Üretken bireyler üretken şirketler yaratmaz
(x.com/gsivulka)- Yapay zeka bireysel üretkenliği 10 kat artırdı, ancak buna paralel olarak değeri 10 kat artan bir şirket olmadı; peki artan üretkenlik nereye gitti?
- 1890'larda elektriğin devreye girdiği dönemde New England tekstil fabrikaları buhar motorlarını elektrik motorlarıyla değiştirdi, ancak 30 yıl boyunca çıktı neredeyse hiç artmadı; kâr ancak 1920'lerde fabrikalar montaj hattı merkezli olarak yeniden tasarlandıktan sonra ortaya çıktı
- Sonuçlar teknolojinin kendisinden değil, teknoloji ve organizasyonun (institution) birlikte yeniden tasarlanmasından doğdu; 2026'da yapay zeka da hâlâ "yalnızca motoru değiştirip fabrikayı yeniden tasarlayamamış" durumda
- Yapay zeka ürünlerinin çoğu yalnızca üretkenlik hissi veriyor, ama gerçek değeri hareket ettiremiyor; üretken organizasyonlar için Institutional Intelligence (kurumsal zeka) gerekli
- Institutional AI ile Individual AI'ı ayıran 7 unsur, önümüzdeki 10 yılda B2B yapay zeka şirketlerinin temelini oluşturacak
Kaybolan üretkenlik: temel soru
- Yapay zeka herkesi 10 kat daha üretken hale getirdi, ama bunun sonucu olarak 10 kat daha değerli hale gelen şirket yok
- "Artan üretkenlik nereye gitti?" sorusu, yazının tamamının çıkış noktası
- Bu ilk kez yaşanan bir durum değil; elektriğin benimsenme döneminde aynı şey daha önce de yaşandı
Tarihsel ders: 1890'larda tekstil fabrikalarının elektrifikasyonu
- 1890'larda elektrik muazzam bir üretkenlik artışı vaat ediyordu ve New England'daki, döner gücü buhar motorundan alan tekstil fabrikaları daha hızlı elektrik motorlarını doğrudan mevcut düzenin yerine kurdu
- Ancak 30 yıl boyunca elektriklenen fabrikaların çıktısı neredeyse hiç artmadı; teknoloji çok daha üstündü ama organizasyon öyle değildi
- Ancak 1920'lere gelindiğinde fabrika baştan sona yeniden tasarlanınca anlamlı kâr ortaya çıktı
- Montaj hattı uygulandı, her ekipmana ayrı motor takıldı, işçilerle makineler tamamen farklı roller üstlendi
- Bu durum Lowell tekstil fabrikasının üç aşamalı evrimiyle açıklanıyor
- 1890 buhar motorlu fabrika → 1900 elektrik motorlu fabrika → 1920 "unit drive" fabrika (elektrikli montaj hattına tam yeniden inşa)
- Kâr, teknolojinin kendisinden ya da tek tek işçileri ve makineleri hızlandırmaktan değil, ancak organizasyon ile teknolojiyi birlikte yeniden tasarladığınızda ortaya çıktı
- Bu, teknoloji tarihinin en pahalı dersi ve bugün yeniden öğreniyoruz
Institutional Intelligence ihtiyacı
- 2026'da yapay zeka onu kullanmayı bilen bireylerin üretkenliğini 10 kat artırıyor, ama yalnızca motor değişti; fabrika hâlâ yeniden tasarlanmadı
- Piyasadaki yapay zeka ürünlerinin çoğu üretkenlik hissi veriyor ama gerçek değeri hareket ettiremiyor; kamuya açık yapay zeka kullanım örneklerinin büyük kısmı da Twitter veya şirket içi Slack'te sergilenen, kendini tatmin eden bir "productivity-maxxing" pratiğinden ibaret ve gerçek etkisi sıfır
- Son bir yıldır tekrarlanan "services as software" motifi yön olarak doğru olsa da bir plan sunamıyor ve daha büyük resmi kaçırıyor
- Gerçek dönüşüm, araçtan hizmete geçiş değil; teknolojiyi ve organizasyonu (mevcut ya da yeni) birlikte inşa etmek
- Üretken organizasyonların Institutional Intelligence'a ihtiyacı var; bu da "yarının montaj hattına" denk gelen yeni ürün kategorisi
