TL;DR: On yıl boyunca en yüksek statülü üretkenlik tavsiyesi basitti: uzun, kesintisiz konsantrasyon bloklarını savun, çünkü derin çalışma bilgi ekonomisinin nadir, değerli ve kopyalanması zor becerisidir. Bu, darboğaz üretim olduğunda doğruydu – dört saatlik odak bloğunun raporu yazmanın, modeli kurmanın, kodu göndermenin tek yolu olduğu zaman. Artık aynı şekilde doğru değil, çünkü yapay zeka bu işin çoğunun geçer notluk ilk versiyonunu dakikalar içinde üretiyor. Kıtlık yer değiştirdi. Artık o şeyi yapmak için harcadığın odak saatlerinde değil; neyin yapmaya değer olduğuna, çıktının iyi olup olmadığına ve onu üreten makineyi nasıl yönlendireceğine karar verirken harcadığın yargıda. Derin çalışma bir konsantrasyon kapasitesi olarak ölmedi – o kısım hala önemli. Bir strateji olarak öldü, çünkü ucuzlayan adımı optimize ediyor ve kıtlaşan adımı görmezden geliyor. Yerini alan şey, benim Derin Yönlendirme diyeceğim şey: çerçeveleme, yargı, zevk ve orkestrasyonun yoğunlaştırılmış patlamaları. Bu yazı sana Derin Çalışma vs Derin Yönlendirme yeniden çerçevelemesini, yapay zeka destekli bir günü yapılandırmak için Dört Bilişsel Mod modelini ve onu yürütecek CEO-ve-öğrenci disiplinini veriyor. Bir CEO gibi yönlendir; yargını bir öğrenci gibi keskin tut.
Cal Newport’un 2016’da yayımlanan Deep Work (Derin Çalışma) kitabı, bir üretkenlik kitabı için nadir bir şey başardı: haklıydı ve tam da tavsiyeye ihtiyaç duyulan anda haklıydı. Tanımı kelimesi kelimesine ayakta kaldı – derin çalışma “bilişsel kapasitelerini sınırlarına kadar zorlayan, dikkat dağıtıcılardan arınmış bir konsantrasyon halinde gerçekleştirilen profesyonel faaliyettir.” Yüzeysel çalışma ise, yarı dikkatin dağılmışken yaptığın lojistik, bilişsel olarak zorlamayan işlerdir. Tüm reçete bundan temiz bir şekilde çıktı: yüzeysel çalışma metalaşmış ve ucuzluyor, derin çalışma nadir ve değerleniyor, o halde kariyerini ve takvimini derini koruyup yüzeyseli en aza indirme etrafında kur.
İşte rahatsız edici güncelleme. Newport’un derin ile yüzeysel arasında çizdiği çizgi, zor bilişsel üretim ile kolay lojistik arasında bir çizgiydi. Yapay zeka o çizgiyi yeniden çizdi. Eskiden sağlam biçimde “derin” tarafta duran şeylerin büyük kısmı – taslak yazma, özetleme, ilk geçiş analizi, kalıp kod, yapılandırılmış araştırma – artık bir modelin en hızlı ve en ucuz yaptığı kısım. Eskiden bitmiş bir taslağa giden tek yol olan dört saatlik odak bloğu, artık en iyi ihtimalle, kırk dakikada üretip düzenleyebileceğin taslaktan marjinal olarak daha iyi bir taslak üretiyor. O bloğu hala en kıt, en yüksek kaldıraçlı varlığınmış gibi savunmak, son savaşı vermektir.
Bu, konsantrasyonun modası geçti ya da dikkatinin bildirimler içinde parçalanmasına izin vermelisin argümanı değildir. Konsantrasyonunun nesnesinin değiştiği ve önümüzdeki on yılı kazananların bunu fark edenler olacağı argümanıdır.
