Ek: Eğitimde kullanılabilecek kanıtlar

Neden göreve özgü senaryolar?

AI kullanımı, aracı lisanslamakla otomatik olarak günlük işe yerleşmiyor. BCG’nin 11 ülke ve bölgede 10.600’den fazla çalışanla yaptığı 2025 anketinde lider ve yöneticilerin dörtte üçünden fazlası üretken yapay zekâyı haftada birkaç kez kullanırken ön saftaki çalışanlarda düzenli kullanım %51’de kalıyor. Çalışanların yalnızca yaklaşık üçte biri yeterli eğitim aldığını söylüyor. En az beş saat eğitim alan ve yüz yüze eğitim ile koçluğa erişenlerde düzenli kullanım belirgin biçimde daha yüksek. [1]

Kullanım ile kurumsal değer arasında da bir ölçekleme açığı var. Microsoft’un 31 ülkede 31.000 bilgi çalışanıyla yaptığı 2025 araştırmasında liderlerin %82’si strateji ve operasyonu yeniden düşünmek için yılı kritik görüyor; yöneticilerin %51’i beş yıl içinde AI eğitimi veya beceri geliştirmenin ekip sorumluluğu olacağını söylüyor. [192] [193] McKinsey’nin 1.993 katılımcılı araştırmasında en az bir işlevde düzenli AI kullanımı %88’e çıkmışken yalnızca yaklaşık üçte biri programını kuruluş çapında ölçekliyor ve %39’u kurumsal EBIT etkisi bildiriyor. AI’dan yüksek değer bildiren kuruluşlar iş akışlarını temelden yeniden tasarlamayı diğerlerine göre 2,8 kat daha sık belirtiyor. [2]

Bu nedenle eğitim, genel bir “AI nedir?” anlatımından ibaret olmamalı. Çalışan, kendi rolündeki girdiyi nasıl hazırlayacağını, hangi adımda AI kullanacağını, çıktıyı hangi ölçütle kontrol edeceğini ve ne zaman insana devredeceğini görmelidir. MIT NANDA’nın 2025 raporu, 300’den fazla kamuya açıklanmış girişimi, 52 kuruluş görüşmesini ve 153 üst düzey lider yanıtını birlikte inceleyerek kuruluşların %95’inin ölçülebilir getiri bildirmediğini; yalnızca %5 entegre AI pilotunun değer çektiğini yazıyor. Rapor, özel kurumsal araçların çoğunda kırılgan iş akışlarını, bağlamsal öğrenme eksikliğini ve günlük operasyonlarla uyumsuzluğu başlıca sorunlar olarak veriyor; ayrıca bulguların kategori örneklemleri ve başarı tanımları değiştiği için yönlendirici olduğunu belirtiyor. [194]

Bu yaklaşım hukuki açıdan da anlamlıdır. AB Yapay Zekâ Tüzüğü’nün 4. maddesi, sağlayıcı ve kullanıcı kuruluşların çalışanlarının ve kendi adlarına sistemi işleten kişilerin AI okuryazarlığını destekleyecek önlemler almasını ister. Avrupa Komisyonu, yükümlülüğün 2 Şubat 2025’te uygulanmaya başladığını; eğitimin rol, risk, teknik bilgi, deneyim ve kullanım bağlamına göre farklılaştırılması gerektiğini; yalnızca kullanım talimatını okutmanın çoğu durumda yetersiz kalacağını açıklıyor. [195] [4] Göreve özgü senaryo, bu nedenle hem benimsemeyi hem de ölçülebilir ve sorumlu kullanımı destekleyen pratik eğitim birimidir.

Verimlilik kanıtları

Noy ve Zhang’ın Science’ta yayımlanan ön kayıtlı çevrim içi deneyinde 453 üniversite mezunu profesyonele mesleğe özgü, teşvikli orta düzey yazma görevleri verildi. Katılımcıların yarısı rastgele ChatGPT erişimi aldı. Erişim, ortalama görev süresini %40 azalttı ve çıktı kalitesini %18 artırdı. Daha zayıf becerili çalışanlar daha çok faydalandı. Deneyde erişim alanların gerçek işlerinde AI kullanımı bildirme olasılığı iki hafta sonra iki kat, iki ay sonra 1,6 kat oldu. Bu, yazma görevinin niteliği ve kısa dönemli deney koşulları için güçlü bir etkidir; bütün ofis işlerine genellenemez. [196]

