Aynı yapay zekâ asistanını en güçlü ve en zayıf çalışanınıza verin; aynı kazancın iki küçük sürümünü elde etmezsiniz. Zıt işaretler elde edersiniz. 640 küçük işletme sahibiyle yürütülen beş aylık rastgele atamalı bir saha deneyinde, hâlihazırda iyi performans gösterip GPT-4 tabanlı bir iş danışmanı alanların geliri ve kârı yaklaşık %15 arttı; zaten zorlanan işletme sahipleri ise kontrol grubuna göre neredeyse %10 daha kötü kapattı (MIT Sloan Management Review, 2026). Aynı araç. Aynı erişim penceresi. Aynı tavsiye hacmi. Yapay zekâ performans açığı daralmadı — genişledi ve bu genişlemenin bir kısmı doğrudan zarardı.
Bu sonuç, hemen hemen her operasyon direktörünün şu anda verdiği bir sıralama kararını değiştirmeli: copilot'u önce kim alıyor.
Yapay zekâ performans açığı neden kapanmak yerine genişledi
Nicholas Otis, Rowan Clarke, Solène Delecourt, David Holtz ve Rembrand Koning, iş danışmanı gibi davranması için yönlendirilmiş bir GPT-4 asistanına erişimi, fast-food dükkânları, kümes hayvanı çiftlikleri, internet kafeler ve benzeri küçük işletmeler yürüten 640 Kenyalı girişimci arasında rastgele dağıttı. Dağıtım bilinçli olarak sürtünmesizdi: Kenyalıların yaklaşık %90'ının zaten kullandığı platformda bir WhatsApp kişisi, beş ay boyunca izlendi (Berkeley Haas, 2026). Çalışma The Uneven Impact of Generative Artificial Intelligence on Entrepreneurial Performance başlığıyla yayımlandı (Management Science, 2026).
Tasarım, sahneden daha önemli. Erişim rastgele atandı; yani ayrışma "kimin gönüllü olduğu" hikâyesi değil. Araç iki kolda da aynıydı. Kullanım hacmi ayrışmayı açıklamıyor. İki grubu ayıran şey, asistana ne getirdikleri ve gelen yanıtla ne yaptıklarıydı.
Bunu Nairobi'ye dair bir merak değil, bir işletme koşulu olarak okuyun. Test edilen değişken — genel amaçlı bir danışman yapay zekâ, muhakemesi zaten kırılgan birine yarar mı — 200 kişilik bir operasyon biriminin alt çeyreğine copilot verip buna yetkinlendirme dediğinizde devrede olan değişkenin ta kendisi.
"Yapay zekâ beceri açığını kapatıyor" kanıtı gerçek — ve sandığınızdan dar
Eşitleme anlatısı bir efsane değil. Belirli bir iş sınıfına dair bir bulgu.
Brynjolfsson, Li ve Raymond, üretken bir yapay zekâ asistanının kademeli yayılımı sırasında 5.179 müşteri destek temsilcisini inceledi. Verimlilik ortalama %14 arttı; yeni ve düşük vasıflı temsilcilerde %34'lük bir iyileşme, en deneyimlilerde ise asgari etki görüldü (Quarterly Journal of Economics, 2025). Mekanizma şuydu: model, en güçlü temsilcilerin pratiklerini yayıyor ve yenileri deneyim eğrisinde daha hızlı aşağı indiriyordu.
O görevin gerçekte ne olduğuna bakın. Sınırları belli bir kapsam. Şirketin bir yerinde zaten var olan doğru bir cevap. Müşteriden anında geri bildirim. Saatler içinde süpervizör kalite kontrolü. Bu koşullarda, örtük en iyi pratiği kodlayan bir yapay zekâ dağılımı sıkıştırır — en zayıflar en çok kazanır, çünkü davranışlarıyla kodlanmış standart arasındaki mesafe en büyüktür.
Şimdi tek bir değişkeni değiştirin: bilinen doğru cevabı kaldırın. Modele fiyatlama, işe alım ya da bir sonraki bin liranın nereye harcanacağı hakkında açık uçlu bir soru sorun. Yakınsanacak doğrulanmış bir hedef yok, döngüyü kapatan bir süpervizör yok, tavsiyenin yanlış olduğuna dair anlık bir sinyal yok. Sıkıştırma artık varsayılan değil. Devreye büyütme giriyor.
