Yapay Zekâyla Yaşayan İnsan: 2029–2046’da İhtiyaçların, Statünün ve İlişkilerin Dönüşümü

Araştırma kesim tarihi: 9 Ekim 2026. — Hazırlayan: Manus AI

Yapay zekâ insanın temel ihtiyaçlarını ortadan kaldırmayacak. Güven, barınma, sağlık, bakım, aidiyet, özerklik, yeterlilik, tanınma, adalet ve anlam biyolojik ve toplumsal hayatın parçası olmaya devam edecek. Değişecek olan, bu ihtiyaçların hangi yoldan karşılandığı, neyin ucuzladığı ve neyin kıtlaştığıdır. Bilgiye ve ilk taslağa erişim ucuzlayabilir; buna karşılık doğrulanmış bilgi, insan sorumluluğu, dikkat, mahremiyet, karşılıklı ilişki, güvenilir bakım ve kişinin kendi adına söz söyleyebilmesi daha görünür kıtlıklar hâline gelebilir.

Bu nedenle en sağlam gelecek tezi “AI insanın yerini alacak” veya “AI hiçbir şeyi değiştirmeyecek” değildir. Daha savunulabilir tez şudur: İyi tanımlı, kısa çevrimli ve sonucu test edilebilir görevlerde AI daha fazla işi daha ucuza yapacak; fakat gerçek hayatta yetki, bağlam, hata sorumluluğu, fiziksel dünya, ilişki ve meşruiyet sorunları teknik kapasiteden daha yavaş çözülecek. İnsan için değer, ilk cevabı üretmekten çok doğru problemi seçmek, uygun işi devretmek, sonucu sınamak, istisnayı görmek, güven kazanmak ve gerektiğinde sorumluluğu üstlenmek tarafına kayabilir. Bu bir teknoloji zorunluluğu değil; kurumların, piyasaların ve kamu politikalarının nasıl tasarlanacağına bağlı bir olasılıktır.

2020–2026: Ne gerçekten ilerledi, ne başarısız oldu?

Benimseme ucuzladı; benimseme ile güvenilir kullanım aynı şey değil

2020–2026 arasında üretken AI’nın yayılmasını yalnızca model kalitesi açıklamıyor. Çıkarım maliyetinin düşmesi, araçları bireyler ve küçük kurumlar için erişilebilir kıldı. Stanford AI Index 2025, MMLU’da GPT-3.5 düzeyine karşılık gelen 64,8 puanlık performans için milyon token başına çıkarım fiyatının Kasım 2022’de 20 ABD dolarından Ekim 2024’te 0,07 dolara indiğini, yani yaklaşık 286 kat düştüğünü bildirdi. Bu karşılaştırma eşdeğer benchmark performansındaki API fiyatıdır; elektrik, donanım, entegrasyon, veri güvenliği, gecikme, insan doğrulaması ve toplam sahip olma maliyetini içermez. Ucuz token, hatanın veya yanlış kararın ucuz olduğu anlamına gelmez. 1

Kullanım da iş hayatına girmeye başladı, fakat “kullanım” ölçüsü dar okunmamalıdır. ABD’de 18–64 yaş grubunun yaklaşık yüzde 40’ının 2024 sonu itibarıyla üretken AI kullandığını; çalışanların yüzde 23’ünün önceki hafta iş için en az bir kez, yüzde 9’unun her iş günü kullandığını bildiren NBER tahmini, 2024 sonundaki anket ve kullanım verisine dayanır. Aynı çalışma AI destekli zaman tasarrufunu tüm çalışma saatlerinin yaklaşık yüzde 1,4’ü olarak tahmin eder. Bu, iş kaybı, ücret artışı veya boş zamana dönüşmüş refah değildir; tasarrufun çıktıya, kâra, çalışma saatine veya iş güvencesine nasıl çevrileceği iş organizasyonuna ve pazarlık gücüne bağlıdır. 2

Kurumsal yayılma için modelin iyi cevap vermesi yetmez. İşletmenin güvenli veri, uzman becerisi, süreç sahipliği, eğitim zamanı, ölçüm sistemi ve hata halinde sorumluluk mekanizması gerekir. OECD’nin G7 ülkeleri ve Brezilya’da AI benimseyen işletmelerle yaptığı çalışma, uzman beceri kıtlığı, veri olgunluğu, iş akışına uyarlama ve yatırım getirisini anlamanın önemli engeller olduğunu bildiriyor. Bu çalışma tüm işletmelerin benimseme oranını değil, benimseyen işletmelerin deneyimlerini ölçtü; dolayısıyla “şirketlerin çoğu AI kullanıyor” sonucuna çevrilemez. 3

Benchmark başarısı, gerçek iş performansı ve sosyal yayılma üç ayrı ölçüdür

Modelin teknik yeteneği ile gerçek işte güvenle devredilebilmesi arasında üç ayrı eşik vardır. Birincisi kapasite: model belirli bir soruyu çözebiliyor mu? İkincisi güvenilirlik: aynı görevi farklı girdilerde, istisnalarda, araç hatalarında ve tekrarlandığında kabul edilebilir hata ile sürdürebiliyor mu? Üçüncüsü ekonomik ve kültürel yayılma: kurum bu yeteneği veri, eğitim, sorumluluk, satın alma, düzenleme ve kullanıcı güveniyle ölçekleyebiliyor mu? Benchmark genellikle ilk eşiği ölçer; diğer ikisini ancak kısmen gösterir.

Stanford AI Index 2025, 2023–2024 arasında MMMU, GPQA ve SWE-bench gibi benchmarklarda hızlı yükselişler bildirdi; raporun SWE-bench için verdiği çözüm oranı 2023’te yüzde 4,4’ten 2024’te yüzde 71,7’ye çıktı. Bu, model yeteneğinde ciddi bir ilerlemedir. Ancak benchmark görevinin çözülmesi, gerçek bir müşterinin niyetini anlamayı, eski bir kod tabanının örtük kurallarını öğrenmeyi, başarısız bir araç çağrısından dönmeyi veya yanlış bir değişikliği güvenle geri almayı tek başına ölçmez. 1

2026 güncellemesi ivmeyi doğruluyor, fakat her alanda aynı üstünlüğü göstermiyor. Stanford AI Index 2026, 2.700 zor ve kapalı uçlu sorudan oluşan Humanity’s Last Exam’de model doğruluğunun bir yılda yaklaşık 30 yüzde puan yükselerek yüzde 38,3’e çıktığını bildiriyor. Bilgisayar arayüzü kullanımını 369 görevde değerlendiren OSWorld’de en iyi raporlanan sistem yüzde 66,3 başarıya, insan karşılaştırması yüzde 72,35’e ulaşıyor. WebArena’nın 812 web görevi üzerinde en iyi sistem yüzde 74,3, insan karşılaştırması yüzde 78,2 düzeyinde. Bunlar soruların ve dijital görevlerin belirli bir değerlendirme düzenindeki sonuçlarıdır; bütün uzmanlık, bütün bilgisayar işleri veya kurumsal güvenilirlik ölçümü değildir. Aynı raporda, ortak mini-SWE-agent-v2 düzeninde Şubat 2026 SWE-bench Verified sonuçları yaklaşık yüzde 70–76,8 aralığındadır. İnsan baz çizgisine göre normalize edilmiş grafiklerle ham görev çözüm yüzdesi karıştırılmamalıdır. 57

METR’nin görev tamamlama zaman ufku bu ayrımı görünür kılan yararlı, fakat yanlış okunmaya çok müsait bir ölçüdür. Mart 2025 tarihli çalışma 170 yazılım, makine öğrenmesi ve siber güvenlik görevi üzerinde GPT-2 için yaklaşık iki saniye, o3 için yaklaşık 110 dakika civarında yüzde 50 başarı ufku bildirdi ve 2019–2025 serisinde bu ufkun yaklaşık 207 günde ikiye katlandığını tahmin etti. Buradaki süre, ajanın o kadar saat kesintisiz güvenilir çalıştığı anlamına gelmez. Süre, deneyimli bir insanın görevi bitirme zamanına göre sınıflandırılan görevlerde modelin belirli başarı olasılığına ulaştığı insan-görev-süresidir. Yüzde 80 başarı ufku yüzde 50 ufkundan dört ila altı kat daha kısadır; 16 saatin üzerindeki ölçümlerin güvenilirliği de mevcut görev setinde sınırlıdır. 4 5

Bu görevler çoğunlukla iyi tanımlı, kendi içinde kapalı ve otomatik puanlanabilir yazılım, makine öğrenmesi ve siber güvenlik işlerinden oluşur. Günlük iş ise paydaş görüşmeleri, kurum hafızası, tartışmalı başarı ölçütleri, eksik veri, değişen öncelikler ve insan ilişkileri içerebilir. İnsan sürelerinin çoğunlukla başarılı uzman denemelerinden türetilmesi ve başarısız insan denemelerinin dışlanabilmesi, görev süresini kısaltıp AI’ı olduğundan güçlü gösterebilir. Bu yüzden “110 dakikalık ajan, 110 dakika boyunca her işi yapar” çıkarımı yanlıştır. 4 5

Aynı AI, farklı görevlerde hızlanma veya yavaşlama yaratabilir

Karşılaştırmalı insan deneyleri, tek bir “AI üretkenliği” sayısının neden güvenilir olmadığını gösteriyor. METR’nin erken 2025 randomize kontrollü çalışmasında, büyük ve yüksek bağlamlı açık kaynak kod depolarında çalışan 16 deneyimli geliştirici 246 gerçek issue üzerinde incelendi. Ortalama yaklaşık iki saatlik işlerde AI araçlarına izin verilen koşulda tamamlanma süresi AI’sız koşula göre ortalama yüzde 19 daha uzundu. Kod kalitesi benzer kaldı; geliştiriciler ise deneyden sonra AI ile yaklaşık yüzde 20 hızlandıklarını düşündü. Bu küçük ve seçilmiş bir örneklemdir; erken 2025 araçlarına ve yüksek bağlamlı yazılım işlerine aittir. “AI yazılımda işe yaramaz” sonucunu vermez. Gösterdiği şey, algılanan hızın ölçülen hıza eşit olmadığı ve kendi kod tabanında kontrol maliyetinin yüksek olabildiğidir. 6

Buna karşılık 2023 tarihli Copilot kontrollü deneyinin özetinde, kısa ve sınırları belirli bir JavaScript HTTP sunucusu görevi AI grubunca kontrol grubundan yüzde 55,8 daha hızlı tamamlandı. Bu da güçlü bir olumlu bulgudur; fakat laboratuvar tipi, kısa ve tanımlı görevdir, özet örneklem büyüklüğünü vermemektedir. İki çalışma çelişmek zorunda değildir: ilkinde kurum bilgisi ve mevcut kod mimarisi ağır basar, ikincisinde görev sınırları ve başarı ölçütü nettir. 7

Teknik müşteri desteğinde daha geniş bir saha çalışması, AI’nın deneyim düzeyine göre farklılaştığını gösterdi. Quarterly Journal of Economics’teki hakemli nihai sürüm, bir Fortune 500 şirketinin 5.172 müşteri destek temsilcisinde AI önerilerine erişimin saatte çözülen talepleri ortalama yüzde 15 artırdığını buldu. Önceki performansa göre en düşük beşte birlik grupta artış yüzde 36 iken en yüksek grupta anlamlı üretkenlik değişimi yoktu; en deneyimli ve yüksek performanslı çalışanlarda bazı kalite ölçütleri biraz düştü. AI, yanıtı doğrudan göndermekten çok çalışana öneri sunuyordu. Ön çalışma kâğıdında yer alan 5.179 kişi ve yüzde 14 bulgusu ile nihai sürümün sayıları birbirine karıştırılmamalıdır. Bu, tek şirketlik, dar müşteri destek bağlamında yarı-deneysel bir bulgudur; toplam istihdam, ücret veya diğer mesleklere genellenemez. 8

Bu karşılaştırmaların ortak dersi şudur: AI’nın insana göre üstünlüğü görevin kıstasına bağlıdır. Kısa, tekrarlı, girdisi erişilebilir, başarı ölçütü belirli ve sonucu bağımsız test edilebilir işlerde AI daha hızlı ve daha ucuz olabilir. Kurumun örtük bilgisini taşıyan, değer çatışması içeren, istisna ve müzakere gerektiren, fiziksel dünyaya taşan veya yanlış kararın hesabını vermeyi gerektiren işlerde insanın bağlam kurma ve sorumluluk taşıma rolü daha dirençlidir. İnsan da her şeyde üstün değildir; AI bilgi erişimi, seçenek üretimi, dilsel taslak ve bazı örüntü tanıma işlerinde insanı tamamlayabilir.

Başarısızlık ve hata birikimi: ajanı yetkilendirmek farklı bir eşiktir

Kod benchmarkları bile başarı etiketlerinin kalitesine bağlıdır. OpenAI’nin Şubat 2026’da yayımladığı SWE-bench Verified denetiminde, o3’ün sürekli çözemediği 138 görevden yüzde 59,4’ünün test veya görev tanımı bakımından maddi sorun taşıdığı bildirildi: yüzde 35,5’inde gereğinden dar test, yüzde 18,8’inde tanımda belirtilmeyen ek işlevi test eden geniş test, yüzde 5,1’inde başka sorunlar vardı. Bu, model üreticisinin yaptığı ve bağımsız akademik tekrarı olmayan bir denetimdir; yalnızca belirli bir başarısız görev alt kümesini inceler. Yine de benchmark puanını “gerçek iş becerisi” saymanın riskini somutlaştırır. 9

Çok adımlı ajanda hata tek bir yanlış cümleden, yetki zincirine ve işlem sonucuna dönüşür. Ajanın doğru aracı seçmesi, kimlik doğrulaması, API hatasında güvenli biçimde durması, ara çıktıyı doğrulaması, geri alınabilir işlem yapması ve doğru kişiye devretmesi gerekir. 2026 tarihli hakem değerlendirmesi netleşmemiş bir ön baskı, GAIA’nın 165 doğrulama görevi ve tau-bench’in temizlenmiş 26 görevi üzerinde 14 modeli; görev başına beş tekrar, beş yönerge varyantı ve yüzde 20 araç/API hata enjeksiyonu ile değerlendirdi. Bu yaklaşım, tek bir “doğru cevap” oranı yerine tutarlılık ve hata dayanıklılığını ölçmeye çalışması bakımından anlamlıdır; fakat iki benchmark ve sınırlı tekrar, üretim ortamındaki uzun dönem güvenilirliği kanıtlamaz. 10

Uzun bir işlem zincirinde her adımın doğru olma olasılığı p ve adımlar bağımsız varsayılırsa, bütün zincirin doğru olma olasılığı basit olarak pⁿ olur. Gerçek sistemlerde adımlar bağımsız değildir; geri kontrol, yedekleme ve insan düzeltmesi bu hesabı değiştirir. Formül bir tahmin değil, tasarım sezgisidir. “Tek yanıtta iyi” olan sistemin kullanıcı adına para iadesi yapma, erişim açma, veri silme veya tıbbi işlem başlatma yetkisine otomatik olarak sahip olduğu sonucuna varılamaz.

