Funda Tabakİçindekiler
Eskiden basit işi tekrarlayan genç, yıllar sonra usta oluyordu. Yapay zekâ o basit işi üstlenince merdivenin ilk basamağı inceliyor. Yeni usta nereden gelecek?
Pazartesi Sabahı Boş Bir Masa
Pazartesi sabahı. Yeni mezun bir analistin masası. Eskiden ilk haftalar hep aynı geçerdi. Veriyi temizle, slaytı hizala, rakamı üç kez kontrol et, kıdemlinin yorumunu satır satır işle. Sıkıcıydı. Ama o sıkıntının içinde bir şey birikiyordu. Ne yanlış görünür, ne acele edilir, hangi sayı “tuhaf” durur. Usta olmak, önce bu küçük tekrarlarla başlardı.
Şimdi aynı masada ekran daha hızlı doluyor. Taslak hazır. Tablo düzenli. Metin akıcı. Kıdemli “kontrol et” diyor. Ama kontrol edilecek ham iş azalınca, kontrol zanaati de nerede öğrenilecek?
6 Ekim 2026’da Harvard Business Review Türkiye‘de Gözde Avcıoğlu Avdel ve Gamze İzgi tam bunu soruyor. Yapay zekâ giriş seviyesi işleri yutarken usta nereden gelecek? Yıllardır iş dünyasının güvendiği varsayım sarsılıyor. Gence önce basit görev verilir, o görev tekrarlanır, birkaç yıl sonra kıdemli uzman çıkar. Basit görev makineye kayınca kariyer merdiveninin ilk basamağı ortadan kalkıyor.
Bu bir teknoloji yazısı değil. Bir yetiştirme yazısı.
Basit İş Ustayı Nasıl Yapıyordu
Ortaçağ atölyesinde çırak önce boyayı ezer, tahtayı taşır, ustanın elini izlerdi. Lonca sistemi, bilgiyi kitaptan değil tezgâhtan aktarırdı. Tarihçilerin anlattığı gibi ustalık, taklit, deneme, hata ve düzeltmeyle birikirdi.
Modern ofiste de benzer bir yol vardı. Stuart ve Hubert Dreyfus’un beceri edinme modeli bunu beş basamakta anlatır. Acemi, ileri acemi, yetkin, usta ve uzman. Acemi kurallara yapışır. Uzman ise durumu tanır, sezer, bağlamı okur. O sıçrama, soyut kuraldan somut deneyime geçişle olur. Yani “nasıl yapılır” listesini ezberlemek yetmez. Birçok kez yanlış yapmak, sonra düzeltmek gerekir.
Patricia Benner bu modeli hemşirelikte yaygınlaştırdı. Ona göre acemi ölçülebilir kurallara güvenir. Uzman ise hangi verinin o anda önemli olduğunu hisseder. Finans, hukuk, yazılım, pazarlama da aynı yolu izliyordu. İlk yılın “basit” işi aslında yargı kasını çalıştıran ağırlıktı.
Yapay zekâ o ağırlığı kaldırınca kas nasıl gelişecek?
Merdiven Neden Daralıyor
Sayılar, hissi doğruluyor.
Stanford Digital Economy Lab’dan Erik Brynjolfsson, Bharat Chandar ve Ruyu Chen’in Canaries in the Coal Mine çalışması ABD bordro verisine bakıyor. Geniş ekonomide toptan iş kaybı yok. Ama yapay zekâya en çok açık mesleklerde 22-25 yaş arası istihdam, daha az açık akranlarına ayak uydursaydı olacağı yerin yaklaşık yüzde 19 altında. Daha önceki sürümlerde bu göreli fark yüzde 16 civarındaydı ve büyümeye devam ediyor. Düşüş, özellikle yapay zekânın insan işini tamamladığı değil, onun yerine geçtiği alanlarda yoğunlaşıyor. Ayrılmadan çok, gençleri işe almamak etkili oluyor.
