Bireyler İçin Stratejik Konumlanma: Gerçekten Kazanabileceğiniz Oyunu Nasıl Seçersiniz?

Kısaca. Kariyer tavsiyelerinin çoğu daha sıkı oynamakla ilgilidir. Strateji ise oyunu seçmekle ilgilidir. Mayıs 2025 ABD ücret verilerinde, ekonominin genelinde 90. yüzdelik dilimdeki çalışan 10. yüzdelik dilimdeki çalışanın 4,12 katını kazanıyor; tipik bir mesleğin içinde ise yalnızca 2,29 katını: ücret farkının büyük kısmı arenaların içinde değil, arenalar arasında duruyor. CEOtudent’in, Bureau of Labor Statistics (BLS) yapay zeka maruziyeti kategorilerini 830 meslek için OEWS ücret yüzdelikleriyle birleştirdiği analiz şunu gösteriyor: yapay zeka maruziyeti “Çok yüksek” olarak derecelendirilen arenalar en yüksek tipik ücrete (meslek medyanlarının medyanı $78.105) sahip, ancak öngörülen büyümeleri en yavaş (2025-2035 için yüzde 2,0), 100 çalışan başına açık pozisyon sayıları en düşük (yılda 8,4) ve ücret aralıkları en geniş (medyan P90/P10 değeri 2,70). CEO hamlesi: göreli üstünlüğünüzün en büyük olduğu ve getiri yapısının gerçekçi olarak ulaşabileceğiniz sıraya uyduğu arenayı seçin, ardından hangi konularda rekabet etmeyeceğinizi yazıya dökün. Öğrenci hamlesi: popüler becerilerin genel bir listesini değil, o arenanın ödüllendirdiği tek ve belirli üstünlüğü öğrenin.

Bu yazı arena seçimiyle, yani nerede oynayacağınızla ilgili. Yayımlanmış iki yazının yanında duruyor: inşa ettiğiniz varlıkları ele alan hangi kariyer sermayesinin birikip hangisinin aşındığı yazısı ve sahip olduğunuz bakış açısını ele alan kişisel tezin nasıl oluşturulacağı yazısı. Buradaki soru bunlardan önce gelir: hangi oyuna giriyorsunuz ve neden o oyuna?

Arena seçmek neden bir planlama sorusu değil de strateji sorusudur?

Michael Porter, “What Is Strategy?” (Harvard Business Review, Kasım-Aralık 1996) makalesinde operasyonel etkinliği, yani benzer faaliyetleri rakiplerden daha iyi yapmayı, stratejiden ayırır: “Strateji, farklı bir faaliyetler bütününü içeren, benzersiz ve değerli bir konum yaratmaktır.” Ve bir kariyer için en önemli cümlesinde şöyle der: “Stratejinin özü, neyi yapmayacağını seçmektir.”

Porter herkes aynı şekilde geliştiğinde ortaya çıkan duruma da bir ad verir, rekabetçi yakınsama: “Şirketler ne kadar çok kıyaslama yaparsa birbirlerine o kadar benzerler.” Bunun bireysel karşılığını 2026’da görmek kolay. Her analist, yazar ve danışman aynı yapay zeka asistanlarını ve aynı kursları kullandığında, aynı işi daha hızlı yapmak operasyonel etkinliktir. Gereklidir, ama bir konum değildir. Herkeste aynı yapay zeka araçları varken otorite kurmak üzerine yayımlanmış yazı bu sorunun görünürlük tarafını ele alıyor; bu yazı ise ondan önce gelen seçimi ele alıyor.

Roger Martin bunu “The Big Lie of Strategic Planning” (Harvard Business Review, Ocak-Şubat 2014) makalesinde daha yalın ifade eder: “Temel seçimleri nerede oynanacağı ve nasıl kazanılacağı olarak tanımlamak, tartışmanın ayaklarını yere bastırır.” Ayrıca “büyük bir pazarın küçük bir dilimini küçük bir pazarın büyük bir dilimine tercih eden” şirketler konusunda uyarır. Tek bir kişiye çevrildiğinde: “Teknolojide çalışıyorum” bir nerede-oynanacağı seçimi değildir. Bir kalabalığın tarifidir.