Bu nedenle gerçek sistem ölçümü yalnızca hız ve cevap doğruluğu değil; kritik yanlış eylem, yanlış pozitif/negatif, insan düzeltme süresi, geri alma oranı, tekrarlar arası tutarlılık, eskalasyon kalitesi, gecikme, toplam maliyet, mahremiyet olayı ve gruplar arası eşitlik üzerinden yapılmalıdır. İnsan denetimi de kendiliğinden güvenlik değildir. Her adımda onay isteyen sistem dikkat yorgunluğu ve otomasyon yanlılığı doğurabilir; hiç sormayan sistem ise aşırı yetki ve görünmez hata riski taşır.

İnsan hangi ölçütte geçildi, hangi ölçütte geçilmedi?

“AI insanı geçti” cümlesi, ancak görev ve kıstas açıkça söylendiğinde anlamlıdır. AI bazı kısa yazılım görevlerinde süreyi düşürmüş, müşteri destek çalışanlarının bir bölümünün saatlik çözüm sayısını yükseltmiş ve eğitim amaçlı tasarlanmış bir tutor kısa dönemli öğrenme puanlarında başarılı olmuştur. Bunlar görev-özgü karşılaştırmalardır. Aynı AI, yüksek bağlamlı kod depolarında deneyimli geliştiricileri erken 2025 koşulunda yavaşlatmış, serbest chatbot kullanımı Türkiye’de öğrencilerin AI’sız sınav performansını kontrolün altına indirmiş ve klinik tarama çalışmalarında saptama veya okuma iş yükü gibi ara sonlanımları değiştirmiştir; bu bulgular klinik iyileşme veya genel iş verimliliği değildir. 6 11 12 13

İnsanla karşılaştırmayı beş kıstas üzerinden yapmak gerekir:

• Hız: Aynı görevi ne kadar sürede bitiriyor?
• Doğruluk ve kapsam: Sadece test edilen örneği mi, yoksa yeni ve istisnai vakayı da doğru ele alıyor?
• Güvenilirlik: Tek seferde değil, tekrarlandığında ve araçlar hata verdiğinde ne oluyor?
• Maliyet ve sorumluluk: Çıktı, doğrulama, güvenlik ve hata telafisi dahil toplam maliyet nedir; yanlışta kim hesap veriyor?
• İnsan sonucu: Öğrenme, sağlık, gelir, özerklik, adalet, ilişki ve güven gerçekten iyileşiyor mu?

Son kıstas özellikle önemlidir. Bir modelin mamografide daha fazla kanser saptaması veya ekran okuma sayısını yüzde 44,2 azaltması, hastaların daha uzun yaşadığı, daha az gereksiz işlem gördüğü veya eşitsizliklerin azaldığı anlamına gelmez. İsveç MASAI randomize çalışmasında 105.934 kadın randomize edildi; AI destekli kolda 1.000 taramada 6,4, standart kolda 5,0 kanser saptandı ve okuma iş yükü yüzde 44,2 azaldı. Bu güçlü, fakat belirli İsveç tarama düzenine ait bir iş akışı kanıtıdır; uzun dönem mortalite, aşırı tanı ve yaşam kalitesi sonucu değildir. Klinik AI çalışmalarını kapsayan 86 randomize çalışmanın 70’inde olumlu birincil sonuç bulunması da hastaların yüzde 81’inin daha iyi olduğu anlamına gelmez; bu, çalışmaların çoğunda birincil sonucun tanısal verim veya süreç ölçüsü olduğunu gösterir. 13 14

Aynı ayrım ilaç keşfinde de gereklidir. AI ile hedef ve molekül keşfi iddiası taşıyan rentosertib çalışmasında 71 idiyopatik pulmoner fibrozis hastası vardı; 12 haftalık dönemi 55 kişi tamamladı ve 60 mg grubunda ortalama FVC değişimi +98,4 ml bildirildi. Bu, küçük bir faz IIa randomize çalışma ve kısa dönem etkinlik sinyalidir; onay, sağkalım veya kalıcı işlev yararı değildir. AI adaylarının klinik başarı oranını sıradan adaylara göre güvenilir biçimde hesaplayacak ortak bir payda ve kayıt sınıflaması da henüz yoktur. 15

Yapay zekâ nereye kadar gidebilir; insan için kalıcı bir üstünlük var mı?

Mevcut veriler teknik bir son nokta belirlemeye yetmiyor. Dil, yazılım, görsel yorumlama ve araç kullanımının bir sistemde birleşmesi, çok aşamalı bilgi işinin daha büyük bölümünün devredilmesini mümkün kılabilir. Bunun daha güçlü biçimi, sistemin yalnız verilen problemi çözmesi değil, eksik bilgiyi araması, alternatif denemesi, sonucunu test etmesi ve iş akışını yeniden planlamasıdır. 2026 görev sonuçları bu yönde ilerlemeyi gösteriyor; kritik işlemlerde gereken hata düzeyine ve bütün mesleklerin otonom icrasına ulaşıldığını göstermiyor. 4 10 57

Hızlanmayı destekleyebilecek mekanizma, AI’nın yazılım üretimi ve araştırma araçlarına yardım ederek sonraki sistemlerin geliştirilmesini kolaylaştırmasıdır. Ancak bunun kendi kendini sürekli ve sınırsız hızlandıracağı kanıtlanmış değildir. Hesaplama, çip üretimi, enerji, deneysel veri, bağımsız doğrulama ve fiziksel deney süresi sınır oluşturabilir. Yeni bir molekülü önermekle klinik deneyin tamamlanması; robot hareketi üretmekle farklı evlerde güvenli bakımın kanıtlanması farklı zaman ölçekleridir. 15 37 50

Genel yetenek ile bilinç aynı soru değildir. Burada genel yetenek, çok farklı görevlerde yeniden kullanılabilen problem çözme ve eylem kapasitesini anlatır. Böyle bir kapasite için bilinç iddiası gerekli değildir; güçlü görev performansı da öznel deneyim kanıtı değildir. Bu rapor bir AGI yılı ilan etmiyor. Yoğun ilerleme senaryosunda, insanın bugün yaptığı analiz, yazılım, içerik, koordinasyon ve bazı araştırma işlerinin büyük bölümünde teknik üstünlük mümkün olabilir. Bunun ne zaman, hangi hata sınırında ve hangi toplam maliyetle gerçekleşeceği bilinmiyor.

İnsan katkısını “AI asla yaratıcı, empatik veya stratejik olamaz” varsayımına dayamak da sağlam değildir. Bu niteliklerin bazı gözlenebilir çıktıları otomatikleşebilir. İnsan sorumluluğunun hukukta korunması veya insan bakımının tercih edilmesi, AI’nın teknik olarak daha düşük performans göstermesiyle aynı şey değildir. Geleceğe hazırlığın daha dayanıklı zemini; yalnız bugünkü beceriyi korumak değil, değişen araçlarla öğrenebilmek, hak ve söz sahibi olmak, ekonomik geçişi karşılayabilmek ve insanlar arasında güvenilir karşılıklılık kurmaktır.

İnsanî dönüşüm: ihtiyaçlar, statü, beklenti, ilişki ve kültür

Psikolojik dönüşüm: yardım almak ile düşünmeyi devretmek arasındaki sınır

Güven, yeterlik ve özerklik AI ile başlayan ihtiyaçlar değildir; fakat yardımın anlık, sabırlı ve kişiselleştirilmiş olması özerklik ve yeterlik ihtiyacını daha görünür bir gerilime sokar. Kişi bir problemi kendi başına çözebildiğini bilmek, belirsizlikte karar verebilmek ve yaptığı işi açıklayabilmek ister. AI, bilişsel yükü azaltıp uzmanların üretkenliğini destekleyebilir. Başlangıç düzeyindeki kişi ise üretmesi ve hatırlaması gereken ara adımları sürekli devrederse yardım açıkken başarılı, yardım kapanınca becerisiz kalabilir.

Bu risk için en sağlam karşılaştırma Türkiye’deki lise matematiği randomize çalışmasıdır. Tek okulda yaklaşık 1.000 öğrencinin dört adet 90 dakikalık oturumda genel GPT-4, öğretmen çözümleri ve öğrenme odaklı GPT Tutor veya kontrol koşuluna ayrıldığı çalışmada, 0–1 aralığına normalize edilen AI açık alıştırma puanı GPT Base’te 0,137, GPT Tutor’da 0,361 arttı. Araştırmacılar bunları kontrol grubuna göre yaklaşık yüzde 48 ve yüzde 127 göreli artış olarak raporladı. Ancak genel GPT kullananların AI’sız sınavı kontrolün yaklaşık yüzde 17 altında kaldı; Tutor grubunun yardımsız sonucu kontrol grubundan istatistiksel olarak ayırt edilemedi. Bu sonuç uzun dönem bilişsel hasar değildir; daha dar ve güçlü bir sonuçtur: yardım açıkken doğru cevap, yardımsız öğrenme kanıtı değildir. 12

Bunun tersine, Harvard’ın giriş fiziği dersindeki 194 öğrencili çapraz randomize deneyinde pedagojik ilkelerle tasarlanmış PS2 Pal tutorunun ders sonrası medyan puanı 4,5/6, aktif öğrenme sınıfının 3,5/6 idi. Nijerya’da yapılandırılmış ve öğretmen eğitimi içeren altı haftalık LLM destekli İngilizce programı da 657 tedavi ve 671 kontrol öğrencisiyle yürütüldü; son değerlendirmede toplam sonuç +0,310 standart sapma, sonraki okul sınavında +0,206 standart sapma raporlandı. Bu sonuçlar AI’nın her kullanımının kötü olduğunu değil, tasarımın belirleyici olduğunu gösterir. Harvard deneyinin tek üniversite ve kısa konu kapsamı; Nijerya çalışmasının yüksek kayıp gözlemi ve çok bileşenli müdahalesi vardır. 11 16

Ruh sağlığında da özel amaçlı ve genel amaçlı bot ayrımı zorunludur. ABD’de 210 yetişkinli Therabot randomize çalışmasında dört haftalık özel terapi botu müdahalesi bekleme listesine kıyasla bazı depresyon, yaygın kaygı ve yeme bozukluğu risk ölçütlerinde kısa dönem iyileşme gösterdi. Çin’de 18–24 yaş arası 100 üniversite öğrencili yedi günlük CBT chatbot çalışması depresyon ve yalnızlıkta orta büyüklükte etkiler bildirdi, kaygı farkı anlamlı değildi. 14 RCT ve 6.314 katılımcının meta-analizi olumsuz semptomlarda ortalama küçük etki bulurken tahmin aralığı -0,85 ile 1,67 arasında genişti; raporlanan 44 etki büyüklüğünün yalnız yedisi takip değerlendirmesi içeriyordu. Bu oran çalışma sayısının değil, sonuç/etki büyüklüğü kayıtlarının payıdır. Müdahaleler klinik olarak tasarlanmış veya belirli örneklemli programlardır; genel amaçlı chatbotun psikoterapist eşdeğeri olduklarını göstermez. 17 18 19

Bu yüzden gelecekte daha çok ihtiyaç duyulacak psikolojik kapasite “AI kullanmamak” değil, AI kullanırken kendi yargısını korumak ve gerektiğinde insan/klinik desteğe geçmek olabilir. Dikkat ve özerklik eğitimi klinik tedaviye ikame edilmemeli; çalışan veya öğrencinin özel günlükleri gözetim aracına dönüşmemelidir. Uzun dönemli, farklı yaş ve gelir gruplarında tekrarlanan nedensel kanıt hâlâ sınırlıdır.

Ekonomik ve statü dönüşümü: görevlerin yeniden bileşimi, otomatik işsizlik değildir

ILO’nun 2023 tarihli GPT-4 görev maruziyeti analizi, yüksek gelirli ülkelerde istihdamın yüzde 5,5’inin yüksek otomasyon potansiyelli, yüzde 13,4’ünün artırma potansiyelli görevlerde olduğunu; düşük gelirli ülkelerde oranların sırasıyla yüzde 0,4 ve yüzde 10,4 olduğunu tahmin etti. Bunlar gerçekleşmiş iş kaybı değil, mesleklerin görev bileşimine uygulanan potansiyel sınıflandırmadır. ILO, çoğu işte tüm mesleğin yok olmasından çok görevlerin yeniden düzenlenmesini daha olası görür. 20

Bu 2023 baz çizgisini Mayıs 2025 ILO–NASK güncellemesi ile tamamlamak gerekir. Güncelleme, dünya istihdamının yaklaşık dörtte birinin bir düzeyde üretken AI maruziyeti bulunan mesleklerde, yüzde 3,3’ünün en yüksek maruziyet kategorisinde olduğunu tahmin ediyor. Herhangi bir düzeyde maruziyet yüksek gelirli ülkelerde yüzde 34, düşük gelirli ülkelerde yüzde 11; en yüksek kategori dünya kadın istihdamında yüzde 4,7, erkek istihdamında yüzde 2,4. Yöntem, Polonya görev sınıflamasını, 1.640 çalışanın değerlendirmelerini ve uluslararası uzman incelemesini küresel meslek/istihdam verisiyle birleştiriyor. Bunlar fiilî benimseme ya da işsizlik ölçümü değildir. Dört yeni maruziyet basamağı, eski “otomasyon/artırma” kategorileriyle birebir aynı olmadığından iki sürümün yüzdelerini doğrudan bir artış serisi gibi okumamak gerekir. 58

OECD’nin Kore incelemesinde 2018–2023 arasında tam zamanlı kalıcı istihdam yüzde 2,4, toplam istihdam yüzde 5,8 büyüdü. Geleneksel AI ile özellikle imalatta düşük istihdam büyümesi ilişkisi görülürken üretken AI için benzer ilişki saptanmadı; AI kullanan firmaların yüzde 56,5’i görevlerin mevcut işlerden çıkarıldığını, yüzde 38,3’ü gereken beceri düzeyinin yükseldiğini söyledi. Bu bulgular firma beyanı ve ilişkisel idari analizdir, randomize nedensel etki değildir. 21

