Atlanta Fed'in Mart 2026 tarihli, yaklaşık 750 kurumsal yöneticiyi kapsayan bir ankete dayalı çalışma kâğıdı, mid-market operasyon liderlerinin çoğunun kendi pilotlarında sessizce fark ettiği bir şeye az önce bir rakam koydu: AI üretkenlik kazanımları gerçek, ancak ölçüldüklerinde algılananlardan daha küçük — ve bu fark, yazarların bunu açık metinle bir üretkenlik paradoksu olarak adlandıracak kadar geniş (Atlanta Fed, 2026). Bu paradoks bir ölçüm yapaylığı değil. Daha derin bir deployment sorununun ampirik parmak izi — ekonomist Scott Cunningham'ın 27 Mart 2026'da Federal Reserve Board'a sunduğu bir eğride somut bir adı olan sorun: AI ile güçlendirilmiş çıktının AI öncesi temel çizginin altına düştüğü tehlike bölgesi (Forbes, 2026).
Bu çeyrekte hangi AI pilotlarının ölçekleneceğine karar vermesi gereken 50–500 FTE ölçeğindeki bir şirketteki Head of Operations için, tehlike bölgesi çerçevesi planlama sorusunu yeniden kuruyor: ne kadar zaman tasarruf edebiliriz yerine AI hangi noktada zamanı doğruluk üreten yargıyı aşındırmadan sıkıştırıyor. 2027'de temiz biçimde ölçeklenecek mid-market AI deployment'ı, bu kalibrasyonu açıkça çalıştırandır. Şu anda devam eden pilotların büyük çoğunluğu bunu çalıştırmıyor.
Atlanta Fed'in üretkenlik paradoksu, sayısallaştırılmış
Atlanta Fed çalışması (Working Paper 2026-4), AI'nin üretkenlik etkisi üzerine şu anda kamuya açık en temiz şirketler-arası okuma. Başyazar Salomé Baslandze ve meslektaşları saha çalışmasını 2025 sonu ve 2026 başında yürüttüler; yanıtları büyük ölçüde Duke/Federal Reserve CFO Survey paneli üzerinden CFO'lardan, Financial Executives International üyeleriyle tamamlayarak topladılar (Atlanta Fed, 2026). Bir operasyon fonksiyonu için üç bulgu önemli.
Birincisi, benimseme geniş ama eşitsiz. Ankete katılan firmaların yarısından fazlası AI'ye yatırım yaptı; en büyük ölçülen üretkenlik kazanımları yüksek nitelikli hizmetler ve finans alanlarında yoğunlaşıyor. Mid-market segmenti tam da yatırımını henüz büyütmekte olan kohort — yani bu çeyrekte alınan deployment kararları, 2026'nın geri kalanı için üretkenlik yörüngesini şimdi belirliyor.
İkincisi, kazanımlar pozitif ama mütevazı. İşgücü üretkenliği iyileşmeleri verilerde net görünüyor ancak sektörler arasında ciddi biçimde değişiyor. Yazarlar kazanımların 2026 boyunca güçleneceğini bekliyor, ancak saha çalışması anında ana seviye — satıcı sunumlarında ve danışmanlık tahminlerinde dolaşan rakamların oldukça altında.
Üçüncüsü — ve bu taşıyıcı bulgu — algılanan kazanımlar ölçülen kazanımların önünde. Yöneticiler, temel verilerin doğruladığından daha büyük AI kaynaklı üretkenlik iyileşmeleri olduğunu sistematik olarak rapor ediyor. Yazarlar bunu gelir realizasyonundaki bir gecikme olarak yorumluyor. Daha rahatsız edici biçimde, bu aynı zamanda içeriden üretken hissettiren ama dışarıdan kalıcı, ölçülebilir kazanım olarak henüz görünmeyen çıktı üreten pilotların ampirik imzası.
Bu büyüklükte bir algılanan-vs-ölçülen açığı, Cunningham'ın adlandırdığı tehlike bölgesinin önkoşuludur.
Cunningham'ın eğrisi ve düşüşün ardındaki mekanizma
27 Mart 2026'da Scott Cunningham — Baylor'da bir ekonomist — Federal Reserve Board of Governors'a sundu ve çoğu ekonomistin yapmadığı bir şey yaptı: AI'yi konuşma sırasında canlı kullanarak, göç sentimenti üzerine bir dönüm noktası niteliğindeki çalışmayı yeniden üretti; Kongre'nin 305.000 konuşmasını bir AI ajanı üzerinden on bir dolara indirdi (Forbes, 2026). Sunumun gösterimin ötesindeki özü bir üretim fonksiyonu idi — insan zaman yatırımını bilişsel çıktıya eşleyen biçimsel bir ekonomist eğrisi; AI öncesi ve sonrası olmak üzere çizilmiş.