Bir birey için iki seçim şuna dönüşür:

• Nerede oynanacağı: gelir ve fırsatlar için rekabet ettiğiniz belirli bir meslek, müşteri tipi ya da problem sınıfı.
• Nasıl kazanılacağı: o arenada birinin sizi bir sonraki nitelikli kişiye tercih etmesini sağlayan üstünlük.

CEO + Öğrenci merceği bunlara doğrudan oturur. CEO birinci seçimin ve rekabet etmeyi reddettiğiniz şeyler listesinin sahibidir. Öğrenci ikincisinin sahibidir: genel bir işgücü piyasasının değil, bu arenanın ödüllendirdiği üstünlüğü inşa etmek.

Karşılaştırmalı üstünlük tek bir kişi için ne anlama gelir?

Bireyler için en eski strateji mantığı, David Ricardo’nun On the Principles of Political Economy and Taxation (birinci baskı 1817, üçüncü baskı 1821) eserindeki bir dipnottur. Ricardo 7. bölümde, ikisi de ayakkabı ve şapka yapan, birinin her ikisinde de daha iyi olduğu iki adamı anlatır. Daha iyi olan, şapkada rakibini “yalnızca beşte bir ya da yüzde 20 geçebilir”, ayakkabıda ise “onu üçte bir ya da yüzde 33 geride bırakabilir”. Daha iyi olan yalnızca ayakkabı, diğeri yalnızca şapka yaparsa ikisi de kazanır.

Bundan üç sonuç çıkar:

1. Bir arenaya ait olmak için o arenanın en iyisi olmanız gerekmez. Oradaki üstünlüğünüzün diğer seçeneklerinizdekinden büyük olması gerekir.
2. Pek çok şeyde iyi olmak, hepsinde rekabet etmek için bir gerekçe değildir. Daha iyi ayakkabıcı, şapka yaparak yine de değer kaybeder.
3. Karşılaştırma kendi alternatiflerinizle yapılır. Soru “bunda iyi miyim?” değil, “üstünlüğüm en çok burada mı?” sorusudur.

Modern çalışma ekonomisi aynı mantığı kullanır. Daron Acemoglu ve David Autor’un 2010 tarihli NBER bölümü, “becerilerin görevlere atanmasının içsel olduğu” ve teknolojik değişimin “daha önce emek tarafından yapılan belirli görevlerde makinelerin emeğin yerini alması” anlamına gelebildiği görev temelli bir model önerir. Bir kişinin sonunda hangi görevleri yaptığı göreli üstünlüğe bağlıdır ve teknoloji bu atamayı kaydırır. Yapay zeka güncel kaymadır.

David Deming’in sosyal beceriler üzerine NBER çalışma makalesi (Haziran 2017’de revize edildi), karşılaştırmalı üstünlükten yararlanmak için “görev takası yapan” çalışanları modeller; sosyal beceriler bu takasın maliyetini düşürür. İstihdam verileri, en iyi arenaları tek tek becerilerin değil kombinasyonların belirlediğine dair kanıta en yakın şeydir.

Bulgu	Raporlandığı haliyle rakam	Dönem ve veri	Kaynak
Hem matematik hem sosyal beceri yoğunluğu yüksek işler	ABD işgücü içindeki payı yaklaşık 7,2 yüzde puan arttı	1980-2012, ABD	Deming, NBER WP 21473
Matematik yoğunluğu düşük, sosyal beceri yoğunluğu yüksek işler	yaklaşık 4,6 yüzde puan arttı	1980-2012, ABD	Deming
Sosyal beceri yoğun tüm meslekler	istihdam payında toplam 11,8 yüzde puan artış	1980-2012, ABD	Deming
Matematik yoğunluğu yüksek ama sosyal beceri yoğunluğu düşük işler	yaklaşık 3,3 yüzde puan küçüldü	1980-2012, ABD	Deming
Üniversite mezunlarının ücret artışında göreve özgü beşeri sermayeye atfedilen pay	on yıllık bir dönemde en az yüzde 40	Almanya	Gathmann ve Schönberg, IZA DP 3067
Aynı ölçüm, düşük ve orta vasıflı çalışanlar	en az yüzde 35 ve yüzde 25	Almanya	Gathmann ve Schönberg

Kaynaklar: Deming, NBER Working Paper 21473 (Haziran 2017’de revize edildi), Şekil 4’e eşlik eden metin; Gathmann ve Schönberg, IZA Discussion Paper 3067 (2007), özet.

