Kısaca. Yapay zeka alanında beceri geliştirmek hala çoğunlukla araç öğrenmek demek: hangi model, hangi prompt, hangi özellik. Araştırmalar ise başka bir yönü işaret ediyor. 758 Boston Consulting Group danışmanıyla yapılan bir saha deneyinde GPT-4, modelin iyi yaptığı görevlerde tamamlanan görev sayısını %12,2, kaliteyi ise %40’tan fazla artırdı; ancak modelin yeteneklerinin hemen dışında kalan bir görevde, onu kullanan danışmanların doğru cevaba ulaşma olasılığı 19 yüzde puan daha düşüktü. Deneyimli açık kaynak yazılımcılarla yapılan randomize bir çalışmada yapay zekaya erişim görevlerin %19 daha uzun sürmesine yol açtı; yazılımcılar ise %20 daha hızlandıklarına inanıyordu. McKinsey’nin yapay zeka benimseme anketinde, test edilen 25 özellik arasında kar-zarar etkisiyle en çok ilişkilendirilen özellik iş akışlarının yeniden tasarlanmasıydı. Ortak nokta şu: sonuç, araçtan çok onun etrafındaki kararlara bağlı. Hangi görevler modele gidiyor, insan nerede kontrol ediyor, neyin yeniden kullanılacağı. Bu başlı başına bir beceri ve öğrenilebilir. Bu rehber kanıtları ortaya koyuyor ve kendi yapay zeka iş akışlarınızı tasarlamanız için altı parçalı bir kanvas sunuyor.
Beceri ile iş akışı arasındaki fark nedir?
Araç becerisi, bir şeyi nasıl kullanacağınızı bilmektir: iyi bir prompt yazmak, bir özelliği kullanmak, bir model seçmek. İş akışı ise bir girdiyi sonuca dönüştüren adımlar dizisidir; her adımı kimin (ya da neyin) yaptığını, hangi sırayla yapıldığını ve çıktının nerede kontrol edildiğini de kapsar.
Araç becerileri gereklidir ama hızla değer kaybeder. Geçen yıl ustalaştığınız modelin yerini yenisi aldı ve onda işe yarayan prompt hileleri yenisine taşınmayabilir. İş akışı tasarımı ise bir yönetim yetkinliğine daha yakındır: araçlar arasında taşınır, çünkü hangi düğmeye basıldığıyla değil, işin nasıl bölündüğüyle ilgilidir. Hangi yapay zeka araçlarının derinlemesine öğrenilmeye değer olduğuna dair karar çerçevemizde çok az araçta derinleşmeniz gerektiğini savunmuştuk. Bu yazı o argümanın diğer yarısı: bunun yerine neyde derinleşmeniz gerektiği.
Kanıtlar: aynı araç, çok farklı sonuçlar
En güçlü kanıtlar, herkesin aynı yapay zekaya erişiminin olduğu ama sonucun yine de işin nasıl yapılandırıldığına göre büyük ölçüde değiştiği çalışmalardan geliyor.