Eğrinin iki önemli özelliği var. Birincisi, AI sonrası eğri her insan katılım seviyesinde AI öncesi eğrinin üzerinde yer alır — AI her yerde potansiyel çıktıyı yükseltir. İkincisi, insan zaman yatırımı kritik bir eşiğin altına düştüğünde, AI sonrası çıktı eğrisi AI öncesi temel çizginin altına geçer. Cunningham buna tehlike bölgesi diyor: çalışanı daha üretken kılması beklenen teknolojinin, pratikte onu daha az üretken kıldığı bölge — hiç AI olmasaydı olacağından daha az üretken.
Mekanizma açıktır. AI öncesinde insan zamanı ve makine zamanı tamamlayıcıydı — bilişsel iş üretmek için ikisi de gerekiyordu, tıpkı bir mutfağın hem aşçıya hem de fırına ihtiyaç duyması gibi. Makine kapasitesi yükseldikçe girdiler giderek ikame haline gelir. Ekonomi köşe çözümüne iter: tamamen makine, hiç insan değil. Ama bilişsel çıktı yargı gerektirir — AI'nin kulağa makul gelen hatasını yakalayan, üç taslaktan müşterinin gerçekten harekete geçeceğinin hangisi olduğunu bilen, sorunu AI'nin baştan yararlı olabileceği kadar doğru çerçeveleyen sessiz, enstrümante etmesi güç katman. Bu katmanı çok agresif kesin — çıktı kullanılabilir olmaktan çıkar. Pilot hâlâ teslimat üretmeye devam eder; teslimatlar artık eskiden yaptıkları işi yapmaz, hepsi bu.
Tehlike bölgesi varsayımsal değil. Atlanta Fed'in algılanan-vs-ölçülen açığının operasyonel açıklamasıdır. Tehlike bölgesi içindeki pilotlar daha hızlı hisseden çıktı üretir — çünkü öyle — ve daha kötü ölçülen çıktı, çünkü yargı katmanı çıktının hâlâ tutunduğu noktanın ötesinde inceltilmiştir.
%13 duvarı: dışarıdakiler AI üzerinden içeridekilerin alanlarını ödünç aldığında
Iavor Bojinov, Edward McFowland III ve ortak yazarlarına ait Eylül 2025 tarihli ayrı bir Harvard Business School çalışma kâğıdı, bu düşüşün belirli bir versiyonuna bir rakam koyar. Küresel türev tüccarı IG Group'taki kontrollü bir çalışmada araştırmacılar üç gruba — 12 web analisti (şirketin yatırım içeriklerini normalde yazan meslek içi içeridekiler), 26 pazarlama uzmanı (bitişik dışarıdakiler) ve 40 yazılım geliştiricisi (uzak dışarıdakiler) — üç gruba da standart AI erişimi sağlayarak yatırım makaleleri üretmelerini istedi (HBS, 2025).
Pazarlama uzmanları, AI ile, web analistlerininkine neredeyse eşit kalitede makaleler üretti. Yazılım geliştiriciler — AI aracını çalıştırma konusunda eşit derecede yetkin — tam AI desteğiyle bile, netlik ve yetkinlik açısından web analistlerinin %13 gerisinde kalan makaleler üretti. Araştırmacılar bu etkiye GenAI Wall adını verdi: AI'nin çözmediği yatay uzmanlık aktarımı tavanı.
Bir operasyon fonksiyonu için bu bulgu başlığın söylediğinden daha rahatsız edici. Çoğu workflow-seviyesi AI deployment'ının örtük vaadi, AI'nin uzmanlar ile genelistler arasındaki farkı düzleştirmesi — iyi bir modele sahip bir genelistin uzman işini yapabilmesi. HBS verileri düzleştirmenin kısmî olduğunu söylüyor. AI içeridekiler ile bitişik dışarıdakiler arasındaki uçurumu sıkıştırır. İçeridekiler ile uzak dışarıdakiler arasındaki uçurumu kapatmaz. %13'lük doğruluk farkı, bir ekip gerçek alanı dışındaki işi karşılamak için AI'yi kullandığında son üründe ortaya çıkan şeydir.