Gathmann ve Schönberg’in sonucu bir kısıt ekler: beceriler taşınır, ama çoğunlukla yakın arenalara. Özetlerinde “bireylerin benzer görev gereksinimlerine sahip mesleklere geçtiğini” bildirirler. Mevcut görev sermayenizle ulaşabileceğiniz bir arenaya girmek, sizi sıfıra döndüren bir arenaya girmekten daha ucuzdur. Yetenek istifleme üzerine yayımlanmış yazı kombinasyonların nasıl nadirlik yarattığını ele alıyor; arena seçimi ise bu nadirliğin hangi pazarda satılacağına karar verir.

Bazı arenalar neden en iyi oyuncuya ikinciden çok daha fazla öder?

Arenalar yalnızca büyüklükte değil, getiri yapısında da farklılaşır. Klasik açıklama Sherwin Rosen’ın 1981 tarihli “The Economics of Superstars” makalesidir. Douglas Clement’in Federal Reserve Bank of Minneapolis için yaptığı özete (2002) göre Rosen, çok yüksek tepe gelirlerini iki güçle açıklamıştır: “farklı satıcılar arasındaki kusurlu ikame ve ortak tüketim teknolojilerinin ölçek ekonomileri.” Daha az yetenek, daha büyük yeteneğin zayıf bir ikamesidir (orada aktarılan haliyle Rosen’ın sözleriyle: “Art arda vasat şarkıcılar dinlemek, tek bir olağanüstü performansa denk gelmez”) ve bazı teknolojiler birkaç satıcının bütün pazara hizmet etmesine izin verir.

Aynı makale, ekonomistler Boldrin ve Levine’in daha sonraki bir teorisinden de alıntı yapar; bu teori “bilginin artan yeniden üretilebilirliğinin, çok benzer becerilere sahip bireyler arasında ve giderek artan sayıda sektörde büyük gelir eşitsizlikleri üretmeye devam edeceğini” öngörür. Bu, 2002’de dijital kopyalama hakkında alıntılanmış bir hipotezdir, ölçülmüş bir sonuç değildir. Ama yapay zekanın ittiği yönü tarif eder: çıktıyı yeniden üretmek ucuz olduğunda, seçilen satıcı olmanın ödülü, yetkin bir satıcı olmanın ödülüne göre büyür.

Getiri yapısı, girmeden önce sorduğunuz soruyu değiştirir. Dar aralıklı bir arenada sağlam biçimde iyi olmak, aşağı yukarı çok iyi olmak kadar kazandırır. Geniş aralıklı bir arenada gerçekçi soru, birkaç yıl içinde en üstteki beşte bire ulaşıp ulaşamayacağınızdır, çünkü ortadakiler ortalamaların düşündürdüğünden daha az kazanır.

Arena verileri gerçekte ne gösteriyor?

CEOtudent, ayrı ayrı yayımlanan iki BLS veri setini birleştirdi:

• BLS Employment Projections, yapay zeka maruziyeti kategorileri ve 2025-35 projeksiyonları: 831 ayrıntılı meslek için 2025 istihdamı, 2035’e kadar öngörülen değişim, yıllık açık pozisyonlar, serbest çalışan yüzdesi, medyan ücret ve beş dış kaynaktan oluşturulan dört düzeyli bir “göreli yapay zeka maruziyeti” kategorisi.
• BLS Occupational Employment and Wage Statistics (OEWS), Mayıs 2025: aynı meslek kodları için ücret yüzdelikleri. 90. yüzdeliğin 10. yüzdeliğe oranı (P90/P10) burada ücretin bir arenanın içinde ne kadar geniş yayıldığının basit bir ölçüsü olarak kullanılıyor.

831 mesleğin 830’u kod üzerinden eşleşti. BLS sınırlar konusunda açıktır: “Bir maruziyet kategorisi, istihdam artışı ya da düşüşü tahmini değildir”; kategorinin teorik kaynakları “yapay zeka yeteneklerini en geç 2023 ortasında mevcut olanlar olarak kavramsallaştırır” ve kategoriler “otomasyondan kaynaklanan yapay zeka etkileriyle güçlendirmeden kaynaklananları birbirinden ayırmaz.”

