YAZI: 1 Yapay Zekanın Son Dönemdeki İstihdam Üzerindeki Etkileri Hakkında Altı Gerçek

12 Ağustos 2026 tarihinde revize edilmiştir.

Haziran 2026’ya kadar milyonlarca ABD çalışanını kapsayan ADP’den alınan yüksek frekanslı idari bordro verilerinden oluşan bir örneklem kullanarak, üretken yapay zekanın yaygın olarak benimsenmesinin ardından işgücü piyasası hakkında altı gerçeği belgeliyoruz.

1. Ekonomi genelinde yaygın iş kayıplarına dair herhangi bir kanıt bulamadık.
2. Ancak, Yapay Zekaya maruz kalan mesleklerde çalışan genç işçilerin (22-25 yaş arası) istihdam oranı, daha az maruz kalan akranlarıyla aynı seviyede kalmış olsaydı olması gereken seviyenin %19 altında kalmıştır; deneyimli işçilerde ise benzer bir fark görülmemektedir.
3. Bu farklılık, ilk kez Ağustos 2025’te belgelediğimizden beri istikrarlı bir şekilde genişledi.
4. Bu sistem, işten çıkarmaları artırmaktan ziyade, genç işçi alımını azaltarak işliyor.
5. Düşüşler, yapay zekanın kullanımının öncelikle insan görevlerinin yerini aldığı mesleklerde yoğunlaşmıştır; kullanımın öncelikle çalışanları tamamladığı durumlarda ise, özellikle deneyimli çalışanlar için istihdam sabit kalmış veya artmıştır.
6. Maaş ayarlaması, temel ücret üzerinden değil, istihdam yoluyla gerçekleşiyor.

Bu farklılık, öne çıkan çeşitli alternatif faktörlerle açıklanamamaktadır: Teknoloji firmaları ve bilgisayar meslekleri hariç tutulduğunda, faiz artışlarına ve uzaktan çalışmaya maruz kalma kontrol edildiğinde ve Yapay Zekaya maruz kalmanın alternatif ölçümlerinde de devam etmektedir. Bu örüntüler, eğitim kontrol edildiğinde azalmakta, üretken Yapay Zekadan önce bazı farklı eğilimler göstermekte ve ulusal anket kıyaslamalarına göre ADP analiz örnekleminde daha belirgin olup, hükümet idari verilerinde tutarlı örüntülere dair bazı kanıtlar bulunmaktadır. Bu gerçekleri nedensel tahminlerden ziyade erken, tanımlayıcı göstergeler—kömür madenindeki kanaryalar—olarak yorumluyoruz ve ekonomideki değişikliklerin sürekli izlenmesini kolaylaştırmak için kamuya açık bir Yapay Zeka Ekonomik Göstergeleri seti sunuyoruz.

https://digitaleconomy.stanford.edu/news/canariesaug26/

 

Yazı 2: Yapay Zeka ve İşgücü Piyasaları: Bildiklerimiz ve Bilmediklerimiz

Bharat Chandar / 10 Ekim 2025

1. Yapay zekanın toplam istihdam üzerindeki genel etkisi şu anda muhtemelen küçüktür.

Bu, bir dizi çalışmayla tutarlıdır.  Chandar (2025) ,  Gimbel vd. (2025) ,  Eckhardt ve Goldschlag (2025) ve Dominski  ve Lee (2025)  hepsi, Yapay Zekayamaruz kalan işlerdeki işe alımlarda en fazla küçük değişiklikler olduğunu göstermek için Mevcut Nüfus Anketi’ni kullanmaktadır. ²  “Kömür Madenindeki Kanaryalar” çalışması  , Yapay Zekayamaruz kalan 22-25 yaş arası çalışanlar arasında oldukça yoğun istihdam düşüşleri bulurken, diğer çalışanların çoğunda istihdam artışının devam ettiğini göstermektedir.  Humlum ve Vestergaard (2025)  de benzer şekilde, 2024 yılına kadar Danimarka verilerinde genel olarak küçük etkiler bulmuştur. Kanıtlar birlikte ele alındığında, genel işe alımların yapay zekâ nedeniyle anlamlı bir şekilde azalmadığını göstermektedir.

İleriye dönük yol:  CPS, ADP, Revelio ve diğer veri kümelerini kullanarak takip sistemleri oluşturmak iyi bir başlangıçtır. Nedensel tahminlerin iyileştirilmesi de yardımcı olacaktır. Bkz. 2. madde.

2. Yapay zekâ, Yapay Zekayamaruz kalmayı gerektiren giriş seviyesi işlere yönelik işe alımları azaltabilir.

Bu, “Kömür Madenindeki Kanaryalar” başlıklı çalışmamızın en önemli bulgularından biriydi. İstihdamda düşüşlerin, yazılım geliştirme, müşteri hizmetleri ve büro işleri gibi Yapay Zekayamaruz kalan işlerde çalışan 22-25 yaş arası kişiler arasında yoğunlaştığını tespit ettik.

Bu kanıt ne kadar güçlü? Çoğu şeyde olduğu gibi, bunu düşünmenin en iyi yolu Bayesçi bir bakış açısıyla düşünmektir. Sonuçlarımız, yapay zekanın giriş seviyesi işe alımlardaki yavaşlamanın anlamlı bir kısmından sorumlu olma olasılığı hakkındaki kendi inançlarımı değiştirdi. İnançlarınızın benimkilerle ne kadar örtüştüğü, yapay zekanın işgücü üzerindeki etkisi hakkındaki önsel varsayımlarınızın ne kadar güçlü olduğuna ve son kanıtların ne kadar güvenilir olduğuna bağlıdır.

“Kanaryalar” makalemizden önce, yapay zekanın işgücü piyasası üzerinde en fazla minimal bir etkiye sahip olduğu yönünde bir eğilimim vardı. Bunun başlıca nedeni, 1. maddede tartışıldığı gibi, CPS verilerine baktığımda toplam işgücü üzerindeki etkilere dair çok fazla kanıt bulamamamdı. Kendi ürettiğim kanıtlara daha fazla güveniyorum çünkü işin iç yüzünü biliyorum, ancak diğer çalışmalarda da doğrulama görmek kesinlikle yardımcı oldu.

