27 Ağustos 2026'da ABD Çalışma İstatistikleri Bürosu (BLS) ilk yapay zekâ maruziyeti sınıflandırmasını yayımladı: düşük, orta, yüksek ve çok yüksek olmak üzere dört kategori, 2025-35 istihdam projeksiyonlarındaki 831 ayrıntılı mesleğin tamamına atandı. Aynı sayfada BLS, bu sınıflandırmanın "istihdam artışı veya azalışı öngörüsü olmadığını", "yapay zekânın benimsenme olasılığına ilişkin bir tahmin olmadığını" ve "bir işgücü ikamesi tahmini olmadığını" belirtiyor (U.S. Bureau of Labor Statistics, 2026).
Günler içinde sektör basını bunu "risk altındaki meslekler" ve "güvenli meslekler" listelerine çevirmişti.
Oysa kurumun açıkça dışladığı okuma tam da budur — hem de yazılı olarak, o listelerin türetildiği sayfanın kendisinde. Ve bu, kılı kırk yaran bir düzeltmeden fazlasını ifade ediyor; çünkü BLS'in yapay zekâ maruziyeti tablosu, orta ölçekli şirketlerin 2027 kadro planlarına sunumun en otoriter görünen girdisi olarak girmek üzere. Federal bir istatistik kurumu, bütün meslekler, dört net kademe. Bir kesinti listesi gibi okunacak. Bu kararı taşıyamaz.
BLS'in yapay zekâ maruziyeti sınıflandırması gerçekte ne diyor
Sınıflandırma, beş dış maruziyet ölçütü üzerinde çalışan bir kümeleme algoritmasının ürettiği göreli bir sıralamadır. BLS sınırları açıkça yazıyor: kategoriler "diğer mesleklere görelidir", "mutlak anlamda 'yüksek' ya da 'düşük' bir maruziyet düzeyi ima etmez" ve "yapay zekânın otomasyon yoluyla mı yoksa yetenek artırımı yoluyla mı etki ettiğini ayırt etmez" (U.S. Bureau of Labor Statistics, 2026).
Son maddede biraz durun. Bu tabloda otomasyon ile yetenek artırımı aynı kategoridir. "Çok yüksek maruziyet", işin ortadan kalkmasıyla da, aynı kişinin üç katı verimle çalışıp sonuna bir inceleme adımı eklenmesiyle de eşit ölçüde tutarlıdır. Tablo hangisi olduğunu söylemez — oysa yön, bir kadro kararının bütün içeriğidir.
Çevresindeki projeksiyonlar, sıralamanın genellikle koparıldığı bağlamdır. BLS, ABD ekonomisinin 2025-2035 arasında 5,9 milyon iş ekleyeceğini, istihdamın 170,3 milyondan 176,2 milyona çıkacağını öngörüyor — kurumun "2015-25 on yılında kaydedilen yüzde 10,9'luk büyümeden daha yavaş" diye tanımladığı yüzde 3,5'lik bir büyüme (U.S. Bureau of Labor Statistics, 2026). Daha yavaş büyüme, daralma değil. Yapay zekâya bağlı düzeltmeler bilgisayar ve matematik meslekleri, sanat ve medya, işletme yönetimi ve hukuk hizmetlerinde yoğunlaşıyor.
Tavanı belirleyen kurgu detayı
Beş girdi, üç teorik maruziyet ölçütü ve iki gözlemlenmiş kullanım veri setinden oluşuyor — gözlem tarafı Anthropic'in Claude kullanım verileri ile Microsoft'un Copilot verilerinden geliyor. BLS her boyut içinde medyan yüzdelik sırayı alıyor, sonra kümeleme yapıyor. Olası 4.155 meslek-kaynak kombinasyonunun 3.944'ü gözlemlendi, 211'i atfedildi ve bu 75 mesleği etkiledi (U.S. Bureau of Labor Statistics, 2026).
Ardından bu tablonun ne kadar uzağa gitmesine izin vereceğinizi belirlemesi gereken cümle: "Teorik kaynaklar, yapay zekâ yeteneklerini en geç 2023 ortasında mevcut olanlar biçiminde kavramsallaştırır."