Tablo 1. BLS göreli yapay zeka maruziyeti kategorisine göre arena koşulları (BLS Employment Projections yapay zeka maruziyeti kategorileri, 2025-35, ve BLS OEWS Mayıs 2025 verilerinin CEOtudent analizi)

BLS göreli yapay zeka maruziyeti	Meslek sayısı	2025 istihdamı	Öngörülen değişim 2025-35 (istihdam ağırlıklı)	Yılda 100 çalışan başına açık pozisyon	Meslek içi medyan P90/P10	Meslek medyan ücretlerinin medyanı
Düşük	213	30,3 milyon	%2,5	10,8	1,93	$49.120
Orta	206	44,7 milyon	%6,2	13,2	2,17	$52.760
Yüksek	206	42,1 milyon	%3,1	9,0	2,47	$73.985
Çok yüksek	206	53,2 milyon	%2,0	8,4	2,70	$78.105

İstihdam, öngörülen değişim ve açık pozisyonlar BLS yapay zeka maruziyeti tablosundan alınmıştır; P90/P10 oranları OEWS Mayıs 2025 ulusal yüzdeliklerinden hesaplanmıştır (yalnızca saatlik yayımlanan birkaç meslek için saatlik yüzdelikler; Düşük satırında 212 eşleşmiş oran). Türetilmiş hücreler bir betikle yeniden hesaplanmıştır.

Üç şey öne çıkıyor. Ücret aralığı maruziyetin her basamağında artıyor, 1,93’ten 2,70’e: yapay zekaya en açık arenalar, en çok kazananların aynı mesleğin alt kısmından en fazla uzaklaştığı arenalardır. Maruz arenalar daha fazla ödüyor ama daha az alan sunuyor: Çok yüksek maruziyetli meslekler en yüksek tipik ücretlere ve en düşük büyüme ile açık pozisyon oranına sahipken, büyük kısmı el becerisine dayalı işlerden oluşan Orta grup her ikisinde de en geniş alanı sunuyor. Açık pozisyonlar çoğunlukla büyümeden değil, yerine koymadan doğuyor: tüm mesleklerde yılda oluşan 17.461,8 bin açık pozisyonun 16.870 bini (yüzde 96,6) mesleği ya da işgücünü terk eden kişilerden kaynaklanıyor. Yüksek bir açık pozisyon oranı çoğu zaman sirkülasyona işaret eder.

Bu korelasyon dikkat gerektirir. Yüksek ve Çok yüksek maruziyetli meslekler aynı zamanda daha iyi ücretli, daha çok belge ve diploma gerektiren mesleklerdir; buralarda uzun kıdem basamakları ücret aralığını doğal olarak genişletir. Tablo 1, yapay zekanın daha geniş aralıklara yol açtığını göstermez. Yapay zekanın bugün en çok uygulanabildiği arenaların aynı zamanda en turnuva benzeri arenalar olduğunu gösterir; bu da tam olarak konumun çabadan daha önemli olduğu ortamdır.

Maruziyet etiketi de tek bir arena hakkında pek az şey söyler. Bir sonraki tablo etiketi sabit tutuyor.

Tablo 2. Aynı maruziyet etiketi, çok farklı arenalar (BLS Employment Projections 2025-35 ve BLS OEWS Mayıs 2025 verilerinin CEOtudent analizi)

Meslek (arena)	BLS yapay zeka maruziyeti	2025 istihdamı (bin)	Öngörülen değişim 2025-35	Yılda 100 çalışan başına açık pozisyon	P90/P10	Serbest çalışan, 2025
Veri bilimciler	Çok yüksek	275,6	%34,6	9,0	2,96	%1,9
Bilgi güvenliği analistleri	Çok yüksek	192,9	%21,0	7,3	2,66	%0,2
Yönetim analistleri	Çok yüksek	1.077,1	%10,1	8,7	2,83	%14,0
Yazılım geliştiriciler	Çok yüksek	1.717,8	%10,2	5,5	2,60	%1,5
Proje yönetimi uzmanları	Çok yüksek	1.094,3	%6,7	7,0	2,73	%1,2
Pazar araştırması analistleri ve pazarlama uzmanları	Çok yüksek	952,7	%7,0	8,6	3,58	%3,8
Muhasebeciler ve denetçiler	Çok yüksek	1.595,2	%5,0	7,2	2,57	%5,5
Avukatlar	Çok yüksek	863,7	%4,7	3,3	4,49	%11,3
Kişisel finans danışmanları	Çok yüksek	299,4	%1,4	5,7	7,11	%9,7
Halkla ilişkiler uzmanları	Çok yüksek	314,5	%1,8	7,3	3,06	%1,1
Yazarlar	Çok yüksek	140,3	-%0,3	8,5	3,16	%64,8
Editörler	Çok yüksek	105,0	-%1,1	7,5	3,73	%9,0
Grafik tasarımcılar	Çok yüksek	253,1	-%1,7	6,3	2,65	%20,5
Uzman hemşireler (karşılaştırma)	Yüksek	336,3	%41,0	8,7	1,72	%1,6
Elektrikçiler (karşılaştırma)	Orta	821,0	%9,2	8,9	2,54	%7,1