Danimarka’da AI’ya maruz 11 meslekten yaklaşık 25.000 çalışanın kayıtlarla eşleştirilen verisi, ChatGPT çıkışını izleyen iki yılda kazanç ve kayıtlı çalışma saatlerinde yüzde 2’den büyük ortalama etkiyi dışlayan hassas sıfır sonuçlar verdi; aynı zamanda AI gözetimi, entegrasyonu ve içerik üretimi görevlerinin yayıldığı ve kullanıcıların daha yüksek ücretli AI-ilişkili mesleklere geçiş yaptığı görüldü. ABD’de yeni mezun işsizliğinin 2026 başında yüzde 5,6’ya çıkması ve AI’ya maruz işlerde genç istihdam düşüş sinyali, erken kariyer için uyarıcıdır; fakat faiz, pandemi sonrası aşırı işe alım, genel daralma ve uzaktan öğrenme gibi karıştırıcılar AI nedenselliğini belirsiz bırakır. Danimarka’daki karşı bulgu, bu riskin her ülkeye taşınamayacağını gösterir. 22 23

WEF’in 2025 raporu 2030’a kadar 170 milyon iş yaratımı, 92 milyon işin yer değiştirmesi ve net 78 milyon artış öngördü; bu, 1.000’den fazla işverenin beklentilerini istihdam verileriyle birleştiren bir projeksiyondur, gerçekleşmiş veri değildir. Aynı raporda işverenlerin yüzde 41’i AI’nın işleri azaltabileceği ölçüde küçülme planladığını bildirdi. Şirket beklentisi, yeni işin aynı kişiye, aynı ücretle ve aynı coğrafyada erişilebilir olmasını garanti etmez. 24

Bu kanıt seti statünün iki yöne ayrışabileceğini düşündürüyor. Bir yanda ilk taslak ve rutin bilgi işinin değeri düşebilir; diğer yanda kaynak doğrulama, test, delegasyon, istisna yönetimi, müşteri güveni ve hesap verebilirlik değer kazanabilir. Diploma tamamen kaybolmaz; sağlık, hukuk, kamu ve güvenlikte lisans ve mesleki sorumluluk önemini korur. Fakat diploma yanında gerçek projede üretilmiş, insan tarafından doğrulanmış, süreç ve muhakeme kanıtı daha önemli hâle gelebilir. Bu, yüksek gelirli kişilerin ücretli mentorluk ve güçlü araçlarla avantaj sağlaması hâlinde eşitsizliği de büyütebilir.

Üretim maliyetinin düşmesi, üretimden elde edilen gelirin herkese dağılacağını göstermez. Bir çalışan aynı ücretle daha yüksek hedeflere zorlanabilir; başka bir çalışan daha fazla müşteriye erişebilir; veri, dağıtım kanalı veya altyapı sahibi gelirinin daha büyük kısmını koruyabilir. Dolayısıyla insanın gelecekteki ihtiyacı yalnız yeni beceri değildir. Geçiş sırasında öngörülebilir gelir, pazarlık gücü, çalışma koşullarında söz hakkı ve verimlilik kazancından pay alma da önem kazanabilir. Bunlar teknik gelişmeden kendiliğinden çıkmaz. 8 22 24

Kimlik ve anlam: değerli olmak ile piyasada gerekli olmak ayrışabilir

Bir kişi mesleğini yalnız gelir kaynağı değil, yararlı olmanın ve tanınmanın kanıtı olarak görebilir. Rutin uzmanlık çıktıları kolay üretildiğinde “benim katkım ne?” sorusu daha görünür olabilir. Bu, bugünkü verilerin ölçtüğü evrensel bir psikolojik sonuç değil, iş kimliği üzerinden gelişebilecek koşullu bir dönüşümdür. Bazı kişilerde boşalan zaman bakım, öğrenme ve yaratım için fırsat yaratabilir; geçiş güvencesi olmayan kişilerde ise gelir kaybı ve statü kaygısı ağır basabilir.

Bu durumda ihtiyaç, boş zamanı dolduracak daha fazla içerikten çok, kişinin katkısının gerçekten tanındığı alanlar olabilir: bir çocuğun öğrenmesine yardım etmek, yerel bir sorunu çözmek, bir zanaatta ilerlemek veya sürdürülen bir topluluğun sorumluluğunu taşımak. AI bu etkinlikleri kolaylaştırabilir; fakat toplumsal tanınma, karşılıklılık ve amaç duygusunun herkeste nasıl değişeceğine dair uzun dönemli kanıt yoktur. Ücretli iş dışındaki katkının değeri korunmazsa “insanın değeri ekonomik çıktısı değildir” sözü tek başına geçim sorununu çözmez.

Sosyal ve ilişkisel dönüşüm: erişilebilir eşlik, karşılıklılık ihtiyacının yerine geçmeyebilir

Yalnızlık AI’dan önce de yaygındı. WHO’nun 2014–2023 sentezinde dünya nüfusunun yaklaşık altıda biri yalnızlık bildirdi; 13–29 yaşta oran yüzde 17–21, düşük gelirli ülkelerde yaklaşık yüzde 24 ve yüksek gelirli ülkelerde yaklaşık yüzde 11 idi. Ergenlerin dörtte birine ve yaşlıların üçte birine kadar sosyal izolasyon tahminleri verildi. Bu oranlar farklı ölçümlerin sentezidir ve yalnızlığın her sağlık sonucuna tek başına neden olduğunu göstermez. 25

AI companion deneyleri iki yönlü bir tablo veriyor. Ön kayıtlı kısa deneylerde AI companion konuşması anlık yalnızlık puanını düşürebildi; bir deneyde AI grubunun puanı 25,62, kontrolün 36,91 ve etki büyüklüğü d=0,40 idi. Buna karşılık MIT Media Lab’in 981 katılımcılı ve 300 bini aşan mesaj içeren dört haftalık randomize çalışmasında atanan konuşma biçiminin yalnızlık, insanlarla etkileşim, AI’ya bağımlılık veya problemli kullanım üzerinde anlamlı etkisi görülmedi. Gönüllü olarak daha çok kullananların daha kötü sonuçlarla ilişkisi gözlendi, fakat bu kullanım randomize edilmediği için nedensellik kurulamaz. 26 27

Stanford’un 2026 Character.AI çalışması 1.131 kullanıcı anketi ve 244 isteğe bağlı sohbet dökümüne dayanıyordu. Yüzde 12’den azı eşlik etmeyi başlıca kullanım amacı olarak bildirse de yarıdan fazlası botu arkadaş, partner veya romantik eş gibi tanımladı; dökümlerin yüzde 80’den fazlasında duygusal veya sosyal destek vardı. Küçük çevrimdışı destek ağı ve yoğun eşlik kullanımı düşük iyi oluşla ilişkiliydi. Bu, seçilmiş platform kullanıcılarında kesitsel ilişkidir; AI’ın yalnızlığa neden olduğunu göstermez. 28

İlişkilerde gelecekteki ihtiyaç bu nedenle “daha çok konuşma” değil, karşılıklı ve güvenilir insan bağının korunması olabilir. AI sosyal prova, dil/engellilik bariyerini aşma veya kısa rahatlama için destekleyebilir. Ancak hep hazır, yargılamayan ve kişiye göre ayarlanan bot, insan partnerin özerkliği ve sınırlarını daha zor tolere edilir gösterebilir. Bunun hangi yönde ağır basacağı, kullanıcının kırılganlığına, çevrimdışı seçeneklerine ve ürünün insan desteğine köprü kurup kurmadığına bağlıdır. Yüz yüze topluluk altyapısı AI’ın rakibi değil, uzun vadeli güven ve bakım için tamamlayıcısıdır.

Kültürel dönüşüm: üretim bol, köken ve tanıklık daha görünür

Yaratıcı AI bireysel ürünü iyileştirirken toplu çeşitliliği azaltabilir veya farklı kullanım tasarımlarında fikir evrimini çeşitlendirebilir. Birleşik Krallık’ta profesyonel olmayan 293 katılımcının kısa hikâye deneyinde GPT-4 fikri alanların hikâyeleri ortalamada daha yaratıcı, daha iyi yazılmış ve daha eğlenceli değerlendirildi; kazanım başlangıç yaratıcılığı düşük kişilerde daha belirgindi. Buna karşılık AI yardımlı hikâyeler birbirine daha benzerdi. 40’tan fazla ülkeden 800’ün üzerinde katılımcılı başka bir dinamik fikir deneyinde yüksek AI maruziyeti bireysel yaratıcılık puanını yükseltmedi, fakat kolektif fikir çeşitliliğinin seviyesini ve değişimini artırdı. İki çalışma görev ve çeşitlilik tanımına duyarlıdır; uzun dönem kültürel evrimi ölçmez. 29 30

UNESCO’nun 2025 kültür raporu AI’ın kültürel erişimi, miras belgelemesini ve az temsil edilen dilleri destekleyebileceğini; aynı zamanda algoritmik tek tipleşme, önyargı ve kültürel verinin rıza, atıf veya karşılık olmadan kullanılma riskini vurguluyor. UNESCO’nun çokdilli eğitim özetinde dünya nüfusunun yaklaşık yüzde 40’ının akıcı konuşup anladığı dilde eğitime erişemediği, yaklaşık 7.000 konuşulan veya işaret dilinden yalnızca 351’inin eğitim dili olarak kullanıldığı ve her iki haftada bir dil kaybı bildirildiği aktarılıyor. Bu rakamlar AI etkisi değil, dilsel erişim için AI öncesi yapısal zemindir. 31 32

İçerik bolluğu arttıkça kullanıcı “güzel mi?” sorusunun yanında “kim yaptı, hangi deneyimden geldi, hangi kaynaklara dayanıyor ve topluluk bunu onaylıyor mu?” diye sorabilir. ABD Telif Hakkı Ofisi’nin 2025 raporu, insanın anlamlı seçimi, düzenlemesi ve özgün ifadesinin korunabileceğini; yalnızca prompt yazmanın çoğu durumda yeterli insan kontrolü sayılmadığını belirtir. Bu ABD hukukuna özgü bir rapordur; etik özgünlük ve kültürel meşruiyet telif hakkından daha geniştir. 33

Yaşlanma ve ekonomi etkisini AI etkisinden ayırmak

Yaşlılık ihtiyacındaki artışın ana nedeni AI değil demografidir. WHO, 60 yaş üstü nüfusun 2020’de bir milyardan 2030’da 1,4 milyara ve 2050’de 2,1 milyara çıkacağını; 80 yaş üstü nüfusun 2020–2050 arasında üç katına çıkarak 426 milyona ulaşacağını öngörüyor. 2050’de yaşlıların yüzde 80’inin düşük ve orta gelirli ülkelerde yaşayacağı tahmin ediliyor. WHO ayrıca 2030’da sağlık işgücünde yaklaşık 11 milyon açık öngörüyor; bu tahmin tüm sağlık işgücüne aittir, yalnız yaşlı bakımı değildir. 34 35

AI’nın katkısı bu demografik baskıya verilen hizmet biçiminde olabilir. WHO’nun ICOPE el kitabı işlevsel kapasite düşüşünü, sosyal destek ihtiyacını ve kişiselleştirilmiş planı birinci basamak ve toplum bakımının parçası sayıyor. İnsan koordinatörün randevu, ilaç, ulaşım, bakım veren ve işlev hedeflerini bir arada tutması; AI’nın ise özet, hatırlatma, anlaşılır dil ve eksik adım işaretlemesi bu çerçeveyle uyumludur. Ancak AI’nın yaşlı bakımında işlev, yaşam kalitesi veya bakım veren yükünü azalttığını gösteren genellenebilir nedensel kanıt bu dosyadaki kaynaklarda yoktur. 36

Demografi talebi artırırken ekonomik durum kimin faydalanacağını belirler. Yüksek gelirli yaşlı, sensör, uzman ve zamanında insan takibine daha kolay erişebilir; düşük gelirli, kırsal, göçmen, engelli veya bağlantısı zayıf kişi dijital kanalın dışında kalabilir. Robotun yapılandırılmış fabrikada tekrarlı bir görevi yapması, dağınık bir evde güvenli kaldırma, giydirme veya mahrem kişisel bakım yapabildiğini göstermez. Fiziksel dünya becerisi için ev ortamında güvenlik, durma, farklı bedenlere uyum ve mahremiyet ölçülmelidir. 37

Güven, hak ve altyapı: geleceğin görünmeyen temel ihtiyaçları

Ses ve görüntü kimlik kanıtı olmaktan çıkıyor

AI kaynaklı dolandırıcılıkların toplam payını güvenilir biçimde bilmiyoruz. FTC’ye 2024’te 2,6 milyon tüketici dolandırıcılık raporu ulaştı ve bildirilen kayıp 12,5 milyar doları aştı; 2025’te tüm dolandırıcılık türleri için yaklaşık 16 milyar dolar, taklitçi dolandırıcılıkları için 3,5 milyar dolar bildirildi. FBI’ın 2024 İnternet Suçu Raporu 859.532 şikâyet ve 16 milyar doların üzerinde kayıp bildirdi; 60 yaş üstü kişiler yaklaşık 5 milyar dolar kayıp bildirdi. Bu kurumların toplamları farklı kapsamda, doğrulanmamış bildirimlere dayanır ve AI kaynaklı diye etiketlenmemiştir. Rakamları “AI kaybı” diye sunmak hatalıdır. 38 39 40

Buna rağmen tehdit mekanizması nettir. FBI, AI’nın mevcut sosyal mühendisliğine hız, ölçek ve otomasyon ekleyebileceği; aile, iş arkadaşı ve iş ortağı taklidinde ses ve görüntü klonlamanın kullanılabileceği uyarısını yaptı ve kritik talepleri bağımsız kanaldan teyit etmeyi önerdi. Ses deepfake’lerini insanın sezgiyle ayırt edemediğine dair hakemli çalışmalar ve derlemeler, koşula göre değişmekle birlikte insan performansının güvenilir bir kimlik faktörü olmadığını gösteriyor. C2PA gibi provenance standartları üretim ve değişiklik zincirinin imzalı iddialarını doğrulamaya yardım eder; içeriğin olay olarak doğru, imzalayanın güvenilir veya sahnesinin bağlam içinde gerçek olduğunu tek başına kanıtlamaz. 41 42 43

Gelecekte güven, “ses tanıdık geliyor”dan “bu talep önceden bilinen kanaldan teyit edildi mi, yetki kaydı var mı, yanlışta kim telafi edecek?” sorusuna kayabilir. Ailede geri arama ve önceden belirlenmiş teyit sözcüğü; KOBİ’de hesap değişikliği için ikinci onay; kurumda işlem günlüğü ve çok faktörlü kimlik doğrulama, yüksek teknoloji dedektörden daha dayanıklı bir ilk katman olabilir.

