- Yapay zekanın en çok tehdit ettiği kesim düşük gelirli çalışanlar değil, yüksek eğitimli ve yüksek ücretli meslekler: Yapay zeka kaynaklı etki, "kolay işler"e değil "iyi işler"e önce ulaşıyor
- Programcılar en fazla maruz kalan meslek grubu olarak 1. sırada. Kapsama oranı %75 ile tüm meslekler içinde en üst sırada; buna karşın kodlama ajanlarını en yoğun kullananların da geliştiricilerin kendisi olması paradoksal bir durum yaratıyor
- Yapay zeka nedeniyle işten çıkarılan kimse henüz yok, ancak yeni mezun ve giriş seviyesi işe alım kapısı sessizce kapanıyor: Yapay zeka, mevcut çalışanları çıkarmak yerine yeni alım yapmayarak insanların yerini alıyor
- Teoride yapay zekanın ikame edebileceği işlerin büyük kısmı hâlâ fiilen ikame edilmiş değil: Bilgisayar ve matematik mesleklerinde teorik kapsama %94 iken gerçek oran yalnızca %33. Bu da önümüzde doldurulacak alanın ne kadar büyük olduğuna dair bir uyarı
- Kadınlar ve yüksek eğitimliler, yapay zeka kaynaklı ikame riskine daha fazla maruz kalıyor; kadın oranı 16 yüzde puan daha yüksek. Yaygın kanının aksine, veriler yapay zekanın "erkek mavi yaka işleri"nden çok farklı bir kesimi etkilediğini gösteriyor
Temel bulgular (Key Findings)
- "Gözlenen maruziyet (observed exposure)", LLM'lerin teorik kapasitesi ile gerçek kullanım verilerini birleştirerek otomasyon odaklı iş kullanım düzeyini ölçen bir gösterge
- Otomatikleştirilmiş kullanım ve işle ilgili kullanıma daha yüksek ağırlık veriliyor
- Gerçek yapay zeka kullanımı, teorik kapasitenin yalnızca bir kısmını yansıtıyor; yapay zekanın yapabildiği görevlerin gerçekte kullanılan oranı düşük
- Maruziyeti yüksek mesleklerde, ABD Çalışma İstatistikleri Bürosu'nun (BLS) 2034'e kadar öngördüğü istihdam büyümesi daha düşük görünüyor
- Yüksek maruziyetli mesleklerde çalışanlar, ortalama olarak daha yüksek kadın oranına, daha yüksek eğitim seviyesine, daha yüksek ücrete ve daha ileri yaşa sahip
- 2022 sonundan bu yana işsizlikte sistematik bir artışa dair kanıt yok, ancak gençlerde yeni işe alımın yavaşladığı gözleniyor
Araştırmanın arka planı ve amacı
- Yapay zekanın işgücü piyasasına etkisini ölçmeye ve tahmin etmeye yönelik çalışmalar hızla artsa da, geçmiş yaklaşımların tahmin doğruluğunda sınırlılıklar vardı
- Offshoring'e kırılgan sayılan işlerin yaklaşık %25'inin 10 yıl sonra da güçlü istihdam büyümesini sürdürmesi bunun temsilî örneklerinden biri
- Endüstriyel robotların istihdam etkisine dair çalışmalar çelişkili sonuçlar veriyor; Çin kaynaklı ticaret şokunun yol açtığı iş kaybının boyutu da hâlâ tartışmalı
- Bu araştırmanın amacı, yapay zekanın istihdam üzerindeki etkisini ölçmek için bir yaklaşım oluşturmak ve yeni veriler geldikçe analizi düzenli olarak güncellemek
- Yapay zekanın etkisi tam netleşmeden önce bir çerçeve kurmak, sonradan yapılan analizlere kıyasla ekonomik sarsıntıları daha güvenilir biçimde tespit etmeyi mümkün kılıyor
Nedensel çıkarım ve karşıolgusal karşılaştırmalar (Counterfactuals)
- COVID-19 gibi etkinin büyük ve ani olduğu durumlarda nedensel çıkarım kolaydır; ancak yapay zekanın etkisi, internetin yaygınlaşması ya da Çin ticaret şoku gibi, toplulaştırılmış verilerde hemen görünmeyebilir
- Genel yaklaşım, yapay zeka maruziyeti yüksek mesleklerle düşük maruziyetli mesleklerin sonuçlarını karşılaştırarak karıştırıcı değişkenlerden bağımsız AI etkisini ayırmaktır
- Bu çalışma da görev tabanlı yaklaşımı izliyor; teorik yapay zeka yetenek ölçümleri ile gerçek kullanım verilerini birleştirip bunları meslek düzeyinde toplulaştırıyor
Maruziyetin ölçülme yöntemi
- Üç veri kaynağı birleştiriliyor:
- O*NET veritabanı: ABD'deki yaklaşık 800 meslek için iş görevleri listesi
- Anthropic Economic Index temelli gerçek Claude kullanım verileri