Seçim: yaygın bilgi işi arenaları artı iki karşılaştırma; editörler tarafından bir sıralama olarak değil, ilgililik gözetilerek seçilmiştir. OEWS yalnızca ücretli ve maaşlı çalışanları kapsar; bu nedenle P90/P10, pek çok kişinin serbest çalıştığı yerlerde aralığı olduğundan dar gösterir (yazarlar: yüzde 64,8 serbest çalışan).

On üç arena aynı “Çok yüksek” etiketini taşıyor, ama öngörülen büyüme yüzde -1,7’den (grafik tasarımcılar) yüzde 34,6’ya (veri bilimciler), ücret aralığı da 2,57’den (muhasebeciler ve denetçiler) 7,11’e (kişisel finans danışmanları) uzanıyor. İkisi de “yapay zekaya açık bir alanda çalışan” iki kişi, dinamikleri birbirine zıt arenalarda olabilir. Etiket, işin değişeceğini söyler. Arenaya girmeye değip değmediğini ise alan ve getiri yapısı söyler.

Ne tür arenalar var?

Eşleşen 830 mesleğin tamamını öngörülen büyümeye (tüm mesleklerin yüzde 3,5’lik değerinin üstü ya da altı) ve P90/P10’a (2,29’luk medyanın üstü ya da altı) göre ayırmak dört arena tipi verir.

Tablo 3. Dört arena tipi (BLS Employment Projections 2025-35, yapay zeka maruziyeti kategorileri ve OEWS Mayıs 2025 verilerinin CEOtudent analizine uygulanan CEOtudent editöryel çerçevesi)

Arena tipi	Kural	Meslek sayısı	2025 istihdamı	Bu istihdamın Yüksek ya da Çok yüksek yapay zeka maruziyetindeki payı	İstihdama göre en büyük üç meslek	Neyi ödüllendirir
Açık saha	Büyüyen, dar aralık	143	42,6 milyon	%28	Evde sağlık ve kişisel bakım yardımcıları; fast food ve tezgah çalışanları; kayıtlı hemşireler	Güvenilir yetkinlik ve belgeler; yukarı potansiyel sınırlı
Çekişmeli sınır	Büyüyen, geniş aralık	213	43,1 milyon	%72	Genel müdürler ve operasyon müdürleri; yazılım geliştiriciler; muhasebeciler ve denetçiler	Net bir konum; alan var, ama en üsttekiler öne açılıyor
Emtia arenası	Yavaş, dar aralık	272	58,1 milyon	%54	Perakende satış elemanları; kasiyerler; elle yük, stok ve malzeme taşıyan işçiler	Maliyet ve güvenilirlik; olağanüstü olmanın ödülü az
Turnuva arenası	Yavaş, geniş aralık	202	26,4 milyon	%80	Garsonlar; büro ve idari destek çalışanlarının ilk kademe amirleri; perakende satış çalışanlarının ilk kademe amirleri	Sıralama; yalnızca en üst konum iyi kazandırır

Eşikler: yüzde 3,5, toplam istihdam için BLS’nin 2025-35 öngörülen değişimidir (Employment Projections Tablo 1.2); 2,29, eşleşen 830 meslekteki medyan P90/P10 değeridir. Tip adları ve “neyi ödüllendirir” sütunu BLS kategorileri değil, bir CEOtudent editöryel çerçevesidir.

İki okuma önemli. Turnuva arenası, yapay zeka maruziyetinin en yoğun olduğu yerdir: istihdamının yüzde 80’i Yüksek ya da Çok yüksek maruziyetli mesleklerdedir. Yavaş büyüyen, geniş aralıklı bir arenada gerçekçi plan ortayı korumak değil, yükselmek ya da yeniden konumlanmaktır. Büyüme arayan bilgi çalışanlarının çoğunun oynayacağı Çekişmeli sınır ise bir konumlanma oyunudur: alan vardır, ama ödül genel yetkinliğe değil, ayırt edici bir konuma gider.