Derin çalışmanın doğru bildikleri ve 2026’nın kırdığı şey
Ayakta kalan kısımla başla, çünkü yeniden çerçeveleme ancak onu korursan işe yarıyor.
Newport’un en derin içgörüsü aslında hiçbir zaman “daha çok konsantre ol” değildi. Dikkat dağılmadan odaklanabilme yeteneğinin öğrenilebilir bir beceri olduğu, giderek nadirleştiği ve nadirlik artı değerin kariyerlerin kurulduğu yer olduğuydu. Bunların hepsi hala doğru. Dikkat, kitabı yazdığı zamana göre daha da kıt, hatta. Yirmi yıldır işyeri dikkatini inceleyen University of California Irvine araştırmacısı Gloria Mark, 2008 tarihli çalışması The Cost of Interrupted Work‘te, bir kesintiden sonra göreve geri dönmenin ortalama 23 dakika 15 saniye sürdüğünü buldu. 2023 tarihli Attention Span kitabına gelindiğinde, ekran başındaki ortalama dikkat süresinin 2004’teki yaklaşık 2.5 dakikadan yaklaşık 47 saniyeye düştüğünü bildiriyordu. Newport’un uyardığı dikkati dağınık, parçalanmış çalışan iyileşmedi. Daha da kötüleşti ve araçlar daha çok kesinti yaratır hale geldi.
Yani derin çalışmanın eğittiği kapasite – sürekli, dikkat dağıtıcısız konsantrasyon – gerçek ve hala değerli. Kırılan şey, o kapasiteyi yönelttiği hedef.
2016’da, dört saatlik konsantrasyonu yöneltebileceğin en yüksek değerli şey üretimdi: şeyi yaz, şeyi kur, şeyi analiz et. Darboğaz oradaydı, dolayısıyla kaldıraç oradaydı. 2026’da, üretim çoğu bilgi işi için artık darboğaz değil. Darboğaz yukarıya, yönlendirmeye (ne yapmalıyız ve neden) ve aşağıya, yargıya (bu çıktı doğru, iyi ve kullanmaya güvenli mi) kaydı. Ortadaki – asıl yapma kısmı – yapay zekanın sıkıştırdığı kısım.
World Economic Forum’un Future of Jobs Report 2025 raporu bu kaymaya sayı koyuyor. İşverenlerin %86’sının 2030’a kadar yapay zeka ve bilgi işleme teknolojilerinin işlerini dönüştürmesini beklediğini, çalışanların temel becerilerinin %39’unun o zamana kadar değişeceğini ve – burada en çok önem taşıyan satır – en çok aranan temel becerinin analitik düşünme olduğunu, yaratıcı düşünme, dayanıklılık ve merakın hemen arkasından geldiğini, yapay zeka ve büyük verinin ise tek başına en hızlı büyüyen beceri olduğunu bildiriyor. Bunları birlikte okuyun, mesaj net: piyasa yönlendiren ve yargılayan insan becerilerine (analitik düşünme, yaratıcı düşünme) ve araçları çalıştıracak okuryazarlığa (yapay zeka ve büyük veri) fazladan ödüyor, ve bir modelin artık üstlendiği saf üretim ortasını sessizce yeniden fiyatlandırıyor.
Doğrulanmış zemin
Yeniden çerçevelemeden önce, kanıt tabanı tek yerde, her satır adlandırılmış bir kaynağa izlenebilir biçimde, böylece kontrol edebilirsin.