- Eloundou et al. (2023) tarafından görev bazında hesaplanan teorik maruziyet tahminleri (β): LLM bir görevin hızını 2 kat veya daha fazla artırabiliyorsa 1, ek araç gerekiyorsa 0.5, mümkün değilse 0
- Teorik olarak mümkün olan görevlerin pratikte kullanılmamasının nedenleri arasında model sınırlamaları, hukuki kısıtlar, yazılım gereksinimleri ve insan doğrulama adımları yer alıyor
- Örneğin: "Eczaneye reçete bilgisini iletmek ve ilacın yeniden reçetelenmesini onaylamak" görevi teorik maruziyette β=1 olsa da gerçek Claude kullanımında gözlenmiyor
- Teorik maruziyet ile gerçek kullanım arasında yüksek korelasyon var; önceki 4 Economic Index raporunda gözlenen görevlerin %97'si β=0.5 veya β=1 kategorisine giriyor
Gözlenen maruziyet (Observed Exposure) göstergesi
- Gözlenen maruziyet, LLM'lerin teorik olarak hızlandırabileceği görevler içinde, gerçek iş ortamında otomatik biçimde kullanılan payı nicelendiriyor
- Bir mesleğin maruziyetinin yüksek sayılması için şu koşullar öne çıkıyor:
- İlgili görevin teorik olarak AI ile yapılabilir olması ve Anthropic Economic Index'te anlamlı kullanım sıklığı göstermesi
- İşle ilgili bağlamda kullanılması
- Otomasyon oranının yüksek olması ya da API uygulaması şeklinde kullanılması (otomasyon tam ağırlık, destekleyici kullanım yarım ağırlık alıyor)
- Yapay zekadan etkilenen görevlerin toplam iş yükü içindeki payının büyük olması
- Teorik kapsama (mavi) ile gerçek gözlenen maruziyet (kırmızı) arasındaki fark büyük; yapay zeka, teorik kapasitesinin hâlâ oldukça gerisinde
- Computer & Math meslek grubu: teorik kapsama %94, gerçek kapsama %33
- Office & Admin meslek grubu: teorik kapsama %90
En yüksek maruziyete sahip meslekler
- Gözlenen maruziyete göre ilk 10 meslek içinde ilk 3 sıra:
- Computer Programmers: kapsama %75 (Claude kodlama işlerinde yaygın biçimde kullanılıyor)
- Customer Service Representatives: 1st-party API trafiğinde ana görevler artış eğiliminde
- Data Entry Keyers: kaynak belgeleri okuyup veri girme gibi ana görevlerde otomasyon belirgin; kapsama %67
- Tüm çalışanların %30'unun kapsaması 0, yani görevler asgari eşik seviyesine ulaşmıyor
- Bu gruba örnekler: aşçılar, motosiklet tamircileri, cankurtaranlar, barmenler, bulaşıkçılar, vestiyer görevlileri
Maruziyet ile BLS istihdam görünümü arasındaki ilişki
- BLS'nin 2024-2034 dönemine ilişkin meslek bazlı istihdam büyüme tahminleriyle gözlenen maruziyet karşılaştırıldığında, maruziyet arttıkça büyüme beklentisinin zayıfladığı görülüyor
- Kapsamadaki her 10 yüzde puanlık artış için, BLS büyüme tahmini 0.6 yüzde puan düşüyor (istihdam düzeyi ağırlıklı regresyona göre)
- Eloundou et al.'nin teorik β göstergesi tek başına bu korelasyonu göstermiyor → bu da gözlenen maruziyetin bağımsız olarak daha güçlü bir öngörü göstergesi olabileceğine işaret ediyor
Yüksek maruziyetli mesleklerde çalışanların demografik özellikleri
- ChatGPT'nin çıkışından hemen önceki dönem (Ağustos-Ekim 2022) baz alınarak, maruziyetin üst %25'lik dilimi ile maruziyeti %0 olan grup karşılaştırıldığında:
- Yüksek maruziyetli grupta kadın olasılığı 16 yüzde puan daha yüksek
- Beyaz olma olasılığı 11 yüzde puan daha yüksek, Asyalı olma olasılığı ise yaklaşık 2 kat
- Ortalama ücret %47 daha yüksek
- Lisansüstü mezun oranı: maruziyetsiz grupta %4.5, yüksek maruziyetli grupta %17.4 (yaklaşık 4 kat fark)
İşsizlik analizi sonuçları
- Analizde öncelikli gösterge olarak işsizlik oranının seçilmesinin nedeni, çalışmak istediği hâlde iş bulamayan durumu en doğrudan yakalaması
- 2016'dan sonraki işsizlik eğilimlerine bakıldığında, COVID-19 döneminde maruziyetsiz grubun (yüz yüze işlerin yoğun olduğu kesim) işsizliği çok daha sert yükseldi
- ChatGPT'nin çıkışından sonra yüksek maruziyetli grubun işsizlik değişimi istatistiksel olarak anlamlı değil (hafif artış olsa da sıfırdan ayırt edilemeyecek düzeyde)
