İş Sağlığı ve Güvenliğinde Yapay Zeka ve Ortaya Çıkan Riskler

Xavier Baraza  / Joan Torrent-Sellens

Ansiklopedi 2026 , 6 (1), 25; https://doi.org/10.3390/encyclopedia6010025

Gönderim tarihi: 1 Aralık 2025 / Güncellenme tarihi: 9 Ocak 2026 / Kabul tarihi: 15 Ocak 2026 / Yayınlanma tarihi: 19 Ocak 2026

Tanım

Yapay zekâ (YZ), verileri yorumlayabilen, çıkarımlar üretebilen ve kararları yönlendirebilen, böylece iş ve organizasyonel süreçlerin temellerini yeniden şekillendiren otonom veya yarı otonom sistemleri ifade eder. Üretken ortamlara hızlı entegrasyonu, insan-makine etkileşimi, algoritmik karar verme ve değişen sosyoteknik koşullardan kaynaklanan yeni veya gelişen tehlikeler olarak anlaşılan ortaya çıkan risklere yol açmaktadır. İş sağlığı ve güvenliği (İSG) kapsamında , bu riskler yeni bilişsel, psikososyal, organizasyonel ve etik zorlukları kapsamakta olup, teknolojik yeniliği insan refahı, şeffaflık ve sorumlu yönetişimle uyumlu hale getiren önleyici çerçeveler geliştirme gerekliliğini ortaya koymaktadır.

Giriş

“Yapay zekâ” (YZ) kavramı 1955 yılında John McCarthy tarafından ortaya atılmıştır [ 1 ]. O zamandan beri bu terim, makinelerin akıl yürütme, öğrenme ve problem çözme gibi insan bilişsel süreçlerini taklit etme yeteneğini ifade etmektedir. YZ, dil anlama, görsel veya işitsel örüntü tanıma, karmaşık karar verme ve dil çevirisi de dahil olmak üzere, daha önce insan zekâsına bağlı olan görevleri sistemlerin gerçekleştirmesini sağlayan algoritmalar ve hesaplama modellerine dayanmaktadır [ 2 ].

Yapay zekâ, tanımı uluslararası kuruluşlar arasında tartışılan dinamik bir kavramdır. Ekonomik İşbirliği ve Kalkınma Örgütü (OECD) [ 3 ] ve Avrupa Birliği, Yapay Zekâ Yasası’nda [ 4 ] yapay zekâyı “çeşitli özerklik seviyelerinde çalışabilen ve konuşlandırma sonrası uyarlanabilirlik sergileyen, açık veya örtük amaçlarla girdi verilerinden çıkarımlar yaparak fiziksel veya sanal ortamları etkileyebilecek tahminler, içerik, öneriler veya kararlar gibi çıktılar üreten makine tabanlı bir sistem” olarak tanımlamakta hemfikirdir. UNESCO, veri, donanım ve bağlantı üzerine kurulu sistemlerin makinelerin algılama, problem çözme, dilsel etkileşim ve yaratıcılık gibi insan yeteneklerini taklit etmesini sağladığını belirterek yapay zekânın işlevsel doğasını vurgulamaktadır [ 5 ]. Tablo 1’de özetlenen bu tanımlar, ilgili nüansları ortaya koymaktadır: OECD ve Avrupa Birliği özerklik, uyarlanabilirlik ve girdi-çıktı ilişkilerini vurgularken, UNESCO taklit kapasitelerini ve teknolojik kaynakların kurucu rolünü vurgulamaktadır.

Tablo 1. Önde gelen uluslararası kuruluş ve kurumlara göre yapay zekânın tanımları.

 

Ekonomik ve iş perspektifinden bakıldığında, yapay zekâ teknolojik bir yenilik süreci olarak anlaşılabilir [ 6 ]. Ekonomik faaliyete uygulandığında insan bilişsel kapasitelerini taklit eden ve geliştirebilen veya yerini alabilen dijital eserler oluşturmak için kullanılan sosyal bilgi birikimini ifade eder [ 7 ]. Bu teknikler, yapay zekânın tahmin yoluyla değer üretme yeteneğine dayanır. Tahmine dayalı yapay zekâ (PAI), olayları yorumlamak ve tahmin etmek, kararları desteklemek veya otomatikleştirmek ve kontrollü bağlamlarda eylemleri yürütmek için tasarlanmış hesaplama sistemlerini ve makine ve derin öğrenme algoritmalarını kapsar. PAI, daha üst düzey bir teknoloji, radikal yeniliğin itici gücü ve genel amaçlı bir teknolojidir [ 8 ]. Ayrıca teknolojik yakınsamayı, türev yenilikleri, ekonomik varlıklarla, özellikle maddi olmayan varlıklar ve insan sermayesiyle tamamlayıcılığı, yeni iş modellerini, verimlilik ve istihdam kazanımlarını ve uzun vadeli bir ekonomik döngüyü teşvik eder [ 9 ].

ChatGPT ve Gemini gibi devrim niteliğindeki “katil uygulamalar” ile üretken yapay zekanın (GAI) hızla ortaya çıkışı, çeşitli kritik dönüm noktalarında, yani kademeli teknolojik gelişmelerin işin nasıl organize edildiğinde büyük değişikliklere yol açtığı ve risklerin ortaya çıktığı anlarda, yeni ve açıkça yıkıcı bir dönüm noktası yaratmıştır; bu da iş sağlığı ve güvenliği için yeni yörüngeler oluşturmaktadır [ 10 ]. GAI aynı zamanda genel amaçlı bir teknolojidir ve önemli yeni bir değeri genişletmektedir: yaratma değeri [ 11 ]. Dijitalleştirilmiş eserler üreten transformatör tabanlı makine ve derin öğrenme algoritmaları tarafından yönlendirilen bu değer, yapay zekanın performansını artırır ve üretimi [ 12 ] ve işi [ 13 , 14 ] derinden dönüştürür. Bağlantıcı yapay zekadaki ilerleme burada durmayacak: gelecekteki algoritmik nesiller, daha fazla ajan, daha fazla güç ve öğrenme, çoğaltma ve kaynak edinme için gelişmiş kapasitelerle çok daha gelişmiş sistemler üretecektir [ 15 ].

Dönüştürücü Yapay Zeka (TAI), bağımsız ve özerk ajanlar olarak faaliyet gösteren, hedeflerini takip eden ve performansları ekonomi, iş ve toplum için hayati önem taşıyan birçok görev de dahil olmak üzere geniş bir yelpazedeki görevlerde insan emeğinin performansını çok aşan son derece yetenekli sistemleri ifade eder [ 16 , 17 ]. TAI ile ilişkilendirilen değer, dönüşüm değeridir.

Yetenekleri genişledikçe, tahmine dayalı, üretken ve dönüştürücü yapay zekâlar giderek artan sayıda insan becerisini taklit ederek, rutin olmayan bilişsel işlerin yerini alma potansiyellerini hızlandırıyor. Teknik olarak, fikir üretebilen, yenilikler yaratabilen ve ekonomik büyümeyi insan emeğinden ayırabilen TAI’nin ortaya çıkışı önümüzdeki on yıllarda gerçekleşebilir [ 18 ]. Bu tür TAI varoluşsal bir risk oluşturmaktadır: tahmin, yaratım ve dönüşümdeki üstünlüğü, özellikle iş olmak üzere birçok sosyal alanda insanları gereksiz hale getirebilecek ekonomik bir avantaj sağlayacaktır [ 19 ]. Bu, yapay zekâyı insan ilerlemesinden uzaklaştırarak, PAI ve GAI ile zaten gözlemlenen otomasyon zorluklarını, yetersiz kontrolü, kutuplaşmayı ve eşitsizliği daha da kötüleştirecektir. Bununla birlikte, TAI insan ve örgütsel refaha yönelik olarak hizalanır ve yönlendirilirse, üretkenliği, ekonomik genişlemeyi, sosyal refahı ve çevre korumasını artırma kapasitesiyle yeni bir büyüme ve sosyal refah çağı yaratabilir [ 20 ].

İş sağlığı ve güvenliği risklerinin önlenmesinde, bu kavramsal farklılıklar yalnızca anlamsal değil, önemli pratik sonuçlar doğurmaktadır. Özerklik ve uyarlanabilirlik, devreye alındıktan sonra tam olarak tahmin edilemeyen şekillerde davranabilen sistemlerden kaynaklanan riskleri öngörmeyi mümkün kılar ve denetim ve kontrol konusunda belirsizlik yaratır [ 21 , 22 ]. Açık veya örtük hedeflere yapılan atıf, sorumluluk tahsisi ve başarısızlık yönetimi hakkında sorular ortaya çıkarır [ 23 ] ve doğrudan örgütsel önleme kültürünü etkiler. Fiziksel ve sanal ortamlar arasındaki ayrım, ortaya çıkan risklerin gözetim, otomatik karar verme ve çalışanların verilerinin yönetimi gibi dijital boyutları da içerdiğini göstermektedir [ 24 ]. UNESCO’nun taklitçi insan kapasitelerine odaklanması, insan-makine etkileşimi, bilişsel işlevlerin potansiyel ikamesi ve iş organizasyonundaki ilgili gerilimlerle ilgili psikososyal ve etik riskleri ortaya koymaktadır [ 1 ]. Genel olarak, bu bakış açıları, yapay zekayı ve boyutlarını tanımlamanın yalnızca kavramsal bir görev değil, işyeri ortamlarında ortaya çıkan riskleri belirlemek ve yönetmek için gerekli bir ilk adım olduğunu göstermektedir.

İşyerinde yapay zeka, mesleki risk önleme konusunda fırsatları ve zorlukları birleştiren ikili bir rol oynar. Olumlu bir bakış açısıyla, işbirlikçi robotlar, dronlar veya akıllı izleme sistemleri aracılığıyla işçilerin tehlikeli ortamlara maruz kalmasını azaltabilir [ 25 ]. Yapay zeka ayrıca ergonomik iş istasyonu tasarımını geliştirir, fiziksel aşırı yüklenmeleri öngörür ve kaza modellerini oluşmadan önce belirleyebilen tahmine dayalı modeller aracılığıyla önleyici yönetimi güçlendirir [ 21 , 22 ]. Dahası, içeriği işçi özelliklerine göre uyarlayarak daha kişiselleştirilmiş önleyici eğitime olanak tanır ve böylece iş sağlığı ve güvenliği eğitiminin etkinliğini artırır [ 22 ].

Ancak, bu avantajların yanı sıra, önleyici planlamada dikkate alınması gereken yeni risk kategorileri ortaya çıkmaktadır. Gözetim algoritmaları, aşırı kontrol algısıyla bağlantılı psikososyal gerilimler yaratabilir ve bu da duygusal refahı ve örgütsel güveni etkileyebilir [ 1 , 23 ]. Dijitalleştirilmiş ortamlarda insan-makine etkileşimi, ek bilişsel yüke, otomatik önerilerin yanlış yorumlanmasına veya teknolojik sistemlere aşırı bağımlılığa yol açabilir [ 26 ]. Algoritmik şeffaflık, otomatik karar verme süreçlerindeki önyargılar ve başarısızlık durumunda sorumluluğun dağılımı ile ilgili etik ve yasal ikilemler de ortaya çıkmaktadır [ 24 ]. Bu sorunlar, beceri kutuplaşması ve iş yeniden yapılanması da dahil olmak üzere, yapay zekanın istihdam üzerindeki daha geniş etkisine katkıda bulunur ve bu da doğrudan işçilerin güvenlik ve sağlık koşullarını etkiler [ 2 ].

Bu zorlukların somut örnekleri pratikte zaten gözlemlenebilmektedir. Büyük ölçekli depo ve lojistik operasyonlarında, görev dağılımı ve performans izleme için algoritmik yönetim sistemlerinin kullanımı, iş yoğunluğunun artması, özerkliğin azalması ve kas-iskelet sistemi ile psikososyal risklerin artmasıyla ilişkilendirilmiştir. Benzer sorunlar, yapay zeka destekli planlama ve izleme sistemlerinin, çeşitli ulusal bağlamlarda sürücüler arasında zaman baskısı, yorgunluk ve artan güvenlik risklerine katkıda bulunduğu karayolu taşımacılığı ve teslimat sektörlerinde de bildirilmiştir.

Bu bağlamda, yapay zeka ile ortaya çıkan riskler arasındaki bağlantı, mesleki risk önleme çalışmalarını stratejik bir konuma yerleştirmektedir. Teknolojinin işyeri ortamlarına getirdiği hem faydaları hem de tehditleri öngörmesi gerekmektedir [ 27 ]. Bu, yalnızca teknik boyutu değil, aynı zamanda dijital dönüşümün örgütsel, psikososyal ve etik yönlerini de entegre eden uyarlanabilir düzenleyici çerçeveler, yenilikçi değerlendirme metodolojileri ve müdahale stratejileri geliştirmeyi gerektirir.

Bu yazının amacı, yapay zekâ ile işyeri ortamlarındaki ortaya çıkan riskler arasındaki kesişim noktasına önleyici bir bakış açısı sunmaktır. Bu yazıda, önleyici bakış açısı, teknolojik yeniliğin otomatik olarak zararı azaltacağı varsayımından ziyade, yapay zekâ benimsenmesiyle ilişkili potansiyel risklerin erken tanımlanmasını, öngörülmesini ve azaltılmasını açıkça önceliklendiren bir yaklaşımı ifade eder. Bu bakış açısı, yapay zekâ sistemlerinin yaşam döngüsü boyunca yönetişim, insan gözetimi ve ihtiyatlı tasarım seçimlerine duyulan ihtiyacı vurgular. Sadece teknolojik yeniliğe veya yapay zekânın ekonomik potansiyeline odaklanan yaklaşımların ötesinde, bu analiz iş sağlığı ve güvenliği üzerindeki etkilerine odaklanmaktadır. İş risk önleme (ORP), iş yerinde akıllı sistemlerin benimsenmesinden kaynaklanan belirsizlikleri öngörebilen, yorumlayabilen ve yönetebilen bir çerçeve olarak sunulmaktadır [ 21 , 23 , 24 ]. Bu bakış açısı, azaltılmış fiziksel maruziyet, ergonomik iyileştirmeler ve erken olay tespiti gibi faydaları belirlemeye yardımcı olurken, aynı zamanda algoritmik şeffaflık ve sorumluluk tahsisiyle ilgili teknostres ve etik ikilemler de dahil olmak üzere ortaya çıkan tehditleri ele almaktadır [ 1 , 23 ].

Bu giriş, hem akademik topluluk hem de önleme uzmanları için, doğrudan insan gözleminden ziyade veri entegrasyonu, modelleme ve algoritmik çıkarımdan türetilen dijital olarak üretilmiş bir bilgi kaynağı olarak anlaşılan sentetik bir kaynak sağlamayı amaçlamaktadır; işyerinde yapay zeka ile ilişkili fırsatlar ve risklere ilişkin güncel bir genel bakış sunmaktadır. Ayrıca, önemli sosyal sonuçları olan hızlı teknolojik değişimi ele alabilecek daha esnek düzenleyici çerçevelere, yenilikçi değerlendirme metodolojilerine ve proaktif önleyici stratejilere duyulan ihtiyaç konusunda disiplinlerarası bir tartışmayı teşvik etmeyi amaçlamaktadır [ 26 ]. Sonuç olarak, teknolojik gelişmelerin işçilerin sağlığı, güvenliği ve refahında gerçek iyileştirmelere dönüşmesini sağlayarak, yapay zekanın iş ortamlarına güvenli, etik ve sürdürülebilir bir şekilde entegrasyonunu desteklemeyi hedeflemektedir [ 24 , 25 , 26 ].

2. İş Yerinde Yapay Zeka.

2.1. Yapay Zekanın İşgücü Bağlamındaki Güncel Uygulamaları

İşyerinde, yapay zeka giderek birden fazla sürece entegre olarak işin nasıl organize edildiğini ve gerçekleştirildiğini yeniden şekillendiriyor [ 28 ]. En yaygın uygulamalarından biri, akıllı sistemlerin tekrarlayan veya yüksek hassasiyet gerektiren faaliyetleri devralarak verimliliği artırdığı ve insan hatasını azalttığı endüstriyel ve hizmet sektörlerinde görev otomasyonudur [ 29 , 30 ]. Bu , yapay zekanın rutin işlevleri üstlendiği ve çalışanların daha yüksek katma değerli görevlere odaklanmasını sağladığı montaj hatlarında, lojistik operasyonlarında ve chatbotlar aracılığıyla müşteri hizmetlerinde açıkça görülmektedir [ 31 , 30 , 32 , 33 ].

Yapay zekâ, büyük miktarda veriyi gerçek zamanlı olarak analiz edebilen algoritmalar aracılığıyla karar verme süreçlerini desteklemek için giderek daha fazla kullanılmaktadır. İşletme yönetiminde, bu tür sistemler insan kaynakları planlamasına, vardiya organizasyonuna ve üretim ihtiyaçlarının tahminine yardımcı olmaktadır [ 34 , 35 ]. İş sağlığı ve güvenliği risklerinin önlenmesinde, yapay zekâ tabanlı tahmin modelleri halihazırda kaza verilerini analiz ederek, kuruluşların daha etkili önleyici tedbirler uygulamasına olanak tanıyan kalıpları belirlemektedir [ 21 , 24 , 26 ]. Benzer şekilde, sağlık ve iş sağlığında, yapay zekâ, sensörler ve giyilebilir cihazlar kullanılarak çalışanların refahını izlemek ve erken fizyolojik değişiklikleri veya yorgunluğu tespit etmek için uygulanmaktadır [ 36 , 37 , 38 ].

