TL;DR. İş yerinde üretken yapay zekaya ilişkin en sağlam kontrollü kanıtlar, gerçek ama mütevazı kazanımlar gösteriyor: müşteri destek temsilcileri saat başına %15 daha fazla sorun çözdü, üç şirketteki saha deneylerinde yazılımcılar %26,08 daha fazla görev tamamladı ve BCG danışmanları yapay zekanın “sınırı” içindeki işlerde %12,2 daha fazla görev bitirdi. Bu sınırın dışındaki bir görevde yapay zeka kullanan danışmanlar, yapay zeka olmadan elde edilen %84,5’e karşı %60 ve %70,6 oranında doğru yanıt verdi; deneyimli açık kaynak yazılımcılar ise yapay zeka araçlarıyla %19 daha uzun sürede çalıştı. Çıktı çarpanı olarak ifade edildiğinde ölçülen etkiler, incelenen görevde 0,84x ile 2,26x arasında değişiyor; 10x’e yakın bile değil. CEO hamlesi: çıktısını kontrol etmenin ucuz olduğu teslimat aşamalarını yapay zekayla güçlendirin, hataların pahalı olduğu her aşamanın önüne sorumlusu belli bir insan kapısı koyun ve saatler kısalmadan önce fiyatlamayı saatten uzaklaştırın. Öğrenci hamlesi: değerlendirme becerisini geliştirin; çünkü kazanımlar en çok daha az deneyimli kişilerde, yani kendinden emin bir hatayı fark etmeye en az donanımlı olanlarda büyüyor.
Bu rehber üç CEOtudent içeriğinin yanında duruyor: yapay zeka otomasyonlarını tek kişilik bir ajans olarak satmanın ekonomisi, sabit fiyatlı teklifler için ürünleştirilmiş hizmet fiyatlama çerçevesi ve yapay zeka çıktısını değerlendirme becerisi. Benimseme verileri ilkinde yer alıyor.
“10x çıktı” neden yanlış planlama rakamıdır?
Yapay zekanın eskiden on kişinin yaptığı işi tek bir kişiye yaptırdığı vaadi, araç pazarlamasında yaygın biçimde dolaşıyor. Tek başına çalışan biri için cazip, çünkü işe alım kararının ortadan kalktığını ima ediyor. Bu makale için açılan hiçbir kontrollü çalışma buna yakın bir şey ölçmedi; çıktıyı ölçen çalışmalar ise daha önemli üç örüntü buldu:
- Kazanımlar gerçek, ancak katlarla değil onlarca yüzdeyle ölçülüyor; tabii ölçü birimi tek bir görevdeki tek bir hızlı çalışma değil, tamamlanmış iş olduğunda.
- Kazanımlar eşit dağılmıyor. En büyük kazanımlar daha az deneyimli ve daha düşük becerili çalışanlarda, en küçükleri ise en deneyimlilerde görülüyor; bu grupta kalite zaman zaman hafifçe düşüyor bile.
- Kazanımlar negatife dönebiliyor; modelin iyi yaptığı işlerin dışında kalan görevlerde bu oluyor ve insanlar bu çizginin hangi tarafında olduklarını ayırt etmekte zayıf kalıyor.
10x’e göre plan yapmak düşük fiyatlamaya, aşırı iş kabulüne ve yetersiz incelemeye yol açar. Ölçülen aralığa göre plan yapmak ise, yapay zeka doğru aşamalara yerleştirilir ve fiyatlama da bunu izlerse, işe alım yapmadan kapasiteyi yine büyütür.
Üretken yapay zekanın iş yerindeki etkisini inceleyen kontrollü çalışmalar gerçekte neyi ölçüyor?
Tablo, tam metin ya da yayımlanmış özet olarak açılabilen en güçlü tasarımlı çalışmaları listeliyor. Rakamlar, belirtilen sürümde basıldığı şekliyle verilmiştir.
