İnsanlar ChatGPT’yi
ne için kullanıyor?

Aynı sohbet ekranında hangi işler yapılıyor?

Bir metni düzeltmek, bir konuyu öğrenmek ve bir ürün hakkında bilgi almak, ChatGPT’ye yöneltilebilecek farklı talepler. Kullanıcı aynı sohbet ekranından yardım istiyor. Fakat her talepte beklediği sonuç değişiyor. Bazen kendi yazdığı metnin daha anlaşılır olmasını istiyor. Bazen bir açıklama arıyor. Bazen de kendi koşullarına uygun bir öneri bekliyor. Kullanım sayısı tek başına bu ihtiyaçların hangisinin daha yaygın olduğunu göstermiyor.

Aaron Chatterji, Thomas Cunningham, David J. Deming, Zoe Hitzig, Christopher Ong, Carl Yan Shan ve Kevin Wadman, How People Use ChatGPT adlı çalışmada bu ayrımı araştırdı. Ekip, insanların kullandıklarını söyledikleri özelliklerin ötesine geçip gönderilen mesajların türünü incelemek istedi. Yazarlar, kullanım anketlerinde insanların verdiği cevapların gerçek kullanımı eksik veya farklı yansıtabileceğini belirtiyor. Bu yüzden ChatGPT’nin kendi kayıtlarından yararlandı. Araştırmanın sorusu, insanların asistana ne yaptırdığı kadar hangi konuda yardım istediğiydi.

Araştırmacılar mesajları nasıl inceledi?

Araştırmacılar bireysel Free, Plus ve Pro hesaplarından yaklaşık 1,1 milyon sohbet seçti. Seçimi rastgele yaptı ve her sohbetten bir mesaj aldı. Ana örneklem Mayıs 2024 ile Haziran 2025 dönemini kapsıyordu. Business, Enterprise ve Education gibi kurumsal planları incelemeye katmadı. Bu nedenle çalışma, bir şirketin kurumsal hesabından yapılan bütün işleri kapsamıyor. Bireysel hesap üzerinden işle ilgili bir soru sorulması ise bu kapsamın içinde kalabiliyor.

Ekip mesajları okuyup elle gruplamadı. Sistem önce mesajlardan kişiyi tanımlayabilecek bilgileri temizledi. Ardından yapay zekâ modelleri mesajları belirlenen başlıklara göre sınıflandırdı. Modeller, değerlendirdikleri mesajı anlamak için önceki 10 mesajı da kullandı. Araştırmacılar mesajların kendisini değil, sonuçta verilen etiketleri gördü. Böylece kullanıcının yazdığı metin araştırmacıya gösterilmeden, mesajın hangi gruba girdiği hesaplamaya katıldı.

Modeller aynı mesajı farklı sorular açısından değerlendirdi. Mesaj işle ilgili miydi? Hangi konudaydı? Kullanıcı bilgi mi istiyordu, yoksa hazırlanmış bir çıktı mı bekliyordu? Bunlar farklı ayrımlar. Bir ürün hakkında bilgi istemek, konuyu anlatıyor. Bu bilgiyi bir karar vermek için istemek ise niyeti anlatıyor. Ekip örnekleme oranındaki değişimleri de hesaplamada dikkate aldı. Amaç, farklı dönemlerin mesaj paylarını karşılaştırabilmekti.

En sık hangi konularda yardım istendi?

Ana bulgular bölümüne göre pratik yardım, bilgi arama ve yazma, incelenen kullanımın yaklaşık %77’sini oluşturdu. Pratik yardım, bir işin nasıl yapılacağını öğrenme, ders desteği alma veya fikir isteme gibi talepleri kapsıyor. Bu grupta cevap kullanıcının koşullarına göre uyarlanabiliyor. Bilgi aramada ise herkes için aynı olması beklenen bir bilgi isteniyor. Araştırmacılar ürünlerle ilgili soruları da bilgi arama başlığına yerleştirdi.

Yazma başlığı yalnız sıfırdan metin hazırlamayı kapsamıyor. Verilmiş bir metni düzenleme, eleştirme ve çevirme talepleri de bu grupta. Araştırmacılara göre tüm yazma taleplerinin yaklaşık üçte ikisi, kullanıcının sağladığı metni değiştirmekle ilgiliydi. Kullanıcı içeriğin bir bölümünü zaten getiriyor ve asistandan o içerik üzerinde çalışmasını istiyordu. Bu ayrım, yazma kullanımının ne anlama geldiğini açıklıyor. Sadece yeni metin üretimini sayan bir tanım, araştırmadaki yazma grubunu tam olarak karşılamıyor.

Bu oranlar mesajların dağılımını anlatıyor. Kullanıcıların aynı oranlarda ayrı gruplara bölündüğünü söylemiyor. Aynı kişi farklı sohbetlerde bilgi isteyebilir ve metin düzenletebilir. Ayrıca bir konunun sık sorulması, verilen cevapların doğru olduğunu göstermiyor. Ekip bu konu dağılımıyla insanların ne talep ettiğini belirliyor; taleplerin sonucunda ortaya çıkan bütün işlerin niteliğini ölçmüyor.

ChatGPT daha çok iş için mi kullanıldı?

İş dışı mesajların payı Haziran 2024’te %53’tü. Haziran 2025’te bu pay %73’e çıktı. Araştırmacılar, bireysel hesaplarda gündelik kullanımın işle ilgili kullanımdan daha hızlı büyüdüğünü buldu. Bu değişim yalnız sonradan katılan kullanıcıların farklı olmasından kaynaklanmıyordu. Yazarlar, aynı dönemde kayıt olmuş kullanıcı gruplarının kendi içinde de kullanımın giderek daha fazla iş dışına yöneldiğini belirtiyor.