Gelişmiş endüstriyel ortamlarda, işbirlikçi robotik, yapay zekanın genişlemesinin bir başka alanını temsil etmektedir. İşbirlikçi robotlar, paylaşılan bir çalışma alanında insanlarla güvenli bir şekilde fiziksel olarak etkileşim kurmak üzere tasarlanmış robotlardır. Montaj, malzeme taşıma veya iç taşıma gibi görevlerde kullanılırlar ve işçi yakınlığını algılayan bilgisayar görüşü ve sensörleri entegre ederek çarpışmaları önlemek için hareketi otomatik olarak durdururlar [ 39 ]. Bu teknoloji yalnızca verimliliği artırmakla kalmaz, aynı zamanda iş rollerini yeniden tanımlayarak ergonomi ve akıllı sistemlerle birlikte çalışmak için gereken becerilerde yeni zorluklar yaratır [ 40 ].

Yapay zekâ tabanlı gözetim ve izleme sistemleri sektörler genelinde yaygınlaşıyor. Bunlar, gürültü ve titreşim [ 41 ], sıcaklık [ 42 ] veya kirletici konsantrasyonları gibi çevresel değişkenlerin kontrolüne yönelik uygulamaların yanı sıra riskli davranışları veya güvenlik protokolü ihlallerini tespit etmek için akıllı kamera görüntülerinin gerçek zamanlı analizini de içeriyor [ 43 ]. Bazı sistemler, uygunsuz duruşları bile tanıyabilir ve bir yaralanma meydana gelmeden önce işçileri uyarabilir, böylece proaktif önleme için yeni olanaklar açabilir [ 44 ]. Bununla birlikte, bu uygulamalar aynı zamanda işçi-işveren ilişkisinde gizlilik, kontrol ve güvenle ilgili endişeleri de gündeme getiriyor.

Birlikte ele alındığında, bu uygulamalar yapay zekanın artık geleceğin teknolojisi değil, halihazırda birçok üretken [ 22 ] ve hizmet sektörüne entegre edilmiş bir araç olduğunu göstermektedir. Etkisi, inşaat [ 43 , 45 ], madencilik [ 44 ], lojistik [ 46 , 47 , 48 ], enerji sektörü [ 25 ], sağlık hizmetleri [ 36 , 38 ] ve dijital hizmetler gibi alanlarda açıkça görülmekte ve işçiler ile akıllı sistemler arasındaki etkileşimin iş organizasyonunun rutin bir bileşeni haline geldiği bir senaryoyu şekillendirmektedir.

2.2. Yapay Zekanın İş Kazası Risklerinin Önlenmesinde Potansiyel Faydaları

Çalışma ortamlarında yapay zekanın kullanımı, sorumlu ve etik kurallara uygun bir şekilde uygulanması koşuluyla, iş sağlığı ve güvenliği açısından çeşitli potansiyel faydalar sunmaktadır. En önemli katkılardan biri, otomatik sistemler ve işbirlikçi robotların özellikle tehlikeli görevlerde çalışanların yerini alabilmesi sayesinde fiziksel tehlikelere maruz kalmanın azaltılmasıdır. Örnekler arasında zehirli maddelerin kullanımı, tehlikeli atmosfere sahip kapalı alanlarda müdahale yapılması [ 49 , 50 ] veya robotların zaten denetim ve bakım faaliyetlerini üstlendiği yüksekte çalışma yapılması [ 51 ] yer almaktadır. Bu uygulamalar, personelin daha güvenli denetim ve kontrol görevlerine odaklanmasını sağlarken, ciddi kazaları en aza indirmeye yardımcı olur.

Bir diğer önemli fayda, gelişmiş ergonomi ile ilgilidir. Yapay zeka, fiziksel aşırı yüklenmeyi öngörmeye, uygunsuz duruşları belirlemeye ve kas-iskelet sistemi yaralanmaları meydana gelmeden önce çalışma alanı düzenini optimize etmeye yardımcı olan simülasyonlar ve dijital modelleme yoluyla tahmine dayalı iş istasyonu tasarımında kullanılmaktadır [ 52 , 53 , 54 ]. Ek olarak, bilgisayar görüş sistemleri ve akıllı sensörler artık çalışanların hareketlerini gerçek zamanlı olarak izleyerek, güvenli ergonomik kalıplardan sapmaları tespit ediyor ve önleyici uyarılar veriyor [ 55 , 56 ]. Bu gelişmeler, sorunlar ortaya çıktıktan sonra düzeltmeye odaklanan reaktif ergonomiden, öngörü ve sürekli iyileştirmeye odaklanan daha proaktif yaklaşımlara doğru bir geçişi güçlendiriyor. Bu yönelim ergonomi içinde yeni değil, ancak tarihsel olarak gelecekteki çalışma durumlarını şekillendirmeyi ve teknolojileri erken tasarım aşamalarından itibaren entegre etmeyi amaçlayan düzeltici, tasarım ve öngörücü ergonominin uzun süredir devam eden geleneklerine dayanmaktadır [ 57 , 58 ]. Bu bağlamda, yapay zeka tabanlı araçlar, bu yerleşik ergonomik yaklaşımların yerini almak yerine onları genişleten ve güçlendiren unsurlar olarak anlaşılabilir.

Son olarak, yapay zeka önleyici yönetimde stratejik bir müttefik haline gelebilir. Büyük veri kümelerini analiz edebilen algoritmalar, kaza modellerini, risk değişkenleri arasındaki gizli korelasyonları ve insan ekipleri için açık olmayabilecek tehlike senaryolarını belirleyebilir [ 21 , 22 ]. Bu bilgiler, kuruluşların müdahaleleri önceliklendirmesine, kaynakları daha verimli bir şekilde tahsis etmesine ve kanıta dayalı önleyici stratejiler tasarlamasına yardımcı olur [ 21 , 26 ]. Bazı risk yönetimi platformları, otomatik öneriler oluşturmak veya farklı senaryolarda önleyici tedbirlerin etkisini simüle etmek için yapay zekayı zaten entegre ederek, mesleki risk önlemede proaktif karar vermeyi desteklemektedir [ 59 , 60 ].

Özetle, bu faydalar, doğru şekilde uygulandığında yapay zekanın daha güvenli, daha sağlıklı ve daha sürdürülebilir iş yerlerine doğru ilerlemede kilit bir araç haline gelebileceğini göstermektedir. Bununla birlikte, bu avantajların gerçekleşmesi, insan merkezli tasarıma, sistem şeffaflığına ve işçilerin ve önleme uzmanlarının teknolojik benimseme süreçlerine aktif katılımına bağlıdır [ 61 , 62 ].

2.3. İşyerinde Yapay Zeka Uygulamaları İçin Kilit Sektörler

Yapay zekânın kullanımı şu anda homojen bir şekilde gerçekleşmemekte, özellikle belirli üretim ve hizmet sektörlerinde yoğunlaşmaktadır. Bu alanların analizi, iş sağlığı ve güvenliği ile ilgili potansiyel faydaları ve zorlukları daha iyi anlamamızı sağlar.

Üretim ve otomotiv endüstrilerinde yapay zeka, esas olarak gelişmiş otomasyon ve işbirlikçi robotik yoluyla uygulanmaktadır. Akıllı sistemler montaj hatlarını kontrol eder, envanterleri yönetir ve gerçek zamanlı kalite denetimleri gerçekleştirir [ 63 , 64 ]. İşbirlikçi robotlar, montaj görevlerinde işçilerle güvenli etkileşimi sağlayarak tekrarlayan fiziksel zorlanmaya maruz kalmayı azaltır ve kritik işlemlerde hassasiyeti artırır [ 65 , 66 ].

Lojistik ve taşımacılık sektöründe, yapay zeka rota optimizasyonu, öngörücü tedarik zinciri yönetimi [ 67 ] ve mal dağıtımı için otonom araçların ve dronların geliştirilmesi [ 68 ] için kullanılmaktadır. Bu uygulamalar yorgunluk ve insan iş yüküyle ilgili kazaları azaltmaya yardımcı olur [ 21 , 69 ], ancak aynı zamanda olaylar meydana geldiğinde sorumluluk konusunda da sorular ortaya çıkarır [ 70 ].

Sağlık sektörü, bir diğer önemli uygulama alanını temsil etmektedir. Tanısal yapay zeka sistemleri, tıbbi görüntülerin yorumlanmasını, hasta takibini ve klinik komplikasyonların tahminini desteklemektedir [ 71 , 72 ]. Önleyici uygulamada, yapay zeka büyük hacimli iş sağlığı verilerini yönetir [ 73 ], psikososyal riskleri belirler [ 74 ] ve hastanelerde kaynak planlamasını iyileştirir. Cerrahi [ 75 ] ve yardımcı robotik de personeli fiziksel olarak zorlu görevlerden kurtarır, ancak teknolojik denetim için yeni gereksinimler getirir.

Son olarak, dijital ve finansal hizmetlerde yapay zeka, büyük ölçekli veri işleme, dolandırıcılık tespiti, risk analizi ve sohbet robotları aracılığıyla otomatik müşteri hizmetlerine uygulanmaktadır [ 76 ]. Bu ortamlarda fiziksel risklere maruz kalma oranı daha düşük olsa da, yoğun dijitalleşme, teknostres, algoritmik gözetim ve iş yoğunlaşması gibi psikososyal riskleri artırabilir [ 77 ].

Bu örnekler bir araya getirildiğinde, yapay zekanın uygulandığı kilit sektörlerin farklı risk profilleri sergilediği ve iş sağlığı ve güvenliği risk önleme çalışmalarının analitik metodolojilerini ve müdahale stratejilerini her bir üretim bağlamına uyarlaması gerektiği ortaya çıkmaktadır.

Risk azaltmadaki rolünün ötesinde, yapay zekanın sağlıkla ilgili çalışma ortamlarındaki uygulaması, insan sağlığının, mesleki refahın ve profesyonel uygulamanın daha geniş bir dönüşümüne giderek daha fazla katkıda bulunmaktadır. Gelişmiş tanı sistemleri, yardımcı ve cerrahi robotlar, dijital ikizler ve müdahalelerin veri odaklı kişiselleştirilmesi, mesleki sağlık, klinik tıp, ergonomi ve önleyici bakım arasındaki geleneksel sınırları giderek daha fazla bulanıklaştırmaktadır [ 78 ].

Bu gelişen bağlamda, yapay zeka yalnızca zararı önleme veya olumsuz olayları tespit etme aracı olarak değil, aynı zamanda proaktif sağlık teşviki, erken müdahale ve çalışma hayatı boyunca sürekli refah kazanımı için bir kolaylaştırıcı olarak da işlev görmektedir. Tahmine dayalı analizler ve akıllı izleme sistemleri, fonksiyonel gerileme, yorgunluk veya psikososyal gerginliğin öngörülmesini desteklerken, yapay zeka destekli karar araçları giderek bireyselleştirilmiş önleme ve iyileşme stratejilerini bilgilendirmektedir [ 10 , 24 ].

Bu disiplinlerin yakınlaşması, önleme, bakım ve performansın eş zamanlı olarak ele alındığı, işçi sağlığının daha bütünleşik modellerine doğru bir kaymayı yansıtmaktadır. Yapay zeka destekli iyileşme ve geleceğe yönelik tıp üzerine yapılan son araştırmaların vurguladığı gibi, bu tür bir entegrasyon, disiplinler arası işbirliği, sağlam etik yönetim ve gizlilik, şeffaflık ve insan gözetimine dikkatli bir yaklaşım gerektirmektedir [ 4 , 5 , 78 ]. İş sağlığı ve güvenliği açısından bakıldığında, bu gelişmeler, sağlıkla ilgili yapay zekayı yalnızca bir risk yönetimi aracı olarak değil, aynı zamanda dijitalleşmiş ortamlarda iş, sağlık ve refahın birlikte nasıl sürdürüldüğünü yeniden tanımlamak için bir katalizör olarak anlama ihtiyacını güçlendirmektedir.

2.4. Faydaların Gerçekleşmesine İlişkin Sınırlamalar ve Koşullar

Yapay zekâ, iş yerinde geniş bir yelpazede potansiyel faydalar sunsa da, bunlar otomatik olarak gerçekleşmez. Çeşitli sektörlerden elde edilen kanıtlar, yapay zekânın güvenlik ve sağlık üzerindeki etkisinin, kabulünü ve etkinliğini şekillendiren örgütsel, teknik ve sosyal koşullara bağlı olduğunu göstermektedir.

Öncelikle, insan merkezli bir tasarım şarttır. Çalışanların yeteneklerini, sınırlamalarını ve ihtiyaçlarını dikkate almadan akıllı sistemler uygulamak, fiziksel veya bilişsel yükleri azaltmak yerine yenilerini yaratarak tam tersi etki yaratabilir [ 61 ]. Ergonomik izleme sistemleri buna bir örnektir: kas-iskelet sistemi yaralanmalarını önlemeye yardımcı olsalar da, aşırı kontrol araçları olarak algılanırlarsa, reddedilmeye ve psikososyal strese neden olabilirler [ 79 ].

Bir diğer kritik faktör ise algoritmik şeffaflık ve açıklanabilirliktir. Yapay zekanın önleyici yönetimdeki faydaları ancak işçiler ve güvenlik uzmanları bu sistemlerin nasıl kararlar ve öneriler ürettiğini anladıklarında gerçekleşir [ 62 , 80 ]. Algoritmik şeffaflık eksikliği güveni zayıflatır, başarısızlık durumunda sorumluluk konusunda belirsizliği artırır ve kuruluşun önleme kültürüne entegrasyonu engeller.

Benzer şekilde, işçi eğitimi ve kapasite geliştirme de temel koşullardır. Kobotların, tahmine dayalı analitik platformların veya akıllı izleme sistemlerinin tanıtılması, personelin yeni teknik ve dijital yetkinlikler edinmesini gerektirir [ 81 ]. Bu tür bir eğitim olmadan, yapay zeka, destek ve iyileştirilmiş çalışma koşulları için bir araç olmaktan ziyade, dışlanma ve eşitsizliğin bir kaynağı haline gelebilir.

Son olarak, teknolojik benimseme sürecinde işçilerin ve önleme uzmanlarının aktif katılımı, kabulü ve uzun vadeli sürdürülebilirliği sağlamak için şarttır. Yapay zekanın tanıtımı, sosyal diyalog, etki değerlendirmesi ve güncellenmiş önleyici düzenlemelerle birlikte yapılmalıdır [ 4 , 23 , 82 ]. Sadece bu koşullar altında yapay zekanın potansiyel faydaları tam olarak gerçekleştirilebilir ve teknolojik yeniliğin ortaya çıkan risklerin ek bir kaynağı haline gelmesi önlenebilir.

3. Yapay Zekayla İlişkili Ortaya Çıkan Mesleki Riskler

3.1. Psikososyal Riskler

İşyeri ortamlarında yapay zekanın kullanımı, hem duygusal refahı hem de iş organizasyonunu etkileyen yeni psikososyal riskler doğurmaktadır. Başlıca risklerden biri, işçilerin yeterli kaynak, eğitim veya zaman olmadan gelişmiş dijital araçlara uyum sağlamak zorunda kaldıklarında ortaya çıkan gerilim olarak anlaşılan teknostrestir [ 83 ]. Bu stres, aşırı bilgi ve akıllı sistemleri sürekli olarak denetleme ihtiyacıyla bağlantılı tekno-kaygı (teknolojik hata yapma korkusu) veya tekno-aşırı yüklenme olarak ortaya çıkabilir [ 84 , 85 ].

Bir diğer risk ise yapay zekâ tabanlı izleme sistemlerinden kaynaklanan aşırı gözetim algısıdır. Akıllı kameralar, biyometrik sensörler veya verimlilik algoritmaları, gizliliğin azalması hissini artırabilir, güvensizliği körükleyebilir ve çalışma ortamını kötüleştirebilir [ 86 ]. Bazı durumlarda, bu tür teknolojiler sürekli değerlendirme korkusu nedeniyle öz sansüre veya davranış değişikliklerine yol açar [ 87 ].

Üçüncü bir psikososyal risk, şeffaf olmayan sistemlere karşı duyulan güvensizliği içerir. İşçiler algoritmaların performanslarını, programlarını veya değerlendirmelerini etkileyen kararları nasıl aldığını anlamadıklarında belirsizlik ve kontrol kaybı ortaya çıkar [ 87 , 88 ]. Algoritmik şeffaflık eksikliği, özellikle otomatik kararlar haksız olarak algılandığında, motivasyonu ve bağlılığı zayıflatabilir [ 89 ].

Yapay zekâ aracılığıyla iş yoğunluğunun artması da bir diğer endişe kaynağıdır. Daha sıkı denetim ve görev optimizasyonu sağlayarak, algoritmalar çalışanları yüksek ve sürekli çalışma temposunu korumaya zorlayabilir, molaları azaltabilir ve zaman yönetimi üzerindeki özerkliği sınırlayabilir [ 1 , 90 ]. Uygun bir yönetim olmadan, yapay zekâ tükenmişliğe ve diğer ruh sağlığı sorunlarına katkıda bulunabilir.

Bu bağlamda, algoritmik görev tahsisi, sürekli izleme ve performans optimizasyonundan kaynaklanan yapay zekâ kaynaklı işçi özerkliğindeki azalmalar, temel bir psikososyal risk faktörü olarak değerlendirilmelidir. Bu azalmalar, iş kontrolünü, duygusal refahı ve iş yerindeki algılanan adaleti doğrudan etkileyerek, yapay zekâ aracılı çalışma ortamlarında stresi, işe bağlılığın azalmasını ve psikolojik gerginliği pekiştirir (bkz. Bölüm 3.4 ).

Genel olarak, bu psikososyal riskler, gelişmiş dijitalleşmenin yalnızca teknik süreçleri değil, aynı zamanda iş yerindeki duygusal ve ilişkisel dinamikleri de dönüştürdüğünü ve yeni önleyici analiz ve yönetim araçlarına ihtiyaç duyulduğunu göstermektedir.

3.2. Ergonomik ve Organizasyonel Riskler

Psikososyal risklere ek olarak, yapay zekanın işyerine entegrasyonu, hem çalışanların fiziksel sağlığını hem de performanslarını etkileyebilecek yeni ergonomik ve organizasyonel zorluklar da ortaya çıkarmaktadır.