Bununla birlikte, yapay zekanın işler üzerindeki etkilerine ilişkin tartışmaların çoğu genç işçilere odaklanmıştır. Bu grup için kanıtlar en iyi ihtimalle zayıftı. CPS, belirli yaş-meslek gruplarına göre filtreleme yapıldığında küçük örneklem boyutlarına sahiptir.  O’Brien (2025)  , çok daha büyük bir veri kümesi olan ACS’de bile istatistiksel belirsizlik düzeyinin oldukça yüksek olduğunu öne sürmektedir.

Araştırma camiasının dışında insanlar farklı görüşler paylaştı.  Çok sayıda  haber  makalesi,  nitel görüşmeler ve geniş işgücü piyasası verilerinin oldukça spekülatif analizini birleştirerek giriş seviyesi işgücü piyasalarında aksama olduğunu iddia ederken,  diğerleri   CPS gibi veri kümelerinden elde edilen  kanıtları  göstererek bu iddialara karşı  çıktı . Girişim sermayesi şirketi SignalFire’ın bir raporu  , teknoloji sektöründe giriş seviyesi işe alımlarda şaşırtıcı bir yavaşlama olduğunu ve bunun etkisinin büyük ölçüde en genç çalışanları etkilediğini öne sürdü.

Bütün bunlar, genel olarak ekonomi üzerindeki etkinin küçük olduğuna, ancak özellikle genç işçiler konusunda büyük bir belirsizlik olduğuna inanmama neden oldu. ADP verilerine bakmaya başladığımızda ön yargım buydu.

Genel etkinin küçük olduğuna hala inanıyorum, ancak genç işçiler üzerindeki etki hakkındaki görüşlerimi güncelledim. Artık yapay zekanın, giriş seviyesi işçilerin işe alımındaki genel yavaşlamaya önemli ölçüde katkıda bulunmuş olabileceğine inanıyorum.

Bu da yine ürettiğimiz işe güvendiğim bir durum. Projeye başlarken sonuçların hangi yöne gitmesi gerektiği konusunda herhangi bir ön yargımız yoktu.

Öncelikle yazılım geliştirme ve müşteri hizmetleri gibi bazı örnek olay incelemelerinde giriş seviyesi istihdamda düşüşler gösterdik. Daha sonra, sonuçların genel olarak yüksek oranda Yapay Zekayamaruz kalan mesleklerde geçerli olduğunu, ancak düşük oranda maruz kalan mesleklerde geçerli olmadığını bulduk. Ardından, Anthropic’ten alınan LLM kullanımına dayalı bir maruz kalma ölçütü altında da aynı örüntülerin geçerli olduğunu tespit ettik. Şaşırtıcı bir şekilde, yüksek oranda  otomatik  yapay zekâ kullanımına sahip mesleklerde aynı sonucu bulduk, ancak yüksek oranda  destekleyici yapay zekâ  kullanımına sahip mesleklerde bulamadık. Bunu, sonuçların gerçekten yapay zekâdan kaynaklanmış olabileceğine ve ekonomideki diğer değişikliklerden kaynaklanmadığına dair potansiyel bir gösterge olarak değerlendirdik.

Bu kalıpları yönlendirebilecek en olası alternatifleri listeleyerek ilerledik. Teknoloji sektörü, bilgisayar işleri ve uzaktan çalışılabilen işleri hariç tuttuğumuzda da çok benzer sonuçlar elde ettik. Bu testler, bulgularımızın öncelikle teknoloji sektöründeki aşırı işe alım, evden çalışma veya dış kaynak kullanımından kaynaklanmadığını göstermektedir. Daha sonra,   firmadaki genel işe alımı etkileyen ekonomik şokları kontrol etmek için firma-zaman etkilerini kontrol ettik ve sonuçların yine benzer göründüğünü gördük: firmalar içinde, yapay zekaya maruz kalan işlerdeki giriş seviyesi işe alımlar, daha az maruz kalan işlere göre %13 azaldı. Bu etkiler yalnızca LLM’lerin yaygınlaşmasından sonra ortaya çıktı. Daha yaşlı çalışanların istatistiksel olarak anlamlı bir etkisi olmadı. Faiz oranı değişikliklerinin veya diğer toplu ekonomik değişikliklerin, yalnızca yapay zekaya maruz kalmayla ilişkili belirli meslekleri değil, bir firmadaki tüm çalışanların işe alımını etkilediğine inanıyorsak  , bu  çeşitli alternatif açıklamaları dışlayacaktır.

Daha sonra üniversite mezunlarını üniversite diploması olmayan çalışanlarla karşılaştırdık. Üniversite diploması olmayan kişilerde, daha yüksek yaş gruplarında bile, daha fazla ve daha az riskli işler arasında çarpıcı bir farklılık bulmaya devam ettik. Bu, sonuçlarımızın Covid dönemi eğitim aksamalarıyla açıklanamayacağını gösterdi. Ayrıca, örneklem oluşturmanın alternatif yollarına, yarı zamanlı ve geçici çalışanların dahil edilmesine, örneklemin 2018’e kadar uzatılmasına ve sonuçların erkekler ve kadınlar için ayrı ayrı hesaplanmasına karşı da sağlamlık gösterdik. ³

Peki, kanıtlar ne kadar güçlü? Sonuçta, çalışmamız gözlemseldir. Yapay zekâ kullanımını değiştiren bir deneyimiz yok. Eğer çeşitli alternatif analizlerimizin yapay zekânın nedensel bir etkisine dair ikna edici kanıtlar sunduğuna inanıyorsanız, inançlarınızı daha fazla güncellemeniz gerekir. Eğer nedensel bir etkiye ikna olmak için daha fazla kanıta ihtiyacınız varsa, buna göre daha az güncelleme yapmanız gerekir.