| Kanıtın söylediği | Ayrıntılar | Kaynak (yıl) |
|---|---|---|
| Derin çalışma, odak altında zor bilişsel üretim olarak tanımlandı | “Bilişsel kapasitelerini sınırlarına kadar zorlayan, dikkat dağıtıcılardan arınmış bir konsantrasyon halinde gerçekleştirilen profesyonel faaliyet” | Cal Newport, Deep Work (2016) |
| Dikkat daha bol değil, daha kıt, dolayısıyla odak becerisi hala önemli | Ekran başındaki ortalama dikkat 2004’teki yaklaşık 2.5 dakikadan yaklaşık 47 saniyeye düştü | Gloria Mark, Attention Span (2023) |
| Kesintiler acımasızca pahalı, blokların parçaları yenmesinin nedeni bu | Bir kesintiden sonra göreve geri dönmek ortalama 23 dakika 15 saniye sürüyor | Gloria Mark, The Cost of Interrupted Work (CHI 2008) |
| İşin kendisi yapay zeka tarafından geniş ölçekte dönüştürülüyor | İşverenlerin %86’sı 2030’a kadar yapay zeka ve bilgi işleme teknolojisinin işlerini dönüştürmesini bekliyor | World Economic Forum, Future of Jobs Report 2025 |
| Piyasa yönlendirme ve yargıyı icranın üzerinde yeniden fiyatlandırıyor | Analitik düşünme en çok aranan temel beceri; yapay zeka ve büyük veri en hızlı büyüyen beceri; temel becerilerin %39’u 2030’a kadar değişiyor | World Economic Forum, Future of Jobs Report 2025 |
| Yönetilen asıl risk yer değiştirilebilirlik | 2030’a kadar işlerin %22’sinde öngörülen çalkalanma: 170 milyon yaratılan, 92 milyon yerinden edilen, net 78 milyon | World Economic Forum, Future of Jobs Report 2025 |
Tek cümle olarak okuyun: odak hala nadir ve değerli, ama iş yer değiştirdi, dolayısıyla kıt odağını yapay zekanın artık yaptığı kısma yöneltmek, konsantrasyonun mükemmel olsa bile stratejik bir hatadır.
Derin Çalışma vs Derin Yönlendirme
İşte ilk özgün araç – derin çalışmanın disiplinini koruyup hedefini değiştiren yan yana bir yeniden çerçeveleme.
Derin Çalışma (2016) vs Derin Yönlendirme (2026) (CEOtudent yeniden çerçevelemesi)
| Boyut | Derin Çalışma (2016) | Derin Yönlendirme (2026) |
|---|---|---|
| Kıt kaynak | Kesintisiz odak saatleri | Karar başına yargı kalitesi |
| Temel faaliyet | Taslağı, modeli ya da kodu kendin üretmek | Problemi çerçevelemek, araçları yönlendirmek, çıktıyı yargılamak |
| Neyi koruduğun | Zamanı kesintiden | Kararları, hesap verebilir olmayan bir makineye dış kaynak olarak verilmekten |
| Çıktı birimi | Elinle yaptığın bitmiş bir eser | Neyin yapılıp gönderileceğine dair doğru, sahiplenilmiş bir karar |
| Ana başarısızlık biçimi | Yüzeysel çalışmanın derin bloğu yemesine izin vermek | Makinenin akıcı ilk taslağının senin düşünülmüş yargın gibi geçmesine izin vermek |
| Yapay zekanın rolü | Çoğunlukla alakasız; bloke edilecek bir dikkat dağıtıcı | Yönlendirdiğin, değerlendirdiğin ve düzelttiğin üretim motoru |
Kritik satır başarısızlık biçimi. Derin çalışmanın düşmanı dikkat dağınıklığıydı – bloğunu çalan Slack bildirimi. Derin Yönlendirme’nin düşmanı teslimiyet – gerçek yargının sürtünmesi olmadan kabul ettiğin pürüzsüz, kendinden emin, makul yapay zeka çıktısı, çünkü onu dikkatlice kontrol etmek başını sallayarak onaylamaktan daha yavaş ve daha zordur. 2016 günahı üretemeyecek kadar dağınık olmaktı. 2026 günahı yönlendiremeyecek kadar pasif olmak. Zıt hissettiriyorlar, ama aynı kökü paylaşıyorlar: kolay olanın değerli olanın yerini almasına izin vermek.
