ARAŞTIRMANIN HİKÂYESİ
Yapay zekâya açık mesleklerde genç istihdamı nasıl değişti?
Genç çalışanların durumu neden ayrıca inceleniyor?
Bir işletmenin çalışan sayısı artarken işe yeni başlayanlara ayrılan yer azalabilir. Toplam istihdam ile gençlerin iş bulma koşulları aynı şeyi anlatmaz. Stanford Üniversitesi’nden Erik Brynjolfsson, Bharat Chandar ve Ruyu Chen, üretken yapay zekânın yaygınlaşmasından sonraki istihdamı bu ayrımla inceledi. Brynjolfsson ayrıca ABD Ulusal Ekonomik Araştırmalar Bürosu NBER ile bağlantılı. Araştırmacılar, ABD’deki bordro kayıtlarında çalışanların yaşına ve mesleğine göre farklı eğilimler bulunup bulunmadığını sordu.
Çalışmanın odağında, görevleri yapay zekâyla yapılmaya daha uygun mesleklerdeki gençler var. Yazarlar bu uygunluğu “yapay zekâya açıklık” diye adlandırıyor. Açıklık, çalışanın işini kaybettiği veya işvereninin yapay zekâ kullandığı anlamına gelmiyor. Araştırmacılar meslekleri bu özelliğe göre karşılaştırıyor. Genç grubu 22-25 yaşındaki çalışanlardan oluşturuyorlar. Bu yaş aralığı, her çalışanın kıdeminin doğrudan ölçümü değil.
Yazarlar, Ağustos 2026 sürümünde daha önce yayımladıkları araştırmayı güncelledi. Amaçları ekonomideki bütün değişimleri yapay zekâya bağlamak değil. Bordrolarda görünen değişimleri, gençlerle deneyimli çalışanların durumunu ayırarak tarif etmek. Bu nedenle çalışmanın temel sorusu, hangi grupta ne değiştiği. Değişimin ne kadarına yapay zekânın neden olduğu ayrı bir araştırma sorusu olarak kalıyor.
Araştırmacılar çalışanları nasıl izledi?
Araştırmacılar bordro hizmeti veren ADP’nin anonimleştirilmiş kayıtlarını kullandı. Ana veri grubu, Ocak 2021’den Haziran 2026’ya kadar her ay gözlenen firmaları kapsıyor. Bu grupta ayda 3,5 ile 5 milyon çalışan bulunuyor. Yazarlar yalnız aynı firmaları izledikleri bu düzeni dengeli panel olarak adlandırıyor. İncelemeye tam zamanlı, pozitif kazancı olan ve 70 yaşın altındaki çalışanları aldılar. Daha eski eğilimleri görmek için Ocak 2018’de başlayan ayrı bir firma grubu da kullandılar.
Araştırmacılar önce iş unvanlarını standart meslek sınıflarıyla eşleştirdi. Kayıtların yaklaşık %30’unda iş unvanı eksikti. Mümkün olduğunda bu boşluğu çalışanın kendi önceki kaydıyla doldurdular. Önceki kaydı yoksa sonraki meslek kaydını kullandılar. Ardından mesleğin yapay zekâya açıklık ölçüsünü bordro kaydına bağladılar.
Bu yöntem, aynı dönemde genç çalışan sayısının farklı meslek gruplarında nasıl değiştiğini gösteriyor. Ancak örneklem bütün ABD işletmelerini aynı ölçüde temsil etmiyor. Büyük firmalar daha fazla yer alıyor. Yeni ve küçük işletmeler daha az temsil ediliyor. Ayrıca dönemin tamamında gözlenen firmaları seçmek, kapanan firmaları dışarıda bırakıyor. Yazarlar bu seçimin istihdam büyümesini daha yüksek gösterebileceğini belirtiyor.
Bir mesleğin yapay zekâya açıklığı nasıl ölçüldü?
Yazarlar birbirini tamamlayan açıklık ölçüleri kullandı. Görevlere dayanan ölçü, bir mesleğin işlerinin dil modelleriyle otomatik yapılmaya ne kadar uygun olduğunu tahmin ediyor. Dil modeli, metin üzerinden talimat alıp yanıt üreten bir yapay zekâ sistemi. Bu ölçü, o meslekteki işverenlerin gerçekten hangi aracı kullandığını söylemiyor. Araştırmacılar meslekleri açıklık sırasına göre beş dilime ayırdı. Her dilim, benzer açıklık düzeyindeki meslekleri bir araya getiriyor.
Diğer ölçü, Anthropic Economic Index adlı kullanım kaynağına dayanıyor. Bu kaynak, Claude ile yapılan gerçek konuşmaları meslek görevleriyle eşleştiriyor. Konuşmalar, yapay zekânın işi doğrudan yapması ile çalışanın yaptığı işi desteklemesi bakımından da ayrılıyor. Yazarlar bu ayrımı otomasyon ve tamamlayıcı kullanım olarak ele alıyor. Böylece yapay zekâ kullanımı ile kullanımın biçimini ayrı inceleyebiliyorlar.