Institutional Intelligence'ın 7 sütunu
-
1. Coordination (Koordinasyon)
- Individual AI kaos, Institutional AI ise koordinasyon yaratır
- Düşünce deneyi: Yarın en iyi çalışanlarınızı klonlayıp organizasyondaki kişi sayısını ikiye çıkardığınızı varsayın
- Her biri küçük farklar, eğilimler ve bakış açıları taşır; özellikle de en iyi çalışanlar. Yönetim, iletişim ve roller (
swim lane, OKR, R&R) yeterince tanımlı değilse kaos oluşur - Bireysel açıdan daha üretken olabilirler ama binlerce ajan (veya insan) ters yönlere kürek çekerse en iyi ihtimalle yerinde sayılır, en kötü ihtimalle organizasyonun uyumunu bozarlar
- Her biri küçük farklar, eğilimler ve bakış açıları taşır; özellikle de en iyi çalışanlar. Yönetim, iletişim ve roller (
- Bu bir hipotez değil; koordinasyon katmanı olmadan yapay zekayı devreye alan her organizasyonda şu anda olan şey bu
- Her çalışanın kendine ait ChatGPT alışkanlıkları, prompt stili ve çıktıları var; ama bu çıktılar birbirine bağlanmıyor
- Institutional Intelligence, ajanların rol ve sorumluluklarını, ajanlar arası ve ajan-insan iletişimini, ajan değerinin nasıl ölçüleceğini kapsayan bir "Agentic Management" endüstrisine evrilecek
- Yalnızca tüketime dayalı fiyatlama yeterli olmayacak
-
2. Signal (Sinyal)
- Individual AI gürültü, Institutional AI ise sinyal bulur
- İnsanlar artık makale, sunum, elektronik tablo, fotoğraf, video, şarkı, web sitesi, yazılım ve hayal edilebilecek neredeyse her şeyi üretebiliyor
- Sorun, yapay zekanın ürettiği neredeyse her şeyin slop (çöp çıktı) olması; bazı organizasyonlar buna aşırı tepki verip AI çıktısını tamamen yasaklıyor
- Yazarın kendisi de bir AI şirketi işletmesine rağmen, yöneticilerinden nihai yazımlarda AI kullanmamalarını istiyor
- PE (özel sermaye) örneği: Geçen yıl masaya 10 fırsat geliyorsa, bu yıl çeyrek başına 50 fırsat geliyor ve her biri AI ile kusursuz cilalanmış halde ulaşıyor; ama gerçekten değerli tek işlemi bulmak için ayrılan süre aynı
- Artık bir şey üretmek sorun değil; gerçek sorun doğru şeyi üretmek ve ayıklamak
- Önümüzdeki 10 yılın temel ekonomik itici gücü, geometrik olarak artan slop içinde sinyali bulmak olacak
- Kurumsal düzeyde zeka sinyali bulmalı, gürültüyü yapılandırmalı ve tanımlı, deterministik ve denetlenebilir (auditable) olmalı
- Individual AI, 7/24 çalışan deterministik olmayan ajanların ("Clawdbot") "always on" üretkenliğini öne çıkarıyorsa, Institutional AI öngörülebilir kontrol noktaları, aşamalar ve süreçleri olan deterministik ajanlara dayanır
- Matrix, üretici teknolojinin gücüyle gürültüyü filtreleyen bir araç olarak sunuluyor
-
3. Bias (Önyargı)
- Individual AI önyargıyı güçlendirir, Institutional AI ise nesnellik üretir
- Sosyopolitik önyargı tartışması yıllarca yapay zeka söylemini domine etti, ancak foundation model laboratuvarları yeterli RLHF ile modelleri fiilen dalkavuk (sycophant) hale getirerek bunu baypas etti
- Bugün ChatGPT, Claude vb. araçlar Overton penceresi içindeki neredeyse her konuda kullanıcıya katılacak kadar aşırı hizalanmış durumda
- Bu aşırı hizalanma o kadar gülünç hale geldi ki meme oldu; ne söylerseniz söyleyin refleks olarak gelen Claude'un "you're absolutely right!" cevabı bunun tipik örneği