Yetki ve itiraz gündelik ihtiyaç olacak

AI bir kişinin adına e-posta göndermeye, dosya değiştirmeye, ödeme başlatmaya veya müşteri hesabına erişmeye başladığında mahremiyet eski anlamından genişler. Kişi yalnızca “verim nerede?” değil, “hangi veriyle, ne kadar süre, hangi alt ajanla ve hangi sınır içinde benim adıma işlem yapılıyor?” diye sormak ister. Avrupa AI Act’in temel hükümleri aşamalı yürürlükte; 2026 tarihli Digital Omnibus ise yüksek risk yükümlülüklerinin bazı başlangıçlarını değiştirdi. Hukuki takvim, fiilî denetim ve etkili itiraz kapasitesiyle aynı şey değildir. 44 45

OECD’nin altı ülkede 6.000’den fazla firmayı kapsayan işveren anketinde algoritmik yönetim kullanan yöneticilerin yüzde 60’ı karar kalitesinde iyileşme bildirdi; yaklaşık üçte ikisi güvenilirlik kaygısı taşıdı. Kaygıların yüzde 28’i yanlış kararda sorumluluk belirsizliği, yüzde 27’si karar mantığını izleyememe, yüzde 27’si çalışan sağlığının yeterince korunmamasıydı. Bu yönetici özbildirimidir; çalışan deneyimini, nedensel etkiyi veya yönetişim tedbirlerinin işe yaradığını kanıtlamaz. 46

GDPR Madde 22 yalnız otomatik kararların belirli ve önemli etkilerinde sınırlı koruma sağlar; her AI tavsiyesi otomatik olarak bu kapsama girmez. KVKK’nın resmi tavsiyesi veri minimizasyonu, amaçla sınırlılık, yüksek riskte etki değerlendirmesi, tasarımdan itibaren veri koruması ve bilgi/itiraz imkânlarını vurgular; yeni ve tek başına bağlayıcı bir AI kanunu olarak sunulmamalıdır. UNICEF’in 2025 rehberi çocuk AI yoldaşları, veri, güvenlik, ayrımcılık, açıklanabilirlik ve insan hesap verebilirliğini özellikle gündeme getiriyor. Kâğıt üzerindeki itiraz hakkı ile kararı gerçekten durdurup değiştirebilen itiraz masası arasında büyük fark vardır. 47 48 49

Enerji ve erişim: AI kullanmak için bağlantıdan fazlası gerekir

IEA’nın 2025 temel senaryosunda tüm veri merkezlerinin elektrik tüketimi 2024’te 415 TWh, dünya elektriğinin yaklaşık yüzde 1,5’i iken 2030’da yaklaşık 945 TWh’ye, küresel elektriğin yaklaşık yüzde 3’üne çıkıyor. Bu toplam yalnızca AI iş yüklerini değil bütün veri merkezlerini kapsar; 2030 değeri senaryodur. Veri merkezleri küresel elektrik talep artışının yüzde 10’undan azını oluşturabilse de belirli kümelerde şebeke, arazi, su ve tarife baskısı yaratabilir; IEA planlanan projelerin yaklaşık yüzde 20’sinde gecikme riski değerlendiriyor. 50

Aynı rapor belirsizliği de gösterir: 2035 veri merkezi tüketimi yüksek verimlilik senaryosunda temel senaryodan yüzde 20 düşük, yüksek büyüme senaryosunda yüzde 45 yüksek olabilir. Verimlilik, işlem başına enerjiyi düşürürken kullanım sayısı ve model büyüklüğü toplam talebi artırabilir. “AI temiz enerjiyi zorunlu olarak büyütür” veya “AI bütün enerjiyi tüketir” cümleleri bu nedenle aşırıdır. 50

ITU’nun 2025 tahmininde yaklaşık 6 milyar kişi internet kullanırken 2,2 milyar kişi çevrimdışıydı. İnternet kullanımı yüksek gelirli ülkelerde yüzde 94, düşük gelirli ülkelerde yüzde 23; kentte yüzde 85, kırsalda yüzde 58; erkeklerde yüzde 77, kadınlarda yüzde 71 idi. 5G dünya nüfusunun yüzde 55’ine ulaşırken yüksek gelirli ülkelerde yüzde 84, düşük gelirli ülkelerde yüzde 4’tü; düşük ve orta gelirli ülkelerin yaklaşık yüzde 60’ında mobil geniş bant sepeti karşılanabilir değildi. Bunlar AI kullanımı değil, kaliteli AI erişiminin altyapı ve maliyet önkoşullarıdır. 51

Yerel ve cihaz üzeri küçük modeller ağ bağımlılığını, gecikmeyi ve bazı mahremiyet risklerini azaltabilir; bellek, hesaplama, güncelleme, güvenlik ve yerel dil performansı sınırları vardır. Edge-LLM literatür taraması, her görevde buluttan daha az enerji veya eşdeğer kalite kanıtlamaz. Gelecekte ihtiyaç “en büyük model”den çok, kesintide çalışabilen, yerel dilde doğrulanabilen, insan desteğine devredilebilen ve toplam maliyeti öngörülebilen hizmet olabilir. 52

Farklı gruplar ve Türkiye’ye taşınabilirlik

AI’nın etkisi yaş, gelir, cinsiyet, eğitim, engellilik, dil, kent-kır, kurum büyüklüğü ve kayıtlılık üzerinden farklılaşabilir; fakat incelenen kaynaklarda her grup için uzun dönemli nedensel kanıt bulunmadığı için bu bölüm mekanizma ve ölçüm önerisi olarak okunmalıdır.

Gençler ve öğrenciler: AI ile ilk taslaklara erişim ve tutor desteği artabilir; aynı anda işe giriş için rutin ilk görevlerin azalması veya AI’sız beceri kanıtı ihtiyacı güçlenebilir. National Literacy Trust’in 2025 İngiltere anketinde 13–18 yaş grubunun yüzde 66,5’i üretken AI kullandığını, aylık kullanıcıların yüzde 25,1’i ödevi yalnızca kopyaladığını, yüzde 42,8’i çıktıyı kontrol ettiğini bildirdi. Bu özbildirimdir; doğrudan beceri testi değildir. 53

Düşük gelirli çalışanlar ve haneler: İyi sınırlandırılmış asistan, kurumsal bilgiye ve örneğe erişimi artırabilir; aynı kişiler gözetim, düşük ücret, ücretsiz staj, pahalı araç ve itiraz maliyetine daha açık olabilir. NBER müşteri destek çalışmasında düşük performanslı çalışanların daha çok fayda görmesi bu tamamlayıcılık ihtimalini destekler, ama gelir dağılımı veya uzun dönem istihdam güvencesini ölçmez. 8

Kadınlar, bakım verenler ve yaşlılar: Sağlık ve sosyal bakım işgücünün yüzde 67’si kadındır; idari işin AI ile azalması zaman kazandırabilir, fakat duygusal ve fiziksel bakım emeğini görünmezleştirme veya kadınların daha yoğun izlenmesi riski de vardır. WHO yaşlı nüfus tahminleri, düşük ve orta gelirli ülkelerde hizmet finansmanı ve yerel insan işgücünün kritik olduğunu gösterir. 35

Engelliler, göçmenler ve yerel dil toplulukları: Sesli arayüz, çeviri, özet ve erişilebilirlik desteği bariyerleri azaltabilir; düşük kaynaklı dilde yanlış yanıt ve itiraz edememe yeni bariyer oluşturabilir. Dil hizmeti yalnız menüde dil seçimi değildir; lehçe, ses, kamu terimleri, yazım farklılıkları ve hata düzeltme olanağı gerekir. 32 52

Büyük şirketler ve KOBİ’ler: Büyük şirketler güvenlik, değerlendirme ve özel veri bağlantısı kurabilir; KOBİ’ler sağlayıcıya, lisansa, uzman dış hizmete ve enerji/bağlantı koşullarına daha bağımlı olabilir. Türkiye’deki KOBİ’ler için Kore veya Danimarka sayılarını doğrudan taşımak doğru değildir; kayıt dışı ve geçici istihdam, elektrik ve internet kalitesi, Türkçe yerel veri, lisans maliyeti ve sosyal koruma farklılıkları sonucu değiştirir.

Türkiye: Türkiye’ye taşınabilir ana mekanizma “görevler değişebilir ve yeni doğrulama/denetim becerisi gerekir” cümlesidir; uluslararası etki büyüklüğü değildir. Yerel pilotlar sektör, çalışan yaşı, cinsiyet, eğitim, gelir, kayıtlılık, kent-kır, işletme ölçeği ve işin Türkçe/yerel ağız kullanımını ayrı izlemelidir. Kamu okulları, aile sağlığı merkezleri, belediyeler, KOBİ’ler ve meslek örgütleri için telefon ve yüz yüze alternatifler korunmalıdır. AI’sız seçeneği olmayan hizmet “erişilebilir” sayılmamalıdır.

Beş zaman ufku: 2029, 2031, 2036, 2041, 2046

Aşağıdaki yıllar tarihsel ölçüm değil, 9 Ekim 2026’da bilinen mekanizmalardan türetilmiş koşullu senaryolardır. Güven derecesi belirli bir yönün makullüğünü gösterir; gelecekteki nüfus, istihdam, gelir veya AI kullanımı için kesin yüzde değildir. AGI’nin bilinci, ortaya çıkış tarihi veya 2046’da istihdamın belirli yüzdesi hakkında veri uydurmuyorum.

2029 — Sınırlı delegasyon ve doğrulama zorunluluğu

Teknoloji yeteneği: Orta-yüksek güvenle yazılım, müşteri destek, belge, veri düzenleme ve basit araştırma işlerinde AI ajanları sınırlı alt görevleri daha sık kapatabilir. Maliyet düşüşü ve iyi tanımlı görevlerdeki ilerleme bu yönü destekliyor; ancak uzun ve bağlamlı görevlerde bağımsız güvenilirlik aynı hızda artmayabilir. İnsan, bağlam sağlama, kabul ölçütü koyma, test etme ve kritik eylemi onaylama ihtiyacını korur.

Somut adaylar; rutin belgelerden bilgi çıkarma, çokdilli taslak/çeviri, standart müşteri yanıtı, sınırları belli kod değişikliği ve kayıtlar arası tutarsızlık aramadır. Bu işlerin bir kısmında insanın tek başına çalışmasına göre hız ve birim maliyet üstünlüğü yaygınlaşabilir. Doğruluk ve güvenilirlik üstünlüğü ise her görevde ayrıca ölçülmelidir. Daha iyi olmak, her durumda doğru olmak değil, tanımlı bir kalite eşiğini daha düşük toplam maliyetle karşılamak anlamına gelir.

İnsan ihtiyacı ve konumu: İnsanların daha çok duyacağı ihtiyaç “AI kullanayım mı?” değil, “hangi işi, hangi veriyle, hangi yetkiyle ve hangi durma koşuluyla devredebilirim?” olacaktır. Kaynak kontrolü, ajan işlem günlüğü ve insan devri temel dijital okuryazarlık hâline gelebilir. Güven: orta-yüksek; gerçek kurum benimsemesi ve güvenlik kontrollerinin ölçeklenmesi koşuluyla.

İlişkiler ve beklenti: AI sırdaşlığı ve hızlı kişiselleştirilmiş yanıt beklentisi daha görünür olabilir. Yüz/sesin tek başına kimlik kanıtı sayılmaması ve acil para taleplerinde geri arama, ikinci onay gibi ritüeller artabilir. İnsan ilişkilerinin yerini aldığı sonucunu çıkarmıyorum; ilk olası değişim güvenlik ve iletişim beklentisidir.

Statü ve kültür: İlk taslak yazabilmek sıradanlaşırken doğrulanabilir iş örneği, hata yakalama, insan referansı, kaynak kökeni ve yerel bağlam değer kazanabilir. AI’sız öğrenme/performans kanıtı okullarda ve işe girişte daha görünür olabilir. Yanlışlayıcı koşul, AI araçlarının kişisel verimlilikte kalması, kurumların ölçüm ve eğitim yatırımı yapmaması veya güvenlik maliyetinin faydayı aşmasıdır.

2031 — Delegasyon okuryazarlığı, itiraz ve beceri kanıtı

Teknoloji yeteneği: AI artık yalnızca yanıt üreticisi değil, izinli araçları sınırlı biçimde kullanan süreç parçası olarak daha sık sunulabilir. Bunun yaygınlaşması için kurumların iş akışını yeniden tasarlaması, çalışanları eğitmesi ve model güncellemesinden sonra testleri yenilemesi gerekir. Orta güven.

İlerleme sürerse daha büyük kod modüllerinin hazırlanması ve test edilmesi, belge kümeleri arasında sözleşme karşılaştırması, müşteri vakasının birden çok uygulamada yürütülmesi gibi iş paketleri devredilebilir. Burada belirsiz olan tek cümle kalitesi değil, ara adımlarda hata yakalama ve sorumluluk zinciridir. Haftalar süren bütün projelerin her koşulda güvenle devredilebileceği iddia edilmiyor.

İnsan ihtiyacı ve konumu: “Prompt yazma” becerisinden çok görevi parçalara ayırma, risk sınıflama, kabul ölçütü, hata kaydı, geri alma ve eskalasyon tasarlama beklenebilir. İnsan incelemesi yalnızca ekrana bakıp öneriyi onaylayan göstermelik adıma dönüşürse bu ihtiyacın karşılığı kalmaz. Yüksek etkili kararlarda etkili itiraz ve makul sürede insan incelemesi talep edilebilir.

Ekonomi ve statü: Bazı giriş düzeyi rutin işlerin öğrenme merdiveni daralırsa diploma yanında gerçek proje, portföy ve doğrulanabilir referans önem kazanabilir. İşveren içi yeniden beceri kazandırma ve ücretli geçiş hizmeti talep görebilir; ancak WEF işveren niyetinin gerçekleşmiş istihdam olmadığını unutmamak gerekir. Orta-düşük güven.