Derin Yönlendirme’nin söylemediği şeye dikkat et. Konsantre olmayı bırak demiyor. İyi yönlendirmek ve iyi yargılamak başlı başına derin, odak isteyen edimlerdir – muhtemelen üretimden daha zordur, çünkü bariz bir bitiş çizgileri ve otomatik tamamlamaları yoktur. Hala kesintisiz 90 dakikalık bloğa ihtiyacın var. Onu sadece bir modelin sana verebileceği ilk taslağı yazmak yerine karar verip değerlendirerek harcıyorsun.
Yapay Zeka Destekli Bir Günün Dört Bilişsel Modu
İkinci özgün araç, yeniden çerçevelemeyi bir takvime dönüştürüyor. Artık yaptığın her bilgi görevi dört bilişsel moddan birine düşüyor ve yapay zeka destekli bir günün tüm oyunu, kıt insan odağını biriktirdiği yere koyup gerisini makineye yönlendirmek.
Dört Bilişsel Mod (CEOtudent çerçevesi, 2026)
| Mod | Ne olduğu | Kimin yapması gerektiği | Neden |
|---|---|---|---|
| 1. Yönlendir | Problemi çerçevelemek, hedefi belirlemek, neyin yapmaya değer olduğuna ve karşılaması gereken standarda karar vermek | Sen, derinlemesine | Makine onu yönelttiğin her ne ise ona doğru optimize eder; yöneltmek kaldıraçtır ve devredilemez |
| 2. Yargıla | Çıktıyı doğruluk, kalite, zevk ve risk açısından değerlendirmek; neyin gönderileceğine karar vermek | Sen, derinlemesine | Akıcı çıktı, doğru çıktı değildir; hesap verebilirlik ve ayırt etme insan hendeğidir |
| 3. Üret | İlk geçiş taslağını, analizi, kodu ya da araştırmayı üretmek | Yapay zeka, sen denetlerken | Ucuzlayan adım bu; kıt odağını buraya harcamak stratejik hatadır |
| 4. Devret | Lojistik, planlama, biçimlendirme, getirme, özetleme – Newport’un eski “yüzeysel çalışma”sı | Yapay zeka, çoğunlukla gözetimsiz | Neredeyse sıfır yargı gerektirir; bu zamanı tamamen geri kazan |
Günün yeniden çerçevelenmesi şu: 2016’da tavsiye “Üret’i en yükseğe çıkar, Devret’i en aza indir”di. 2026’da tavsiye “Yönlendir ve Yargıla’yı en yükseğe çıkar, Üret’i makineye yönlendir ve Devret’i tamamen otomatikleştir.” Derin blokların artık üretmek için değil. Yalnızca hesap verebilir bir insanın sahiplenebileceği iki mod için: neyin yapılacağına karar vermek ve geri gelenin adını koyacak kadar iyi olup olmadığına karar vermek.
Odaklı bir profesyonelin günü için kullanışlı ve bilinçli olarak örnekleyici bir varsayılan dağılım şöyle görünüyor – bunu tartışılacak bir planlama sezgiseli olarak ele al, ölçülmüş bir optimum olarak değil:
- Yönlendir: yaklaşık %25 – yüksek enerjili saatlerinin, hedefi belirleyen yukarı akış düşüncesi. Neredeyse herkes tarafından yetersiz yatırım yapılıyor, çünkü son tarihi yok.
- Yargıla: yaklaşık %35 – en büyük tek derin blok, çünkü yapay zeka çıktısını iyi değerlendirmek artık en yüksek kaldıraçlı edimin ve kötü yapması en kolay olanı.
- Üret: yaklaşık %20, denetleyerek – makinenin üretimini gözden geçirmek, yönlendirmek ve yeniden istem vermek, ayrıca elle yapmanın yönlendirmeyi gerçekten geçtiği nadir görev.
