Yapay Zekâ İşleri Yok mu Edecek, Kaliteyi mi Gösterecek?

Ayşe diyelim; isim uydurma ama iş tanıdık. Müşteri destek ekibinde üç yıldır çalışıyor. Son altı aydır da işini biraz farklı yapıyor.

Eskiden her çağrıya neredeyse sıfırdan cevap yazardı. Şimdi yapay zekâ bir öneri getiriyor; Ayşe onu kontrol ediyor, düzeltiyor, gerektiğinde reddediyor. Basit talepler daha hızlı kapanıyor, karmaşık vakalar yine ona geliyor. Müdürü “verimlilik yükseldi” diyor. Ayşe ise “işim değişti ama hâlâ benim işim” diyor.

İkisi de doğru söylüyor. Ama burada kaçırılan kritik nokta şu: bu hikâyenin iyi ya da kötü bitmesini yapay zekânın kendisi belirlemiyor. Modelin üstüne koyduğunuz veri, sürecin tasarımı, kalite kontrolü, müşteri deneyimi hedefi ve en önemlisi yönetimin niyeti belirliyor.

Yapay zekâ ve istihdam tartışması uzun süredir iki uç arasında gidip geliyor. Bir tarafta “her şey otomatikleşecek” diyenler var. Öbür tarafta “abartmayın, bir şey değişmez” rahatlığı. Elimizdeki güncel veriler ikisini de tam doğrulamıyor. Daha gerçekçi tablo şu: işler bir anda yok olmuyor; önce parçalanıyor, sonra yeniden tasarlanıyor. Ve o yeniden tasarım iyi yapılmazsa, proje de insan da zarar görüyor.

Büyük rakamlar ne diyor, ne demiyor

ILO’nun 2025 güncellemesi, dünya genelinde her dört işten birinin üretken yapay zekâ tarafından dönüştürülebileceğini söylüyor. Buradaki kelime önemli: dönüştürülebilir. Silinebilir değil.

IMF’nin çalışması da benzer bir yere işaret ediyor: işlerin yaklaşık yüzde 40’ı yapay zekâdan etkilenecek; ileri ekonomilerde bu oran yüzde 60’a kadar çıkıyor. Dünya Ekonomik Forumu’nun 2025 raporu ise 2030’a kadar 170 milyon yeni iş doğmasını, 92 milyon işin yerinden olmasını ve net 78 milyonluk artış oluşmasını bekliyor.

Bu rakamlar “rahatlayın, sorun yok” demiyor. Tam tersine, dönüşümün eşit dağılmayacağını söylüyor. Bazı insanlar için yeni fırsat, bazıları için iş kaybı, çoğunluk içinse aynı unvan altında bambaşka bir günlük iş düzeni ortaya çıkacak.

ILO’nun bence en önemli ama en az konuşulan bulgusu da burada: analize göre küresel istihdamın yaklaşık yüzde 3,3’ü en yüksek üretken yapay zekâ maruziyeti kategorisine giriyor. Bu yüzden meseleyi “işler tamamen yok olacak” diye değil, “işlerin içeriği ve görev dağılımı değişecek” diye okumak daha doğru. Bu rakamı “yapay zekâ işimizi elimizden alacak” manşetlerinin yanına koyunca tartışmanın ne kadar fazla sadeleştirildiği görülüyor.

Küresel istihdamın yaklaşık yüzde 3,3’ü en yüksek üretken yapay zekâ maruziyeti kategorisinde. — ILO, Generative AI and Jobs: A 2025 Update

Saha verisi: hız var, ama her zaman değer yok

Makro raporlar yönü gösterir; ama işin gerçeği sahada belli olur. Buradaki bulgular daha ilginç.

Brynjolfsson, Li ve Raymond’un müşteri destek ekipleri üzerinde yaptığı NBER çalışmasında, yapay zekâ desteği ortalama üretkenliği yüzde 14 artırıyor. Daha dikkat çekici olan ise şu: deneyimi düşük çalışanlarda artış yüzde 34’e çıkıyor. Noy ve Zhang’ın Science’ta yayımlanan deneyinde, profesyonel yazı görevlerinde süre yüzde 40 kısalıyor, kalite yüzde 18 artıyor. GitHub Copilot araştırmasında da geliştiricilerin belirli görevleri yüzde 55 daha hızlı tamamladığı görülüyor.

