Yapay zekanın verimliliğe etkisi, kontrollü deneylerde belirli görevlerde ölçülmüş ve güçlü çıkmıştır: destek temsilcilerinde saatte çözülen talep %14, yazılımcılarda tamamlanan görev %26 arttı. Ancak kazanç görevin türüne ve çalışanın deneyimine bağlıdır; bireysel hızlanma, iş akışı yeniden tasarlanmadan şirket kârına kendiliğinden dönüşmez.
Yöneticinin sorusu: "Bu araçlar bize gerçekten zaman kazandırıyor mu?"
Çalışanlarınızın bir kısmı muhtemelen zaten e-posta yazmak, belge özetlemek ya da kod düzeltmek için yapay zeka kullanıyor. Yönetim masasına gelen soru ise hep aynı: bu kullanım ölçülebilir bir verimlilik yaratıyor mu, yoksa yalnızca "iyi hissettiren" bir alışkanlık mı? Tedarikçi sunumlarındaki iddialı yüzdeler bu soruyu yanıtlamıyor; çünkü neyin, kimde, hangi koşulda ölçüldüğü yazmıyor.
Bu yazıda anket beyanlarını değil, önce birincil saha ve deney araştırmalarını ele alıyoruz: kontrol grubuyla karşılaştırılmış, örneklemi ve görevi belli çalışmaları. Ardından bu bireysel kazançların şirket düzeyinde neden sık sık kaybolduğunu gösteren verilere bakıyoruz. Yatırım getirisini hesaplamak ayrı bir iştir; onu yapay zeka projesi ROI yazımızda adım adım anlattık.
Yapay zekanın verimliliğe etkisi: kontrollü deneyler ne ölçtü?
En sağlam kanıt, aynı işi yapan iki grubun yalnızca yapay zeka erişimiyle ayrıldığı deneylerden geliyor. Aşağıdaki tablo, öne çıkan beş çalışmayı yan yana koyuyor. Her satır tek bir görev ve örneklem için geçerlidir; bir sütundaki yüzdeyi "yapay zeka verimliliği şu kadar artırır" diye genellemek yanlış olur.
| Çalışma | Kimler, hangi görev | Ölçülen sonuç |
|---|---|---|
| NBER — Generative AI at Work | 5.179 müşteri destek temsilcisi | Saatte çözülen talep ortalama %14 arttı |
| GitHub Copilot deneyi, arXiv (2023) | 95 profesyonel geliştirici, HTTP sunucusu yazma | Görev %55,8 daha hızlı bitti (71'e karşı 161 dk) |
| MIT — Cui vd., üç saha deneyi | 4.867 yazılımcı, üç şirket | Tamamlanan görev %26,08 arttı |
| HBS–BCG deneyi (2023) | BCG danışmanları, 18 gerçekçi görev | %12,2 fazla görev, %25,1 daha hızlı, %40'tan fazla daha yüksek kalite |
| MIT — Noy ve Zhang (2023) | 444 profesyonel, mesleki yazma | Süre %37 kısaldı, notlar 0,45 standart sapma yükseldi |
Tabloda iki şey dikkat çekiyor. Birincisi, laboratuvar tipi tek görevli deneylerde (Copilot, yazma) hız kazancı büyük; gerçek iş ortamında aylarca süren saha deneylerinde (NBER, Cui vd.) etki daha mütevazı ama yine anlamlı. İkincisi, hiçbir çalışma "işin tamamını" ölçmüyor; ölçülen şey belirli, tekrarlanan bir görev.
Kazanç kimde birikiyor, nerede tersine dönüyor?
Deneylerin en tutarlı bulgusu, kazancın eşit dağılmaması. NBER çalışmasında artış yeni başlayan ve düşük becerili temsilcilerde %34'e ulaşırken deneyimli temsilcilerde etki çok küçük kaldı. HBS–BCG deneyinde de ortalamanın altındaki danışmanlar %43, üstündekiler %17 iyileşti. Yapay zeka, deneyimlilerin bilgisini yeni başlayanlara taşıyan bir araç gibi çalışıyor; bu nedenle görevlerin insan ile araç arasında nasıl bölüneceği, çalışan ve yapay zeka iş birliği yazısında ele aldığımız gibi, bilinçli tasarlanmalı.
Aynı deneyin öteki yüzü daha az konuşuluyor. Yapay zekanın yetenek sınırı dışında kalacak şekilde seçilen bir görevde, yapay zeka kullanan danışmanların doğru sonuca ulaşma olasılığı kullanmayanlara göre 19 yüzde puan düşük çıktı. Yani araç her işte hızlandırmıyor; bazı işlerde kendinden emin ama yanlış yanıtla kaliteyi düşürüyor. Bu riski azaltmanın yollarını yapay zeka halüsinasyonu yazımızda ele aldık.
