Yapay zekâ verimliliği gerçekten artırıyor mu?

Öğrenme çıktıları

• Hatırlama — Emek verimliliğini ve toplam faktör verimliliğini tanımlar, ikisinin neyi ölçtüğünü ayırt eder.
• Anlama — Tek bir görevde ölçülen hızlanmanın neden bütün ekonominin verimliliğine aynı oranda yansımadığını açıklar.
• Analiz — Çağrı merkezi, yazılım ve danışmanlık deneylerinin sonuçlarını, deneyimli ve deneyimsiz çalışanlar arasındaki farka göre çözümler.
• Değerlendirme — Yapay zekânın ekonomi geneline etkisine dair iyimser ve temkinli tahminlerin dayandığı varsayımları tartışır.

Sezgi

Açılış

2025'in ilk aylarında on altı deneyimli yazılımcı ilginç bir deneye katıldı. Her biri yıllardır katkı verdiği, milyonlarca satırlık açık kaynak projelerden gerçek görevler getirdi. Görevlerin bir kısmında yapay zekâ araçlarını kullanmalarına izin verildi, bir kısmında verilmedi; hangisinin hangisi olacağını kura belirledi. Deneyden önce yazılımcılar, araçların işlerini yaklaşık yüzde 24 hızlandıracağını tahmin etti.

Sonuç tersine çıktı. Araç kullanılan görevler yüzde 19 daha uzun sürdü. Daha da şaşırtıcısı, deney bittikten sonra aynı yazılımcılar, yapay zekânın kendilerini yaklaşık yüzde 20 hızlandırdığını düşünüyordu. Ölçülen ile hissedilen arasındaki bu uçurum, bu dosyanın bütün sorusunu tek bir odaya sığdırıyor: yapay zekâ işimizi gerçekten hızlandırıyor mu, yoksa hızlandırdığını mı sanıyoruz?

Hikâye — çağrı merkezindeki yeni çalışan

Aynı soruya bambaşka bir cevap, bir çağrı merkezinden geldi. Büyük bir iş yazılımı şirketinin müşteri destek biriminde binlerce temsilci, küçük işletmelerin teknik sorunlarını yazışarak çözüyordu. Şirket, müşteriye ne yazılabileceğini anlık olarak öneren üretken yapay zekâ destekli bir yardımcıyı temsilcilere aşamalı olarak açtı: bir grup önce, bir grup sonra. Bu kademeli geçiş, araştırmacılara hazır bir karşılaştırma sundu.

Erik Brynjolfsson, Danielle Li ve Lindsey Raymond 5.179 temsilcinin verisini inceledi. Yardımcıya erişen temsilciler saatte çözdükleri sorun sayısını ortalama yüzde 14 artırdı. Ama bu ortalama iki çok farklı hikâyeyi birleştiriyordu. İşe yeni başlamış ve düşük performanslı temsilcilerde artış yüzde 34'e çıkıyordu. En deneyimli ve en becerikli temsilcilerde ise etki neredeyse yoktu.

Araştırmacıların önerdiği açıklama, aracın ne öğrettiğiyle ilgiliydi. Yardımcı, en iyi temsilcilerin yazışmalarından öğrenilmiş kalıpları öneriyordu. Deneyimli bir temsilci bu kalıpları zaten biliyordu. Yeni başlayan biri için ise yardımcı, aylar sürecek bir deneyimi kısaltan bir usta gibi çalışıyordu. Müşteriler de temsilcilere daha nazik yazmaya başladı ve yöneticiyle görüşme talepleri azaldı.

Yazılımcı deneyi ile çağrı merkezi arasındaki fark bir çelişki değil. Birinde yıllarını aynı projeye vermiş uzmanlar vardı; araç onlara bildikleri bir şeyi yeniden anlatıyor, önerilerini denetlemek de zaman alıyordu. Öbüründe işi yeni öğrenen insanlar vardı; araç onlara bilmedikleri şeyi gösteriyordu. Yapay zekânın verimliliğe etkisi kimin, hangi işte, ne kadar deneyimle kullandığına göre değişiyor.

Kavram — bir görev ile bir ekonomi arasındaki mesafe

İktisatta verimlilik, bir girdinin ne kadar çıktı ürettiğidir. En sık kullanılan ölçü emek verimliliğidir: çalışılan saat başına üretim. Bir ülkenin uzun dönemde zenginleşmesinin ana kaynağı, bu sayının yükselmesidir.

Emek verimliliği iki yoldan artabilir. Çalışanlara daha fazla makine, bilgisayar ya da bina verilebilir; ya da aynı işçi ve makineyle daha çok üretmeyi sağlayan bir yenilik yapılabilir. İkinci kaynağa toplam faktör verimliliği denir ve teknolojinin ekonomiye asıl katkısı genellikle orada aranır.

Deneylerin ölçtüğü şey ise bir görevdir: bir müşteri sorununu çözmek, bir metin yazmak, bir hata ayıklamak. Bir görevde yüzde 30'luk hızlanma, ekonominin yüzde 30 daha verimli olacağı anlamına gelmez. Önce, o görevin bütün işler içindeki payı küçüktür. Sonra, zaman kazanılan her görev için bir işletmenin işleyişini değiştirmesi, çalışanı başka bir işe kaydırması ya da daha fazla müşteriye hizmet vermesi gerekir. Kazanç ancak bu değişim olduğunda milli gelir istatistiklerine yansır.