Makalemiz yayınlandıktan sonra, Revelio Labs’tan elde edilen büyük ölçekli verileri kullanan iki başka makale de benzer sonuçlar gösterdi.  Hosseini ve Lichtinger (2025),  yapay zeka teknolojilerini benimseyen ABD firmalarında genç işçilerin istihdamında düşüşler olduğunu, benimsemenin ise iş ilanlarının içeriğiyle ölçüldüğünü buldu.  Klein Teeselink (2025)  ise, yapay zekaya maruz kalan firmaların ve mesleklerin İngiltere’de giriş seviyesi işe alımlarında önemli bir daralma yaşadığını gösterdi.

Öte yandan,  Eylül 2025’in sonlarında yayınlanan Humlum ve Vestergaard’ın (2025) en yeni versiyonu , Danimarka’da yapay zekayı benimseyen ve benimsemeyen firmalar arasında giriş seviyesi işe alımlarda bir fark bulmuyor. Firmaların yapay zekayı benimsemesini, iş yerinde yapay zeka teşvikine ilişkin çalışan anketleri aracılığıyla ölçüyorlar ve bunu idari firma verileriyle eşleştiriyorlar. İlginç bir soru, bu sonuçların,  yapay zekayı kullanmaya başladıktan sonra benimseyen ve benimsemeyen firmalar arasında işe alımlarda büyük farklılıklar bulan ancak yapay zeka benimsenmesinden önce bile bazı farklılıklar olduğunu belirten Hosseini ve Lichtinger’in (2025) bulgularıyla nasıl bağdaştırılacağıdır. Bu makaleler arasındaki farklı sonuçların 1. ABD ve Danimarka arasındaki kurumsal farklılıklardan, 2. Firma düzeyindeki maruz kalma ölçümlerindeki farklılıklardan veya 3. Spesifik istatistiksel analizlerdeki farklılıklardan kaynaklanıp kaynaklanmadığını test etmek faydalı olacaktır. Önümüzdeki aylarda çeşitli bulguları ayıklamaya yardımcı olacak yüksek kaliteli istihdam ve benimseme verilerini kullanan daha fazla çalışma görmeyi umuyoruz.

İleriye dönük yol:  İki temel belirsizlik kaynağı vardır.

İlk olarak, mevcut çalışmaların nedensel bir etkiyi ölçüp ölçmediği sorusu gündeme geliyor. Kanıtları güçlendirmenin bir yolu, bireysel firmaların yapay zekayı ne zaman benimsediğine dair daha iyi veriler toplamak (4. maddede daha fazla bilgi bulabilirsiniz) ve firma düzeyinde istihdam değişikliklerini izlemektir; bu sayede Humlum ve Vestergaard (2025), Hosseini ve Lichtinger (2025) ve diğer çalışmalardaki ölçümlerin iyileştirilmesi umulmaktadır. Daha da iyisi, firma düzeyinde yapay zeka benimseme konusunda bir tür deney bulmaktır. Örneğin, bir yapay zeka şirketinde farklı firmalara aboneliklerde rastgele indirimler sunan bir A/B testi yapılabilir. İdeal olarak, deney yapay zekanın ilk günlerinden başlayarak aylarca, hatta yıllarca sürdürülmelidir.

İkinci belirsizlik kaynağı, mevcut çalışmalardaki veri setlerinin daha geniş ekonomiyi ne kadar temsil ettiğidir. Bana göre bu, ilk sorun kadar önemli değil. Eğer gerçekten nedensel etkileri tahmin ettiysek, o zaman on binlerce firmayı ve milyonlarca işçiyi etkileyen yaygın bir olguyu tespit etmiş oluruz. Bu kendi başına büyük ve önemli bir şey. Daha geniş ekonomiye genişletmenin anlamlı bir şekilde farklı sonuçlara yol açacağını düşünmüyorum. Bununla birlikte, sadece sektör ortaklıklarına sahip olanlarımız değil, herkesin inceleyebileceği yüksek kaliteli kamu verilerine sahip olmalıyız. Bu yüzden  Çalışma Bakanlığı’na bu mektubu imzaladım.

Daha fazla çalışma gerektiren üçüncü bir alan ise, bireysel iş akışlarındaki verimlilik iyileştirmelerini ölçen geniş literatürü daha geniş istihdam etkileriyle nasıl entegre edeceğimizdir.  Birkaç ay önce Economist dergisinde yayınlanan bir makaleden alınan aşağıdaki grafik  , yapay zekanın iş yerindeki performans eşitsizliğini nasıl etkilediğine dair tahminleri özetlemektedir. ⁴  Gelecekteki çalışmalar, bu heterojen etkilerin mesleki istihdam ve ücret değişiklikleri üzerindeki etkilerini, giriş seviyesi ve deneyimli çalışanlar gibi farklı alt popülasyonlar arasında modellemelidir.  Autor ve Thompson (2025)  bu konuda çığır açan bir katkı sağlamıştır.

3. Yapay Zekayamaruz kalma düzeyini iş kolları genelinde çoğu insanın düşündüğünden daha iyi ölçebiliriz muhtemelen.

Sıkça dile getirilen bir şikayet, mevcut Yapay Zekayamaruz kalma ölçümlerinin gerçek dünya ekonomik sonuçları üzerinde doğrulanmadığı için yetersiz olduğudur. Son literatüre inanıyorsanız, bu eskisi kadar doğru değil. İlk olarak,  Tomlinson vd. (2025), Eloundou vd. (2024)  tarafından yapılan Yapay Zekayamaruz kalma ölçümlerinin 2025’ten itibaren Microsoft Copilot kullanımıyla çok yüksek bir korelasyona sahip olduğunu bulmuştur.   Bu, tahminlerinin büyük ölçüde doğrulandığını göstermektedir, ancak sohbet botu konuşmalarını mesleklerle ilişkilendirmenin zor olabileceği de unutulmamalıdır. Bir konuşmanın hangi işle ilgili olduğunu tahmin etmek için doğrusal doğrusal modellerin kullanılması neredeyse standart bir uygulama haline gelmiştir.