Eşitleme sonucu, doğrulanabilir görevlerin bir özelliğidir; teknolojinin değil.
Düzenleyici değişken muhakemedir; erişim ya da prompt becerisi değil
Kenya çalışmasının yazarları mekanizma konusunda net: etkinin işaretini belirleyen şey, "girişimcinin iyi yapay zekâ tavsiyesini kötüsünden ayırt edecek muhakemeye sahip olup olmadığı" idi. Daha zayıf performans gösterenler, reddedecek filtreleri olmadığı için genel ya da yanıltıcı tavsiyeleri uyguladı (MIT Sloan Management Review, 2026).
Altındaki davranışsal ayrıntı daha keskin. Yüksek performanslılar asistana ele alınabilir problemler getirdi — yapısı olan, modelin çıktısının zaten bildikleri bir şeyle karşılaştırılabildiği sorular. Zorlanan işletme sahipleri ise ellerindeki en zor, en muğlak problemleri getirdi: fiyat kıran bir rakip, kuraklık, işletme sermayesizlik. Bunlar, ne bir yapay zekânın ne de bir danışmanın işletmenin dışından iyi yanıtlayabileceği sorular (Berkeley Haas, 2026). Model yine de yanıtladı. Hep yanıtlar. Genel tavsiye — fiyatları düşür, reklama daha çok harca — akıcı, makul ve durumsal muhakeme olmadan uygulandığında marj yok edicidir.
Nedensellik zinciri şöyle işliyor: daha zayıf muhakeme → daha zor ve daha bulanık sorular → daha genel yanıtlar → kötü tavsiyenin daha yüksek uygulanma oranı → ölçülebilir zarar.
Bu zincirde ne olmadığına dikkat edin. Erişim yok. Kullanım hacmi yok. Prompt mühendisliği becerisi yok. Yetkinlendirme programlarının çoğunun satın aldığı müdahale — daha çok lisans, daha çok prompt eğitimi — kaybı üreten adımların hiçbirine dokunmuyor.
Bu, Dell'Acqua ve meslektaşlarının 758 BCG danışmanıyla elde ettiği bulguyla aynı biçim: yapay zekânın yetenek sınırı içindeki 18 görevde, yapay zekâ kullanan danışmanlar %12,2 daha fazla görevi %25,1 daha hızlı ve belirgin biçimde daha yüksek kalitede tamamladı; o sınırın dışına bilerek yerleştirilmiş karmaşık bir yönetsel görevde ise yapay zekâ destekli danışmanların doğru çözüme ulaşma olasılığı, hiç yapay zekâ kullanmayanlara göre %19 daha düşüktü (Harvard Business School, 2023). İki çalışma, farklı popülasyonlar, aynı yapı: zarar, kendinden emin bir çıktı onu değerlendiremeyen bir kullanıcıyla buluştuğunda ortaya çıkıyor.
"Zayıfı destekleme" içgüdüsü neden ters
İşte bunun yeniden çerçevelediği karar.
Sezgisel hamle — çoğu yetkinlendirme planında karşımıza çıkan hamle — yapay zekâ araçlarını önce zorlananlara vermektir. Adil görünür, verimli görünür ve güvenilirliğini çağrı merkezi sonucundan ödünç alır. Tabanı yükselt, açığı kapat, ortalamayı cebe at.
Açık uçlu danışmanlık işinde bu sıralama terstir. Filtresiz bir tavsiye motorunu, tam da onu filtrelemek için en donanımsız kesime veriyorsunuz ve saha kanıtı beklenen değerin küçük değil, negatif olduğunu söylüyor.
Maliyet iki kez ödenir. Önce doğrudan zararda: desteksiz alınacak olandan daha kötü kararlar. Sonra atıfta. Pilot düz ya da negatif bir toplam ürettiğinde çıkarılan sonuç genellikle "bu araç bizde işlemiyor" olur ve program ölür. Araç, onu kullanabilen kohort için gayet iyi işledi. Başarısız olan yayılım tasarımıydı ve kimse bunu gösterecek düzeyde ölçüm yapmadı.
Ortalamalar işaret değişimlerini gizler. Pilotunuz tek bir harmanlanmış sayı raporluyorsa, size kimseye yardım edip etmediğinizi söyleyemez.