Pratik sonuç şu: ilk kazanç, işe alıştırma süresi uzun ve bilgi yoğun görevlerde aranmalı. Müşteri hizmetlerinde bunun somut karşılığı, temsilciye yanıt öneren ve vakayı özetleyen asistandır; ayrıntısını müşteri temsilcisi yapay zeka asistanı yazısında bulabilirsiniz.
Bireysel kazanç neden şirket kârına dönüşmüyor?
Deneylerdeki hızlanma, şirket bilançosunda aynı ölçüde görünmüyor. Çalışan düzeyindeki tasarruf gerçek ama sınırlı; St. Louis Fed araştırmacılarının Kasım 2024 anketine göre üretken yapay zeka kullanan ABD'li çalışanlar çalışma saatlerinin ortalama %5,4'ünü, yani 40 saatlik bir haftada 2,2 saati tasarruf etti. Kullanmayanlar da hesaba katıldığında bu oran toplam saatlerin %1,4'üne iniyor.
McKinsey'nin "The state of AI in 2025" anketinde katılımcıların yalnızca %39'u kurum genelinde EBIT'e herhangi bir yapay zeka etkisi bildirdi; bunların çoğu EBIT'in %5'ten azının yapay zekadan geldiğini söyledi. (McKinsey — The state of AI in 2025)
Danimarka'da benimseme anketlerini idari kayıtlarla eşleştiren NBER çalışması (Humlum ve Vestergaard), ChatGPT'nin çıkışından iki yıl sonra kazanç ve çalışma saatleri üzerinde %2'den büyük bir etkiyi dışlıyor; değişen şey görevlerin yeniden dağılımı. Aynı tablo yönetici tarafında da var: IBM'in 2025 CEO çalışmasına göre yapay zeka girişimlerinin yalnızca %25'i beklenen getiriyi sağladı. Microsoft ve LinkedIn'in 2024 Work Trend Index'inde yöneticilerin %59'u verimlilik kazancını ölçmekten endişe ediyor.
Aradaki farkın nedeni basit: bir çalışanın kazandığı iki saat, iş akışında başka bir işe yönlendirilmezse kaybolur. McKinsey'nin aynı anketinde EBIT'inin %5'ini ya da fazlasını yapay zekaya bağlayan yaklaşık %6'lık "yüksek performanslı" grubun, iş akışlarını köklü biçimde yeniden tasarlamış olma olasılığı diğerlerinin yaklaşık üç katı. BCG de yapay zekada lider şirketlerin kaynaklarının %70'ini insan ve süreçlere ayırdığını 2024 araştırmasında aktarıyor.
Araştırmalardan çıkan dersler: kendi şirketinizde verimlilik etkisini görmenin 6 adımı
Deney tasarımları, şirket içinde de uygulanabilecek bir yöntem sunuyor. Aşağıdaki adımlar bir hesap tablosu değil, ölçümün nasıl kurulacağına dair bir çerçevedir:
- Görevi dar tanımlayın. "Satış ekibini hızlandırmak" değil, "teklif e-postasının ilk taslağını yazmak" gibi başı ve sonu belli bir görev seçin. Deneylerin hepsi böyle çalıştı.
- Başlangıç süresini ölçün. Aracı vermeden önce birkaç hafta görev başına süreyi, hata ya da geri dönüş oranını kaydedin. Ölçülmemiş bir başlangıç, sonradan her kazancı tartışmalı kılar.
- Karşılaştırma grubu kurun. Mümkünse aynı işi yapan bir ekip aracı kullanırken diğeri kullanmasın; mümkün değilse aynı ekipte önce ve sonrayı karşılaştırın.
- Hız kadar kaliteyi de ölçün. HBS–BCG deneyi, yetenek sınırı dışındaki görevde hızın kaliteyi düşürebildiğini gösterdi. Her çıktıdan örnek alıp insan kontrolüyle puanlayın.
- Deneyim düzeyine göre ayırın. Kazanç yeni başlayanlarda büyük, uzmanlarda küçük çıkabilir; ortalama tek başına yanıltır.
- Kazanılan zamanın nereye gittiğini planlayın. Serbest kalan saatler bekleyen işlere, daha fazla müşteriye ya da kalite kontrolüne yönlendirilmezse bilançoda görünmez.