- Zararsız gibi görünse de aslında değil
- Organizasyondaki en yüksek sesli AI savunucusu, aslında tarihsel olarak en düşük performanslı çalışan olabilir
- Normalde neredeyse hiç olumlu pekiştirme almayan en kötü çalışan, ASI'dan onay alınca kendi kendine "en zeki zeka benimle aynı fikirde, demek ki yöneticim haksız" demeye başlar → bağımlılık yapıcı ama kurumsal olarak zehirli
- Bireysel üretkenlik araçları kullanıcıyı güçlendirir; oysa asıl güçlendirilmesi gereken en önemli şey gerçek (truth)
- Organizasyonlar bu sorunu dengeleyen sistemleri binlerce yıl içinde geliştirdi
- yatırım komitesi toplantıları, üçüncü taraf durum tespiti, yönetim kurulları, ABD'de yürütme-yasama-yargı, temsili demokrasi ve demokrasinin geneli
- Organizasyonlar insanların özgüvensizliğinden değil, kimsenin "hayır" diyememesinden ötürü başarısız olur
- Institutional AI bu rolü üstlenmeli; kullanıcıyı pohpohlamak için RLHF ile ayarlanmak yerine önyargıya meydan okumalı
- En önemli ajanlar "yes-men" değil; akıl yürütmeyi sorgulayan, riskleri ortaya çıkaran ve standartları uygulayan disiplinli "no-men" olmalı
- Gelecekteki uygulamalar: AI yönetim kurulu üyesi, AI denetçisi, AI üçüncü taraf doğrulama, AI compliance vb.
-
4. Edge (Avantaj)
- Individual AI kullanımı (usage) optimize eder, Institutional AI ise avantajı (edge) optimize eder
- Yapay zekada hedef direkleri haftalık, bazen günlük kayıyor; foundation model şirketleri yeteneklerini hızla yinelemeli biçimde geliştiriyor
- Ancak klasik innovator's dilemma örneğinde olduğu gibi, belirli uygulamalarda her seferinde genişlikten (breadth) çok derinlik (depth) kazanıyor
- Midjourney tasarım görsellerinde biraz önde olma rolünü oynuyor
- ElevenLabs ses modellerinde biraz önde olma rolünü oynuyor
- Decagon full-stack müşteri hizmetleri deneyiminde sürekli önde olma rolünü oynuyor
- Foundation modeller yaklaşsa bile, uzmanlar için gerçek avantaj önemlidir; en iyi tasarımcıların çoğu Midjourney, en iyi ses AI şirketleri de ElevenLabs kullanıyor
- Amaca özel ürünlerin kendi avantajlarına odaklanıp bundan sapmaması, o avantajın kendisini tanımlar
- Finans, şu anda LLM geliştirmedeki en sıcak alan olarak gösteriliyor
- Bir yetenek yaygınlaştığında tanımı gereği piyasayı yenmeye yardımcı olmaz; ama frontier teknoloji geçici bir %1'lik niş avantaj yaratırsa, o %1 milyarlarca dolarlık sonuca kaldıraç olabilir
- Kullanıcılar her zaman frontier'ın önünde gitti; LLM bağlam pencereleri 4 yılda 4K'dan 1M token'a çıktı
- Bazı kullanıcılar tek bir görevde 30B token işliyor; bu yıl 100B token görevleri de ufukta (Hebbia)
- Gelecek ChatGPT/Claude "veya" alan-özel çözümler değil, ChatGPT/Claude "ve" alan-özel çözümler olacak
- Temel soru: "AGI olsaydı kestirme yol olarak hangi ajanı kullanırdı? Süperzeka bile belirli alanlarda amaca özel araçlar isteyecektir"
-
5. Outcomes (Sonuçlar)
- Individual AI zamandan tasarruf sağlar, Institutional AI ise geliri büyütür
- MaVolpi'nin sözü: Bir CEO'ya maliyet düşürme ile gelir büyütme arasında birinci önceliğinin ne olduğu sorulduğunda, neredeyse hepsi gelir der
- Ancak bugünkü piyasadaki neredeyse tüm AI ürünleri zaman tasarrufu, personel ikamesi gibi maliyet düşürme vaatleri sunuyor
