Beyaz Yaka‘nın Geleceği: Sentor Mu Siborg Mu?
Üretken yapay zekanın gelişiminin beyaz yakalar için anlamını inceliyoruz.
Üretken yapay zeka (YZ), ChatGPT gibi araçlarla hayatımıza girdiğinden beri, bir yandan baş döndürücü bir heyecan yaratırken, diğer yandan da kafa karışıklığına neden oluyor. Bu sistemler, üst düzey strateji sunumları hazırlamaktan ikna edici metinler yazmaya kadar inanılmaz işler başarabiliyor. Ancak, 50'ye kadar doğru saymak veya cümleleri belirli bir kelimeyle bitirmek gibi görünüşte basit görevlerde tökezleyebiliyorlar. İşte bu şaşırtıcı ikilem, araştırmacı Ethan Mollick ve meslektaşlarının “sarp sınır” (jagged frontier) olarak adlandırdığı, YZ’nin yeteneklerindeki düzensizliği vurgulayan ve YZ’nin iş dünyasını nasıl yeniden şekillendireceğini anlamak için kritik öneme sahip bir kavramı gözler önüne seriyor.
Sarp Sınır: Yapay Zekanın Parladığı ve Tökezlediği Yer
Boston Consulting Group (BCG) ile yürütülen çığır açıcı bir çalışmada Mollick ve Harvard, MIT ve Warwick Business School’dan sosyal bilimcilerden oluşan bir ekip, YZ’nin profesyonel çalışmalara etkisini değerlendirmek için geniş ölçekli bir deney gerçekleştirdi. “Navigating the Jagged Technological Frontier” (Sarp Teknolojik Sınırda Yol Almak) adlı çalışma makalesinde detaylandırılan bulguları kesindi: YZ’nin önemli bir güç olduğu aşikar. GPT-4 kullanan danışmanlar, kullanmayanlara göre %12.2 daha fazla görevi tamamladı, görevleri %25.1 daha hızlı bitirdi ve 18 gerçekçi danışmanlık görevinde %40 daha kaliteli sonuçlar üretti.
Mollick’in açıkladığı gibi, “sarp sınır” metaforu, YZ’nin yeteneklerini düzensiz bir kale duvarı gibi görselleştirir. Bazı görevler, kuleler gibi dışarı doğru uzanarak YZ’nin yeterliliğini gösterirken, diğerleri geriye doğru katlanarak YZ’nin zorlandığı alanları işaret eder. Kritik olarak, bu duvar görünmezdir ve insanlara eşit derecede zor görünen görevler, duvarın zıt taraflarında yer alabilir. Örneğin, YZ bir dörtlük yazmada mükemmel olabilirken, belirteç tabanlı (token-based) çalışması nedeniyle tam olarak 50 kelimelik bir şiir üretemeyebilir. Benzer şekilde, fikir üretme YZ için bir güç olabilirken, temel matematik birçok Büyük Dil Modeli (LLM) için diğer alanlara göre zorluk olmaya devam etmektedir. LLM’lerin “büyülü kelime tahmincisi” doğasından kaynaklanan bu öngörülemezlik, kullanıcıların, hatta uzmanların bile bu sınırlamaları net bir şekilde ayırt edememesi anlamına geliyor.
