2021–2025 arasındaki yaklaşık 10.000 bilanço telekonferansında yapay zekâdan söz eden yöneticiler yeknesak biçimde iyimserdi — ve bu iyimserlik şirketlerinin verimlilik farklarının hiçbirini açıklamıyordu. Verimlilikle birlikte hareket eden şey ise kimsenin yönetim kurulu slaytına koymadığı değişkendi: aynı şirketlerin aynı yıllarına ait milyonlarca Glassdoor değerlendirmesinden çıkarılan çalışan yapay zekâ algısı (Ding, Ma, Wu & Yang, SSRN, 2026).
Bir sinyal gürültülü, bedava ve değersiz. Diğeri sessiz, orta ölçekli şirketlerin çoğunda hiç ölçülmüyor ve çıktıyla ilişkisi kanıtlanmış tek sinyal.
Yapay zekâ getirinizi bütçeyi onaylayanların özgüveninden tahmin ediyorsanız, yanlış göstergeyi okuyorsunuz.
Pittsburgh paneli aslında neyi ölçtü
Çalışma — Tracking Artificial Intelligence Sentiment in the U.S. Labor Market, Pittsburgh Katz ve Michigan State araştırmacılarının imzasını taşıyan 116 sayfalık bir çalışma metni — 2021–2025 dönemi için dört veri kaynağından şirket düzeyinde bir panel kuruyor: milyonlarca Glassdoor çalışan değerlendirmesi, yaklaşık 10.000 bilanço telekonferansı dökümü, bireysel LinkedIn kariyer profilleri ve şirket düzeyinde iş ilanları (Ding, Ma, Wu & Yang, SSRN, 2026).
Operasyonu yönetenler için üç sonuç önemli.
Birincisi, çalışanlar yapay zekâya karşı, işverenlerine karşı olduklarından ölçülebilir biçimde daha olumsuz. Fark yapay zekâya özgü. Şirketi olumlu değerlendiren aynı kişi, yapay zekâ programını bu düzeyin altında puanlıyor — yani bu, yapay zekâ sorusuna taşan genel bir memnuniyetsizlik değil.
İkincisi, çalışan yapay zekâ algısı ile şirket verimliliği arasında güçlü bir pozitif ilişki var. Algı yükseldikçe çıktı yükseliyor.
Üçüncüsü ve neyi ölçeceğine karar veren bir operasyon lideri için en yararlısı: yönetimin yapay zekâ algısı verimliliği açıklamıyor. Sonradan iyi performans gösteren şirketlerde de göstermeyenlerde de yeknesak biçimde iyimser — sinyal olarak işe yaramaz olmasının nedeni tam da bu. Varyansı olmayan bir değişken hiçbir şeyi öngöremez.
Yönetici iyimserliğinin verebileceği varyans neden yok
Bu, yöneticilerin yalan söylediği iddiası değil. Bilanço telekonferansı dilinin ne işe yaradığına dair bir tespit.
Bilanço telekonferansı, yanına hukuk ekibi iliştirilmiş bir konumlandırma egzersizidir. "Yapay zekâ yatırımımız henüz geri dönüş sağlamıyor" diyen CEO, bu cümlenin bedelini piyasada anında öder. Sonuç, neredeyse herkesin kendinden emin göründüğü bir metin bütünüdür; bu da işleyen bir programı durmuş bir programdan ayırmak için gereken farkları tam olarak siler.
Anket verisi aynı sıkışmayı başka bir açıdan gösteriyor. BambooHR'ın altı sektörde 1.200'den fazla çalışan ve yöneticiyi kapsayan State of the Workforce 2026 araştırması, liderlerin %81'inin yapay zekâdan verimlilik artışı bildirdiğini, katılımcıların %49'unun ise yapay zekânın somut değer üretmediğini ve abartıldığını söylediğini buldu (BambooHR, 2026). Bu iki sayı aynı şirketleri tarif ediyor. Liderlik katmanı farklı bir gerçeklik gözlemlemiyor — farklı bir gerçeklik raporluyor.
Üst kademe okumasının yüksek çıkmasının yapısal bir nedeni var ve bu kibir değil. Liderler pilot demosunu, tedarikçi kıyaslamasını ve toplulaştırılmış paneli görür. Çalışanlar yeniden yapılan işi, doğrulama adımını ve araç etrafında hiç yeniden tasarlanmamış iş akışını görür. İkisi de yapay zekâ programına bakıyor. Ama yalnızca biri, verimliliğin çıkması gereken yere bakıyor.
Yapay zekâ iş gerekçeniz liderlik ekibinizin ne kadar emin hissettiği üzerine kuruluysa, veri setindeki açıklayıcı gücü olmayan tek değişkenin üzerine kurulmuş demektir.