| Çalışma (açılan sürüm) | Ortam ve örneklem | Görev | Yayımlandığı haliyle ölçülen etki | En çok kim kazandı |
|---|---|---|---|---|
| Brynjolfsson, Li ve Raymond, QJE 2025 (arXiv v2, Kasım 2024) | Bir müşteri destek şirketi, 5.172 temsilci, kademeli kullanıma geçiş | Sohbet tabanlı müşteri desteği | Saat başına çözülen sorun sayısı ortalama %15 arttı | Daha az deneyimli, daha düşük becerili temsilciler (yaklaşık %30); en deneyimliler kalitede küçük düşüşler yaşadı |
| Noy ve Zhang, Science 2023 | Çevrimiçi deney, üniversite mezunu 453 profesyonel | Mesleğe özgü yazma görevleri | Ortalama süre %40 azaldı; çıktı kalitesi %18 arttı | Düşük yetenekli çalışanlar daha çok yararlandı (çalışma makalesi) |
| Peng vd., 2023 (arXiv) | Upwork üzerinden işe alınan 95 profesyonel programcı | JavaScript ile bir HTTP sunucusu geliştirmek | Görev %55,8 daha hızlı tamamlandı (%95 güven aralığı %21-89) | Daha az deneyimli ve daha yaşlı programcılar |
| Cui, Demirer vd., Management Science 2026 | Microsoft, Accenture ve bir Fortune 100 şirketinde saha deneyleri; 4.867 yazılımcı | Kod tamamlama asistanıyla sıradan yazılım işi | Tamamlanan görevler %26,08 arttı (standart hata %10,3) | Daha az deneyimli yazılımcılar; yeni işe alınanlar ve daha kıdemsiz pozisyonlar |
| Dell’Acqua vd., Organization Science 2026 | 758 BCG danışmanı | Sınırın içinde kalan 18 gerçekçi danışmanlık görevi | %12,2 daha fazla görev, %25,1 daha hızlı tamamlama, anlamlı ölçüde daha yüksek kalite | Beceri düzeyi alt yarıda olan katılımcılar en çok kazandı; üst yarı da kazandı |
| Aynı çalışma | Aynı | Sınırın dışında kalacak şekilde seçilmiş karmaşık bir görev | Doğru yanıt oranı yapay zeka olmadan %84,5, iki yapay zeka grubunda ise %60 ve %70,6 | Hiçbir grup: yapay zeka kullananlar daha kötü sonuç aldı |
| Dell’Acqua vd., “The Cybernetic Teammate”, NBER WP 33641 (2025) | 776 Procter and Gamble profesyoneli (yayımlanan sürümde 791) | Tek başına ya da ikili olarak çalışılan gerçek ürün inovasyonu problemleri | Yapay zeka kullanan bireyler, yapay zeka kullanmayan takımların performansını yakaladı; %16,4 daha az süre; kalite 0,37 standart sapma arttı | Tek başına çalışan ve takım düzeyinde kaliteye ulaşan bireyler |
| Becker vd. (METR), 2025 | 16 deneyimli açık kaynak yazılımcı, olgun depolarda 246 görev | Zaten bakımını yaptıkları projelerdeki gerçek sorunlar | Yapay zekaya izin verildiğinde görevler %19 daha uzun sürdü (güven aralığı +%2 ile +%39) | Ortalamada hiçbir grup; yazılımcılar süre için %24 azalma öngörmüştü |
Kaynaklar: Kaynakça listesindeki 1. ve 3-9. maddeler, orada belirtilen sürümleriyle.
İki uyarı. Birincisi, öne çıkan rakamlar sürümler arasında değişiyor. Destek çalışmasının 2023 tarihli NBER çalışma makalesi ortalama %14, yeni başlayan ve düşük becerili çalışanlar için %34 bildiriyordu; yayımlanan makaleyle örtüşen sürüm ise %15 ve yaklaşık %30 bildiriyor ve tablo bunları kullanıyor. P&G çalışmasının katılımcı sayısı sürümler arasında 776’dan 791’e çıktı; yayımlanan tam metin açık olmadığı için süre ve kalite rakamları çalışma makalesinden alındı.
İkincisi, birimler farklı. Tek bir standart kodlama görevinde %55,8’lik süre azalması ile binlerce yazılımcıda haftalık tamamlanan görevlerdeki %26,08’lik artış farklı türden kanıtlardır ve ikincisi bir hizmet işletmesinin sattığı şeye daha yakındır.
Bu etkiler çıktı çarpanı olarak nasıl görünüyor?
