir yansıma oranı verecek kadar karşılaştırılabilir değil: görevleri işin bütünüyle, deneyleri idari kayıtlarla, Danimarka’yı Amerika Birleşik Devletleri’yle, bireysel kazanımları firma düzeyindeki kazanımlarla karıştırıyorlar. Ortak noktaları büyüklük mertebesi: çıktı kazanımları onlarca yüzde düzeyinde, ücret etkileri ise düşük tek haneli rakamlarda ya da daha azında.
Patent çalışması, büyük payı kimin aldığını da açıklıyor. Yazarları kazanç tepkisini “yenilikçi firmalar için yerine başkasını koymanın en maliyetli olduğu kıdemli çalışanların ekonomik rantları ele geçirmesi” olarak yorumluyor ve firmaların, mevcut çalışanlarını elde tutma olasılığını artırmak için onlarla paylaştığını belirtiyor. Bu kanıta göre ücret, çıktıdan çok ikame maliyetini izliyor. Lisans sahibi herkesin yeniden üretebileceği bir kazanım kimsenin ikame maliyetini yükseltmez.
Kazanım kimin: sizin mi, aracın mı?
Bu da kazanımın kime ait olduğunu temel soru haline getiriyor. Bir deney, durumun nasıl aleyhinize dönebileceğini gösteriyor: yazma çalışmasının çalışma metni sürümünde, deney grubundaki katılımcıların %68’i sohbet robotunun ilk çıktısını düzenlemeden teslim ettiğini bildirdi ve yazarlar insan düzenlemesinin bu çıktıyı iyileştirdiğine dair hiçbir kanıt bulamadı. O ortamda kazanım araca aitti.
Tablo 3. “Kazanım kimin?” aidiyet testi (CEOtudent editoryal çerçevesi)
| Test | Dürüstçe yanıtlanacak soru | Kazanım şu durumda aracın | Kazanım şu durumda sizin | Getirilecek kanıt |
|---|---|---|---|---|
| 1. Lisans | Aynı lisansa ve iki haftalık pratiğe sahip yetkin bir meslektaşınız aynı sonuca ulaşır mıydı? | Evet | Sonucunuz, aynı araçla ekip ortalamasının belirgin biçimde üzerinde | Ekip baz değerine karşı kendi rakamlarınız |
| 2. Düzenleme | İş büyük ölçüde üretildiği haliyle mi teslim ediliyor? | Çoğunlukla düzenlenmeden | Sizin kurduğunuz yapı, yaptığınız kesintiler ve verdiğiniz kararlar sonucu değiştiriyor | Öncesi ve sonrası örnekleri |
| 3. Sınır | Aracın nerede başarısız olduğunu biliyor ve bunu yakalıyor musunuz? | Hatalar gözden geçirenlere ya da müşterilere ulaşıyor | Onları önce siz durduruyorsunuz | Düzeltilen çıktıların ve her hatanın neye mal olacağının bir kaydı |
| 4. İş akışı | İstemleri, kontrolleri ve şablonları kim tasarladı? | Başkasınınkini kullanıyorsunuz | Meslektaşlarınız sizinkini kullanıyor | Yeniden kullanım sayısı, kurum içi dokümantasyon |
| 5. Kapsam | Kazanılan zaman neye dönüştü? | Aynı görevlerden daha fazlasına | Bir yıl önce var olmayan, adı konmuş sorumluluklara | Eklenenlerin tarihli bir listesi |
| 6. İkame | Sizin yerinize birini koymak ve bunu yeniden kurmak neye mal olur? | Bir lisans ve kısa bir alışma süresi | Aylarca kaybedilen kapasite ve bağlam | Masadan kalkma noktanızı belirlemek üzere yalnızca kendiniz için kullanacağınız, soğukkanlı bir tahmin |
Yukarıdaki çalışmalardan beslenen CEOtudent editoryal çerçevesi; bir hazırlık aracıdır, o çalışmaların bir bulgusu değildir.