İlk risk, birden fazla akıllı sistemi yorumlama ve denetleme ihtiyacından kaynaklanan bilişsel aşırı yüklenmedir. Çalışanlar, tahmin algoritmalarından, kontrol panellerinden ve otomatik uyarılardan gelen gerçek zamanlı bilgileri işlemek zorundadır; bu da zihinsel yorgunluğu ve insan hatası olasılığını artırabilir [ 91 ]. Bu olgu, özellikle yapay zekanın karmaşık görev akışlarını koordine etmek için kullanıldığı lojistik ve sağlık hizmetleri gibi sektörlerde belirgindir.

Ergonomik prensiplere göre tasarlanmamış işbirlikçi robotlar veya otomatik sistemlerle etkileşimden kaynaklanan yeni fiziksel ve duruşsal talepler de ortaya çıkmaktadır. İş istasyonu uygun şekilde uyarlanmazsa, çalışanlar tekrarlayan hareketler, garip duruşlar veya akıllı makinelerle paylaşılan manipülasyondan kaynaklanan beklenmedik zorlanmalarla karşılaşabilir [ 39 , 65 ]. Bu daha ince riskler zamanla birikerek orta ve uzun vadede kas-iskelet sistemi rahatsızlıklarına yol açabilir.

Bir diğer önemli husus ise, iş organizasyonunu değiştirebilen teknolojik bağımlılıktır. Kritik görevler neredeyse tamamen otomatik sistemlere bağlı olduğunda, manuel becerilerin kaybı ve işçilerin pratik deneyimlerindeki azalma, teknolojik arıza durumunda savunmasızlığı artırabilir [ 1 , 90 ]. “Beceri kaybı” [ 92 ] olarak bilinen bu olgu , iş gücünün özerk tepki kapasitesini azaltır ve beklenmedik olaylar meydana geldiğinde riske maruz kalmayı artırır.

Son olarak, yapay zeka sistemleri, iş güvenliği ve sağlığını etkileyen iş organizasyonunda değişikliklere yol açabilir. Vardiya planlaması veya görev tahsisi algoritmaları, belirli gruplar için iş yükünü yoğunlaştırabilir, iş-yaşam dengesinde dengesizlikler yaratabilir veya çalışanların programlarını yönetme özerkliğini azaltabilir [ 87 ]. Bu yapısal değişiklikler, olumsuz etkilerini öngörmek ve hafifletmek için önleyici metodolojilerde uyarlamalar gerektirir.

Özetle, yapay zekâ ile ilişkili ergonomik ve organizasyonel riskler, gelişmiş dijitalleşmenin yalnızca görevleri dönüştürmekle kalmayıp, işin nasıl organize edildiğini ve dağıtıldığını da yeniden şekillendirdiğini göstermektedir; bu da ortaya çıkan risklerin analizine ergonomi ve organizasyonel yönetimin entegre edilmesini gerekli kılmaktadır.

3.3. Etik ve Hukuki Riskler

Yapay zekanın işyeri ortamlarına entegrasyonu, algoritmaların bilgiyi işleme ve doğrudan çalışanları etkileyen kararlar alma biçimlerinden kaynaklanan önemli etik ve yasal riskleri de beraberinde getiriyor.

Başlıca endişelerden biri, mevcut eşitsizlikleri yeniden üretebilen veya hatta artırabilen algoritmik önyargıdır. Yapay zeka sistemleri cinsiyet, yaş veya etnik ayrımcılığı yansıtan tarihsel veriler üzerinde eğitildiğinde, bu kalıplar işe alım, performans değerlendirmesi veya görev tahsisi gibi süreçlerde devam edebilir [ 93 , 94 ]. Bu anlamda, uygun gözetim ve düzeltme mekanizmaları uygulanmazsa yapay zeka yapısal eşitsizlikleri güçlendirebilir [ 95 ].

Bir diğer kritik sorun, otomatik karar alma süreçlerindeki şeffaflık eksikliğidir. Birçok sistem “kara kutu” gibi çalışır ve bu da işçileri etkileyen önerilerin veya değerlendirmelerin nasıl oluşturulduğunu anlamayı zorlaştırır [ 62 , 80 ]. Bu belirsizlik, bilgi edinme hakkı ve anlaşılabilir açıklamalar sağlama ihtiyacıyla ilgili yasal ikilemler ortaya çıkarır. Ayrıca, mesleki risk önleme uzmanlarının akıllı sistemlerdeki potansiyel hataları veya önyargıları belirleme ve öngörme yeteneğini de sınırlar.

İşyeri kazası veya zararı durumunda sorumluluk, ortaya çıkan bir diğer zorluktur. Bir yapay zeka sistemi iş organizasyonuna veya makine işletimine dahil olduğunda, sorumluluğun yazılım geliştiricisinde mi, onu uygulayan şirkette mi yoksa onunla etkileşimde bulunan işçide mi olduğunu belirlemek zorlaşır [ 23 , 80 , 82 ]. Bu yasal belirsizlik, sorumluluğun net bir şekilde belirlenmesini gerektiren önleyici çerçevelerin uygulanmasını zorlaştırmaktadır.

Son olarak, işyerinde yapay zekâ ile ilişkili etik ve yasal riskler, kişisel veri koruması ve gizliliğine kadar uzanmaktadır. Akıllı gözetim sistemlerinin, biyometrik sensörlerin veya davranış analizinin kullanımı, kapsamları ve amaçları uygun şekilde düzenlenmediği takdirde temel hakları ihlal edebilir [ 23 , 82 ]. Buradaki zorluk, yapay zekânın iş sağlığı ve güvenliğini iyileştirmek için kullanımını, işçilerin onurunu, adaletini ve korunmasını sağlama ihtiyacıyla dengelemektir.

Bütün bu riskler bir araya getirildiğinde, yapay zekanın etik ve yasal boyutunun, işyerine sorumlu bir şekilde entegre edilmesi için ikincil bir unsur değil, merkezi bir bileşen olduğunu göstermektedir.

3.4. Sosyal ve Çalışma Riskleri

Psikososyal, ergonomik ve yasal risklerin ötesinde, yapay zeka doğrudan istihdam yapılarını ve örgütsel dinamikleri etkileyen sosyal ve işgücü risklerini de gündeme getiriyor. En çok tartışılan konulardan biri, istihdam ve işgücü kutuplaşması üzerindeki etkisidir. Rutin görevlerin otomasyonu, imalat, lojistik ve idari hizmetler gibi sektörlerdeki işleri yerinden edebilir [ 96 ]. Aynı zamanda, veri bilimi, yapay zeka mühendisliği ve siber güvenlik alanlarında yüksek vasıflı profillere olan talep artmakta ve farklı eğitim seviyelerine ve dijital yetkinliklere sahip çalışanlar arasındaki uçurum genişlemektedir [ 97 , 98 ].

İlgili bir risk de istihdam olanaklarına erişimde eşitsizliktir. Dijital okuryazarlığı düşük olan veya küçük ve orta ölçekli işletmelerde çalışan işçiler, sürekli eğitim alan ve daha gelişmiş teknolojik ortamlara sahip olanlara kıyasla geride kalabilir [ 99 ]. Bu eşitsizliğin bölgesel bir boyutu da olabilir ve yüksek düzeyde dijitalleşmiş bölgeler ile daha düşük teknolojik yatırım kapasitesine sahip bölgeler arasındaki uçurumu genişletebilir [ 100 ].

Yapay zekâ, örgütsel kültürde ve işçi özerkliğinde de değişiklikler yaratabilir. Görevleri atayan, zamanlamayı kontrol eden veya verimliliği izleyen algoritmalar, bireysel karar verme kapasitesini azaltarak özerklik ve motivasyon algılarını etkileyebilir [ 1 , 87 , 90 ]. Bu dinamiklerin açık sosyal ve işgücü etkileri olmakla birlikte, işçi özerkliğinin ve karar verme özgürlüğünün azalması, özellikle yapay zekâ aracılı çalışma ortamlarında iş kontrolü, algılanan adalet ve duygusal gerilimle ilgili psikososyal risk faktörleriyle de yakından bağlantılıdır. Bu nedenle, bu yönler, yalnızca işgücüyle ilgili sorunlar olarak değil, psikososyal risklerle yakından bağlantılı olarak yorumlanmalıdır. Bu bağlamda, iş yoğunlaşması ve iş günü üzerindeki kişisel kontrolün azalması, iş kalitesini kötüleştirebilir.

Son olarak, sosyal uyum ve iş kurumlarına duyulan güven açısından riskler söz konusudur. Yapay zekanın esas olarak maliyetleri düşürmek veya işçileri izlemek için kullanıldığı algısı, direnişi, iş çatışmalarını ve dijitalleşmenin kabulünü azaltabilir [ 101 , 102 ]. Destekleyici politikalar, eğitim ve aktif katılım olmadan, yapay zekanın faydaları birkaç kişide yoğunlaşırken, sosyal maliyetler eşit olmayan bir şekilde dağılabilir.

Genel olarak ele alındığında, yapay zekâ ile ilişkili sosyal ve işgücü riskleri, önleme rolünün daha geniş bir anlamda yeniden düşünülmesini gerektiriyor; bu da sadece fiziksel sağlık ve güvenliği değil, aynı zamanda hızlı teknolojik dönüşüm bağlamında eşitlik, kapsayıcılık ve istihdamın sürdürülebilirliğini de içermelidir.

3.5. Teknolojik, Çevresel ve Altyapısal Riskler

Yapay zekâ ile ilişkili teknolojik, çevresel ve altyapısal riskler, doğrudan işyeri sınırlarının ötesine uzanıyor gibi görünse de, iş sağlığı ve güvenliği açısından önemli dolaylı etkileri vardır. Siber güvenlik, enerji bağımlılığı veya kritik dijital altyapılarla ilgili arızalar, özellikle yüksek düzeyde dijitalleşmiş ve otomatikleştirilmiş çalışma ortamlarında, iş organizasyonunu, maruz kalma senaryolarını, operasyonel sürekliliği ve işçi güvenliğini doğrudan etkileyebilir.

Psikososyal, ergonomik, etik ve sosyal risklere ek olarak, yapay zeka aynı zamanda iş güvenliği ve sağlığını dolaylı ancak önemli ölçüde etkileyen teknolojik, çevresel ve altyapısal riskler de oluşturmaktadır [ 59 , 60 ].

Başlıca zorluklardan biri siber güvenliktir. Büyük miktarda veriye dayanan ve dijital ağlara bağlı olan yapay zeka sistemleri, işleyişlerini değiştirebilecek siber saldırılara karşı savunmasızdır [ 103 ]. İşbirlikçi bir robota, akıllı bir gözetim sistemine veya bir risk yönetim platformuna yönelik bir saldırı, hem işçi güvenliğini hem de operasyonel sürekliliği tehlikeye atabilecek olayları tetikleyebilir. Bu senaryolar, siber güvenliğin önleyici stratejilere entegre edilmesini zorunlu kılmaktadır.

Algoritmik güvenilirlik de bir diğer kritik konudur. Eksik veya düşük kaliteli veriler üzerinde eğitilen modeller, tahmin hatalarına, yanlış teşhislere veya yanlış alarmlara neden olabilir. Sağlık hizmetleri veya kimya endüstrisi gibi yüksek kritiklik gerektiren sektörlerde, bu tür arızalar işçi güvenliği açısından ciddi sonuçlar doğurabilir. Dahası, akıllı fabrikalar veya otomatik lojistik merkezleri gibi karmaşık ortamlarda birden fazla akıllı sistemin birlikte çalışabilirliği, algoritmalar düzgün bir şekilde koordine edilmediğinde zincirleme arızalara yol açabilir [ 104 ].

Çevresel ve altyapısal etkiler bu teknolojik risklere eklenmektedir. Gelişmiş modellerin eğitilmesi yüksek enerji tüketimi gerektirir ve bu da önemli bir karbon ayak izine neden olur [ 105 , 106 ]. Dahası, elektrik şebekeleri, telekomünikasyon veya ulaşım sistemleri gibi kritik altyapılara bağımlılık, teknik arızaların veya siber saldırıların verimliliği ve işçi güvenliğini tehlikeye atan zincirleme etkileri tetikleyebileceği anlamına gelir [ 107 ]. Ek olarak, donanım üretimi ve artan elektronik atık hacmi, işçilerin son derece tehlikeli koşullara maruz kalabileceği madencilik ve geri dönüşüm sektörlerinde riskler yaratmaktadır [ 108 ].

Teknolojik, çevresel ve altyapısal riskler bir arada ele alındığında, iş sağlığı ve güvenliğinin korunmasında dijital güvenlik, sürdürülebilirlik ve kritik altyapıların dayanıklılığının ayrılmaz bileşenler olarak entegre edildiği daha geniş ve sistemli bir yaklaşımın benimsenmesi gerektiğini göstermektedir.

İş sağlığı ve güvenliği açısından risk önleme perspektifinden bakıldığında, bu sistemik riskler, özellikle yapay zekâ destekli sistemlerin günlük operasyonlar için kritik öneme sahip olduğu sektörlerde, teknolojik dayanıklılık, siber güvenlik ve sürdürülebilirlik hususlarının iş yeri güvenliği stratejilerine entegre edilmesi ihtiyacını güçlendirmektedir.

4. Yapay Zeka Karşısında İş Kazalarının Önlenmesi

4.1. Düzenleyici Çerçeve ve Önleyici Politikaların Uyarlanması

İşyerlerinde yapay zekanın hızla yaygınlaşması, ortaya çıkan riskleri yeterince ele almak için düzenleyici çerçevelerin ve önleyici politikaların uyarlanmasını gerektirmektedir. Geleneksel olarak, mesleki risk önleme düzenlemeleri fiziksel, kimyasal veya ergonomik faktörlere odaklanmıştır; ancak gelişmiş dijitalleşme, teknolojik güvenlik, etik ve sürdürülebilirliği entegre eden daha geniş bir yaklaşım gerektirmektedir [ 4 , 23 , 82 ].

Avrupa bağlamında, AB İş Sağlığı ve Güvenliği Stratejisi 2021–2027, dijitalleşme ve otomasyondan kaynaklanan riskleri öngörme ihtiyacını zaten vurgulamaktadır. Benzer şekilde, AB-OSHA, yapay zeka tabanlı sistemlerin hem önleyici faydalar hem de yeni tehlikeler yaratabileceğini vurgulayan öngörü raporları yayınlayarak Üye Devletleri düzenleyici çerçevelerini gözden geçirmeye çağırmıştır [ 109 ].

Bu yöndeki son dönüm noktalarından biri, insan kaynakları yönetimi veya işyeri güvenliğini etkileyenler de dahil olmak üzere yüksek riskli sistemler için özel yükümlülükler belirleyen Avrupa Yapay Zeka Yönetmeliği, Yapay Zeka Yasası [ 4 ]’nın onaylanmasıdır. Bu düzenleyici çerçeve, önleme alanına doğrudan uygulanabilen şeffaflık, izlenebilirlik ve insan gözetimi ilkelerini getiriyor.

Uluslararası düzeyde, Uluslararası Çalışma Örgütü (ILO) gibi kuruluşlar, yapay zekanın küresel iş sağlığı ve güvenliği stratejilerine entegre edilmesinin önemini vurgulayarak, sosyal diyaloğun ve işçilerin politika geliştirme sürecine aktif katılımının gerekliliğini vurgulamıştır [ 110 , 111 ]. Buna ek olarak, UNESCO, işyeri ortamlarında düzenlemelerin şekillendirilmesi için referans olarak hizmet edebilecek yapay zeka konusunda etik yönergeler geliştirmiştir [ 5 ].

Bu bağlamda, düzenleyici uyarlamaya, zarar meydana geldikten sonra ortaya çıkan tepkisel yanıtlardan ziyade proaktif ve öngörücü eylemlere öncelik veren bir önleyici paradigma eşlik etmelidir. Sağlam ve esnek bir yasal çerçeveyle desteklenen bu öngörü, yapay zekanın belirsizlik veya koruma azalması kaynağı olmaktan ziyade, işyeri güvenliğini iyileştirme aracı olarak hizmet etmesini sağlayacaktır.

4.2. Yapay Zeka Destekli Çalışma Ortamlarında Risklerin Belirlenmesi ve Değerlendirilmesine Yönelik Metodolojiler

İş yerlerinde yapay zekanın kullanımı, risk tanımlama ve değerlendirme yöntemlerinde önemli bir güncelleme gerektirmektedir; zira geleneksel önleme araçları, gelişmiş dijitalleşmenin yarattığı yeni senaryoları yakalamakta yetersiz kalabilir.

İlk zorluk, klasik risk değerlendirme yöntemlerinin uyarlanmasıdır. Olasılık-şiddet matrisleri, kontrol listeleri ve ergonomik değerlendirmeler, akıllı sistemlerin denetlenmesinden kaynaklanan bilişsel yük, algoritmik yönetimden kaynaklanan özerklik kaybı veya dijital gözetimle bağlantılı stres gibi ortaya çıkan faktörleri içerecek şekilde genişletilmelidir [ 1 , 86 , 87 , 91 ]. Bu unsurların dahil edilmesi, aksi takdirde gizli kalacak risklerin belirlenmesini mümkün kılar.

İkinci olarak, algoritmik denetimler, iş yerinde kullanılan yapay zeka sistemlerinin şeffaflığını, adaletini ve güvenilirliğini değerlendirdikleri için giderek daha önemli hale gelmektedir. Bu denetimler, işe alım algoritmalarındaki önyargıları, görev öneri sistemlerindeki hataları veya sonuçların açıklanabilirliğindeki sınırlamaları belirlemeye yardımcı olur [ 62 , 87 , 89 , 93 , 94 ]. Tasarım yoluyla etik ve tasarım yoluyla güvenlik gibi yaklaşımlar, algoritma geliştirme sırasında önleyici ilkeleri entegre ettikleri ve sorunları dağıtımdan sonra düzeltmek yerine önleyici ilkeler uyguladıkları için faydalıdır [ 61 , 62 ].