Sınırın Tehlikeleri: Direksiyon Başında Uyuklamak
Harvard Business School (HBS)’un bir çalışması kritik bir uyarıyı da ortaya koymuştur. Görevler “sınırın dışında” olacak şekilde tasarlandığında, yani YZ’nin ikna edici ama yanlış bir cevap üreteceği durumlarda, YZ kullanan danışmanlar, kullanmayanlara göre daha kötü performans gösterdi. Sadece insanlar sorunu %84 oranında doğru çözerken, YZ’ye güvenenlerde bu oran %60–70'e düştü. Mollick bunu, meslektaşı Fabrizio Dell’Acqua’nın da gözlemlediği “direksiyon başında uyuklama” (falling asleep at the wheel) fenomenine bağlıyor; kullanıcılar görünüşte yüksek kaliteli YZ’ye aşırı güvenerek tembellik, dikkatsizlik ve muhakeme yeteneğinde azalma yaşıyorlar. Ralph Losey, avukatların YZ tarafından üretilen “halüsinasyonları” gerçek alıntılar olarak sundukları için yaptırımlarla karşılaştığı Mata v. Avianca, Inc. gibi gerçek dünya hukuk davalarına işaret ederek, bu tür aşırı güvenin ciddi sonuçlarını gösteriyor.
Mollick ayrıca, YZ çıktılarının genellikle daha yüksek kalitede olmasına rağmen, insan çeşitliliğinden yoksun, “tekdüze ve birbirine benzer” (homogenous and same-y) olabileceğini belirtiyor. Bu durum, doğruluğu, özgünlüğü ve inceliği sağlamak için aktif insan katılımını zorunlu kılıyor.
Sentorlar ve Siborglar Sahneye Çıkıyor: İnsan-YZ İşbirliğinde Ustalaşmak
Bu sarp sınırı başarıyla aşmanın ve risklerini azaltmanın anahtarı, HBS araştırmacılarının belirlediği ve Zwingmann ile Losey’nin detaylandırdığı iki farklı insan-YZ işbirliği yaklaşımında yatıyor: Bir “Sentor” veya bir “Siborg” (Sibernetik-Organizma) olmak.
- Sentor: Stratejik İş Bölümü
Satranç ustası Garry Kasparov’un IBM’in Deep Blue’suna karşı meşhur maçlarından sonra ortaya attığı “Sentor” terimi, mitolojik yaratığın belirgin insan gövdesi ve at bedeni gibi, insan ve YZ arasında net bir iş bölümünü tanımlar ve Harvard Profesörü Soroush Saghafian, Sentor kullanım şekillerinde insan sezgisinin YZ gücüyle birleşimini vurgular. Sentorlar, her bir tarafın güçlü yönlerine göre stratejik olarak görevleri dağıtır. Sentorlar istatistiksel tekniklere karar verir ancak grafikleri YZ’nin üretmesine izin verir; en güçlü oldukları işi kendileri yapar ve YZ’ye uygun görevleri devrederler. İnsan metni yazar, YZ çevirir; insan taslak oluşturur, YZ düzenler; YZ bir ana hat önerir, insan içeriği doldurur. Etkileşim genellikle kısadır: girdi verilir, çıktı alınır ve sonra insan tarafından üzerinde çalışılır. Strateji insan tarafından tasarlanır ve YZ için ayrı bir görev, insan tarafından tasarlanan stratejinin bir açıklamasını yazmaktır. Sınırlar nettir. - Siborg: Derin Entegrasyon ve Yineleme
Siborglar ise, aksine, insan ve YZ arasında derin, sürekli ve iç içe geçmiş bir işbirliğini temsil eder; tıpkı birinin nerede bitip diğerinin nerede başladığını söylemenin zor olduğu sibernetik bir organizma gibi. Siborglar sadece görev devretmez; çabalarını iç içe geçirir, sınır boyunca ileri geri hareket ederler. YZ’yi, YZ’nin tamamlaması için bir cümle başlatmak veya kendi yönlendirmesi ve rehberliğiyle makalesi için illüstrasyonlar oluşturmak gibi görevler için kullanır. Yaratıcı yazarlık, cümle tamamlama ve karakter taklidi buna örnek olarak verilebilir. ChatGPT ile SMART problem ifadeleri oluşturmak için kendi iş akışını, adım adım etkileşim, sorular ve öneriler içeren Siborg benzeri bir süreç olarak tanımlar. Nihai problem ifadesini YZ’nin mi yoksa insanın mı yazdığını söylemek zordur.