- Bu çerçevenin tespit edebileceği senaryo örnekleri:
- En üst %10'luk kesimin tamamı işten çıkarılırsa, bu grubun işsizliği %3'ten %43'e, toplam işsizlik %4'ten %13'e çıkar
- "Beyaz yaka büyük durgunluğu" senaryosu da (üst %25'in işsizliğinin %3'ten %6'ya ikiye katlanması) bu analizle saptanabilir
Gençlerde işe alım yavaşlamasının işaretleri
- Brynjolfsson et al. (2025), 22-25 yaş arası çalışanlarda yüksek maruziyetli mesleklerde istihdamın %6 ila %16 azaldığını, bunun da esas olarak işten çıkarmalardan değil işe alımın azalmasından kaynaklandığını belirtiyor
- Bu araştırmada yüksek maruziyetli mesleklerde gençlerin işsizlik oranı ise yatay seyrediyor
- İşe alımdaki düşüş işsizlik oranına yansımayabilir: çünkü birçok genç yeni girişimci/aday CPS'te meslek kaydı oluşturmayabilir ya da işgücü piyasasından tamamen çıkabilir
- CPS panel verileri kullanılarak 22-25 yaş grubunun yeni işe giriş oranı, yüksek maruziyetli ve düşük maruziyetli meslekler için ayrı ayrı izlendi
- 2024'ten itibaren yüksek maruziyetli mesleklere giriş oranı görsel olarak düşmeye başlıyor
- Düşük maruziyetli mesleklerde aylık işe giriş oranı %2 ile istikrarlı; yüksek maruziyetli mesleklerde ise giriş oranı yaklaşık 0.5 yüzde puan azalmış durumda
- ChatGPT sonrası dönem için ortalama tahmin: 2022'ye kıyasla yüksek maruziyetli mesleklerde işe giriş oranı %14 düştü (istatistiksel olarak ancak sınırda anlamlı)
- 25 yaş üzerindeki çalışanlarda benzer bir düşüş gözlenmiyor
- Yine de alternatif yorumlar mümkün: işe alınmayan gençler mevcut işlerinde kalmış, başka mesleklere yönelmiş ya da eğitime geri dönmüş olabilir
Araştırmanın sınırlamaları ve gelecek planları
- Şu anda kullanılan Eloundou et al. göstergesinin, 2023 başındaki LLM yetenek düzeyine göre güncellenmesi gerekiyor
- İleride Claude kullanım verileri sürekli yansıtılarak görev ve meslek bazında kapsama eğilimleri güncellenecek
- Yüksek maruziyetli alanlardan mezun olan yeni mezunların işgücü piyasasında nasıl tepki verdiğini izlemek temel takip başlıklarından biri olacak
- Bu çerçeve, başka kullanım verileri ve diğer ülkelerin bağlamlarına da genişletilebilir
1 yorum
Hacker News görüşleri
Son 10 yıldır Big Tech'te çalışıyordum, bir ay önce ayrıldım
Şirket dışında çalışınca üretkenliğimin 50 kat arttığını hissediyorum
Yapay zekanın üretkenlik üzerindeki etkisine bakınca, LLM'ler (1) boilerplate kod yazma, (2) diller arası kod dönüştürme, (3) yeni kavramları öğrenme ve özetleme, (4) dokümantasyon gibi basit işlerde güçlü
Ama büyük şirketlerde bunlar o kadar sık olmuyor. Zamanın çoğu toplantılar ve sistem entegrasyonuyla geçiyor
Yapay zeka bana gerçekten sadece hackathon sırasında yardımcı oldu. Onun dışında aksine işi artırdı
Buna karşılık bağımsız çalışırken dört alanın hepsinde de büyük bir üretkenlik artışı hissediyorum. Hukuki sorunlar ya da dağıtım bug'ları konusunda da daha az endişe var
Sonuçta, yapay zeka onu “kimin kullandığına” bağlı olarak oyunu değiştiren bir şey de olabilir, olmayabilir de
Ama yapay zekaya hayatınızın root access'ini verirseniz geriye sadece hayal kırıklığı kalır. Yapay zekanın her zaman mimarın kontrolüne ihtiyacı var
Ben yapay zekaya e-posta yazdırıyorum ama gönder tuşuna kendim basıyorum. Veriye erişmesine izin veriyorum ama nihai kararı ben veriyorum
MongoDB döneminden aldığım ders sayesinde yeni teknolojilere temkinli yaklaşıyorum. Şu an Elixir ile doğrudan wrapper yazdım, Ash framework ve Phoenix ile otomasyon kurdum
Birden fazla modeli paralel kullanarak tek bir şirketin tüm verilerimi bilmesini engelliyorum. Asıl mesele gizlilik
Ama büyük şirketlerde kod yazmak toplam işin yaklaşık %20'si, kalan %80 hâlâ darboğaz
Yapay zekayla üretkenlik artışı hissetmediğini söyleyenlere şunu sormak istiyorum: Tam olarak nerede tıkanıyorsunuz?