Bu mesafenin tarihte bir adı var. 1987'de iktisatçı Robert Solow bir kitap eleştirisinde, bilgisayar çağının her yerde görüldüğünü ama verimlilik istatistiklerinde görülmediğini yazdı. Bu cümle verimlilik paradoksu olarak anıldı. ABD'de bilgisayara yapılan yatırımın verimliliğe yansıması ancak 1990'ların ikinci yarısında belirginleşti; işletmelerin işleyişlerini yeni araçlara göre yeniden kurması yıllar aldı.

Veri ve kanıt — iyimserler ve temkinliler

Görev düzeyindeki deneyler çoğalıyor ve sonuçları bir örüntü gösteriyor. Shakked Noy ile Whitney Zhang'ın 453 beyaz yakalı çalışanla yaptığı deneyde, ChatGPT'ye erişen katılımcılar yazma görevlerini yaklaşık yüzde 40 daha kısa sürede bitirdi ve metinlerin kalitesi değerlendiricilerin gözünde yaklaşık yüzde 18 arttı. Burada da en büyük kazanç, başlangıçta daha zayıf olan katılımcılardaydı.

Bu görev düzeyindeki bulgulardan ekonomi geneline geçmek, iktisatçıları iki kampa ayırıyor. Daron Acemoglu, görev düzeyindeki tasarrufları yapay zekâdan etkilenebilecek görevlerin payıyla birleştiren bir hesap yaptı. Tahminine göre önümüzdeki on yılda yapay zekânın toplam faktör verimliliğine katkısı yüzde 0,66'yı geçmeyecek; erken deneylerin kolay öğrenilen görevlere dayandığını hesaba katınca bu sayı yüzde 0,53'ün altına iniyor. On yıla yayılmış bu artış, yılda onda birden az bir katkı demek.

İyimser görüş aynı hesabın varsayımlarına itiraz ediyor: yapay zekânın etkileyeceği görevlerin payı daha hızlı büyüyebilir, araçlar her yıl iyileşiyor ve en büyük kazanç, bugün öngörülemeyen yeni ürünlerden ve bilimsel keşfin hızlanmasından gelebilir. İki görüş aynı veriye bakıyor; ayrıldıkları yer, bugünkü deneylerden yarının ekonomisine ne kadar geniş bir köprü kurulabileceği. Bu, şu an veriyle kesin olarak cevaplanabilecek bir soru değil.

Neden önemli? — Türkiye'de benimseme nerede?

Bir teknolojinin verimliliğe katkısı önce kullanılmasına bağlı. TÜİK'in girişimlerde bilişim teknolojileri araştırmasına göre on ve daha fazla çalışanı olan girişimlerde yapay zekâ teknolojilerinden en az birini kullananların oranı 2021'de yüzde 2,7 iken 2025'te yüzde 7,5'e çıktı. Aynı yıl Avrupa Birliği'nde bu oran yüzde 20'ydi.

Büyüklüğe göre dağılım daha çarpıcı: 250 ve üzeri çalışanı olan girişimlerde oran yüzde 24,1'e çıkarken, 10–49 çalışanlı küçük girişimlerde yüzde 6,6'da kalıyor. Türkiye'de istihdamın büyük kısmının küçük ve orta ölçekli işletmelerde olduğu düşünülünce, yapay zekânın verimlilik etkisi büyük ölçüde bu işletmelerin onu ne kadar ve nasıl kullanacağına bağlı olacak.

Çağrı merkezi deneyinin en ilginç bulgusu burada yeniden önem kazanıyor. Araç en çok deneyimsiz çalışana yardım ediyordu. Eğitim düzeyi ve deneyim farklarının büyük olduğu bir ekonomide bu, verimlilik farklarını daraltma imkânı demek. Ama aynı imkân, deneyimin bir işte sağladığı avantajı da küçültüyor. Kazançların kime gideceği, dosyanın sonraki bölümlerinin sorusu.

Özet kartı

1. Kurayla yapılan bir deneyde deneyimli yazılımcılar yapay zekâ araçlarıyla yüzde 19 yavaşladı, ama yüzde 20 hızlandıklarını düşündü; hissedilen verimlilik ölçülenin yerine geçmez.
2. 5.179 çağrı merkezi temsilcisinde üretken yapay zekâ yardımcısı verimliliği ortalama yüzde 14, yeni başlayanlarda yüzde 34 artırdı; deneyimlilerde etki çok küçüktü.
3. Bir görevde ölçülen hızlanma, ekonomi geneline o görevin payı ve kazancın başka üretime dönüşmesi oranında yansır.
4. Acemoglu'nun hesabına göre yapay zekânın on yıllık toplam faktör verimliliği katkısı en fazla yüzde 0,66; iyimserler görev payının ve araçların hızla büyüyeceğini savunuyor.
5. Türkiye'de on ve üzeri çalışanlı girişimlerde yapay zekâ kullanımı 2025'te yüzde 7,5, AB'de yüzde 20; küçük işletmelerde oran daha da düşük.