Gelişen Bir İlişki: Sentor’dan Siborg’a
Bu seçim illa ki kalıcı olmak zorunda değil. Zwingmann’ın belirttiği gibi, “tek bir üst düzey iş süreci, eldeki göreve bağlı olarak genellikle hem Sentor hem de Siborg tercihli yaklaşımları içerir.” Özgeçmişleri özetlemenin bir Sentor görevi olduğu, YZ yardımıyla bir mülakata hazırlanmanın ise bir Siborg görevi olduğu bir İK adayı eleme iş akışı örneği sunar.
Ralph Losey, Sentor’dan Siborg’a geçişin evrimsel olabileceğine dair ikna edici bir bakış açısı sunar. Hukukçulara “önce yavaş gidin ve YZ’ye çok sınırlı bir temelde görev devredin, bu Sentor yaklaşımıdır.” tavsiyesinde bulunur. Deneyim ve yetkinlik arttıkça, kullanıcılar üretken YZ kullanımını yavaşça artırabilir ve giderek daha fazla göreve uygulamayı deneyebilirler. Zamanla daha çok Siborg gibi olmaya başlayacaklardır der.
Beyaz Yaka İşlerinin Değişen Manzarası ve Uyum Zorunluluğu
Son 200 yılda makineleşme mavi yakalı görevleri azaltırken, son 50 yılda dijitalleşme ofis işlerini otomatikleştirdi. Şimdi ise, yapay zeka bilişsel ve hatta yaratıcı görevleri dönüştürüyor. Önümüzdeki on yılda (yak. 2025–2035), üretken yapay zeka ve gelişmiş büyük dil modelleri, akıl yürütme ve yaratıcı sentezde insan düzeyinde yeterliliğe ulaştıkça, rutin hukuki araştırma, basit yazılım projeleri, standart finansal analiz, temel tıbbi teşhisler ve giriş seviyesi gazetecilik gibi birçok orta ve yüksek vasıflı “beyaz yakalı” pozisyonun geniş ölçüde otomatikleştirilebilir hale gelmesi ve potansiyel olarak bu rolleri geçersiz kılması veya kapsamlarını önemli ölçüde değiştirmesi öngörülmektedir (Brynjolfsson & McAfee 2014; Frey & Osborne 2017; Arntz, Gregory & Zierahn 2016; Susskind & Susskind 2015; Ford 2015; Bessen 2019).
Üretken yapay zekanın sunduğu imkanlar nedeniyle, giriş seviyesindeki yeni işe alımların yavaşladığını gözlemliyoruz. Şirketler, bu alanlardaki iş gücü ihtiyacını mevcut çalışanlara yapay zeka destekli görevler tanımlayarak karşılamaya çalışıyor. Ancak bu teknolojiler henüz işten çıkarmalara neden olacak seviyeye ulaşmış değil. Şu anda bu çözümler, bir çalışanı işe almaktan daha maliyetli olabilir ya da karmaşık görevlerde yeterli başarıyı gösteremeyebilir. Yine de yapay zekada aşılması imkânsız bir sınır olmadığını (there is no wall in AI); zamanla araştırmacıların bu sistemleri daha uygun maliyetli ve daha yetkin hale getireceğine inanıyorum.
Peki ne yapmak lazım? Tersine, saf akıl yürütme ve rutin tasarım görevleri YZ “eşlikçilerine” (copilot) kaydıkça, en değerli kalacak beşeri sermaye, makinelerin kolayca kopyalayamayacağı nitelikler olacaktır: Gelişmiş duygusal zeka (terapi, müzakere), karmaşık disiplinlerarası problem çözme (stratejik liderlik, politika oluşturma) ve yüksek riskli etik denetim (YZ güvenliğini sağlama). Beyaz yakalı profesyoneller, ya otomasyonu mümkün olmayan “insan merkezli” beceriler geliştirerek uyum sağlamalı ya da yerinden edilme riskini almalıdırlar.