Buraya kadar tablo olumlu. Yapay zekâ, özellikle deneyimsiz çalışanı yukarı çekebiliyor; kıdemli çalışanın bilgi kalıplarını bir tür ortak üretim alanına taşıyabiliyor. Bu çok değerli.

Ama aynı anda başka bir tablo daha var. Yapay zekâ projelerinin önemli bir kısmı pilot aşamasından üretime geçemiyor ya da geçtiğinde beklenen etkiyi yaratmıyor. Serinin ikinci yazısında da değindiğim gibi, MIT NANDA’ya atfedilen 2025 tarihli The GenAI Divide çalışması, 30-40 milyar dolarlık kurumsal üretken yapay zekâ yatırımına rağmen pilotların büyük kısmının pilotta kaldığını ya da ölçülebilir kâr-zarar etkisine dönüşemediğini buldu. Bu, “yapay zekâ çalışmıyor” demek değil; kötü veriye, belirsiz süreç sahipliğine ve zayıf değer ölçümüne dair bir uyarı. Gartner da 2026’da, üretken yapay zekâ projelerinin en az yarısının kavram kanıtı sonrasında terk edildiğini; nedenler arasında zayıf veri kalitesi, yetersiz risk kontrolleri, artan maliyetler ve belirsiz iş değerinin öne çıktığını yazıyor.

Bu noktada eski ama hâlâ çok doğru bir prensip geri dönüyor: çöp girerse çöp çıkar (garbage in, garbage out). Yani sisteme kirli, tutarsız, eksik ya da bağlamı zayıf veri verirseniz, en iyi model bile size şık cümleler kuran kötü sonuçlar üretir.

Bence 2026 itibarıyla yapay zekâ projelerinde asıl ayrım model seçimi değil; veri ve süreç olgunluğu. Demo ortamında çalışan şeyin üretimde tökezlemesinin nedeni çoğu zaman modelin “akılsız” olması değil. Müşteri verisi dağınık, ürün hiyerarşisi tutarsız, süreç sahibi belirsiz, başarı metriği muğlak, insan onayı tasarlanmamış oluyor. Sonra buna yapay zekâ deniyor ve mucize bekleniyor.

Model mucize üretmez. Var olan sürecinizi büyütür. Süreç iyiyse hızlandırır; süreç kötüyse hatayı ölçekler.

Klarna örneği: geri dönüş değil, ayar değişikliği

Bu yüzden Klarna örneğini daha dikkatli okumak gerekiyor. Çünkü hikâye ilk bakışta çok cazip: “Klarna yapay zekâyla insanları azalttı, sonra pişman olup tekrar insan işe almaya başladı.” Bu cümle tamamen yanlış değil ama eksik.

Klarna, 2024 başında yapay zekâ asistanının müşteri hizmetleri sohbetlerinin yaklaşık üçte ikisini karşıladığını ve 700 tam zamanlı çalışanın iş yüküne denk geldiğini duyurdu. 2024’te Reuters’a yansıyan açıklamalarda şirketin işe alımı yavaşlattığı, doğal ayrılmalarla küçüldüğü ve yapay zekâ sayesinde çözüm sürelerini ciddi biçimde düşürdüğü anlatılıyordu.

Sonra 2025’te ton değişti. Bloomberg ve TechCrunch’ın aktardığı açıklamalarda CEO Sebastian Siemiatkowski, maliyet düşürmeye fazla odaklandıklarını, müşteri hizmetlerinde kalite boyutunu hafife aldıklarını ve müşterinin gerektiğinde gerçek bir insana ulaşabilmesi gerektiğini söyledi. Şirket, insan destek tarafını yeniden güçlendirmeye başladı; fakat bunu eski modele bire bir dönüş olarak değil, daha esnek ve uzaktan çalışmaya uygun yeni bir yapı olarak kurguladı.

Buradaki kritik ders şu: Klarna “yapay zekâ çalışmadı” demedi. Tam tersine, 2025 SEC dosyalarında yapay zekâ asistanının müşteri hizmetleri sohbetlerinin büyük kısmını taşımaya devam ettiği, ciddi maliyet tasarrufu sağladığı ve şirket içinde yaygın kullanıldığı anlatılıyor. Yani geri dönüş teknolojiden vazgeçme değil; kalite, güven ve insan teması gerektiren noktaların yeniden tasarlanması.