Bu kullanım bilgisi, ADP’deki belirli bir firmanın kendi çalışanlarını nasıl çalıştırdığının kaydı değil. Araştırmacılar ölçüleri meslek düzeyinde birleştiriyor. Sonra her yaş grubunda, farklı açıklık dilimlerinin istihdamını karşılaştırıyor. Dolayısıyla sonuçlar, belirli bir işletmede yapay zekâ kurulumundan önce ve sonra yapılmış bir deneyden gelmiyor.
Genç istihdamındaki fark ne kadar?
Kasım 2022 ile Haziran 2026 arasında ADP örnekleminin toplam istihdamı yaklaşık %6 arttı. Bütün yaşlar birlikte ele alındığında en açık dilimde de yaklaşık %4 büyüme vardı. Yazarlar bu veride ekonomi genelinde yaygın bir iş kaybı görmediklerini belirtiyor. Gençler ayrı incelendiğinde ise farklı bir sonuç çıkıyor.
22-25 yaş grubunda, en açık iki dilimin istihdamı aynı dönemde yaklaşık %11 düştü. En az açık üç dilimde aynı yaş grubunun istihdamı yaklaşık %10 arttı. Bu değişim oranları arasındaki fark 21 yüzde puan. Yüzde puan, yüzde oranlarının doğrudan farkını anlatıyor. Gençlerin açık mesleklerdeki istihdamı, daha az açık akranlarıyla aynı hızda büyüseydi ulaşacağı düzeyin %19 altında kaldı. Bu göreli açık, bütün gençlerin %19’unun işsiz kaldığı anlamına gelmiyor.
Yazarlar ayrıca meslekler arasındaki istihdam değişimini bir istatistiksel modelle karşılaştırdı. Ocak 2018’den başlayan örneklemde, Tablo 1’in ek kontrol içermeyen hesabı en açık dilimi en az açık dilimle kıyaslıyor. Katsayı -0,179; yazarlar bunu yaklaşık 18 yüzde puanlık fark olarak açıklıyor. Bu katsayı, yukarıdaki %19’luk göreli açıkla aynı ölçü değil. Karşılaştırılan dilimler ve hesaplama yöntemi farklı.
Fark işten ayrılmadan mı işe alımdan mı geliyor?
Araştırmacılar işe giren ve işten ayrılan çalışanları ayrıca saydı. Gençlerde daha açık mesleklerin ayrılma oranı yükselmedi. Bu oran, daha az açık mesleklerdeki kadar veya daha fazla düştü. Yazarlar istihdamdaki ayrışmayı esas olarak gençlerin işe alımındaki yavaşlamayla açıklıyor. Bu nedenle bulgu, mevcut çalışanların topluca işten çıkarılması diye okunamıyor. İşe alım ile ayrılma birbirini etkileyebildiği için yazarlar bu ayrımın yorumunda da temkinli.
Kullanım biçimiyle yapılan karşılaştırmada genç istihdamındaki düşüş, otomasyon payı yüksek mesleklerde yoğunlaşıyor. Çalışanı destekleyen kullanımın yüksek olduğu mesleklerde benzer bir sıralama görülmüyor. Yazarların olası açıklaması, yapay zekânın yazılı kurallarla öğretilebilen işlere daha kolay uygulanması. Deneyimle edinilen bilgi ise yapay zekâyla birlikte değer taşıyabilir. Araştırmacılar bu açıklamayı kanıtlanmış bir neden olarak sunmuyor.
Ücretlerdeki farklılaşma daha sınırlı. Gençlerin yeni işe başladıklarında aldığı temel ücret ile mesleğin açıklığı arasında belirgin ilişki bulunmuyor. Temel ücret ölçüsü primleri, fazla mesaiyi, komisyonları, hisse ödemelerini ve bahşişleri kapsamıyor. Bu yüzden çalışma, işverenin toplam personel maliyetini hesaplamıyor. İstihdam bulgusu da şirket içindeki verimlilik artışının ölçümü değil.
Hangi sınırlar sonucu değiştiriyor?
Eğitim farklarını hesaba katmak tahminleri zayıflatıyor. Meslekteki üniversite mezunlarının payı eklendiğinde, birincil örneklemdeki en açık dilim katsayısı yaklaşık yarıya iniyor ve daha zayıf bir istatistiksel destek taşıyor. Diğer firma örnekleminde bu düzeltmeden sonra sonuç istatistiksel olarak anlamlı değil. Üniversite payı, faiz oranlarına açıklık ve evden çalışmaya uygunluk birlikte hesaba katıldığında Tablo 1’deki katsayı -0,080 oluyor. Bu sonuç da istatistiksel olarak sıfırdan ayırt edilemiyor.