Üçüncü önemli husus, dijital ergonomi, siber güvenlik ve organizasyonel analiz de dahil olmak üzere farklı disiplinlerden yaklaşımları birleştiren hibrit değerlendirme modellerinin geliştirilmesidir. Bu değerlendirmeler, insan-makine etkileşimi, teknik güvenilirlik ve yoğun veri kullanımı ile ilgili risklerin entegre bir analizini mümkün kılar [ 59 , 61 , 62 , 103 , 104 ]. Değerlendirmenin işyeri gerçeklerini doğru bir şekilde yansıtmasını sağlamak için işçi katılımı şarttır.

Son olarak, değerlendirme metodolojilerinin uyarlanmasını desteklemek için uluslararası kılavuzlar ve en iyi uygulamalar ortaya çıkmaktadır. AB-OSHA, dijital risklerin genel önleme matrisine entegre edilmesini önermektedir [ 109 ], NIOSH ise gelişmiş otomasyon ortamlarındaki riskleri değerlendirmek için özel çerçeveler önermiştir [ 112 ]. Bu kılavuzlar, yapay zeka ile ilgili risklerin ortaya çıkmadan önce tahmin edilmesini ve en aza indirilmesini amaçlayan daha proaktif bir yaklaşımı teşvik etmektedir.

Özetle, yapay zekâ destekli ortamlarda risk değerlendirmesi, klasik, reaktif bir yaklaşımdan, algoritmaların teknik analizini çalışanların deneyimiyle birleştiren, proaktif, çok boyutlu ve katılımcı bir modele geçmeyi gerektirir; bu da dijitalleşmenin iş sağlığı ve güvenliğinde gerçek iyileştirmelere dönüşmesini sağlar.

4.3. Faydalı Bir Yaklaşım Olarak Kanıta Dayalı Yönetim

İşyeri ortamlarında yapay zekanın kullanımı, sağlam ve temellendirilmiş önleyici kararların alınmasını sağlayan yaklaşımlara olan ihtiyacı artırmaktadır. Bu bağlamda, kanıta dayalı yönetim, mesleki risk önleme için özellikle faydalıdır. Bu yaklaşım, karar verme sürecine rehberlik etmek için mevcut en iyi bilimsel kanıtları, işyeri verilerini ve profesyonel uzmanlığı bir araya getirir [ 21 , 22 , 26 ]. Yapay zeka ile ilgili ortaya çıkan risklerin karmaşıklığı göz önüne alındığında, bilginin sınırlı veya hızla değişebileceği durumlarda, kanıta dayalı yönetim, iyi desteklenen, bağlama özgü müdahalelerin önceliklendirilmesini sağlar.

En önemli katkılarından biri, çeşitli bilgi kaynaklarını entegre etme yeteneğidir. Akademik ve teknik literatür, dijital ergonomi [ 61 ], siber güvenlik [ 103 ] ve algoritmik yönetim [ 87 , 88 ] alanlarında en iyi uygulamalar konusunda rehberlik sağlar. Buna ek olarak, maruz kalma kayıtları, bilişsel yük göstergeleri veya performans ölçütleri gibi yapay zekanın kendisi tarafından üretilen veriler, risk değerlendirmesini geliştirmek için kullanılabilir. Son olarak, önleme uzmanlarının uzmanlığı ve yargısı, kararların hem teknik kriterleri hem de organizasyonel bağlamı içermesini sağlar.

Dahası, kanıta dayalı yönetim, her kararın sezgi veya üretim baskılarından ziyade kanıtlara dayandırılmasını gerektirerek proaktif ve yansıtıcı bir önleyici kültürü teşvik eder [ 36 , 37 , 38 , 55 , 56 ]. Bu yaklaşım ayrıca, yapay zekanın tanıtılmasının çalışanlar arasında güvensizlik yaratabileceği bağlamlarda gerekli olan şeffaflığı ve hesap verebilirliği de artırır.

Bu yaklaşımın önleme alanında yararlılığını gösteren kanıtlar zaten mevcuttur. Son çalışmalar, kanıta dayalı uygulamaların ergonomi ve psikososyal risk yönetimine uygulanmasının profesyonellerin tartışma kapasitesini artırdığını ve daha etkili müdahalelerin tasarlanmasını desteklediğini göstermektedir [ 21 , 26 , 61 , 91 ]. Benzer şekilde, eğitim ve öğretim ortamlarında, bu yaklaşım, geleceğin önleme teknisyenlerinin gelişmiş dijitalleşmenin ortaya koyduğu zorlukların üstesinden gelmek için gerekli olan eleştirel düşünme ve özerklik becerilerini güçlendirmektedir [ 21 , 22 , 26 , 61 ].

Özetle, kanıta dayalı yönetim, geleneksel riskleri değerlendirmek için sağlam bir metodoloji olmanın yanı sıra, yapay zekanın iş yerinde yarattığı benzeri görülmemiş zorlukların üstesinden gelmek, önleyici müdahalelerin tutarlı, uyarlanabilir ve sosyal sorumluluk sahibi olmasını sağlamak için de vazgeçilmez bir araçtır.

5. Yapay Zeka ve Kullanımında İyi Uygulamalar

5.1. Ergonomik Risklerin Erken Tespiti için Yapay Zeka

İş sağlığı ve güvenliği risklerinin önlenmesinde yapay zekanın en umut vadeden uygulamalarından biri, ergonomik risklerin erken tespitidir. Yapay zeka, bilgisayar görüş algoritmaları, giyilebilir sensörler ve hareket analizi yoluyla, kas-iskelet sistemi bozukluklarına (MSD) yol açabilecek uygunsuz duruşları, tekrarlayan zorlanmaları veya ani hareketleri belirleyebilir [ 52 , 55 , 56 ].

Endüstriyel ortamlarda, bilgisayar görüş sistemleri, işçilerin jestlerini ve duruşlarını gerçek zamanlı olarak analiz ederek, güvenli parametrelerden sapmalar tespit edildiğinde uyarılar üretir. Bu araçlar, yaralanmalar meydana gelmeden önce iş istasyonu tasarımını veya mola sıklığını ayarlayarak önleyici eylemi destekler [ 44 , 55 , 56 ]. Sağlık sektöründe, yüksek riskli hasta taşıma görevlerini belirlemek için yapay zeka modelleri geliştirilmiş ve bu da bel ve üst ekstremite yaralanmalarını azaltmaya yardımcı olmuştur [ 36 , 37 , 38 ].

Yeni ortaya çıkan bir diğer alan ise hareket ve duruş verilerini yakalayan atalet sensörleri ve akıllı yelekler gibi giyilebilir cihazları içeriyor. Makine öğrenimi kullanarak, bu sistemler bireyselleştirilmiş risk modellerini tanımlıyor ve kişiselleştirilmiş öneriler sunuyor [ 36 , 37 , 38 ]. Bazı durumlarda, birleştirilmiş veriler, organizasyon genelinde süreçlerin yeniden tasarlanmasını veya kritik görevlerin belirlenmesini mümkün kılarak ergonomik yönetimde sürekli iyileştirmeyi sağlıyor.

Ergonomide yapay zekanın uygulanmasının da güçlü bir eğitim potansiyeli vardır. Yapay zeka tabanlı simülasyonlar, eğitim programlarında kullanılabilir ve çalışanlara hareketlerinin ergonomik standartlarla nasıl karşılaştırıldığını ve nasıl düzeltileceğini gerçek zamanlı olarak gösterebilir [ 113 , 114 ]. Bu yaklaşım, görsel öğrenmeyi güçlendirir ve katılımcı bir önleme kültürünü teşvik eder.

Ancak bu teknolojilerin kullanıma girmesi etik ve organizasyonel zorluklar doğurmaktadır. Bu sistemlerin gözetim veya kontrol amaçlı değil, önleme ve iş sağlığının iyileştirilmesi amacıyla kullanılması şarttır. Bu araçların tasarımında ve uygulanmasında işçi katılımı, bunların kabulünü ve etkinliğini sağlamanın anahtarıdır [ 86 , 87 ].

Genel olarak ele alındığında, ergonomik risklerin erken tespitinde yapay zekanın uygulanması, uygun yönetişim ve insan merkezli bir yaklaşımla desteklendiği takdirde, dijitalleşmenin daha proaktif, kişiselleştirilmiş ve verimli önlemeye nasıl katkıda bulunabileceğinin açık bir örneğini temsil etmektedir.

Son gelişmeler, yapay zekâ tabanlı ergonomik değerlendirmenin, yalnızca önleyici bir işlevden, iyileşmeyi, rehabilitasyonu ve aktif sağlık gelişimini desteklemede daha geniş bir role doğru giderek evrildiğini göstermektedir. Bilgisayar görüşü ve giyilebilir teknolojilerle birleştirilmiş makine öğrenimi tabanlı ergonomik modeller, önlemeyi, öğrenmeyi ve zaman içinde fonksiyonel korumayı entegre eden uyarlanabilir müdahaleleri giderek daha fazla desteklemektedir [ 52 , 55 ].

Sağlık ve iş sağlığı ortamlarında, yapay zekâ destekli ergonomik araçlar giderek klinik ve rehabilitasyon uygulamalarıyla kesişmektedir. İşçilerin veya görevlerin dijital ikizleri, ergonomik uyarlamaların, iş yükü yeniden dağıtımının ve iyileşme senaryolarının simülasyonuna olanak tanıyarak bireyselleştirilmiş ve önleyici karar vermeyi kolaylaştırır. Yardımcı robotik veya akıllı dış iskeletlerle birleştirildiğinde, bu sistemler fiziksel zorlanmayı azaltmaya katkıda bulunurken, geleneksel riskten kaçınmanın ötesine geçen iyileşme odaklı yaklaşımları destekler [ 39 , 62 ].

Bu evrim önemli etik ve organizasyonel hususları gündeme getiriyor. Kişiselleştirilmiş önleme ve sağlık geliştirme olanağı sağlayan aynı teknolojiler, amaçları ve sınırları açıkça tanımlanmadığı takdirde gizlilik, gözetim ve veri yönetimi ile ilgili endişeleri de yoğunlaştırabilir [ 4 , 23 ]. Yapay zeka destekli iyileşme ve geleceğin tıbbı üzerine yapılan son çalışmalarda vurgulandığı gibi, bu araçların sorumlu bir şekilde entegrasyonu, açık etik çerçeveler, veri kullanımı konusunda şeffaflık ve destekleyici sağlık teknolojileri ile kontrol araçları arasında net bir ayrım gerektirir [ 78 ]. İş sağlığı ve güvenliği risklerinin önlenmesi kapsamında, önleme ve iyileşme arasındaki bu sürekliliğin kabul edilmesi, yapay zekanın çalışanların özerkliğini veya onurunu zedelemeksizin daha güvenli, daha sağlıklı ve daha sürdürülebilir bir çalışmaya nasıl katkıda bulunabileceğini açıklığa kavuşturmaya yardımcı olur.

5.2. Kaza ve Yaralanma Tahmini için Yapay Zeka

İşyeri risklerinin önlenmesinde yapay zekanın uygulanabileceği bir diğer yüksek potansiyelli alan ise kaza tahminidir. Makine öğrenme teknikleri ve tahmine dayalı analizler kullanılarak, yapay zeka büyük kaza veri kümelerindeki gizli kalıpları belirleyebilir, olayların olasılığını tahmin edebilir ve daha hassas önleyici tedbirlerin tasarlanmasını destekleyebilir [ 21 , 22 , 26 , 115 ].

Bu modeller, tarihsel kaza verilerinden, güvenlik gözlemlerinden, performans göstergelerinden ve bağlamsal değişkenlerden (çevresel koşullar, vardiyalar, iş yükü, işçi deneyimi vb.) yararlanır. Sınıflandırma algoritmaları ve sinir ağları kullanarak, yapay zeka geleneksel istatistiksel yöntemlerle tespit edilemeyen korelasyonları belirler [ 21 , 22 , 26 ]. Örneğin, bir tahmin sistemi, birikmiş yorgunluk, yüksek sıcaklıklar ve artan üretim hızının birleşiminin bir montaj hattında kaza olasılığını önemli ölçüde artırdığını gösterebilir.

İnşaat [ 43 , 47 ], madencilik [ 44 , 115 ] veya ulaşım [ 67 , 68 ] gibi yüksek riskli sektörlerde , yapay zeka modelleri halihazırda denetimleri önceliklendirmek, görevleri planlamak veya güvenlik protokollerini ayarlamak için kullanılmaktadır. Yeraltı madenciliğinde, tahmin algoritmaları, ekipman arızalarını veya güvenli olmayan eylemleri öngörmek için gaz sensörlerini, titreşim verilerini ve insan davranışı göstergelerini entegre eder. Ulaşımda, yapay zeka tabanlı görüş sistemleri, sürücünün dikkat dağınıklığını veya uykululuğunu tespit ederek kaza oranlarını azaltmaya yardımcı olan otomatik uyarılar üretir.

Dahası, yapay zeka dinamik risk yönetimini mümkün kılar: modeller sürekli olarak yeni bilgilerle güncellenir ve veri kümesi büyüdükçe doğrulukları artar. Bu sürekli öğrenme yeteneği, risk gerçekleşmeden önce önlemlerin uygulandığı reaktif önlemeden öngörücü önlemeye geçişi destekler [ 21 , 22 , 26 ].

Ancak, kaza tahmininde yapay zekanın kullanımı etik ve metodolojik zorluklar ortaya çıkarmaktadır. Model güvenilirliği, veri kalitesine ve algoritma şeffaflığına bağlıdır. Önyargılı veya yetersiz eğitilmiş bir model yanlış alarmlar üretebilir veya tam tersine gerçek riskleri gözden kaçırabilir [ 22 , 24 , 62 , 80 ]. Bu nedenle, karar izlenebilirliğinin sağlanması, modellerin güvenlik uzmanlarıyla doğrulanması ve önleyici kararlarda insan gözetiminin sürdürülmesi esastır.

Özetle, kaza tahminine uygulanan yapay zeka, iş sağlığı ve güvenliği alanındaki en olgun ve dönüştürücü dijitalleşme uygulamalarından birini temsil etmekte olup, gizli nedenlerin belirlenmesini, müdahalelerin önceliklendirilmesini ve kaynakların optimize edilmesini sağlamaktadır. Bununla birlikte, önlemenin tamamen algoritmik olmaktan ziyade insan merkezli kalmasını sağlamak için, uygulanmasının veri kalitesi, şeffaflık ve etik denetim konularında net politikalarla desteklenmesi gerekmektedir.

5.3. Sorumlu ve Güvenli Entegrasyon Deneyimleri

İş sağlığı ve güvenliği risklerinin önlenmesinde yapay zekâ ile ilgili son deneyimler, faydaların büyük ölçüde bu teknolojilerin nasıl uygulandığına ve yönetildiğine bağlı olduğunu göstermektedir. En başarılı projeler, yapay zekâyı sorumlu, katılımcı ve insan merkezli bir önleme stratejisine entegre eden projelerdir [ 87 , 116 ].

Avrupa’da, yapay zekanın çalışma koşullarını izlemek, ergonomiyi geliştirmek ve işçi özerkliğinden ödün vermeden operasyonel güvenliği optimize etmek için kullanıldığı Endüstri 4.0 çerçevesindeki çeşitli pilot girişimler öne çıkmaktadır. Almanya, İsveç ve Hollanda’daki programlar, yapay zekanın eğitim, güvenlik komitelerinin katılımı ve insan etkisinin sürekli değerlendirilmesi ile birlikte kullanıldığında en etkili olduğunu göstermektedir [ 1 , 59 , 87 , 117 ].

İlgili bir örnek, tahmine dayalı ve uyarlanabilir sistemler aracılığıyla işyeri refahını ve güvenliğini iyileştiren yapay zeka araçları geliştirmek üzere tasarlanmış Avrupa “AI@Work” projesidir. Bu girişimlerde yapay zeka, profesyonel yargının yerini almak yerine önleyici karar verme için bir destek görevi görür [ 26 , 62 ]. Benzer şekilde, sağlık ve lojistik sektörlerinde, birçok şirket, önleme uzmanlarının geleneksel gözlemlerini tamamlayan aşırı yüklenmeleri veya güvenli olmayan hareketleri tespit etmek için akıllı sistemler entegre etmiştir [ 36 , 37 , 44 , 65 ].

Bu deneyimler, teknolojik bir yönetişim çerçevesi oluşturmanın önemini de vurgulamıştır. İş sağlığı ve güvenliği, bilgisayar bilimi, etik ve insan kaynakları alanlarında uzmanları içeren çok disiplinli komiteler oluşturmak, yapay zeka sistemlerinin işyerindeki uygunluğunu ve etkisini değerlendirmeye yardımcı olur [ 87 ]. Benzer şekilde, veri kullanımında şeffaflık, gizliliğe saygı ve önleyici hedeflerin açık bir şekilde iletilmesi, güven oluşturmak ve izleme veya aşırı kontrol algılarını önlemek için gerekli koşullardır.

Son olarak, sorumlu entegrasyon projeleri, yapay zekanın örgütsel öğrenme için bir katalizör görevi görebileceğini göstermektedir. Akıllı sistemler tarafından üretilen veriler, eğilimleri belirlemeye, eylemleri önceliklendirmeye ve önleme kültürünü güçlendirmeye yardımcı olur. Bununla birlikte, bu potansiyel ancak kuruluşlar teknolojik yeniliği etik, kanıt ve tüm paydaşların aktif katılımıyla birleştiren sürekli iyileştirme zihniyetini benimsediklerinde gerçekleşir [ 21 , 22 , 87 ].

Özetle, sorumlu ve güvenli entegrasyon deneyimleri, yapay zekanın önleme alanındaki başarısının yalnızca teknik yeteneklerine değil, aynı zamanda iş sağlığı ve güvenliği risklerinin önlenmesinin temel değerleriyle uyumuna da bağlı olduğunu göstermektedir: katılım, şeffaflık ve çalışanların kapsamlı korunması.