Tablo 1. Aynı yapay zeka, farklı sonuçlar: kontrollü çalışmaların bulguları
| Çalışma | Kim ve ne | Yapay zekayla sonuç | Farkı yaratan ne oldu |
|---|---|---|---|
| Dell’Acqua vd. (2023), Harvard Business School çalışma makalesi | 758 BCG danışmanı, GPT-4, gerçekçi danışmanlık görevleri | Modelin yetenekleri içinde: %12,2 daha fazla görev, %25,1 daha hızlı, %40’tan fazla daha yüksek kalite. Dışında: doğru sonuca ulaşma olasılığı 19 yüzde puan daha düşük | Görevin, modelin iyi yaptığı işlerin “girintili çıkıntılı sınırının” içinde mi dışında mı olduğu |
| Becker vd. (2025), METR, arXiv | 16 deneyimli açık kaynak yazılımcı, kendi depolarında 246 görev | Yapay zekaya izin verildiğinde görevler %19 daha uzun sürdü; yazılımcılar %24 hızlanma öngörmüş, sonrasında %20 hızlandıklarına inanmışlardı | Olgun, iyi bilinen kod tabanları ve yüksek kalite standartları; yapay zeka çıktısını kontrol edip düzeltmenin maliyeti kazandırdığından fazlaydı |
| Brynjolfsson, Li ve Raymond (2023), NBER çalışma makalesi | 5.179 müşteri destek temsilcisi, yapay zeka asistanı | Saatte çözülen sorun sayısında ortalama %14 artış; yeni ve düşük becerili çalışanlarda %34; en deneyimlilerde asgari etki | Kimin kullandığı: yapay zeka en iyi performans gösterenlerin uygulamalarını yeni temsilcilere yaydı |
| Noy ve Zhang (2023), Science | 453 profesyonel, ChatGPT, yazma görevleri | Süre %40 azaldı, kalite %18 arttı | Görevin yapısı: kaba taslak yazma küçüldü, düzenleme büyüdü |
| Dell’Acqua vd. (2025), NBER çalışma makalesi | 776 Procter & Gamble profesyoneli, ürün geliştirme | Yapay zeka kullanan bireyler, yapay zeka kullanmayan ekiplerin performansını yakaladı | Yapay zeka, normalde bir ekip arkadaşının kattığı katkının bir kısmını üstlendi |
Bu çalışmalardaki iki ayrıntı, manşet rakamlardan daha önemli.
Birincisi, araca ek olarak kısa bir prompt mühendisliği özeti verilen danışmanlar görevlerin yaklaşık %93’ünü tamamladı; yalnızca araç verilenlerde bu oran yaklaşık %91, kontrol grubunda ise yaklaşık %82’ydi. Araç eğitimi yardımcı oldu ama yalnızca marjinal olarak. Büyük dalgalanmalar, aracın hangi göreve uygulandığından kaynaklandı.
İkincisi, yazma çalışmasında ChatGPT verilen katılımcıların %68’i onun ilk çıktısını hiç düzenlemeden teslim etti. Bunu araç belirlemedi. İş akışı belirledi; daha doğrusu, iş akışının yokluğu.
Kazanımlar neden tüm ekonomi düzeyinde tıkanıyor?
Yapay zeka tek tek görevleri bu kadar hızlandırıyorsa, işgücü genelinde ölçülen kazanımlar neden küçük? İki büyük çalışma tutarlı bir cevap veriyor.
Tablo 2. İşgücü piyasası ölçeğinde yapay zekanın zaman tasarrufu (doğrulanmış veri)
| Kaynak | Kapsam | Bulgu |
|---|---|---|
| Bick, Blandin ve Deming (2025), NBER çalışma makalesi | ABD’yi ulusal düzeyde temsil eden anket | Kullanıcılar çalışma saatlerinin %5,4’ünü tasarruf ediyor; tüm çalışanlar genelinde bu, toplam çalışma saatlerinin %1,4’üne denk. Tüm çalışma saatlerinin %1 ile %5’i arası üretken yapay zeka desteğiyle geçiyor |
| Humlum ve Vestergaard (2026 revizyonu), NBER çalışma makalesi | 7.000 Danimarka işyerinde 25.000 çalışan, 11 maruz kalan meslek | Kullanıcılar çalışma saatlerinin yaklaşık %3’ünü tasarruf ediyor; kazanç ve çalışma saatleri üzerindeki etkiler, %2’den büyük değişiklikleri dışlayacak kadar küçük; işverenler “yapay zekayı görevleri yeniden düzenleyerek özümsüyor” |
| McKinsey, The State of AI (Mart 2025) | 1.491 katılımcı, küresel | Test edilen 25 özellik arasında yapay zekadan FVÖK etkisi görebilme üzerinde en büyük etkiyi iş akışının yeniden tasarımı yarattı; kuruluşların %21’i en az bazı iş akışlarını kökten yeniden tasarlamıştı |
| McKinsey, The State of AI in 2025 (Kasım 2025) | 1.993 katılımcı, küresel | Yapay zekada yüksek performans gösterenlerin %55’i tek tek iş akışlarını kökten yeniden tasarlamıştı; diğer kuruluşlarda bu oran %20 |
| Microsoft Work Trend Index (Nisan 2025) | 31 pazarda 31.000 çalışan | Liderlerin %38’i, ekiplerinin beş yıl içinde iş süreçlerini yapay zekayla yeniden tasarlıyor olmasını bekliyor |
Örüntü açık. Yapay zeka mevcut bir iş akışına olduğu gibi eklendiğinde yüzde birkaç zaman kazandırıyor ve bu zaman çoğu zaman başka görevlere gidiyor: Danimarka verisinde kullanıcıların çoğu, tasarruf ettikleri zamanı başka işlere aktardıklarını söylüyor. İş akışı yeniden tasarlandığında ise kazanımlar sonuçlarda görünüyor. McKinsey rakamlarına dair bir uyarı: bunlar beyana dayalı anket korelasyonları ve araştırmacıların modeli, bildirilen etkideki değişkenliğin yalnızca beşte birini açıklıyor. Yeniden tasarım etkiyle ilişkili; bu, etkiye yol açtığının kanıtlandığı anlamına gelmiyor. Yönü makul kılan, Tablo 1’deki kontrollü çalışmalar.