Bana göre Klarna’yı ilginç yapan şey de tam bu. Yapay zekâ hacmi taşıyor; insan ise güveni. Basit, tekrarlı, ölçülebilir talepler makineye kayıyor. İstisna, itiraz, dolandırıcılık, memnuniyetsizlik ve duygusal gerilim içeren anlarda insan yeniden merkeze geliyor.

Bu tablo, iş gücü tartışmasında bize daha olgun bir cümle kurduruyor: yapay zekâ bazı işleri azaltabilir; bazı işlerin kalitesini yükseltebilir; bazı noktalarda ise insanın değerini daha görünür hâle getirir. Hangisinin olacağı, başta verilen tasarım kararına bağlı.

Üç şirket, üç tercih, üç sonuç

Klarna’nın yanında iki örnek daha öğretici.

Verizon, Google tabanlı iç asistanla müşteri hizmetleri tarafında çağrı sürelerini düşürdü. Reuters’ın aktardığına göre şirket, 28 bin kişilik hizmet ekibini küçültmek yerine onları daha fazla satış fırsatına yönlendirdi ve satışlarda yaklaşık yüzde 40 artış gördü. Burada yapay zekâ, kadro azaltmanın değil gelir artırmanın aracı oldu.

Lyft ise Anthropic iş birliğiyle müşteri destek tarafında ortalama çözüm süresini ciddi biçimde azalttığını açıkladı. Ama güvenlik ve dolandırıcılık gibi hassas alanlarda insanın kalacağını özellikle vurguladı. Yani verimliliği artırırken insan çizgisini nerede koruyacağını baştan tarif etti.

Bu üç örnek yan yana konduğunda mesele netleşiyor. Aynı teknolojiyle maliyet kesebilirsiniz, gelir büyütebilirsiniz ya da hizmet kalitesini yeniden tasarlayabilirsiniz. Yapay zekâ burada otomatik bir kader değil; yönetim tercihlerini hızlandıran bir kaldıraç.

Kaldıracı nereye dayadığınız önemli. Yanlış yere dayarsanız, daha hızlı büyümezsiniz; daha hızlı kırılırsınız.

İş önce parçalanıyor, sonra değişiyor

Gözden kaçan incelik şu: yapay zekâ işleri çoğu zaman rol düzeyinde değil, görev düzeyinde dönüştürüyor. Bir pazarlama yöneticisinin işi strateji, içerik, analiz, raporlama ve koordinasyon karışımıysa, yapay zekâ önce içerik ve raporlamayı hızlandırıyor. Unvan aynı kalıyor ama işin dokusu değişiyor.

Küresel istihdamın yalnızca yüzde 3,3’ünün en yüksek maruziyet kategorisinde olduğu bir tabloda “hangi meslek bitecek?” sorusu fazla kaba kalıyor. Daha doğru soru şu: bu rolün içindeki hangi görevler otomatikleşir, hangileri yapay zekâ ile güçlenir, hangileri insanda kalmak zorunda?

Cevap her zaman teknik değil. Örneğin standart rapor taslağını yapay zekâ yazabilir; ama raporun hangi bağlamda okunacağını, hangi politik hassasiyete dokunacağını, hangi müşteriye nasıl anlatılması gerektiğini hâlâ insan bilir. Müşteri destek botu iade prosedürünü açıklayabilir; ama öfkeli müşterinin aslında prosedür değil güven aradığını insan daha iyi yakalar.

Burada “çöp girerse çöp çıkar” prensibi iş gücü tasarımı için de geçerli. Rol tanımınız bulanıksa, süreç sahibiniz belirsizse, veriniz kirliyse, başarı metriğiniz sadece “kaç dakika kazandık?” ise yapay zekâ size iyi bir dönüşüm değil, pahalı bir illüzyon üretir.

Junior roller için asıl risk

Bir de giriş seviyesi roller meselesi var. Bence en kritik risk burada.

Rutin yazı, temel analiz, standart müşteri yanıtı, basit kod parçaları, dokümantasyon hazırlama gibi görevler junior rollerin öğrenme alanıydı. Şimdi bu görevlerin bir kısmı yapay zekâ ile çok hızlı yapılabiliyor. Kısa vadede yönetici için cazip: “Bu işi artık yapay zekâ yapıyor, junior almayalım.”