Çalışmaları 10x iddiasıyla karşılaştırmak için her etki, incelenen görev için bir çıktı çarpanına dönüştürüldü: %15’lik bir kazanım 1,15x olur, r oranındaki bir süre azalması ise 1 bölü (1 eksi r) olur.
| Çalışma | Ölçülen etki | O görevdeki çıktı çarpanı | 10x bunun kaç katı |
|---|---|---|---|
| Brynjolfsson vd., tüm temsilciler | Saat başına çözümlerde +%15 | 1,15x | 8,7 |
| Brynjolfsson vd., daha düşük becerili temsilciler | yaklaşık +%30 | 1,30x | 7,7 |
| Cui vd. | Tamamlanan görevlerde +%26,08 | 1,26x | 7,9 |
| Dell’Acqua vd., sınırın içinde | Tamamlanan görevlerde +%12,2 | 1,12x | 8,9 |
| Dell’Acqua vd., P&G çalışma makalesi | %16,4 daha az süre | 1,20x | 8,4 |
| Noy ve Zhang | %40 daha az süre | 1,67x | 6,0 |
| Peng vd. | 160,89 dakikaya karşı 71,17 dakika | 2,26x | 4,4 |
| Becker vd. (METR) | %19 daha fazla süre | 0,84x | 11,9 |
Önceki tablonun CEOtudent analizi. Çarpanlar ölçülen görevi tanımlar, toplanamaz ve bir işin bütününü tanımlamaz.
En yüksek çarpan olan 2,26x, olabildiğince hızlı yapılan, iyi tanımlanmış tek bir programlama görevinden geliyor. Gerçek işi aylar boyunca sayan iki saha çalışması, müşteri desteği ve yazılımda, 1,15x ile 1,30x arasında kalıyor.
Daha hızlı bir görev neden 10x bir işletme yaratmaz?
Tek bir aşamadaki büyük bir hızlanmanın tavanı vardır, çünkü projenin geri kalanı hızlanmaz. Proje saatlerinin s kadarlık bir payı k kat daha hızlı yürürse, projenin tamamı 1 bölü ((1 eksi s) artı s bölü k) kat daha hızlı yürür.
| Güçlendirilen proje saatleri payı | Bu pay 2,26x daha hızlı yürürse genel çarpan | Bu pay hiç zaman almasaydı genel çarpan |
|---|---|---|
| %25 | 1,16x | 1,33x |
| %40 | 1,29x | 1,67x |
| %50 | 1,39x | 2,0x |
| %75 | 1,72x | 4,0x |
CEOtudent analizi; 2,26x önceki tablodaki en yüksek çarpandır.
Bir hizmetin tamamının 10x daha hızlı yürümesi için saatlerinin en az %90’ının ortadan kalkması gerekir. Güçlendirilen payda 20x’lik bir hızlanmada gereken oran %94,7’dir; 2,26x’te ise 10x aritmetik olarak imkansızdır. Teslimatta her zaman neredeyse hiç sıkışmayan saatler kalır: kapsam belirleme, müşteri kararları, inceleme, revizyonlar ve ilişki yönetimi.
Nüfus düzeyindeki kanıtlar da aynı yönde. Bick, Blandin ve Deming’in ABD’yi ulusal ölçekte temsil eden anketleri, tüm çalışma saatlerinin yüzde 1 ile 5’i arasındaki bir kısmının üretken yapay zekayla desteklendiğini ve bildirilen zaman tasarrufunun toplam çalışma saatlerinin yüzde 1,4’üne denk geldiğini buldu. Danimarka’da Humlum ve Vestergaard benimseme anketlerini idari kayıtlarla eşleştirdi ve kazançlar ile kayıtlı çalışma saatleri üzerinde kesin sıfır etkiler tahmin etti; ChatGPT’nin lansmanından iki yıl sonra %2’den büyük etkileri dışladılar. Sohbet botu kullanıcılarının %85’i, kazandıkları zamanı başka görevlere aktardığını bildiriyor. Kazanılan zaman otomatik olarak satılan çıktı değildir.
Öz değerlendirme ölçümün yerini tutmaz. METR deneyinde yazılımcılar, yapay zekanın tamamlama süresini %24 kısaltacağını öngördü, sonrasında süreyi %20 kısalttığını tahmin etti; oysa gerçekte %19 yavaşlamışlardı. METR’nin Ağustos 2025’te başlayan takip deneyi güvenilmez bir sinyal veriyor, çünkü yazılımcılar giderek daha sık yapay zeka olmadan çalışmayı reddetti; METR, yazılımcıların 2026 başında muhtemelen daha fazla hızlandığını düşünüyor, ancak verilerini değişimin büyüklüğü için “yalnızca çok zayıf bir kanıt” olarak nitelendiriyor. Yavaşlama bulgusunun tarihi geçmiş durumda; o zamandan bu yana yaşanan hızlanma ise henüz iyi ölçülmüş değil.