Dürüst cevabın “sizin” olduğu testleri sayın. Sıfır ile iki arasındaysa söze yapay zekayla girmeyin: aşağıdaki ölçüt artışını isteyin ve iki çeyreği cevapları değiştirmeye ayırın. Üç ya da dörtse, çalışma tablosu aralığının ortasında bir zam gerekçeniz var. Beş ya da altıysa, işin seviye değiştirdiğini savunuyorsunuz. Aynı envanterin işveren tarafından görünümü işinizi yapay zeka karşısında ikame edilebilirlik açısından nasıl denetleyeceğiniz yazısında yer alıyor.
Şu anda resmi ücret ölçütleri neler?
Bir zam talebi, ücretlerin zaten ne yaptığına bakılarak değerlendirilir. Buna üç resmi ABD serisi yanıt veriyor; pek çok ulusal istatistik kurumu ve merkez bankası da benzerlerini yayımlıyor.
Tablo 4. Resmi ABD ücret ve üretkenlik ölçütleri, Ekim 2026 itibarıyla en güncel sürümler
| Ölçüt | En güncel rakam | Kaynak ve sürüm |
|---|---|---|
| Ücretler ve maaşlar, tüm sivil çalışanlar, 12 aylık | +%3,2 | BLS Employment Cost Index, Haziran 2026, 31 Temmuz 2026’da yayımlandı |
| Ücretler ve maaşlar, özel sektör, 12 aylık | +%3,1 ve enflasyon sonrası -%0,4 | Aynı bülten |
| Medyan ücret artışı, işinde kalanlar | %3,4 | Federal Reserve Bank of Atlanta Wage Growth Tracker, Eylül 2026, üç aylık ortalama |
| Medyan ücret artışı, iş değiştirenler | %4,7 | Aynı |
| Medyan ücret artışı, genel | %3,9 | Aynı |
| İşgücü üretkenliği, tarım dışı iş sektörü, yıllık | +%2,2 | BLS Productivity and Costs, 2026 ikinci çeyrek, revize, 3 Eylül 2026’da yayımlandı |
| Reel saatlik işgücü ödemesi, son dört çeyrek | -%0,1 | Aynı bülten |
| Emeğin çıktıdan aldığı pay | %52,8, 1947’de başlayan serinin en düşük değeri | Aynı bülten |
Kaynaklar: ABD Çalışma İstatistikleri Bürosu (BLS) ve Federal Reserve Bank of Atlanta, rakamlar yayımlandığı şekliyle. Bir sonraki Employment Cost Index bülteninin 30 Ekim 2026’da yayımlanması planlanıyor.
Tabloyu bir taban olarak okuyun. %3 ile %3,5 arasındaki bir teklif herhangi bir şeyin ödülü değildir; piyasanın hareketidir ve özel sektörde %3,1’lik nominal artış, enflasyon sonrasında %0,4’lük bir kesinti anlamına geldi. Son üç satır varsayılan durumu gösteriyor: üretkenlik artıyor, reel ücret yerinde sayıyor, emeğin payı rekor düzeyde düşük. Sizin katkınız tabanın üzerinde başlar.
Ücretin değişimi değil düzeyi için ABD’deki kamuya açık kaynak, BLS Occupational Employment and Wage Statistics programıdır. 15 Mayıs 2026’da yayımlanan Mayıs 2025 tahminleri, ülke geneli, eyaletler ve yaklaşık 530 bölge için yaklaşık 830 mesleği kapsıyor; ücretler 10., 25., 50., 75. ve 90. yüzdelik dilimlerde veriliyor, üretim dışı primler ile yan haklar hariç tutuluyor. Bantlar geniş: BLS’nin yüzdelik dilimleri açıklamak için kullandığı örnek tabloda 75. yüzdelik dilim medyanın %20 üzerinde yer alıyor. Bir üst banda çıkmak, yıllık zamdan daha büyük bir görüşmedir.
