Google, kimliksizleştirilmiş 14.653.926 Gemini etkileşimini 800'den fazla meslek ve 4.000 O\*NET görevine eşledi. Yapay zekâ ayrıntılı mesleklerin %68'inde göründü — bu, ABD'deki istihdam edilen sivil çalışanların yaklaşık %88'ine denk geliyor. Ancak bu mesleklerden tipik birinin içinde görevlerin yalnızca %21'ine dokundu (Google ATLAS v1.0, 2026).
İşlerin üçte ikisi. İşin beşte biri.
Ve işin rutin dışı ve bilişsel olduğu yerde — muhakeme, analiz, problem çözme; yani en pahalı insanlarınızı işe aldığınız kategori — uçtan uca otomasyon, konuşmaların %10'undan azının görünür niyeti. Kalan %90 taslak yazımı, gözden geçirme, bilgi arama ve yüksek sesle düşünmek.
Yapay zekâ iş gerekçeniz rol ortadan kaldırmaya dayanıyorsa, onu kıran sayı budur. Araçlar zayıf olduğu için değil, aritmetik yanlış birim üzerine kurulduğu için. Bir işin beşte biri, bir kadronun beşte biri değildir.
ATLAS neyi ölçtü ve neden farklı bir yere oturuyor
Google'ın AI & Economy ATLAS çalışması (Activity, Task, Landscape, and Adoption Study), 6–19 Nisan 2026 arasında Gemini App, AI Mode ve Gemini API üzerindeki etkileşimlerden örneklem aldı ve bunları 150 ülke ile 140 dildeki resmî meslek ve görev sınıflandırmalarına eşledi. Rapora Dame Diane Coyle (Cambridge) ve Dr David Autor (MIT) katkı verdi — Autor, teknolojinin emeği iş iş değil görev görev yeniden şekillendirdiğini yirmi yıldır savunan iktisatçıdır (Google, 2026).
Gördüğünüz yapay zekâ benimseme verilerinin çoğu beyana dayalıdır. Bir anket yöneticiye ekibinin yapay zekâ kullanıp kullanmadığını sorar, yönetici de kendisine sorulmasını istediği soruyu yanıtlar. ATLAS ise davranışsaldır: insanların modele gerçekten ne getirdiğini gözlemler, sonra görevi sınıflandırır. Bu kayma önemlidir, çünkü beyan edilen benimseme ile gözlenen görev kapsamı aynı ölçüm değildir ve hiçbir zaman aynı sayıyı üretmemiştir.
Dağılım, %21'lik medyanın ima ettiğinden daha çarpık. Ayrıntılı mesleklerin %29'unda ATLAS hiçbir görev doygunluğu gözlemedi — raf dolduranlar ve sipariş hazırlayanlar, yemek hazırlama görevlileri, atık toplayıcılar, devriye memurları. Diğer uçta, mesleklerin yalnızca %3'ü görevlerinin dörtte üçü veya daha fazlasında yapay zekâ kullanımı gösterdi: yazılım QA analistleri ve test uzmanları, insan kaynakları uzmanları ve doküman yönetimi uzmanları (PPC Land, 2026).
Yüz meslekten üçü derinlemesine kapsanıyor. Otomasyon aday listeniz budur. Slaytınızın söylediğinden daha kısadır.
Google'ın kendi yaptığı karşılaştırma kalibrasyon için not edilmeye değer: Anthropic'in Economic Index'i mesleklerin kabaca %36'sının görevlerinin en az dörtte birinde yapay zekâ kullandığını buldu; Google'ın karşılık gelen rakamı %30 civarında ve yazarlar bu farkı büyük ölçüde davranış farkına değil, daha katı gizlilik eşiklerine bağlıyor (PPC Land, 2026). İki bağımsız veri kümesi, iki farklı sağlayıcı, aynı biçim: geniş ve sığ.
Uçtan uca otomasyon neden %10'un altında kalıyor
ATLAS konuşma kümelerini beş niyete ayırdı: görev otomasyonu, kısmi taslak ve üretim, gözden geçirme ve iyileştirme, fikir üretme ve strateji, bilgi arama ve öğrenme.
Sonuç, standart ikame anlatısını tersine çeviriyor. Rutin dışı bilişsel-analitik görevler O\*NET sınıflandırmasındaki tüm görevlerin %35'ini oluşturuyor, ancak Gemini iş etkileşimlerinin %65'ini. İnsanlar yapay zekâya en çok işlerinin en zor, en az standartlaşmış kısımlarında başvuruyor — ve işin tamamını en az devrettikleri yer tam olarak orası. Bu konuşmaların %10'undan azı uçtan uca otomasyon niyeti gösteriyor. Rutin bilişsel işte ise dörtte birden fazlası gösteriyor (Google ATLAS v1.0, 2026).