Serbest çalışan hizmetlerine olan talepte ne oluyor?
Verimlilik resmin yarısı; diğer yarısı, müşterilerin aynı araçlara sahip olduktan sonra ne satın aldığı. Büyük serbest çalışma platformlarına ilişkin iki çalışma buna baktı.
- Hui, Reshef ve Zhou, ChatGPT’nin yayımlanmasının ardından daha fazla etkilenen mesleklerdeki serbest çalışanların, daha az etkilenen mesleklere göre aylık işlerde %2, aylık kazançta ise %5,2 düşüş yaşadığını buldu. Geçmiş performansla ölçülen yüksek kaliteli hizmet onları korumadı ve en iyi serbest çalışanlar, ipucu niteliğindeki bulgulara göre, orantısız biçimde etkilendi.
- Demirci, Hannane ve Zhu, ChatGPT’nin kullanıma girmesinden sonraki sekiz ay içinde otomasyona yatkın yazma ve kodlama işlerine yönelik iş ilanlarında, el emeği yoğun işlere kıyasla %21 düşüş; görsel üreticilerin gelmesinin ardından da görsel oluşturma ilanlarında %17 düşüş buldu. Geriye kalan işler daha karmaşıktı ve daha iyi ödüyordu; serbest çalışanlar arasındaki rekabet ise arttı.
Pek çok hizmetin rutin ilk taslak katmanı, müşterilerin artık kendilerinin yapabildiği kısımdır; bu yüzden fiyatı düşüyor ve kalan talep karmaşıklık, muhakeme ve hesap verebilirlikte yoğunlaşıyor. Teslimatı yapay zekayla güçlendirmek isteğe bağlı değil, ama yapay zekanın kazandırdığı zamanı eski saatlik ücretten satmak bir strateji değil. Kaldıraç Merdiveni, zaman satmaktan sonuç satmaya uzanan daha uzun dönüşümü anlatıyor; bu rehber ise o dönüşümün teslimat tarafını ele alıyor.
Bir hizmet işletmesi hangi teslimat aşamalarını yapay zekayla güçlendirmeli ve insan kapısı nerede durmalı?
Harita, kanıtlardan çıkan tek bir kuralı uyguluyor: çıktısını kontrol etmenin ucuz olduğu yerde güçlendirin, hatanın maliyetli ve fark edilmesinin zor olduğu her yerde insan kararını koruyun. Genel risk ve geri alınabilirlik testi Geliştir, Otomatikleştirme yazısında yer alıyor; bu tablo onu müşteri teslimatına uyguluyor.
| Teslimat aşaması | Varsayılan yapay zeka rolü | İnsanda kalacak olan | Sonraki aşamadan önceki kalite kontrol kapısı | Kararı şekillendiren kanıt |
|---|---|---|---|---|
| 1. Talep alma ve kapsam belirleme | Brifi özetlemek, açık soruları listelemek, kapsam taslağı hazırlamak | Kapsama, hariç tutulanlara ve fiyata karar vermek | Müşteri yazılı kapsamı onaylar; hariç tutulanlar açıkça adlandırılır | Yapay zeka kullananların daha kötü sonuç aldığı görev, karmaşık bir yönetsel muhakemeydi |
| 2. Araştırma ve keşif | Materyal toplamak, özetlemek ve karşılaştırmak | Kaynakları seçmek ve ilgililiği değerlendirmek | Kullanılan her bilgi, bir kişinin açtığı bir kaynağa dayanır | Sınırın içindeki hız ve kalite kazanımları iyi belgelenmiştir |
| 3. İlk taslak veya yapım | Taslak, kod, yerleşim ve varyant üretmek | Yapıyı ve kabul standardını belirlemek | Taslak, yazılı bir kabul kontrol listesine göre kontrol edilir | Ölçülen en büyük zaman tasarrufları burada (yazma ve kodlama çalışmaları) |
| 4. Analiz ve öneri | Seçenek önermek, taslağa karşı argüman üretmek, varsayımları test etmek | Öneriyi yapmak ve sahiplenmek | Bir kişi gerekçeyi kendi sözleriyle yazar; her rakam ikinci bir kaynakla kontrol edilir | Sınırın dışındaki görevde doğru yanıtlar %84,5’ten %60 ve %70,6’ya düştü |
| 5. İnceleme ve kalite güvencesi | Kontrol listeleri, tutarlılık kontrolleri ve test senaryoları çalıştırmak | Teslimatı kabul etmek veya reddetmek | Bir örneklemin satır satır incelenmesi; yakalanan her hata bir kayda girer | En deneyimli destek temsilcileri yapay zekayla kalitede küçük düşüşler yaşadı |
| 6. Müşteri iletişimi | Güncelleme, gündem ve toplantı notu taslakları hazırlamak | İlişki, kötü haber, müzakere | Okunmadan hiçbir şey müşteriye ulaşmaz | Yukarıdaki hiçbir çalışma bu aşamayı ölçmedi; varsayılan olarak insana ait kabul edin |
| 7. Devir ve bilgi aktarımı | Dokümantasyon ve yeniden kullanılabilir prosedür taslakları hazırlamak | Neyin standart olacağına karar vermek | Prosedür bir sonraki projede test edilir | Destek çalışmasında yapay zeka desteği çalışanların öğrenmesini kolaylaştırdı |
CEOtudent editöryel çerçevesi. Kanıt sütunu ilk tablodaki çalışmalara atıf yapar; aşama sınırları ve kapılar araştırma bulgusu değil, editöryel değerlendirmedir.