Önceki yorumumda iş akışımı anlattım; legacy codebase'lerde bile adımların yarısını azalttım
Artık neredeyse hiç doğrudan kod yazmıyorum, sadece LLM'in önerdiği değişiklikleri gözden geçiriyorum. Sonuçlar korkutucu derecede iyi
İş hızlandıysa daha fazla iş yapılır. Geliri topluluğa geri kazandırıp gerçek değer üretiyoruz
Ama karmaşık kodlarda tam tersine kalite düşüşüne yol açıyor. Bakımı yapılabilir kod istiyorsanız kendiniz yapmanız daha iyi
İlk implementasyon hızlıydı, ama debugging aşaması muhtemelen çok daha uzun sürecek
Talimatları yok sayıp kod temizliğini berbat ettiği için maliyet 5 kat arttı
Yine de Aralık'tan beri iyileştiği söyleniyor, ben de tekrar denemeyi düşünüyorum
Hâlâ Stack Overflow yerine geçecek seviyede kalıyor
Benim işim kod yazmaktan çok operasyon ve bakım tarafında
Şimdiye kadar yapay zeka işimi neredeyse hiç etkilemedi. Hatta Docker çok daha büyük bir değişim yarattı
Temel fonksiyonları bile yanlış yazıyor, mantık hataları da sık
Cloud, Terraform, Ansible gibi teknolojiler çok daha büyük dönüşüm sağladı
Wiki maddesinde olduğu gibi, teknoloji görünür ama istatistiklere yansımadığı bir dönem
Artık PM ve engineering manager azaltımını bile değerlendiriyoruz. 35 yıllık kariyerimde gördüğüm en büyük değişim bu
Küçük bir STK olduğumuz için yapay zeka sayesinde aynı bütçeyle daha fazla iş yapıyoruz. Bu sayede öğrenme hızı ve kalite de arttı
Ama iş miktarı azalmıyor. Aksine daha fazla iş yapar hâle geliyoruz
Geliştirici olarak üretkenliğim iki katına çıktı ama iş yükü aynı kaldı
Beklentiler de aynı oranda yükseldiği için sonuçta sadece takvim sıkıştı
Şu anda yürüttüğüm proje, yapay zeka olmadan denemeye bile kalkışamayacağım büyüklükte
Ama yine de LLM çıktısına tamamen güvenmiyorum. SwiftLint çalıştırmaya bile çekiniyorum
Buna rağmen proje hızı inanılmaz arttı. Eskiden 2 yıl sürecek bir işin yarıdan fazlasını bir ayda bitirdim
Yapay zekanın gerçek etkisinin büyük olmadığını düşünüyorum
Yapay zekayı iyi kullananlar biraz daha üretken oluyor ama bunu gösterirseniz iş yükünüz 10 kat artıyor
Asıl değişim indie geliştiriciler veya freelancer'lar için geçerli
Yapay zeka ürünü satan şirketlerin söylediklerine güvenmiyorum
Pazarlama departmanındaki bir iş arkadaşım, şirket onaylı LLM (Gemini) ile sadece sahte işler yapıyor,
gerçek işleri ise kişisel hesabındaki Claude ile hallediyor
Nedeni, şirketin prompt'ları toplayıp kendisinin yerine geçecek bir modeli eğitmesinden korkması
Şirkette junior işe alımı durduruldu
Artık onların yaptığı işleri yapay zekaya vermek daha verimli
Ancak bu geçici bir uyum dönemi. İleride uzmanlığın biçimi değişince işe alımlar yeniden başlayacaktır
Sorun yapay zeka değil, gelir yapısı gibi makroekonomik etkenler
Acaba Claude log'larında etkiyi sadece maruz kalma sıklığından mı tahmin ettiler diye merak ediyorum
Bu, yılan yağı satıcısının kendi müşterilerini inceleyip “doktora gerek yok” demesine benziyor
Veri yorumunun dayandığı varsayım baştan sona çarpık