- Devret: yaklaşık %20, geri kazanılmış – eskiden yüzeysel angarya olan, şimdi büyük ölçüde araçlara teslim edilen iş, böylece takvimini yemeyi bırakıyor.
Sayılar mesele değil ve bir bulgu değil; mesele sıralama. Eğer günün hala %70 Üret gibi görünüyorsa – sen, bizzat, uzun odak bloklarında ilk taslaklar üreterek – 2026’nın ekonomisine karşı 2016’nın oyun planını oynuyorsun. Çözüm blokta daha sıkı çalışmak değil. Bloğun ne için olduğunu değiştirmek.
Yakalama: taklit edemeyeceğin yargı
“Sadece yönlendir ve yargıla”da gizlenen bir tuzak var ve bu yazıdaki en önemli uyarı. Anlamadığın şeyi yargılayamazsın ve hiç yapmadığın şeyi yönlendiremezsin. Kıdemli bir mühendisin iyi yapay zeka üretimi kodu kendinden emin çöpten ayırt edebilmesinin nedeni, yıllarca elle kod yazmış olmasıdır. Güçlü bir editörün yapay zekanın ürettiği içi boş paragrafı yakalayabilmesinin nedeni, on yıllık yazma ve yakından okumadır. Derin Yönlendirme becerinin sonu değildir; bir seviye yukarıda uygulanan beceridir.
Derin çalışmanın ölümü işte burada yaygın biçimde yanlış okunuyor. Tembel versiyon şöyle der: “Yapay zeka şeyi yapıyor, o halde şeyi yapmayı asla öğrenmem gerekmiyor.” Bu, istem verebilen ama yargılayamayan bir çalışan üretir – modelin döndürdüğü her ne ise onu gönderen, çünkü ölçebileceği bağımsız bir standardı yoktur. Makineyi yönlendirmiyorlar; çıktısını aklıyorlar ve göremedikleri hataların sorumluluğunu üstleniyorlar. WEF’in 2030’a kadar %22 iş çalkalanması öngördüğü bir dünyada, bu var olan en yer değiştirilebilir profildir, çünkü biraz daha iyi bir istem şablonu onların yerini tamamen alır.
Dolayısıyla Derin Yönlendirme’nin bir giriş ücreti var: makinenin ürettiğini değerlendirecek kadar, alanında gerçek, eli işe değen yetkinlik. En hızlı üretici olarak kalman gerekmiyor – o yarış kaybedildi ve koşmaya değmez. En iyi yargıç olarak kalman gerekiyor, bu da iyinin içeriden nasıl göründüğünü bilecek kadarını elle üretmiş olmayı gerektirir. Zanaatı öğrenmenin derin çalışması her zamankinden daha önemli. Öğrendikten sonra üretimi öğüten derin çalışma ise yapay zekanın emekliye ayırdığı şey.
CEO Hamlesi: işi yönlendir, yargıya sahip çık
Bir CEO kodu yazmaz, sözleşmeyi taslamaz ya da modeli kurmaz. Bir CEO yönü belirler, kaynakları tahsis eder ve çıktının doğru olup olmadığından sorumludur. Yapay zeka destekli bir profesyonelin artık kendi araçlarına karşı aldığı duruş tam da budur – ve bu, Mod 1 ve 2’ye temiz biçimde eşleşir.
- En iyi saatini Üret’e değil, Yönlendir’e harca. Günün en yüksek enerjili bloğu neredeyse herkesin atladığı yukarı akış sorusuna gitmeli: burada gerçekten yapmaya değer olan ne ve standart ne? Yanlış soruya verilen kusursuz uygulanmış bir cevap var olan en pahalı çıktıdır ve yapay zeka yanlış soruyu kusursuz ve anında uygular. Yöneltmek işin kendisi.