Haritadan üç işletim kuralı çıkıyor:
- Kapılar ima edilmez, adlandırılır. Her aşamanın bir sorumlusu ve bir geçiş koşulu olmalı. Yapay zekaya her aşama için nasıl brif verileceği Yapay Zeka Yönetim Rehberi yazısında anlatılıyor.
- Taslak aşaması hem en büyük kaldıraç hem de en büyük tuzaktır. Zaman tasarrufu en çok burada ve çıktısı kontrol edilmeden önce bitmiş gibi görünür.
- İnceleme süresi azalmaz, artar. Taslak ve inceleme süresini aynı anda kısaltan bir plan, kontrol edilmemiş iş teslim etmeyi planlıyordur.
Saatler kısaldığında nasıl fiyatlandırmalısınız?
Aşağıdaki her girdi, mekanizmayı göstermek için seçilmiş örnek bir varsayımdır, bir kıyas değeri değildir. Her birini kendi zaman kayıtlarınızla değiştirin.
- Ücret: saat başına $100 (örnek varsayım).
- Bir proje 20 saat sürüyor: kapsam belirleme 2, araştırma 4, taslak veya yapım 8, inceleme ve revizyon 4, müşteri iletişimi 2 (örnek varsayım).
- Yapay zekayla araştırma %30, taslak hazırlama %40 daha az zaman alıyor ve incelemeye 1 saatlik ek doğrulama ekleniyor (örnek varsayımlar).
- Yapay zeka araçları aylık $200 tutuyor; işletme ayda 5 proje satıyor ve elinde 100 teslimat saati var (örnek varsayımlar).
Bu durumda bir proje 20,0 saatten 16,6 saate iner; bu da 3,4 saatlik ya da %17,0’lık bir tasarruf demektir: yaklaşık 1,2x’lik bir kapasite çarpanı, yani ayda on değil, bir proje daha için yer. Orijinal saatlerin %40’ını oluşturan taslak hazırlama hiç zaman almasaydı bile tavan 1,67x olurdu.
| Senaryo (tüm girdiler örnek varsayımdır) | Proje başına saat | Proje başına fiyat | Aylık proje sayısı | Araç maliyeti sonrası net aylık gelir | Teslimat saati başına net gelir | 100 saatten kalan teslimat saati |
|---|---|---|---|---|---|---|
| A. Saatlik faturalama, yapay zeka yok | 20,0 | $2.000 | 5 | $10.000 | $100,00 | 0,0 |
| B. Saatlik faturalama, yapay zekayla, aynı ücret | 16,6 | $1.660 | 5 | $8.100 | $97,59 | 17,0 |
| C. Sabit fiyat, eski fiyatta tutuldu | 16,6 | $2.000 | 5 | $9.800 | $118,07 | 17,0 |
| D. Kazanımı paylaşmak için sabit fiyat %10 düşürüldü | 16,6 | $1.800 | 5 | $8.800 | $106,02 | 17,0 |
| E. Eski sabit fiyat, boşalan saatler altıncı proje olarak satıldı | 16,6 | $2.000 | 6 | $11.800 | $118,47 | 0,4 |
CEOtudent analizi; hesaplamalar calc.py dosyasında.