Arena Seçim Karnesi

Her aday arenaya altı testte 0, 1 ya da 2 puan verin. Arenayı on rakibin adını sayabileceğiniz kadar dar tanımlayın.

Tablo 4. Arena Seçim Karnesi (CEOtudent editöryel çerçevesi)

#	Test	0	1	2	Mantık
1	Göreli üstünlük	Üstünlük diğer seçeneklerinizdekinden büyük değil	Biraz daha büyük	Açıkça tipik bir yeni girene karşı üstünlüğünüzün en büyük olduğu yer	Ricardo
2	Getiri yapısı uyumu	Geniş aralık ve 3-5 yıl içinde en üstteki beşte bire inandırıcı bir yol yok	Belirsiz	Dar aralık ya da yukarı doğru inandırıcı bir yolla birlikte geniş aralık	Rosen
3	Alan	Öngörülen düşüş ve az açık pozisyon	Yatay ya da sirkülasyonla taşınan büyüme	Ekonomi genelindeki değerin üstünde büyüme ve gerçek açık pozisyonlar	BLS projeksiyonları
4	Yapay zekanın yönü	Satacağınız temel çıktıyı yapay zeka zaten üretiyor	Karışık	Rutin kısımları yapay zeka üstleniyor; üstünlüğünüz geriye kalanda (muhakeme, ilişkiler, hesabı verilebilir kararlar, kombinasyon)	BLS maruziyeti; Acemoglu ve Autor
5	Ödünleşim netliği	Neyi bırakacağınızı söyleyemiyorsunuz	Adı konmuş, taahhüt edilmemiş	Reddedeceğiniz müşterilerin, görevlerin ve kanalların yazılı bir listesi	Porter
6	Yakınlık	Mevcut görevlerle örtüşme yok	Kısmi örtüşme	Mevcut görev sermayesinin çoğu aktarılıyor ya da kısa bir köprü var	Gathmann ve Schönberg

12 üzerinden toplamı okumak (CEOtudent editöryel eşikleri):

• 10-12: taahhüt edin. Burayı birincil arena yapın ve öğrenme planını onun belirli üstünlüğü etrafında kurun.
• 7-9: bir testle girin. Önce sınırları belli bir deney yürütün: bir proje, bir pilot müşteri, bir portfolyo çalışması. Keşif-istifade ikilemi üzerine yazı, bu tür deneylerin nasıl boyutlandırılacağını ve ne zaman durdurulacağını ele alıyor.
• 6 ya da altı: tasarlandığı haliyle girmeyin. Üstünlük büyüyene kadar arenayı daraltın ya da başka bir arena seçin.

Test 1’de ya da test 5’te sıfır, toplam ne olursa olsun bir taahhüt kararını engeller. Göreli üstünlük olmadan konum olmaz; ödünleşim olmadan strateji olmaz, yalnızca bir dilek listesi olur.

Karne tek oturuşta nasıl uygulanır?

1. Üç aday arenayı dar biçimde listeleyin. “Veri” değil, “abonelik yazılımı şirketleri için fiyatlandırma analitiği”; “yazarlık” değil, “düzenlemeye tabi tıbbi cihazlar için teknik dokümantasyon”.
2. En yakın meslek için kamuya açık rakamları çekin. BLS projeksiyonları, açık pozisyonlar, maruziyet ve OEWS yüzdelikleri ABD’deki her ayrıntılı meslek için mevcuttur; başka ülkelerde ulusal istatistik ofisini kullanın ve neyin eksik olduğunu not edin. Tablo 2, kaydetmeye değer sütunları gösteriyor.
3. Test 1’i dürüstçe puanlayın. İşinizi görmüş iki kişiye akranlarınızdan nerede daha iyi olduğunuzu sorun ve kendi alternatiflerinizle karşılaştırmayı yazıya dökün.
4. Getiri yapısını olası sıranızla karşılaştırın. P90/P10 kabaca 3’ün üstündeyse (bir BLS eşiği değil, bir CEOtudent pratik kuralı) ve henüz o arenanın üst kısmında değilseniz, yukarı doğru bir yol olduğuna dair kanıt oluşana kadar test 2’ye 0 ya da 1 puan verin.
5. Rekabet etmeyeceklerinizin listesini yazın. Almayacağınız müşteriler, satmayacağınız görevler, peşinden koşmayacağınız platformlar. Neyin öğrenilmeyeceği üzerine yazı aynı disiplini öğrenme zamanına uyguluyor.
6. Kazanan arenayı tek bir öğrenme hedefine dönüştürün. Bu öğrenci yarısıdır: o arenada en üstteki beşte biri medyandan ayıran üstünlük. Arena sabitlendikten sonra aday beceriler arasında seçim yapmak için 4 faktörlü beceri karar matrisini kullanın.
7. Bir gözden geçirme tarihi belirleyin. BLS projeksiyonları her yıl yayımlar; 2026-36 projeksiyonlarının 2027’de yayımlanması planlanıyor.