Avrupa Birliği’nde 2023/970 sayılı (AB) Direktif, çalışanlara kendi bireysel ücret düzeylerini ve aynı işi ya da eşit değerde işi yapan çalışan kategorileri için cinsiyete göre ayrıştırılmış ortalama ücret düzeylerini yazılı olarak talep etme ve alma hakkı tanıyor; yanıtın iki ay içinde verilmesi gerekiyor. Direktif, işverenlerin adaylara ücret geçmişini sormasını yasaklıyor. Üye devletlerin direktifi 7 Haziran 2026’ya kadar iç hukuka aktarması gerekiyordu; sizin için nasıl uygulanacağı ulusal hukuka bağlı. Ticari maaş siteleri kişilerin kendi beyanına dayanır: onları bir çapraz kontrol olarak kullanın, asla ana kanıt olarak değil.
Bir çıktı kazanımını bir rakama nasıl dönüştürürsünüz?
Çalışma tablosu, bir çıktı kazanımını yedi adımda bir talebe dönüştürüyor. Örnek sütunundaki her rakam temsilidir, veri değildir. 4. adımdaki paylaşım oranları yukarıdaki rant paylaşımı çalışmalarından geliyor; bunlar birer çıpadır, bir hak ediş değil.
Tablo 5. Temsili rakamlarla zam gerekçesi çalışma tablosu (CEOtudent editoryal çerçevesi)
| Adım | Ne yaparsınız | TEMSİLİ örnek |
|---|---|---|
| 1. Brüt kazanımı ölçün | Aynı birim, aynı kalite çıtası, öncesinde ve sonrasında altı ila on iki ay | Ayda 20 yerine 28 teslim edilen iş: +%40 |
| 2. Lisans baz değerini çıkarın | Aynı araçla ekibin ortalama kazanımını kullanın | Ekip +%15, dolayısıyla marjınız 1,40 / 1,15 – 1 = %21,7 |
| 3. Marjı fiyatlandırın | Ek kapasiteyi kendi ücret oranınız üzerinden değerleyin; bu, ihtiyatlı bir vekil ölçüdür | 60.000’lik bir maaşın %21,7’si = yılda 13.043 |
| 4. Bir paylaşım aralığı uygulayın | Düşük %5 ve orta %15 (derlemenin aralığı), yüksek %30 (patent çalışmasının ortalaması) | 652 / 1.957 / 3.913 ya da ücretin %1,1 / %3,3 / %6,5’i |
| 5. Piyasa tabanını ekleyin | 12 aylık ücret ölçütü, burada +%3,2 | %4,3 / %6,5 / %9,7 |
| 6. Toplantıdan önce üç rakam belirleyin | Açılış talebi, hedef ve altına inildiğinde yedek seçeneğe geçtiğiniz nokta | %9,7 (65.833) ile açın, hedef %6,5 (63.877), %4,3’ün (62.572) altında yedek seçenek |
| 7. Seviyeyi kontrol edin | Sonucu, meslek ve bölge için resmi yüzdelik dilim bandıyla karşılaştırın | Hedef hala medyanın altında kalıyorsa seviye sorusunu da gündeme getirin |
CEOtudent editoryal çerçevesi. Maaş, çıktı sayıları ve ekip baz değeri örnekleme amacıyla kurgulanmıştır; %3,2’lik taban Tablo 4’teki BLS rakamıdır. Genel bilgidir, kişiye özel tavsiye değildir.
Çıkarılacak ders: bu örnekte %40’lık bir çıktı kazanımı %40’lık değil, kabaca %6 ile %10 arasında bir talebi destekliyor. %40’ın tamamını istemek 24.000 anlamına gelir; bu da meslektaşlarınıza göre marjınızın toplam parasal değerinin 1,84 katıdır. Bir yöneticinin, talebin kazanımdan fazlasını sahiplendiğini sezmek için araştırmaya ihtiyacı yoktur.
Gerçekte ne söylemelisiniz?
Konuşma metinleri, önceden planlanmış bir toplantıyı ve tek sayfalık bir özeti varsayıyor: metrik, ekip baz değeri, marjınız, bu marjı üreten üç şey ve rakam.
