Yapay Zekâyı İyi Kullanan Bir Junior Kıdemli Uzmanı Geçebilir mi?

💡 Özet: Ana Çıkarımlar

• Yapay zekâ çalışanları yalnızca kıdem veya performans sırasına göre etkilemez. Daha çok, çıktısı kolay tarif edilen, yeniden üretilebilen ve kontrol edilebilen görevlerin ekonomik değerini değiştirir.
• Yapay zekâya erişmek ile onu iyi kullanmak aynı şey değildir. Araştırma, ajan, iş akışı ve doğrulama düzenini iyi kuran bir junior bazı işlerde deneyim farkını hızla kapatabilir.
• Bu fark her görevde tamamen ortadan kalkmaz. Alan bilgisi, iş bağlamı ve önemli kararların sorumluluğu, yapay zekânın tek başına aşamadığı sınırı oluşturabilir.
• Kıdem ancak üretilen işte görünür bir fark yaratıyorsa değerlidir. Aynı standart çıktıyı daha yavaş üretmek kalıcı bir avantaj değildir.

Aynı ekipte çalışan üç kişiyi düşünün. Biri alanın bütün istisnalarını bilen kıdemli bir uzman. Diğer ikisi işi düzgün yapıyor, fakat çoğunlukla veri topluyor, ilk taslağı hazırlıyor ve belirli kurallara göre standart çıktılar üretiyor.

Yapay zekâ ilk taslağı çıkarmaya, bilgiyi sınıflandırmaya ve standart kontrolleri yapmaya başladığında kıdemli uzman sistemi yönlendirip sonucu denetleyebilir. Diğer iki rolün iş yükünün önemli bölümü ise bir anda çok daha az insan emeği gerektirir.

Bu tabloyu “Yapay zekâ kimi oyun dışına çıkaracak?” sorusuna indirgemek kolay.

Benim orta ve uzun vadeye ilişkin kaygım şu: Standardize edilmiş çıktılara dayanan bazı görev paketleri değer kaybedebilir; güçlü muhakeme, bağlam bilgisi ve sonuç sorumluluğu taşıyan çalışanlar daha değerli hâle gelebilir. Fakat araştırmaya baktığımda “yalnızca en iyiler kalacak” sonucunun fazla kolay olduğunu görüyorum.

Çalışanı tek bir performans etiketiyle tanımlamak neden yanlış

Bir çalışan aynı gün içinde birbirinden çok farklı işler yapabilir: Bilgi toplar, ilk taslağı hazırlar, müşterinin asıl ihtiyacını anlar, istisnayı fark eder, seçenekler arasında karar verir ve sonucun sorumluluğunu taşır.

Yapay zekâ bunların hepsinde aynı düzeyde iyi değildir. Bir rolün görünür çıktısını hızla üretebilir, fakat hangi girdinin yanlış olduğunu veya söz konusu durumda hangi istisnanın önemli olduğunu anlayamayabilir. Başka bir rolde ise insanların yıllardır yaptığı işin büyük bölümünü yeterince güvenilir ve çok daha düşük maliyetle üstlenebilir.

Aynı teknoloji performans farkını da daraltabilir

“En iyi çalışanlar yapay zekâyla daha da güçlenir, diğerleri elenir” tezi her iş akışında doğrulanmıyor.

Erik Brynjolfsson, Danielle Li ve Lindsey Raymond'ın The Quarterly Journal of Economics'te yayımlanan 5.172 müşteri destek çalışanına ilişkin araştırmasında, yapay zekâ desteği saat başına çözülen sorun sayısını ortalama yüzde 15 artırdı. En büyük kazanımı daha az deneyimli ve başlangıç performansı daha düşük çalışanlar elde etti. En deneyimli ve en yüksek performanslı grupta hız kazanımı sınırlı kaldı; görüşme kalitesinde küçük bir düşüş işareti de görüldü.

Bu bulguyu da genelleştiremeyiz. Araştırma tek bir şirkette, belirli bir müşteri destek işi ve belirli bir yapay zekâ aracı üzerinde yapıldı. Yazarlar ücret veya toplam işe alım talebini ölçmedi. Fakat önemli bir karşı örnek sunuyor: Daha düşük performanslı çalışan, yapay zekâ karşısında her zaman daha kolay ikame edilen çalışan değildir. Bazen teknolojiden en büyük kaldıraç etkisini o elde eder.

Bu araştırma, daha az deneyimli çalışanların yapay zekâdan daha fazla yararlanabildiğini gösteriyor. Bir sonraki soru, bu avantajın deneyim farkını kapatacak kadar büyüyüp büyüyemeyeceği.