İkinci olarak, bu Yapay Zekayamaruz kalma ölçütlerinin istihdam değişikliklerini öngördüğünü bulan son çalışmalar, gerçek dünya verilerine dair daha fazla doğrulama sunmaktadır. Maruz kalma ölçütlerinin tamamen değersiz olduğunu, farklı işlere rastgele yüksek veya düşük maruz kalma atadığını düşünün. Bu durumda, maruz kalma ölçütlerinin istihdam hakkında hiçbir şey öngörmeyeceğini beklemeliyiz. İstihdam değişikliklerini öngördükleri ölçüde, bir dereceye kadar doğrulama alırlar ve daha güçlü nedensel kanıtlar daha büyük bir doğrulama sunar.

İleriye dönük yol:  İstihdam veya LLM kullanımı gibi gerçek ekonomik sonuçlara dayalı olarak sahip olduğumuz maruz kalma ölçümlerini doğrulamaya devam etmeliyiz. Belki de konuşmalara dayalı tahminlere güvenmek yerine anket yoluyla, yapay zeka laboratuvarlarından mesleğe göre kullanım hakkında gerçek, büyük ölçekli veriler elde etmek harika olurdu. ⁵  Gelişen yapay zeka yeteneklerini yansıtan yeni maruz kalma ölçümleri geliştirmeli ve doğrulamalıyız. Son olarak, mevcut çalışmalar mesleğe göre maruz kalmayı incelerken, araştırma için önemli bir yön, potansiyel iş riskiyle karşı karşıya olan kesin alt popülasyonları belirlemek için kıdem veya demografik özelliklere göre farklılıkları daha fazla ölçmektir. Bu yönde atılan bir adım  , ekonomik kırılganlığa göre maruz kalmayı inceleyen Manning ve Aguirre 2025 çalışmasıdır.

4. Yakın vadede yapay zeka alanında en büyük ilerlemeyi nerede beklememiz gerektiğine dair yeni kanıtlar topluyoruz.

Yapay zekanın hangi alanlarda en hızlı gelişmesini beklemeliyiz? Hangi alanlarda ilerleme daha yavaş olacak?

Yeni başlayan çalışmalar bu sorulara cevap vermede önemli ilerlemeler kaydediyor. Erik Brynjolfsson, Basil Halperin ve Arjun Ramani’nin yanı sıra Rishi Bommasani ve ortak yazar ekibinin devam eden çalışmaları, ekonomik açıdan ilgili zekanın farklı boyutlarında LLM gelişimini takip ediyor.  OpenAI’nin  GDPval’ı  ve Mercor’un Apex’i de mükemmel gelişmeler arasında yer alıyor . Ekonomik açıdan ilgili değerlendirmeler geliştirmek oldukça heyecan verici ve aktif bir araştırma alanı. Yapay zekanın farklı zeka boyutlarındaki ilerlemesi hakkında tahminlerde bulunmak, gelecekteki mesleki maruz kalmanın daha iyi ölçülmesine yardımcı olacaktır.

Başka bir bakış açısı ise, mevcut önlemlerin muhtemelen çoğu insanın düşündüğünden daha iyi olduğu (bkz. 3. madde) ancak aynı zamanda iyileştirme için de çok fazla alan sunduğudur. Ekonomik açıdan ilgili değerlendirmeler geliştirmek ve bu önlemler için LLM yeteneklerini doğrudan değerlendirmek, mevcut yaklaşımlardan daha da kesin mesleki maruziyet tahminlerine yol açabilir.

İleriye dönük yol:  Bu alanda araştırmalara devam edilerek hızlı ve yavaş ilerleme kaydedilen alanlar belirlenmelidir. Bir sonraki adım, bu iyileşme oranlarını mesleki görev bilgileriyle ilişkilendirmek olacaktır. Modeller geliştikçe hangi meslekler daha büyük yapay zeka riskiyle karşı karşıya kalıyor?  GDPval,  bunu anlamaya yönelik kaliteli bir adımdır. Bir diğer iyi fikir ise, belki de piyasalar aracılığıyla, meslek bazında gelecekteki dönüşümler hakkında tahminler toplamaktır. ⁶

Gelecekteki model yeteneklerinin geliştirme sürecindeki seçimlere nasıl bağlı olduğunu da değerlendirmeliyiz. İnsanları taklit etmek ve yerlerini almak üzere optimize edilmiş sistemler kurmak yerine (bkz.  Turing Tuzağı ), insan-yapay zeka ortak performansını en üst düzeye çıkarmak için tasarlanmış “Sentor Değerlendirmeleri” geliştirebilir miyiz   ? Değerlendirme seçimleri gelecekteki model yeteneklerini ne kadar etkiler? Bu seçimler insan emeği üzerindeki sonuçları değiştirebilir mi?

5. Diğer ülkelerdeki istihdam değişiklikleri hakkında çok az fikrimiz var.

Bu konuya değinen iki çalışma,   İngiltere’deki  Klein Teeselink (2025) ve Danimarka’daki Humlum ve Vestergaard (2025) çalışmalarıdır  . Dünyanın başka bir yerinden bu konuda herhangi bir kanıtın farkında değilim.

Elimizdeki en ilgili veriler,  Anthropic  ve  OpenAI’nin  farklı ülkelerdeki kullanım hakkındaki son tahminleridir. Daha eski çalışmalar ise ülkeye özgü mesleki maruz kalma ölçütleri geliştirmektedir ( Gmyrek 2025 ).

İleriye dönük yol:  Diğer işgücü piyasaları üzerinde daha fazla araştırma yapılmalıdır. Üç umut vadeden yol, mümkünse diğer ülkelerde Revelio veya ADP’yi kullanmak; diğer ülkelerden özel sektör bordro verilerini kullanmak; veya istihdam değişikliklerini izlemek için devlet idari verilerini kullanmaktır. Yerel meslekler için yapay zeka maruziyetini ölçmek üzere muhtemelen bazı altyapıların oluşturulması gerekecektir.

Özellikle çağrı merkezi operasyonları gibi risk altındaki işlerde yüksek istihdam oranlarına sahip ülkeler üzerinde durulmalıdır. Daha ileri modelleme çalışmaları, etkilerin farklı kurumsal bağlamlarda nasıl değişebileceğini tahmin etmeye de yardımcı olabilir.