- Yargıla’yı derin çalışma olarak ele al, çünkü öyle. Bir yapay zeka taslağını doğruluk, gizli hatalar, zevk ve risk açısından değerlendirmek, onu kendin yazmaktan daha zor ve daha çok odak ister, çünkü çıktı akıcıdır ve inanılmak ister. Ona gerçek, kesintisiz bir blok ver. Göz gezdirip onaylamak yargılamak değildir.
- Yazmadığın çıktıya sahip çık. CEO hamlesi hesap verebilirliktir: gönderdiysen, senindir, ilk taslağı hangi aracın ürettiğine bakılmaksızın. O tek ilke – “Yönlendirdiğim her şeyden ben sorumluyum” – yapay zekanın yönlendiricisini yapay zekanın iletmecisinden ayıran şeydir ve araçlar iyileştiğinde değerli kalan kısımdır.
- Şeyi kurmadan önce bir standart kur. Makinenin versiyonunu görmeden önce “iyi”nin ne anlama geldiğine karar ver, yoksa akıcılığı sessizce senin standardın olur. CEO’lar tam da bu nedenle başarı kriterlerini önceden tanımlar: böylece iş niyete karşı ölçülür, ortaya her ne çıktıysa ona karşı değil.
Öğrenci Hamlesi: yönlendirmene izin veren yargıyı koru
Bu hikayedeki öğrenci isteğe bağlı bir süs değil; öğrenci, CEO’nun makine çıktısının içi boş bir iletmecisine dönüşmesini engelleyen şeydir. Yönlendirme öğrenmeden çürür, çünkü zemin sürekli kayar.
- Güvenilir bir yargıç kalmak için bilinçli olarak elle üretmeye devam et. Elle üretim verimli yol olduğu için değil – artık genellikle değil – ama çıktıyı değerlendirmene izin veren kasın, onu yapmış olmanın kasıdır. Periyodik olarak şeyi kendin yap, yavaşça, iyinin nasıl göründüğüne dair hissini tazelemek için. Bunu yargın üzerinde bir bakım olarak düşün.
- Eski becerinin bir üstündeki katmanı öğren. Eğer harika bir üreticiysen, büyüme kenarı artık çerçeveleme ve değerlendirme – WEF’in en değerli olarak adlandırdığı meta-beceriler. Öğrenci hamlesi “bunu yapabilirim”den “bunun doğru ve göndermeye değer olup olmadığını hızlı ve güvenilir biçimde anlayabilirim”e tırmanmaktır.
- Araçlarda akıcı kal, çünkü araçlar üretim hattı. Yapay zeka ve büyük verinin en hızlı büyüyen beceri olmasının bir nedeni var: anlamadığın bir makineyi yönlendirmek sadece kumar oynamaktır. Öğrenci, araçların neyi yapıp neyi yapamadığına dair güncel kalır, böylece yönlendirme umuda değil gerçeğe dayanır.
- Gerçek, dikkat dağıtıcısız bir günlük dikkat bloğunu savun – ve onu Yönlendir ile Yargıla’ya yönelt. Newport’un disiplini tümüyle ayakta; yalnızca hedefi değişti. Bloğu kesintiden, onun dediği kadar şiddetle koru. Sonra onu bir modelin dakikalar içinde sana verebileceğini üreterek değil, karar verip değerlendirerek harca.
Sentez, tüm tezi tek satırda: derin çalışma, dünyayı elle alt etmenin bir stratejisi olarak öldü ve onu alt akılla aşmanın bir disiplini olarak fazlasıyla canlı. Bir zamanlar şeyi yapmak için harcadığın odak saatleri artık neyin yapmaya değer olduğuna ve makinenin onu iyi yapıp yapmadığına karar vermeye gidiyor. O günü yönlendiren ve kararın sahibi olan bir CEO gibi yürüt ve yargıyı, zanaatı öğrenmeyi hiç bırakmayan bir öğrenci gibi keskin tut – çünkü yargın bayatladığı an, yönlendirmen gereken makine seni yönlendiriyordur.