Bu çeyrek yayılımınızda neyi değiştirmeli
Açık uçlu danışmanlık kullanımını kanıtlanmış alan muhakemesine ayırın
Açık uçlu danışmanlık kullanımı — strateji soruları, fiyat kararları, önceliklendirme, modelin yanıtının bilinen bir hedefe karşı denetlenemediği her şey — kötü bir yanıtı reddedecek alan muhakemesine zaten sahip kişilere ayrılmalı. Bu bir yetkinlik kapısıdır, kıdem kapısı değil: on yıllık ama hiç kâr-zarar sorumluluğu taşımamış çalışan otomatik geçmez; tahminleri tutan iki yıllık analist geçer.
Zorlanan çeyreğe inceleme kapısı ardında dar ve doğrulanabilir iş verin
Açık uçlu danışmanlık kullanımından zarar gören kişiler, çıktısı denetlenebilen sınırlı görevlerden en çok kazananlardır — destek çalışmasındaki %34'lük acemi kazancını üreten koşullar. Şablon üzerinden taslak yazımı, bilinen bir belgenin özeti, ilk aşama sınıflandırma, yapılandırılmış veri çıkarımı. Yalnızca onaylamaya değil, reddetmeye de yetkili bir insan inceleme kapısı ekleyin. Yapay zekânın gerçekten eşitlediği yapılandırma budur.
Etkiyi toplamda değil, performans çeyreğine göre ölçün
Pilotunuzu, sonuç metriği yayılım başlamadan önce önceki performans çeyreğine göre ayrılacak biçimde kurgulayın. Yalnızca harmanlanmış ortalamaya bakarsanız, üst çeyrekteki +%15 ile alt çeyrekteki −%10 sıfıra yeterince yakın bir sayıda birbirini götürür; hiçbir şey olmadığı sonucuna varırsınız — ve zararı görmeden ödemiş olursunuz.
Neyi eğittiğinizi değiştirin
Prompt eğitimi insanlara daha akıcı çıktı almayı öğretir. Akıcı ama yanlış çıktıyı reddetmeyi öğretmez. Kanıtın çağırdığı şey değerlendirme eğitimidir: bu alanda iyi bir yanıt neye benzer, modelin bilinen hata biçimleri nelerdir ve — en yararlısı ve en az öğretileni — hangi soruları modele, hangilerini bir insana götürmeli.
Ciddiye alınmayı hak eden karşı argüman
Dürüst itiraz: Kenyalı mikro girişimciler orta ölçekli bir şirketin operasyon ekibi değil ve WhatsApp'taki bir tavsiye botu, kendi belgeleriniz üzerinde arama, tanımlı iş akışları ve denetim izleri olan bir kurumsal kurulum değil. İkisi de doğru. Etki büyüklüğü aynen aktarılmaz.
Ama mekanizma sahneyle ilgili değil. Açık uçlu sorular, kendinden emin çıktı ve doğrulayamayan bir değerlendiricinin etkileşimiyle ilgili. Genel amaçlı bir asistanı bir çalışanın önüne koyup "ne istersen sor" diyen her kurumsal kurulum bu üç koşulu yeniden üretir. Modeli kendi verinize dayamak hata yüzeyini daraltır; onu kapatmaz ve geldiklerinde yanlış yanıtların kurumsal olarak daha yetkeli duyulmasına yol açar.
Savunulabilir konum "bu bizim başımıza aynı büyüklükte gelecek" değil. "Bunun bizde olup olmadığını hiç ölçmedik" — ki tek bir harmanlanmış verimlilik sayısı raporlayan çoğu orta ölçekli pilot için bu, yalnızca doğru bir tespittir.
Masanızdaki karar
Yapay zekâ performans açığı sonraya bırakılacak bir adalet sorunu değil. Bir sonraki erişimi kimin alacağına her karar verişinizde, varsayılan olarak şu anda ayarladığınız bir tasarım parametresidir.
Bir sonraki lisans dilimi çıkmadan önce kurulumu ikiye ayırın: aracı olmadan da bir odada muhakemesine güveneceğiniz kişiler için açık uçlu danışmanlık kullanımı; herkes için inceleme kapısı ardında dar ve doğrulanabilir görevler — ve performans çeyreğine göre raporlanan tek bir metrik, ki hangi yarı konusunda haklı olduğunuzu öğrenin.