Bu uyum pratikte neye benziyor?
- “YZ Okuryazarlığı” ve İstem Mühendisliği Becerileri Geliştirmek: Profesyonellerin YZ’nin yetenekleri ve sınırlamaları hakkında temel bir anlayışa sahip olmaları ve istenen çıktıları üretmek için YZ modellerine etkili bir şekilde “komut verme” yeteneği kazanmaları gerekecektir. Bu, YZ ortaklarımızın dilini ve mantığını öğrenmek gibidir. Derin öğrenme modellerinin mimarisine hakim olanlar (teorik bilgi) ve çıkan dil ailelerindeki modellerin farklı kendine özgü davranışlarına dair deneyimi olanlar (pratik bilgi) bir avantaja sahip olacaklardır.
- “Üst Becerilerde” Uzmanlaşmak: YZ rutin görevleri üstlendikçe, insan değeri eleştirel düşünme, yaratıcı problem çerçeveleme, sistem düşüncesi ve öğrenme çevikliği gibi “üst becerilerde” yatacaktır.
- Derin Uzmanlığa ve Niş Uzmanlığa Yönelmek: YZ içgörülerini entegre etme yeteneğiyle birleşen derin alan uzmanlığı son derece değerli olacaktır.
- İnsan Odaklı Etkileşimi Geliştirmek: Duygusal zeka, empati, karmaşık iletişim ve etik muhakemeye verilen önem artacaktır.
Peki, gelecekte daha basit ve daha az kazandıran işler hiç mi olmayacak? Herkes yaratıcı düşünmek zorunda mı kalacak? Tüm tekrar eden işler otomatikleştirilecek mi? Bence kesinlikle böyle işler var olmaya devam edecek. Benim tahminim, düşük efor gerektiren bu işler; derin öğrenme modellerinin kullanıldığı, ancak çıktıların büyük ölçüde öngörülebilir olduğu alanlarda, sürecin devamı için gereken düzenleyici veya hukuki insan onay rollerinden oluşacaktır. Modeller insan seviyesinde otomasyon sağlasa bile, hata riski her zaman var olacaktır ve bu riskin sorumluluğunu insanlar üstlenmek zorunda kalabilir. Bunun dışında, yapay zekâ otomasyonunun (ve insansı robotların) hâlâ insan emeğinden daha maliyetli olduğu alanlarda insanlar çalışmaya devam edebilir. Ancak işlem gücünün giderek ucuzlaması, yapay zekânın dinlenmeye, uyumaya veya izne ihtiyaç duymaması ve psikolojik sınırlamalara sahip olmaması, bu maliyet karşılaştırmasını zamanla yapay zekâ lehine değiştirebilir. İnsansı robotların donanım bakımları konusunda da robotikçiler eminim ki bir çözüm bulacaklardır.
Kurumsal Dönüşüm: “Sentor/Siborg” İş Yerini İnşa Etmek
Bu geçiş sadece bireysel bir sorumluluk değildir. Kuruluşlar, etkili insan-YZ işbirliğini teşvik etmek için işi, kültürü ve yapıları proaktif olarak yeniden tasarlamalıdır:
- İş Akışı Yeniden Tasarımı: Şirketler, YZ otomasyonuna uygun görevleri, YZ ile güçlendirilmeye hazır görevleri ve kesinlikle insan elinde kalması gereken görevleri belirlemelidir.
- Deney ve Sürekli Öğrenme Kültürünü Teşvik Etmek: Çalışanların yeni YZ araçlarını öğrenmeleri, yeni işbirlikçi iş akışlarını denemeleri için güvenli alanlar yaratılmalıdır.
- Etik Çerçeveler ve Sorumlu YZ Uygulaması: Veri gizliliğini sağlamak, algoritmik önyargıyı azaltmak, YZ karar verme süreçlerinde şeffaflığı sürdürmek ve net insan hesap verebilirlik sınırları oluşturmak kritik hale gelir.