Tablonun gösterdikleri:
- Saatlik faturalama kazanımı müşteriye, araç maliyetini ise size bırakır. B senaryosu, aynı beş proje için A’dan ayda $1.900 daha az kazandırır. Yapay zekayla güçlendirmeden önce sabit fiyata geçmenin nedeni budur; yukarıdaki ürünleştirilmiş hizmet fiyatlama çerçevesi ve örnekli değer bazlı fiyat formülü bunun nasıl yapılacağını anlatıyor.
- Sabit fiyat, kazanımı ancak kapsam sabit kalırsa korur. C senaryosu teslimat saati başına net geliri $118,07’ye çıkarır; kapsam kayması ekonomisi yazısının gösterdiği gibi, faturalanmayan revizyon turları önce bunu yer.
- Boşalan saatleri satmak talep gerektirir. E senaryosu, ancak altıncı bir müşteri varsa, ayda $1.800, yani A’dan %18,0 daha fazla gelir ekler. Platform kanıtları göz önüne alındığında bu projenin rutin taslak işi değil, karmaşık bir iş olma olasılığı daha yüksek.
- Kazanımın bir kısmını paylaşmak bilinçli bir tercih olabilir. D senaryosu saat başına hala A’yı geçer ve ölçülü bir indirim altıncı projeyi kazandırabilir. Araç maliyetini ve efektif ücreti tek kişilik işletme kar-zarar tablosu şablonuna kaydedin.
Yapay zekayla güçlendirmeye hazırlık puan kartı
Herhangi bir teslimat aşamasına yapay zeka eklemeden önce bunu kullanın. Her soruyu 0 (hayır), 1 (kısmen) veya 2 (evet) olarak puanlayın.
| # | Soru | Neden önemli |
|---|---|---|
| 1 | Yanlış bir çıktı, yazılı bir kontrol listesine göre dakikalar içinde fark edilebilir mi? | Güçlendirmeyi karlı kılan şey ucuz kontroldür |
| 2 | Bu aşamada gözden kaçan bir hata müşteri için ucuz ve geri alınabilir mi? | Pahalı ve gizli hatalar insan kararı gerektirir |
| 3 | Araç, doğru yanıtları bilinen bu görevin geçmişteki birkaç örneğinde test edildi mi? | Sınır pürüzlüdür; nereden geçtiğini yalnızca test gösterir |
| 4 | Bu aşamayı yapay zeka olmadan iyi yapabilir misiniz? | Çıktıyı değerlendirmek, çıktının yerini aldığı beceriyi gerektirir |
| 5 | Aşama, proje saatlerinin anlamlı bir payını mı alıyor? | Küçük aşamalar toplam kapasiteyi pek değiştiremez |
| 6 | İş saat başına değil, teslimat başına mı fiyatlanıyor? | Aksi halde kazanılan zaman, kaybedilen gelirdir |
| 7 | Müşteri sözleşmesi, müşteri materyali üzerinde yapay zeka araçlarının kullanılmasına izin veriyor mu? | Gizlilik koşulları verimlilikten önce gelir |
| 8 | Yakalanan her hata kaydedilecek ve her ay gözden geçirilecek mi? | Kayıt, incelemeyi daha iyi bir sürece dönüştürür |
Toplam puan nasıl okunur (CEOtudent editöryel çerçevesi; aralıklar araştırma eşikleri değil, başlangıç noktalarıdır):
- 13-16: şimdi güçlendirin, aşama haritasındaki kapı yerinde olacak şekilde.
- 8-12: önce pilot yapın; iç işlerde veya riski düşük işlerde deneyin ve en düşük puanlı soruları düzeltin.
- 0-7: aşamayı şimdilik insanda tutun ve bir çeyrek sonra yeniden puanlayın.
- veya 7. soruda 0 puan, toplamın önüne geçer: çıktıyı değerlendirecek beceri ya da aracı kullanma izni yoksa aşama insanda kalır.
Güçlendirmeyi güvenli kılan öğrenci becerisi nedir?
Örüntü tutarlı: en çok daha az deneyimliler kazanıyor ve işin nasıl gittiğine dair kendi hislerine güvenenler yapay zekayı en çok yanlış değerlendiriyor. METR yazılımcıları aslında yavaşlamışken hızlandıklarına inandı. Sınırın dışındaki görevde BCG danışmanları, yapay zekayla, yapay zeka olmadan verdiklerinden daha kötü yanıtlar üretti. Yayımlanan P&G çalışması, yapay zekanın esas olarak üretilen fikirlerin kalitesini artırdığı, insan muhakemesinin ise değerlendirici seçimde değerini koruduğu sonucuna varıyor.
