Yapay zekâ erişimi test puanlarını 7,2 yüzde puanı yükseltti ve araç geri alındıktan bir hafta sonra 3,9 puan hâlâ yerindeydi — ama yalnızca yapay zekâyı bir öğretmen gibi kullananlarda. Metni ona yazdıranlarda kazanç yok olmuştu (Contractor ve Reyes, 2026).
Ekibinizdeki iki kişi aynı modeli aynı görevde kullanıp aynı kalitede iş çıkarabilir. Bir hafta sonra biri o görevde ölçülebilir biçimde daha iyidir, diğeri başladığı yere dönmüştür. Elinizdeki çıktı hangisinin hangisi olduğunu söylemez.
Bu sayıların arkasındaki deney, yüz yüze ve gözetimli bir randomize çalışmadır: lisans öğrencileri zaman baskısı altında kendilerine yabancı bir teknik konuyu çalışıp, yapay zekâ erişimiyle ya da erişim olmadan analitik bir makale yazdılar; ardından hemen ve yaklaşık bir hafta sonra tekrar, hiçbir destek olmadan değerlendirmeye girdiler. Yazarların bu ayrışmaya ilişkin özeti bulgunun tamamıdır — kazançlar yapay zekâyı öğretmen gibi kullanan öğrencilerde kalır ve metni ona yazdıran öğrencilerde silinir.
Tasarım kişiyi ölçtü, çıktıyı değil
Yapay zekâ ve verimlilik üzerine neredeyse her çalışma, araç odadayken çıktıyı ölçer. Bu çalışma daha zor ve karar açısından daha anlamlı bir şey yapıyor: aracı geri alıyor ve kişinin ne tuttuğunu ölçüyor.
Kaydolan 256 kişiden 211'i ilk oturuma katıldı, 205'i ortalama 6,98 gün sonra ikinci oturuma döndü. Konular kasıtlı olarak yabancıydı — blockchain, karbon yakalama, CRISPR. İkinci oturum herkes için gözetimli ve desteksizdi; deney ve kontrol grubu aynı koşuldaydı. Makaleler yüksek lisans veya doktora derecesine sahip 309 değerlendirici tarafından puanlandı; 23'ü bir anlama kontrolünü geçemediği için dışlandı.
Ödünç alınmış çıktıyı tutulmuş yetenekten ayıran şey bu yapıdır. Anlık test aracın yardım edip etmediğini söyler. Desteksiz takip ölçümü kişinin değişip değişmediğini söyler. Bunlar farklı sorulardır ve orta ölçekli bir şirkette kullanımdaki hemen her benimseme panosu yalnızca ilkini yanıtlar — eğer ikisinden birini yanıtlıyorsa.
Sayılar gerçekte ne diyor
| Ölçüt | Sonuç |
|---|---|
| Anlık bilgi testi, yapay zekâ erişimi vs kontrol | +7,2 pp, 0,28 SD (p = 0,021) |
| Aynı test, treatment-on-treated | +10,4 pp, 0,41 SD |
| Yaklaşık bir hafta sonra desteksiz test | +3,9 pp, 0,21 SD |
| İkinci oturum makale kalitesi, yapay zekâsız yazıldı | +0,24 SD |
| Mekanizma | Aynı toplam süre; süre yazmaktan okumaya ve aramaya kaydı |
Makale sonucu ikinci bir bakışı hak ediyor. Araç geri alındıktan bir hafta sonra, gözetimli bir odada ve hiçbir yardım olmadan, daha önce yapay zekâ erişimi olmuş kişiler ölçülebilir biçimde daha iyi makaleler yazdı — en büyük etkiler kanıt ve örnek kullanımında ve üslup açıklığında. Bir şey yalnızca belgeye değil, kişiye aktarılmıştı.
Otomasyon kullananlar ilk oturumu kazandı, haftayı kaybetti
İşte yayılım planınıza bakışınızı değiştirmesi gereken kısım.
Metni yapay zekâya yazdıran katılımcılar — yazarlar buna automation diyor — ilk oturumda daha yüksek puan alan makaleleri teslim ettiler. En iyiler gibi görünüyorlardı. Bir hafta sonra, desteksiz oturumda, bu avantaj basitçe yok olmuştu. Yapay zekâyı öğretmen gibi kullanan, üretmesini değil açıklamasını isteyen katılımcılar kendi avantajlarını korudu.
İki kullanım modu. Çıktıda ayırt edilemez. Yetenek üzerindeki etkide zıt. Ve mekanizma sıradan: iki grup da aynı toplam süreyi harcadı, ama yapay zekâ erişimi dakikaları yazmaktan okumaya ve bilgi aramaya kaydırdı. Öğretmen modundakiler bu dakikaları anlamaya harcadı. Hayalet yazar modundakiler kalıcı hiçbir şeye harcamadı.