İlerleyen Sınır ve Eylem Çağrısı
Mollick, seçkin BCG danışmanlarının kullandığı YZ araçlarının “herkesin kullanımına açık olanlarla tamamen aynı” olduğunu vurguluyor. Dahası, “teknolojik sınır sadece sarp değil, aynı zamanda genişliyor.” Bu, bugün sahip olduğumuz YZ’nin yakında daha da güçlü modellerle aşılacağı anlamına geliyor.
Artık soru, YZ’nin işi yeniden şekillendirip şekillendirmeyeceği değil, bunun ne anlama gelmesini istediğimizdir. Mollick, Zwingmann ve Losey’e göre ileriye giden yol aktif katılımı içeriyor:
- Mollick: “Kararları yakında vermeliyiz.”
- Zwingmann: “Sentor ve Siborg tarzı iş akışlarının farkında olmak ve bunları stratejik olarak kullanmak en büyük avantajınızdır… Anahtar, YZ ile yeteneklerinin sınırlarını görmeye başlayacak kadar deneyim kazanmaktır.”
- Losey: “Hızlı ama dikkatli ilerleyin… Güvenin ama doğrulayın. YZ çalışmalarını kontrol edin, hataları öğrenin ve bunlara karşı önlem almak için politika ve prosedürler uygulayın.”
Sonuç olarak, YZ’de ustalaşmak, onun sarp sınırını anlamayı, ne zaman net bir görev bölümüyle bir Sentor olarak çalışılacağını ve ne zaman bir Siborg olarak derinlemesine entegre olunacağını fark etmeyi içerir. Bunu yaparak, YZ’nin doğasında var olan tuzaklardan kaçınırken üretkenliği, kaliteyi artırmak ve hatta işi daha ilginç ve anlamlı hale getirmek için YZ’nin gücünden yararlanabiliriz. Gelecek sadece YZ ile ilgili değil; insan zekası ile yapay yetenek arasındaki sinerjiyle ilgilidir. Bu büyük dönüşümde yol almak için proaktif uyum, yaşam boyu öğrenmeye bağlılık ve benzersiz insani güçlerimizi geliştirmeye odaklanmak anahtar olacaktır.
Kaynaklar
Ethan Mollick, (Sep 16, 2023), Centaurs and Cyborgs on the Jagged Frontier [https://www.oneusefulthing.org/p/centaurs-and-cyborgs-on-the-jagged]
Tobias Zwingman, (March 22, 2024), Centaurs vs. Cyborgs [https://blog.tobiaszwingmann.com/p/generative-ai-centaurs-vs-cyborgs]
Ralph Losey, (April 21, 2024), From Centaurs To Cyborgs: Our evolving relationship with generative AI [https://edrm.net/2024/04/from-centaurs-to-cyborgs-our-evolving-relationship-with-generative-ai/]
Harvard Business School, (2023), Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality [https://www.hbs.edu/ris/Publication%20Files/24-013_d9b45b68-9e74-42d6-a1c6-c72fb70c7282.pdf]
Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. W. W. Norton & Company.
Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254–280. [https://doi.org/10.1016/j.techfore.2016.08.019]
Arntz, M., Gregory, T., & Zierahn, U. (2016). The risk of automation for jobs in OECD countries: A comparative analysis (OECD Social, Employment and Migration Working Papers №189). OECD Publishing. [https://doi.org/10.1787/5jlz9h56dvq7-en]
Susskind, R., & Susskind, D. (2015). The future of the professions: How technology will transform the work of human experts. Oxford University Press.
Ford, M. (2015). Rise of the robots: Technology and the threat of a jobless future. Basic Books.
Bessen, J. E. (2019). AI and jobs: The role of demand. NBER Working Paper №24235. National Bureau of Economic Research. [https://doi.org/10.3386/w24235]