İş akışı tasarımı aslında neleri kapsar?
Danışmanlık çalışması, yetkin yapay zeka kullanıcılarının neyi farklı yaptığına dair en net tabloyu sunuyor. Araştırmacılar başarılı kullanıcılar arasında iki belirgin örüntü gözlemledi:
- Centaur’lar işi böldü; “çözüm üretme faaliyetlerini bölüp yapay zekaya ya da kendilerine devrettiler.” İnsan ve makine görevleri arasında net bir çizgi korudular.
- Cyborg’lar tamamen bütünleşti; “görev akışlarını yapay zekayla tamamen bütünleştirip teknolojiyle sürekli etkileşim halinde kaldılar.”
Yazarlar bunu erken bir analiz olarak tanımlıyor ve hangi örüntünün daha iyi performans gösterdiğini test etmediler. Ders “centaur ol” ya da “cyborg ol” değil. Ders şu: başarılı kullanıcılar, araçtan ya her şeyi ya da hiçbir şeyi yapmasını istemek yerine, iş bölümü konusunda bilinçli bir tercih yaptı.
McKinsey’nin 2025 verisi aynı beceriye kurumsal düzeyde işaret ediyor: yüksek performans gösterenleri en çok ayıran uygulamalardan biri, model çıktılarının ne zaman ve nasıl insan doğrulamasından geçmesi gerektiğine dair tanımlı süreçlere sahip olmaktı. Bu bir iş akışı kararıdır, bir araç özelliği değil. Konuyu tasarım gereği insan denetimi yazımızda ayrıntılı olarak ele alıyoruz.
İş Akışı Tasarım Kanvası
Aşağıdaki kanvas, araştırmayı yinelenen her iş için verebileceğiniz altı tasarım kararına dönüştürüyor. Bu tek bir çalışmanın sonucu değil, bir CEOtudent editöryel çerçevesidir; her öğe, onu gerekçelendiren kanıtla ilişkilendirilmiştir.
Tablo 3. İş Akışı Tasarım Kanvası: altı karar (CEOtudent editöryel çerçevesi)
| # | Karar | Cevaplanacak soru | Neden önemli (kanıt) |
|---|---|---|---|
| 1 | Ayrıştır | Bu iş hangi ayrı adımları içeriyor? | Kazanımlar göreve özgüdür; yazma çalışmasında taslak süresi düşerken düzenleme büyüdü (Noy ve Zhang) |
| 2 | Sınırı haritala | Her adımda model güvenilir biçimde iyi mi, güvenilmez mi, yoksa test edilmemiş mi? | Sınırın içinde büyük kazanımlar; dışında 19 puan daha az doğru cevap (Dell’Acqua 2023) |
| 3 | Devri seç | İşi böl (centaur) mü, yoksa sürekli iç içe mi çalış (cyborg)? | Her iki örüntü de başarılı kullanıcılar arasında görüldü (Dell’Acqua 2023) |
| 4 | Kontrol noktalarını yerleştir | İnsan nerede ve hangi standarda göre doğruluyor? | Tanımlı doğrulama süreçleri, yapay zekada yüksek performans gösterenleri ayırıyor (McKinsey 2025) |
| 5 | Dürüstçe ölç | Gerçekten daha hızlı ya da daha iyi olduğunu nasıl bileceksin? | Yazılımcılar %19 daha yavaşken kendilerini %20 daha hızlı hissetti (METR 2025) |
| 6 | Kaydet ve yeniden kullan | Bir dahaki sefer için hangi prompt, şablon ya da kontrol listesi saklanmalı? | Küçük bireysel tasarruflar ancak sürecin içine yerleştirildiğinde birikir (Humlum ve Vestergaard) |
Uygulamalı bir örnek: haftalık pazar brifingi
Diyelim ki ekibiniz için pazarınızdaki gelişmelere dair haftalık, tek sayfalık bir brifing yazıyorsunuz.