6. Şirketlerin yapay zekayı benimsemesiyle ilgili daha iyi verilere ihtiyacımız var.

Sorun hem kavramsal hem de ampiriktir. İlk olarak, bir firma veya çalışan için yapay zekayı “benimsemek” ne anlama gelir? Bir kez mi kullanırlar? Her gün mü? Şirketin %1’i mi kullanıyor? %10’u mu? “Mal ve hizmet üretimi” için mi kullanılıyor? Yoksa arka ofis işleri için mi? Ücretsiz sürümü mü yoksa abonelik sürümünü mü kullanıyorlar? Eski modelleri mi yoksa yeni modelleri mi kullanıyorlar?  Chatterji vd. (2025)  , tüketici ChatGPT kullanımının büyük bir bölümünün işle ilgili olduğunu bulmuştur ki bu da durumu daha da karmaşık hale getirmektedir.

Ampirik açıdan en büyük zorluk, bu kavramsal soruları bir kenara bırakırsak bile, benimseme konusunda çok az veriye sahip olmamızdır.  ABD Nüfus Sayımı’ndan Bonney vd. (2024),  yapay zeka benimseme oranını %10’a yakın buluyor, ancak yalnızca %16’lık bir yanıt oranına sahipler ve potansiyel olarak dar kapsamlı bir soru soruyorlar: “MMM DD – MMM DD tarihleri ​​arasında bu işletme mal veya hizmet üretiminde Yapay Zeka (YZ) kullandı mı? (YZ örnekleri: makine öğrenimi, doğal dil işleme, sanal ajanlar, ses tanıma, vb.).” Neden sadece “mal ve hizmet üretimi” için kullanım soruluyor da arka ofis görevleri veya iç süreçler için kullanım sorulmuyor? Örneğin Walmart bu soruya evet mi yanıt verir? Ayrıca  Hyman vd. (2025) ve Şubat ayında yayınlanan Crane vd. (2025)  tarafından yazılan bu inceleme makalesine  de bakınız  .

Bir diğer kaynak ise  Ramp Yapay Zeka Endeksi’dir . Bu endeks, işletmelerin yapay zeka hizmetlerine aboneliklerine dayanarak %44’e yakın bir benimseme oranı bulmaktadır. Ramp firmalarının teknolojiyi benimseme eğilimi daha yüksek olsa da, şirket Gemini kullanımının çok düşük bir payını görüyor ve  Chatterji vd. (2025)’ in  belgelediği tüketici uygulamalarının iş amaçlı kullanımını gözden kaçırıyor.  Chatterji vd. (2025) ,  Hartley (2025) ve  Bick vd. (2025)  tüketici düzeyinde benimsemeyi gösteriyor ancak firmalar hakkında çok fazla şey söylemiyor.  Hampole vd. (2025)  ve  Hosseini ve Lichtinger (2025)  benimsemeyi, yapay zekanın iş ilanlarında ve açıklamalarında yer alıp almamasına göre ölçüyor, ancak muhtemelen firmaların kullanımının önemli bir bölümünü gözden kaçırıyorlar.  Humlum ve Vestergaard (2025),  Danimarka’daki işçi anket verilerini firmalarla eşleştiriyor.

İleriye dönük yol:  İdeal olarak, firmaların veya çalışanların yapay zekayı ne kadar benimsediğine dair farklılıkları gösteren, sürekli bir yapay zeka benimseme endeksine sahip olmalıyız. Bir seçenek,  Seed AI tarafından önerildiği gibi, token sayısını ölçmektir . İşletme harcama verileri de umut verici görünüyor. Bir diğer seçenek ise benzersiz kullanıcı sayısı veya konuşma sayısıdır. Yapay zeka şirketlerini, mümkün olduğu ölçüde bu verileri paylaşmaya teşvik etmeliyiz. İşletme anketleri ayrıca alternatif soruları araştırmalı ve bildirilen benimseme oranlarının belirli kelime seçimine ne kadar duyarlı olduğunu test etmelidir.

7. İstihdam eğilimlerinin gelecekte nasıl gelişeceğini bilmiyoruz.Önceki teknolojiler bazı mesleklerde işgücü talebini azalttı. Aynı zamanda diğer mesleklerde işgücü talebini artırdı ve yeni çalışma biçimleri yarattı ( Acemoglu ve Autor 2011 ,  Autor vd. 2024 ). Sonuç olarak, istihdam on yıllardır oldukça istikrarlı kaldı ve reel ücretler verimlilikle birlikte arttı. Bu etkenler, John Maynard Keynes’in şu anda haftada 15 saat çalışacağımız tahmininde neden yanıldığını açıklamaya yardımcı oluyor.

Yapay zekâ da istihdamı tehlikeye atmadan reel ücretlerin artmasına yol açacak mı? Yoksa yapay zekâ yetenekleri o kadar hızlı ve ileri düzeyde gelişecek ki, yeni işler bile insanlar yerine makineler tarafından daha iyi mi yapılacak? Bu sefer durumun farklı olup olmayacağını henüz bilmiyoruz.

Bu konuda olağanüstü derecede görüş ayrılığı var. Yapay zeka laboratuvarlarındaki birçok çalışan, yapay zekanın önümüzdeki birkaç yıl içinde çok sayıda işi ortadan kaldıracağına büyük bir inançla inanıyor. Öte yandan, bazı ekonomistler yapay zekanın işgücü piyasası üzerindeki etkilerinin önceki teknolojilere benzer olacağına inanıyor.

Bilgisayar ve internet devrimleri, beceriye dayalı teknik değişim nedeniyle son birkaç on yılda artan eşitsizliğin büyük bir bölümünden sorumlu olabilir. Yapay zekâ önceki teknolojilere benzese bile, toplum üzerinde derin etkileri olabilir.

İleriye dönük yol:  Yapay Zekayamaruz kalma ve yaş gibi demografik değişkenlere göre istihdam eğilimlerini izlemeye devam etmek için takip sistemleri oluşturmalıyız. Ayrıca, gelecekteki işgücü üzerindeki etkiler hakkında güvenilir tahminler geliştirmeliyiz; bkz. 4. madde.

