Brett Hemenway Falk ve Gerry Tsoukalas’ın Mart 2026 tarihli “The AI Layoff Trap” başlıklı çalışması, yapay zekâ ve istihdam tartışmasına alıştığımız eksenden bakmıyor. Makalenin odağı, “çalışanlar işlerini kaybederse ne olur?” sorusuyla sınırlı değil. Daha sert ve teknoloji liderleri açısından daha rahatsız edici bir soru soruyor:
Şirketler yapay zekâ ile maliyetlerini düşürürken, bir taraftan da kendi ürün ve hizmetlerine olan toplam talebi de düşürüyor olabilir mi?
Makalenin temel iddiası şu: Eğer AI insan emeğini ekonominin yeniden geri kazandırabileceğinden daha hızlı ikame ederse, firmalar bireysel olarak rasyonel kararlar alırken kolektif olarak irrasyonel bir sonuca sürüklenebilir. Her firma otomasyon sayesinde maliyet avantajı elde eder; fakat işten çıkarılan çalışanların kaybolan satın alma gücü tüm piyasaya yayılır. Firma tasarrufun tamamını kendi hanesine yazar, ama yarattığı talep kaybının sadece küçük bir kısmını üstlenir. Bu nedenle rekabetçi piyasalarda otomasyon, verimlilik artışının ötesinde toplumsal etkilere neden olur.
Bu yazıda bu fikri, teknoloji şirketi CEO’ları, CTO’ları ve yazılım geliştiriciler için yeniden yorumlamak istiyorum. Ancak konuyu sadece yazılım geliştirme veya developer productivity perspektifine sıkıştırmadan. Çünkü makalenin asıl önemi, belirli bir meslek grubuyla ilgili olmasından değil; yapay zekâ kullanımının arttığı bu dönemde şirket stratejisinin, rekabetin ve toplam talebin aynı anda düşünülmesi gerektiğini göstermesinden geliyor.
Yapay Zekâ Tartışmasında Eksik Kalan Taraf: Talep
Yapay zekâ gündemi çoğunlukla arz tarafı üzerinden konuşuluyor. Daha hızlı üretim. Daha düşük maliyet. Daha az insanla daha fazla çıktı. Daha otomatik operasyon. Daha verimli müşteri desteği. Daha hızlı kod geliştirme. Daha düşük back-office maliyeti. Daha yüksek marj.
Bunların hiçbiri önemsiz değil. Hatta teknoloji şirketleri için yapay zekâyı görmezden gelmek artık stratejik bir seçenek değil. Ancak bu tartışmanın çoğu zaman eksik kalan bir tarafı var: talep tarafı.
Şirketler için çalışanlar, gelir tablosunda sadece maaş maliyeti olarak görünür. Fakat ekonomi açısından çalışanlar aynı zamanda tüketicidir. Maaş, sadece şirketten çıkan para değildir; başka şirketlerin cirosuna dönen satın alma gücüdür. Bu nedenle geniş ölçekli iş gücü ikamesi yalnızca maliyet yapısını değil, piyasanın toplam talep tabanını da değiştirir.
Bir şirketin yüz kişilik destek ekibini yapay zekâ ajanlarıyla değiştirmesi, o şirketin operasyonel maliyetini düşürebilir. Fakat aynı anda yüz kişinin harcama kapasitesini de azaltır. Bu harcama kaybı tek bir şirkete değil, ekonominin geneline yayılır. Her firma kendi otomasyon kararında bu toplam etkiyi tam olarak hesaba katmaz.
“The AI Layoff Trap” çalışmasının güçlü tarafı tam burada: problemi ahlaki bir tercih veya kötü yönetim davranışı olarak değil, rekabetçi piyasa içinde oluşan yapısal bir teşvik problemi olarak modelliyor.
Rasyonel Firma, İrrasyonel Sonuç
Bir teknoloji şirketi düşünelim. Rakipleri yapay zekâ ile operasyonlarını otomatikleştiriyor. Müşteri destek ekiplerini küçültüyor, içerik üretimini otomatikleştiriyor, raporlama süreçlerini ajanlara devrediyor, yazılım geliştirme tarafında daha az insanla daha fazla iş çıkarmaya başlıyor.
Bu durumda şirketin önünde basit gibi görünen bir karar var:
“Otomasyon yapmazsam maliyet avantajını kaybederim.”