- Institutional AI yukarı yönlü değer (upside) sunmalı; bunu metalaştırmak, tasarruf edilen zamandan çok daha zordur
- Ajan tabanlı yazılım geliştirme örneği
- Kodlama IDE'leri en iyi bireysel AI üretkenlik araçları arasında, ancak başka bir bireysel araç olan Claude Code tarafından ciddi ters rüzgâr görüyor
- Cognition araç değil, transformation (dönüşüm) satan bir teknoloji kuruyor ve tamamen farklı bir oyun oynuyor
- Naval alıntısı: "Saf yazılım hızla yatırım yapılamaz (un-investable) hale geliyor"
- Saf hizmet ölçeklenmez; kalıcı değer, teknoloji ile sonucu birleştiren solution layer (çözüm katmanı) üzerinde birikir
- M&A örneği: Individual AI analistlerin modeli daha hızlı kurmasına yardım eder; Institutional AI ise 100 aday arasından takip etmeye değer tek karşı tarafı belirler ve bu evreni 1.000'e çıkarır → biri zaman kazandırır, diğeri gelir yaratır
- Piyasadaki doğal çekim kuvveti "yukarı akışa (upstream)" hareket
- Foundation modeller uygulama katmanına, uygulama katmanı şirketleri de çözüm katmanına kayıyor
- Institutional Intelligence işte bu çözüm katmanı; sonuçların bulunduğu bu katman kalıcı değeri ve en büyük yukarı yönlü potansiyeli yakalar
-
6. Enablement (Uygulamaya geçirme)
- Individual AI araç verir, Institutional AI ise o aracın nasıl kullanılacağını gösterir
- İnsanlar tüm yaratıcılıklarına rağmen değişimden hoşlanmaz
- New York'ta, kendilerine zarar verdiğini bilmelerine rağmen hâlâ kredi kartı kabul etmeyen başarılı işletmeler var; benzer şekilde bazı organizasyon çalışanları AI kullanımını süresiz reddedecek
- Tamamen insanlardan oluşan organizasyonlardan AI öncelikli hibrit organizasyonlara geçiş, önümüzdeki 10 yılın kalıcı ve belirleyici görevi
- Çoğu durumda en kıdemli ve en önemli katman, dönüşümü en yavaş benimseyen katman oluyor
- Palantir, son iki ayda 1 trilyon dolarlık teknoloji hissesi satışına rağmen olağanüstü çarpanlarla işlem gören tek "yazılım" şirketi olarak sunuluyor
- Palantir, ilk gerçek "process engineering (süreç mühendisliği)" şirketlerinden biri
- İster "process engineering" deyin ister "Claude skills dosyası yazmak", geleceğin Institutional AI'ı şirket süreçlerini ajanlara kodlayan ve gerekli değişim yönetimini gerçekleştiren bir endüstri oluşturacak
- Süreç mühendisliği kısa vadede en önemli "teknoloji (technology)" olacak
- Burada yazılım uzmanlığından çok iş ve sektör uzmanlığı önemli; alan-özel çözümler, forward deployed mühendislik, dağıtım ve değişim yönetimi yapan uzmanların uzmanlığını büyütecek
- İlk 3'te yer alan bir bulge bracket bankanın şirket genelinde dağıtım için Hebbia'yı seçmesi örneği
- Büyük model laboratuvarlarıyla çalışırken "ekibe CIM'in ne olduğunu açıklamak zorunda kalmaları" ilgilerini kaybetmelerine neden oldu
- Claude ya da GPT alanı elbette biliyordu, ama laboratuvarın rollout tasarım ekibi bilmiyordu; belirleyici fark buydu
-
7. Unprompted (Tetiklenmeden çalışan)
- Individual AI insan promptlarına tepki verir, Institutional AI ise prompt olmadan proaktif biçimde çalışır
- Ajanlar arası iletişim ve geleceğin şirketleri, yazılımları ve kurumlarında insana ihtiyaç olup olmayacağı çok tartışılıyor
- Daha iyi soru şu: Geleceğin AI ajanları başta prompt'a ihtiyaç duyacak mı