İlişkiler ve kültür: İnsan-bot ayrımının açıkça belirtilmesi, çocukların AI yoldaşlarında mahremiyet ve canlı insana geçiş hakkı, ailede düzenli yüz yüze temas ve bakımın otomatikleşmemesi tartışılabilir. Provenance etiketi faydalı olabilir ama tek başına hakikat kanıtı değildir. Yanlışlayıcı koşul, kurumların bu standartları uygulamaması veya kullanıcıların hizmet hızını sorumluluk ve kaynak açıklığından sürekli üstün tutmasıdır.

2036 — Kurum hafızası, bakım koordinasyonu ve insan teması için talep

Teknoloji yeteneği: Kişisel ve kurumsal ajanların birden çok uygulama arasında veri taşıması teknik olarak daha mümkün olabilir; bunun güvenli ve birlikte çalışabilir hâle gelmesi standart, hukuk ve sağlayıcı işbirliği gerektirir. Yerel küçük modeller bazı düşük riskli, düşük bağlantılı görevlerde daha fazla kullanılabilir. Güven: düşük-orta.

Yoğun ilerleme senaryosunda otomasyon tek tek taslaklardan uçtan uca dijital iş paketlerine genişleyebilir: analiz raporunun veri toplama, hesaplama, kontrol ve teslim aşamaları ya da yazılımın geliştirme/test/bakım döngüsünün daha büyük bölümü. Bu durumda bazı çalışanlar yalnız daha iyi araç kazanmaz; yaptıkları işin insan emeğine talebi gerçekten azalabilir. Yavaşlama senaryosunda ise aynı işler insan liderliğinde, AI destekli kalır. Herkesin AI yöneticisi olacağı garanti değildir; bir ajan sistemi az sayıda insanla çok sayıda işi yönetebilir.

İnsan ihtiyacı ve konumu: Üretilen içerik çoğaldıkça kurum hafızasının, kaynak kökeninin, istisna yönetiminin ve sorumluluğun kaydı değer kazanabilir. Yaşlanan nüfus ve bakım işgücü baskısı, AI’nın teşhisinden çok insan destekli bakım koordinasyonunu öne çıkarabilir. İnsan, fiziksel bakımda, motivasyonda, müzakerede ve kişinin hedefini anlamada merkezi kalabilir; bunun ücret ve statüye dönüşmesi kamu ve işveren politikasına bağlıdır.

Ekonomi ve ilişkiler: Meslek değiştirme ve iç geçiş daha sık hâle gelebilir, fakat Danimarka’daki erken sıfır etkiler uzun vadeyi kanıtlamaz. Aileler AI’yı çeviri ve bakım koordinasyonu için kullanabilir; çocuk ve yaşlı sohbetini ucuz ikameye dönüştürme baskısı da oluşabilir. AI eşlikçileri yalnızlıkta hizmet olarak sunulabilir; talep güvenli çıkış hakkı ve insan desteğine köprü kurma yönünde şekillenebilir.

Kültür: Yerel dil, zanaat, sözlü tarih, insan rehberliği ve topluluk kontrollü arşivler küçük ama görünür hizmetlere dönüşebilir. Genel “insan yapımı” fiyat primi öngörmüyorum; tüketicinin hız ve fiyata öncelik verdiği alanlarda bu gelişmeyebilir. Yanlışlayıcı koşullar, yerel dil modellerinin topluluklarca sahiplenilmesi, provenans altyapısının ucuzlayarak kıtlığı azaltması ve insan temasının ölçülebilir fayda üretmemesidir.

2041 — İnsan katkısının seçici ve eşitsiz değeri

Teknoloji yeteneği: Birçok dijital iş akışında AI daha çok adımı yürütebilir; fiziksel bakım, dağınık ev ortamı, değer çatışması ve meşruiyet gerektiren işlerde aynı sıçrama garanti değildir. Robotun fabrika becerisini evde kişisel bakıma çevirmek için bağımsız güvenlik ve mahremiyet kanıtı gerekir. Güven: düşük.

Yoğun teknik ilerleme senaryosunda bazı alanlarda AI, tek bir uzman insandan daha geniş seçenek arayabilir ve daha tutarlı uygulama yapabilir; yapılandırılmış fiziksel hizmetlerde de robot kullanım alanı genişleyebilir. Bu olasılık, yaratıcılık ve empatinin insanı sonsuza dek koruyacağı tezini güvenilir meslek planı olmaktan çıkarır. Buna karşılık kurumun kararı kabul etmesi, kullanıcının rızası ve zararın telafisi hâlâ ayrı koşullardır. Bu ufuk için bugünkü benchmarklardan kesin meslek sıralaması çıkarılamaz.

İnsan ihtiyacı ve konumu: Kendi yargısını kurma, belirsizliği taşıma, bir kararı açıklama, güvenilir bir insanla konuşma ve hatalı kararı düzelttirme bazı alanlarda statü göstergesi olabilir. İnsan hizmetine erişim yüksek gelirli gruplar için kalite tercihi, düşük gelirli gruplar için kıt ve gecikmeli kanal hâline gelebilir. Bu bir teknoloji zorunluluğu değil, verim kazancının nasıl bölüşüleceğine bağlı eşitsizlik senaryosudur.

İlişkiler ve kültür: Romantik ve dostluk normlarında AI aracılı hibritlik bazı gruplarda kabul görebilir, bazı gruplar karşılıklılık ve mahremiyet nedeniyle reddedebilir. Kültürel arşivlerde köken, izin, katkı ve topluluk denetimi standardı kurumsallaşabilir. Çok güçlü otomatik yeterlik ölçümleri veya insan ilişkilerine ayrılan zamanın artması, “insan teması kıtlaşır” tezini zayıflatır.

2046 — Teknik kader değil, kurumsal seçim

Teknoloji yeteneği: Çok düşük güvenle, AI birçok dijital süreçte insanlardan daha fazla adımı yürütebilir. Bu cümle genel bilinç, AGI veya her fiziksel işi yapabilen robot iddiası değildir. Enerji, donanım, iklim, maliyet, düzenleme ve toplumsal kabul teknik yönü kesebilir.

Üst kapasite senaryosu gerçekleşirse insanın bugün ücret aldığı bilişsel üretimin geniş kısmında insan emeği teknik olarak gerekli olmaktan çıkabilir. Bunun karşı senaryosu, ilerlemenin görev-özgü kalması ve otomasyonun pahalı doğrulama nedeniyle yalnız bazı süreçlere yerleşmesidir. Yirmi yıl için bu iki olasılıktan birine bilimsel olarak güvenilir bir gerçekleşme yüzdesi vermek mümkün değildir. Önlem alınabilecek mesele, hangisi olursa olsun geçim, karar hakkı ve anlamlı toplumsal katılımın bir kişinin makineden üstün kalmasına bağlanmamasıdır.

İnsan ihtiyacı ve konumu: Özerklik, hesap verebilirlik, anlamlı katkı, itiraz ve insana erişim ihtiyacı ortadan kalkmayabilir. Olumlu senaryoda otomasyon kazançları zaman, gelir ve kamusal hizmet olarak paylaşılır; insanın “gerekli olma” baskısı azalır. Kötü senaryoda yüksek etkili kararlara itiraz ve insan hizmeti zenginler için satın alınabilir hâle gelir.

İlişkiler, kültür ve beklenti: Karşılıklı insan toplulukları, yaşayan kültür, yerel tanıklık ve gerçek bakım daha bilinçli seçilen değerler olabilir; fakat dijital toplulukların anlamlı karşılıklılığı başka bir biçimde kurması da mümkündür. Güven, içeriği gözle/kulakla sezmekten çok kanıt zinciri, yetki kaydı, telafi ve adil itiraza dayanabilir.

Koşullar: Hangi yolun gerçekleşeceğini belirleyecek göstergeler otomasyon yüzdesi değil; insan onayının fiilen kararı değiştirip değiştirmediği, gelir ve boş zamanın nasıl bölüşüldüğü, itirazların sonucunun ne olduğu, AI’sız alternatif hizmetin korunup korunmadığı, yerel dil ve enerji erişimidir. Teknik ilerleme, toplumsal kurumların yerine geçmez.

Üç tutarlı gelecek senaryosu

1. Yavaşlama ve sınırlı yayılma

Enerji, veri, telif, güvenlik, sorumluluk ve düzenleme maliyetleri yükselir; benchmark ilerlemesi sürse bile kurumlar kritik süreçleri AI’ya sınırlı verir. AI taslak, arama, erişilebilirlik ve düşük riskli otomasyonda kalır. İnsan ihtiyacı daha çok güvenilir insan hizmeti ve AI’sız alternatifin korunması olur. Bu senaryoda 2046 için istihdam yüzdesi uydurmak mümkün değildir; asıl ayrım araç sahibi olanlarla olmayanlar değil, kaliteli insan hizmetine erişebilenlerle erişemeyenler arasında oluşabilir.

2. Yönetilmiş tamamlayıcılık

Kurumlar AI’yı görev bazında sınırlar; veri minimizasyonu, işlem günlüğü, insan onayı, ücretli yeniden beceri kazandırma, yerel/çevrimdışı yedek ve AI’sız performans ölçümü birlikte gelişir. AI ilk taslağı ve idari yükü azaltırken insan bağlam, bakım, müzakere, öğretim, kültür ve sorumluluk işlerini sürdürür. Bu en arzu edilir senaryodur, fakat teknik değil yönetişim ve pazarlık başarısı gerektirir.

3. Yoğun ikame ve eşitsiz otomasyon

Ajanlar geniş yetkilere kavuşur; işverenler üretkenlik kazancını çalışma süresini azaltmak veya ücretleri artırmak yerine personel azaltımı ve gözetim için kullanır. İnsan incelemesi kâğıt üzerinde kalır; gençlerin işe giriş merdiveni daralır; düşük gelirli kişiler otomatik hizmet kanalına sıkışır; insan bakım ve ilişki hizmeti satın alınabilir statü göstergesine dönüşür. Bu senaryonun gerçekleşmesi teknolojik kapasiteden çok gelir dağılımı, çalışan temsili ve kamu hizmetlerinin zayıflamasına bağlıdır.

Bu üç senaryo birbirini dışlayan kaderler değil, aynı toplum içinde sektörlere ve gruplara göre farklılaşabilecek yönlerdir. Bir hastanede yönetilmiş tamamlayıcılık, bir çağrı merkezinde yoğun ikame, kırsal bir belediyede ise yavaşlama aynı anda görülebilir.

Birinci el uzman görüşleri: METR görev ufku açıklaması 54 ve AI companion panelindeki karşıt görüşler 55, bulguları yorumlamak ve karşı tezleri anlamak için değerlendirildi. Doğrulanmış birebir konuşma dökümü bulunmayan sözler tırnak içinde aktarılmadı. IEA enerji konferansı kaydı 56 ise içerik analizi tamamlanamadığı için veri kaynağı olarak kullanılmadı. Ölçülebilir iddiaların dayanağı yazılı araştırmalar, resmi istatistikler ve mevzuattır; uzman görüşü bunların yerine geçmez.

Bugün başlanabilecek tam 10 faaliyet

Aşağıdaki faaliyetler “herkes girişimci olsun” önerisi değildir. Bireysel beceri kazanımını, yapılabilecek ücretli işi veya kamu/kooperatif hizmetini birlikte düşünür. Hiçbiri gelir, iş garantisi veya sosyal etki garantisi değildir. Her biri 90 günlük küçük pilotla, ölçerek ve gerekirse durdurarak başlamalıdır.

1. Alan-özgü insan–AI delegasyon ve güvenilirlik tasarımı

Kimin gelecekteki ihtiyacını karşılar? Küçük işletmenin, kamu biriminin, okulun veya sağlık ekibinin gerçek işinin hangi alt görevinin AI’ya verilebileceğini ve nerede insan onayının zorunlu olduğunu bilme ihtiyacını karşılar. Gelecekte “en iyi model hangisi?” sorusundan önce “bu görev için kabul edilebilir hata, yetki sınırı ve geri alma yolu nedir?” sorusu gelecektir.

Bugünkü kanıt ve talep mekanizması: Çıkarım maliyeti 2022–2024 arasında yaklaşık 286 kat düşerken, METR’nin iyi tanımlı görevlerdeki ilerlemesi gerçek iş güvenilirliğini tek başına göstermiyor. Deneyimli geliştiriciler erken 2025 koşulunda yüzde 19 yavaşlarken, nihai müşteri destek çalışmasında önceki performansı en düşük beşte birlik grubun saatlik çözümü yüzde 36 arttı. OpenAI’nin denetimi bütün SWE-bench görevlerinin değil, o3’ün sürekli başarısız olduğu 138 görevlik alt kümenin yüzde 59,4’ünde test/tanım sorunu bildirdi. Ajan güvenilirliği ön baskısı da araç hatası ve tekrarlar altında tutarlılığı ayrıca ölçme gereğini gösterdi. Bu karşıtlıklar, iş akışı tasarımı ve bağımsız test için talep yaratabilir. 1 4 6 8 9 10

Bireysel beceri ile iş/hizmet bağlantısı: Öğrenilecek beceri prompt yazmak değil; görev haritası, risk sınıflaması, veri izni, kabul ölçütü, hata günlüğü, insan devri ve geri alma tasarımıdır. Bu beceri KOBİ’ye süreç teşhisi ve periyodik değerlendirme hizmeti, kamuya otomasyon denetimi, bir çalışana ise kendi ekibinde güvenilir iş akışı kurma kapasitesi sağlayabilir. Ticari talep varsayımdır; büyük şirketlerin güvenlik altyapısı kurması küçük kurumlara otomatik müşteri yaratmaz.

Bugün başlama ve 90 günlük pilot: Tek bir düşük-orta riskli, tekrarlı süreç seçin: müşteri destek taslağı, iç belge araştırması veya yazılım hata raporu sınıflandırması. İlk iki haftada görev/risk haritası ve veri izinleri çıkarın. Üçüncü-dördüncü haftada AI’sız insan baz çizgisi, temsilî vakalar ve kritik hata eşiği oluşturun. Beşinci-sekizinci haftada AI yalnız öneri/gölge modunda çalışsın; dokuzuncu-onuncu haftada sınırlı kullanıcıyla insan onaylı pilot yapın; son iki haftada kontrol ve pilotu karşılaştırıp devam/durdurma kararı verin. Para transferi, erişim açma, veri silme ve geri döndürülemez eylemler onaysız bırakılmamalıdır.