Gartner’ın 2026 yazında yayımladığı ankete göre CHRO’ların yüzde 22’si, kendi kurumlarında en az bir iş biriminin yapay zekâ otomasyonu nedeniyle giriş seviyesi alımı kestiğini söylüyor. Analist Kaelyn Lowmaster açık konuşuyor. Ona göre boru hattını tamamen kesmek, ileride daha büyük yetenek krizine yol açabilir. Gerekli olan, rolü silmek değil yeniden tanımlamak.
PwC’nin 2026 AI Jobs Barometer’ı başka bir şeye dikkat çekiyor. Yapay zekâya en açık mesleklerde giriş seviyesi ilanlar “kıdemlileşiyor.” Yani eskiden deneyimliye ait olan yargı ve insan yönetimi becerileri, artık ilk iş ilanına yazılıyor. Bu ilan tipi 2019’dan bu yana yaklaşık yüzde 35 artmış. Geleneksel giriş seviyesi ilanlar ise daralıyor.
Yani merdiven ortadan kalkmıyor. İlk basamak inceliyor, ikinci basamağın eşiği yükseliyor.
Deneyim Tek Başına Yetmez
McKinsey tarafında teşhis benzer. Yapay zekânın işi değiştirmesi ve organizasyonun buna uyum sağlaması gerektiği uzun süredir konuşuluyor. Temmuz 2026’da McKinsey Quarterly’de Bryan Hancock ve Charlotte Seiler’in “Building expertise in the age of AI” yazısı meseleyi daha da netleştiriyor. Eskiden rutin iş çıraklığı da beraberinde getiriyordu. Yazılım o rutini alınca çıraklık da bedava gelmiyor.
Araştırmaya göre işverenlerin yaklaşık üçte biri, yapay zekânın junior’ların beceri kazandığı temel görevleri çoktan azalttığını söylüyor. Liderlerin çoğu genç almaya hâlâ iyimser bakabiliyor. Ama alıp da hangi işte yetiştirecekleri belirsizleşiyor.
McKinsey’nin önerdiği çerçeve dört parçadan oluşuyor.
- En iyi insanların nasıl düşündüğünü kodlamak (bilgi yönetimi)
- Giriş seviyesi rolleri makine çıktısını denetleyecek biçimde yeniden tasarlamak
- Çalışanın önce kendi denemesini yapıp sonra yapay zekâyla karşılaştırması (“answer key” / cevap anahtarı modeli)
- Yöneticileri koç gibi yetiştirmek
Bu planın dürüst bir yanı var. Soruyu “genç almayalım” diye değil, “genç nasıl usta olsun” diye soruyor ve bunu bir tasarım işine çeviriyor. Zayıf yanı da var. Aynı tartışmayı izleyen yorumcular, koçluk için gereken yönetici zamanının yıllardır daraldığını hatırlatıyor. Gallup verilerine göre bir yöneticiye bağlı ortalama çalışan sayısı 2024’te 10,9 iken 2025’te 12,1’e çıktı. McKinsey’nin HR Monitor 2025 raporunda ise Avrupa’daki çalışanların yüzde 26’sı son bir yılda hiç resmi geri bildirim almadığını söylüyor. Yüzde 56’sı da yılda yalnızca bir iki kez alıyor. Cevap anahtarı fikri kulağa iyi geliyor. Ama sınıfta öğretmen yoksa elinizde bir kâğıt parçasından fazlası kalmaz.
Üstte Boost Altta Drag
Microsoft’tan Mark Russinovich ve Scott Hanselman’ın Communications of the ACM’deki yazısı daha sert bir uyarı yapıyor. Ajantik kodlama araçları kıdemli mühendise “AI boost” veriyor, yani aynı kişi daha çok iş çıkarıyor. Junior’da ise tersine “AI drag” oluşabiliyor. Çıktıyı değerlendirecek yargı henüz yokken makineyi izlemek veya düzeltmek zorlaşıyor. Mantıklı kısa vadeli tercih, kıdemli tutup junior işini otomatikleştirmek. Uzun vadede bu tercih, her kıdemli rolün dayandığı tabanı kesiyor.
KPMG ile Texas Üniversitesi Austin’in 523 erken kariyer profesyoneliyle yaptığı saha çalışması bu ayrımı ölçüyor. Önce yapay zekâ tek başına bir sonuç üretiyor ve bu sonuç çıta kabul ediliyor. Sonra insanlar aynı araçla çalışıyor.