1. Açılış talebi
“Ücretim ve seviyem hakkında konuşmak istiyorum. Son on iki ayda [metrik] üzerindeki çıktım, aynı kalite çıtasında [X] düzeyinden [Y] düzeyine çıktı. Aynı araçlarla ekip ortalaması [Z] kadar değişti; yani fark lisanstan kaynaklanmıyor. Fark, benim kurduğum üç şeyden geliyor: [doğrulama adımı], [ekibin artık kullandığı iş akışı], [yeni sorumluluk]. Buna ve güncel ücret ölçütlerine dayanarak [açılış rakamı] talep ediyorum. Rakamlar bu sayfada. Bunu desteklemek için neyi görmeniz gerekir ve bu rol için ücret kararları nasıl alınıyor?”
2. “Bunu siz değil, araç yaptı” itirazı
“Bir kısmı aracın payı ve ben o kısmı düştüm. Ekipteki herkes aynı lisansa sahip ve ekibin kazanımı [Z]. Benimki [Y]. Sizden fiyatlandırmanızı istediğim şey aradaki fark: teslimden önce yakaladığım hatalar, ekibin artık üzerinde çalıştığı iş akışı ve kazandığım zamanla üstlendiğim işler. Bu farkı yanlış hesapladıysam, onun yerine hangi rakamı kullanırdınız?”
3. “Bütçe yok” itirazı
“Bu dönem için bütçenin sabit olduğunu anlıyorum. Kararı zamanlamadan ayırabilir miyiz? Gerekçenin sağlam olduğu konusunda hemfikirseniz, bunun bir değerlendirme tarihi ve sonucu belirleyecek kriterlerle birlikte yazılı olarak teyit edilmesini isterim. Bu arada, şunlardan hangisine maaş bütçesi olmadan karar verilebilir: kapsam, unvan, tek seferlik bir prim ya da bir eğitim bütçesi?”
4. Maaş dışı yedek seçenek
“Temel ücret şimdi değişemiyorsa, bunu adil kılacak olanlar sırasıyla şunlar. Birincisi, halihazırda yaptığım işle örtüşen bir unvan ve kapsam: [somut ayrıntı]. İkincisi, [sonuç] ile ilişkilendirilmiş tek seferlik bir prim. Üçüncüsü, [beceri] alanında [tutar ya da gün sayısı] kadar eğitim; bu, burada ortaya koyabileceklerimi artırır. Ve en geç [ay] tarihli bir maaş değerlendirmesi.”
5. Aynı gün gönderilen yazılı takip mesajı
“Bugünkü görüşme için teşekkür ederim. Teyit etmek gerekirse: [rakam] talep ettim; dayanağım [metrik, X’ten Y’ye, ekip baz değeri Z] ve eklediğim sorumluluklar: [liste]. Siz [özet] dediniz. Şu konularda anlaştık: [sonraki adım] [tarih] tarihine kadar gerçekleşecek ve karar [kriterler] temelinde verilecek. Tek sayfalık özet ekte. Yanlış kaydettiğim bir şey varsa lütfen düzeltin.”
Bu ifadelerin arkasında üç tercih var. Açılış, ücret kararlarının nasıl alındığını soruyor, çünkü belirsizlik talepte bulunmayı bastırıyor: 2.422 iş arayanla yapılan bir saha deneyinde, ücretin pazarlığa açık olduğu ilanda açıkça belirtilmediğinde başvuranların %9,4’ü, belirtildiğinde ise %23,1’i pazarlık etti. Araç itirazı, karşı çıkılmadan önce kabul ediliyor; bu da yalnızca çalışma tablosunun 2. adımı gerçekse işe yarar. Yedek seçenek unvanı ve kapsamı ilk sıraya koyuyor, çünkü seviye sizinle birlikte taşınır; bu yol uzmanlıktan orkestrasyona geçiş çerçevesinde anlatılıyor. Beşini de yapay zeka ile prova yöntemini kullanarak yüksek sesle çalışın.
Kim talep ediyor ve talep ettiklerinde ne oluyor?