Beş girdiden üçü, ekibinizin pilot uyguladığı her ajan tabanlı üründen önceki bir model kuşağını tarif ediyor. BLS ayrıca beş kaynağın da meslekleri bağımsız görevler demeti olarak ele aldığını ve "darboğazları, tamamlayıcılıkları veya mesleklerin bağımsız olmayan diğer özelliklerini dikkate almadığını" belirtiyor.
Bu, BLS'in çalışmasındaki bir kusur değil — mevcut literatürün açıkça beyan edilmiş bir özelliği ve bunu beyan etmek zaten bir istatistik kurumunun işi. Kusur kullanımda. Bu sıralamaya dayanan on yıllık bir kadro planı, üç yıl önceki bir yetenek anlık görüntüsünü içine gömer; üstelik bunu, finans direktörünüzün sorgulamayı akıl etmeyeceği tek belgenin içinde yapar.
Sıralamanın gerçekten haritaladığı şey: doğrulama yükü
Savunulabilir okuma şu ve popüler olanın tam tersi.
Bir meslek yüksek maruziyet kümesine düşüyorsa, beş temel kaynağın birlikte saptadığı şey, görevlerinin büyük bir bölümünün mevcut modellerin denemeye kalkışacağı türden olduğudur. Modelin haklı olup olmadığı ayrı bir sorudur ve maruziyet skoru ona hiç dokunmaz — çünkü BLS'in belirttiği gibi girdiler görevleri bağımsız sayar ve tamamlayıcılıkları yok sayar.
Dolayısıyla yüksek maruziyet, yüksek taslak hacmi öngörür. Taslak hacmi inceleme talebi yaratır. İnceleme talebi de maliyetin gerçekte oturduğu yerdir.
McKinsey QuantumBlack bunu bankacılık iş akışları için doğrudan fiyatladı: token maliyetleri bir yapay zekâ ajanının değişken işletme maliyetinin yüzde 20 ila 25'ini, işlev ve risk uzmanlarınca yapılan insan gözetimi ise yüzde 70 ila 75'ini oluşturuyor (McKinsey QuantumBlack, 2026). Pahalı kalem incelemedir ve inceleyen kişi, çıktıyı reddedebilecek kadar kıdemli olmak zorundadır.
MIT Technology Review Insights ile Microsoft'un 300 teknoloji yöneticisi ve uygulayıcısıyla yaptığı, 101 ajan görevini 0-100 güven ölçeğinde sıralayan çalışma da aynı yöne işaret ediyor: güven, model yeteneğini değil görevin doğrulanabilirliğini ve iş bağlamının eksiksizliğini izliyordu ve katılımcıların yüzde 59'u halihazırda kalıcı insan gözetimi planlıyor (MIT Technology Review Insights, 2026).
Bu mercekten okunduğunda BLS tablosu gerçekten işe yarar hale geliyor. Çok yüksek ve yüksek maruziyetli meslekleriniz, yapay zekâ üretimi çıktının yoğunlaşacağı yerlerdir; yani doğrulama saatlerinin yoğunlaşacağı yerler; yani kötü çıktıyı reddedecek kadar alan otoritesine sahip insanlara ihtiyaç duyduğunuz yerler. Önce oradan kesmek, en çok incelenecek işi olan işlevlerden inceleyicileri çekip almak demektir.
Unvan zaten bu kararı neden taşıyamaz
2023 ortası tavanından bağımsız, yapısal nitelikte ikinci bir sorun daha var: maruziyet meslek başına ölçülür, benimseme ise kişi başına gerçekleşir.
Bick, Blandin, Deming ve Schumacher, ulusal düzeyde temsil gücü olan bir anketi ayrıntılı O*NET görevleriyle eşleştirerek, üretken yapay zekâ maruziyet ölçütlerinin çalışanlar arasındaki benimseme farkının yalnızca yaklaşık yarısını açıkladığını buluyor — benzer işi yapan bireyler sistematik biçimde farklı benimsiyor (NBER Working Paper 35677, 2026). Ayrıca benimsemenin geniş ama sığ olduğunu saptıyorlar: mesleklerin yüzde 80'inde ve iş görevlerinin yüzde 40'ında her beş çalışandan en az biri üretken yapay zekâ kullanıyor, ancak çoğu durumda benimseme yüzde 50'nin altında kalıyor.