Hangi konularda rekabet etmeyi reddetmelisiniz?

Porter’ın argümanı, ödünleşimlerin bir konumu sürdürülebilir kıldığıdır: “bir ödünleşim, bir şeyden daha fazlasının başka bir şeyden daha azını gerektirmesi demektir.” Yapay zekaya açık arenalarda genellikle üç ret önem taşır:

• Genel üretim hızı. Her rakipte aynı yapay zeka asistanları varsa, standart teslimatlardaki hız piyasa fiyatına doğru yakınsar.
• Bir turnuva arenasının ortası. Aralığın geniş, büyümenin yavaş olduğu yerde (Tablo 3) orta, güvenli seçenek değil, pahalı seçenektir.
• Bir araçla tanımlanan arenalar. Bir araç bir pazar değildir. Bir arena, kimin hangi problem için ödeme yaptığıyla tanımlanır; içindeki araçlar pek çok kez değişecektir.

Neyi yapmayacağınızı seçmek öğrenciyi de özgürleştirir: dar bir arena, hangi bilginin zararsızca aşınabileceğini ve hangisinin birikmesi gerektiğini söyler. T şekilli profesyonelin miadını doldurduğunu savunan yazı, bu bilginin şeklinin nasıl değiştiğini anlatıyor; arena seçimi ise onu nerede büyüteceğinizi söyler.

Bu ne anlama gelmez?

• Yapay zekaya açık arenalardan kaçınmak değildir. BLS, “Yüksek” ya da “Çok yüksek” maruziyetin “istihdamın mutlaka düşeceği anlamına gelmediğini” belirtir. Tablo 2’deki Çok yüksek arenaların birçoğunun ekonomiden daha hızlı büyümesi öngörülüyor.
• En hızlı büyüyen mesleğin peşinden koşmak değildir. Göreli üstünlük olmadan büyüme, kalabalık bir giriş kapısıdır.
• P90/P10’u yetenek olarak okumak değildir. Bu, kıdemi, bölgeyi, işveren büyüklüğünü ve çalışma saatlerini de yansıtan bir ücretli ve maaşlı gelir aralığıdır ve serbest çalışanları kapsamaz.
• Sabit kategoriler değildir. Arena tipi eşikleri tek bir projeksiyon döngüsünden gelir; çizgiye yakın meslekler veriler revize edildiğinde yer değiştirebilir.
• Ömür boyu tek bir arena değildir. Strateji, güncel bilgiyle yapılan ve belli bir takvime göre gözden geçirilen bir seçimdir.

Bu yazı genel bilgi niteliğindedir; kişiye özel kariyer, finans ya da hukuk tavsiyesi değildir.

Sıkça sorulan sorular

Bir birey için stratejik konumlanma nedir?
Nerede rekabet edeceğinizin (belirli bir meslek, müşteri tipi ya da problem) ve orada nasıl kazanacağınızın (birinin sizi bir sonraki nitelikli kişiye tercih etmesini sağlayan üstünlük) bilinçli seçimidir; neyi yapmayacağınızın seçimi de buna dahildir.

Bunun kariyer sermayesi inşa etmekten farkı nedir?
Kariyer sermayesi biriktirdiğiniz varlıklardır. Arena seçimi ise bu varlıkların satıldığı pazardır. Aynı beceriler bir arenada diğerinden çok daha değerli olabilir; bu yüzden arena seçimi önce gelir.