Tablo 6. Ücret talep etmeye ilişkin çalışmalar ne bildiriyor (rakamlar basıldığı şekliyle)
| Kaynak | Örneklem | Bulgu |
|---|---|---|
| Pew Research Center, 2023 | İstihdamdaki 5.188 ABD’li yetişkin, son işe alımları soruldu | Erkeklerin %32’si ve kadınların %28’i ilk tekliften fazlasını istedi. İsteyenlerin %28’i istediğini aldı, %38’i teklif edilenden fazlasını ama istediğinden azını aldı, %35’i yalnızca ilk teklifi aldı |
| Marks ve Harold, 2011 | Yeni işe alınmış 149 çalışan | Pazarlık etmeyi seçenler başlangıç maaşlarını ortalama 5000 dolar artırdı |
| Artz, Goodall ve Oswald, 2018 | Avustralya’da 840 işyerinde yaklaşık 4.600 çalışan | Erkeklerin %75’i ve kadınların %66’sı zam istemişti; rol değiştirmeden pazarlık yoluyla daha iyi ücret elde etmiş olma oranının ortalaması 0,16 idi |
| Exley, Niederle ve Vesterlund, 2020 | Başarısız pazarlıklara ceza öngören laboratuvar deneyi | Pazarlık zorunlu olduğunda pazarlıkların %51’i çalışanlar için kazançla, %29’u kayıpla sonuçlandı; kadınları pazarlığa zorlamak kayıp sıklıklarını %9’dan %33’e çıkardı |
Kaynaklar: adı geçen yayınlar. İlk iki satır, mevcut bir işteki zamlarla değil, işe alımdaki başlangıç ücretiyle ilgilidir.
Talep etmek genellikle karşılığını veriyor: Pew anketinde isteyenlerin %66’sı ilk tekliften fazlasını aldı. Ancak her talep bedelsiz değil. Avustralyalı çalışanların çoğu bir noktada zam istemişti, ama aynı rol içinde başarı bildirenlerin sayısı çok daha azdı. Laboratuvarda, ne zaman pazarlık edeceğini seçebilen kadınlar neredeyse her zaman kazandı; her pazarlığa zorlananlar ise daha fazla kayıp yaşadı ve ek bir kazanç elde etmedi.
Ne zaman talep etmemelisiniz ve işveren değiştirmek ne zaman daha iyi hamledir?
Aidiyet testi iki ya da daha az sonuç verdiğinde, elinizde öncesi ve sonrası kaydı bulunmadığında ya da işveren maliyetleri kıstığında talebi bekletin (bu durumda kapsam ve tarihli bir değerlendirme isteyin). Ücretin sabit bir skalayı izlediği yerde hedef oran değil, derecedir.
İşveren değiştirmek alışıldık alternatiftir ve olduğundan daha iyi görünür. Eylül 2026’da Atlanta Fed izleyicisi medyan ücret artışını iş değiştirenler için %4,7, işinde kalanlar için %3,4 olarak gösterdi; aradaki fark 1,3 puan, yani çalışma tablosundaki temsili 60.000 üzerinden yılda 780. Bu fark konjonktüreldir: Kasım 2022’de 2,7 puana ulaştı (%5,5’e karşı %8,2) ve Ağustos 2009’da negatifti (%2,8’e karşı %1,7). İzleyici ayrıca mesleği, sektörü, işvereni ya da iş görevleri değişen herkesi iş değiştiren olarak sayıyor; dolayısıyla bu primin bir kısmı, işten ayrılmadan rol değiştirerek kazanılıyor.
Kanıtların desteklediği şey, farklı bir rol için yer değiştirmektir. Danimarka çalışmasında meslek değiştirme, sohbet robotu benimsemeyle birlikte hareket eden tek idari sonuçtu ve meslek değiştiren benimseyenlerin kazançları, Kasım 2022 ile Aralık 2024 arasında, her iki ayda da istihdamda olan diğer Danimarkalı çalışanlarınkinden 12 yüzde puanı daha hızlı arttı. Bu bir ilişkidir, kanıtlanmış bir etki değil. Buradan bir kural çıkıyor: değeriniz bu işverenin bağlamına bağlıysa kalın ve pazarlık edin; seviyeniz yanlışsa, tarihli bir değerlendirme değişiklik olmadan geçtiyse ve daha büyük rolün piyasası işe alım yapıyorsa gidin. Bu piyasayı okumak için 2023-2026 işten çıkarma verilerinde hangi rollerin toparlandığına bakın.
CEO hamlesi ve öğrenci hamlesi nedir?