Bu karar firma açısından rasyoneldir. Hatta çoğu CEO ve CTO için kaçınılmaz görünür. Çünkü rekabetçi piyasada maliyet avantajını kaybetmek, fiyatlama gücünü, yatırım kapasitesini ve kârlılığı zayıflatabilir.
Fakat tüm firmalar aynı anda aynı kararı verdiğinde, ekonomik sistem düzeyinde farklı bir sonuç doğar.
Her firma kendi maliyetini düşürür. Ancak toplam ücret geliri düşerse, toplam tüketim kapasitesi de düşer. Talep zayıfladığında ise şirketlerin gelir tarafı baskı altına girer. Böylece firmalar maliyet düşürerek kârlılığı artırmaya çalışırken, aynı anda gelir tabanını aşındırmış olur.
Makaledeki kritik mekanizma budur: otomasyonun talep dışsallığı.
Firma, otomasyonla elde ettiği tasarrufu doğrudan kendi hanesine yazar, aslında bu tasarruf şirket kasasına giren paradır. Fakat otomasyonun yarattığı talep kaybı tüm firmalara yayıldığı için bu maliyetin tamamını kendi kararına yansıtmaz. Sonuçta her firma kendi açısından optimum görünen seviyede otomasyon yapar; fakat toplam otomasyon seviyesi kolektif optimumun üzerine çıkar.
Bu sonuç, yöneticilerin kötü niyetli veya miyop olmasını gerektirmez. Makalenin varsayımı daha da güçlüdür: Firmalar rasyoneldir, geleceği görür ve otomasyonun talebi düşüreceğini bilir. Buna rağmen yarış durmaz. Çünkü tek bir firmanın geri durması, rakipleri otomasyon yaparken onu maliyet ve dolayısıyla rekabet dezavantajına sokar.
Bu nedenle problem bilgi eksikliği değil, teşvik yapısıdır.
Rekabet Her Zaman Disipline Etmez
İş dünyasında rekabet çoğu zaman olumlu bir güç olarak düşünülür. Rekabet verimliliği artırır, fiyatları düşürür, müşteriye seçenek sunar ve firmaları ataletten kurtarır. Bu genel çerçeve doğrudur. Ancak “AI Layoff Trap” bize rekabetin bazı durumlarda dışsallığı büyütebileceğini gösteriyor.
Bir monopol düşünelim. Tek firma tüm pazara hizmet veriyor. Bu firma çalışanlarını büyük ölçüde işten çıkarıp otomasyona geçtiğinde, çalışanların kaybolan satın alma gücünden doğan talep düşüşünün önemli kısmı yine kendi gelirlerini etkiler. Dolayısıyla monopol yapılar, talep kaybını daha fazla içselleştirirler.
Şimdi aynı pazarda çok sayıda firmanın rekabet ettiğini düşünelim. Her firma kendi işten çıkarmalarının toplam talebe etkisinin sadece küçük bir bölümünü hisseder. Geri kalan etki rakiplere ve ekonominin geneline dağılır. Firma açısından otomasyonun özel getirisi yüksek, özel maliyeti düşük görünür.
Bu nedenle rekabet arttıkça otomasyonun aşırıya kaçma riski artabilir.
Bu, alışılmış rekabet sezgisine ters bir sonuçtur. Ancak mantığı nettir:
Maliyet tasarrufu firmaya özeldir; talep kaybı piyasaya yayılır.
Piyasa ne kadar parçalıysa, her firmanın talep kaybından aldığı pay o kadar küçülür. Bu da otomasyon yarışını daha agresif hale getirir.
Bu nokta teknoloji liderleri açısından önemli. Çünkü yapay zekâ dönüşümü yalnızca birkaç büyük teknoloji devinin konusu değil. Finans, perakende, lojistik, üretim, çağrı merkezi, medya, yazılım hizmetleri, muhasebe, insan kaynakları, hukuk destek hizmetleri, danışmanlık ve back-office operasyonlarında çok sayıda oyuncu benzer otomasyon kararlarını aynı anda alıyor.
Tam da bu yüzden sorun tek tek şirketlerin operasyonel verimlilik kararı olmaktan çıkıp piyasa ölçeğinde stratejik bir meseleye dönüşüyor.
Daha Güçlü Yapay Zekâ Yarışı Yavaşlatmayabilir, Hızlandırabilir
Sık duyulan bir argüman var:
“AI daha üretken oldukça ekonomi büyür, yeni işler doğar, sorun çözülür.”