İş güvencesi birinci etken — işten çıkarmaların yapay zekâya bağlanması ise yükseltici
Çalışma, çalışan yapay zekâ algısını aşağı çeken etkenleri sıralıyor. İş güvencesi kaygısı en güçlü olumsuz etken; yetersiz eğitimin, cılız yeniden beceri kazandırma yollarının, zayıf yapay zekâ liderliğinin ve araçların işe yaradığına dair basit şüphenin önünde (Ding, Ma, Wu & Yang, SSRN, 2026).
Ardından operasyonel sonucu en doğrudan olan bulgu geliyor: yapay zekâya bağlanan işten çıkarma duyuruları, duyuruyu yapan şirkette çalışan yapay zekâ algısını belirgin biçimde düşürüyor — kesintilerin kasaya yazması beklenen benimseme kazanımlarını sıfırlayarak. Üstelik bu duyurulara piyasa tepkisi, incelenen olayların yarısından fazlasında negatif ya da yaklaşık sıfırdı.
Bunu bir fiyatlama hatası olarak okuyun. Bir şirket küçülmeyi "yapay zekâ bu rolleri gereksiz kıldı" diye çerçevelediğinde, bedava sandığı bir anlatı seçiyor. Bedava değil. Verimlilikle ilişkili algı değişkeninde ölçülebilir bir düşüş satın alıyor; karşılığında beklediği piyasa tepkisi ise vakaların yarısından fazlasında hiç gelmiyor.
Bu kararın öbür yüzüne dair Forrester verisi hiç iç açıcı değil. İşverenlerin %55'i yapay zekâ gerekçesiyle işten çıkarmaktan pişman olduğunu söylüyor ve yapay zekâya bağlanan işten çıkarmaların yaklaşık yarısının 2026'da sessizce geri alınması bekleniyor — yurt dışında ya da belirgin biçimde daha düşük ücretle yeniden işe alımlarla (HR Executive, Forrester Predictions 2026 üzerine). Yani şirketlerin kayda değer bir kısmı için sıra şu: kes, kesintiyi yapay zekâya bağla, algı darbesini yut, piyasadan itibar görme, sonra yeniden işe al.
Makro tablo, bu kesintilerin büyük bölümünün toplam istihdam aritmetiğiyle zaten gerekçelendirilmediğini söylüyor. Fed'in CFO Anketi paneli — Kasım 2025 ile Ocak 2026 arasında toplanan 603 yanıt ve 145 ek yanıt — 2025'te yapay zekânın istihdama etkisini ihmal edilebilir, 2026 için beklenen toplam etkiyi ise sıfıra yakın buldu. Hareket bileşimde: 2026'da rutin büro işi payında %0,76'lık, 2028'e kadar %2,19'luk beklenen düşüş, kısmen nitelikli teknik rollerdeki büyümeyle dengeleniyor (NBER Working Paper 34984, 2026).
Bileşim kaymaları duyuru gerektirmez. İşe alım planı gerektirir.
Kimsenin fiyatlamadığı elde tutma bulgusu
Panelin bir bulgusu daha, iş gücü modelinizde kendi satırını hak ediyor: yapay zekâ becerisine sahip çalışan oranı yüksek şirketlerde devir hızı daha yüksek, işe alım oranı daha düşük ve istihdam büyümesi daha yavaş. Yazarlar bariz karıştırıcıyı — pandemi sonrası fazla işe alıp şimdi düzeltme yapan şirketleri — test etmiş; bu şirketler dışlandığında da sonuç ayakta kalıyor, dolayısıyla bu esasen bir "yapay zekâ cilası" yanılsaması değil (Ding, Ma, Wu & Yang, SSRN, 2026).
Bunun yanında: yapay zekâ becerisine sahip çalışanlar için yükselen ücret primi ve daha hızlı yukarı doğru hareketlilik.
İkisini birleştirin, orta ölçeğin maruziyeti somutlaşır. 2025'i yapay zekâda akıcılığa kadar eğittiğiniz kişiler, artık onlara daha çok ödeyen bir piyasada daha hareketli hale geldi — üstelik daha yavaş işe alan bir şirketin içinde. Yapay zekâ yetkinlendirme programınızın ekinde bir elde tutma faturası var ve tam da yerine adam bulmanın en zor olduğu kıdem bandında vadesi doluyor.
Ciddiye alınmayı hak eden karşı argüman
Bu bir çalışma metni, hakemli bir yayın değil; temel ilişkiler gözlemsel. Kimse çalışan algısını rastgele atamadı. Algı ile verimlilik arasındaki ilişki, ters nedensellikle — verimli şirketler çalışması keyifli yerlerdir ve insanlar oralar için daha iyi değerlendirme yazar — ve ikisini birden üreten atlanmış bir üçüncü etkenle, yani yetkin yönetimle uyumludur.