CEO hamlesi, iş gerekçesini ve rakamı sahiplenmektir: tek sayfa, toplantıdan önce sabitlenmiş üç rakam, tarihli bir karar. Ret bir bilgidir: ya gerekçenin iki çeyreklik daha kanıta ihtiyacı vardır ya da işveren bu tür bir katkıyı fiyatlandırmıyordur.
Öğrenci hamlesi, kazanımı sizin olarak tutmaktır. Aracın sağladığı kazanım, meslektaşlarınız yetiştiğinde baz değerin içinde eriyip gider; onu çevreleyen muhakeme ise erimez. Yakalanan hataların ve alınan kararların kaydını tutun, kontrol etme beceriniz keskin kalsın diye zorlu işlerin bir kısmını araç olmadan yapın, bir sonraki katmanı öğrenin (değerlendirme, iş akışı tasarımı, alan derinliği) ve iş akışınızı başkalarına öğretin, çünkü başkalarının onu yeniden kullanması Tablo 3’teki en güçlü kanıttır.
Bu kanıtlar ne anlama gelmiyor?
Bu, yapay zeka kazanımlarının onları üreten kişi için değersiz olduğu anlamına gelmiyor; bu kazanımlar ücretten önce kapsam ve hareketlilik satın alıyor. Danimarka sonuçları tek bir ülkeyi ve ChatGPT’nin kullanıma sunulmasından sonraki ilk iki yılı kapsıyor. Tablo 4 Amerika Birleşik Devletleri’ni anlatıyor. Rant paylaşımı tahminleri firmalar genelindeki ortalamalardır, bireyler için kurallar değildir; çalışma tablosundaki paylaşım oranları da birer çıpadır. Talep etmeye ilişkin kanıtların çoğu başlangıç ücretiyle ilgilidir. Buradaki hiçbir şey hukuki ya da finansal tavsiye değildir; ücret kuralları ülkeye ve sözleşmeye göre değişir.
Sıkça sorulan sorular
Zammım, çıktımın arttığı yüzdeyle aynı mı olmalı?
Hayır. Çalışma tablosu örneğinde %40’lık bir çıktı kazanımı kabaca %6 ile %10 arasında bir talebi destekliyor: %3,2 ile %3,4’lük piyasa tabanı artı marjınızın parasal değerinden bir pay. Rant paylaşımı araştırmaları, firma düzeyinde %10’luk bir üretkenlik kazanımının ücretleri tipik olarak %0,5 ile %1,5 arasında oynattığını buluyor.
Kazanım benim mi, aracın mı?
Aynı lisansa sahip meslektaşlarınızın elde ettiğini çıkarın. Geriye kalan ve sizin kontrolünüze, iş akışı tasarımınıza ve eklenen sorumluluklarınıza kadar izi sürülebilen kısım sizindir. Tablo 3 altı test sunuyor.
Yöneticim bunu araçla herkesin yapabileceğini söylerse ne olur?
Aracın payını kabul edin, ekip baz değerini gösterin ve yöneticiden aradaki farkı fiyatlandırmasını isteyin. Fark yoksa yönetici haklıdır ve yapılacak iş bir fark yaratmaktır.
Talep etmek mi daha iyi, iş değiştirmek mi?
Eylül 2026’da ABD’de iş değiştirenler, işinde kalanlara göre 1,3 puan daha fazla medyan ücret artışı elde ediyordu ve bu prim zayıf işgücü piyasalarında negatif oldu. Yer değiştirmek en çok, daha büyük bir rolle birlikte geldiğinde kazandırır.
Talep etmek işe yarıyor mu?
Çoğu zaman. 2023 tarihli bir Pew anketinde, işe alımda ilk tekliften fazlasını isteyen ABD’li çalışanların %66’sı daha fazlasını aldı. Zamanlama önemli: bir laboratuvar deneyinde, her pazarlığa zorlanmak kayıpları artırdı.
Kaynaklar
- Brynjolfsson, E., Li, D. ve Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889-942 (Kasım 2024 revizyonuna ve 2023 tarihli NBER Working Paper 31161’e başvuruldu).
- Cui, K. Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S. ve Salz, T. (2025). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Çalışma metni, Şubat 2025.