Tarihsel olarak bu argümanın güçlü bir zemini var. Sanayi devriminden bu yana birçok teknoloji dalgası bazı işleri ortadan kaldırırken yeni işler de yarattı. Ekonomi bir süre sonra iş gücünü yeni alanlarda yeniden kullanmaya başladı. Daron Acemoğlu ve Pascual Restrepo’nun çalışmalarında vurgulanan “reinstatement effect”, yani yeni görev ve mesleklerin oluşması, bu tarihsel dengeleme mekanizmasının önemli bir parçası.
Fakat bugünkü soru şu: Bu kez iş gücünün ekonomi tarafından yeniden emilim, yeterince hızlı olacak mı?
Eğer yapay zekâ iş gücünü çok hızlı ikame eder, fakat yeni görevler ve gelir kaynakları aynı hızla oluşmazsa, geçiş dönemi kendi başına ciddi bir talep şoku yaratabilir. Makalenin ilgilendiği alan da tam olarak bu geçiş dinamiğidir.
Daha güçlü yapay zekâ bu sorunu otomatik olarak çözmeyebilir. Hatta bazı koşullarda büyütebilir.
Çünkü yapay zekâ sadece maliyeti düşürmüyor; bazı alanlarda çıktı kapasitesini de artırıyor. Bir ekip daha fazla müşteri talebini karşılayabiliyor, bir analist daha fazla rapor üretebiliyor, bir operasyon ekibi daha fazla süreci izleyebiliyor, bir geliştirici daha fazla kod üretebiliyor, bir destek ajanı binlerce konuşmayı aynı anda yönetebiliyor.
Bu durumda her firma açısından otomasyonun getirisi daha cazip hale gelir. Rakiplerden geri kalmama baskısı artar. Ancak herkes aynı teknolojik sıçramayı yaptığında, göreli avantajlar birbirini götürebilir. Firmalar daha fazla otomasyon yapar; fakat toplam talep üzerindeki baskı ortadan kalkmaz.
Makaledeki ifadeyle bu bir tür “Red Queen” etkisidir: Herkes daha hızlı koşar, ama göreli konum değişmeyebilir. Geriye daha yüksek otomasyon seviyesi ve daha büyük dışsallık kalabilir.
Bu Bir “Çalışanlar mı Şirketler mi?” Tartışması Değil
Konunun en yanlış okunma biçimlerinden biri, bunu klasik bir emek-sermaye çatışması olarak görmek olur.
Evet, işten çıkarılan çalışanlar doğrudan zarar görür. Gelirlerini kaybederler, yeniden istihdam edilmeleri zaman alır, daha düşük ücretli işlere geçebilirler veya mesleki kimlikleri sarsılabilir.
Fakat makalenin daha ilginç iddiası şu: Aşırı otomasyon sadece çalışanlara zarar vermez, şirket sahiplerine de zarar verebilir.
Çünkü şirketlerin maliyetleri düşerken, gelirleri de talep kaybı nedeniyle düşebilir. Eğer otomasyon seviyesi kolektif optimumu aşarsa, firmalar daha düşük iş gücü maliyetine rağmen daha düşük toplam kârla karşılaşabilir.
Bu çok önemli bir nokta.
Sorun yalnızca “şirketler kazanıyor, çalışanlar kaybediyor” değildir. Sorun, rekabetçi otomasyon yarışının hem çalışanları hem de şirketleri daha kötü bir dengeye sürükleyebilmesidir.
Bu nedenle konuyu sadece sosyal politika veya gelir dağılımı başlığı altında ele almak eksik kalır. Bu aynı zamanda şirket stratejisi, rekabet stratejisi ve pazar sürdürülebilirliği problemidir.
UBI, Eğitim ve Kâr Paylaşımı Neden Tek Başına Yetmeyebilir?
Makale, farklı politika araçlarını da tartışıyor. Bunların tamamı bizim için doğrudan uygulanabilir öneriler olmak zorunda değil; ancak hangi araçların hangi marjda çalıştığını anlamak açısından değerli.
Örneğin evrensel temel gelir (universal base income-UBI), çalışanların yaşam standardını destekleyebilir ve talep tabanını belirli ölçüde koruyabilir. Ancak makaledeki modele göre UBI, firmanın otomasyon kararındaki marjinal teşviki doğrudan değiştirmez. Firma bir görevi otomatikleştirirken hâlâ maliyet tasarrufunu görür; otomasyonun yarattığı dışsallığı tam olarak üstlenmez.