Kaliteli sonucun ölçütü: Aynı veya daha iyi kaliteyle insan süresinde azalma; kritik yanlış eylem olmaması; düzeltme dakikası, hata/eskalasyon ve geri alma oranı; toplam maliyet; kullanıcı yararı; yaş, gelir, dil ve erişilebilirlik gruplarında sonuç farkı. Yalnızca daha çok çıktı üretmek başarı değildir.

Etik ve ekonomik risk: Önyargılı veri, hassas bilgi sızıntısı, çalışan gözetimi, model güncellemesiyle testlerin geçersizleşmesi ve sorumluluğun insan imzalayana yıkılması risktir. Veri minimizasyonu, rol-temelli erişim, değişiklik kaydı, bağımsız inceleme, düzenli yeniden test ve çalışan/etkilenen kullanıcı katılımı gerekir.

Hangi gelişme tezi yanlışlar? AI kullanımı kişisel deney olarak kalır, kurumlar gerçek iş akışına bağlamaz veya ucuz bulut araçları doğrulama dahil toplam maliyeti düşürmezse bu faaliyetin talebi zayıflar. Güvenilirlik artışı benchmarka yetişmezse de uzmanlık alanı büyümeyebilir; bu nedenle pilot ölçümü vazgeçilmezdir.

2. Ücretli gerçek-proje çıraklığı ve beceri kanıtı temelli mesleki geçiş ağı

Kimin gelecekteki ihtiyacını karşılar? İlk işe girmeye çalışan gençlerin, rutin ofis/hizmet görevinden geçiş yapan yetişkinlerin ve düşük gelirli çalışanların “AI ile üretilmiş bir çıktı” ile “bu işi gerçekten yapabildiğini” ayıran, ücret kaybını sınırlayan ve mesleki aidiyet sağlayan bir geçişe ihtiyacı olabilir.

Bugünkü kanıt ve talep mekanizması: ILO görev maruziyetini iş kaybı değil potansiyel görev dönüşümü olarak sınıflandırıyor. Kore’de firmaların yüzde 56,5’i görevlerin yer değiştirdiğini, yüzde 38,3’ü gereken beceri düzeyinin yükseldiğini bildirdi. Danimarka verisinde erken ortalama ücret/saat etkisi sıfıra yakınken yeni AI görevleri ve meslek geçişleri görüldü. ABD’de erken kariyer istihdam sinyali uyarıcı ama nedenselliği belirsiz. Bu tablo kısa kurs yerine gerçek proje, insan referansı ve süreç kanıtına talep doğurabilir. 20 21 22 23

Bireysel beceri ile iş/hizmet bağlantısı: Katılımcı AI ile araştırma ve taslak üretebilir; fakat kaynak kontrolünü, insan müşteriyle iletişimi, hata düzeltmeyi ve teslim sorumluluğunu da gösterir. Meslek örgütü veya işveren rubriğiyle doğrulanmış portföy, kamu istihdam hizmeti, belediye veya kooperatif tarafından sunulabilir. İşe yerleşmeyi garanti etmez; işverenlerin bu kanıtı gerçekten kullanması ayrıca ölçülmelidir.

Bugün başlama ve 90 günlük pilot: Türkiye’de bir ilde iki işveren, bir meslek örgütü veya belediye ile müşteri operasyonu, muhasebe/ofis süreçleri ya da dijital içerik gibi tek alan seçin. İlk iki haftada görev, veri güvenliği ve rubrik; üçüncü-dördüncü haftada katılımcı seçimi ve ücretli proje sözleşmesi; beşinci-onuncu haftada iki proje döngüsü ve haftalık mentorluk; son iki haftada bağımsız değerlendirme ve işe alım görüşmesi yapın. Katılımcıların en az bir bölümü genç, işsiz veya düşük gelirli gruptan seçilmeli; katılımcı emeği ücretsiz staj adı altında kullanılmamalı ve açıkça ücretlendirilmelidir.

Kaliteli sonucun ölçütü: 90 günde işe yerleşme tek başına başarı sayılmamalı; ücretli işe veya projeye geçiş, altı ay istihdamda kalma, takip geliri ve çalışma saati, bağımsız rubrik puanı, işverenin tekrar katılımı ve yaş/cinsiyet/gelir grupları arasındaki fark izlenmelidir. Altı aylık takip, kısa dönem memnuniyetten daha değerlidir.

Etik ve ekonomik risk: Ücretsiz staj sömürüsü, işyeri verisinin portföye izinsiz girmesi, AI gözetimi, önyargılı rubrik ve katılımcının düşük ücretli işlere kilitlenmesi risktir. Ücretli proje, veri minimizasyonu, itiraz yolu, bağımsız kalite kontrolü, erişilebilirlik ve çalışan temsilcisi gerekir.

Hangi gelişme tezi yanlışlar? Giriş düzeyi işe alım maruziyetli mesleklerde düşmez, işverenler portföy yerine diplomayı kullanmaya devam eder ve meslek geçişi uzun süre önemsiz kalırsa beceri kanıtı ağına talep sınırlı olur. Bu nedenle ABD’deki genç istihdam sinyali tek başına iş modeli kanıtı değildir.

3. AI ile öğren, AI olmadan kanıtla: doğrulama ve üretme temelli eğitim

Kimin gelecekteki ihtiyacını karşılar? Öğrencinin, öğretmenin, ailenin ve işverenin AI yardımıyla yapılmış işi gerçek ve bağımsız öğrenmeden ayırma ihtiyacını karşılar. Gelecekte öğrenciden yalnızca “AI kullanabiliyor musun?” değil, “AI kapalıyken yeni problemi çözebiliyor, kaynağı kontrol edebiliyor ve nedenini açıklayabiliyor musun?” diye sorulabilir.

Bugünkü kanıt ve talep mekanizması: Harvard’daki 194 öğrencili deney yapılandırılmış AI tutorunun kısa dönemde aktif öğrenme sınıfından yüksek puan alabildiğini, Türkiye’de yaklaşık 1.000 lise öğrencili RCT ise genel GPT ile yardımlı alıştırma puanı yükselse de AI’sız sınavda kontrolün altına düşülebildiğini gösterdi. Nijerya’daki 657 tedavi ve 671 kontrol öğrencili yapılandırılmış program olumlu sonuç verdi; fakat çok bileşenli okul sonrası müdahale ve kayıp gözlem nedeniyle saf chatbot etkisi değildir. İngiltere’de 60.000’den fazla gençle yapılan 2025 özbildirimli ankette gençlerin yüzde 66,5’i üretken AI kullandığını, aylık kullanıcıların yüzde 25,1’i çıktıyı yalnızca kopyaladığını, yüzde 42,8’i kontrol ettiğini bildirdi. Bu kullanım oranları beceri testi değildir; öğrenme kanıtının neden önemli olabileceğini gösterir. 11 12 16 53

Bireysel beceri ile iş/hizmet bağlantısı: Kişi önce kendi çözümünü üretir; AI’dan yalnız ipucu, karşı örnek veya hata işareti ister; kaynağı kontrol eder; revizyon günlüğü tutar; 48 saat sonra AI’sız paralel problemi çözer. Bu, öğretmen gelişimi ve okul hizmeti olarak verilebilir; birey için sınav, meslek ve yaşam boyu öğrenme becerisidir. Ürün “ödev yapan bot” değil, öğrenmeyi görünür kılan ölçme ve koçluk sürecidir.

Bugün başlama ve 90 günlük pilot: Tek ders ve tek beceri seçin. İlk iki haftada ön-test, rubrik, veri minimizasyonu ve AI erişimi olmayan öğrenciler için eşdeğer destek planlayın. Sonraki altı hafta 20–30 kişilik grupta haftada iki oturum uygulayın: önce kendi çözümü, sonra ipucu, ardından kaynak kontrolü ve revizyon. Son dört haftada bağımsız puanlama, 48 saat gecikmeli AI’sız test ve yeni bir transfer görevi yapın. Mümkünse mevcut öğretimle eşleştirilmiş kontrol grubu veya basamaklı uygulama kullanın.

Kaliteli sonucun ölçütü: AI açıkken cevap kalitesi değil, gecikmeli AI’sız testte ön-teste göre ilerleme, yeni probleme transfer, yanılgı teşhisi ve doğru kaynak atfı ölçülmelidir. Pilot için önceden, örneğin öğrencilerin en az yüzde 80’inin kaynak atfını doğru yapması ve AI destekli grupta gecikmeli AI’sız sonucun kontrolün altına düşmemesi gibi uygulanabilirlik eşikleri belirlenebilir; bunlar mevcut bilginin evrensel standardı değildir.

Etik ve ekonomik risk: Öğrenci yazılarının model eğitimine girmesi, ücretli araç eşitsizliği, yanlış veya önyargılı geri bildirim, AI’sız testin engellilik ve kaygı farklarını ölçmesi risktir. Veri minimizasyonu, yaşa uygun onam, insan öğretmen denetimi, erişilebilir alternatif ve sınav sonuçlarının damgalayıcı kullanılmaması gerekir.

Hangi gelişme tezi yanlışlar? Uzun dönem izlemli deneyler AI destekli ve AI’sız becerinin aynı ölçüde korunduğunu gösterirse, süreç kanıtı ve AI’sız transferin talebi azalabilir. Tersine, kurumlar değerlendirmeyi tamamen çıktı stiline bağlarsa faaliyet ihtiyacı sürse bile uygulama alanı daralabilir.

4. Dikkat ve Özerklik Laboratuvarı

Kimin gelecekteki ihtiyacını karşılar? Öğrencinin, bilgi çalışanının ve AI’yı duygusal güvence için kullanan kişinin dikkatini, belirsizlik toleransını ve kendi kararının sorumluluğunu koruma ihtiyacını hedefler. Amaç AI’yı yasaklamak değil, kişinin zihinsel işi ne kadar devrettiğini fark etmesi ve gerektiğinde insana veya kliniğe geçmesidir.

Bugünkü kanıt ve talep mekanizması: Genel chatbotların dikkat veya ruh sağlığını uzun vadede bozduğuna dair güçlü, çeşitli grupları kapsayan nedensel kanıt yoktur. Buna karşılık bilişsel dışsallaştırmanın üretim ve geri çağırma pratiğini atlama riski makuldür; Türkiye matematik RCT’si bu riskin görev tasarımına bağlı somut bir örneğini verdi. Özel amaçlı Therabot RCT’si ve Çin CBT chatbot çalışması kısa dönem klinik fayda sinyali taşısa da genel botların psikoterapi eşdeğeri değildir; 14 RCT’li meta-analizde tahmin aralığı geniş ve takip sınırlıydı. 12 17 18 19

Bireysel beceri ile iş/hizmet bağlantısı: Öğrenilecek beceri “dijital detoks” değil; önce kendi yanıtını veya kararını yazma, AI’dan karşı tez isteme, kaynağı doğrulama, son gerekçeyi kendin kaydetme, bildirim/odak sınırı koyma ve gerektiğinde canlı destek aramadır. Üniversite, işyeri, kütüphane veya belediye bunu gönüllü bir okuryazarlık ve erken yönlendirme programı olarak yürütebilir. Klinik tanı veya tedavi sunmamalıdır.

Bugün başlama ve 90 günlük pilot: 15–25 kişilik bir üniversite veya işyeri grubuyla ilk iki hafta etik onay, mahremiyet ve başlangıç ölçümü yapın. Üçüncü-sekizinci haftalarda haftalık oturumlarda gerçek görevlerde “önce kendin, sonra AI, sonra kaynak ve gerekçe” protokolünü uygulayın; katılımcının bireysel günlüğünü kuruma vermeyin. Dokuz-on ikinci haftalarda takip ve bağımsız puanlama yapın. İntihar düşüncesi, psikoz belirtileri, ağır işlev kaybı veya hızlı kötüleşme gibi risklerde bot yerine sağlık profesyoneline ve yerel acil hizmete yönlendirme açık olmalıdır.

Kaliteli sonucun ölçütü: Dikkat kesintisi ve odak özbildirimi tek başına yeterli değildir. Karar gerekçesinin bağımsız puanı, AI yanlışlarını yakalama oranı, güven kalibrasyonu, AI’sız transfer görevi, kaygı/yalnızlıkta kötüleşme olmaması ve profesyonel desteğe yönlendirme ölçülmelidir. Başarılı pilot daha az AI kullanımı değil, daha iyi gerekçelendirme ve güvenli geçiş gösterebilir.

Etik ve ekonomik risk: Psikolojik sorunları bireye yüklemek, çalışanı gözetlemek, hassas günlüklerden çıkarım yapmak ve klinik hizmetin yerini atölyeyle doldurmak risktir. Gönüllülük, veri minimizasyonu, toplu raporlama, uzman gözetimi ve kriz yönlendirmesi zorunlu güvenlik koşullarıdır. Ücretli koçluk, profesyonel sağlık hizmeti gibi pazarlanmamalıdır.

Hangi gelişme tezi yanlışlar? Uzun izlemli bağımsız çalışmalar AI kullanımının dikkat ve karar özerkliği üzerinde anlamlı risk yaratmadığını, aksine odak ve belirsizlik toleransını kalıcı iyileştirdiğini gösterirse laboratuvarın risk azaltma gerekçesi zayıflar. Kurumlar bireysel günlük toplamayı zorunlu kılarsa etik olarak uygulanmamalıdır.

5. Kuşaklar arası düzenli yüz yüze karşılıklılık üyeliği

Kimin gelecekteki ihtiyacını karşılar? Gençlerin, yalnız yaşayan yetişkinlerin, yeni ebeveynlerin, yaşlıların ve taşınmış kişilerin AI’ın sürekli erişilebilir eşliğine rağmen güvenilir insan desteği, aidiyet ve karşılıklı yardım ihtiyacını karşılar. Bu bir “etkinlik uygulaması” değil; aynı küçük grubun tekrar tekrar buluştuğu, birlikte iş yaptığı ve zamanla güven geliştirdiği sosyal altyapıdır.