İtiraz doğru ve ne yapmanız gerektiğini değiştirmiyor.
Sizden algıyı iyileştirmenin verimlilik yarattığına inanmanız istenmiyor. Ölçülebilir bir değişkenin şirket performansıyla birlikte hareket ettiğini, bir diğerinin etmediğini fark etmeniz isteniyor. Öncü göstergenin yararlı olması için nedensel olması gerekmez; bilgilendirici ve erken erişilebilir olması gerekir. Çalışan yapay zekâ algısı ikisi de. Yönetici algısı ise bu kanıta göre hiçbiri değil.
Savunulabilir konum "yapay zekâdan getiri almak için moralı düzeltmeliyiz" değil. "Şu anda getirimizi kanıtlanmış öngörü gücü sıfır olan bir sinyalden tahmin ediyoruz ve alternatif sinyali toplamak neredeyse hiçbir şeye mal olmuyor" demektir.
Neyi ölçmeli: öncü gösterge olarak çalışan yapay zekâ algısı
Yapay zekâ algısını bağlılıktan ayrı ölçün
Mevcut bağlılık anketiniz bunu görünür kılmaz. Pittsburgh bulgusunun bütün mesele ettiği şey, yapay zekâ algısının şirkete yönelik genel algının altında seyretmesi — ikisini birleştirmek farkı gizler. Zaten kullandığınız araca yapay zekâya özgü üç dört madde ekleyin: araç işinizi iyileştiriyor mu, kullanmak için gereken eğitimi aldınız mı, rolünüz için ne anlama geldiğini anlıyor musunuz. Yapay zekâ algısı ile genel algı arasındaki farkı ayrı bir gösterge olarak izleyin.
Fonksiyona ve kıdeme göre ayırın, dağılımı okuyun
Kurum geneli ortalama iyi görünecek ve size hiçbir şey söylemeyecek. Sinyal, hangi ekiplerin negatife döndüğünde — ve devir hızı bulgusu göz önüne alınırsa, negatife dönenlerin yapay zekâda en akıcı kişiler olup olmadığında. Bu iki kesit raporun kendisidir.
Bu yılki yeniden yapılanmaların nasıl gerekçelendirildiğini denetleyin
Son on iki ayın her küçülmesine geri dönün ve çalışanlara nedeni olarak ne söylendiğine bakın. Gerçek etken olmadığı halde yapay zekâ neden olarak gösterildiyse, size hiçbir şey kazandırmayan bir anlatı için algı bedeli ödediniz. Bundan sonrası için dili düzeltin: teknolojiye değil, iş gerekçesine atfedin.
Etkenleri finansmanı kolay olana göre değil, önem sırasına göre giderin
İş güvencesi eğitimden önce gelir. Yetkinlendirme bütçelerinin çoğu bu sırayı tersine çevirir — araçlara ve prompt atölyelerine ağır yatırım, iş akışı değiştiğinde rolün ne olacağı konusunda sessizlik. Belirli bir işte yapay zekânın ne anlama gelip ne anlama gelmediğine dair açık ve somut bir açıklama hiçbir şeye mal olmaz ve birinci sıradaki etkeni hedefler. Eğitim ikinciyi hedefler. Bu sırayla satın alın.
Sonra lisans sayısını değil, kullanım senaryolarını genişletin
Gallup'un 2026 ikinci çeyrek verisi, verimliliğinde olumlu etki bildiren çalışan oranının, bir-iki yapay zekâ kullanım senaryosu olanlarda %45 iken yedi ve üzeri olanlarda %90'a çıktığını gösteriyor (Gallup, 2026). Araç gerçekten yardımcı olduğunda algı düzelir. Onu hareket ettiren, dağıtılan lisans sayısı değil, uygulamalı kullanımın genişliğidir.
Masanızdaki karar
Zaten bir çalışan anketiniz var. Zaten birinin tedarikçi kıyaslamaları ve liderlik özgüveniyle hazırlanmış bir yapay zekâ ilerleme slaytı sunduğu çeyreklik iş değerlendirmeleriniz var. Değişiklik yeni bir bütçe kalemi değil — bu iki üründen hangisini kanıt saydığınız.
Bir sonraki yapay zekâ yatırım değerlendirmenizden önce odaya tek bir sayı koyun: fonksiyona ve kıdeme göre ayrılmış çalışan yapay zekâ algısı ve genel algıya olan farkı. Odadaki herkesin beklediğinden düşük çıkıyorsa, bu İnsan Kaynakları'na havale edilecek bir moral sorunu değildir. Bu sizin verimlilik tahmininizdir ve harekete geçmeye yetecek kadar erken gelmiştir.