6. Tartışmalar ve Geleceğe Yönelik Perspektifler

6.1. Yenilikçilik ve İşçi Koruması Arasında Denge Kurma

İşyerinde yapay zekanın ilerlemesi, önleme açısından merkezi bir zorluk ortaya koymaktadır: teknolojik yeniliği işçilerin korunmasıyla dengelemek. Dijitalleşme riskleri azaltabilir ve verimliliği artırabilir, ancak verimlilik güvenlik ve sağlığın önüne geçirilirse yeni güvenlik açıkları da ortaya çıkarabilir [ 1 , 23 , 87 ].

Bu dengeyi sağlamak, yapay zekanın tarafsız olmadığını kabul etmeyi gerektirir: tasarımı ve kullanımı, neyin optimize edileceği, ölçüleceği veya göz ardı edileceği konusunda insan kararlarını yansıtır. Algoritmalar yalnızca verimliliğe odaklandığında, üretim baskıları yaratabilir [ 1 ], iş yükünü yoğunlaştırabilir [ 90 ] veya belirli grupları dışlayabilir [ 94 ]. Tersine, sürdürülebilirlik ve sosyal adalet kriterleriyle tasarlanmış yapay zeka, aşırı yükleri belirleyerek, tehlikeli görevleri otomatikleştirerek ve riskleri gerçekleşmeden önce tahmin ederek önlemeyi destekleyebilir [ 118 ].

Çeşitli uluslararası deneyimler, uygun yönetişim mekanizmalarının mevcut olması koşuluyla, teknolojik yenilik ve işçi korumasının uyumlu olduğunu göstermektedir. Avrupa Sanayi 5.0 Stratejisi, teknolojinin refah ve güvenliğe tabi kılındığı “insan merkezli” bir dijitalleşme yaklaşımını desteklemektedir. Benzer şekilde, ILO ve AB-OSHA raporları, bu teknolojilerin uygulanmasından önce insan üzerindeki etkilerinin sistematik olarak değerlendirilmesi gerektiğinin altını çizmektedir.

Bu dengeyi sağlamak üç temel sütunu güçlendirmeyi gerektirir: birincisi, yeniliği güvenlik odaklı bir örgütsel kültüre entegre edebilen önleyici liderlik; ikincisi, kabulü ve güveni güçlendiren akıllı sistemlerin tasarımında, doğrulanmasında ve denetiminde işçi katılımı; ve son olarak, otomatik kararların çalışma koşullarını ve görev dağılımını nasıl etkilediğinin net bir şekilde anlaşılmasını sağlayan algoritmik şeffaflık [ 62 , 86 , 87 ].

Özetle, zorluk inovasyonu durdurmak değil, onu insan refahına yönlendirmek ve yapay zekanın özerkliği, sağlığı ve güvenliği baltalamak yerine geliştirmesini sağlamaktır. Geleceğin önlenmesi, teknoloji ve etik arasında bir köprü görevi görmeli ve her dijital ilerlemenin çalışma hayatı kalitesinde gerçek bir iyileşmeye dönüşmesini sağlamalıdır.

6.2. Önleyici Dijital Okuryazarlığın Zorlukları

İşyerinde yapay zekanın yaygınlaşması sadece yeni teknolojiler değil, aynı zamanda yeni yetkinlikler de gerektiriyor. 21. yüzyıl mesleki risk önleme çalışmalarının en büyük zorluklarından biri, önleyici dijital okuryazarlığı, yani dijital teknolojileri güvenlik, sağlık ve etik perspektifinden anlama, kullanma ve denetleme yeteneğini teşvik etmektir [ 1 , 62 , 87 , 119 ].

Bu okuryazarlık teknik yeterliliğin ötesine geçer: işçileri ve önleme uzmanlarını teknoloji hakkında eleştirel düşünme konusunda eğitmeyi, algoritmik önyargıları sorgulamalarını, akıllı sistemler tarafından üretilen verileri yorumlamalarını ve otomasyonun ne zaman yeni riskler yaratabileceğini anlamalarını sağlamayı gerektirir [ 62 , 87 , 88 ]. Buna göre, önleyici eğitim, yapay zeka modellerinin nasıl çalıştığı, verilerin nasıl işlendiği ve bu teknolojilerin işyerinde uygulanması sırasında hangi etik sınırların gözetilmesi gerektiği konusunda temel kavramları içermelidir.

Önde gelen kuruluşlar, dijital yetkinlikleri sosyal ve etik becerilerle birleştiren hibrit eğitim programlarını bünyelerine katıyorlar. Örneğin, atölye çalışmaları giderek artan bir şekilde veri analizi araçlarını “tasarımla güvenlik” veya “tasarımla etik” ilkeleriyle birlikte öğretiyor [ 62 ], böylece çok disiplinli bir yaklaşımı teşvik ediyor [ 61 , 87 ]. Finlandiya ve Almanya gibi ülkelerde, endüstriyel işçiler için ulusal yapay zeka eğitim girişimleri, önleyici boyutu sürekli öğrenmeye entegre ediyor [ 120 ].

Benzer şekilde, önleme hizmetleri, ortaya çıkan riskleri değerlendirmede mühendisler, bilgisayar bilimciler ve yöneticilerle işbirliği yapabilecek veri bilimi, dijital ergonomi ve teknolojik etik alanlarında yetkinliklere sahip profesyonel profilleri içerecek şekilde uyarlanmalıdır. Bu bilgi birleşimi, yapay zekanın gözetim veya kontrol aracı olarak değil, iyileştirme aracı olarak kullanılmasını sağlamak için gereklidir [ 62 , 87 ].

Önleyici dijital okuryazarlığın sosyal bir boyutu da vardır: nesiller, cinsiyetler ve eğitim seviyeleri arasındaki teknolojik uçurumu azaltmak. Eğer yapay zekayı sadece birkaç kişi anlıyorsa, iş gücü eşitsizliklerinin yeniden üretilmesi ve dijital teknolojilere daha az aşina olan işçilerin dışlanması riski vardır [ 81 , 87 , 94 ]. Bu nedenle, eğitim kapsayıcı, erişilebilir ve güçlendirmeye yönelik olmalı ve herkesin etkileşimde bulunduğu akıllı araçların işleyişini ve sonuçlarını anlamasını sağlamalıdır.

Özetle, önleyici dijital okuryazarlık, güvenli, adil ve sürdürülebilir bir dijitalleşme için stratejik bir temeldir. Bu sadece yapay zekayı kullanmayı öğrenmekle ilgili değil, aynı zamanda onunla eleştirel bir şekilde etkileşim kurmayı, potansiyelini özerkliği, mesleki yeterliliği ve iş yerinde sağlığın korunmasını güçlendiren önleyici bir kültüre entegre etmeyi öğrenmekle ilgilidir.

6.3. İş Sağlığı ve Güvenliğinde Yapay Zekanın Kullanımına Yönelik Etik ve Yönetişim Çerçevesine Duyulan İhtiyaç

Yapay zekanın iş dünyasına hızla entegrasyonu, düzenleyici ve etik çerçevelerin uyarlanmasının önüne geçmiştir. Sonuç olarak, mesleki risk önleme alanında sorumlu, şeffaf ve insan merkezli kullanımını sağlayan sağlam yapay zeka yönetişim sistemlerinin kurulmasına acil ihtiyaç vardır [ 23 , 24 , 82 ].

Etik çerçeve, teknolojik gelişmenin bir sınırlaması olarak değil, sosyal ve önleyici meşruiyetinin bir ön koşulu olarak görülmelidir. İşyerinde yapay zeka, çalışanların sağlığını, özerkliğini ve temel haklarını doğrudan etkiler; bu nedenle, kullanımı adalet, açıklanabilirlik, gizlilik ve anlamlı insan kontrolü ilkeleriyle yönlendirilmelidir [ 23 , 82 ]. OECD Yapay Zeka İlkeleri ve Avrupa Birliği Yapay Zeka Yasası gibi uluslararası araçlara yerleştirilmiş bu ilkeler, güvenli ve adil çalışma ortamları sağlamak için önleyici bir bakış açısıyla yeniden yorumlanmalıdır.

İş sağlığı ve güvenliği risklerinin önlenmesinde etik yapay zeka yönetimi, üç tamamlayıcı düzeyde eylem gerektirir. Birincisi, risk değerlendirmesi, algoritmik denetim ve sistem arızası veya önyargı durumlarında yasal sorumluluk için net standartlar oluşturması gereken normatif düzeydir [ 4 , 23 , 82 ]. İkincisi, şirketlerin dijital etik komiteleri ve akıllı sistemlerin periyodik denetimleri de dahil olmak üzere şeffaflık, katılım ve etik eğitim politikaları uygulaması gereken organizasyonel düzeydir [ 86 , 87 , 101 ]. Son olarak, “tasarımla güvenlik” ilkelerini izleyerek güvenlik, yorumlanabilirlik ve izlenebilirlik garantileri ile algoritmalar tasarlamayı gerektiren teknik düzeydir [ 62 , 80 ].

Avrupa Komisyonu, Yapay Zeka Yasası [ 4 ] aracılığıyla, insan yönetimi ve iş güvenliğini etkileyenler de dahil olmak üzere yüksek riskli yapay zeka sistemlerini sınıflandırarak ve önceden uygunluk değerlendirmeleri, veri izlenebilirliği ve insan gözetimi gerektirerek kararlı bir adım atmıştır. Bu düzenleme, AB-OSHA [ 109 ] ve ILO [ 110 ]’nun tavsiyeleriyle birlikte bir paradigma değişimini işaret etmektedir: iş riski önleme, teknolojinin etik tasarımından ayrılamaz.

Ancak, düzenlemelerin ötesinde, bu çerçevenin başarısı, kuruluşlar içindeki önleyici ve etik kültüre bağlıdır. Yapay zekanın sorumlu bir şekilde benimsenmesi, teknik, sosyal ve iş sağlığı perspektiflerini entegre edebilen çok disiplinli ekipler gerektirir [ 26 , 61 ]. Eşitsizlikleri azaltan ve çalışanların akıllı sistemlerin teknolojik ve etik temellerini anlamalarını sağlayan kapsayıcı bir dijital kültürün geliştirilmesi de esastır [ 81 ]. Yapay zeka, ancak işbirlikçi, kanıta dayalı bir yaklaşımla daha güvenli, daha adil ve daha insan merkezli bir çalışmaya gerçekten katkıda bulunabilir.

Küresel bir perspektiften bakıldığında, uluslararası karşılaştırmalı analizler, ülkelerin yapay zeka yönetimine yaklaşım biçimlerinde önemli farklılıklar olduğunu vurgulamaktadır. Dünya Bankası, farklı ekonomik ve düzenleyici bağlamlarda yapay zekanın toplumsal ve işgücü üzerindeki etkilerini yönetmek için düzenleyici araçları, etik yönergeleri, kurumsal kapasite geliştirmeyi ve risk temelli yaklaşımları birleştiren gelişen ulusal stratejileri belgelemiştir [ 121 ].

Özetle, iş sağlığı ve güvenliği risklerinin önlenmesinde yapay zekâ için etik ve yönetişim çerçevesi geliştirmek isteğe bağlı bir eklenti değil, dijital inovasyonun önlemenin temel değerleriyle uyumlu bir şekilde ilerlemesini sağlamak için olmazsa olmaz bir gerekliliktir: işçilerin yaşamını, onurunu ve refahını korumak.

6.4. Yapay Zeka, İkame Olasılıklarının Sınırları ve Yeni Varoluşsal Riskler

Farklı yapay zekâ aileleri evrimsel yörüngelerini ve etkileşimlerini pekiştirirken, yeni psikososyal ve mesleki riskler ortaya çıkmakta ve bu teknolojiler çalışanların bilişsel kapasitelerini taklit etme yeteneklerini artırdıkça genişlemektedir. Aşağıdaki bölümde, işgücü piyasalarını şekillendiren üç yapay zekâ ailesine göre bu yeni risk ortamı kısaca incelenecektir.

Bu bağlamda, yapay zekâ gelişiminin farklı seviyeleri arasında ayrım yapmak faydalıdır. Yapay Dar Zekâ (YZ), önceden tanımlanmış hedefler ve kısıtlamalar altında çalışan, sınırlı bir alanda belirli görevleri yerine getirmek üzere tasarlanmış yapay zekâ sistemlerini ifade eder. İş yerlerinde şu anda kullanılan yapay zekâ uygulamalarının çoğu bu kategoriye girer. Buna karşılık, Yapay Genel Zekâ (YZ), insan zekâsına benzer bir seviyede, geniş bir görev yelpazesinde bilgi anlama, öğrenme ve uygulama yeteneğine sahip varsayımsal yapay zekâ sistemlerini tanımlar. YZ henüz gerçekleşmemiş olsa da, potansiyel ortaya çıkışı derin etik, sosyal ve mesleki sonuçlar doğurmaktadır.

Tahmine dayalı yapay zeka (PAI), otomasyon ve işgücü kontrolü arasındaki bağlantı iki büyük sosyal zorluğu ortaya çıkarıyor. PAI genellikle ortalama verimliliği artırmak için kullanılır, ancak marjinal verimliliği artırmak için değil. PAI’nin daha fazla ve daha iyi iş yaratabilmesi için, her iki verimlilik türünde de iyileştirmeler sağlayan ve yeni işe alımları haklı çıkaran yeni görevler ortaya çıkmalıdır. Dahası, PAI’nin standart otomasyon ve kontrol süreçlerinin ötesine geçmesi ve büyük ölçekte işi geliştirmesi için, makine kullanışlılığına ve zekâların tamamlayıcılığına dayalı yaklaşımlar gerektirir [ 122 ]. Başka bir deyişle, PAI insan yararına yönelik olmalı, işçilerin becerileri ise kullanımlarıyla uyumlu olmalıdır. Bu, PAI’nin ekonomik dinamizmi sürdürmek için yeterli yaratıcı yıkımı üretememesi riskini önlemek için ana sosyal zorluktur [ 123 ].

Ayrıca, tahmine dayalı yapay zekanın (PAI) bireyler ve firmalar arasındaki kutuplaşma ve eşitsizlik üzerindeki etkilerini dikkate almak da önemlidir. Ölçek ve kapsam ekonomilerinin yanı sıra, ekonomik dağıtımında yerleşik ağ, platform, önyargı ve kutuplaşma etkileri nedeniyle, kuruluşlar PAI’yi kullanarak tahminleri otomatikleştirebilir ve verimli, düşük maliyetli (neredeyse sıfır marjinal yeniden üretim maliyetiyle) ve yüksek ölçeklenebilir dijital iş modelleri oluşturabilirler. Bu verimlilik ve ölçeklenebilirlik, küçük firmalara göre büyük firmalar için çok daha ulaşılabilir olup, bilişsel beceriler de dahil olmak üzere düşük ve orta beceri düzeyine sahip çalışanların yerini alma eğilimindedir [ 124 ]. Bu kutuplaşma şu anda PAI ile bağlantılı ana varoluşsal risktir. Çalışanları koruyan ve becerilerini geliştiren kamu politikalarıyla hafifletilebilse de, önemli bir endişe kaynağı olmaya devam etmektedir [ 125 ]. Tablo 2, üç yapay zeka ailesinin temel özelliklerini ve ilgili varoluşsal ve aşırı riskleri özetlemektedir.

Tablo 2. Yapay Zekalar, Şirketler ve İstihdam: Özellikler, Sosyal Zorluklar ve Aşırı Riskler.

 

 

Üretken Yapay Zeka (GAI) ve yaratma değeri, rutin bilişsel görevleri otomatikleştirerek ve çalışanların daha yaratıcı, daha yüksek değerli faaliyetlere yönelmesini sağlayarak verimliliği ve istihdamı artırabilir [ 11 ]. Prensip olarak, GAI, çalışanlar hangi görevleri paylaşacaklarına karar verme yeteneğini korurlarsa, etkili insan-makine işbirliğini destekleyebilir. Bununla birlikte, işgücü üzerindeki etkilerine dair kanıtlar sınırlı kalmaktadır. Özellikle büyük sağlayıcılar daha güçlü ücretli GAI modellerini standartlaştırdıkça ve benimseme kararlarını bireylerden şirketlere kaydırdıkça, daha fazla araştırmaya ihtiyaç duyulmaktadır. İş kalitesi, ücretler ve iş sağlığı üzerindeki etkisi konusunda da belirsizlik devam etmektedir. Yeni GAI ile ilgili işlerin doğası veya bu teknoloji işyerlerine tamamen entegre edildikten sonra becerilerin, iş yoğunluğunun veya özerkliğin nasıl değişebileceği konusunda hala çok az kanıt bulunmaktadır [ 126 ].

Şimdilik, GAI’nin en çok kullanıldığı meslek olan ofis işinin, aynı zamanda ikame edilme riski en yüksek olan ve iş kalitesi ve iş sağlığı açısından en önemli sorunları yaşayan meslek olduğunu biliyoruz. Yaygın yapay zeka kullanımına rağmen, birçok çalışan hala rutin, tekrarlayan veya hoş olmayan görevleri, izleme veya içerik denetimi gibi bilişsel işlerde görüldüğü gibi, güvencesiz veya sıkı kontrol altında koşullar altında yerine getirmektedir [ 127 ]. GAI özellikle rutin olmayan bilişsel işleri ve bilgi yoğun sektörleri etkilediğinden ve kariyerlerinin başındaki genç çalışanlar özellikle savunmasız olduğundan, bölgesel ve yerel düzeylerde işgücü piyasası kutuplaşması da artmaktadır [ 128 ].