Atlanta Fed terimleriyle, %13 farkı algılanan kazanımların ölçülen kazanımlardan ayrıldığı belirli bir kanaldır. Pilotun sunum dökümü deployment'ın ekibin etkin kapsamını genişlettiğini gösterir. Yetkinlik üzerinden puanlanmış çıktı, kapsam genişlemesinin ölçülebilir bir doğruluk maliyetiyle geldiğini gösterir.
Bunun mid-market bir operasyon fonksiyonu için anlamı
Tehlike bölgesine sürüklenen mid-market AI deployment paternleri tanınabilir bir yapıyı paylaşır. Genellikle, kıdemli, alan uzmanı bir ekip üyesi için zaman alıcı olan bir workflow vardır. Pilot, kıdemlinin zamanını daha kıdemsiz bir takım arkadaşı artı bir AI aracıyla değiştirir. Cycle time düşer. Workflow üzerindeki headcount düşer. Pilot temiz bir verimlilik kazanımı raporlar.
Pilotun enstrümantasyonunun yakalamadığı iki şey olmuştur. Birincisi, kıdemlinin yargı katmanı — küçük ama sonuçsal hataları yakalayan kısım — inceltilmiştir. İkincisi, kıdemsiz takım arkadaşı, bitişik değil uzak meslek dışı olduğu bir işe itilmiştir. Atlanta Fed paradoksu ve Bojinov'un %13 duvarı, aynı pilotta birlikte aktiftir. Board pack yeşil metrik gösterir. İş ise sessizce tehlike bölgesine taşınmıştır.
Bunu yakalayan tanı bir üretkenlik metriği değildir. Throughput iyi görünecek. Cycle time iyi görünecek. Yakalayan tanı, AI ile güçlendirilmiş workflow'un çıktısı üzerinde, işi daha önce yapan kıdemli tarafından, örneklem temelli yürütülen bir kalite denetimidir. Eğer kıdemli, pilot öncesi workflow'un üretmeyeceği hataları sürekli işaretliyorsa, pilot tehlike bölgesindedir — throughput dashboard'u ne derse desin.
Çoğu mid-market pilot bu denetimi yürütmez. Yargısı enstrümantal olarak kritik olan kıdemli, pilotun tasarımı gereği günlük çıktı üzerinde artık döngü içinde değildir. Hata oranı bu nedenle workflow'un içinden görünmez. Yalnızca dışarıdan görünür — müşteri eskalasyonları, downstream rework veya üretkenlik raporunun bir ila üç çeyrek gerisinden gelen gecikmeli kalite sinyali yoluyla.
Karşı argüman: "pilotlarımız kazanç gösteriyor, kayıp değil"
Başarılı AI pilotları yürüten bir operasyon liderinden gelen doğal itiraz, bu tehlike bölgesi çerçevelemesinin abartılı olduğudur. Pilot metrikleri pozitif. Ekip memnuniyet rapor ediyor. Müşteri şikâyet etmedi.
Atlanta Fed verileri tam da bu itirazın karşı argümanıdır. Yaklaşık 750 firma genelinde tipik raporlanan patern, pozitif algılanan üretkenlik kazanımları ve algılanan değerden daha küçük bir ölçülen kazançtır. Pilotun memnuniyet sinyali tartışmalı değildir. Ekiplerin raporladıkları ile üretkenlik istatistiklerinin doğruladıkları arasındaki fark, verilerin paradoks dediği şeydir. Pozitif algılanan kazançlar gösteren bir pilot, tehlike bölgesinin içinde olmakla tutarlıdır — ona karşı kanıt değildir.
İkinci karşı argüman daha esaslıdır: tehlike bölgesi, AI'nin kendisinin değil pilot tasarımının bir fonksiyonudur ve olgun pilotlar bunu önleyebilir. Bu doğru okumadır. Cunningham eğrisi AI üzerinde bir hüküm değildir. Üretkenlik kazancının nerede yaşadığını — ve aynı eğri üzerinde kazancın nerede tersine döndüğünü — gösteren bir haritadır. Bir operasyon fonksiyonu için enstrümantasyon sorusu, her pilotun eğrinin üretkenlik bölgesinde ineceği ve tehlike bölgesinin dışında kalacağı şekilde tasarlanıp tasarlanmadığıdır — pilotun ikinci ayda pozitif rakamlar bildirip bildirmediği değil.
Yetkinlik denetimi yürütmemiş bir pilot, eğrinin hangi bölgesinde çalıştığını söyleyemez. Üretkenlik raporu gereklidir ama yeterli değildir.
