27 Nisan 2026/Carl Benedikt Frey
Yapay zekayı savunanlar, teknolojinin saat başına üretim üzerindeki etkisinin, 1990’lar ve 2000’lerdeki kısa süreli patlamaya bile ulaşmasını görmekte şanslı olacaklardır. Verimlilik artışı beklentilerin altında kalacaktır; bunun nedeni teknolojinin zayıf olması değil, daha önceki dijital araçların büyük ölçüde kaçındığı bir darboğaz yaratmasıdır.
Yapay zeka girişimlerinin kurucusu Matt Shumer, sektörün teknolojinin bir sonraki büyük verimlilik patlamasını sağlayacağına dair artan güvenini yansıtan, yakın zamanda viral olan bir makalesinde , “Büyük Bir Şey Oluyor” diye yazmıştı . Şimdiye kadar ekonomi bu beklentiye uymadı. Aslında, 1970’lerde keskin bir şekilde yavaşlamasından bu yana, ABD verimliliği yalnızca kısa bir büyüme patlaması yaşadı: bilgisayar çağı. Saat başına üretim, 1990’ların sonlarında ve 2000’lerin başlarında yılda yaklaşık %3 oranında arttı ve ardından yavaşladı.
Yapay zekâ farklı olabilir mi? İyimserler , 2025’in dördüncü çeyreğinde yıllık %1,8 oranında büyüyen iş gücü verimliliğine işaret ediyor. Ancak San Francisco ABD Federal Rezerv Bankası’nın döngüsel yoğunluğu (insanları ve makineleri daha fazla çalıştırmanın etkisi) dışlayan daha temiz bir ölçümü, iş gücü verimliliğinin yıllık bazda sadece %0,2 arttığını gösteriyor. Bu, “büyük bir şey”in habercisi olmaktan çok uzak.
Tam tersine, teknolojinin kısa ömürlü bilgisayar devrimine bile denk gelmesini görmek bizim için büyük bir şans olurdu. Verimlilik artışı muhtemelen beklentilerin altında kalacak; bunun nedeni teknolojinin zayıf olması değil, kişisel bilgisayar ve internetin yaptığından temelde farklı bir şeyi otomatikleştirmesidir. Daha da önemlisi, yapay zeka, önceki dijital araçların büyük ölçüde kaçındığı bir darboğaz yaratıyor.
Bilgisayar devriminin aslında neyi otomatik hale getirdiğini düşünün: daha hızlı hesaplama ve bilgiye erişim. Kişisel bilgisayarlar, e-posta, elektronik tablolar ve internet, bilgi bulma, saklama ve iletme sürecindeki engelleri ortadan kaldırdı. Bir kaynağa ihtiyaç duyan bir araştırmacı artık kütüphanede arama yapmak veya postayla gelmesini beklemek zorunda kalmadı. Verimlilik kazanımları nispeten basitti çünkü insanlar daha yavaş olan yöntemin (kütüphane) yerine daha hızlı olan yöntemi (Google) kullanabiliyordu. Çevrimiçi bulunan bilgi, rafta bulacağınız bilgiyle aynıydı.
En önemlisi, bilgisayarlar temel işleri yaptıklarında bunu deterministik bir şekilde yaptılar. Bir elektronik tablo hatalı girdileri yayabilirdi, ancak aritmetiği icat etmedi. Arama motorları alakasız materyaller ortaya çıkarabilirdi, ancak kaynakları uydurmadılar. Başlıca risk, ikna edici bir icat değil, insan hatasıydı.
Yapay zekâ farklı bir şeyi otomatikleştiriyor: bilişsel çıktıların üretimini –yazmadan kodlamaya kadar–. Bu görevleri genellikle oldukça iyi bir şekilde yerine getiriyor. Ancak, inandırıcı görünen şekillerde güvenle yanlış da olabildiği için, bilgisayar devriminde yol alanların hiç karşılaşmadığı bir gerilim yaratıyor: Eğer insanlar yapay zekâ çıktılarını doğrulamak için süreçte kalmak zorundaysa, yapay zekânın yerine geçtiği varsayılan alan bilgisine de ihtiyaç duyacaklar. Güvenilirliği sağlamak hala kıt uzmanlık ve zaman gerektiriyor. Bu nedenle, üretimde kazanılan zamanın bir kısmı –ve bazen tamamen– akıl yürütmeyi yeniden yapılandırmak, iddiaları test etmek ve sonuçtan sorumluluk almak için harcanan zamanla dengeleniyor. Manhattan’daki bir iflas mahkemesi, bu sorunun en son örneğini bu ay sergiledi. Wall Street’in en prestijli firmalarından biri olan Sullivan & Cromwell, uydurma alıntılar ve yapay zeka tarafından üretilen diğer hatalarla dolu acil bir dilekçe sundu. Hatalar, firmanın kendi inceleme süreci tarafından değil, karşı tarafın avukatı tarafından tespit edildi. Olay absürttü, ancak aynı zamanda teşhis ediciydi. Akıcı çıktı üreten bir aracın, doğrulanabilir gerçeği talep eden bir dünyayla karşılaştığında neler olduğunu gösterdi.
Daha derin mesele sadece yapay zekanın yanılabilir olması değil. Asıl mesele hataların maliyetinin değişmesidir. Sistemler daha özerk hale geldikçe –sadece belirli komutlara yanıt olarak metin veya kod üretmek yerine, otonom olarak hareket ettikçe– hataların sonuçları daha da ağırlaşıyor. Bir paragrafı hayali olarak uyduran bir sohbet robotu can sıkıcıdır. Kod değiştiren, para transferi yapan, evrak işleyen, veritabanını silen veya sistemler arası eylemleri tetikleyen bir yapay zeka, makine hızında gerçek hasara yol açabilir.
Buna doğrulama vergisi diyelim. Birinin bir sonuçtan sorumlu olduğu herhangi bir ortamda—hukuk, tıp, düzenlenmiş finans, mühendislik veya kamu politikası—yapay zeka çıktısı bitmiş bir ürün değildir. Kontrol edilmesi gereken bir taslaktır. İş ortadan kaybolmaz; üretmekten denetlemeye dönüşür. Net verimlilik, taslak oluşturmada tasarruf edilen zamandan, güvenilirliğini sağlamak için harcanan zamandan çıkarıldığında elde edilir.
Dolayısıyla, müşteri desteği üzerine yapılan geniş kapsamlı bir saha araştırmasında , üretken bir yapay zeka asistanı, verimliliği ortalama %14 oranında artırmıştır; bu artış, yeni başlayanlar için çok daha büyük olurken, en deneyimli çalışanlar için çok az fayda sağlamıştır. Görevler standartlaştırıldığı için çıktılar daha kolay değerlendirilebilmiş ve araç en iyi uygulamaları hızlı bir şekilde yayabilmiştir.
Ancak bağlam daha karmaşık olduğunda ve doğruluğu gözlemlemek daha zorlaştığında, doğrulama yükü faydayı gölgede bırakabilir. Kendi depolarında çalışan deneyimli açık kaynak geliştiricileri üzerinde yapılan rastgele bir deneme , ileri düzey yapay zeka araçlarına erişimin onları yaklaşık %19 oranında yavaşlattığını ortaya koydu; bunun nedeni büyük ölçüde zamanlarının uyarı verme, bekleme, inceleme ve düzeltme işlemlerine harcanmasıydı.
Bu sonuçlar, yapay zekanın getirisinin görev yapısına bağlı olduğunu göstermektedir. Hataların ucuz olduğu ve çıktıların test edilmesinin kolay olduğu durumlarda, yapay zeka işi hızlandırabilir. Hataların maliyetli olduğu ve doğruluğun gözlemlenmesinin zor olduğu durumlarda ise darboğaz “işi yapmak”tan “onaylamaya” kayar. Makine sonsuz çıktı üretebilir, ancak kuruluş sonsuz doğrulamayı kaldıramaz. Ekonomistler Christian Catalini, Xiang Hui ve Jane Wu’nun savunduğu gibi , yapay zeka yürütme maliyetini sıfıra doğru ittiğinde, bağlayıcı kısıtlama insan doğrulama kapasitesi haline gelir; yani sonuçları doğrulama ve sorumluluğu üstlenme konusundaki sınırlı kapasitemiz.
Bu çerçeveleme aynı zamanda uzun vadeli bir riski de açıklığa kavuşturuyor. Eğer firmalar yapay zekaya daha az genç avukat ve analist işe alarak, daha az eğitim vererek ve makinenin ilk taslağı halledeceğini varsayarak yanıt verirlerse, makinenin çıktısını kontrol etmek için gereken uzmanlığı aşındırırlar. Gizli hata kamuoyuna yansıyana kadar kuruluş daha yalın görünecektir.
Peki, yapay zekanın çok fazla faaliyet ve bir yığın fiyatlandırılmamış risk yerine, geniş çaplı verimlilik artışları sağlaması için ne gerekir? Cevap doğrulama altyapısıdır. Örneğin, Teksas’taki bir federal yargıç, avukatların yapay zeka tarafından hazırlanan herhangi bir metnin geleneksel hukuk araştırmaları kullanılarak doğrulandığını onaylamasını şart koşuyor.
Beyaz yakalı işlerde de benzer bir değişime ihtiyaç var. Şirketler yapay zekâ ajanlarının kod değiştirmesini, para transferi yapmasını ve evrak işlerini halletmesini istiyorlarsa, iddiaların kaynağına dair kanıtlar, denetim izleri ve net bir durum tespiti standardına ihtiyaç duyacaklar. Bu tür kurumsal değişim, model yayınlarının hızıyla gerçekleşmez. Düzenlemeler, uyumluluk departmanları, meslek normları, sigorta ve mahkemeler yetişene kadar, yapay zekânın potansiyeli sınırlı kalacaktır.