Özellikle potansiyel olarak dönüştürücü Yapay Zekayasahip ortamlarda, politika değişikliklerinin işgücü piyasası üzerindeki etkilerini simüle etmemizi sağlayacak daha fazla teorik çalışmaya ihtiyacımız var. Teknik olarak, bu belgedeki türden bilgiler kullanılarak ampirik olarak kalibre edilebilen ve varsayımsal politikaların sonuçlarını simüle etmek için kullanılabilen, yapay zekânın işgücü piyasası üzerindeki etkilerine ilişkin yapısal modellere ihtiyacımız var. Bahaat Çandar

8. Gelecekte hangi işlere olan talebin artacağını bilmiyoruz.

Yapay zekâ nedeniyle işsiz kalan işçiler için iş yeniden eğitim programları tasarlamak istediğimizi varsayalım. Onları hangi işlere yönlendirmeliyiz? Bu tartışmaları yapmak için henüz erken gibi görünse de, senaryo planlaması için önemli bir husustur.

Bu hem kavramsal hem de ampirik bir sorudur. Kavramsal olarak, örneğin hem resepsiyonistler hem de yazılım geliştiriciler hemşire olarak yeniden eğitilmeli midir? Yoksa önceki eğitimlerindeki farklılıklar göz önüne alındığında farklı mesleklerde mi yeniden eğitilmeliler? İşgücü arz ve talebindeki coğrafi farklılıkları nasıl hesaba katacağız? Ayrıca 10. maddeye de bakınız.

Ampirik olarak, hangi işler arz kısıtlaması altında görünüyor? Neden? Düzenlemeler yüzünden mi? Uzmanlık eksikliğinden mi? Hoşnutsuzluktan mı? Yavaş istihdam geçişlerinden mi? Arz kısıtlaması altındaki işlerden hangilerinin orta ve uzun vadede yapay zekadan etkilenmeyeceğini beklemeliyiz? Ayrıca 4. maddeye bakın.

Önceki çalışmalar bu konularda zaten büyük ilerleme kaydetmiştir.  Son iki örnek olarak Cleveland Fed  veya  LinkedIn’in Kariyer Keşif Aracı’ndan elde edilen kanıtlara bakılabilir  . İlerlemenin en önemli alanı, mevcut ve gelecekteki analizleri yapay zekanın potansiyel etkileriyle ilişkilendirmektir.

İleriye dönük yol:  Ampirik sorulara, CPS gibi temel veriler kullanılarak aslında oldukça kolay bir şekilde yanıt verilebilir. Kavramsal sorular ise muhtemelen daha ciddi ekonomik modellemeler gerektirecektir. Geleceğe yönelik senaryo planlamasında yapay zekanın potansiyel etkileri dikkate alınmalıdır.

9. Yapay zekanın eğitim alanını nasıl yeniden şekillendirdiğine dair çok az kanıtımız var.

Yüzyılı aşkın süredir okul, işgücüne katılmak için gerekli becerilerin geliştirilmesinin başlangıç ​​noktası olmuştur. Yapay zeka, öğrencilerin kişisel ve profesyonel geleceklerine hazırlanma biçimini nasıl değiştiriyor?

Şu ana kadar birçok öğrenci ve öğretmenin yapay zekayı kullandığını biliyoruz   . Ayrıca okul politikalarının benimseme hızına ayak uyduramadığını da biliyoruz. ⁷  Anthropic,  yükseköğretimde öğrenci kullanımının yaklaşık yarısının doğrudan olduğunu, yani minimum etkileşimle cevap veya içerik aradığını bildiriyor. ⁸  Diğer yarısı ise işbirlikçi olarak sınıflandırılıyor. Hem  Anthropic  hem de  Gallup,  öğretmenlerin müfredat geliştirme, araştırma ve notlandırma gibi görevler için yapay zekayı kullandığını tespit etti.

Hâlâ birçok açık soru var. Öğrenciler farklı eğitim tercihleri ​​mi yapıyorlar? Farklı bölümler mi seçiyorlar? Farklı kariyerler mi hedefliyorlar? Okulda aynı miktarda şey öğreniyorlar mı?  Üniversite öğrencileriyle yapılan bu anket,  değişen kariyer tercihlerine dair bazı erken kanıtlar sunuyor, ancak oldukça eski bir anket.

Yapay zekâ, test puanlarındaki farkı artırıyor mu yoksa azaltıyor mu? Yapay zekâ, en başarılı öğrencilerle orta ve düşük başarı gösteren öğrenciler arasında nasıl bir etki yaratıyor? En iyi okullarla orta ve düşük başarı gösteren okullar arasında nasıl bir etki yaratıyor?

Yapay zekâ müfredatı nasıl etkiliyor? Değerlendirme biçimini nasıl etkiliyor? Öğretmen verimliliğindeki farklılıkları artırıyor mu yoksa azaltıyor mu?

İleriye dönük yol:  Tüm bu sorular ve çok daha fazlası hakkında sistematik olarak veri toplamamız gerekiyor.  Konuyla ilgili devam eden bazı erken dönem araştırmalar var gibi görünüyor  , ancak burada çok daha fazlası yapılmalı.

10. Kişiselleştirilmiş yapay zeka öğreniminin iş yeniden eğitimini nasıl değiştireceğini bilmiyoruz.

Kişiselleştirilmiş yapay zekâ öğrenimi etkili mi? Doğru tasarım yöntemi nedir? K-12 seviyesinde (bkz. Alpha School ) kullanılabilir mi  ? Üniversite seviyesinde? Peki ya iş yeniden eğitiminde veya beceri geliştirme programlarında?

Yapay zekâ, işlerin geçerliliğini yitirme hızını artırabilir, ancak aynı zamanda beceri yeniden eğitimini hızlandırabilir veya yeni bir mesleğe girmenin önündeki engelleri en baştan azaltabilir.

Hyman ve ark. (2025),  iş yeniden eğitiminin işçilerin teknolojik istihdam aksamalarına uyum sağlamalarına yardımcı olabileceğine dair değerli kanıtlar sunmaktadır. Bu programların gelecekteki görünümü muhtemelen oldukça değişecektir. ⁹

İleriye dönük yol haritası:  Okullar ve şirketler bu teknolojileri titiz ve bilimsel bir şekilde denemelidir.