Ayrıca mesleklerin eğilimleri ChatGPT’den önce, özellikle salgın döneminde de farklıydı. Ulusal American Community Survey verisiyle yapılan karşılaştırma aynı büyüklükte bir ayrışma vermiyor. Yazarlar yönün tutarlı olduğunu, büyüklüğün ise ADP örneklemine özgü göründüğünü söylüyor. Bu nedenle ABD genelini, Türkiye’yi veya belirli bir KOBİ’yi aynı oranla anlatmak mümkün değil.
Pazarlama, satış ve müşteri hizmetleriyle ilgili meslekler açıklık sınıflamasında yer alıyor. Ekte müşteri hizmetleri temsilcileri ile pazarlama ve satış müdürleri için yaşa göre istihdam değişimini gösteren vaka grafikleri bulunuyor, ancak metinde bu meslekler için sayısal düşüş yüzdesi verilmiyor. Dilim sonucunu genç pazarlamacılara veya satışçılara ait bir oran gibi aktarmak ölçülen şeyi değiştirir. Yazarlar genel olarak da yapay zekânın nedensel etkisini tahmin etmediklerini açıkça belirtiyor.
Yazarlar ne sonuç çıkarıyor ve çalışmayı kim destekliyor?
Yazarlar bulguları, üretken yapay zekânın giriş düzeyindeki istihdamı etkilemeye başlamış olabileceği görüşüyle tutarlı buluyor. Başka açıklamaların katkısını dışlamıyorlar. Eğilimlerin süresiz devam edeceğini de öngörmüyorlar. Önerileri, istihdam ile ücretleri izlemeyi sürdürmek. Bunun için kamuya açık AI Economic Indicators göstergelerini sunuyorlar.
İncelenen metin bir çalışma makalesi; makalede hakem değerlendirmesine ilişkin bilgi bulunmuyor. Stanford Digital Economy Lab araştırmayı kısmen destekledi. ADP veriyi sağladı ve laboratuvarın Kurumsal İştirak Programı üyesi olarak destek veriyor. ADP ayrıca bu makaleyle ilgisiz sponsorlu bir araştırma projesini destekliyor. Şirketin gizli bilgilerin açıklanmasını önlemek amacıyla makaleyi gözden geçirme hakkı bulunuyor. Bu veri ve finansman ilişkisi, çalışmanın çıkar bağı olarak açıklanıyor.
Bordro kayıtları kamuya açık değil. Yazarlar analiz kodlarını talep üzerine paylaşabileceklerini belirtiyor. Sonuç, belirli meslek ve yaş gruplarında gözlenen bir ayrışmayı tarif ediyor. Hangi işletmenin kaç kişiyi işe alması gerektiğini veya yapay zekâ kullanınca ne kadar tasarruf edeceğini belirlemiyor.
- %19
- Açık mesleklerde 22-25 yaş istihdamı, az açık akranlarıyla aynı hızda büyüseydi ulaşacağı düzeyin göreli olarak %19 altında.
- 21 yüzde puan
- Aynı yaş grubunda en açık iki dilim ile en az açık üç dilimin istihdam değişim oranları arasındaki fark.
DİJİTALPİ’NİN YORUMU
Bu araştırma işletmeler için ne anlama geliyor?
Giriş seviyesi işe alım kararında görevlerin yanı sıra yeni çalışanın nasıl deneyim kazanacağı da değerlendirilmelidir.
Bir örnek düşünün
Temsili bir toptancı, teklif taslağı hazırlayan asistanın yeni satış çalışanına hangi işleri öğrenme fırsatı bıraktığını inceler.
İşinizde ne yapabilirsiniz?
Yeni çalışanın görevlerini, yapay zekânın yapacağı işleri ve deneyimli çalışanın kontrol sorumluluğunu birlikte yazın.
Giriş seviyesi işe alımı değerlendirirken hangi görevlerin otomatik yapılacağını ve yeni çalışanın hangi görevlerle deneyim kazanacağını birlikte yazın. Deneyimli çalışanın kontrol sorumluluğunu ayrıca belirleyin. Araştırma, genç çalışanın yerine araç koymanın şirket için daha iyi sonuç vereceğini göstermiyor.
Pazarlama, satış ve müşteri hizmetleri mesleklerinin açıklık sınıflamasında yer alması, her biri için ayrı bir istihdam düşüş oranı bulunduğu anlamına gelmez. Dilim sonucunu kendi ekibinize uygulanan bir personel azaltma oranına çevirmeyin. Şirket içi verimlilik ve maliyet sonucu ayrıca ölçülmeli.
Giriş seviyesi işe alımı ertelerseniz, o pozisyondaki görevleri kim üstlenecek ve yeni çalışanların deneyim kazanacağı işler nasıl korunacak?
DijitalPi’nin uygulama yorumu. Örnekler konuyu açıklamak için hazırlanmıştır.