Bugünkü kanıt ve talep mekanizması: WHO, küresel nüfusun yaklaşık altıda birinin yalnızlık bildirdiğini; oranların gençlerde ve düşük gelirli ülkelerde daha yüksek olduğunu, sosyal bağlantı için park, kütüphane, gönüllülük ve yerel grupların önemini vurguluyor. Kısa AI companion deneyleri anlık yalnızlık azalması gösterebilirken dört haftalık MIT randomize çalışması atanan chatbot biçiminin yalnızlık veya insan etkileşimini değiştirmedi; Stanford’un 2026 kesitsel çalışması küçük çevrimdışı ağ ve yoğun eşlik kullanımını düşük iyi oluşla ilişkilendirdi, fakat nedensellik kanıtlamadı. İhtiyaç bu yüzden yalnız “konuşacak biri” değil, tekrar eden karşılıklılık ve gerektiğinde gerçek insan desteğidir. 25 26 27 28

Bireysel beceri ile iş/hizmet bağlantısı: Katılımcı dinleme, sınır koyma, akran desteği, erişilebilir etkinlik düzenleme ve kriz yönlendirme öğrenir. Belediyeler, kütüphaneler, dernekler, işverenler veya sağlık kurumları ulaşım, hatırlatma ve dil desteğinde AI kullanabilir; buluşmanın kendisini botla ikame etmez. Faaliyet, yalnızlığı “kişisel başarısızlık” saymadan mahalle düzeyinde kamusal hizmet üretir.

Bugün başlama ve 90 günlük pilot: Tek mahallede 40–60 gönüllüyle dört-altı sabit karma yaş grubu kurun. İlk iki haftada güvenlik, çocuk/yaşlı koruma, erişilebilirlik ve ulaşımı tasarlayın. Sonraki sekiz hafta haftada bir ortak yemek, yürüyüş, tamir, bahçe veya hikâye buluşması düzenleyin; AI varsa yalnız hatırlatma, ulaşım ve çeviri için kullanın. Son iki haftada devam, aidiyet, yüz yüze görüşme ve güvenilir destek kişisi değişimini ölçün. Düşük gelirli katılımcılar için burs ve ulaşım desteği sağlayın.

Kaliteli sonucun ölçütü: Üye sayısı veya mesaj hacmi değil; son ay haftalık devam, etkinlik dışı karşılıklı yardım kuranların oranı, doğrulanmış kısa yalnızlık ve aidiyet ölçümü, yüz yüze temas sıklığı, yaş/gelir grupları arasında erişim ve güvenlik olaylarıdır. Karşılaştırma grubu yoksa değişim hizmetin nedensel etkisi diye sunulmamalıdır.

Etik ve ekonomik risk: Katılımcıyı “sorunlu yalnız” diye damgalamak, çocuk/yaşlı güvenliği, kuşaklar arası güç asimetrisi, kültürel dışlama ve gönüllü emeğini profesyonel bakıma ikame etmek risktir. İnsan sorumlu, açık rıza, kriz protokolü, gerektiğinde uzman yönlendirmesi ve mahrem konuşmaların saklanmaması gerekir. Üyelik ücreti düşük veya çapraz sübvansiyonlu olmalıdır.

Hangi gelişme tezi yanlışlar? Uzun dönemli araştırmalar AI companion kullanımının yüz yüze temas ve destek ağını istikrarlı biçimde artırdığını gösterirse, bu hizmetin “AI’a karşı insan topluluğu” gerekçesi zayıflar; yine de yaşlanma, göç ve bakım için yüz yüze altyapı ihtiyacı ayrıca ölçülmelidir.

6. Aile ve KOBİ’ler için doğrulanmış işlem teyidi protokolü

Kimin gelecekteki ihtiyacını karşılar? Yaşlı yakınların, ailelerin, uzaktan çalışanların, muhasebe ve insan kaynakları ekiplerinin acil para, parola, ödeme hesabı değişikliği veya erişim talebini tanıdık ses ve görüntüye güvenmeden teyit etme ihtiyacını karşılar. Bu, yeni bir “deepfake dedektörü” satmak değil; güveni sezgiden işlem rutinine taşımaktır.

Bugünkü kanıt ve talep mekanizması: FTC’nin 2024 için bildirdiği 12,5 milyar doların üzerindeki toplam fraud kaybı, 2025’te 3,5 milyar dolarlık taklitçi dolandırıcılığı ve FBI’ın 2024 için 16 milyar doların üzerindeki internet suçu kaybı AI kaynaklı olarak sınıflandırılamaz; fakat taklit ve sosyal mühendisliğin zaten büyük olduğunu gösterir. FBI, AI’nın ses/video klonlamayla aile ve iş ortağı taklidini ölçekleyebileceği konusunda bağımsız kanal teyidini öneriyor. Hakemli çalışmalar insan kulağının deepfake sesi güvenilir biçimde ayırt edemediğini gösteriyor. 38 39 40 41

Bireysel beceri ile iş/hizmet bağlantısı: Öğrenilecek beceri “sahte sesi sezmek” değil; işlemi durdurmak, gelen numaraya değil önceden bilinen kanala dönmek, ikinci kişiyle ayrı onay almak, MFA kodunu paylaşmamak ve olay kaydı tutmaktır. Bu protokol aile eğitimine, KOBİ prosedür kurulumuna, yıllık tatbikata veya belediye dijital güvenlik hizmetine çevrilebilir. Biyometri veya ücretli dedektör herkes için zorunlu kılınmamalıdır.

Bugün başlama ve 90 günlük pilot: Bir topluluk kuruluşu ve 5–10 KOBİ ile ilk iki haftada mevcut ödeme/parola/değişiklik akışını ve simülasyon başlangıç sonucunu haritalayın. Üçüncü-dördüncü haftada büyük puntolu, telefonla okunabilir Türkçe protokol hazırlayın: acil talepte dur, bilinen numaradan ara, ikinci onay al, MFA kodunu paylaşma. Beşinci-sekizinci haftada aile para transferi, tedarikçi hesabı değişikliği, işe alım mesajı ve kamu kurumu taklidi senaryolarıyla tatbikat yapın. Son dört haftada uyum, teyit süresi, yanlış ret ve erişilebilirlik sorunlarını karşılaştırın.

Kaliteli sonucun ölçütü: Simüle edilmiş yüksek riskli talepte bağımsız teyit uyumu; meşru işlemin yanlış durdurulma oranı; teyit süresi; yaşlı, engelli ve düşük gelirli kullanıcıların erişimi; tatbikat sonrası güven algısı. Gerçek kaybın azalması bu küçük pilotla nedensel olarak kanıtlanamaz.

Etik ve ekonomik risk: Gerçek acil yardımın gecikmesi, hassas teyit kodunun sızması, yaşlıların teknolojiye zorlanması, biyometrik gözetim ve sorumluluğun mağdura bırakılması risktir. Alternatif kanal, zamanla değişen kod, yazılı ve sözlü erişilebilirlik, olay sonrası insan desteği ve hiçbir zaman MFA kodu istememe kuralı gerekir.

Hangi gelişme tezi yanlışlar? Ödeme sistemleri düşük maliyetli ve mahremiyeti koruyan güvenli teyidi varsayılan hâle getirirse, aile/KOBİ için ayrı protokol talebi azalabilir. Tersine, yalnızca dedektörlere güvenmek yanlışlayıcı değil, yeni risk olur; dedektör sonucu bağımsız yetki teyidinin yerini tutmaz.

7. İnsan destekli yaşlı bakım koordinasyonu

Kimin gelecekteki ihtiyacını karşılar? Yaşlı kişinin işlev hedeflerinin, randevu/ilaç/ulaşım adımlarının, sosyal destek ihtiyacının ve aile bakım vereninin yükünün parçalı sağlık ve sosyal hizmetler arasında kaybolmamasını hedefler. AI burada doktor veya aile üyesi değildir; insan koordinatörün özet, hatırlatma, çeviri ve eksik adım işlerinde yardımcısıdır.

Bugünkü kanıt ve talep mekanizması: WHO 60 yaş üstü nüfusun 2020’de 1 milyardan 2030’da 1,4 milyara ve 2050’de 2,1 milyara çıkacağını; 2030’da küresel sağlık işgücünde yaklaşık 11 milyon açık olacağını öngörüyor. WHO ICOPE işlev kaybını, sosyal destek ihtiyacını ve kişiselleştirilmiş planı birinci basamakta görünür kılıyor. MASAI çalışması belirli mamografi iş akışında AI ile saptama ve okuma yükü sonucu verdi; klinik AI çalışmalarının kapsam incelemesi ise hasta açısından anlamlı uzun dönem sonuçların daha sınırlı olduğunu bildirdi. Bu nedenle savunulabilir talep “AI tanı koysun” değil, insan koordinasyonunun idari sürekliliğidir. 34 35 36 13 14

Bireysel beceri ile iş/hizmet bağlantısı: Birey, yaşlıyla hedef belirleme, anlaşılır iletişim, rıza, bakım veren desteği, veri minimizasyonu ve alarmı insana devretme becerisi kazanır. Hemşire, sosyal hizmet uzmanı, aile sağlığı çalışanı veya belediye koordinatörü bu hizmeti yürütebilir; AI yalnız insanın onayladığı düşük riskli metin/hatırlatma işlerinde kullanılmalıdır. İlaç değişikliği, tanı, acil karar ve klinik uygunluk insanda ve ilgili sağlık ekibinde kalır.

Bugün başlama ve 90 günlük pilot: Bir aile sağlığı merkezi, belediye yaşlı birimi, evde bakım kurumu veya dernekle gönüllü küçük grup oluşturun. İlk iki haftada açık rıza, telefon/yüz yüze katılım, hedef ve risk protokolünü tasarlayın. Üçüncü-dördüncü haftada koordinatör eğitimi ve yalnız özet/hatırlatma/çeviri akışını test edin. Beşinci-on ikinci haftada haftalık güvenlik incelemesiyle hizmet verin; AI önerisi her seferinde insan onayından geçsin ve kritik durumda mevcut acil kanala yönelsin.

Kaliteli sonucun ölçütü: Planlanan takiplerin gerçekleşme oranı; gecikmiş randevu ve yanıtsız yönlendirme; yaşlı ve bakım verenin planı anlama puanı; kişinin kendi işlev hedefindeki ilerleme; koordinatör iş yükü; yanlış alarm/kaçırılmış ihtiyaç; güven, mahremiyet ve şikâyetler; yaş, gelir, dil ve engellilik gruplarında kapsama. Bunlar klinik etkinliğin yerine geçmez.

Etik ve ekonomik risk: Yanlış özet, eksik uyarı, aile gözetimi, sağlık verisi sızıntısı, dijital dışlanma ve AI’nın insan bakım emeğine yatırımın yerine geçirilmesi risktir. Veriyi az tutmak, silme ve erişim kuralını açıklamak, dijital olmayan kanal sunmak, bağımsız güvenlik incelemesi ve yaşlı kişinin plan üzerindeki iradesini korumak gerekir. “Daha az koordinatör saati” tek başına başarı değildir.

Hangi gelişme tezi yanlışlar? AI’nın gerçek hayatta bakım planı takibini iyileştirmediği veya yanlış alarm maliyetinin yararı aştığı gösterilirse ölçekleme durmalıdır. Kamu sistemi insan koordinatörlüğünü finansmanla güçlendirirse AI destekli hizmetin ayrı ticari talebi azalabilir; bu başarısızlık değil, daha iyi kamusal model olabilir.

8. Belgelenmiş yerel zanaat ve sözlü tarih atölyeleri

Kimin gelecekteki ihtiyacını karşılar? AI üretimi içerik çoğaldığında ustalık, yerel dil, kuşaklar arası aktarım, aidiyet, tanınma ve kültürel köken ihtiyacını karşılar. Usta, genç ve yaşlı katılımcılar birlikte üretir; AI yalnız erişilebilirlik, çeviri ve izinli arşivleme desteğidir.

Bugünkü kanıt ve talep mekanizması: Kısa hikâye RCT’sinde AI bazı bireylerin yaratıcı puanını yükseltirken AI yardımlı hikâyeler birbirine daha benzerdi; dinamik fikir deneyinde farklı maruziyet tasarımı kolektif çeşitlilikte artış gösterdi. UNESCO, AI’nın miras ve dil korumayı destekleyebileceğini, aynı anda kültürel tek tipleşme ve verinin rıza/atıf/karşılık olmadan kullanılma riskini vurguluyor. UNESCO’nun dilsel erişim verisi yerel dil ve tanıklık ihtiyacının AI’dan önce de büyük olduğunu gösterir. 29 30 31 32

Bireysel beceri ile iş/hizmet bağlantısı: Katılımcı bir zanaat tekniğini, yerel anlatıyı veya sözlü tarihi doğru bağlamda belgelemeyi; usta ise bilgisini ücretli ve rızaya dayalı aktarmayı öğrenir. Kütüphane, müze, okul, kooperatif veya belediye atölye ve arşiv hizmeti sunabilir. “İnsan yapımı”nın her yerde fiyat primi alacağı iddia edilmez; değer, kökenin doğrulanması, katılım ve topluluk kontrolünde sınanır.

Bugün başlama ve 90 günlük pilot: Tek mahalle/köy ve bir yerel kurum seçin. İlk ay 8–12 katılımcı, 2–3 usta, kayıt/izin, hassas bilgi ve gelir paylaşımı kurallarını yazılılaştırın. İkinci ay altı atölye yapın; AI yalnız izinli çeviri, altyazı, erişilebilirlik ve katalog taslağı için kullanılsın. Üçüncü ay topluluk onaylı küçük sergi veya arşiv prototipi açın. Kayıt dışı kalması istenen bilgi hiç kaydedilmemelidir.

Kaliteli sonucun ölçütü: Tekrar katılım ve tamamlanma; ustaya ödenen ücret veya gelir payı; yerel temsilin toplulukça onaylanması; köken kayıtlarının izinli olması; aktarılmış becerinin gösterilmesi; yerel dil ve erişilebilirlik. Takipçi sayısı veya üretilen içerik sayısı tek başına başarı değildir.

Etik ve ekonomik risk: Hassas kültürel bilginin ifşası, folklorun egzotikleştirilmesi, ücretsiz usta emeği, adaletsiz gelir dağılımı ve arşivin izinsiz AI eğitiminde kullanılması risktir. Ayrı ve geri alınabilir izin, erişim kısıtı, veri silme talebi, ücret şeffaflığı ve topluluk gözetimi gerekir.

Hangi gelişme tezi yanlışlar? Otomatik çeviri ve içerik araçları yerel toplulukların kontrolünde gerçekten daha iyi erişim ve aktarım sağlarsa insan arabuluculuğuna talep azalabilir. Kültür kurumları ve kullanıcılar köken/katılımcılık yerine sürekli hız ve düşük fiyatı seçerse atölye ekonomik olarak büyümeyebilir; pilotun amacı bu talebi varsaymak değil ölçmektir.