GAI’nin yönlendirdiği hızlı üretken ve emek dönüşümü göz önüne alındığında, işçi eğitimi ve bilişsel çalışmadaki değişiklikler, ana sosyal zorluğu temsil etmektedir. Önümüzdeki yıllarda, GAI ile etkileşim kurmak için eğitim, yeniden beceri kazanma ve yeni bilişsel yeteneklere olan ihtiyaç önemli olacaktır. Bu talebin karşılanamaması, yaygın beceri kaybı, artan eşitsizlik ve sosyal kutuplaşma risklerini artırarak çatışma ve varoluşsal risk olasılığını yükseltebilir. Araştırmalar ayrıca, eğitim ve sağlıkta GAI’ye eşitsiz erişimle ve ayrıca dezenformasyon veya bireysel, sivil ve siyasi hakların aşınması için kullanımıyla bağlantılı büyük risklere işaret etmektedir [ 129 ]. Bu bağlamda, ortak tasarlanmış açık üretken algoritmalar ve belirli veri kümelerinin kamu mülkiyeti yoluyla GAI’nin kamusal değerinin yeniden sağlanması, ortak sosyal ilerlemenin inşası için hayati önem taşıyacaktır.

Ayrık ekonomik büyümeyi ve sosyal olarak uyumsuz ilerlemeyi yönlendirebilen dönüştürücü yapay zekanın (TAI) ortaya çıkışı, insanlık için aşırı risk olasılığını önemli ölçüde artırmaktadır. Araştırmacılar arasında, fikir üretimi ve yenilik de dahil olmak üzere ekonomik dinamikler için gerekli olan çoğu insan becerisini taklit edebilen ve gerçekleştirebilen son derece etkili bir çoklu ajan TAI’nin teknik olarak mümkün olduğu konusunda geniş bir fikir birliği vardır. Büyük dil modellerinin ve üretken yapay zekanın yükselişiyle, TAI’nin gelişine ilişkin tahminler yaklaşık on yıl ileriye kayarak, şimdi 2030’lardan 2040’ların başlarına kadar öngörülmektedir [ 130 ]. Ölçeklendirme hipotezine göre, mevcut derin öğrenme modellerinde, özellikle evrişimsel ve üretken düşman ağlarında, veri, katman ve parametrelerdeki büyük artışlar, sürdürülebilir anlamlı öğrenmeyi ve yeni dönüştürücü kapasitelerin ortaya çıkmasını sağlayacaktır [ 131 ].

TAI’nin ortaya çıkışında ve varoluşsal risklerinde bir diğer önemli faktör, insan emeği, refahı ve sosyal gelişmeyle uyumsuzluktur [ 132 ]. Gerçekten de, uyum sorunu çözülmezse, aşırı risklerin ortaya çıkması neredeyse kesin olarak kabul edilebilir [ 16 ]. Tahmin edici ve üretken yapay zekâlar, büyük ölçüde bilgisayar bilimi ve veri bilimi uzmanları tarafından teknik ve optimizasyon odaklı kriterler izlenerek geliştirilmektedir. Bu teknolojik çözümcü yaklaşım, çok sayıda önyargı üretir ve sınırlı sosyal etik içerir. Bu sistemler, otomasyon ve kontrol mantığıyla, zenginlik yaratan ancak aynı zamanda rant elde eden iş modelleri aracılığıyla, bir avuç süperstar teknoloji firmasında yoğunlaşarak devreye alınır. Giderek artan sayıda insan becerisinin yerini alırlar ve bireyler, firmalar, gruplar ve bölgeler arasında son derece dengesiz kullanımlar sergilerler [ 17 , 133 ].

7. Sonuçlar

7.1. Başlıca Katkıların Sentezi

İşyerinde yapay zekanın ilerlemesi, önleme açısından temel bir zorluk ortaya koymaktadır: teknolojik yenilik ile işçilerin korunması arasında denge kurmak. Dijitalleşme riskleri azaltabilir ve verimliliği artırabilir, ancak eğer verimlilik güvenlik ve sağlığın önüne geçerse yeni güvenlik açıkları da yaratabilir.

Yapay zekanın iş dünyasına entegrasyonu, iş sağlığı ve güvenliği risk önleme (ORP) paradigmalarını derinden dönüştürüyor. Bu çalışma, yapay zekanın iki ucu keskin bir araç olduğunu göstermiştir: Güvenliği güçlendirebilir, riskleri öngörebilir ve karar verme süreçlerini iyileştirebilir; ancak doğru yönetilmediği takdirde eşitsizlikleri artırabilir, yeni bilişsel yükler yaratabilir ve mesleki özerkliği aşındırabilir.

En önemli gelişmeler, makine öğrenimi, akıllı sensörler ve büyük ölçekli veri analitiği yoluyla ergonomik risklerin erken tespiti, kaza tahmini ve psikososyal faktörlerin değerlendirilmesinde ortaya çıkmaktadır. Etik ve katılımcı çerçeveler içinde uygulandığında, bu teknolojiler daha proaktif, kişiselleştirilmiş ve kanıta dayalı önleme potansiyeli göstermektedir.

Ancak analiz, düzenleyici, etik ve yetkinlik çerçevelerinin güçlendirilmesi ihtiyacını da vurgulamaktadır. Dijitalleşme, ORP’nin temel değerleriyle uyumlu olmalıdır: onur, katılım ve bütünsel sağlık. Endüstri 5.0 ve Avrupa Yapay Zeka Yasası gibi gelişmeler, teknoloji sorumluluk ve şeffaflıkla tasarlanıp uygulandığında inovasyon ve refahın uyumlu olduğunu göstermektedir.

Özetle, yapay zeka çağında önlemenin geleceği, teknolojik zekayı etik ve örgütsel zekayla uyumlu hale getirme konusundaki kolektif yeteneğimize bağlı olacaktır; bu da her dijital ilerlemenin daha güvenli, daha adil ve daha insan merkezli iş yerlerine dönüşmesini sağlayacaktır.

7.2. Disiplinlerarası Araştırma ve Sürekli Güncelleme Çağrısı

İş sağlığı ve güvenliği risklerinin önlenmesinde yapay zekanın sorumlu bir şekilde kullanılması, mühendislik, ergonomi, psikoloji, etik, hukuk ve organizasyon yönetimi gibi disiplinleri entegre eden disiplinlerarası bir bilimsel gündem gerektirir. Ortaya çıkan risklerin anlaşılması teknik analizle sınırlı kalmamalı; dijitalleşmiş çalışmanın sosyal, bilişsel ve kültürel boyutlarını da ele almalıdır. Akıllı sistemlerin güvenlik, ruh sağlığı ve iş yeri eşitliği üzerindeki gerçek etkisini değerlendiren uygulamalı araştırmaları teşvik etmek esastır. Geleceğe yönelik çalışmalar, algoritmik yönetişim, dijital gözetim, yapay zeka etkileşimiyle ilişkili bilişsel yük ve otonom sistemlerin yasal ve önleyici sorumluluk üzerindeki etkileri gibi konuları ele almalıdır.

Benzer şekilde, iş sağlığı ve güvenliği risklerinin önlenmesine yönelik eğitimlerin sürekli güncellenmesi stratejik bir temel oluşturmaktadır. Önleyici dijital okuryazarlık, eleştirel düşünme, kanıta dayalı yönetim ve teknolojinin etik anlayışını içerecek şekilde tüm organizasyonel seviyelere yayılmalıdır. Ancak o zaman önleme uzmanları, teknik yeterlilik ve güçlü insani bağlılıkla gelecekteki riskleri öngörebilecek ve yönetebileceklerdir.

Sonuç olarak, yapay zeka önleyici işlevi ortadan kaldırmayacak, ancak yöntemlerini ve sorumluluklarını yeniden tanımlayacaktır. Yirmi birinci yüzyılda önleme, temel misyonundan (iş yerinde insanların yaşamını, sağlığını ve refahını korumak) vazgeçmeden teknolojik değişime eşlik etmeye odaklanan, daha disiplinlerarası, daha etik ve daha uyarlanabilir olmalıdır.

7.3. Dönüştürücü Yapay Zekanın Ortaya Çıkan Risklerini Yönetme İhtiyacının Artması

Yapay zekâ ve genel zekânın ortaya çıkışıyla bağlantılı tüm işlev bozukluklarına ve sorunlara, insanlığı fikir üretme ve inovasyonda geride bırakabilecek, böylece ekonomik büyümeyi insan katkısından ayırabilecek bir yapay zekânın ortaya çıkma olasılığını da eklersek, insanlık için riskler muazzam olacaktır. Zenginliği tahmin etme, yaratma ve dönüştürme konusunda üstün kapasitelerine dayanan, akıllı makineler tarafından yönlendirilen bir ekonomi ve toplumun ortaya çıkışı, yalnızca varoluşsal bir risk oluşturmakla kalmayacak, aynı zamanda benzeri görülmemiş emek ve sosyal sonuçlar da doğuracaktır.

İşin ne olduğu, görevlerin insanlar ve makineler arasında nasıl paylaştırıldığı, ilgili teşvikler ve sonuçlar ile işin sosyal olarak nasıl örgütlendiği yeniden tanımlanmalıdır. Ayrıca, insan-makine kaynaşmasının yaşandığı transhümanist bir bağlamda veya insanların ayrıcalıklarını üstün makinelere kaptırdığı post-Antroposen senaryolarında bireysel ve sosyal yaşamı ele almak da çok önemlidir. Tekillik veya yapay bilinç senaryoları olmasa bile, ekonomi, özellikle emek alanında, insanlığı birçok boyutta, benzeri görülmemiş bir etkiyle gereksiz hale getirebilir. Teknoloji ve emek ekonomistleri de dahil olmak üzere bilim camiasında artan endişeyle kanıtlandığı üzere, artık bilim kurgu olmayan bu aşırı riskleri yönetmeye başlamak gereklidir.

 