Benzer şekilde eğitim ve yeniden beceri kazandırma programları çok önemlidir. Hatta uzun vadede en sağlıklı çözüm yollarından biridir. Çünkü işten çıkan çalışanlar daha yüksek değerli rollere geçebilirse, kaybolan gelir yeniden oluşur ve talep dışsallığı küçülür. Ancak yeniden beceri kazanımı yeterince hızlı ve yeterince yaygın gerçekleşmezse, geçiş dönemindeki aşırı otomasyon problemi devam eder.
Kâr paylaşımı veya çalışanların şirket başarısından pay alması da dışsallığı azaltabilir. Çalışanlar sermaye gelirinden pay aldığında, otomasyonla oluşan kazancın bir bölümü tekrar tüketime döner. Fakat bu mekanizma da dışsallığı tamamen ortadan kaldırmak için yeterli olmayabilir; çünkü talep kaybı şirketler arası yayılmaya devam eder.
Makalenin vardığı sonuç oldukça net: Dışsallık otomasyon kararının marjında oluşuyorsa, onu düzeltecek aracın da otomasyonun marjinal teşvikini değiştirmesi gerekir. Bu nedenle çalışma, Pigouvian otomasyon vergisini teorik olarak en doğru araç olarak konumlandırıyor.
Burada şirket yöneticileri için çıkarılacak ders, doğrudan “otomasyon vergisi uygulanmalı” olmamalı. Daha temel ders şu:
Sorun marjinal teşviklerdeyse, çözüm de marjinal teşvikleri değiştirmelidir. Sadece kayıpları sonradan telafi eden araçlar ile otomasyon yarışı durudurlamaz.
Şirket Stratejisi Açısından Asıl Soru
CEO ve CTO seviyesinde bu tartışmadan çıkarmamız gereken pratik soru şu değildir:
“AI kullanmalı mıyız, kullanmamalı mıyız?”
Bu soru artık geride kaldı. Elbette kullanacağız.
Daha doğru soru şudur:
Yapay Zekâ’yi hangi ekonomik mantıkla, hangi organizasyonel tasarımla ve hangi uzun vadeli değer modeliyle kullanacağız?
Eğer yapay zekâyı yalnızca insan maliyetini düşürme aracı olarak konumlandırırsak, dar bir verimlilik anlayışına sıkışırız. Bu yaklaşım kısa vadede kâr marjını iyileştirebilir, ancak aynı zamanda kurum içi bilgi birikimini, öğrenme kapasitesini, müşteri bağlamını ve uzun vadeli yetenek hattını zayıflatabilir.
Eğer yapay zekâyı insan kapasitesini artıran, yeni ürün ve hizmet kabiliyetleri açan, karar kalitesini yükselten ve organizasyonun öğrenme hızını artıran bir çarpan olarak konumlandırırsak, daha sürdürülebilir bir model kurabiliriz.
Bu ayrım basit görünüyor ama stratejik olarak çok derin.
Birinci yaklaşımda yapay zekâ, insanı sistemden çıkarmanın aracıdır.
İkinci yaklaşımda yapay zekâ, insanın ürettiği değeri büyütmenin aracıdır.
İkame Edici Yapay Zekâ ve Tamamlayıcı Yapay Zekâ
Her teknoloji şirketinin yapay zekâ inisiyatiflerini iki ayrı kategoriyle değerlendirmesi gerektiğini düşünüyorum:
İkame edici yapay zekâ, insan tarafından yapılan bir görevi doğrudan ortadan kaldırır veya insana olan ihtiyacı azaltır.
Tamamlayıcı yapay zekâ, insanın daha hızlı, daha kaliteli, daha analitik veya daha yaratıcı çalışmasını sağlar.
İkame edici yapay zekâ kötü değildir. Bazı görevlerin otomasyonu hem ekonomik hem de operasyonel olarak doğrudur. Tekrarlı, düşük katma değerli, yüksek hata riski taşıyan, insanı yoran ve öğrenme değeri düşük işlerin otomatikleşmesi doğaldır.