- AGI'ye prompt vermek, elektrik motorunu motorlu dokuma tezgâhına bağlamak gibidir; sistem temel olarak tedarik zincirinin en zayıf halkası (= insan) ile sınırlanır
- İnsanlar ne sorması gerektiğini bile çoğu zaman bilmez; ne zaman sorması gerektiğini ise hiç bilmez
- En değerli iş, kimsenin istemeyi bile akıl edemediği iştir
- AI, kimsenin işaret etmediği riskleri, kimsenin düşünemediği karşı tarafları, kimsenin fark etmediği satış hattını bulmalıdır
- Proaktif (unprompted) sistem örneği
- Portföy genelindeki giriş verilerini sürekli izlerken bir şirketin işletme sermayesi döngüsünün 3 ay üst üste kötüleştiğini tespit eder
- Bunu kredi sözleşmesindeki covenant eşikleriyle karşılaştırır ve biri daha PDF'i açmadan operasyon ortağına önleyici uyarı gönderir
- İnsanların AI'ya prompt vermesine gerek kalmadığında yeni arayüzler ve yeni çalışma biçimleri ortaya çıkacak; Hebbia'nın bu konuda güçlü görüşleri ise şimdilik "to be continued"
Sonuç
- Buradaki hiçbir nokta, chatbot'lara, ajanlara ya da genel olarak Individual AI'a ihtiyaç olmadığını söylemiyor
- Individual AI, dünyadaki çoğu şirketin AI'ın dönüştürücü sihrini ilk kez deneyimlediği kapı; kullanım ve evrensel kullanım kolaylığı peşinde koşmak, AI öncelikli ekonomiye geçişte değişim yönetiminin kritik ilk adımı
- Aynı anda Institutional Intelligence için açık ve acil bir talep de var
- Gelecekteki her organizasyon, büyük laboratuvarların chatbot'larına sahip olacak; ayrıca alan-özel problemler için amaca göre tasarlanmış Institutional AI'a da sahip olacak ve Individual AI bunu temel aracı olarak kullanacak
- Institutional AI ile Individual AI için "better together" anlatısı kaçınılmaz
- 1890'lardaki tekstil fabrikalarının dersinde olduğu gibi, önce elektriğe geçen fabrika, zemini (fabrikayı) yeniden tasarlayan fabrikaya yenildi
- "Artık elektriğimiz var; şimdi fabrikayı yeniden tasarlama zamanı"
6 yorum
Yapay zeka devreye alındıktan sonra çalışan sayısı yarıdan fazla azaldı ama iş yoğunluğu eskisine göre artmadı. Bu da galiba eskiden insan çokken yapılan işlerin çoğunun aslında gereksiz olduğunun bir kanıtı.
Yapay zekanın kulağa makul gelen bir sürü çöp ürettiği de doğru gibi görünüyor.
Bu aralar en büyük derdim ne yapmam gerektiği.
Gerçekte üretkenliği 10 kat artırdığına dair hiçbir yerde kanıt yok ama ölçmesi zor olduğu için, sanki 10X zaten bir gerçekmiş gibi fazla kolay kullanılıyor gibi görünüyor.
Kesinlikle bir geliştirici olarak verimliliğim çok arttı ama sanki sadece çalışma süresi uzadı ve boş zaman da arttı. Neyse ki çalıştığım şirket geliştiricileri işten çıkarmıyor; bu yüzden herkes tam saatinde çıkıyor, hisse alıp satıyor, GeekNews'te yorum yazıyor, KakaoTalk'ta takılıyor ve maaşlar da artmıyor, ne güzel.
Senior çalışanların çıktısı hızlı çıkıyor, ama buna paralel olarak manager ya da yöneticilerin karar alma süreçleri hızlanmıyor. LLM'lere bağımlı hale gelindiği için junior çalışanları senior seviyesine yetiştirme süreci de hızlanmıyor. Sonuç olarak, organizasyon ya da karar alma yapısı değişmedikçe tüm süreç daha hızlı hale gelmiyor.
"Kimsenin işaretlemediği riskleri, kimsenin aklına gelmeyen karşı tarafı, kimsenin bilmediği satış pipeline’ını yapay zekanın bulması gerekiyor" bu güzelmiş
Sonuç şu ki, şu anda para kazanamıyorsan, bu şekilde devam edersen gelecekte de kazanamayacaksın.