Şirketlerde üretken yapay zekâ kullanımının artmasının otomatik olarak verimlilik artışına yol açtığı görülmüyor. Comprehensive Research Institute of Persol tarafından incelenen verilere göre, işlerinde yapay zekâ kullanan tam zamanlı Japon çalışanların oranı 2025’te %41,9’dan 2026’da %54,3’e yükseldi; ancak bu yaygınlaşma, fazla mesai saatlerinin azalması veya kurumların sonuçlarının iyileşmesi anlamına gelmiyor.
Comprehensive Research Institute of Persol’de baş araştırmacı olan Yuji Kobayashi, ITmedia’ya verdiği röportajda yapay zekâyla değer üretmenin kimi zaman ondan uzaklaşmayı gerektirdiğini söyledi. Bu fikir araçları reddetmek anlamına gelmiyor; gerçeklikle temas, öncelikleri değerlendirme, anlam oluşturma ve gerçek kişilerden ve ortamlardan öğrenme gibi modellerin tek başına üretmediği becerilerin kaynaklarını korumak anlamına geliyor.
Daha hızlı olmak her zaman darboğazı çözmez
Kobayashi, yapay zekânın kurumsal kullanımındaki sorunları üç başlıkta sınıflandırıyor. İlki, «zamanı yanlış yönde tasarruf etme sorunu»: Bilgi toplama, e-posta alışverişi veya sunum hazırlama gibi işler hızlanabilir; ancak darboğaz başka bir yerde kalabilir. Satışları örnek veren Kobayashi, yapay zekânın teklif hazırlamayı hızlandırabileceğini, fakat müşteriyi keşfetmenin, ihtiyaçlarını anlamanın veya anlaşmayı tamamlamanın nihai sonuç üzerinde daha etkili olabileceğini belirtiyor.
İkinci başlık, «kullanılabilir alanın ortadan kalkması sorunu». Araştırma, yapay zekâ sayesinde tasarruf edilen zamanın %60’ının yeniden işe yatırıldığını ve bu sürenin %70’inden fazlasının günlük işlere gittiğini gösteriyor. Ayrıca aracı en çok kullanan çalışanlar, boşalan zamanı öğrenmeye veya yeniliğe ayırmak yerine araçla ilgili kurum içi eğitim gibi ek yükler üstlenebiliyor.
Üçüncü başlık ise «farklılaşmanın ortadan kalkması sorunu». İş başvuruları yazmak veya pazarlama materyalleri hazırlamak benzer araçlarla herkes tarafından mümkün hâle geldiğinde, yalnızca yazma becerisinin sağladığı avantaj azalıyor. Kobayashi’ye göre bir şirketin yapay zekâyla gerçekleştirebildiğini rakipler ve müşteriler de gerçekleştirebilir; bu da yalnızca işleri hızlandırmanın fiyatlandırılabilir bir avantaj üretme gücünü azaltıyor.
Belirleyici beceri, tüm döngüyü yönetmektir
Persol araştırmasının sonuçlarına göre yapay zekâ kullanan bir ortamda yüksek performans gösteren kişiler, yapay zekâ kullanmayan bir ortamdaki yüksek performanslı kişilerden farklılaşıyor. Geleneksel durumda performans; rolü anlamak, hızlı hareket etmek ve başkalarıyla ilişkileri yönetmekle bağlantılıydı. Yapay zekâ ortamında ise araçla çalışmayı bilgi toplama, karar verme, uygulama, gözden geçirme ve öğrenmeden oluşan yinelenen bir döngüye dönüştürebilen kişiler öne çıktı.