Ama bu kararın beş yıl sonraki bedeli ağır olabilir. Çünkü junior rolü silerseniz, senior yetiştirme hattını da zayıflatırsınız. Üstelik saha verisi de bu kararla çelişiyor: NBER çalışmasındaki en büyük üretkenlik sıçraması, yüzde 34 ile tam da deneyimi düşük çalışanlarda ölçülmüştü. Stanford HAI’nin 2026 AI Index’i, ABD’de 22-25 yaş arası yazılım geliştirici istihdamının 2024’ten bu yana yaklaşık yüzde 20 düştüğünü aktarıyor. Bu veri tek başına tüm dünyayı açıklamaz ama önemli bir uyarı işareti.

Bence doğru çözüm, o yüzde 20’lik düşüşü kader gibi okuyup junior rolü ortadan kaldırmak değil; rolü yeniden tasarlamak. Junior çalışan artık sadece “basit işi yapan kişi” olmamalı. Yapay zekâ çıktısını kontrol eden, veri kalitesini sorgulayan, test senaryosu yazan, domain bilgisini öğrenen ve kararın nedenini anlayan kişi olmalı.

Yani junior’ın öğrenme yolu değişiyor. Ama bu yol tamamen kapanırsa, birkaç yıl sonra herkes “neden iyi senior bulamıyoruz?” diye şikâyet eder.

Türkiye için asıl soru

Türkiye tarafında TÜİK’in 2025 yapay zekâ istatistikleri önemli bir işaret veriyor. Bireylerde üretken yapay zekâ kullanımı yüzde 19,2; 16-24 yaş grubunda yüzde 39,4; 25-34 yaş grubunda yüzde 30. Girişimlerde yapay zekâ kullanım oranı ise yüzde 7,5.

Bu makasın anlamı basit: iş piyasasına giren kuşak, yapay zekâyı ek beceri gibi değil, doğal çalışma biçimi gibi görüyor. Kurumlar ise hâlâ politika, veri hazırlığı, süreç sahipliği ve ölçümleme tarafında geriden geliyor.

Bu nedenle Türkiye için asıl soru “hangi işler risk altında?” değil. Asıl soru şu: kurumlar bu yeni çalışma biçimini veri kalitesi, yönetişim ve insan gelişimiyle birlikte tasarlayabilecek mi?

Tasarlayamazsa iki şey olacak. Birincisi, çalışanlar kendi araçlarını kullanmaya devam edecek ve gölge yapay zekâ büyüyecek. İkincisi, kurum içinde güzel görünen ama üretimde değer üretmeyen pilotlar çoğalacak. Yani hem veri riski büyüyecek hem de “yapay zekâyı denedik, olmadı” yorgunluğu oluşacak.

Kapanış: model değil, işletme olgunluğu

Bu seriye tek bir soruyla başlamıştım: yapay zekâ kurumlara yalnızca hız mı veriyor, yoksa kim olduklarını da yeniden mi tanımlıyor?

Dört yazının sonunda cevabım daha net. Etik, kontrol mimarisinin ta kendisi. Tedarikte asıl mesele geri döndürülebilirlik. Veri güvenliği, çalışan davranışı ve araç seçimiyle birlikte düşünülmesi gereken bir tasarım konusu. İş gücü ise sadece otomasyon tartışması değil; veri kalitesi, süreç olgunluğu, müşteri deneyimi ve insan gelişimi tartışması.

Klarna örneği bunu iyi gösteriyor. Yapay zekâ hacmi taşıdı ama insan temasının değerini sıfırlayamadı. Gartner ve MIT’nin bulguları başka bir şeyi gösteriyor: kötü veri, belirsiz hedef ve zayıf yönetişimle kurulan yapay zekâ projeleri, güçlü modellerle bile kalıcı değer üretemiyor.

O yüzden benim bu yazıdaki cümlem şu olurdu: yapay zekâ kötü süreci düzeltmez; kötü süreci daha hızlı görünür hâle getirir.

Ayşe’nin işinin beş yıl sonra neye benzeyeceğine tek başına yapay zekâ karar vermeyecek. Çalıştığı şirketin nasıl bir veri düzeni kurduğu, kaliteyi nasıl ölçtüğü, insanı nerede konumlandırdığı ve verimlilik kazancını nasıl dağıttığı karar verecek.

Gelecekteki rekabet, en çok yapay zekâ kullanan şirketler arasında değil; yapay zekâ, veri ve insanı birlikte en iyi tasarlayan şirketler arasında yaşanacak. Gerisi detay.