Referanslar

1. Howard, J. Algoritmalar ve işin geleceği.  J. Ind. Med. 2022, 65 , 943–952. [ Google Scholar ] [ CrossRef ]
2. Georgieff, A.; Hyee, R. Yapay zekâ ve istihdam: Yeni ülkeler arası kanıtlar.  Artif. Intell. 2022, 5 , 832736. [ Google Scholar ] [ CrossRef ]
3. Yapay Zeka Sisteminin Güncellenmiş OECD Tanımına İlişkin Açıklayıcı Not ; OECD Yapay Zeka Bildirileri No. 8; OECD Yayınları: Paris, Fransa, 2024. Çevrimiçi olarak şu adresten erişilebilir: https://www.oecd.org/en/publications/explanatory-memorandum-on-the-updated-oecd-definition-of-an-ai-system_623da898-en.html (erişim tarihi: 15 Kasım 2025).
4. Avrupa Birliği. Yapay Zeka Hakkında Avrupa Parlamentosu ve Konseyi’nin 13 Haziran 2024 tarihli (AB) 2024/1689 sayılı Yönetmeliği (Yapay Zeka Yasası); Avrupa Birliği Resmi Gazetesi; Avrupa Birliği: Brüksel, Belçika, 2024. Çevrimiçi olarak şu adresten erişilebilir: https://artificialintelligenceact.eu/ai-act-explorer/ (15 Kasım 2025 tarihinde erişildi).
5. Yapay Zekanın Etiğine İlişkin Tavsiye Kararı ; UNESCO: Paris, Fransa, 2021. Çevrimiçi olarak şu adresten erişilebilir: https://unesdoc.unesco.org/ark:/48223/pf0000381137 (erişim tarihi: 15 Kasım 2025).
6. Chhillar, D.; Aguilera, RV Yapay zekâya bakış: Yapay zekânın yönetimine dair içgörüler ve gelecekteki araştırmalar için vizyon.  Soc. 2022, 61 , 1197–1241. [ Google Scholar ] [ CrossRef ]
7. Torrent-Sellens, J. Homo digitalis: Dijital dönüşüm ve geçişin yeni bir siyasi ekonomisi için anlatı. Yeni Siyasi Ekonomi. 2024, 29 , 125–143. [ Google Scholar ] [ CrossRef ]
8. Goldfarb, A.; Taska, B.; Teodoridis, F. Makine öğrenimi genel amaçlı bir teknoloji olabilir mi? Çevrimiçi iş ilanlarından elde edilen veriler kullanılarak ortaya çıkan teknolojilerin karşılaştırılması.  Policy 2023, 52 , 104653. [ Google Scholar ] [ CrossRef ]
9. Torrent-Sellens, J. Dijital geçiş, veri ve görev tabanlı kitle ekonomisi ve paylaşılan sosyal ilerleme: Avrupa perspektifinden yeni bir siyasi ekonominin ortaya çıkarılması. Teknoloji ve Toplum. 2024, 79 , 102739. [ Google Scholar ] [ CrossRef ]
10. Wang, S.; Cooper, N.; Eby, M. İnsan merkezli yapay zekadan sosyal merkezli yapay zekaya: ChatGPT’nin yıkıcı olaylar yoluyla etkisinin değerlendirilmesi. Big Data Soc. 2024, 11 , 20539517241290220. [ Google Scholar ] [ CrossRef ]
11. Eloundou, T.; Manning, S.; Mishkin, P.; Rock, D. GPT’ler GPT’lerdir: LLM’lerin işgücü piyasası üzerindeki potansiyel etkisi. Science 2024, 384 , 1306–1308. [ Google Scholar ] [ CrossRef ]
12. Erdil, E.; Besiroglu, T. Yapay zekâ otomasyonundan kaynaklanan patlayıcı büyüme: Argümanların bir incelemesi. arXiv 2023, arXiv:2309.11690. [ Google Scholar ] [ CrossRef ]
13. Gmyrek, P.; Berg, J.; Bescond, D. Üretken Yapay Zeka ve İşler: İş Miktarı ve Kalitesi Üzerindeki Potansiyel Etkilerin Küresel Analizi; ILO Çalışma Belgesi No. 96; Uluslararası Çalışma Örgütü: Cenevre, İsviçre, 2023. [ Google Scholar ]
14. Autor, D.; Chin, C.; Salomons, A.; Seegmiller, B. Yeni ufuklar: Yeni işin kökenleri ve içeriği, 1940–2018. QJ Econ. 2024, 139 , 1399–1465. [ Google Scholar ] [ CrossRef ]
15. Agrawal, AK; Gans, JS; Goldfarb, A. İhtiyaca Göre Deha: Dönüştürücü Yapay Zekanın Değeri; NBER Çalışma Belgesi No. w34316; Ulusal Ekonomik Araştırma Bürosu: Cambridge, MA, ABD, 2025. [ Google Scholar ]
16. Growiec, J. Dönüştürücü bir yapay zekadan kaynaklanan varoluşsal risk: Ekonomik bir bakış açısı. Teknoloji, Ekonomi, Kalkınma ve Ekonomi 2024, 30 , 1682–1708. [ Google Scholar ] [ CrossRef ]
17. Jones, CI Yapay Zeka İkilemi: Büyüme mi, varoluşsal risk mi?  Econ. Rev. Insights 2024, 6 , 575–590. [ Google Scholar ] [ CrossRef ]
18. Trammell, P.; Korinek, A. Dönüştürücü Yapay Zeka Altında Ekonomik Büyüme; NBER Çalışma Belgesi No. 31815; Ulusal Ekonomik Araştırma Bürosu: Cambridge, MA, ABD, 2023. [ Google Scholar ]
19. Bengio, Y.; Hinton, G.; Yao, A.; Şarkı, D.; Abbeel, P.; Darrell, T.; Harari, YN; Zhang, Y.-Q.; Xue, L.; Shalev-Shwartz, S.; ve ark. Hızlı ilerlemenin ortasında aşırı yapay zeka risklerini yönetmek. Bilim 2024, 384 , 842–845. [ Google Akademik ] [ CrossRef ] [ PubMed ]
20. Acemoglu, D.; Lensman, T. Dönüştürücü teknolojilerin düzenlenmesi.  Econ. Rev. Insights 2024, 6 , 359–376. [ Google Scholar ] [ CrossRef ]
21. Pishgar, M.; Issa, SF; Sietsema, M.; Pratap, P.; Darabi, H. REDECA: Yapay zekayı ve iş sağlığı ve güvenliğindeki uygulamalarını incelemek için yeni bir çerçeve.  J. Environ. Res. Public Health 2021, 18 , 6705. [ Google Scholar ] [ CrossRef ]
22. Tang, KHD İnşaat, madencilik ve petrol ve gaz sektörlerinde iş sağlığı ve güvenliği risk yönetiminde yapay zekâ: Gelişmeler ve beklentiler.  Eng. Res. Rep. 2024, 26 , 241–253. [ Google Scholar ] [ CrossRef ]
23. Todolí-Signes, A. Algoritmaları işçiler için güvenli hale getirmek: Yapay zekâ tarafından yönetilen işlerle ilişkili mesleki riskler.  Eur. Rev. Labour Res. 2021, 27 , 433–452. [ Google Scholar ] [ CrossRef ]
24. El-Helaly, M. Yapay zekâ ve iş sağlığı ve güvenliği: Faydaları ve dezavantajları.  Lav. 2024, 115 , e2024014. [ Google Scholar ] [ CrossRef ]
25. Thangamani, R.; Suguna, RK; Kamalam, GK. Hesaplamalı zekâ içeren insansız hava araçları ve otonom robotik. Mekatronikte Hesaplamalı Zekâ Teknikleriiçinde ; Wiley: Hoboken, NJ, ABD, 2024; s. 243–296. [ Google Scholar ] [ CrossRef ]
26. Jetha, A.; Bakhtari, H.; Irvin, E.; Biswas, A.; Smith, MJ; Mustard, C.; Arrandale, VH; Dennerlein, JT; Smith, PM Yapay zekâ kullanan iş sağlığı ve güvenliği araçlarının işçi yaralanması veya hastalığı üzerinde ölçülebilir bir etkisi var mı? Sistematik bir incelemeden elde edilen bulgular.  Rev. 2025, 14 , 146. [ Google Scholar ] [ CrossRef ]
27. Castillo, C.; Shahriari, M.; Casarejos, F.; Arezes, P. İş sağlığı ve güvenliğinde önde gelen operasyonel göstergelerin önceliklendirilmesi.  J. Occup. Saf. Ergon. 2023, 29 , 806–814. [ Google Scholar ] [ CrossRef ]
28. Gallego, A.; Kurer, T. İşyerinde otomasyon, dijitalleşme ve yapay zeka: Siyasi davranış üzerindeki etkileri. Yıllık Siyasi Bilimler İncelemesi. 2022, 25 , 463–484. [ Google Scholar ] [ CrossRef ]
29. Mathew, D.; Brintha, NC; Jappes, JW Yapay zekâ destekli otomasyon Endüstri 4.0 için. Modern İşletmelerde Endüstri 4.0 için Yeni Ufuklar; Springer International Publishing: Cham, İsviçre, 2023; ss. 1–28. [ Google Scholar ] [ CrossRef ]
30. Spring, M.; Faulconbridge, J.; Sarwar, A. Bilgi teknolojisi süreçleri nasıl otomatikleştirir ve geliştirir: Profesyonel hizmet operasyonlarında yapay zekâ tabanlı sistemlerden elde edilen bilgiler.  Oper. Manag. 2022, 68 , 592–618. [ Google Scholar ] [ CrossRef ]
31. Nicolescu, L.; Tudorache, MT Müşteri hizmetlerinde insan-bilgisayar etkileşimi: Yapay zekâ sohbet robotlarıyla deneyim—Sistematik bir literatür incelemesi. Elektronik 2022, 11 , 1579. [ Google Scholar ] [ CrossRef ]
32. Tschang, FT; Almirall, E. Otomasyonu destekleyici yapay zekâ: İstihdam üzerindeki etkileri.  Manag. Perspect. 2021, 35 , 642–659. [ Google Scholar ] [ CrossRef ]
33. Leyer, M.; Schneider, S. Yapay zekâ ile karar artırma ve otomasyon: Yöneticiler için tehdit mi, fırsat mı?  Horiz. 2021, 64 , 711–724. [ Google Scholar ] [ CrossRef ]
34. Porkodi, S.; Cedro, TL Modern İK karar alma süreçlerinde üretken yapay zekanın etik rolü: Sistematik bir literatür incelemesi.  J. Bus. Manag. Res. 2025, 10 , 44–55. [ Google Scholar ] [ CrossRef ]
35. Bankins, S. İnsan kaynakları yönetiminde yapay zekanın etik kullanımı: Bir karar verme çerçevesi. Etik Bilgi Teknolojisi. 2021, 23 , 841–854. [ Google Scholar ] [ CrossRef ]
36. Alves, M.; Seringa, J.; Silvestre, T.; Magalhães, T. Hastane yönetiminde karar verme süreçlerini desteklemek için yapay zeka araçlarının kullanımı. BMC Health Serv. Res. 2024, 24 , 1282. [ Google Scholar ] [ CrossRef ]
37. Khosravi, M.; Zare, Z.; Mojtabaeian, SM; Izadi, R. Yapay zekâ ve sağlık hizmetlerinde karar verme: Sistematik incelemelerin tematik analizi. Sağlık Hizmetleri Araştırma ve Yönetimi Epidemiyoloji. 2024, 11 , 23333928241234863. [ Google Scholar ] [ CrossRef ]
38. Alowais, SA; Alghamdi, SS; Alsuhebany, N.; Alqahtani, T.; Alshaya, AI; Almohareb, SN; Aldairem, A.; Alrashed, M.; Bin Saleh, K.; Badreldin, HA; ve diğerleri. Sağlık hizmetlerinde devrim: Yapay zekanın klinik uygulamadaki rolü. BMC Med. Educ. 2023, 23 , 689. [ Google Scholar ] [ CrossRef ]
39. Patalas-Maliszewska, J.; Dudek, A.; Pajak, G.; Pajak, I. İnsan-robot işbirliğinde güvenlik sorunlarını çözmeye yönelik çalışmalar: Makine öğrenmesi algoritmaları kullanarak çarpışmaları tanıma üzerine bir vaka çalışması. Elektronik 2024, 13 , 731. [ Google Scholar ] [ CrossRef ]
40. Jung, K.; Yang, JS İnsan-robot işbirliğinde güvenlik zorluklarının azaltılması: İnsan yetkinliğinin rolü. Teknoloji Tahmini Toplumsal Değişim 2025, 213 , 124022. [ Google Scholar ] [ CrossRef ]
41. Jiang, Z.; Xue, H.; Yue, H.; Bao, X.; Zhu, J.; Wang, X.; Zhang, L. Yapay zekâ destekli aktif titreşim ve gürültü kontrolüne ilişkin bir inceleme. Makineler 2025, 13 , 946. [ Google Scholar ] [ CrossRef ]
42. Adamopoulos, I.; Valamontes, A.; Tsirkas, P.; Dounias, G. Halk sağlığı müfettişleri arasında işyeri tehlikesi, stres ve tükenmişliğin tahmin edilmesi: İklim değişikliği bağlamında yapay zeka destekli bir analiz.  J. Investig. Health Psychol. Educ. 2025, 15 , 65. [ Google Scholar ] [ CrossRef ] [ PubMed ]
43. Deng, S.; Ni, P.; Zhu, H.; Cai, Y.; Pan, Y. İnşaat işçilerinin potansiyel tehlikeli davranışlarını tahmin etmek ve açıklamak için yapay zeka. İnşaat Mühendisliği Yönetimi Dergisi. 2024, 150 , 04024074. [ Google Scholar ] [ CrossRef ]
44. Arthur, AA; Annankra, JA; Yakin, Z. Madencilik operasyonlarında kaza önleme için tehlike tespiti ve tahmine dayalı analitiğin iyileştirilmesinde yapay zeka ve makine öğreniminin rolünün incelenmesi. World J. Adv. Eng. Technol. Sci. 2025, 15 , 640–646. [ Google Scholar ] [ CrossRef ]
45. Abioye, SO; Oyedele, LO; Akanbi, L.; Ajayi, A.; Delgado, JMD; Bilal, M.; Akinade, OO; Ahmed, A. İnşaat sektöründe yapay zeka: Mevcut durum, fırsatlar ve gelecekteki zorlukların bir incelemesi.  Build. Eng. 2021, 44 , 103299. [ Google Scholar ] [ CrossRef ]
46. Klumpp, M. İşletme lojistik sistemlerinde otomasyon ve yapay zeka: İnsan tepkileri ve işbirliği gereksinimleri.  J. Logist. Res. Appl. 2018, 21 , 224–242. [ Google Scholar ] [ CrossRef ]
47. Richey, RG, Jr.; Chowdhury, S.; Davis-Sramek, B.; Giannakis, M.; Dwivedi, YK Lojistik ve tedarik zinciri yönetiminde yapay zeka: Araştırma için bir giriş ve yol haritası.  Bus. Logist. 2023, 44 , 532–549. [ Google Scholar ] [ CrossRef ]
48. Kediya, S.; Mohanty, V.; Saifee, M.; Kumar, R.; Agrawal, L.; Kulkarni, A. Lojistikte yapay zeka ve işin geleceği: İş gücü dönüşümü üzerine bir Delphi çalışması. 2024 2. DMIHER Uluslararası Sağlık, Eğitim ve Sanayide Yapay Zeka Konferansı (IDICAIEI) Bildirilerinde, Wardha, Hindistan, 29-30 Kasım 2024; IEEE: Piscataway, NJ, ABD; ss. 1-6. [ Google Scholar] [ CrossRef ]
49. Daher, E.; Schoeib, S. IR4’te entegre, uzaktan, dijital kapalı alan izleme. SPE Uluslararası Sağlık, Güvenlik, Çevre ve Sürdürülebilirlik Konferansı ve Sergisi Bildirileri, Abu Dabi, Birleşik Arap Emirlikleri, 10-12 Eylül 2024; Bildiri D021S015R002. Petrol Mühendisleri Derneği: Richardson, TX, ABD. [ Google Scholar] [ CrossRef ]
50. Moura, DR; da Silva, PD; Gomes, RC; Alberto, P.; Siviero, FM; Calabria, L.; Hoentsch, K. Kapalı alanlarda izleme ve risk önleme için yapay zeka platformu. Offshore Teknoloji Konferansı Bildirileri, Houston, TX, ABD, 5–8 Mayıs 2025; Bildiri D041S054R008. OTC: Houston, TX, ABD. [ Google Scholar] [ CrossRef ]
51. Ollero, A.; Suarez, A.; Marredo, JM; Cioffi, G.; Penicka, R.; Vasiljevic, G.; Viguria, A. Akıllı hava robotlarının elektrik enerji hatlarının denetimi ve bakımına uygulanması. Kritik Altyapılarda Denetim ve Bakım için Robotik ve Otomasyon Çözümleri; Now Publishers: Norwell, MA, ABD, 2024. [ Google Scholar ]
52. Chan, VC; Ross, GB; Clouthier, AL; Fischer, SL; Graham, RB İşle ilgili kas-iskelet sistemi rahatsızlıklarının birincil önlenmesinde makine öğreniminin rolü: Kapsamlı bir inceleme. Uygulamalı Ergonomi. 2022, 98 , 103574. [ Google Scholar ] [ CrossRef ]
53. Jung, S.; Kim, B.; Kim, YJ; Lee, ES; Kang, D.; Kim, Y. Makine öğrenimi kullanarak omuz kas-iskelet sistemi rahatsızlıklarının işle ilişkili olup olmadığının tahmin edilmesi.  Health Work 2025, 16 , 113–121. [ Google Scholar ] [ CrossRef ] [ PubMed ]
54. Shakerian, M.; Barakat, S.; Saber, E. Yapay zekâ yaklaşımı kullanılarak işe bağlı kas-iskelet sistemi rahatsızlıklarının risk yönetimi (Anlatısal inceleme).  Occup. Health Epidemiol. 2025, 14 , 214–225. [ Google Scholar ] [ CrossRef ]
55. Svertoka, E.; Saafi, S.; Rusu-Casandra, A.; Burget, R.; Marghescu, I.; Hosek, J.; Ometov, A. Endüstriyel iş güvenliği için giyilebilir ürünler: Bir araştırma. Sensörler 2021, 21 , 3844. [ Google Akademik ] [ CrossRef ] [ PubMed ]
56. Naranjo, JE; Mora, CA; Bustamante Villagómez, DF; Mancheno Falconi, MG; Garcia, MV Endüstriyel ergonomide giyilebilir sensörler: Endüstri 4.0’da güvenlik ve verimliliğin artırılması. Sensörler 2025, 25 , 1526. [ Google Scholar ] [ CrossRef ]
57. Garrigou, A.; Daniellou, F.; Carballeda, G.; Ruaud, S. Katılımcı tasarımda faaliyet analizi ve katılımcı tasarım faaliyetinin analizi.  J. Ind. Ergon. 1995, 15 , 311–327. [ Google Scholar ] [ CrossRef ]
58. Barcellini, F.; Van Belleghem, L.; Daniellou, F. Tasarım projeleri, faaliyetlerin geliştirilmesi için fırsatlar olarak.  Ergon. 2014, 2014 , 150–163. [ Google Scholar ]
59. Koutroumpinas, P.; Zhang, Y.; Wallis, S.; Chang, E. Enerji verimliliği ve iş sağlığı ve güvenliği için yapay zekâ destekli siber fiziksel ekosistem. Energies 2021, 14 , 4214. [ Google Scholar ] [ CrossRef ]
60. Khurram, M.; Zhang, C.; Muhammad, S.; Kishnani, H.; An, K.; Abeywardena, K.; Chadha, U.; Behdinan, K. Üretim sektöründe işçi güvenliğinde yapay zeka: Tehlike önleme ve azaltma için yeni bir paradigma. Processes 2025, 13 , 1312. [ Google Scholar ] [ CrossRef ]
61. Sawyer, BD; Miller, DB; Canham, M.; Karwowski, W. A3 tasarımında insan faktörleri ve ergonomi: Otomasyon, özerklik ve yapay zeka. İnsan Faktörleri ve Ergonomi El Kitabı’nda; Wiley: Hoboken, NJ, ABD, 2021; s. 1385–1416. [ Google Scholar ] [ CrossRef ]
62. Mollaei, N.; Fujao, C.; Silva, L.; Rodrigues, J.; Cepeda, C.; Gamboa, H. İnsan merkezli açıklanabilir yapay zeka: Kas-iskelet sistemi semptomlarının önlenmesinde otomotiv iş sağlığı koruma profilleri.  J. Environ. Res. Public Health 2022, 19 , 9552. [ Google Scholar ] [ CrossRef ]
63. Sundaram, S.; Zeid, A. Üretim için yapay zekâ tabanlı akıllı kalite kontrolü. Mikromakineler 2023, 14 , 570. [ Google Scholar ] [ CrossRef ]
64. Archana, T.; Stephen, RK. Üretim sektörlerinde yapay zekanın geleceği. Endüstriyel Uygulamalar: Gerçek Zamanlı Veri ve Yapay Zeka ile Yakınsama; IGI Global Scientific Publishing: Hershey, PA, ABD, 2024; ss. 98–117. [ Google Scholar ] [ CrossRef ]
65. Colim, A.; Faria, C.; Cunha, J.; Oliveira, J.; Sousa, N.; Rocha, LA. İşbirlikçi robotik yoluyla bir montaj iş istasyonunun fiziksel ergonomik iyileştirilmesi ve güvenli tasarımı. Güvenlik 2021, 7 , 14. [ Google Scholar ] [ CrossRef ]
66. Patil, S.; Vasu, V.; Srinadh, KVS İşbirlikçi robotikteki gelişmeler ve perspektifler: Temel teknolojilerin ve ortaya çıkan trendlerin bir incelemesi.  Mech. Eng. 2023, 2 , 13. [ Google Scholar ] [ CrossRef ]