Kavram sözlüğü

Kendini sına

1. (Çıktı 1) Bir ülkede çalışan başına daha fazla bilgisayar alınması emek verimliliğini artırabilir mi? Bu artış toplam faktör verimliliğinde görünür mü? Neden?
2. (Çıktı 2) Bir şirkette rapor yazma işi toplam çalışma saatinin yüzde 5'ini oluşturuyor ve yapay zekâ bu işi yarı sürede yaptırıyor. Başka hiçbir şey değişmezse şirketin toplam çalışma süresinde en fazla ne kadar tasarruf sağlanır? Bu tasarruf üretimi artırır mı?
3. (Çıktı 3) Çağrı merkezi deneyinde etkinin deneyimsiz temsilcilerde büyük, deneyimlilerde küçük çıkmasının araştırmacıların önerdiği açıklaması nedir?
4. (Çıktı 3) Yazılımcı deneyi ile çağrı merkezi deneyinin sonuçları neden birbirini yalanlamaz? İki deney arasındaki üç farkı say.
5. (Çıktı 4) Acemoglu'nun temkinli tahmini ile iyimser tahminler hangi varsayımda ayrılıyor? Hangisinin haklı çıkacağını anlamak için önümüzdeki yıllarda hangi veriye bakardın?

Cevaplar

1. Evet, çalışana daha fazla sermaye verilmesi emek verimliliğini artırabilir. Ama bu artış, daha fazla sermaye kullanıldığı için olur; toplam faktör verimliliği ise emek ve sermayedeki artışla açıklanamayan kısımdır. Bilgisayarlar yalnızca eklenip işleyiş değişmezse toplam faktör verimliliğinde bir artış görünmeyebilir.
2. Toplam sürenin yüzde 5'i yarıya inerse tasarruf yüzde 2,5'tir. Üretim ancak kazanılan zaman başka bir işe, daha fazla müşteriye ya da yeni bir ürüne ayrılırsa artar; zaman boşta kalırsa ölçülen üretim değişmez.
3. Yardımcı, en iyi temsilcilerin yazışmalarından öğrenilmiş kalıpları öneriyordu. Deneyimli temsilciler bu kalıpları zaten biliyordu; yeni başlayanlar için araç, deneyimi kısaltan bir öğretici gibi çalıştı.
4. Yazılımcılar yıllarca aynı projede çalışmış uzmanlardı, çağrı merkezinde yeni başlayanlar da vardı. Yazılım görevleri karmaşık ve projeye özgüydü, müşteri destek yazışmaları daha tekrarlıydı. Yazılımcı deneyi kısa sürede, az kişiyle ve 2025 başının araçlarıyla yapıldı; çağrı merkezi verisi binlerce temsilciyi aylarca izledi. Etki kişiye, işe ve araca bağlı olduğu için iki sonuç birlikte doğru olabilir.
5. Ayrıldıkları yer, yapay zekâdan etkilenecek görevlerin payının ve görev başına tasarrufun ne kadar hızlı büyüyeceği ile yeni ürünlerden ve bilimsel keşiften ek kazanç gelip gelmeyeceği. İzlenecek veriler: girişimlerde yapay zekâ kullanım oranı, sektörlere göre emek verimliliği ve toplam faktör verimliliği serileri, yapay zekâya yapılan yatırımın büyüklüğü ve yoğun kullanan sektörlerin verimlilik artışının diğerlerinden ayrışıp ayrışmadığı.

İleri okuma

• Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond (2025). «Generative AI at Work». Quarterly Journal of Economics 140(2). Çağrı merkezi deneyinin tam anlatımı.
• Daron Acemoglu (2025). «The Simple Macroeconomics of AI». Economic Policy 40(121). Temkinli makro tahminin yöntemi ve varsayımları.
• Erik Brynjolfsson, Daniel Rock, Chad Syverson (2021). «The Productivity J-Curve: How Intangibles Complement General Purpose Technologies». American Economic Journal: Macroeconomics 13(1). Yeni teknolojilerin verimliliğe neden gecikmeli yansıdığı üzerine.
• METR (2025). «Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity». Deney tasarımı ve sınırlılıkları dahil.
• TÜİK, Girişimlerde Bilişim Teknolojileri Kullanım Araştırması (veriportali.tuik.gov.tr). Türkiye'de yapay zekâ kullanımının yıllık verisi.

Sonraki derse köprü

Çağrı merkezinde yardımcı en çok yeni başlayanın işine yaradı ve deneyimin getirdiği farkı daralttı. Bu, bir işte insanın yerini almak ile insanın elinde bir araç olmak arasındaki ayrımın ilk ipucu. Hangi meslekler yapay zekânın dokunduğu görevlerle dolu, hangilerinde bu görevler işin küçük bir parçası? Bir mesleğin tamamen ortadan kalkması ile içindeki görevlerin değişmesi arasındaki fark, dizinin sıradaki bölümünün konusu.