Ancak yapay zekâ stratejisinin tamamı ikame mantığı üzerine kurulursa, şirket kendi insan sermayesini tüketmeye başlar. Kısa vadeli maliyet avantajı elde ederken, uzun vadeli problem çözme kapasitesini azaltabilir.
Tamamlayıcı yapay zekâ ise farklı bir değer modeli sunar. İnsan sayısını azaltmaktan önce, insanın etkisini artırır. Daha iyi karar, daha hızlı analiz, daha güçlü müşteri değeri, daha kaliteli ürün, daha iyi risk yönetimi ve daha hızlı öğrenme sağlar.
Örneğin bir finans şirketinde yapay zekâ sadece operasyon ekibini azaltmak için kullanılabilir. Ama aynı teknoloji, risk analizi, sahtekârlık tespiti, müşteri segmentasyonu, regülasyon uyumu ve kişiselleştirilmiş hizmet kapasitesini artırmak için de kullanılabilir.
Bir üretim teknolojileri şirketinde AI sadece destek yükünü azaltmak için kullanılabilir. Ama aynı teknoloji, üretim verilerinden anomali tespiti, doğal dilde raporlama, bakım tahmini, enerji optimizasyonu ve yönetsel karar desteği üretmek için de kullanılabilir.
Bir yazılım şirketinde AI sadece daha az geliştiriciyle aynı işi yapmak için kullanılabilir. Ama aynı teknoloji, daha iyi mimari analiz, daha güçlü test otomasyonu, daha iyi dokümantasyon, daha hızlı ürün keşfi ve daha kaliteli müşteri uyarlamaları için de kullanılabilir.
Aradaki fark teknolojide değil, stratejik niyettedir.
CTO İçin Kritik Mimari Soru: İnsan Hangi Döngüde Kalacak?
CTO’lar için yapay zekâ meselesi sadece model seçimi, veri mimarisi, RAG kalitesi, agent orchestration veya deployment maliyeti değildir. Bunlar önemlidir, ama daha büyük bir mimari soru var:
İnsan karar döngüsünün neresinde kalacak?
AI sistemleri giderek daha fazla karar öneriyor, analiz yapıyor, içerik üretiyor, kod yazıyor, müşteriyle konuşuyor, rapor hazırlıyor ve operasyonel aksiyon tetikliyor. Bu sistemleri tasarlarken insanın rolünü sonradan eklenen bir onay kutusu gibi düşünemeyiz.
İnsan hangi aşamada bağlam sağlayacak?
Hangi kararlarda nihai sorumluluk insanda kalacak?
Hangi çıktılar otomatik uygulanacak, hangileri denetime tabi olacak?
Hangi alanlarda hız, hangi alanlarda doğruluk ve hesap verebilirlik öncelikli olacak?
Hangi veri ve bilgi kaynakları modelin kararını sınırlayacak?
Yapay zekâ hatası olduğunda organizasyon bunu nasıl fark edecek?
Bu sorular yalnızca etik sorular değildir. Bunlar sistem güvenilirliği, operasyonel risk ve kurumsal dayanıklılık sorularıdır.
Özellikle B2B teknoloji şirketlerinde müşteri bağlamı, domain bilgisi ve sorumluluk zinciri çok kritiktir. Kurumsal müşteriye verilen yanlış bir yanıt, hatalı bir rapor, yanlış bir finansal yorum, yanlış bir üretim kararı veya hatalı bir otomasyon aksiyonu, sadece teknik bir bug değildir. İş sonucudur.
Bu nedenle CTO’nun görevi, yapay zekâ’yi sadece daha hızlı çıktı üreten bir makine olarak değil, insan-makine karar mimarisi olarak tasarlamaktır.
CEO İçin Kritik Strateji Sorusu: Verimlilik Kazancı Nereye Akacak?
CEO açısından temel soru şudur:
Yapay zekâ ile elde edilen verimlilik kazancı nereye aktarılacak?
Üç olasılık var.
Birincisi, kazanç tamamen maliyet azaltımına aktarılır. Daha az çalışan, daha düşük gider, daha yüksek kısa vadeli marj.
İkincisi, kazanç fiyat avantajına aktarılır. Şirket daha rekabetçi fiyatlarla pazar payı kazanmaya çalışır.
Üçüncüsü, kazanç kapasite artışına aktarılır. Daha iyi ürün, daha iyi hizmet, daha hızlı inovasyon, daha güçlü müşteri deneyimi, yeni pazarlara açılım ve daha derin Ar-Ge kabiliyeti oluşturulur.