Sıkça sorulan sorular
Gerçekten konsantrasyonun artık önemli olmadığını mı söylüyorsun?
Tam tersi. Konsantrasyon daha önemli, çünkü artık değeri taşıyan edimler – problemleri çerçevelemek ve yapay zeka çıktısını yargılamak – başlı başına derin, odak isteyen, bitiş çizgisiz işlerdir ve parçalanmış dikkat bunları mahveder. Değişim “konsantre olmayı bırak” değil. “Konsantrasyonunu bir modelin artık dakikalar içinde yaptığı üretime yöneltmeyi bırak ve onu yönlendirme ile yargıya yönelt” değişimidir. Newport’un dikkat dağıtıcısız bir bloğu savunma disiplini olduğu gibi ayakta kalıyor; yalnızca bloğun içindeki hedef değişti.
Bu sadece eski “daha akıllı çalış, daha çok değil” klişesi değil mi?
Hayır, çünkü neyin değiştiğini ve neden değiştiğini adlandırıyor. “Daha akıllı çalış” içeriksiz bir tavsiye. Bu ise belirli bir iddia: bilgi işindeki darboğaz üretimden (artık ucuz) yönlendirme ve yargıya (artık kıt) kaydı, dolayısıyla odağın en yüksek kaldıraçlı kullanımı onunla birlikte kaydı. Yanlışlanabilir – yapay zeka üretimde kötü olsaydı, iddia yanlış olurdu. Üretimde yeterince iyi ki iddia ayakta kalıyor, ki rahatsızlık tam da bu.
Yapay zeka şeyi yapıyorsa, onu yapmayı neden hiç öğrenme zahmetine gireyim ki?
Çünkü anlamadığın şeyi yargılayamazsın. Derin Yönlendirme’nin tüm değeri çıktının güvenilir bir yargıcı olmaya dayanır ve o güvenilirlik, iyinin içeriden nasıl göründüğünü bilecek kadarını elle üretmiş olmaktan gelir. İstem verebilen ama değerlendiremeyen bir kişi makineyi yönlendirmiyor; çıktısını iletiyor ve göremediği hataların suçunu üstleniyor. Zanaatı öğrenmek her zamankinden daha önemli; öğrendikten sonra üretimi öğütmek ise emekliye ayrılan kısım.
Bir Derin Yönlendirme bloğu pratikte gerçekte nasıl görünür?
Çıktının bir eser değil bir karar olduğu, kesintisiz 60 ila 90 dakikalık bir blok. Onu, herhangi bir araca dokunmadan önce gerçek soruyu keskinleştirerek geçirebilirsin (Yönlendir) ya da yapay zekanın ürettiği bir taslağı dikkatlice değerlendirerek – iddiaları kontrol etmek, mantığı stres altına almak, neyin kesileceğine ve neyin gönderileceğine karar vermek (Yargıla). Doğru yaptığının işareti: daha uzun bir belgeyle değil, daha net, sahiplenilmiş bir karar ve bir standartla bitirirsin. Eğer kendin ilk taslağı yazarak bitirdiysen, muhtemelen derin bir bloğu bir makinenin yapabileceği Mod 3 işine harcamışsındır.
Bu, yaratıcı ve zanaat işine de uygulanıyor mu, yoksa yalnızca kurumsal bilgi işine mi?
Yapay zekanın geçer notluk bir ilk versiyon üretebildiği her yerde uygulanıyor ki bu genişleyen bir çember. Savunma her yerde aynı: kıt odağını yukarıya zevke ve niyete (neyin yapmaya değer olduğu, standardın ne olduğu) ve aşağıya ayırt etmeye (bu gerçekten iyi mi) taşı ve sonra sert biçimde yargılayacağın taslağı makinenin halletmesine izin ver. İnsan elinin kendisinin mesele olduğu zanaatlar – icranın çıktı değil değer olduğu yerde – istisnadır ve orada bile neyin yapılacağına dair yargı göreli değerde yükseliyor.