Brynjolfsson, Li ve Raymond’ın 2025 QJE çalışması, bir Fortune 500 şirketindeki 5.172 müşteri destek temsilcisinde GPT-3 tabanlı, temsilciye gerçek zamanlı yanıt öneren bir asistanın kademeli kullanımını inceledi. Temsilci öneriyi reddedebiliyor veya düzenleyebiliyordu. AI desteği saatte çözülen sohbet sayısını ortalama %15 artırdı. Düşük becerili ve az deneyimli temsilcilerde artış yaklaşık %30’a, en düşük beceri beşte birlik dilimde %36’ya ulaştı; en yüksek becerililerde anlamlı verimlilik etkisi görülmedi ve konuşma kalitesinde küçük düşüş işareti bulundu. Sonuç, aynı aracın çalışanlara göre farklı değer üretebileceğini gösterir. [117]

Dell’Acqua ve arkadaşlarının BCG ile yaptığı alanda 758 bilgi çalışanı, AI yok, GPT-4 ve GPT-4 artı prompt mühendisliği açıklaması koşullarına rastgele atandı. AI’nin yetenek sınırı içindeki 18 gerçekçi danışmanlık görevinde kullanıcılar %12,2 daha fazla görev tamamladı, görevleri %25,1 daha hızlı bitirdi ve daha yüksek kaliteli çözüm üretti. Ancak sınır dışındaki karmaşık yönetim görevinde AI kullananların doğru çözüm üretme olasılığı kontrol grubundan %19 daha düşüktü. Eğitimde “AI her işte yardımcı olur” değil, “hangi görevde güvenilir?” sorusu kurulmalıdır. [3]

Peng ve arkadaşlarının 95 profesyonel programcıyla yaptığı kontrollü Copilot deneyinde katılımcılar JavaScript HTTP sunucusu yazdı; 45 kişi Copilot erişimli, 50 kişi kontrol koşulundaydı. Kontrol grubu internet ve Stack Overflow’u kullanabiliyordu. Görevi tamamlayanlarda ortalama süre Copilot grubunda 71,17 dakika, kontrolde 160,89 dakika oldu; fark %55,8 süre azalmasıydı ve %95 güven aralığı %21-%89’du. Başarı oranı tedavi grubunda 7 yüzde puanı yüksek olsa da istatistiksel olarak anlamlı değildi. Standardize tek görev, gerçek ekip yazılımının tamamını temsil etmez. [197]

METR’nin 2025 randomize deneyinde 16 deneyimli açık kaynak geliştiricisi, düzenli katkı verdikleri büyük depolarda 246 gerçek issue üzerinde çalıştı. Görevler ortalama iki saat sürdü ve AI kullanımı rastgele serbest veya yasak bırakıldı. Çoğunlukla Cursor Pro ile Claude 3.5/3.7 Sonnet kullanılan bu bağlamda AI’ye izin verilmesi tamamlanma süresini %19 uzattı. Geliştiriciler önceden %24 hızlanma, deneyden sonra %20 hızlanma bekledi. METR bunun deneyimli geliştiriciler, tanıdık depolar ve erken 2025 araçları için bir sonuç olduğunu, başka alanlara genellenemeyeceğini özellikle belirtiyor. [198]

METR’nin 2026 güncellemesi, daha yeni araçlarda ölçümün seçim etkileriyle bozulduğunu bildiriyor. 57 geliştirici, 143 depo ve 800’den fazla görevden oluşan sonraki çalışmada bazı geliştiriciler AI olmadan görev yapmak istemedi; %30-%50’si bazı görevleri bu nedenle sunmadığını söyledi. Eski katılımcı alt kümesinde tahmini hızlanma -%18, yeni katılımcılarda -%4’tü; her iki güven aralığı da sıfırı kapsıyordu. Bu sonuç, araçların zamanla değiştiğini ve görev seçiminin ölçümü etkilediğini hatırlatır. [199]

Riskler ve sınırlar

NIST’in üretken AI risk profilinde “confabulation”, kendinden emin fakat yanlış veya hatalı içeriğin kullanıcıyı yanıltması olarak tanımlanıyor. Aynı profil veri mahremiyetini kişisel veya hassas verinin sızması, yetkisiz kullanımı, açıklanması ya da kimlikten arındırmanın bozulması riski olarak sayıyor. Dağıtımdan önce iddiaların ampirik yöntemlerle sınanmasını, çıktıdaki kaynakların doğrulanmasını ve sistemin kullanım koşullarına benzer koşullarda düzenli değerlendirilmesini öneriyor. Bu yüzden günlük senaryolarda kaynak kontrolü, ikinci göz ve yüksek etkili kararlarda insan onayı bulunmalı. [12]