Deneyim farkı kapanabilir, hatta tersine dönebilir

Burada yapay zekâya erişim ile yapay zekâyı iyi kullanmak arasında büyük bir fark var.

Anthropic’in Şubat 2026 Claude kullanım verisi bu farkın zaman içinde gelişebildiğini düşündürüyor. Sistemi en az altı aydır kullananların konuşmalarında yaklaşık yüzde 10 daha yüksek başarı oranı görülüyor; bu kullanıcılar daha zor görevleri seçiyor ve model tercihini göreve göre ayarlıyor. Bu, yapay zekâyı kullanma becerisinin yalnızca araca erişimden ibaret olmadığını gösteren bir işaret. Ancak Claude kullanımındaki altı aylık deneyim, mesleki kıdem veya alan uzmanlığı anlamına gelmiyor; bulgu gözlemsel ve sağlayıcıya özgü.

Deneyimsiz bir çalışan ChatGPT'ye “Marka değerimi nasıl yükseltirim?” diye sorup aldığı genel cevabı sunuma çevirirse, 15 yıllık bir pazarlama yöneticisinin bilgisini geçmiş olmaz. Aksine, bağlamı anlamadan üretilmiş klişelerle kendini kolayca zor durumda bırakabilir.

Fakat aynı junior'ın konuyu gerçekten merak ettiğini ve agentic çalışma düzenlerini iyi bildiğini düşünelim. İnternetteki güvenilir ve zayıf kaynakları ayrı ayrı taratıyor; akademik makaleleri ve tezleri bulduruyor; sonuçları kategorilere ayırıyor.

Ardından bu dış araştırmayı markanın satış rakamları, geçmiş müşteri iletişimleri ve internette marka hakkında yazılanlarla birleştiriyor. Farklı araştırma görevlerini paralel ajanlara dağıtıyor, kaynakları izlenebilir tutuyor, çelişkileri işaretletiyor ve çıktıyı tek bir marka sunumunda topluyor.

On–on beş ajanın dört–beş saat çalıştığı bu örnek gerçek bir vaka veya ölçülmüş bir verimlilik sonucu değil; mekanizmayı görünür kılmak için kullandığım bir düşünce deneyi. Ancak farkı anlatıyor. Junior, kıdemli uzmanın 15 yıllık deneyimini bir gecede edinmiş olmuyor. Buna karşılık o deneyimin araştırma, örnek toplama, karşılaştırma ve ilk taslak üretme yoluyla görünür hâle gelen önemli bir bölümünü çok kısa sürede yeniden kurabiliyor.

Kıdemli çalışan sunumda yanlış bir bilgi bulabilir. Bu eleştiri değerlidir; hata görmezden gelinmemelidir. Fakat tek bir hatayı gösterip bütün çalışmayı “yapay zekâyla yapılmış” diye değersizleştirmek de tabloyu kaçırır.

Junior, yapay zekâ olmadan aynı sürede bu araştırmanın büyük bölümünü tamamlayamayacaktı. Bu nedenle sunumdaki tek bir hataya odaklanmak, kazandığı toplam kapasiteyi görmezden gelmek olur. Üstelik junior eleştiriyi kaynağa, kontrol listesine veya pipeline'a işlediğinde aynı hata bir sonraki çalışmada tekrarlanmayabilir.

Bu nedenle geleceğin güçlü junior'ı yalnızca iyi prompt yazan kişi değildir. İşi parçalara ayırmayı, doğru kaynağı zayıf kaynaktan ayırmayı, ajanlara uygun bağlam vermeyi, modellerin nerede ikna edici biçimde yanılabildiğini bilmeyi, çıktıyı doğrulamayı ve geri bildirimi tekrar kullanılabilir bir iş akışına dönüştürmeyi öğrenen kişidir.

Böyle bir çalışan, yapay zekâ kullanmadan aynı yöntemlerle devam eden kıdemli bir çalışanı bazı işlerde hız, kapsam ve çıktı kalitesi bakımından geçebilir. Deneyim hâlâ önemlidir; fakat artık deneyimin avantajı yalnızca kaç yıldır çalıştığınızdan değil, o deneyimi yeni üretim sistemine ne kadar aktarabildiğinizden gelir.