9. Veri ve ajan yetki defteri ile insan incelemesi ve itiraz masası

Kimin gelecekteki ihtiyacını karşılar? Çalışanın, öğrencinin, tüketicinin, velinin veya yurttaşın verisinin hangi amaçla kullanıldığını bilme; adına işlem yapan ajanın yetkisini sınırlama ve geri alma; hatalı kararı durdurup gerçek bir insanla düzelttirme ihtiyacını karşılar. Gelecekte “AI kullandık” beyanından daha önemli soru, “hangi veriyle hangi kararı aldı, kim itirazı inceledi ve karar gerçekten değişti mi?” olabilir.

Bugünkü kanıt ve talep mekanizması: OECD’nin 6.000’den fazla firmalı işveren anketinde yöneticilerin yüzde 28’i yanlış kararda sorumluluk belirsizliğini, yüzde 27’si karar mantığını izleyememeyi kaygı olarak bildirdi; yüzde 60 karar kalitesinde iyileşme gördü. Bu yarar ve kaygının birlikte görüldüğü, fakat çalışan deneyimini ve nedenselliği ölçmeyen bir ankettir. GDPR Madde 22’nin sınırlı otomatik karar koruması, KVKK’nın veri minimizasyonu ve bilgi/itiraz tavsiyesi, UNICEF’in çocuklar için hesap verebilirlik ilkeleri, “hak var” ile “hak kullanılabiliyor” arasındaki farkı görünür kılar. 46 47 48 49

Bireysel beceri ile iş/hizmet bağlantısı: Öğrenilecek beceri veri akış haritası, dar yetki matrisi, süre/limit belirleme, işlem günlüğü, insan incelemesi ve karar düzeltme sürecidir. Bir çalışan bunu kurum içinde denetim ve uyum rolünde kullanabilir; kooperatif, kamu birimi veya hizmet sağlayıcı ise başvuru/itiraz masası kurabilir. Hukuk danışmanlığı değildir; sektör ve ülke hukukuna göre uzman incelemesi gerekir.

Bugün başlama ve 90 günlük pilot: Tek bir kullanım alanı seçin: işe alım ön elemesi, görev dağılımı, müşteri hesabı veya çocuklara yönelik okul hizmeti. İlk 30 günde veri kaynağı, amaç, saklama, üçüncü taraf/alt ajan, erişen rol ve kişi grubu haritasını çıkarın. 31–60. günlerde salt-okuma, taslak, sınırlı işlem ve yüksek etkili işlem izinleri; işlem günlüğü, tek hamlede iptal, başvuru alındısı ve insan inceleme akışı kurun. 61–90. günlerde sentetik hatalar ve gönüllü gerçek vakalarla karar düzeltme, çözüm süresi ve farklı gruplardaki erişimi test edin. Çocuklarla testte veri minimumda tutulmalı ve uygun etik/veli güvencesi alınmalıdır.

Kaliteli sonucun ölçütü: İnsan incelemesine erişebilen başvuru oranı; başvuru alındısı ve çözüm süresi; ilk incelemede düzeltilen hatalı karar oranı; gerekçenin anlaşılabilirliği; yetkisiz erişim/eylem; iptal sonrası erişimin kesilme süresi; yaş, gelir, dil ve engellilik gruplarında itirazı tamamlama ve düzeltme farkı. Daha az itiraz sayısı otomatik olarak daha iyi değildir; erişilebilir arayüz daha çok haklı başvuruyu görünür kılabilir.

Etik ve ekonomik risk: Kurumun günlüğü çalışan gözetimine, müşteri puanlamasına veya misillemeye dönüşebilir. İnsan incelemeci iş baskısıyla AI önerisini yalnız imzalayan bir noktaya düşebilir; hakların ücretli “premium” hizmete dönüşmesi eşitsizlik yaratır. Veri minimizasyonu, rol ayrımı, bağımsız inceleme, etkilenen grupların katılımı ve hatalı karar için telafi gerekir.

Hangi gelişme tezi yanlışlar? Ajan kullanımı dar kalır, kritik işlemler ajanlara hiç verilmez veya sağlayıcılar güvenilir ve kullanıcı kontrollü işlem günlüğünü varsayılan sunarsa ayrı bir yetki defteri hizmetine talep azalabilir. Buna rağmen yüksek etkili kararlarda fiilî itirazın ölçülmesi, hukuk ve kamu görevi olarak kalabilir.

10. Küçük işletmeler ve savunmasız gruplar için yerel, düşük maliyetli ve çevrimdışı AI

Kimin gelecekteki ihtiyacını karşılar? Bağlantısı, elektriği, cihazı veya bütçesi eşitsiz olan hane, KOBİ, kütüphane, kooperatif ve kırsal kamu hizmetinin kesinti anında temel işini sürdürebilme ihtiyacını karşılar. Bu faaliyet “herkes kendi modelini kursun” değil; dar, düşük riskli görevlerde yerel/önbellekli çözüm ile insan devrini birlikte sınama önerisidir.

Bugünkü kanıt ve talep mekanizması: ITU 2025’te 2,2 milyar kişinin çevrimdışı olduğunu; internet kullanımının yüksek gelirli ülkelerde yüzde 94, düşük gelirli ülkelerde yüzde 23, kentsel alanda yüzde 85 ve kırsalda yüzde 58 olduğunu bildirdi. 5G kapsaması düşük gelirli ülkelerde yüzde 4 düzeyindeydi ve düşük/orta gelirli ülkelerin yaklaşık yüzde 60’ında mobil geniş bant karşılanabilir değildi. IEA veri merkezi talebinin küresel payı sınırlı olsa da yerel şebeke darboğazlarını ve proje gecikmelerini vurguluyor. Aynı anda Stanford AI Index çıkarım fiyatında yaklaşık 280–286 kat düşüş bildirdi; bu küçük modelin her cihazda daha ucuz veya aynı kaliteli olduğunu kanıtlamaz, fakat seçmeli yerel/çevrimdışı kullanım için ekonomik alan açabilir. 51 50 1

Bireysel beceri ile iş/hizmet bağlantısı: Öğrenilecek beceri küçük model kurmaktan önce görev seçimi, yerel veri temizliği, dil/lehçe testi, ağ kesintisi planı, açık AI bildirimi ve insan devralmadır. Belediye, kütüphane veya KOBİ yalnız randevu saatleri, kurum prosedürü, ürün kataloğu veya düşük riskli bilgi arama gibi dar görevleri seçebilir. Kritik sağlık, sosyal yardım, kredi veya güvenlik kararları yerel botun tek başına yetkisine verilmemelidir.

Bugün başlama ve 90 günlük pilot: Bir belediye, kütüphane, kooperatif veya KOBİ ağı tek bir düşük riskli rutin seçsin. İlk 30 gün insan baz çizgisi, kaynak belgeler, yerel dil/lehçe örnekleri, cihaz/enerji ve toplam maliyet kaydı oluşturulsun. 31–60. günlerde mevcut donanımda küçük/yerel model, önbellek ve insan devriyle çevrimdışı deneme yapılsın. 61–90. günlerde internet ve elektrik kesintisi, zayıf bağlantı, eski/eksik veri ve kötü niyetli yerel erişim senaryolarında bulut ve yerel çözüm karşılaştırılsın. Kullanıcıya açıkça “AI destekli bilgi” denmeli ve telefon/yüz yüze insan kanalı korunmalıdır.

Kaliteli sonucun ölçütü: Çevrimdışı tamamlanan görev oranı; kritik yanlış yanıt ve insan devri yüzdesi; yerel dil/lehçe kullanıcıları arasındaki doğruluk farkı; kullanıcı başına enerji ve toplam sahip olma maliyeti; kesintide hizmet süresi; erişilebilirlik ve memnuniyet; veri ihlali/izinsiz aktarım vakaları. Token başına maliyet veya benchmark puanı tek başına yeterli değildir.

Etik ve ekonomik risk: Yerel model eski veya yanlış bilgi üretebilir; düşük kaynaklı dil hatası artabilir; cihazda veri tutmak siber riski sıfırlamaz. Donanım yenileme, pil ve elektronik atık verimlilik kazancını azaltabilir. Çevrimdışı hizmet kamuya karşı insan desteği yükümlülüğünü ortadan kaldırmamalı; modelin sınırı, itiraz yolu ve güncelleme tarihi açık olmalıdır.

Hangi gelişme tezi yanlışlar? Ucuz, yüksek kaliteli ve çoklu-bölge yedekli geniş bant tüm gruplara hızla ulaşırsa çevrimdışı ihtiyaç azalabilir. Tersine, yerel modellerin buluttan her koşulda daha az enerji kullandığı veya aynı kaliteyi verdiği gösterilmezse pilot bu iddiayı doğrulamamalı; asıl ölçüt dayanıklılık, mahremiyet ve toplam maliyet olmalıdır.

Kısa tercih ve önceliklendirme

Kaynakları sınırlı bir kişi veya kurum için ilk öncelik, öğrenmeyi ve yetkiyi koruyan iki düşük maliyetli davranış olmalıdır: AI ile öğrenip AI olmadan kanıtlamak ve yüksek etkili talepleri bağımsız kanaldan teyit etmek. Bir kurum için önce delegasyon tasarımı ile veri/ajan yetki defteri birlikte kurulmalı; çünkü hız ölçülmeden ve itiraz yolu açılmadan yapılan otomasyon güvenilir biçimde değerlendirilemez. Kamu veya mahalle düzeyinde ise yaşlı bakım koordinasyonu, kuşaklar arası yüz yüze karşılıklılık ve çevrimdışı hizmet daha acil olabilir. Yerel zanaat ve kültür atölyesi, ekonomik getiriden önce aidiyet, aktarım ve topluluk kontrolü amacıyla seçilmelidir. Her durumda 90 günlük küçük pilot, açık durdurma eşiği, bağımsız insan incelemesi ve gelir/yaş/dil/engellilik farklarının ölçümü, geleceği tahmin etmekten daha güvenilir bir başlangıçtır.

Kaynaklar

[1] Stanford HAI, Artificial Intelligence Index Report 2025

[2] The Rapid Adoption of Generative AI, NBER Working Paper 32966

[3] OECD, The Adoption of Artificial Intelligence in Firms: New Evidence for Policymaking

[4] METR, Task-Completion Time Horizons of Frontier AI Models, 8 Mayıs 2026 güncellemesi

[5] Kwa ve arkadaşları, Measuring AI Ability to Complete Long Software Tasks, arXiv v3

[6] METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity

[7] Peng ve arkadaşları, The Impact of AI on Developer Productivity: Evidence from GitHub Copilot

[8] Brynjolfsson, Li ve Raymond, Generative AI at Work, Quarterly Journal of Economics

[9] OpenAI, Why SWE-bench Verified no longer measures frontier coding capabilities

[10] Towards a Science of AI Agent Reliability, arXiv v2

[11] AI tutoring outperforms in-class active learning

[12] Generative AI without guardrails can harm learning: Evidence from high school mathematics

[13] Hernström ve arkadaşları, Screening performance and characteristics of breast cancer detected in the MASAI trial

[14] Han ve arkadaşları, Randomised controlled trials evaluating artificial intelligence in clinical practice: a scoping review

[15] Xu ve arkadaşları, A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial

[16] World Bank, From Chalkboards to Chatbots: Evaluating the Impact of Generative AI on Learning Outcomes in Nigeria

[17] Randomized Trial of a Generative AI Chatbot for Mental Health Treatment

[18] Effect of a Cognitive Behavioral Therapy–Based AI Chatbot on Chinese University Students

[19] Generative AI Mental Health Chatbots as Therapeutic Tools: Systematic Review and Meta-analysis

[20] ILO, Generative AI and jobs: A global analysis of potential effects on job quantity and quality

[21] OECD, Artificial Intelligence and the Labour Market in Korea

[22] Humlum ve Vestergaard, Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI

[23] Stanford SIEPR, What is really happening to jobs? Separating AI hype from reality

[24] World Economic Forum, The Future of Jobs Report 2025

[25] WHO Commission, From loneliness to social connection: charting a path to healthier societies

[26] De Freitas ve arkadaşları, AI Companions Reduce Loneliness

[27] MIT Media Lab, How AI and Human Behaviors Shape Psychosocial Effects of Extended Chatbot Use

[28] Stanford Report, AI companions may worsen loneliness for vulnerable users

[29] Doshi ve Hauser, Generative AI enhances individual creativity but reduces the collective diversity of novel content

[30] Ashkinaze ve arkadaşları, How AI Ideas Affect the Creativity, Diversity, and Evolution of Human Ideas

[31] UNESCO Independent Expert Group, Artificial Intelligence and Culture

[32] UNESCO, New report on multilingual education and inclusion

[33] U.S. Copyright Office, Copyright and Artificial Intelligence, Part 2: Copyrightability

[34] WHO, Ageing and health

[35] WHO, Health workforce

[36] WHO, Integrated care for older people (ICOPE ), second edition

[37] Li ve arkadaşları, The Developments and Challenges towards Dexterous and Embodied Robotic Manipulation: A Survey

[38] FTC, New FTC Data Show a Big Jump in Reported Losses to Fraud to $12.5 Billion in 2024

[39] FTC, FTC Data Show People Reported Losing $3.5 Billion to Imposter Scams in 2025

[40] FBI, Annual Internet Crime Report

[41] FBI, Warns of Increasing Threat of Cyber Criminals Utilizing Artificial Intelligence

[42] Warning: Humans cannot reliably detect speech deepfakes

[43] Audio Deepfake Detection: What Has Been Achieved and What Lies Ahead? A Systematic Review

[44] European Commission, Timeline for the Implementation of the EU AI Act

[45] Regulation (EU ) 2026/1744, Digital Omnibus on AI

[46] OECD, Algorithmic management in the workplace: New evidence from an OECD employer survey

[47] GDPR Article 22: Automated individual decision-making, including profiling

[48] KVKK, Recommendations on the Protection of Personal Data in the Field of Artificial Intelligence

[49] UNICEF Innocenti, Guidance on AI and children, Version 3.0

[50] IEA, Energy and AI: Executive summary

[51] ITU, Facts and Figures 2025

[52] Cai ve arkadaşları, Efficient Inference for Edge Large Language Models: A Survey

[53] National Literacy Trust, Young people and teachers’ use of generative AI to support literacy in 2025

[54] David Rein, METR researcher interview on task time horizons

[55] PBS NewsHour/Horizons, Can AI companionship cure loneliness – or deepen it?

[56] International Energy Agency, Global Conference on Energy & AI

[57] Stanford HAI, Artificial Intelligence Index Report 2026; teknik performans ve ajan değerlendirmeleri

[58] Gmyrek ve arkadaşları, ILO–NASK, Generative AI and Jobs: A Refined Global Index of Occupational Exposure, 2025