"Yapay zekâ kullanımı" bu yüzden yanlış benimseme metriğidir. Zayıf ya da gecikmeli bir metrik değildir. Yedek gücünüzü inşa eden davranışa ve onu içten boşaltan davranışa aynı değeri veren bir metriktir.
Benimseme panonuz öğretmen olarak yapay zekâyı görmüyor
Önemli olan değişken kullanım moduysa, bariz soru bunu kimsenin ölçüp ölçmediğidir. Genel olarak, hayır.
ActivTrak'in Productivity Lab'i yapay zekâ benimseme aşamalarını lisans, oturum açma ya da öz bildirimden değil, 120.620 çalışandan toplanan davranışsal telemetriden çıkardı. Araştırma desteği aşamasında %27, görev yürütmede %14 ve gerçek iş akışı entegrasyonunda %2 buldu (ActivTrak Productivity Lab, 2026). Lisans sayıları ve oturum açma panoları dağılımı ölçer. Benimsemeyi ölçmezler ve modu kesinlikle ölçmezler.
Bu arada daha iyi modu öğretecek gelişim kapasitesi daralıyor. PwC'nin 48 ülkede 49.364 çalışanla yaptığı 2026 işgücü araştırması, ihtiyaç duyduğu öğrenme ve gelişim kaynaklarına erişimi olduğunu söyleyenlerin oranının bir önceki yıldaki %59'dan %51'e düştüğünü buldu — günlük üretken yapay zekâ kullanımı %14'ten %22'ye çıkarken (PwC, 2026). Araca erişim ölçekleniyor. Nasıl kullanılacağına dair öğretiye erişim ters yöne gidiyor.
Çalışanlar bunu fark ediyor. GoTo'nun 2026 işgücü çalışmasında %39'u yapay zekâya bağımlılığının becerilerini aşındırdığını söyledi, %43'ü kalitesinden kuşku duyduğu yapay zekâ çıktısını teslim ettiğini kabul etti (GoTo ve Workplace Intelligence, 2026). Öz bildirim tek başına zayıf kanıttır. Aynı şekli bulan gözetimli bir deneyin yanına konduğunda gürültü olmaktan çıkar.
Bunu bir yedekleme sorununa dönüştüren asimetri
Bir sonuç daha ve konuyu eğitimden çıkarıp işgücü planlamasına taşıyan sonuç bu.
Ön kaydı yapılmış üç aylık bir saha deneyi, on bir ABD bürosunda görev yapan 133 patent avukatının eline patent yazımı için bir yapay zekâ asistanı verdi; her teslim kör uzmanlar tarafından puanlandı. Destekli görevlerde kalite doksan günde 0,38 SD yükseldi, kazançlar kıdemsiz avukatlarda daha büyüktü. Sonra yapay zekânın hiç kimseye izinli olmadığı, desteksiz bir redaksiyon görevi geldi — beceri ölçümü. Deney grubundaki avukatlar genelde 0,32 SD daha yüksek puan aldı, ama avantaj tamamen kıdemli avukatlarda, 0,45 SD'de yoğunlaşmıştı. Kıdemsiz avukatlar ortalama hiçbir kazanç göstermedi; puanları çatallandı, vasat sonuçlar belirgin biçimde azalırken daha fazla kötü ve daha fazla iyi sonuç ortaya çıktı (Autor ve diğerleri, NBER, 2026).
Yazarların kendi çerçevelemesi, sonraki planlama toplantınıza taşınacak cümledir: yapay zekâdan en büyük kazancı en az tutan avukatlar elde etti ve temel uzmanlık, yapay zekâ destekli pratikten kalıcı beceri çıkarmanın ön koşulu olabilir.
İki çalışmayı birlikte okuyun. Kullanım modu yeteneğin birikip birikmediğine karar veriyor ve mevcut uzmanlık, kişinin hangi moda varsayılan olarak yöneldiğine karar veriyor gibi görünüyor. En kıdemlileriniz birikim yapıyor. Kıdemsizleriniz iki gruba ayrılıyor ve her ikisinin destekli çıktısı iyi görünüyor.
Açıkça söylemek gerekir: patent çalışmasının finansmanı ve yazarlığının bir kısmı aracın üreticisine ait. Güvenilirliğini taşıyan şey ön kayıt ve kör üçüncü taraf puanlamasıdır, sponsor değil.
Dürüst karşı argüman
Bir politikayı buna dayandırmadan önce dört sınır.