- Ayrıştır. Kaynakları topla, temel olguları çıkar, olguları kontrol et, bunların ekip için ne anlama geldiğini yorumla, yaz, düzenle.
- Sınırı haritala. Uzun belgeleri özetlemek, güncel modellerin yeteneklerinin rahatça içinde. Belirli ekibiniz için neyin önemli olduğuna karar vermek ise dışında. Özetlerin olgusal doğruluğu güvenilmez, bu yüzden kontrol gerektiriyor.
- Devri seç. Centaur tarzı: model her kaynağı özetler; önemli olan üç gelişmeyi siz seçer ve yorumu siz yazarsınız.
- Kontrol noktalarını yerleştir. Son taslaktaki her sayı, göndermeden önce kaynağıyla karşılaştırılır. Bu pazarlık konusu değildir, çünkü yanlış bir rakam, kazandırılan zamandan daha fazla güvene mal olur.
- Dürüstçe ölç. Önceki dört hafta ve sonraki dört hafta için gerçek süreyi kaydet. İki okura brifingin daha faydalı hale gelip gelmediğini sor.
- Kaydet ve yeniden kullan. Özetleme prompt’unu ve olgu kontrol listesini her hafta açtığın tek bir belgede sakla.
Dikkat edin: yalnızca 2. adım araç hakkında bir şey bilmeyi gerektirdi. Diğer beşi işin kendisiyle ilgili.
Araç becerisi ve iş akışı becerisi: neyi geliştirmeli?
Tablo 4. Öğrenme zamanınızı nereye yatırmalısınız (CEOtudent editöryel çerçevesi)
| Araç becerisi | İş akışı becerisi | |
|---|---|---|
| Nedir | Belirli bir modeli ya da uygulamayı iyi kullanmak | İşin sizin, yapay zekanın ve başkalarının arasında nasıl bölüneceğine karar vermek |
| Raf ömrü | Kısa: araçlar ve arayüzler birkaç ayda bir değişir | Uzun: yeni araçlara taşınır |
| Nasıl öğrenilir | Eğitimler, dokümantasyon, araçla pratik | Kendi işinizi haritalamak, deneyler, sonuçları ölçmek |
| Getirisinin kanıtı | Danışmanlık çalışmasında küçük (eğitimle yaklaşık %93’e karşı %91 görev tamamlama) | Büyük: sınır içi ve sınır dışı sonuçlar arasındaki fark |
| İşverene verdiği sinyal | “X aracını biliyorum” | “Y sürecini yeniden tasarladım, artık Z sürüyor” |
Bu, araç öğrenmeye karşı bir argüman değil. Aracı bizzat kullanmadan sınırı haritalayamazsınız (2. karar). Bu bir oran argümanı. Yinelenen tek bir iş akışını yeniden tasarlamaya harcanan bir saat, genellikle size araç hakkında bir saatlik eğitimden daha fazlasını öğretir; çünkü sizi aracın nerede başarısız olduğunu bulmaya zorlar.
İş akışı tasarımında CEO ve öğrenci
CEOtudent’in CEO tarafı, sonucun sahipliğidir. Bir CEO yeni bir sistemin etkileyici olup olmadığını sormaz; çıktıyı, maliyeti ya da riski değiştirip değiştirmediğini sorar. Kendi işinizi, yeniden tasarlamaktan sorumlu olduğunuz bir süreçler bütünü olarak görmek, aynı hamlenin kişisel ölçekteki karşılığıdır. İşverenlerin giderek daha fazla ödüllendirdiği şey de budur: 2026’nın yeni iş unvanları analizimizde en hızlı büyüyen roller, araçlarla değil, yapay zekanın üretmeye yardım ettiği sonuçlarla tanımlanıyor.