11. Yapay zekanın benimsenmesinin ardından işçilerin görevlerinin nasıl değiştiğini bilmiyoruz.

Son araştırmalar, iş maruziyetini ölçmek veya verimlilik değişikliklerini tahmin etmek için O*NET’ten gelen iş görevlerini kullanıyor. Bununla birlikte, yapay zekanın çalışanların iş yerinde zamanlarını nasıl geçirdiğini değiştirdiğine dair çok fazla ampirik kanıtımız yok. Bir çalışanın görevlerini ampirik olarak nasıl ölçebiliriz? Hangi görevlere daha fazla zaman harcıyorlar? Daha az mı? Bazı görevler ortadan kayboluyor mu? Başkaları mı yaratılıyor? Çalışanlar kapsamlarını genişletiyor, aksi takdirde yapamayacakları görevleri mi yerine getiriyorlar? ¹⁰

Bu soruların yanıtlanması, çalışanların gerçekleştirdiği görevlerin ve bunların zaman içinde nasıl geliştiğinin daha doğru ve yeni ölçümlerinin oluşturulmasına yardımcı olacaktır.

İleriye dönük yol:  Bu konuyu incelemek için üç umut vadeden yaklaşım gördüm. Birincisi, farklı roller için görevler oluşturmak amacıyla iş ilanı bilgilerini kullanıyor. İkincisi, insanları arayan ve zamanlarını nasıl geçirdikleri hakkında veri toplayan yapay zeka ajan görüşmecilerini kullanıyor ( Shao vd. 2025 ). Üçüncüsü ise, çalışanların projeler ve görevler arasında zaman tahsislerini bildirdikleri şirket performans değerlendirme verilerini topluyor.

12. Yapay zekanın işverenler ve iş adayları arasındaki eşleştirmeye etkisi belirsizdir.

Bir yandan  van Inwegen ve ark. (2025),  özgeçmişler için algoritmik yazım desteğinin, potansiyel çalışanlar için işe alım ve ücretlerde nedensel artışlara yol açtığını göstermektedir.  Aka ve ark. (2025)  ise yapay zeka destekli mülakatların çok daha iyi aday seçimine yol açtığını bulmuştur.

Öte yandan,  Wiles ve Horton (2025),  bu ortamda özel faydayı maksimize eden seçimlerin, daha geniş anlamda topluma fayda sağlayıp sağlamayacağının belirsiz olduğunu vurgulamaktadır. Yapay zeka araçları, işverenlerin daha fazla ilan oluşturmasına ve iş adaylarının daha düşük maliyetle daha fazla işe başvurmasına yardımcı olabilir. Bu azalan sürtünmeler, iş arayanlar ve işverenler arasındaki eşleşmelerin kalitesini artırabilir veya tam tersine, işgücü piyasası sinyallerinin sulandırılması nedeniyle eşleşmelerin kalitesini düşürebilir. Aslında işe almak istemediğiniz bir iş ilanı yayınlamanın hiçbir maliyeti yoksa ve tüm özgeçmişler aynı görünmeye başlarsa, prensip olarak iyi eşleşmeler oluşturmak daha zor olabilir.  Cui vd. (2025)  gerçekten de yapay zeka kullanımının ön yazıları iyileştirdiğini, ancak ön yazıların daha sonra işçi yeteneğinin daha az bilgilendirici sinyalleri haline geldiğini bulmuştur. İşverenler buna bağlı olarak adayları değerlendirirken geçmiş değerlendirmeler gibi alternatif sinyallere yönelmektedir.

İleriye dönük yol:  Daha geniş işgücü piyasasında eşleştirme sürecinin sağlığını izlemek için ampirik ölçümler geliştirmek faydalı olacaktır. Standart Diamond-Mortensen-Pissarides modeli, fikir edinmek için iyi bir başlangıç ​​noktasıdır.

13. Yapay zekanın gelirleri ve serveti nasıl etkileyeceğine dair daha fazla veriye ihtiyacımız var.

Yapay zekanın ekonomik eşitsizliği nasıl etkileyeceği konusunda büyük bir belirsizlik var. Bu konuda gördüğüm en iyi makale  Rockall ve diğerleri (2025) tarafından yazılmıştır . Aşağıda yeniden üretilen Şekil 2, İngiltere’deki işçilerin gelirlerini kaynaklarına göre göstermektedir.

Yüksek gelirli kişilerin ortalama olarak daha yüksek mesleki Yapay Zekayamaruz kalma oranları vardır, ancak gelirlerinin daha düşük bir kısmını ücret olarak alırlar. Bu nedenle sermaye kazançları, ücret kayıplarını telafi edebilir. Öte yandan, düşük gelirli kişilerin ortalama olarak daha düşük mesleki Yapay Zekayamaruz kalma oranları vardır, ancak gelirlerinin daha büyük bir kısmı ücretlerden gelir. Sonuç olarak, yükselen şirket değerlemelerinden daha düşük getiri elde edebilirler. Ayrıca, gelirlerinin daha büyük bir kısmını devlet yardımlarından alırlar ve ekonominin büyümesiyle vergi gelirleriyle birlikte bu yardımlar da artabilir.

İleriye dönük yol:  Bu önlemler, özellikle daha geniş bir ülke yelpazesinde, yapay zekadan elde edilecek potansiyel kazanımların nasıl dağıtılacağını ölçmek için zaman içinde genişletilmeli ve izlenmelidir.  Nordhaus’u (2021) takip ederek , özellikle önde gelen yapay zeka firmalarında, gelirdeki işgücü payındaki değişiklikleri de izlemeliyiz. ¹¹

14. Yukarıdaki veriler ışığında, ekonomik aksaklıklarla nasıl başa çıkılacağına dair titiz bir modellemeye ihtiyacımız var.

