Kazanç bir yerde, gider başka yerde
Nolan Lovett'in Human Resource Development Review dergisinde yayımlanan makalesi tanıdık bir tabloyu işgücüne taşıyor: giriş seviyesi işleri yapay zekâya devreden şirket, verim kazancının yüzde 100'ünü kendi hanesine yazıyor; aşınan uzmanlığın gideri ise aynı havuzdan işe alan bütün kurumlara dağılıyor. Lovett iki ayrı yol tarif ediyor. Birincisinde kadro doğrudan kapanıyor. İkincisinde kadro duruyor, ama yeni çalışan yapay zekâ yardımıyla yıllar isteyen üretkenliğe erken ulaşıyor ve derin bilgiyi kuran zihinsel çabayı hiç harcamıyor.[1]
Mekanizmanın asıl sonucunu Lovett doğrulama bağı olarak adlandırıyor: modelin makul görünen çıktısındaki alana özgü hatayı görmek, tam da aşınmakta olan uzmanlığı gerektiriyor. Makale yine de ölçüm yerine bir çerçeve sunuyor ve kendi andığı sayılar tek yöne bakmıyor. Federal Reserve Board çalışması ChatGPT'den bu yana programlama işlerindeki büyümenin neredeyse yarıya indiğini buluyor, ama nedensel bağı kanıtlayamıyor; ocak 2026 tarihli bir çalışma düşüşün ChatGPT'den önce başladığını söylüyor. Anthropic'in mart 2026 çalışması ise ölçülebilir genel bir işgücü etkisi bulmuyor, yalnızca yapay zekâya yoğun açık mesleklerde 22 ile 25 yaş arasındaki gençlerde iş bulma oranının yarım puan düştüğünü işaretliyor.[1]
Hızlanma ölçülüyor, işin bileşimi ölçülmüyor
Anthropic'in üç ila altı ayda bir yayımladığı hizalama raporunun yeni sayısı 186 sayfa. Rapor, şirketin Claude Mythos 5'ten daha yetenekli iki modeli olduğunu açıklıyor; ikisinden yetenekli olan Model 2, çalışanlarca yazılım yazmak, eğitim verisi üretmek ve mühendislik işlerini otomatikleştirmek için yoğun kullanılıyor. Şirket kendi modellerinin geliştirme hızını artırdığını tahmin ediyor, bunu bir risk saymıyor ve özyinelemeli kendini iyileştirme için koyduğu ölçütün, ilerleme hızının yapay zekâ öncesi orana göre ikiye katlanmasının, aşılmadığını yazıyor. Aynı raporda modelin bir kurumun sistemlerine müdahale etme riski çok düşük düzeyinden düşük düzeyine çıkarılıyor.[2]
Raporun puanladığı iki başlık yıkıcı zararlar ile modelin kuruma müdahalesi. Hızlanma tahmininin yanında, o hızı üreten işin hangi kadrolara dağıldığına dair bir sayı yok; oysa Lovett'in mekanizmasının sınanabilir hâle gelmesi tam da böyle bir sayıya bağlı. Bir şirketin yazılım işini kendi modeline devretmesi, aynı şirkette o işi yaparak öğrenecek kişinin azalması anlamına da gelebilir. Bu boşluğun sıradan bir açıklaması var: hizalama raporu bir güvenlik belgesi ve kadro bileşimi hem ticari açıdan duyarlı hem de belgenin konusu dışında olabilir. Bu yüzden boşluk gizleme kanıtı sayılmaz; yalnızca en iyi veriye sahip kurumun, sorunun ölçülebilir yüzünü yayımlamadığını gösterir.[2], [1]
Ölçülebilir olan ne?
Makalenin andığı bilişsel gider çalışmaları, işgücü sayılarından daha net bir tablo çiziyor. MIT çalışmasında katılımcıların yüzde 80'inden fazlası, yapay zekâ yardımıyla yazdıkları kendi metinlerini hatırlamakta zorlanmış. Anthropic'in yazılımcılarla yaptığı çalışmada, yapay zekâya erişimi olanlar bilgi sınavında yüzde 17 daha düşük almış; en büyük kayıp modeli salt cevap makinesi gibi kullananlarda görülmüş, açıklama isteyenler ise belirgin biçimde daha iyi öğrenmiş. 666 katılımcılık İsviçre çalışması da yoğun kullanım ile eleştirel düşünme arasında güçlü bir olumsuz ilişki bulmuş. Lovett'in önerileri bu tabloya oturuyor: yapay zekâsız öğrenme ortamları, kademeli geçiş ve meslek örgütlerinin alan yetkinliğini ayrıca belgelendirmesi. Yasak önerisi yok.[1]
Bu köşede beş gün önce, açıklanmış bir mesai süresinin yanında o mesaiyi paylaşan çalışan sayısının bulunmamasını yazmıştım; aynı eksik payda burada da karşımıza çıkıyor. Anthropic raporu üç ila altı ayda bir yayımlıyor, yani bir sonraki sayı şubat 2027 sonuna kadar bekleniyor. İzlenecek işaret açık: hızlanma tahmininin yanına kadro ya da rol bileşimine dair bir sayı konuyor mu? Konursa Lovett'in mekanizması ilk kez tek bir kurumun içinde sınanabilir. Konmazsa hızın kimin işinden çıktığı sorusu, tarafların yalnızca kendi sezgisini savunduğu bir tartışma olarak kalır.[2], [3]