Bir saatlik bir görevde lisans öğrencileri. Gerçek işin bir çeyreğinde çalışanlar değil. Mekanizma — zamanın üretimden anlamaya kaydırılması — makul biçimde taşınır. Etki büyüklükleri işyeri tahmini olarak aktarılmamalı ve ben 7,2 puanı bir iş gerekçesine koymam.
Bu bir ön baskı. arXiv 2607.08849 Temmuz 2026'da yayımlandı ve Ekim 2026'da revize edildi. Hakem değerlendirmesini tamamlamadı.
Sağlamlık kontrolleri sayıyı oynatıyor. Çalışma kurallarını ihlal eden katılımcılar dışlandığında, ilk oturumun öğrenme etkisi kullanılan ölçüte göre 0,24, 0,15 veya 0,27 SD'ye düşüyor. Etki hayatta kalıyor; büyüklüğü manşetten daha yumuşak.
Mod gözlendi, atanmadı. Öğretmen-hayalet yazar ayrışması makalenin en eyleme dönük sonucu ve deneysel olarak en az temiz kısmı — katılımcılar aracı nasıl kullanacaklarını kendileri seçti. Açıklama arayan kişiler, çıktı arayanlardan, akılda tutmayı da öngören yönlerden farklı olabilir. Patent çalışmasının kıdem asimetrisi tam olarak bu okumayla uyumlu.
Dördünden de sağ çıkan şey: çıktı, kişinin öğrenip öğrenmediğinin bir göstergesi değil ve ikisi arasındaki açık, hiçbir şey satın almadan kapatabileceğiniz bir ölçüm sorunu.
Bu çeyrekte neyi değiştirmeli
Dört hamle. Hiçbiri satın alma değil.
- Yapay zekâ kullanımını benimseme metriği olarak raporlamayı bırakın. Lisanslar, oturum açmalar ve oturum sayıları dağılımı tarif eder. Ana göstergeyi tek bir sayıyla değiştirin: kaç kişi, yapay zekâyı o yeteneği inşa etmek için kullandıktan sonra, adı konmuş bir yeteneği desteksiz kanıtladı.
- Öğretmen modu istem yazımını açıkça öğretilen bir davranış hâline getirin. Bir oryantasyon patikasına ve bir birebir görüşme senaryosuna girecek kadar belirgindir: modelden akıl yürütmesini açıklamasını ve sizinkini denetlemesini isteyin, ürünü üretmesini değil. Bu, tüm kümenin en ucuz müdahalesidir ve kimse yapmıyor.
- Yargının teslim edilen şey olduğu rollerde gelişim döngüsüne desteksiz bir görev ekleyin. Test değil — gerçek bir görev, yardım almadan yapılmış, destekli sürümle aynı değerlendirme ölçeğiyle puanlanmış. İkisi arasındaki açık beceri tutma sinyalinizdir ve hiçbir çıktı kalitesi raporunda bulunmaz.
- Kıdemsizlerdeki çatallanmayı yedekleme planınıza fiyatlayın. Destekli çıktı kıdem boyunca düzken tutulan yetenek düz değilse, iki yıllık yedek gücünüz performans verilerinizin söylediğinden daha incedir ve hata tek yöne akar.
Bu dördüncü hamlenin çoğu şirkette bariz bir yeri yoktur, çünkü yetkinliğin son teslimlerden çıkarılması değil, istikrarlı bir çerçeveye karşı döngü başına ölçülmesi gerekir. Scovai'nin performans ve yedekleme katmanı bu ayrım üzerine kuruludur — yetkinlik, Great Eight çerçevesi üzerinde, yetkinlik başına ve döngü başına determinist biçimde puanlanır; 9-box yönetici izlenimlerinden değil bu yetkinlik verisinden hesaplanır; yedekleme hazırlığı her kritik pozisyon için şimdi hazır ya da on iki–yirmi dört ay içinde olarak belirtilir. Buradaki ilgi yapısaldır: potansiyel ekseniniz destekli çıktıyı okuyorsa, aracı okuyor.
Bu araştırmanın rahatsız edici sonucu, en yüksek performanslı yapay zekâ kullanıcılarınızın ve en hızlı körelen kişilerinizin aynı insanlar olabileceği ve şu anda ölçtüğünüz hiçbir şeyin öğretmen olarak yapay zekâyı hayalet yazar olarak yapay zekâdan ayırmadığıdır.
Öyleyse bu çeyrekte bir rol seçin, destekli sürümle aynı değerlendirme ölçeğiyle bir desteksiz görev yürütün ve açığın hangi yöne gittiğini öğrenin. Kişiyi ölçün, belgeyi değil — belge, aracın geldiği gün ikisi hakkında da size bir şey söylemeyi bıraktı.