Bunların hiçbiri tek başına yanlış değildir. Ancak sadece birinci seçenek üzerine kurulu bir yapay zekâ stratejisi, şirketi dar bir maliyet optimizasyonu oyununa hapsedebilir.
Oysa yapay zekâ’nin asıl stratejik değeri, yalnızca mevcut işleri daha ucuza yapmak değildir. Daha önce ekonomik açıdan yapılması uygun olmayan işleri yapılabilir hale getirmek, müşteriye yeni değer katmanları sunmak, karar kalitesini artırmak ve organizasyonun öğrenme hızını arttırmaktır.
Bu nedenle CEO’nun yapay zekâ programını sadece “operasyonel verimlilik” metriğiyle değil, “stratejik kapasite artışı” metriğiyle de yönetmesi gerekir.
Geliştiriciler İçin Mesaj: Sadece Üretim Hızı Yetmeyecek
Yazılım geliştiriciler açısından bu tartışmanın bir başka boyutu var. Yapay zekâ kod üretimini ucuzlatıyor. Bu bir gerçek. Ancak bundan “geliştirici değersizleşiyor” sonucu çıkmaz. Daha doğru sonuç şudur: Geliştiricinin değeri kod yazma hızından problem çözme kalitesine kayıyor.
Kod üretimi kolaylaştıkça şu beceriler daha kritik hale gelecek:
- Problemi doğru çerçevelemek
- Gereksinimi sorgulamak
- Domain bilgisini teknik modele dönüştürmek
- Sistem sınırlarını ve entegrasyon noktalarını görmek
- Veri modelini ve güvenlik etkilerini anlamak
- AI çıktısını eleştirel değerlendirmek
- Test edilebilir, sürdürülebilir ve gözlemlenebilir sistemler tasarlamak
- Teknik kararın iş etkisini açıklayabilmek
Bu beceriler, yapay zekâ tarafından tamamen ikame edilmesi daha zor olan becerilerdir. Çünkü sadece çıktı üretimi değil, bağlam, muhakeme ve sorumluluk gerektirir.
Ancak burada şirketler için ciddi bir risk var: Junior işleri tamamen otomatikleştirirsek, senior yetiştirme hattını da işlevsiz hale getirebiliriz.
Bugünün senior mühendisleri, geçmişte “basit” görünen işleri yaparak öğrendi. Debug yaptı, test yazdı, müşteri hatası inceledi, log okudu, veri problemlerini çözdü, deployment bozdu, rollback yaptı, yanlış tasarımın bedelini ödedi. Bu deneyimler olmadan güçlü mühendis yetişmez.
Bu nedenle yapay zekâ kullanımının yaygınlaştığı bu dönemde yazılım organizasyonlarının yeni öğrenme yolları tasarlaması gerekiyor. Junior geliştiriciyi sistem dışına atmak yerine, yapay zekâ destekli ama gerçek sorumluluk içeren öğrenme döngülerine almak gerekiyor.
Türkiye’deki Teknoloji Şirketleri İçin Daha Hassas Bir Konu
Türkiye’deki teknoloji şirketleri açısından bu tartışma daha da önemli.
Çünkü birçok şirketimiz hâlâ ürünleşme, kurumsallaşma, yurtdışı pazarlara açılma, nitelikli insan kaynağı yetiştirme ve sürdürülebilir Ar-Ge kapasitesi oluşturma aşamasında. Bu aşamada yapay zekâ’yi sadece personel sayısı azaltma aracı olarak kullanmak, kısa vadeli finansal rahatlama sağlayabilir; fakat uzun vadeli kurumsal öğrenme kapasitesini zayıflatabilir.
Özellikle B2B yazılım, fintech, üretim teknolojileri, MES/MOM, IIoT, ERP, CRM, BPM, veri analitiği ve endüstriyel yazılım alanlarında domain bilgisi çok değerlidir. Bu bilgi yalnızca dokümanlarda yaşamaz. Proje ekiplerinde, destek ekiplerinde, müşteriyle sahada çalışan danışmanlarda, ürün yöneticilerinde, analistlerde ve geliştiricilerin yıllar içinde oluşturduğu sezgilerde yaşar.