“Çok yüksek” yapay zeka maruziyeti derecesi bir arenayı kötü bir seçim yapar mı?
Hayır. BLS kategorileri göreli olarak ve istihdam tahmini olmadıklarını belirterek tanımlar. CEOtudent analizinde Çok yüksek maruziyetli arenalar en yüksek tipik ücrete, ama en geniş aralığa ve en yavaş ortalama büyümeye sahiptir; bu yüzden net bir konumu ortalama yetkinlikten daha çok ödüllendirirler.

P90/P10 bir arena hakkında ne söyler?
Tek bir meslek içinde 90. yüzdelik ücretin 10. yüzdelik ücrete bölünmesidir. Yüksek olması, sıralamanın daha çok önem taşıdığı anlamına gelir. 830 meslekte medyan 2,29’dur; kişisel finans danışmanları 7,11’de, uzman hemşireler 1,72’dedir.

Birkaç şeyde iyi olan biri ne yapmalı?
Ricardo’nun mantığını uygulayın: üstünlüğü kendi seçenekleriniz arasında karşılaştırın ve tipik bir yeni girene göre en büyük olduğu yerde uzmanlaşın. Ardından arenanın alanı ve ulaşabileceğiniz sıraya uyan bir getiri yapısı olup olmadığını kontrol edin.

Bir arena seçimi ne sıklıkla yeniden puanlanmalı?
Yılda bir kez makul bir varsayılandır; yıllık BLS projeksiyonları gibi yeni verilerle zamanlanmalı ve üstünlüğünüzde, alanınızda ya da temel işinizi yapan araçlarda büyük bir değişiklikten hemen sonra tekrarlanmalıdır.

Kaynaklar

1. U.S. Bureau of Labor Statistics, Employment Projections. AI exposure categories and 2025-35 employment projections (ek tablo, Field Descriptions sayfasıyla birlikte).
2. U.S. Bureau of Labor Statistics. Artificial Intelligence (AI) exposure categories: methodology and limitations.
3. U.S. Bureau of Labor Statistics, Employment Projections 2025-35. Meslek tabloları 1.2 (projections and worker characteristics) ve 1.10 (separations and openings).
4. U.S. Bureau of Labor Statistics, Occupational Employment and Wage Statistics. May 2025 national cross-industry estimates and field descriptions.
5. Porter, Michael E. What Is Strategy? Harvard Business Review, Kasım-Aralık 1996.
6. Martin, Roger L. The Big Lie of Strategic Planning. Harvard Business Review, Ocak-Şubat 2014.
7. Ricardo, David. On the Principles of Political Economy and Taxation, üçüncü baskı, 1821, 7. bölüm, On Foreign Trade. Library of Economics and Liberty baskısı.
8. Clement, Douglas. Perfectly Competitive Superstars. Federal Reserve Bank of Minneapolis, 2002. Rosen (1981), The Economics of Superstars ile Boldrin ve Levine hakkındaki özetinin ve onlardan yaptığı alıntıların kaynağı; özgün makaleler açılmadı.
9. Deming, David J. The Growing Importance of Social Skills in the Labor Market. NBER Working Paper 21473, 2015, Haziran 2017’de revize edildi.
10. Gathmann, Christina, ve Uta Schönberg. How General Is Human Capital? A Task-Based Approach. IZA Discussion Paper 3067, 2007 (özet ve giriş).
11. Acemoglu, Daron, ve David Autor. Skills, Tasks and Technologies: Implications for Employment and Earnings. NBER Working Paper 16082, 2010 (özet).

Editör notu: Tablo 1, 2 ve 3, BLS Employment Projections yapay zeka maruziyeti tablosunu (2025-35) meslek koduna göre BLS OEWS Mayıs 2025 ücret yüzdelikleriyle birleştiren CEOtudent analizleridir; türetilmiş her hücre bir betikle yeniden hesaplanmıştır. Arena tipi adları ve eşikleriyle birlikte Tablo 4 karnesi bir CEOtudent editöryel çerçevesidir. İşlerin sabit bir yüzdesinin yapay zeka tarafından ikame edileceğine dair popüler iddialar bilinçli olarak kullanılmadı: BLS maruziyet kategorilerinin istihdam tahmini olmadığını belirtiyor ve bu yazı için açılan hiçbir birincil kaynak böyle bir rakamı desteklemiyor. Rosen (1981) ile Boldrin ve Levine yalnızca Federal Reserve Bank of Minneapolis’in özetlediği haliyle aktarılmıştır.

---

Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.