Öğrenci tarafı ise deney alışkanlığıdır. İş akışı tasarımı tek seferlik bir plan değil, bir döngüdür: tasarla, çalıştır, ölç, ayarla. METR çalışmasındaki yazılımcılar burada bir uyarı niteliğinde. Daha hızlı oldukları hissi kendinden emin biçimde yanlıştı. Tek koruma ölçmektir. Yapılandırılmış bir başlangıç noktası istiyorsanız, İş Akışı Denetimi mevcut işinizi haritalamayı ve puanlamayı adım adım anlatıyor; 5 katmanlı yapay zeka iş akışı ise parçaların bir iş gününe nasıl oturduğunu gösteriyor. Yeni bir alanı aynı şekilde öğrenmek için yapay zeka ile kişisel müfredat nasıl kurulur yazımıza bakın.
Sıkça sorulan sorular
Prompt mühendisliği hala öğrenmeye değer mi?
Bir kısmı, evet. Danışmanlık çalışmasında kısa bir prompt mühendisliği özeti sonuçları biraz iyileştirdi. Ancak kazanımlar, modelin yetenekleri içindeki ve dışındaki görevler arasındaki farka kıyasla küçüktü. Modeli kendi görevlerinizde test etmeye yetecek kadar öğrenin, gerisini iş akışı tasarımına yatırın.
“Girintili çıkıntılı sınır” nedir?
Araştırmacıların, yapay zekanın iyi yaptığı işlerin düzensiz sınırı için kullandığı terimdir. Bir insana eşit derecede zor görünen görevler bu sınırın farklı taraflarına düşebilir. Kendi işiniz için sınırı bulmanın tek güvenilir yolu, modeli gerçek görevlerinizde test edip sonuçları kontrol etmektir.
Yazılımcılar yapay zekayla neden yavaşladı?
METR araştırmacıları, iyi tanıdıkları büyük ve olgun projelerde, yüksek kalite standartlarıyla çalışan deneyimli yazılımcıları inceledi. Bu ortamda yapay zeka çıktısını gözden geçirip düzeltmek, kazandırdığından daha fazla zaman aldı. Sonuç o ortama özgü; ancak daha hızlı hissetmenin daha hızlı olmakla aynı şey olmadığı dersi her yerde geçerli.
Kendi yapay zeka iş akışlarımı tasarlamaya nasıl başlarım?
Haftada en az bir saat süren, yinelenen bir görev seçin. Kanvastaki altı kararı sırayla uygulayın, dört hafta boyunca önceki ve sonraki süreyi ölçün ve gerçekten daha iyi olan sürümü koruyun.
Kod yazmayı bilmem gerekiyor mu?
Hayır. Kanvasın büyük kısmı işi bölmek ve kontrol etmekle ilgili. Otomasyon araçları daha sonra yardımcı olabilir, ancak önce tasarım kararları gelir.
Kaynaklar
- Dell’Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School çalışma makalesi 24-013.
- Becker, J., Rush, N., Barnes, E., Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, arXiv:2507.09089.
- Brynjolfsson, E., Li, D., Raymond, L. R. (2023). Generative AI at Work. NBER çalışma makalesi 31161.
- Noy, S., Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192.
- Dell’Acqua, F. vd. (2025). The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. NBER çalışma makalesi 33641.
- Bick, A., Blandin, A., Deming, D. J. (2025). The Rapid Adoption of Generative AI. NBER çalışma makalesi 32966.
- Humlum, A., Vestergaard, E. (2026). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. NBER çalışma makalesi 33777 (Mart 2026’da revize edildi).
- McKinsey & Company (2025). The state of AI: How organizations are rewiring to capture value (Mart 2025); The state of AI in 2025: Agents, innovation, and transformation (Kasım 2025).
- Microsoft (2025). 2025 Work Trend Index: The Year the Frontier Firm Is Born. 23 Nisan 2025.
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.