Varyansın yarısı unvanın içinde, unvanlar arasında değil. Bu da kapasite değişikliklerini meslek koduna göre dağıtan bir planın en iyi ihtimalle yarı bilgili olduğu anlamına gelir — ve kaçırdığı yarı, üzerinde gerçekten söz sahibi olabileceğiniz yarıdır; çünkü kişi düzeyinde benimseme, yetkinlendirmeye, araçlara ve rol tasarımına yanıt verir.
BLS'in yapay zekâ maruziyeti kategorilerini, ulusal bir istatistiğin kullanılması gerektiği gibi kullanın: nereye bakılacağına dair bir ön kabul olarak. Sonra kendi şirketinizin içine, kendi görev envanterinize karşı bakın. Aynı kategorideki iki meslek sizin binanızda aynı davranmayacak ve artık kalan şey gürültü değil — üzerinde kaldıraca sahip olduğunuz problem parçasıdır.
Dürüst karşı argüman: bu hâlâ en iyi kamusal referans
BLS'in yaptığı işe karşı adil olmak istiyorum, çünkü "kesinti listesi olarak kullanmayın" demek "kullanmayın" demek değildir.
Bu, projeksiyonu yapılan her mesleği tutarlı tek bir yöntemle kapsayan ilk sınıflandırmadır; bir kampı seçmek yerine teorik kanıtla gözlemlenmiş kullanımı harmanlar; ve kendi sınırlarını çoğu tedarikçi araştırmasından daha dürüst belgeler. İşgücü bileşiminizi ulusal dağılımla kıyaslamak, hangi işlevin önce yetkinlendirme bütçesi alacağını sıraya koymak, alıntılanabilir bir kaynak isteyen bir yönetim kuruluna savunma yapmak için — mevcut en iyi kamusal araçtır ve orta ölçekte hiç kimse şirket içinde daha iyisini üretemez.
Sorun tablo değil. Sorun sıkıştırma: dört kademe, tek sütun ve bir hüküm gibi okunan bir kategori etiketi. Bu biçim, altındaki yöntemin destekleyemeyeceği bir kadro sonucunu davet ediyor ve BLS bunu aynı sayfada önceden söyledi. Gereken disiplin küçük: sayı bir sunumda her göründüğünde çekinceleri de yanında taşıyın.
Bu çeyrekte neye karar vermeli
BLS'in yapay zekâ maruziyeti sıralamasının 2027 planlama döngünüze giriş biçiminde dört değişiklik.
- Sütunun adını değiştirin. Maruziyet kategorisi bir planlama belgesinde nerede görünüyorsa başlık "beklenen inceleme yükü" olsun, "risk" değil. Aynı veri, doğru fiil. Bir tablonun nasıl okunacağını büyük ölçüde etiket belirler.
- Her maruziyet skorunu içeriden bir benimseme ölçümüyle eşleştirin. Maruziyet varyansın yaklaşık yarısını açıklıyor; geri kalanını kendi kullanım verileriniz açıklar. Benimsemeyi çalışan bazında ölçemiyorsanız, bu ölçümleme planın çıktısı değil önkoşuludur.
- En yüksek maruziyetli işlevlerde inceleme derinliğini koruyun. En çok makine çıktısını onlar üretecek ve doğrulamak için en çok kıdemli muhakemeyi onlar gerektirecek. Tasarrufları modellemeden önce inceleme saatlerini modelleyin.
- Yetenek varsayımına tarih koyun. Tablonun hemen altına "teorik girdiler en geç 2023 ortasındaki yapay zekâ yeteneklerini yansıtır" yazın. Bu, iddiayı bir sonraki okuyucunun gözünde yaşlandırır — 2026 tarihli bir anlık görüntünün 2035'e uzanan bir projeksiyonu sessizce yönetmesine karşı tek savunma budur.
BLS size işin nerede değişeceğinin haritasını verdi. Beş ayrı kez ve kendi sözcükleriyle, çalışanların nereye gideceğinin haritasını vermediğini söyledi.
Planınızdaki bir 2027 kadro sayısı "çok yüksek maruziyet" etiketine dayanıyorsa, bir işgücü kararı vermiş olmuyorsunuz. Az önce yaptığınız kullanımı dışlayan bir sıralamayı alıntılamış oluyorsunuz — ve o sayı yanlış çıktığında, onu yayımlayan kurum savunacak taraf olmayacak.