Burada junior'lar için bir çelişki var. Yapay zekâ, başlangıç seviyesi görevlerde şirketlerin yeni çalışanlara duyduğu ihtiyacı azaltabilir; bunun işe alımlara nasıl ve ne ölçüde yansıdığı ise hâlâ belirsiz. Bu mekanizmayı daha önce ele aldığım hiç yapılmayan işe alımlar yazısında incelemiştim. Öte yandan yapay zekâyı iyi kullanmayı öğrenen bir junior, deneyim farkının önemli bir bölümünü çok hızlı kapatabiliyor; bazı işlerde deneyimli çalışanlarla aynı iş kalitesine, hatta aynı lige ulaşabiliyor.

Kıdemli çalışanı değerli kılan unvanı değil, tamamlayıcılığıdır

Ancak bu fark her işte ve sonuna kadar kapanmaz. Yapay zekâ araştırma, karşılaştırma ve ilk taslak üretme gibi görevlerde deneyim farkının önemli bir bölümünü kapatabilir. Deyim yerindeyse junior'ı 10. yıla taşıyabilir; fakat alan bilgisi, iş bağlamı ve karar sorumluluğu gerektiren 11. yıla otomatik olarak çıkaramaz. Başka bir alanda kıdemli olmak da bu açığı kendiliğinden gidermez.

Buradaki tamamlayıcılık, “insan mutlaka son kez baksın” demekten daha fazlasıdır. Çalışanın yapay zekânın ne zaman güvenilir olmadığını anlayacak alan bilgisine, sonucu değiştirecek yetkiye ve hatanın bedelini görecek iş bağlamına sahip olması gerekir. Yalnızca öneri sunması değil, çıktıyı reddedebilmesi, soruyu yeniden kurabilmesi ve gerektiğinde süreci durdurabilmesi de gerekir. Aksi hâlde insan kontrolü, yapay zekânın ürettiği cevabı onaylayan şekilsel bir adıma dönüşür.

Bu ayrım kıdemli çalışan için rahatlatıcı bir bahane değildir. “Benim deneyimim var, yapay zekâ bunu üretemez” demek yetmez. Asıl soru, o deneyimin yaptığınız işte ne kadar görünür olduğudur. Yılların kazandırdığı muhakemeyi, istisna bilgisini ve karar kalitesini çıktınıza yansıtmıyorsanız, yapay zekâyı iyi kullanan genç bir çalışan sizden daha iyi sonuç ürettiğinde kıdeminiz tek başına sizi korumaz.

Bu yüzden güçlü çalışanı yalnızca daha hızlı çıktı üreten kişi olarak tanımlarsak, yapay zekânın en kolay ucuzlatacağı özelliği ödüllendirmiş olabiliriz. Asıl değer; doğru problemi seçmekte, istisnayı görmekte, kanıtı tartmakta, farklı seçenekler arasındaki ödünleşimi yönetmekte ve sonucun arkasında durmaktadır. Deneyim de ancak bu kapasitelere dönüştüğünde avantaj yaratır; aynı çıktıyı daha yavaş üretmek, kıdemin sağladığı farkı korumaya yetmez.

Deneyimin değeri çıktıda görünür olmalı

Yapay zekâ her junior çalışanı uzman yapmaz. Genel bir soruya alınan cevap iyi görünebilir. Fakat bu, alan bilgisinin, iş bağlamının ve karar sorumluluğunun yerini tutmaz. Buna karşılık araştırmayı parçalayan, doğru kaynakları bulan, ajanları yöneten ve çıktıyı doğrulayan bir junior bazı işlerde deneyimli çalışanla aynı kalite düzeyine, hatta aynı lige çıkabilir.

Bu nedenle iki kolay sonuca da itiraz ediyorum: “Deneyimin artık önemi yok” demek de yanlış, “Ben 15 yıldır bu işi yapıyorum; yapay zekâ benim seviyeme gelemez” diye rahatlamak da. Yapay zekâ bazı görevlerde deneyim farkını büyük ölçüde kapatır, bazı görevlerde ise son karar için hâlâ yılların biriktirdiği muhakemeye ihtiyaç duyar.

Kıdemli çalışan açısından ölçü basit: Deneyiminiz ürettiğiniz işte ne kadar fark yaratıyor? Standart çıktıyı biraz daha iyi veya daha yavaş üretmekten ibaretse, yapay zekâyı iyi kullanan bir junior sizi geçebilir. Deneyiminiz doğru problemi seçmenizi, eksik bağlamı görmenizi, hatalı sonucu reddetmenizi ve kararın sorumluluğunu taşımanızı sağlıyorsa değeriniz yalnızca korunmaz; daha da artabilir.

Yapay zekâ deneyimi ortadan kaldırmıyor. Deneyimin gerçekten nerede işe yaradığını ve kimin bunu çıktısına yansıtabildiğini görünür hâle getiriyor.