Mekanizma gizemli değil. Bir görev, çıktısı bir bakışta doğrulanabiliyorsa ve hatanın maliyeti sınırlıysa tümüyle devredilir. Bir veri kümesini yeniden biçimlendirmek bu tanıma uyar. Hangi tedarikçiyi eleyeceğinize karar vermek uymaz. Rutin dışı iş, tam da doğruluğu düşünmenin çoğunu yeniden yapmadan teyit edilemeyen iştir — bu yüzden insan döngüde kalır ve kazanılan zaman gerçektir ama kısmidir.
Google çıkarımı açıkça yazıyor: veriler, yapay zekânın beyaz yakalı işi kitlesel biçimde otomatikleştirmek ve yerinden etmek üzere olduğu iddiasını desteklemiyor. Yazarlar ayrıca niyet sınıflandırmasının ön aşamada olduğunu ve yetenekler ilerledikçe davranışın değişebileceğini belirtiyor. Bu cümlenin her iki yarısı da planlama varsayımlarınıza aittir.
Kadro aritmetiğiniz sahip olmadığınız bir derinliği varsayıyor
Konunun ilginç bir grafikten operasyon sorununa dönüştüğü yer burası.
Orta ölçekli pazarın standart yapay zekâ iş gerekçesi, görev başına zaman tasarrufunu görev hacmiyle çarpar, saatleri FTE'ye çevirir ve farkı kaydeder. Aritmetik olarak yalnızca kazanılan saatler bitişikse ve kalan işi başka yerde soğurulabilecek bir role aitse çalışır. ATLAS diyor ki kazanılan saatler bir görev portföyünün beşte birine dağılmış durumda — hem de işin hiçbir zaman darboğaz olmamış kısımlarında.
Medyan durumu harfiyen alın. Yapay zekâ bir rolün görevlerinin %21'ini kapsıyor. Cömertçe, her birinde %40 zaman azalması varsayın. Bu, rolün toplam görev süresinde %8'lik bir azalma demektir. Bir kişiyi serbest bırakmadınız. Herkesten bir parçayı serbest bıraktınız; haftaya yayılmış, yeniden tahsis edilemeyecek kadar küçük ve bir puantaj kaydında görünmeyecek kadar küçük parçalar hâlinde.
Bu yüzden pek çok pilot aynı anda hem coşkulu kullanıcılar hem de sabit işletme maliyetleri bildiriyor. İkisi de doğru. Tasarruflar gerçek ve tasarruflar tahsil edilemez, çünkü tahsil etmek görev konsolidasyonu gerektirir — kalan %79'u yeniden tasarlanmış bir role taşımayı — ve bunu kimse üstlenmemiştir.
Daha derin tuzak %3'tür. Bir iş gerekçesi deniz feneri niteliğinde bir işlev üzerinden kurulduğunda — QA testi, İK doküman yönetimi, yüksek kapsamlı idari iş — orada gözlenen kapsam oranı sessizce kuruluşun geri kalanına genellenir. Bu aktarılmaz. Yüzde üçlük o meslekler yapısal olarak sıra dışıdır: yüksek görev standardizasyonu, doğası gereği metin çıktıları, anında doğrulanabilirlik. Finans analistlerinizin ve müşteri yöneticilerinizin bu özelliklerin hiçbiri yok.
Kimsenin fiyatlamadığı uzmanlık tersinmesi
Mevcut planınızda yanlış olma olasılığı en yüksek bulgu, kimin fayda gördüğüyle ilgili.
Yaygın varsayım, yapay zekânın juniorları boşalttığı ve kıdemlileri güçlendirdiğidir. ATLAS bunu iki uçtan da karmaşıklaştırıyor. Kullanım yoğunluğu ücretle birlikte dik biçimde artıyor — bir mesleğin medyan kazancındaki %1'lik artış, kullanım yoğunluğunda %2,5'ten fazla artışla ilişkili; eğitim düzeyi kontrol edildiğinde katsayı %1,86'ya iniyor. İstihdamla ağırlıklandırıldığında örneklemdeki medyan yıllık kazanç 62.252 dolar; Gemini konuşmalarıyla ağırlıklandırıldığında 82.919 dolar; token'larla ağırlıklandırıldığında 86.157 dolar (PPC Land, 2026).
Yani yüksek ücretli kıdemliler yoğun kullanıcılar. Ancak her görevin uzmanlık düzeyi Autor ve Thompson yöntemiyle puanlandığında — bu yöntem görev ifadesindeki kelime dağarcığının enderliğini ve alana özgülüğünü ölçer — kullanım en çok en düşük uzmanlıklı bilişsel görevlerde aşırı temsil ediliyor. Bir raporu başka bir dile yeniden yazmak. Bir ürün şartnamesi taslağı hazırlamak.