Yapay zeka çıktısını sadece kaşeli onaylamanın tuzağından nasıl kaçınırım?
Makinenin versiyonunu görmeden önce “iyi”nin ne anlama geldiğine karar ver, böylece akıcılığı sessizce senin standardın olamaz. Sonra o standarda karşı, üretmek için harcayacağın odakla yargıla – Mod 2’yi (Yargıla) bir göz gezdirme değil, derin çalışma olarak ele al. Disiplin, karşılığını verdiği o tek adımda – değerlendirme – sürtünmeyi bilinçli olarak geri eklemektir. Akıcı ve kendinden emin, doğru ile aynı şey değildir ve aralarındaki boşluk artık değerinin yaşadığı yer.
Kaynakça
Cal Newport. Deep Work: Rules for Focused Success in a Distracted World (Grand Central Publishing, 2016) – burada alıntılanan derin çalışma tanımının ve bu yazının yapay zeka destekli bir ekonomi için yeniden çerçevelediği derin-yüzeysel ayrımının kaynağı.
Gloria Mark. The Cost of Interrupted Work: More Speed and Stress (Proceedings of CHI 2008, University of California, Irvine) – bir kesintiden sonra göreve geri dönmenin ortalama 23 dakika 15 saniye sürdüğü bulgusu.
Gloria Mark. Attention Span: A Groundbreaking Way to Restore Balance, Happiness and Productivity (Hanover Square Press, 2023) – ekran başındaki ortalama dikkatin 2004’teki yaklaşık 2.5 dakikadan yaklaşık 47 saniyeye düştüğü bulgusu.
World Economic Forum. Future of Jobs Report 2025 (Ocak 2025), 55 ekonomide 1.000’den fazla işverene dayanarak – işverenlerin %86’sının 2030’a kadar yapay zeka ve bilgi işleme teknolojilerinin işlerini dönüştürmesini beklediği, çalışanların temel becerilerinin %39’unun 2030’a kadar değişeceği, analitik düşünmenin en çok aranan temel beceri, yapay zeka ve büyük verinin en hızlı büyüyen beceri olduğu ve öngörülen çalkalanmanın 2030’a kadar işlerin %22’sini etkilediği (170 milyon rol yaratılan, 92 milyon yerinden edilen) bulguları.
Çerçeve rakamları üzerine not: Dört Bilişsel Mod zaman dağılımı (kabaca yaklaşık %25 Yönlendir, %35 Yargıla, %20 Üret, %20 Devret) örnekleyici bir planlama varsayılanıdır, ölçülmüş bir optimum ya da bir araştırma bulgusu değildir. Ayarlanacak bir başlangıç noktası olarak sunuluyor ve öncelik sıralaması belirli yüzdelerden çok daha fazla önem taşıyor.
Editöryel not: Bu yazı CEOtudent’in tümüyle yapay zeka destekli editöryel sürecinin bir parçasıdır. Derin Çalışma vs Derin Yönlendirme yeniden çerçevelemesi ve Dört Bilişsel Mod modeli özgün CEOtudent karar araçlarıdır – yapay zeka destekli bir iş gününü yapılandırmaya yönelik analitik araçlardır, doğrulanmış bilimsel enstrümanlar değil. Destekleyici rakamlar adlandırılmış kamuya açık kaynaklardan alınmıştır (derin çalışma tanımı için Cal Newport’un 2016 kitabı, Gloria Mark’ın yayımlanmış dikkat araştırması ve World Economic Forum’un kamuya açık Future of Jobs Report 2025 raporu) ve Haziran 2026 itibarıyla doğrulanmıştır. Dört Mod zaman dağılımı açıkça örnekleyici bir planlama sezgiselidir, ampirik veri değildir. Bu, yapay zeka çağında iş ve üretkenlik üzerine genel eğitsel bir yorumdur, profesyonel kariyer tavsiyesi değildir.