- Peng, S., Kalliamvakou, E., Cihon, P. ve Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv 2302.06590.
- Noy, S. ve Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192 (özet) ve 2 Mart 2023 tarihli MIT çalışma metni.
- Dell’Acqua, F. ve ortak yazarları (2023). Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013 (özet).
- Humlum, A. ve Vestergaard, E. (2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER Working Paper 33777, Mart 2026’da revize edildi (yazarların 13 Mart 2026 tarihli sürümü). Large Language Models, Small Labor Market Effects başlıklı önceki sürümler: Becker Friedman Institute Working Paper 2025-56, Nisan ve Eylül 2025.
- Card, D., Cardoso, A. R., Heining, J. ve Kline, P. (2018). Firms and Labor Market Inequality: Evidence and Some Theory. Journal of Labor Economics, 36(S1), S13-S70 (NBER Working Paper 22850’ye başvuruldu).
- Kline, P., Petkova, N., Williams, H. ve Zidar, O. (2019). Who Profits from Patents? Rent-Sharing at Innovative Firms. The Quarterly Journal of Economics, 134(3), 1343-1404 (NBER Working Paper 25245’e başvuruldu).
- US Bureau of Labor Statistics. Employment Cost Index, June 2026. Basın bülteni USDL-26-1270, 31 Temmuz 2026.
- Federal Reserve Bank of Atlanta. Wage Growth Tracker, Eylül 2026’ya kadar olan veriler, 8 Ekim 2026’da güncellendi.
- US Bureau of Labor Statistics. Productivity and Costs, Second Quarter 2026, Revised. Basın bülteni USDL 26-1434, 3 Eylül 2026.
- US Bureau of Labor Statistics. Occupational Employment and Wages, May 2025. Basın bülteni USDL-26-0725, 15 Mayıs 2026; programın Frequently Asked Questions ve Percentile Wages sayfalarıyla birlikte.
- Directive (EU) 2023/970 of the European Parliament and of the Council of 10 May 2023 on pay transparency and enforcement mechanisms. Official Journal of the European Union, L 132, 17 Mayıs 2023.
- Parker, K. (2023). When negotiating starting salaries, most U.S. women and men don’t ask for higher pay. Pew Research Center, 5 Nisan 2023.
- Marks, M. ve Harold, C. (2011). Who asks and who receives in salary negotiation. Journal of Organizational Behavior, 32(3), 371-394 (özet).
- Leibbrandt, A. ve List, J. A. (2015). Do Women Avoid Salary Negotiations? Evidence from a Large-Scale Natural Field Experiment. Management Science, 61(9), 2016-2024 (NBER Working Paper 18511’e başvuruldu).
- Artz, B., Goodall, A. H. ve Oswald, A. J. (2018). Do Women Ask? Industrial Relations, 57(4), 611-636 (IZA Discussion Paper 10183’e başvuruldu).
- Exley, C. L., Niederle, M. ve Vesterlund, L. (2020). Knowing When to Ask: The Cost of Leaning In. Journal of Political Economy, 128(3), 816-854 (NBER Working Paper 22961’e başvuruldu).
Tablo 1, 4 ve 6, rakamları adı geçen kaynaklarda basıldığı şekliyle aktarıyor. Tablo 2, bu kaynaklara ilişkin bir CEOtudent analizidir; Tablo 3 ve 5 CEOtudent editoryal çerçeveleridir ve çalışma tablosundaki maaş, çıktı ve ekip rakamları temsilidir, veri değildir. Bilinçli olarak kullanılmayanlar: aslına erişilemeyen ticari iş ilanı raporlarındaki yapay zeka becerilerine ilişkin ücret primi rakamları; kişilerin kendi beyanına dayanan ticari ücret sitelerindeki rakamlar; danışmanlık deneyi için sıkça alıntılanan, ancak başvurulan özette yer almayan kalite rakamı; ve birincil bir metinde bulunamayan, pazarlık etmenin yaşam boyu değerine ilişkin herhangi bir rakam. CEOtudent bu yazı için herhangi bir anket yürütmedi.
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.
This post is also available in:
