Stanford Universitesi,
İnsan Merkezli Yapay Zeka Birimi 2026 Yılı Yapay Zeka Indeksi’ni yayınladı.
Bu yılki Yapay Zeka Endeksi raporu, yapay zekanın yeteneklerinin hızla geliştiğini; ancak bunları ölçme ve yönetme becerimizin aynı hızda ilerlemediğini ortaya koyuyor.
Akademisyen ve endüstri uzmanlarından oluşan bir yönlendirme komitesi tarafından yönetilen ve Stanford İnsan Odaklı Yapay Zeka Enstitüsü tarafından hazırlanan Yapay Zeka Endeksi , 2017’den beri alanın evrimini takip ederek teknik yeteneklerden araştırma çıktılarına, toplumsal etkiden kamuoyu algısına kadar her şeyi ölçüyor. Yapay zekanın hızlı gelişimine titizlik ve şeffaflık getirme çabası olarak başlayan bu girişim, alanın en kapsamlı yıllık anlık görüntüsü haline geldi; yapay zekanın nerede durduğunu, nereye doğru ilerlediğini ve toplum için ne anlama geldiğini gösteren veri odaklı bir portre sunuyor.
Yeni rapor, yapay zekâ modellerinin bilim ve karmaşık akıl yürütme alanlarında çığır açan sonuçlar elde ettiğini, ancak bunun endişe verici bir çevresel bedele yol açtığını gösteriyor. Amerika, yapay zekâya diğer tüm ülkelerden daha fazla harcama yapıyor, ancak en iyi yetenekleri çekmekte zorlanıyor. Bu arada, yapay zekânın iş gücünde yaratacağı değişim, tahminlerden gerçeğe dönüşerek ilk olarak genç işçileri etkiliyor.
Aşağıda yılın en önemli yapay zeka gelişmelerini bulabilirsiniz veya raporun tamamını okuyabilirsiniz.1.
1. Yapay zekâ yetenekleri durağanlaşmıyor, aksine hızlanıyor ve her zamankinden daha fazla insana ulaşıyor.
Endüstri, 2025 yılında dikkat çekici öncü modellerin %90’ından fazlasını üretti ve bu modellerin birçoğu artık doktora düzeyindeki bilimsel sorular, çok modlu akıl yürütme ve yarışma matematiği konularında insan performansını yakalıyor veya aşıyor. Önemli bir kodlama kıyaslama testi olan SWE-bench Verified’da performans, tek bir yılda %60’tan %100’e yaklaştı. Kurumsal benimseme %88’e ulaştı ve üniversite öğrencilerinin 5’te 4’ü artık
üretken yapay zeka kullanıyor.
2. ABD ve Çin arasındaki yapay zeka modeli performans farkı fiilen kapanmıştır.
ABD ve Çin modelleri, 2025 başlarından bu yana liderliği birçok kez el değiştirdi. Şubat 2025’te DeepSeek-R1 kısa bir süreliğine en iyi ABD modeliyle aynı seviyeye geldi ve Mart 2026 itibarıyla Anthropic’in en iyi modeli sadece %2,7’lik bir farkla önde. ABD hala daha fazla üst düzey yapay zeka modeli ve daha yüksek etki yaratan patent üretirken, Çin yayın hacmi, atıflar, patent çıktısı ve endüstriyel robot kurulumlarında lider konumda. Güney Kore ise inovasyon yoğunluğuyla öne çıkıyor ve kişi başına düşen yapay zeka patentlerinde dünyada lider konumda.
3. Amerika Birleşik Devletleri en fazla yapay zeka veri merkezine ev sahipliği yapıyor ve bu merkezlerdeki çiplerin büyük çoğunluğu Tayvanlı bir dökümhanede üretiliyor.
Amerika Birleşik Devletleri, diğer tüm ülkelerden 10 kat daha fazla olmak üzere 5.427 veri merkezine ev sahipliği yapıyor ve diğer tüm ülkelerden daha fazla enerji tüketiyor. Tek bir şirket olan TSMC, neredeyse tüm önde gelen yapay zeka çiplerini üretiyor ve bu da küresel yapay zeka donanım tedarik zincirini Tayvan’daki tek bir dökümhaneye bağımlı hale getiriyor; ancak TSMC-ABD genişlemesi 2025 yılında faaliyete geçti.
4. Yapay zekâ modelleri Uluslararası Matematik Olimpiyatı’nda altın madalya kazanabilir ancak zamanı güvenilir bir şekilde söyleyemez; bu, araştırmacıların yapay zekânın girintili çıkıntılı sınırı olarak adlandırdığı duruma bir örnektir.
Gemini Deep Think, IMO’da altın madalya kazandı, ancak en iyi model analog saatleri yalnızca %50,1 oranında doğru okuyabiliyor. Yapay zeka ajanları, işletim sistemleri genelinde gerçek bilgisayar görevlerinde test eden OSWorld’de görev başarı oranını %12’den yaklaşık %66’ya çıkardı, ancak yapılandırılmış kıyaslama testlerinde hala yaklaşık 3 denemeden 1’inde başarısız oluyorlar.
5. Sorumlu yapay zeka, yapay zeka yetenekleriyle aynı hızda ilerlemiyor; güvenlik ölçütleri geride kalıyor ve olaylar hızla artıyor.
Önde gelen yapay zeka model geliştiricilerinin neredeyse tamamı yetenek kıyaslamalarına ilişkin sonuçları raporluyor, ancak sorumlu yapay zeka kıyaslamalarına ilişkin raporlama yetersiz kalıyor. Belgelenmiş yapay zeka olaylarının sayısı 2024’teki 233’ten 362’ye yükseldi. Zorluğa ek olarak, son araştırmalar, güvenlik gibi sorumlu yapay zeka boyutlarından birini iyileştirmenin, doğruluk gibi başka bir boyutu kötüleştirebileceğini ortaya koydu.
6. Amerika Birleşik Devletleri yapay zeka yatırımlarında lider konumda, ancak küresel yetenekleri çekme kabiliyeti azalıyor
ABD’de özel sektör yapay zekâ yatırımları 2025 yılında 285,9 milyar dolara ulaşarak Çin’e yapılan 12,4 milyar dolarlık yatırımın 23 katından fazla oldu; ancak sadece özel sektör yatırım rakamlarına bakmak, Çin’in toplam yapay zekâ harcamalarını muhtemelen olduğundan düşük gösteriyor, zira Çin’in devlet destekli fonları da bu rakamı destekliyor. ABD ayrıca 2025 yılında 1.953 yeni kurulan yapay zekâ şirketiyle girişimcilik faaliyetlerinde de liderliği ele geçirdi ve bu sayı, en yakın rakibinin 10 katından fazla. Bununla birlikte, ABD’ye taşınan yapay zekâ araştırmacı ve geliştiricilerinin sayısı 2017’den bu yana %89 oranında azaldı ve sadece son bir yılda %80’lik bir düşüş yaşandı.
7. Yapay zekâ kullanımı tarihi bir hızla yayılıyor ve tüketiciler genellikle ücretsiz olarak erişebildikleri araçlardan önemli ölçüde fayda sağlıyorlar.
Üretken yapay zekâ, üç yıl içinde nüfusun %53’ü tarafından benimsendi; bu oran, kişisel bilgisayar veya internetten daha hızlıydı, ancak hız ülkeye göre değişiyor ve kişi başına düşen GSYİH ile güçlü bir korelasyon gösteriyor. Singapur (%61) ve Birleşik Arap Emirlikleri (%54) gibi bazı ülkeler beklenenden daha yüksek benimseme oranları gösterirken, ABD %28,3 ile 24. sırada yer alıyor. Üretken yapay zekâ araçlarının ABD tüketicileri için tahmini değeri, 2026 yılının başlarında yıllık 172 milyar dolara ulaşacak ve kullanıcı başına ortalama değer 2025 ile 2026 yılları arasında üç katına çıkacak
8. Örgün eğitim yapay zekânın gerisinde kalıyor, ancak insanlar hayatın her aşamasında yapay zekâ becerileri öğreniyor.
ABD’deki lise ve üniversite öğrencilerinin %80’inden fazlası artık okul ile ilgili görevler için yapay zeka kullanıyor, ancak orta ve liselerin sadece yarısında yapay zeka politikaları mevcut ve öğretmenlerin yalnızca %6’sı bu politikaların açık olduğunu söylüyor. Sınıf dışında, yapay zeka mühendisliği becerileri en hızlı şekilde Birleşik Arap Emirlikleri, Şili ve Güney Afrika’da gelişiyor. ABD ve Kanada’da yeni yapay zeka doktora mezunlarının sayısı 2022’den 2024’e %22 arttı; bu artışı oluşturan doktora mezunları endüstride değil, akademide işe girdiler.
9. Yapay zekâ egemenliği ulusal politikanın belirleyici bir özelliği haline geliyor, ancak açık kaynak kodlu geliştirme, katılımcıların dağılımını yeniden düzenlemeye yardımcı olsa bile, yetenekler hâlâ eşit değil.
Ulusal yapay zeka stratejileri, özellikle gelişmekte olan ekonomilerde yaygınlaşıyor ve devlet destekli yapay zeka süper bilgisayar yatırımları da paralel olarak artıyor; bu da yapay zeka ekosistemleri üzerinde yerel kontrol arzusunun arttığının bir işareti. Ancak model üretimi hala ABD ve Çin’de yoğunlaşmış durumda. Açık kaynak geliştirme, katılımı yeniden dağıtmaya başlıyor; dünyanın geri kalanından gelen katkılar artık Avrupa’yı geride bırakıyor ve GitHub’da ABD’ye yaklaşıyor, bu da dilsel olarak daha çeşitli modeller ve kıyaslama ölçütleri ortaya çıkarıyor.
10. Yapay zekâ uzmanları ve kamuoyu, teknolojinin geleceğine dair çok farklı bakış açılarına sahip ve yapay zekâyı yönetmek için kurumlara duyulan küresel güven parçalanmış durumda.
İnsanların işlerini yapma biçimine gelince, uzmanların %73’ü olumlu bir etki beklerken, halkın sadece %23’ü aynı görüşte; bu da 50 puanlık bir fark anlamına geliyor. Yapay zekanın ekonomi ve sağlık hizmetleri üzerindeki etkisi konusunda da benzer görüş ayrılıkları görülüyor. Küresel olarak, hükümetlerin yapay zekayı düzenleme konusundaki güveni farklılık gösteriyor. Ankete katılan ülkeler arasında, ABD %31 ile kendi hükümetinin yapay zekayı düzenleme konusundaki güveninin en düşük olduğu ülke olarak öne çıkıyor. Küresel olarak, AB’nin yapay zekayı etkin bir şekilde düzenleme konusunda ABD veya Çin’den daha fazla güven duyulan bir ülke olduğu belirtiliyor.
11. Robotlar kontrollü ortamlarda başarılı olsa da ev işlerinin çoğunda hâlâ başarısız.
Robotlar ev işlerinde yalnızca %12 başarı gösteriyor; bu da yapay zekânın fiziksel dünyayı ne kadar az kontrol ettiğini ortaya koyuyor. RLBench’te yazılım tabanlı simülasyonlarda robot manipülasyonu %89,4 başarıya ulaştı; ancak öngörülebilir laboratuvar ortamları ile öngörülemez ev ortamları arasındaki fark hâlâ çok büyük.
12. Yapay zekâdan kaynaklanan verimlilik kazanımları, giriş seviyesi istihdamın düşmeye başladığı birçok alanda ortaya çıkıyor.
Müşteri desteği ve yazılım geliştirme gibi alanlarda verimlilik kazanımları %14-26 arasında; ancak daha fazla yargı gerektiren görevlerde etki daha zayıf veya negatif. Yapay zekâ ajanı dağıtımı neredeyse tüm iş fonksiyonlarında tek haneli rakamlarda kalıyor. Yapay zekânın ölçülebilir verimlilik kazanımlarının en net olduğu yazılım geliştirmede, ABD’de 22-25 yaş arası geliştiricilerin istihdamı 2024’ten beri neredeyse %20 düştü; buna rağmen daha yaşlı geliştiricilerin sayısı artmaya devam ediyor.
13. Bilim için yapay zekâ modelleri insan bilim insanlarını geride bırakabiliyor; ancak daha büyük modeller her zaman daha iyi performans göstermiyor.
Öncü modeller ChemBench’te ortalama olarak insan kimyagerlerden daha iyi performans gösteriyor; ancak astrofizikte tekrarlanabilirlikte %20’nin altında, Dünya gözlem sorularında ise %33’te kalıyor. 111 milyon parametreli bir protein dil modeli (MSAPairformer) ProteinGym’de önceki lider yöntemleri yendi; 200 milyon parametreli genomik model GPN-Star ise neredeyse 200 kat daha büyük bir modeli geride bıraktı. Bilim için çoğu yapay zekâ temel modeli sektörler arası işbirlikleriyle geliştiriliyor; bu da genel amaçlı yapay zekâdaki endüstri hâkimiyetinden farklı bir tablo çiziyor.
14. Yapay zekâ klinik bakımı dönüştürüyor ancak sağlam kanıtlar hâlâ sınırlı.
Hasta ziyaretlerinden otomatik klinik not üreten yapay zekâ araçları 2025’te önemli ölçüde benimsendi. Birden fazla hastane sisteminde hekimler not yazma süresinde %83’e varan azalma ve tükenmişlikte belirgin düşüş bildirdi. Ancak belirli araçların ötesinde klinik yapay zekâ için kanıt tabanı hâlâ zayıf. 500’den fazla klinik yapay zekâ çalışmasının incelenmesi, neredeyse yarısının gerçek hasta verisi yerine sınav tarzı sorulara dayandığını; yalnızca %5’inin gerçek klinik veri kullandığını ortaya koydu.