Bana göre, yapay zeka topluluğunun yapay zeka kaynaklı dönüşüme uyum konusunda veriye veya dikkatli varsayımlara dayanmayan birçok teorisi var. Tam da bu tür çalışmalarda gelmiş geçmiş en büyük ekonomistlerden biri olan Chad Jones,  bu durumu iyileştirmek için önemli katkılarda bulunuyor  .  Anton Korinek, Phillip Trammell ve diğerleri de büyüme tarafında önemli katkılar sağlıyor.

Bu konuda çok daha fazla araştırma yapılabilir.  Ide ve Talamas (2025) ,  Ide (2025) ve  Garicano ve Rayo (2025),  giriş seviyesi ve kıdemli çalışanlar üzerindeki etkiler hakkındaki anlayışımızı geliştiriyor.  Hampole vd. (2025),  teorik temellere dayalı yapay zeka maruziyeti ölçütleri geliştiriyor.  Agrawal vd. (2025),  yüksek zekâlı yapay zeka altında insan kaynaklarının kısa ve uzun vadeli iş dağılımını modelliyor.  Autor ve Thompson (2025),  teknolojinin farklı çalışanlar için istihdam ve ücretleri nasıl etkilediğini modelleme ve ampirik olarak ölçme konusunda çığır açan bir katkı sağlıyor. Son birkaç yılın en sevdiğim makalelerinden biri.

Özellikle potansiyel olarak dönüştürücü Yapay Zekayasahip ortamlarda, politika değişikliklerinin işgücü piyasası üzerindeki etkilerini simüle etmemizi sağlayacak daha fazla teorik çalışmaya ihtiyacımız var. Teknik olarak, bu belgedeki türden bilgiler kullanılarak ampirik olarak kalibre edilebilen ve varsayımsal politikaların sonuçlarını simüle etmek için kullanılabilen, yapay zekânın işgücü piyasası üzerindeki etkilerine ilişkin yapısal modellere ihtiyacımız var.

İleriye dönük yol:  Bu tür modelleri geliştirin ve bunları gerçek politika seçeneklerini değerlendirmek için kullanın. Bu, araştırma için tamamen açık bir alandır.

Yazar hakkında Bharat Chandar

Doktora Sonrası Araştırma Görevlisi

Bharat Chandar, yapay zekanın iş dünyası üzerindeki etkisini anlamaya çalışan bir işgücü ekonomistidir. Son projeleri arasında Erik Brynjolfsson ve Ruyu Chen ile birlikte yapay zekaya maruz kalan işlerdeki giriş seviyesi istihdam değişikliklerini izleyen “kömür madenindeki kanaryalar” çalışması yer almaktadır. Ayrıca yakın zamanda yapay zeka ve işgücü piyasaları hakkındaki bilgi düzeyini de incelemiştir.

Devam eden çalışmaları üç alana odaklanmıştır. Birincisi, yapay zekâ destekli işe alım değişiklikleri görürsek işçiler nasıl uyum sağlayacak? Hangi işçiler işten çıkarılırsa daha kolay veya daha zor bir süreç yaşayacak ve desteği nereye yönlendirmeliyiz? İkincisi, insanların yeni şeyler öğrenmesini ve yeni iş biçimleri peşinde koşmasını kolaylaştırmak için yapay zekâyı nasıl kullanabiliriz? Üçüncüsü, yapay zekânın etkileri dünya genelinde nasıl farklılık gösterecek?

Dipnotlar

1. Dönüştürücü yapay zekanın ekonomisi üzerine daha geniş bir araştırma gündemi için  Brynjolfsson ve diğerleri (2025) çalışmasınabakınız .
2. Johnston ve Makridis (2025),yapay zekaya maruz kalan  sektörlerde  istihdam artışı görüldüğünü tespit etmiştir. Eğer firmalar sermaye yatırımı yaparsa veya genel işgücü talebini artıracak şekilde daha verimli hale gelirse, sektör düzeyindeki işgücü piyasası değişiklikleri meslek düzeyindeki değişikliklerden farklı olabilir. Ayrıca  Hampole vd. (2025)’ e bakınız .
3. Sağlamlık kontrolleri konusunda faydalı önerilerde bulunan Omeed Maghzian, Brad Ross ve diğer birçok kişiye teşekkürler.
4. Toner-Rodgers’ın (2024) çalışmasının daha sonra itibarsızlaştırıldığını belirtmekte fayda var.
5. Chatterji ve ark. (2025)bu konuda faydalı bir katkı sağlıyor, ancak yalnızca beş çok geniş meslek grubuna ilişkin sonuçları gösteriyor. Önemli bir soru, kullanıcı gizliliğini kullanım verilerinin toplanmasıyla nasıl dengeleyeceğimizdir.  Antropik Ekonomik Endeks,  konuşmaların farklı iş görevleriyle nasıl ilişkili olduğuna dair zengin ayrıntılar sunuyor, ancak bu ilişkiler LLM’ler tarafından çıkarılıyor. Benim görüşüme göre, Antropik Ekonomik Endeks mükemmel olmasa bile araştırmacılar için çok faydalı.
6. Önerisi için Tom Cunningham’a teşekkürler.
7. Wong ve ark. (2025),bunun Asya üniversitelerinde de geçerli olduğunu öne sürmektedir.
8. Lee ve ark. (2024), ChatGPT’nin öz bildirime dayalı hile yapma oranında anlamlı bir artışa yol açmadığını bulmuşlardır; ancak verileri 2023 yılının başından ortasına kadar olan döneme aittir.
9. Mollick ve ark. (2024)bu konu üzerine yapılan ilk çalışmalardan biridir.
10. Vendraminelli ve ark. (2025), çalışanların yapay zekayı kullanarak iş kapsamlarını genişletebildikleri ve genişletemedikleri durumları gösteren ilginç bir araştırma katkısıdır.
11. Yapay zekâ firmalarındaki işgücü payını takip etme önerisi için Phillip Trammell’e teşekkürler. Eğer öncü laboratuvarlarda işgücü payı 0’a düşerse, bu  tekrarlayan öz-gelişiminbir göstergesi olabilir .

 

https://digitaleconomy.stanford.edu/news/ai-and-labor-markets-what-we-know-and-dont-know/