Bu da değerlendirmeyi işletmeyi koruyan beceri haline getiriyor: yapay zekanın yanıtını okumadan önce doğru bir yanıtın neye benzediğini bilmek, rakamları birincil kaynaklarla kontrol etmek ve bir görevin sınırın dışına çıktığını fark etmek. Yukarıda bağlantısı verilen değerlendirme rehberi bu becerinin nasıl geliştirileceğini anlatıyor. Üç alışkanlık onu pratikte canlı tutar:
- Aşama bazında bir hata kaydı tutun: yapay zekanın neyi yanlış yaptığı, nasıl yakalandığı, kontrolün ne kadar sürdüğü. Bir ay sonra kayıt, sizin işiniz için hangi aşamaların sınırın içinde olduğunu gösterir.
- Bir görev örnekleminin süresini ölçün; birkaç hafta boyunca yapay zekayla ve yapay zeka olmadan. METR deneyinde hissedilen hızlanma ile ölçülen hızlanma zıt yönleri gösterdi.
- Her ayın en zor muhakeme kararını önce yapay zeka olmadan çalışın, sonra karşılaştırın. Bu, inceleme kapısının dayandığı beceriyi korur.
Bunun anlamı ne değildir
- Kazanımların önemsiz olduğu anlamına gelmez. Tamamlanan görevlerde bir yıl boyunca sürdürülen %26,08’lik bir artış, tek kişilik bir işletme için büyüktür; bu bir yüzde, bir kat değil.
- 2025’teki yavaşlamanın hala geçerli olduğu anlamına gelmez. METR, yazılımcıların 2026 başında muhtemelen daha hızlı olduğunu düşünüyor; güvenilir bir ölçüm eksik.
- İşe alımın asla çözüm olmadığı anlamına gelmez. P&G çalışması, yapay zekanın bir takım arkadaşının bazı faydalarının yerini tutabildiğini buldu; ancak ölçtüğü şey aylar boyunca müşteriye karşı hesap verebilirlik değil, bir günlük sanal bir ürün geliştirme atölyesiydi.
- Her tasarrufun müşteriye gittiği anlamına gelmez. Fiyatlama bir karardır; D senaryosu seçeneklerden biridir.
- Bu çalışmaların sizin hizmetinizi tanımladığı anlamına gelmez. Her biri tek bir görevi, tek bir araç neslini ve tek bir popülasyonu kapsıyor; en çok sizin süre ölçtüğünüz örneklem ve hata kaydınız önemlidir.
Sıkça sorulan sorular
Yapay zeka gerçekten tek bir kişinin 10x daha fazla müşteri işi teslim etmesini sağlayabilir mi?
Bu makale için açılan hiçbir çalışma bunu ölçmedi. Ölçülen etkiler, incelenen görevlerde 0,84x-2,26x’e karşılık geliyor; aylarca süren iki saha çalışması ise 1,15x-1,30x aralığında kalıyor.
Bir hizmet projesinin hangi kısmı yapay zekadan en çok kazanır?
İlk taslaklar ve iyi tanımlanmış yapım görevleri: profesyonel yazma görevlerinde %40 süre azalması ve standart bir kodlama görevinin %55,8 daha hızlı tamamlanması. Bunlar aynı zamanda en sıkı inceleme kapısını gerektirir.
Daha az deneyimli kişiler neden daha çok kazanıyor?
Destek, yazma, danışmanlık ve yazılımcı çalışmalarında daha az deneyimli çalışanlar daha çok kazandı; destek çalışması, aracın daha yetenekli çalışanların uygulamalarını yaydığına dair ipucu niteliğinde kanıt sunuyor. Yeni başlayanların değerlendirme becerisine en çok ihtiyaç duymasının nedeni budur.
Bir serbest çalışan, yapay zeka zaman kazandırdığı için fiyatlarını düşürmeli mi?
Otomatik olarak değil. Saatlik faturalamada tasarruf müşteriye gider; sabit fiyatta ise, örnek hesaplamanın gösterdiği gibi, işletmede kalır.
Serbest çalışma işlerine olan talep yapay zeka yüzünden düşüyor mu?