İşle ilgili mesajların payının azalması, bu mesajların sayısının düştüğü anlamına gelmiyor. 26 Haziran 2024 ve 26 Haziran 2025’te biten 7 günlük dönemlerin ortalamalarına göre, günlük iş mesajı tahmini 213 milyondan 716 milyona çıktı. Her iki kullanım türü de büyüdü. İş dışı mesajlar daha hızlı büyüdüğü için toplam içindeki dağılım değişti. Toplam mesaj hacmi platform kayıtlarından geliyor. İş ve iş dışı ayrımı ise seçilmiş mesajların sınıflandırılmasına dayanıyor.

İşle ilgili mesajlara ayrıca bakıldığında yazma öne çıktı. Ana bulgular bölümü, Temmuz 2025 için bu mesajların yaklaşık %40’ını yazma olarak bildiriyor. Buradaki oran tüm mesajlara ait değil; yalnız işle ilgili mesajların içinde hesaplanıyor. Dolayısıyla gündelik kullanımın yaygınlığı ile iş mesajlarında yazmanın öne çıkması birbiriyle çelişmiyor.

Kullanıcılar cevap mı istedi, iş mi yaptırdı?

Araştırmacılar niyeti konu dağılımından ayrı inceledi. Bilgi veya tavsiye istemeyi Asking olarak adlandırdı. Bir çıktı hazırlatmayı veya görev yaptırmayı Doing grubuna koydu. Bilgi ya da eylem istemeden görüş veya duygu belirtmeyi ise Expressing olarak sınıflandırdı. Türkçede bunlar bilgi isteme, iş yaptırma ve kendini ifade etme diye açıklanabilir. Etiketler, modelin kullanıcının talebine ilişkin değerlendirmesini gösteriyor.

Tüm mesajlarda bu grupların payı sırasıyla %49, %40 ve %11 oldu. Bilgi ve tavsiye talebi, doğrudan bir çıktı hazırlatma talebinden daha yaygındı. Araştırmacılar meslek ve eğitim bilgisi bulunan bir kullanıcı alt grubunu da inceledi. Bu bilgileri yalnız toplu hesaplamalara izin veren güvenli bir ortamda işledi. Meslekler arasında konular değişse de bilgi edinme ve karar vermede yardım isteme ortak kullanım alanlarıydı. Ancak meslek bilgisi bulunan kullanıcılar bütün kullanıcıları temsil etmeyebilir.

Araştırma neyi ölçmedi?

Mesajların etiketleri, kullanıcının niyetinin doğrudan gözlemi değil. Modeller bu niyeti metinden tahmin etti. Araştırmacılar yöntemi sınamak için kamuya açık WildChat konuşmalarındaki insan değerlendirmeleriyle model sonuçlarını karşılaştırdı. İnsanlar bu ayrı kontrol verisini değerlendirdi. Ana araştırmadaki özel ChatGPT mesajlarını okumadı. Bu ayrım, insanların hiç mesaj görmediği iddiasının hangi veri için geçerli olduğunu açıklıyor.

Kontrolde modelin insanlarla uyumu her sınıflandırmada aynı değildi. İşle ilgili olup olmadığını belirlemede uyum daha yüksekti. Konuyu ayırmada uyum daha sınırlı kaldı. Model, insanlara göre bilgi arama etiketini daha az, pratik yardım etiketini daha sık kullandı. Etkileşim kalitesini değerlendiren modelin insanlarla uyumu ise zayıftı. Bu yüzden konu payları kesin bir niyet ölçümü gibi okunamıyor. Memnuniyet yorumları da konu dağılımından ayrı bir belirsizlik taşıyor.

Örneklem bütün ChatGPT kullanımını kapsamıyor. Kurumsal planların yanında, model eğitimi için veri paylaşımını kapatan kullanıcıların sohbetleri de dışarıda. Çalışma, bir cevabın ardından kişinin satın alıp almadığını veya marka araması yapıp yapmadığını ölçmedi. Bir işletmenin içerik değişikliğinin yapay zekâ yanıtlarında görünürlüğünü artırdığını da sınamadı.

İncelenen metin, Eylül 2025 tarihli bir NBER çalışma makalesi. Henüz hakem değerlendirmesinden geçmemiş. Yazarların çoğunun kurum bilgisinde OpenAI yer alıyor. Kullanılan veri de OpenAI’ın kendi platformundan geliyor. Dolayısıyla araştırmanın yazarlığı ve veri erişimi, incelenen ürünün şirketiyle bağlantılı.

Yazarlar bu kullanımdan nasıl bir sonuç çıkarıyor?

Yazarlar, ChatGPT’nin değerini insanların doğrudan yaptırdığı işlerle sınırlı görmüyor. Bilgi ve tavsiye isteyen mesajları, kullanıcının kendi kararını vermesine yardımcı olan bir kullanım olarak yorumluyor. Özellikle bilgiye dayalı işlerde, daha iyi karar vermenin verimlilik için önemli olduğunu savunuyor. Ancak bu araştırma çalışanların üretimini önce ve sonra ölçmedi. Karar desteğinin verimliliği artırabileceği görüşü, yazarların bulgulardan çıkardığı açıklama.

İş dışı kullanımın daha hızlı büyümesini de gündelik yaşamda sağlanan yararın önemli olabileceğine işaret sayıyorlar. Burada gözlenen şey kullanımın dağılımı ve değişimi. Çalışma, her kullanımın ne kadar yarar sağladığını hesaplamıyor. Araştırmanın ortaya koyduğu tablo, insanların asistandan hazır bir iş istemenin yanında bilgi, açıklama ve kendi durumlarına uygun yardım da istediğini gösteriyor.