67. Mediavilla, MA; Dietrich, F.; Palm, D. Tedarik zinciri yönetiminde talep tahmini için yapay zeka yöntemlerinin incelenmesi ve analizi. Procedia CIRP 2022, 107 , 1126–1131. [ Google Scholar ] [ CrossRef ]
68. Bathla, G.; Bhadane, K.; Singh, RK; Kumar, R.; Aluvalu, R.; Krishnamurthi, R.; Kumar, A.; Thakur, RN; Basheer, S. Otonom araçlar ve akıllı otomasyon: Uygulamalar, zorluklar ve fırsatlar.  Inf. Syst. 2022, 2022 , 7632892. [ Google Scholar ] [ CrossRef ]
69. Li, Y.; He, J. Havacılıkta yorgunluk ve uyku sorunlarını tespit etme stratejilerinin incelenmesi: Yapay zekâdan elde edilen bilgiler.  Comput. Methods Eng. 2024, 31 , 4655–4672. [ Google Scholar ] [ CrossRef ]
70. Mehra, I.; Samuel, AJ Yapay zekâ destekli otonom araçlar: Güvenlik, etik ve düzenleyici zorluklar.  Sci. Technol. Eng. Res. 2024, 2 , 18–31. [ Google Scholar ] [ CrossRef ]
71. Chauhan, AS; Singh, R.; Priyadarshi, N.; Twala, B.; Suthar, S.; Swami, S. Gelişmiş teknolojilerin gücünü devrim niteliğinde tıbbi görüntüleme için serbest bırakmak: Yapay zekâ ile sağlık hizmetleri alanında öncü olmak.  Artif. Intell. 2024, 4 , 58. [ Google Scholar ] [ CrossRef ]
72. Khalifa, M.; Albadawy, M. Klinik tahmin için yapay zeka: Temel alanları ve önemli işlevleri keşfetmek.  Methods Programs Biomed. Update 2024, 5 , 100148. [ Google Scholar ] [ CrossRef ]
73. Fagundes, TP; Wichmann, RM; Oliveira, TAD İş sağlığı üzerine büyük veri: Ne kadar ilerledik?  Bras. Saúde Ocup. 2024, 49 , edcinq11. [ Google Scholar ] [ CrossRef ]
74. Popa, MV; Buzea, CG; Gurzu, IL; Salim, C.; Gurzu, B.; Rusu, DI; Ochiuz, L.; Duceac, LD İş sağlığı için entegre bir yapay zeka çerçevesi: Sağlık çalışanlarında tükenmişlik, uzun süreli COVID ve uzun süreli hastalık izninin tahmin edilmesi. Sağlık Hizmetleri 2025, 13 , 2266. [ Google Scholar ] [ CrossRef ]
75. Heinold, E.; Rosen, PH; Wischniewski, S. Sağlık hizmetlerinde gelişmiş robotlar ve bunların sağlık çalışanlarının sağlık ve güvenliği üzerindeki etkisi. 2024 33. IEEE Uluslararası Robot ve İnsan Etkileşimli İletişim Konferansı (RO-MAN) Bildirilerinde, Pasadena, CA, ABD, 26-30 Ağustos 2024; IEEE: Piscataway, NJ, ABD; ss. 258-263. [ Google Scholar] [ CrossRef ]
76. Ahmadi, S. Finans sektöründe büyük veri ve yapay zekanın entegrasyonu ve bunun mevcut ve gelecekteki fırsatlar üzerindeki etkisine ilişkin kapsamlı bir çalışma.  J. Curr. Sci. Res. Rev. 2024, 7 , 66–74. [ Google Scholar ] [ CrossRef ]
77. Fettahoglu, S.; Yikilmaz, I. Örgütsel dayanıklılık için teknostresi yeniden çerçevelendirmek: Muhasebe ve finansal raporlama uzmanlarının performansında tekno-östresin aracı rolü. Sistemler 2025, 13 , 550. [ Google Scholar ] [ CrossRef ]
78. Caligiore, D. Yapay Zeka ile Şifa, 1. baskı; CRC Press: Boca Raton, FL, ABD, 2025. [ Google Scholar ] [ CrossRef ]
79. Tao, Y.; Hu, H.; Xue, J.; Zhang, Z.; Xu, F. Küresel bulanık küme ve alternatif kuyruk yönteminin entegrasyonu ile çok kriterli karar çerçevesine dayalı inşaat işçileri için ergonomik risklerin değerlendirilmesi. Sürdürülebilirlik 2024, 16 , 3950. [ Google Scholar ] [ CrossRef ]
80. Berezutskyi, V. Yapay zekanın iş güvenliğine uygulanmasının risklerinin değerlendirilmesi. Teknoloji Denetimi Ürün Rezervleri 2025, 5 , 26–32. [ Google Scholar ] [ CrossRef ]
81. Farahani, M.; Ghasemi, G. Yapay zekâ ve eşitsizlik: Zorluklar ve fırsatlar.  J. Innov. Educ. 2024, 9 , 78–99. [ Google Scholar ] [ CrossRef ]
82. Faioli, M. İşyerinde yapay zekâ destekli robotların risk ve yükümlülüklerinin değerlendirilmesi: AB-ABD karşılaştırması.  Sicur. Lav. 2025, 1 , 79–113. [ Google Scholar ] [ CrossRef ]
83. Bail, C.; Harth, V.; Mache, S. Ürolojide dijitalleşme—Hekimlerin teknostresi, tükenmişliği, işe bağlılığı ve iş memnuniyeti arasındaki ilişkileri inceleyen çok yöntemli bir çalışma. Sağlık Hizmetleri 2023, 11 , 2255. [ Google Scholar ] [ CrossRef ]
84. Routray, R.; Choudhary, P.; Sinha, V. Akıllı teknoloji ve gelişmiş refah: Yapay zeka dijital aşırı yüklenmeyi hafifletebilir mi? Future Bus. J. 2025, 11 , 268. [ Google Scholar ] [ CrossRef ]
85. Zhang, S.; Guo, P.; Yuan, Y.; Ji, Y. Kaygı mı yoksa bağlılık mı? Yapay zekâ çağında teknostresin çalışanların yenilikçi davranışları üzerindeki etkisine dair araştırma. Acta Psychol. 2025, 259 , 105442. [ Google Scholar ] [ CrossRef ]
86. Van Zoonen, W.; von Bonsdorff, ME; van der Heijden, BI Algoritmik gözetim ve çalışanların uyumu: Çevrimiçi kitlesel çalışmada güven, gizlilik kaygıları ve adaletin rolü. İnsan İlişkileri. OnlineFirst . [ Google Scholar ] [ CrossRef ]
87. Benlian, A.; Wiener, M.; Cram, WA; Krasnova, H.; Maedche, A.; Möhlmann, M.; Recker, J.; Remus, U. Algoritmik yönetim: Parlak ve karanlık yönleri, pratik etkileri ve araştırma fırsatları.  Inf. Syst. Eng. 2022, 64 , 825–839. [ Google Scholar ] [ CrossRef ]
88. Jarrahi, MH; Newlands, G.; Lee, MK; Wolf, CT; Kinder, E.; Sutherland, W. İş bağlamında algoritmik yönetim. Big Data Soc. 2021, 8 , 20539517211020332. [ Google Scholar ] [ CrossRef ]
89. Jabagi, N.; Croteau, AM; Audebrand, LK; Marsan, J. Algoritmalar adil mi davranıyor? Algoritmalar tarafından alınan İK kararlarının algılanan adilliğinin ve bunların serbest çalışanlar üzerindeki etkilerinin analizi.  J. Hum. Resour. Manag. 2025, 36 , 235–274. [ Google Scholar ] [ CrossRef ]
90. Christenko, A. Otomasyon ve iş yoğunluğu arasındaki karmaşık ilişki: Seçilmiş AB ülkelerinden elde edilen kanıtlar.  Rev. Appl. Econ. 2024, 38 , 438–454. [ Google Scholar ] [ CrossRef ]
91. Mojumder, MU; Ruddro, RA Endüstriyel sistemlerde insan-makine arayüzleri: Yarı otomatik tesislerde güvenliği ve verimliliği artırma.  J. Interdiscip. Stud. 2023, 4 , 1–26. [ Google Scholar ] [ CrossRef ]
92. Natali, C.; Marconi, L.; Dias Duran, LD; Cabitza, F. Yapay zekâ kaynaklı tıpta beceri kaybı: Karma yöntemli bir inceleme ve sağlık hizmetleri ve ötesi için araştırma gündemi. Yapay Zekâ İncelemesi 2025, 58 , 356. [ Google Scholar ] [ CrossRef ]
93. Khan, V. Yapay zeka ve cinsiyet önyargısı: Dil modellerinde algoritmik ayrımcılığın analizi.  Gend. Power Soc. Transform. 2024, 1 , 31–40. [ Google Scholar ]
94. Kyriakidou, O. Algoritmalar ve küresel çeşitlilik yönetimi. Küresel Çeşitlilik Yönetimi Araştırma El Kitabı’nda; Edward Elgar Publishing: Cheltenham, Birleşik Krallık, 2025; s. 148–163. [ Google Scholar ] [ CrossRef ]
95. Nazer, LH; Zatarah, R.; Waldrip, S.; Ke, JXC; Moukheiber, M.; Khanna, AK; Hicklen, RS; Moukheiber, L.; Moukheiber, D.; Ma, H.; ve diğerleri. Yapay zeka algoritmalarındaki önyargı ve azaltma önerileri. PLoS Dijital Sağlık 2023, 2 , e0000278. [ Google Scholar ] [ CrossRef ]
96. Chhibber, S.; Rajkumar, SR; Dassanayake, S. Yapay zekâ 2030 yılına kadar küresel işgücünü yeniden şekillendirecek mi? İş kaybı ve dönüşümün sektörler arası analizi. Blockchain Yapay Zekâ Gelecek Araştırmaları 2025, 1 , 35–51. [ Google Scholar ] [ CrossRef ]
97. Graham, CM Siber güvenlikte yapay zeka becerileri: Küresel iş trendleri analizi. Bilgi, Bilgisayar ve Güvenlik. 2025, 33 , 673–689. [ Google Scholar ] [ CrossRef ]
98. Ersanlı, CY; Çelik, F.; Barjesteh, H.; Duran, V.; Manoochehrzadeh, M. Yapay zekâ çağında küresel yeniden beceri kazandırma ve beceri geliştirme girişimlerinin bir incelemesi. AI Ethics 2025, 5 , 5719–5728. [ Google Scholar ] [ CrossRef ]
99. Andino-González, P.; Vega-Muñoz, A.; Salazar-Sepúlveda, G.; Contreras-Barraza, N.; Lay, N.; Gil-Marín, M. Sürdürülebilir örgütsel gelişimde yönetim becerilerini ölçmek için doğrulayıcı faktör analizi kullanan çalışmaların sistematik incelemesi. Sürdürülebilirlik 2025, 17 , 2373. [ Google Scholar ] [ CrossRef ]
100. Cuadrado-Roura, JR; Kourtit, K.; Nijkamp, ​​P. Mekânsal eşitsizlikler, yakınsama ve ekonomik kalkınma: Küresel ve yerel bir bakış açısı.  Reg. Sci. 2025, 74 , 83. [ Google Scholar ] [ CrossRef ]
101. Hasija, A.; Esper, TL Yapay zekâya (YZ) güveniyoruz: YZ teknolojisinin kabulüne ilişkin nitel bir araştırma.  Bus. Logist. 2022, 43 , 388–412. [ Google Scholar ] [ CrossRef ]
102. Rane, N.; Choudhary, SP; Rane, J. Yapay zekanın kabulü: Temel faktörler, zorluklar ve uygulama stratejileri.  Appl. Artif. Intell. 2024, 5 , 50–70. [ Google Scholar ] [ CrossRef ]
103. Zeb, S.; Lodhi, SK Yapay zeka ve siber güvenlik akıllı üretimde: Endüstriyel sistemlerin korunması.  J. Artif. Intell. Comput. 2025, 1 , 1–23. [ Google Scholar ]
104. Ogunmolu, AM; Olaniyi, OO; Popoola, AD; Olisa, AO; Bamigbade, O. Akıllı üretim sistemlerinde arıza tespiti ve kendi kendini onarma için otonom yapay zeka ajanları.  Energy Res. Rev. 2025, 17 , 20–37. [ Google Scholar ] [ CrossRef ]
105. _{Delanoë, P.; Tchuente, D.; Colin, G. Yapay zeka modellerinin CO2}emisyonlarını azaltmadaki etkin kazancının yöntemi ve değerlendirmeleri .  Environ. Manag. 2023 , 331 , 117261. [ Google Scholar ] [ CrossRef ]
106. Pimenow, S.; Pimenowa, O.; Prus, P. Yapay zekâ geliştirmenin enerji tüketimi ve iklim değişikliği üzerindeki etkisi bağlamındaki zorlukları. Energies 2024, 17 , 5965. [ Google Scholar ] [ CrossRef ]
107. Abisoye, A.; Akerele, JI; Odio, PE; Collins, A.; Babatunde, GO; Mustapha, SD Yapay zeka ve makine öğrenimi kullanarak kritik altyapıdaki siber güvenlik risklerini tahmin etme ve azaltma.  J. Eng. Res. Dev. 2025, 21 , 205–224. [ Google Scholar ]
108. Côté, D.; Gravel, S.; Gladu, S.; Bakhiyi, B.; Gravel, S. Resmi elektronik atık geri dönüşüm tesislerinde işçi sağlığı.  J. Workplace Health Manag. 2021, 14 , 292–309. [ Google Scholar ] [ CrossRef ]
109. AB-OSHA. Dijitalleşme ve Yapay Zeka ile İlişkili Yeni ve Ortaya Çıkan İş Sağlığı ve Güvenliği Risklerine İlişkin Öngörüler; Avrupa İş Sağlığı ve Güvenliği Ajansı: Bilbao, İspanya.
110. Yapay Zeka ve Dijitalleşme İş Sağlığı ve Güvenliğini Dönüştürüyor ; Uluslararası Çalışma Örgütü, Haber/Politika Kaynağı: Cenevre, İsviçre, 2025.
111. Mishiba, T. İş sağlığı ve güvenliği düzenlemelerinin dönüştürülmesi: Endüstri 4.0 çağında stratejik yollar. İş Sağlığı ve Güvenliği Düzenlemeleri Dergisi 2024, 3 , 150–168. [ Google Scholar ] [ CrossRef ]
112. Hastalık Kontrol ve Önleme Merkezleri. Yapay Zeka Destekli İşyerlerinde Çalışanların Güvenliğini Sağlamaya Yönelik Yaklaşımların Araştırılması. 9 Eylül 2024, John Howard, MD ve Paul A. Schulte, PhD tarafından. Çevrimiçi olarak şu adreste mevcuttur: https://www.cdc.gov/niosh/blogs/2024/ai-risk-management.html(erişim tarihi: 20 Kasım 2025).
113. Eom, T.; Im, S.; Lee, EH; Kim, RJ; Ihm, J. Sanal gerçeklik tabanlı gerçek zamanlı ergonomi eğitiminin diş hekimliği duruşunun iyileştirilmesindeki etkinliği.  Dent. J. 2025, 75 , 103908. [ Google Scholar ] [ CrossRef ]
114. Hamilton, BC; Dairywala, MI; Highet, A.; Nguyen, TC; O’Sullivan, P.; Chern, H.; Soriano, IS Yapay zekâ tabanlı gerçek zamanlı video ergonomik değerlendirme ve eğitim, asistan hekimlerin ergonomisini iyileştiriyor.  J. Surg. 2023, 226 , 741–746. [ Google Scholar ] [ CrossRef ] [ PubMed ]
115. Vinay, LS; Bhattacharjee, RM; Ghosh, N.; Kumar, S. Yeraltı madenlerinde madencilik kaynaklı stresi tahmin etmek ve zemin kontrolü felaketlerini ve kazalarını azaltmak için makine öğrenmesi yaklaşımı.  Geophys. Geo Energy Geo Resour. 2023, 9 , 159. [ Google Scholar ] [ CrossRef ]
116. Mishiba, T.; Brun, E.; Anyfantis, I.; McGarry, F.; Kort, J.; Suzuki, K.; Furukawa, K.; Yamagiwa, K. Yapay zeka çağında iş sağlığı ve güvenliği politikası üzerine uluslararası çevrimiçi konferans.  Work. Health Saf. Regul. 2025, 4 , cor.25-008. [ Google Scholar ] [ CrossRef ]
117. Lombardi, I.; Monaco, MGL; Capece, S. Avrupa veri ve çerçeve analizi: Üretim 4.0’da insan-makine etkileşimi: Bir güncelleme. Kimya Mühendisliği İşlemleri 2024, 111 , 199–204. [ Google Scholar ] [ CrossRef ]
118. Naidoo, CM; Obi, CL; Mkolo, NM Gelecek trendler ve yenilikler: İş sağlığı ve güvenliğinde yapay zekanın gelecekteki potansiyelini keşfetmek. İş Sağlığı ve Güvenliğinde Yapay Zeka Yenilikleri Üzerine Vaka Çalışmaları; IGI Global Scientific Publishing: Hershey, PA, ABD, 2025; ss. 115–140. [ Google Scholar ] [ CrossRef ]
119. El Bouchikhi, M.; Weerts, S.; Clavien, C. İş sağlığı ve güvenliği için dijital araçların faydalarının ardındaki gerçekler: Nesnelerin İnterneti kullanımını çevreleyen etik sorunlara ilişkin kapsamlı bir inceleme.  Public Health 2024, 12 , 1468646. [ Google Scholar ] [ CrossRef ]
120. Qawqzeh, Y.; Shraah, AA; Rizwan, A.; Sánchez-Chero, M.; More, LAV; Shabaz, M. Endüstri 4.0’da sürdürülebilir sağlık ve iş güvenliği için sanal gerçeklik tabanlı eğitimin etkinliğinin araştırılması.  Rep. 2025, 15 , 28930. [ Google Scholar ] [ CrossRef ]
121. Sharmista, A.; Jeremy, N. Yapay Zeka Yönetişiminde Küresel Trendler: Gelişen Ülke Yaklaşımları (İngilizce); Dünya Bankası Grubu: Washington, DC, ABD; Çevrimiçi olarak şu adresten erişilebilir: http://documents.worldbank.org/curated/en/099120224205026271 (erişim tarihi: 20 Kasım 2025).
122. Acemoğlu, D.; Johnson, S. Poder ve İlerleme: Teknoloji ve Prosperidad İçin Nuestra Lucha Milenaria; Deusto/Planeta: Barselona, ​​İspanya, 2023. [ Google Akademik ]
123. Aghion, P.; Antonin, C.; Bunel, S. El Poder de la Destrucción Creativa: ¿Qué Impulsa el Crecimiento Económico?Deusto/Planeta: Barselona, ​​İspanya, 2021. [ Google Akademik ]
124. Torrent-Sellens, J.; Díaz-Chao, A.; Miró-Pérez, AP; Sainz, J. Tyrell şirketine doğru mu? İspanya’da dijitalleşme, firma büyüklüğü ve verimlilik farklılaşması.  Innov. Knowl. 2022, 7 , 100185. [ Google Scholar ] [ CrossRef ]
125. Castellani, D.; Lamperti, F. Avrupa Genelinde Toplu Megatrendler ve İşgücü Piyasasından Dışlanma Riski; Avrupa Birliği: Brüksel, Belçika; Avrupa Araştırma Yürütme Ajansı: Brüksel, Belçika, 2024. [ Google Scholar ]
126. Margaryan, A. Yapay zekâ ve iş yerindeki beceriler: Bütünleştirici bir araştırma gündemi. Big Data Soc. 2023, 10 , 20539517231206804. [ Google Scholar ] [ CrossRef ]
127. Muldoon, J.; Graham, M.; Cant, C. Makineyi Beslemek: Yapay Zekaya Güç Veren Gizli İnsan Emeği; Canongate Books: Edinburgh, Birleşik Krallık, 2024. [ Google Scholar ]
128. İstihdam Yaratma ve Yerel Ekonomik Kalkınma 2024: Üretken Yapay Zekanın Coğrafyası ; OECD Yayınları: Paris, Fransa, 2024. [ CrossRef ]
129. Capraro, V.; Lentsch, A.; Acemoğlu, D.; Akgün, S.; Akhmedova, A.; Bilanchini, E.; Bonnefon, J.-F.; Brañas-Garza, P.; Butera, L.; Douglas, KM; ve ark. Üretken yapay zekanın sosyoekonomik eşitsizlikler ve politika oluşturma üzerindeki etkisi. PNAS Nexus 2024, 3 , pgae191. [ Google Akademik ] [ CrossRef ]
130. Grace, K.; Stewart, H.; Sandküler, JF; Thomas, S.; Weinstein-Raun, B.; Brauner, J. Yapay zekanın geleceği hakkında binlerce yapay zeka yazarı. arXiv 2024, arXiv:2401.02843. [ Google Scholar ] [ CrossRef ]
131. Bubeck, S.; Chandrasekaran, V.; Eldan, R.; Gehrke, J.; Horvitz, E.; Kamar, E.; Lee, P.; Lee, YT; Li, Y.; Lundberg, S.; ve diğerleri. Yapay genel zekanın kıvılcımları: GPT-4 ile erken deneyler. arXiv 2023, arXiv:2303.12712. [ Google Scholar ] [ CrossRef ]
132. Korinek, A.; Juelfs, M. Çalışmanın (var olmayan?) geleceğine hazırlanmak. Yapay Zeka Yönetişimi Oxford El Kitabı’nda; Bullock, JB, Ed.; Oxford University Press: Oxford, Birleşik Krallık, 2022; ss. 746–776. [ Google Scholar ] [ CrossRef ]
133. Belk, RW; Humayum, M.; Gopaldas, A. Yapay yaşam.  Macromark. 2020, 40 , 221–236. [ Google Scholar ] [ CrossRef ]

Ansiklopedi 2026 , 6 (1), 25; https://doi.org/10.3390/encyclopedia6010025

Gönderim tarihi: 1 Aralık 2025 / Güncellenme tarihi: 9 Ocak 2026 / Kabul tarihi: 15 Ocak 2026 / Yayınlanma tarihi: 19 Ocak 2026