Yüksek uzmanlıklı çalışanlar, yapay zekâya düşük uzmanlıklı işlerini getiriyor.
Bu tersinme çalışmanın en uygulanabilir bulgusu ve çoğu dağıtım planının tam tersini işaret ediyor. Değer, kıdemlilerinize zor kararlar için daha akıllı bir düşünme ortağı vermekte yoğunlaşmıyor; pahalı takvimlerdeki düşük uzmanlıklı tortuyu ayıklamakta yoğunlaşıyor. Dağıtımınız, işleri daha otomatikleştirilebilir olduğu varsayımıyla junior rollere yönelmişse, gözlenen eğimin tersine dağıtım yapıyorsunuz. Benimseme, görevin basitliğini değil takdir yetkisini izler — insanlar kendi işlerinin nasıl yapılacağına karar verme yetkisine sahip oldukları yerde yapay zekâ kullanır.
Bu kanıt nerede duruyor
Dürüst sınırlar, çünkü bir Head of Operations bir sağlayıcının kendi telemetrisine bunları fiyatlamadan göre hareket etmemeli.
ATLAS, Google'ın Google'ı ölçmesidir. Yalnızca Gemini yüzeylerini gözlemler; başka bir asistan üzerinde standartlaşmış bir kuruluş kadrajın dışında kalır. Hızlı hareket eden bir pazarda iki haftalık bir örneklemdir. Kurumsal platformlar — Workspace, Gemini Enterprise, ajanik kodlama araçları — büyük ölçüde ayrıntılı veri kümesinin dışındadır ve derin, iş akışına gömülü otomasyonun gerçekleşme olasılığı en çok orada yüksektir. Etkileşimlerin %86'sından fazlası işle ilgili değil; iş konuşmaları App ve AI Mode trafiğinin yaklaşık %13,5'ini oluşturuyor, dolayısıyla işle ilgili alt örneklem geniş olsa da bir dilimdir.
En önemlisi, ATLAS davranışı ölçer, sonucu değil. Tamamlanmış bir konuşma, kişinin ihtiyacı olanı elde edip etmediği ya da bir dakika kazanıp kazanmadığı hakkında hiçbir şey söylemez (Forte Group, 2026).
Bunların hiçbiri kadro iş gerekçesini kurtarmaz. Kurumsal ajanik araçların eksik ölçülmesi, otomasyonun gittiği yerin tavanını yükseltir; %21'lik medyan görev kapsamının bu çeyrekte yönettiğiniz kuruluş için ne anlama geldiğini değiştirmez. Ve yanlılığın yönünü adlandırmakta fayda var: burada bir model sağlayıcısı, kendi ticari çıkarının desteklediği otomasyon anlatısını zayıflatan bir çalışma yayımlıyor. Yayımcının teşvikine ters düşen bulgular daha az değil, daha fazla ağırlık hak eder.
Tahminin yerini alan denetim
Bir sonraki yapay zekâ bütçe görüşmenizden önce somut bir hamle: araç saymayı bırakın, görev sayın.
En büyük yapay zekâ yatırımınızı taşıyan üç rolü seçin. Her biri için görev portföyünü yazın — 15 ila 25 ayrı görev, açık biçimde ifade edilmiş. Her birini iki soruya karşı işaretleyin: çıktı, yetkin biri tarafından bir dakikanın altında doğrulanabiliyor mu ve yanlış bir cevap, yeniden yapmaktan daha pahalıya mı mal oluyor. Doğrulaması ucuz ve yanlışlığı ucuz görevler sizin gerçek otomasyon kümenizdir. Geri kalan her şey destektir ve destek kendini kalite ve çevrim süresinde gösterir, asla kadroda değil.
Sonra gerçekte sahip olduğunuz kapsam oranını ölçün. %21 civarındaysa medyandasınız — normal, başarısız değil ve bir tasarruf kalemi değil. Bir rol %60'ı aşıyorsa, o %3'ten birini bulmuşsunuz demektir: tasarrufun kendiliğinden ortaya çıkmasını beklemek yerine o rolü bilinçli olarak yeniden tasarlayın. Bir rol bir yıllık lisanstan sonra %10'un altında kalıyorsa, sorun ne araçtır ne de insanlar. İş basitçe buna uygun biçimde değildir ve o lisans harcaması başka bir yere aittir.
Bu bulgunun rahatsız edici sürümü aynı zamanda işe yarayan sürümüdür. Yapay zekâ şirketinizdeki neredeyse her işte var ve neredeyse hiçbirinde derin değil, uçtan uca otomasyon plan değil istisna olmayı sürdürüyor ve getiriler en pahalı takvimlerinizi tıkayan düşük uzmanlıklı tortuda duruyor. Gidin onu geri alın. Manşetin vaat ettiğinden daha küçük ve çok daha tahsil edilebilir.