Hangi görevle başlayacağınızı seçmek için şu kontrol tablosunu kullanabilirsiniz:
| Görevin özelliği | Kazanç olasılığı yüksek | Dikkat gerektirir |
|---|---|---|
| Çıktının biçimi | Taslak, özet, sınıflandırma, çeviri | Tek doğru yanıtı olan hesap ya da yorum |
| Doğrulama | İnsan hızla kontrol edebilir | Hatayı fark etmek uzmanlık ister |
| Bilgi kaynağı | Şirketin kendi belgeleri erişilebilir | Bilgi dağınık, güncel değil |
| Kullanıcı | Yeni başlayan, bilgi arayan çalışan | Görevi zaten çok hızlı yapan uzman |
| Hacim | Günde onlarca kez tekrarlanıyor | Ayda birkaç kez yapılıyor |
Görev kural tabanlıysa yapay zekaya hiç gerek olmayabilir; bu ayrımı yapay zeka mı kural tabanlı otomasyon mu yazısında tartıştık. Aday görevleri departman bazında puanlayıp sıralamak için yapay zeka kullanım senaryosu önceliklendirme matrisini kullanabilirsiniz.
Kamuya açık vakalar ne söylüyor?
Deneylerin dışında şirketlerin kendi açıkladığı sonuçlar da var; bunlar bağımsız denetimden geçmemiş, çoğu kullanıcı beyanına dayanan rakamlar. Microsoft'un Aralık 2024'te yayımladığı müşteri hikâyesine göre Vodafone'da 300 kişilik Copilot denemesine katılanlar kişi başı haftada dört saat tasarruf bildirdi ve şirket kullanımı 68.000 çalışana genişletiyor.
Daha dar ve ölçülebilir bir örnek imalattan: Eaton'ın Kasım 2024'te Microsoft müşteri hikâyesinde açıkladığına göre Copilot desteğiyle hazırlanan 1.000 standart işletim prosedürünün hazırlanmasında prosedür başına süre bir saatten 10 dakikaya indi (%83 azalma). İki vaka da deneylerdeki dersi doğruluyor: kazanç, tekrarlanan ve biçimi belli bir yazma görevinde en net görünüyor.
Digital Bridge'de bu işi nasıl yapıyoruz?
Verimlilik iddiasıyla değil, ölçümle başlıyoruz. Keşif aşamasında dijital dönüşüm danışmanlığı kapsamında ekiplerinizin tekrarlanan görevlerini, bu görevlere harcanan süreyi ve bilginin durduğu yerleri birlikte çıkarıyoruz. Bu ihtiyaç analizinin mantığını yazılım ihtiyaç analizi yazımızda anlattık.
Ardından yukarıdaki kontrol tablosuna uyan tek bir görev için pilot tasarlıyoruz. Bilgi yoğun görevlerde şirketinizin kendi belgelerine dayanan ve yanıtını kaynağıyla veren bir kurumsal LLM asistanı kuruyoruz; bunun teknik temelini RAG nedir yazımızda açıkladık. Pilotun başlangıç ölçümü ve karşılaştırma yöntemi, araç devreye girmeden önce yazılı olarak belirleniyor.
Kazancın kaybolmaması için aracı çalışanın zaten kullandığı ekrana, yani ERP, CRM ya da e-posta akışına yapay zeka entegrasyonu ve gerekirse sistem entegrasyonları ile yerleştiriyoruz. Görevin bir kısmı kural tabanlıysa o adımı RPA süreç otomasyonu ile çözüyor, yapay zekayı yalnızca yargı gerektiren adımda kullanıyoruz. Çalışanların hangi araçları hangi veriyle kullanabileceğini şirket yapay zeka kullanım politikası ile netleştirmenizi öneriyoruz.
Pilot sonunda hangi görevde, hangi çalışan grubunda ne kadar kazanç görüldüğünü ve nerede görülmediğini açıkça raporluyoruz. Ölçeklemeye karar verirseniz bu adımı dijital dönüşüm yol haritanıza bağlıyoruz. Genel başlangıç sırası için şirketlerde yapay zeka nereden başlamalı yazısına bakabilirsiniz.
Sonraki adım
Bu hafta ekiplerinizde günde en az on kez tekrarlanan üç yazma, özetleme ya da bilgi arama görevini listeleyin ve her birinin şu anki ortalama süresini kabaca not edin. Bu liste, ölçülebilir bir pilotun başlangıç noktasıdır. Listeyle iletişim sayfamızdan bize ulaşın; keşif görüşmesinde hangi görevin önce denenmesi gerektiğini birlikte belirleyelim. Konuyla ilgili diğer yazılar için yapay zeka kategori sayfamıza göz atabilirsiniz.