Bu döngü beş beceriden oluşuyor: Üst aşamalarda «toplama» ve «karar verme», sonraki aşamalarda ise «doğrulama», «parçalarına ayırma» ve «depolama». Süreç, yapay zekânın erişmesinin zor olduğu gerçek dünyadan elde edilen birincil bilgiler de dâhil olmak üzere verilerin toplanmasıyla başlıyor. Ardından kullanıcı öncelikleri ve araca hangi işlerin devredilmesi gerektiğini belirliyor, daha sonra çıktıları başkalarıyla birlikte gözden geçiriyor, uygun olmayan varsayımları düzeltiyor veya parçalıyor ve son olarak deneyimi kurum içinde paylaşarak bunun kolektif bilgiye dönüşmesini sağlıyor.
Bu adımların önemi, pratikteki riskin her zaman kolayca fark edilebilecek bir «halüsinasyon» olmamasında yatıyor. Kobayashi’ye göre en büyük risk, genel olarak doğru ve makul görünen, ancak bu müşteriye, bu zamana veya bu bağlama uygun olmayan bir yanıt üretmek. Bu nedenle kullanıcının değeri çıktıyı kabul etmekte değil, «genel bir yanıtı» duruma uygun bir yanıta dönüştürmekte yatıyor.
Ekranın dışındaki çok yönlü düşünme ve merak
Araştırma, yüksek performans gösteren kişilerde iki düşünsel özellik de saptadı: «çok boyutlu düşünme», soyutlama düzeyini yükseltmek, konuyu birden fazla açıdan ilişkilendirmek ve bütünü görmek anlamına geliyor; «hayvani ruh» ise ekonomist John Maynard Keynes’in ekonomik faaliyetlerdeki akıl dışı insan güdülerini tanımlamak için kullandığı bir ifade. Kobayashi bu ifadeyi burada merak ve ilgi çekici görünen şeyleri denemeye hazır olma anlamında kullanıyor.
Çok yönlü düşünme, modellerin ürettiği öneri akışını düzenlemeye yardımcı olurken merak, kişiyi alışılmış görevlerle yetinmek yerine yeni kullanım alanlarını denemeye yöneltiyor. Ancak kaynakta aktarıldığı üzere araştırma, «hayvani ruhun» yapay zekâ kullanım süresi uzadıkça otomatik olarak geliştiğini ortaya koymadı. Aksine Kobayashi, araca bağımlılığın kullanıcının bazı becerilerinin gerilemesine yol açtığı «beceri ediniminin karşıtı» bir durumun ortaya çıkabileceğine işaret ediyor.
Pratikte ne değişiyor?
Editoryal açıdan en önemli sonuç, yapay zekânın başarısını onu kullanan çalışanların sayısıyla veya sağladığı dakika sayısıyla ölçmenin yetersiz olabileceği. Daha yararlı soru şu: Zaman ve çaba, gelirleri, karar kalitesini veya müşteri sorunlarının çözümünü gerçekten etkileyen bir noktaya aktarıldı mı? Ayrıca eğitim programları yalnızca komut yazmayı değil; kanıt toplamayı, öncelikleri belirlemeyi, toplu doğrulamayı ve bilgiyi belgelemeyi de kapsamalı.
Kobayashi, düşünme ve merakın geliştirilmesi için farklı kişilerle ve ortamlarla etkileşim kurmak, ek işlere veya kâr amacı gütmeyen ve gönüllü faaliyetlere katılmak, tek bir konuya derinlemesine odaklanmak ve okumak gibi araç dışındaki etkinliklere ihtiyaç olduğunu öne sürüyor. Bu, her kurum için kanıtlanmış bir reçete değil; ancak yalnızca aracı sürekli kullanmanın sunabileceklerinin sınırlarını yansıtıyor. Araştırma önce 20.000 çalışanı kapsayan bir ön ankete, ardından 3.000 tam zamanlı çalışanı kapsayan ana araştırmaya dayandı. Takip çalışması 22 Nisan ile 7 Mayıs 2026 arasında, yeni çalışma ise 23 Nisan ile 7 Mayıs 2026 arasında gerçekleştirildi; çalışmada Ekim 2025 araştırmasına katılanlar ile yeni katılımcılar takip edildi.