- Yüzde 50,1 “AI Amplifier” grubunda, çıtanın üstüne çıkıyor
- Yüzde 25,8 “AI Delegator” grubunda, makineyle aynı seviyede kalıyor
- Yüzde 24,1 “AI Apprentice” grubunda, çıtanın altında kalıyor
Şaşırtıcı biçimde kâğıt üzerindeki klasik yetenek farkı bu ayrımı açıklamıyor. Amplifier’lar problemi çerçeveliyor, alanı bağlama oturtuyor, çıktıyı tur tur düzeltiyor. Apprentice’lar da eleştiriyor ama çoğu zaman yanlış yere bakıyor. Delegator’lar ise makinenin “yeterince iyi” çıktısını olduğu gibi kabul ediyor.
Yani mesele “yapay zekâ kullanmayı bilmek” değil. Mesele, bilgini makineyle birlikte değer üretecek biçimde uygulamak. Bu da öğretilabilir. Ama kendi kendine, ilk yılın sıkıcı işleriyle kendiliğinden oluşmuyor.
Türkiye’den bir uyarı da var. Hamsa Bastani ve ekibinin yaklaşık bin lise öğrencisiyle yaptığı çalışmada, standart sohbet botu yardımsız sınav performansını yaklaşık yüzde 17 düşürdü. Cevabı saklayan özel bir öğretmen botu zararı kaldırdı ama anlamlı bir öğrenme artışı da üretmedi. Araç elindeyken başarı, araç kalkınca kalmayabiliyor. Ofiste de aynı risk geçerli. Yapay zekâyla biten iş, ustalık biriktirmiş sayılmaz.
Yeni Basamak Nasıl Kurulur
İlk basamak kaybolunca panik etmek kolay. Daha zor olan, bilerek yeni bir basamak kurmak.
Gartner’ın önerisi pratik. Yapay zekânın boşalttığı zamanı görün, junior’a güvenle verilebilecek daha karmaşık görevleri ayırın ve onu yargı gerektiren işe daha erken sokun. Ama altına bir güvenlik ağı da kurun. McKinsey öğrenmeyi işin akışına gömmeyi öneriyor. KPMG’nin bulgusu da Amplifier davranışını koçlukla yaymak gerektiğini gösteriyor.
Başlamak için beş öneri.
- Junior’a sadece “kontrol et” demeyin. Önce kendi denemesini yazsın, sonra makineyle karşılaştırsın, sonra farkı konuşsun. Cevap anahtarı, bu sırayla işe yarar.
- Koçluğu yan iş sanmayın. Mentörlük ölçülmüyorsa, kıdemli “AI boost” ile kendi işine gömülür. Junior yalnız kalır.
- Rolü silmeyin, yeniden yazın. Giriş seviyesi işin değeri artık “hızlı üretmek” değil, “neden yanlış olduğunu anlatabilmek.”
- Araç kalkınca ne kaldığına bakın. Bir kişi yalnızca prompt’la parlıyorsa henüz usta değildir, araca bağımlı olabilir.
- Kurumu da değiştirin. McKinsey de bunu tekrar tekrar söylüyor. İş değişirken organizasyon, rol, geri bildirim ve bilgi yönetimi aynı kalırsa merdiven kendi kendine onarılmaz.
Lonca ustası çırağa fırçayı erken verirdi. Ama yanında dururdu. Bugünün riski, fırçayı makineye verip ustayı da başka projeye koşturmak. Ortada ne çırak kalır ne de yarının ustası.
Alışveriş sepeti bizi tarif edebilir. Algoritma metin yazabilir. Ama yargı, hâlâ insanın bedeninde birikir. İlk basamak daralıyorsa asıl soru yapay zekânın işleri bitirip bitirmediği değil. Ustayı kimin, hangi işte ve kimin zamanıyla yetiştireceği.
Bu soruyu erteleyen kurum, üç yıl sonra kıdemli ararken faturayı faiziyle öder.
Add comment