Yapay zekâ bu bilgiyi çoğaltmak için olağanüstü bir araç olabilir. Kurumsal hafızayı erişilebilir hale getirebilir, proje deneyimlerini yeniden kullanılabilir bilgiye dönüştürebilir, müşteri ihtiyaçlarını daha iyi analiz edebilir, destek kalitesini artırabilir, ürün ekiplerinin kararlarını güçlendirebilir.
Ama aynı yapay zekâ, yanlış stratejiyle kullanılırsa bu bilgi taşıyıcılarını sistem dışına iten bir maliyet azaltma aracına da dönüşebilir.
Aradaki fark, şirketin yapay zekâ’ya nasıl baktığıdır.
Şirketler İçin Pratik Bir Değerlendirme Çerçevesi
Bir yapay zekâ inisiyatifini değerlendirirken sadece “ne kadar maliyet düşürüyor?” sorusunu sormak yetersizdir. Daha kapsamlı bir değerlendirme çerçevesi gerekir.
Bence her kritik yapay zekâ projesi için şu sorular sorulmalı:
Bu proje ikame mi ediyor, tamamlıyor mu?
İnsan emeğini doğrudan azaltıyor mu, yoksa insanın kapasitesini mi artırıyor? İkame ediyorsa, hangi bilgi ve deneyim kaybı oluşacak?
Verimlilik kazancı nereye aktarılacak?
Kazanım sadece maliyet azaltımına mı gidecek, yoksa ürün kalitesi, müşteri değeri, yeni pazar, Ar-Ge kapasitesi veya karar kalitesi için mi kullanılacak?
Talep tarafı etkisi düşünüldü mü?
Bu otomasyon sadece şirket içi maliyetleri mi etkiliyor, yoksa müşteri segmentlerinin, sektörün veya genel ekonominin satın alma gücünü etkileyen daha geniş bir dalganın parçası mı?
İnsan hangi karar döngülerinde kalmaya devam edecek?
Hangi kararlar tamamen otomatik, hangileri insan onaylı, hangileri insan liderliğinde olacak?
Öğrenme hattı nasıl korunacak?
Junior roller, stajyerlik, mentorluk ve deneyim kazanma süreçleri nasıl yeniden tasarlanacak?
Domain bilgisi nasıl korunacak ve çoğaltılacak?
Kritik bilgi kişilerin zihninde mi kalacak, yoksa yapay zekâ destekli kurumsal bilgi sistemleriyle erişilebilir hale mi getirilecek?
Başarı metriği sadece maliyet mi olacak?
Yapay zekâ projesi için başarı metriği yalnızca tasarruf ise, şirket doğal olarak ikame edici kullanımlara yönelir. Başarı metriğine kalite, hız, müşteri memnuniyeti, yeni gelir, risk azalması ve öğrenme kapasitesi de eklenmelidir.
Sonuç: Yapay Zekâ Stratejisi Maliyet Optimizasyonundan Daha Büyük Bir Konudur
“The AI Layoff Trap” çalışmasının teknoloji liderleri için en önemli mesajı şudur: Yapay zekâ çağında firma düzeyinde rasyonel görünen kararlar, piyasa düzeyinde verimsiz ve hatta firmaların kendisi için zararlı sonuçlar doğurabilir.
Bu nedenle yapay zekâ stratejisini sadece “daha az insanla aynı işi yapmak” seviyesine indirgemek tehlikelidir. Bu bakış açısı, yapay zekânın gerçek potansiyelini de daraltır.
Yapay zekâ elbette otomasyon sağlayacak. Bazı işler ortadan kalkacak. Bazı rollerin kapsamı daralacak. Bazı süreçler insansızlaşacak. Bunu görmezden gelmek gerçekçi değil.
Ancak teknoloji liderliği, yalnızca bu dalgaya kapılmak değildir. Teknoloji liderliği, bu dalganın organizasyonu, pazarı, müşteriyi, çalışanı ve uzun vadeli değer üretimini nasıl etkileyeceğini birlikte düşünebilmektir.
Bence doğru soru:
Yapay zekâ ile kaç kişiyi sistemden çıkarabiliriz? değil,
Yapay zekâ ile insanın, kurumun ve ürünün değer üretme kapasitesini nasıl büyütebiliriz?
Birinci soru maliyet muhasebesidir.
İkinci soru ise teknoloji liderliğidir.
Bu yazıyı beğendiyseniz Twitter’da takipçilerinizle paylaşabilir veya beni Twitter’da takip edebilirsiniz.