KVKK’nın Kasım 2025 tarihli rehberine göre ÜYZ yaşam döngüsünün herhangi bir aşamasında kişisel veri işlenirse 6698 sayılı Kanun uygulanır. Kullanıcı girdisi kişisel veri içermese bile model eğitimindeki bilgiler çıktıda kişisel veri üretebilir. KVKK ayrıca özel nitelikli veriler için ayrı işleme şartları ve riskleri vurguluyor. Mart 2026 tarihli iş yeri duyurusu, kamuya açık üçüncü taraf araçlarının açık kurum politikası olmadan kullanılmasının izleme ve yönetimi zorlaştırdığını belirtiyor. [200] [201]

HBR, “workslop”u görünüşte cilalı ancak düşük emekli, bilişsel işi alıcıya aktararak zaman ve çaba harcatan AI üretimi iş olarak tanımlıyor. Bir metnin akıcı olması, görevi ilerlettiği veya doğru olduğu anlamına gelmez. Eğitim senaryoları yalnızca hızlı çıktı üretmeyi değil, alıcının yeniden yapacağı işi azaltmayı ve kalite ölçütünü karşılamayı da öğretmeli. [202]

Kurumsal veri koruması araçtan araca değişir. OpenAI, işletme verilerini varsayılan olarak model eğitimi için kullanmadığını ve erişim, saklama ve şifreleme kontrolleri sunduğunu belirtiyor; bu, tüm sağlayıcılar için genel bir garanti değildir. Kurum, sözleşmeyi, veri aktarımını, saklama süresini, erişim rollerini ve yönetici ayarlarını doğrulamadan çalışan verisini kamuya açık bir araca koymamalıdır. [203]

Kanıt maddeleri

• BCG 2025 anketinde ön saftaki çalışanların düzenli GenAI kullanımı %51’dir. [1]
• BCG’de en az beş saat eğitim ve koçluğa erişim düzenli kullanımla ilişkilidir. [1]
• Microsoft 2025 Work Trend Index 31 ülkede 31.000 bilgi çalışanını kapsar. [193]
• Microsoft araştırmasında liderlerin %82’si 2025’i strateji ve operasyonu yeniden düşünmek için kritik görüyor. [192]
• Microsoft raporunda yöneticilerin %51’i AI eğitimini beş yıl içinde ekip sorumluluğu olarak görüyor. [193]
• McKinsey 2025’te en az bir işlevde düzenli AI kullanımı %88’dir. [2]
• McKinsey 2025’te kuruluş çapında EBIT etkisi bildirenlerin oranı %39’dur. [2]
• Stanford AI Index’e göre kuruluş AI kullanımı 2023’te %55’ten 2024’te %78’e yükselmiştir. [204]
• MIT NANDA raporu kuruluşların %95’inin ölçülebilir getiri bildirmediğini yazıyor, ancak bulguların yönlendirici olduğunu da belirtiyor. [194]
• Noy ve Zhang’da yazma görev süresi %40 azalırken kalite %18 arttı. [196]
• Brynjolfsson, Li ve Raymond’da müşteri destek verimliliği ortalama %15 arttı. [117]
• Dell’Acqua alan deneyinde sınır içi görevlerde %12,2 daha fazla görev ve %25,1 daha kısa süre görüldü. [3]
• Dell’Acqua deneyinde sınır dışı yönetim görevinde doğru çözüm olasılığı %19 azaldı. [3]
• Peng ve arkadaşlarının Copilot deneyinde 95 programcı ve 71,17 dakikaya karşı 160,89 dakikalık süre tabanı vardı. [197]
• METR 2025’te 16 deneyimli geliştirici ve 246 gerçek görevde süre %19 uzadı. [198]
• METR 2026 güncellemesinde seçim etkileri nedeniyle daha yeni ölçümün güvenilmez olduğu bildirildi. [199]
• AB AI Act Madde 4 AI okuryazarlığı önlemlerini 2 Şubat 2025’ten beri uygular. [195] [4]
• KVKK, kişisel veri işleniyorsa ÜYZ yaşam döngüsünün tüm aşamalarında 6698 sayılı Kanun’un uygulanacağını belirtiyor. [201]
• NIST, yanlış ama kendinden emin AI çıktısını confabulation olarak sınıflandırıyor. [12]