İki platform çalışması etkilenen kategorilerde düşüş buldu: birinde aylık işlerde %2 azalma ve aylık kazançta %5,2 düşüş, diğerinde yazma ve kodlama işlerine yönelik ilanlarda %21 azalma. Kalan işler daha karmaşıktı ve daha iyi ödüyordu.
Bir görevin “pürüzlü sınır” ile uyumu nasıl kontrol edilir?
Test edin. Aracı, doğru yanıtı bilinen geçmişteki birkaç görevde çalıştırın, her hatayı kaydedin ve yapay zekayı müşteri işinde kullanmadan önce aşamayı hazırlık puan kartıyla puanlayın.
Kaynakça
- Brynjolfsson, E., Li, D. ve Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics 140(2), 889-942. Açılan sürüm: arXiv 2304.11771v2 (Kasım 2024) ve yayımlanmış özet.
- Brynjolfsson, E., Li, D. ve Raymond, L. (2023). Generative AI at Work. NBER Working Paper 31161. Önceki sürüm; yalnızca revize edilen rakamlar için atıf yapılmıştır.
- Noy, S. ve Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science 381(6654), 187-192 (yalnızca özet, PubMed üzerinden); Mart 2023 tarihli çalışma makalesi sürümü tam metin olarak açıldı.
- Peng, S., Kalliamvakou, E., Cihon, P. ve Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv 2302.06590. Dört yazardan üçü, aracın üreticisi olan Microsoft Research ve GitHub’dandır.
- Cui, K. Z., Demirer, M. vd. (2026). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Management Science 72 (özet, Crossref üzerinden); Şubat 2025 tarihli çalışma makalesi sürümü tam metin olarak açıldı.
- Dell’Acqua, F., McFowland III, E., Mollick, E. vd. (2026). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science 37(2), 403-423. Açık erişim; ilk olarak HBS Working Paper 24-013 (2023).
- Dell’Acqua, F., Ayoubi, C., Lifshitz, H. vd. (2025). The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. NBER Working Paper 33641.
- Dell’Acqua, F. vd. (2026). The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork. Organization Science (yalnızca özet, Crossref üzerinden).
- Becker, J., Rush, N., Barnes, B. ve Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. Model Evaluation and Threat Research (METR), arXiv 2507.09089v2.
- Becker, J., Rush, N. vd. (2026). We are Changing our Developer Productivity Experiment Design. METR, 24 Şubat 2026.
- Hui, X., Reshef, O. ve Zhou, L. (2024). The Short-Term Effects of Generative Artificial Intelligence on Employment: Evidence from an Online Labor Market. Organization Science 35(6), 1977-1989 (özet, Crossref üzerinden); CESifo Working Paper 10601 (Ağustos 2023) tam metin olarak açıldı.
- Demirci, O., Hannane, J. ve Zhu, X. (2025). Who Is AI Replacing? The Impact of Generative AI on Online Freelancing Platforms. Management Science 71(10), 8097-8108 (yalnızca özet, Crossref üzerinden).
- Bick, A., Blandin, A. ve Deming, D. J. (2025). The Rapid Adoption of Generative AI. NBER Working Paper 32966, Şubat 2025’te revize edildi; Management Science 72(10), 2026’da yayımlandı (yalnızca özet, NBER sayfası).
- Humlum, A. ve Vestergaard, E. (2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. Çalışma makalesi, 13 Mart 2026; daha önce Large Language Models, Small Labor Market Effects başlığıyla dolaşıma girdi.
Yöntem notu: çıktı çarpanı tablosu, kapasite tavanı tablosu ve fiyatlama senaryoları, doğrulanmış veri tablosundaki rakamların bir betikle yeniden hesaplanmış CEOtudent analizleridir; teslimat aşaması haritası ve hazırlık puan kartı CEOtudent editöryel çerçeveleridir. Fiyatlama örneğindeki her girdi örnek bir varsayımdır. Müşteri destek çalışmasının 2023 tarihli çalışma makalesi rakamları (%14 ve %34), sonraki yayımlanmış sürümün rakamlarıyla (%15 ve yaklaşık %30) değiştirildi. Ortalamanın altındaki ve üstündeki BCG danışmanları için yaygın biçimde tekrarlanan yüzde kazanımlar, açılan yayımlanmış sürümde yer almadığı için kullanılmadı. Açılan hiçbir çalışma “10x” bir etki bildirmedi.
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.