Çoğu pilotun asla çalıştırmadığı bir kalibrasyon
Tehlike bölgesi pilotunu üretkenlik bölgesi pilotundan ayıran tek kalibrasyon, yapısal olarak basit ve operasyonel olarak nadirdir. Üç bileşeni vardır; hiçbiri ek headcount veya satıcı harcaması gerektirmez.
AI ile güçlendirilmiş çıktıyı tanımlı bir frekansta örnekleyin ve AI öncesi temel çıktıya göre puanlayın, AI öncesi sürümü üretecek olan aynı kıdemli incelemeciyi kullanarak. Puan başparmak yukarı/aşağı değildir. Workflow'un aşağı akış kullanımı için önemli olan unsurlar üzerinde — doğruluk, eksiksizlik, yargı kararları, sınır durumların ele alınışı — boyut başına bir yetkinlik derecelendirmesidir.
Algılanan-vs-ölçülen açığı açıkça izleyin, bir üretkenlik sayısı olarak değil bir kalite deltası olarak. Atlanta Fed tarzı dil: pilotun rapor ettiği kazancın ne kadarı kalıcı ölçülen iyileşme, ne kadarı henüz ölçülebilir bir sonuca dönüşmemiş algılanan iyileşmedir (Atlanta Fed, 2026)?
Ölçeklendirmeden önce bir stop-loss eşiği tanımlayın. Örneklenmiş çıktı üzerindeki yetkinlik tanımlı bir tabanın altına düşerse — HBS verileri %13'ün uzak dışarıdakilerin AI işinin dikkatli puanlamada ortaya çıkan alt sınırı olduğunu öneriyor (HBS, 2025) — ölçeklendirmeyi durdurun ve puan toparlanana kadar insan zaman yatırımını yeniden kurun. Bu, çoğu pilotun yapamadığı kalibrasyon parçasıdır, çünkü ekip headcount tasarrufunu bir sonraki çeyrek planına çoktan bağlamıştır.
Cilasız gerçek şudur: kalibrasyon her çeyrek workflow'un kıdemli zamanının belki %2-5'ine mal olur. Onu çalıştırmamanın bedeli, operasyon fonksiyonunun tehlike bölgesini müşteri eskalasyon kuyruğu veya aşağı akış rework backlog'u yoluyla bir ila üç çeyrek gecikmeyle keşfetmesidir.
Bu çeyreğin kararı
2026 AI strateji konuşmalarına hâkim olan PwC ve BCG verileri, AI deployment'ında iş modeli duruşunun önemini belirledi. Atlanta Fed, Cunningham ve Bojinov'un bulguları, operasyonel taraftaki paralel noktayı şimdi belirliyor: deployment duruşu yalnızca AI'nin nereye yönlendirildiği meselesi değil. Mesele, insan yargısı katmanının AI ile güçlendirilmiş çıktı AI öncesi temel çizginin altına düşmeden önce ne kadar inceltilebileceği.
Bir Head of Operations'ın buna göre hareket etmek için bu çeyrek AI portföyünü yeniden tasarlamasına gerek yok. Karar daha dardır. Şu anda yürürlükteki her AI pilotu için bir soru sorun: bu workflow'un çıktısı üzerinde, işi daha önce yapan kıdemli tarafından, örneklem temelli, tanımlı bir stop-loss ile yürüyen bir yetkinlik denetimi var mı? Yanıt hayır ise, pilot — Atlanta Fed/Cunningham/Bojinov birleşik okumasında — bir üretkenlik bölgesi deployment'ını bir tehlike bölgesi deployment'ından ayıran tek enstrüman olmadan çalışıyor demektir.
Atlanta Fed üretkenlik paradoksu, algılanan AI kazanımları ile ölçülen AI kazanımlarının aynı şey olmadığına dair şu anda piyasadaki en disiplinli ampirik sinyaldir. Bu çeyrekte farkı denetleyen mid-market operasyon fonksiyonu, eskalasyonlar ve rework yoluyla — kazançların zaten temel çizgiyi aşındırdığını fark etmeden — 2027'de AI portföyünü ölçeklendirecek olandır.
Yetkinlik denetimini bir sonraki pilot incelemesine ekleyin. Enstrüman, operasyon fonksiyonunun zaten sahip olmadığı hiçbir şeye mal olmaz. Onsuz çalışmanın bedeli, üretkenlik dashboard'unun gösteremediği o tek sayıdır.
