OpenAI sohbetlerinin %15'ten fazlası "Edit written materials or documents" olarak sınıflandırılıyor. O*NET'te bu görevi içeren bir meslekte çalışanların oranı ise yalnızca %2,4 (Bick, Blandin, Deming & Schumacher, NBER, 2026). Bu boşluk, 2027 operasyon planlarının çoğunun dayandığı yapay zekâ kullanım kıyaslamasının tam içinde duruyor.
Şimdi ters yönden bakalım. Ulusal düzeyde temsili bir ankette üretken yapay zekâ kullanımının en büyük payını alan tek görev "Direct organizational operations, activities, or procedures" — bildirilen tüm kullanımların %4,1'i ve çalışanların %43'ü tarafından yürütülüyor. Bu görevin OpenAI verisindeki payı %0,0. Microsoft'unkinde %0,0. Anthropic'inkinde %0,2.
Operasyonun en karakteristik işi, sohbet kayıtlarının hiç göremediği iş. 2027 yapay zekâ planınız bu satıcı kullanım çalışmalarından birine göre boyutlandırıldıysa — orta ölçekli şirket planlarının çoğu öyle, çünkü bu çalışmalar ücretsiz, güncel ve devasa — kendi topraklarınızın çıkarıldığı bir haritayı okuyorsunuz.
Bu anketin yaptığı, sohbet çalışmalarının yapamadığı
Alexander Bick (Federal Reserve Bank of St. Louis), Adam Blandin (Vanderbilt), David Deming (Harvard Kennedy School) ve Tyler Schumacher (Vanderbilt), görev düzeyindeki ilk üretken yapay zekâ benimseme endeksini platform telemetrisinden değil ulusal temsili bir anketten kurdu (NBER Working Paper 35677, 2026).
Mekanizma önemli. Real-Time Population Survey'in dört dalgasını birleştirdiler — 18–64 yaş arası 13.920 çalışan katılımcı — ve her kişinin bildirdiği üretken yapay zekâ kullanımını ayrıntılı mesleğine ve o mesleğin gerçekten içerdiği belirli ONET iş faaliyetlerine bağladılar. Katılımcının mesleğini bildikleri için, bir kullanımı bilinen bir pozisyon mimarisi içindeki* bir göreve atfedebiliyorlar.
Bir sohbet sınıflandırıcısı bunu yapamaz. Bir konuşmanın metnini okur ve kullanıcının mesleğini genellikle hiç bilmez. Dolayısıyla yapabileceği tek şeyi yapar: sohbeti, görünür eylemi tarif eden bir görev başlığına atar. Düzenlemek. Bilgi toplamak. Sistem tasarlamak.
Bu, kimsenin sınıflandırıcısındaki bir kusur değil. Girdinin yapısal sınırı ve makale bunu açıkça adlandırıyor: sohbet sınıflandırıcıları "sohbetleri temel, genel eylemleri tarif eden görev başlıklarına atamaya eğilimli olabilir".
Yapay zekâ kullanım kıyaslaması ne kadar sapıyor
Sonuç aşırı yoğunlaşma. 332 görevden onu, OpenAI verisindeki kullanımın %53,0'ını, Anthropic'te %46,0'ını, Microsoft'ta %60,8'ini oluşturuyor — ankette ise bu oran %22,2 (Bick et al., NBER, 2026). En büyük tek görev üç sohbet veri kümesinde sırasıyla %15,1, %16,7 ve %23,2 pay alırken, ankette %4,1'de kalıyor.
Sonra, bunların aynı gerçekliğe iki bakış olup olmadığı tartışmasını bitirmesi gereken sayı geliyor. Anketin görev payları ile sohbet veri kümelerinin görev payları arasındaki korelasyon OpenAI için 0,11, Anthropic için 0,34, Microsoft için 0,10. Üçünden ikisi, çalışanların araçları gerçek görevlerinde nasıl kullandıklarını anlatmalarıyla istatistiksel olarak neredeyse ilgisiz.
İkinci dereceden hata, planınızın içindeki hata
Doğrudan kullanım payı genellikle iş vakasına giren şey değildir. Zincir daha uzun ve makale bunu izliyor: sohbet-görev sınıflandırmaları meslek bazında üretken yapay zekâ paylarına toplanıyor, bu meslek payları da role göre yapay zekâ maruziyetinin vekil göstergesi olarak dolaşıma giriyor — yayılım sırası, eğitim bütçeleri ve kadro tahminlerinin arkasındaki girdi. Yazarlar bu şekilde kurulmuş dört yayımlanmış ölçüyü isimle anıyor ve bu vekillerin "muhtemelen hatalı olduğu ve çarpık bir görünüm sunduğu" sonucuna varıyor.
Dolayısıyla bir sunum size hangi fonksiyonlarınızın yapay zekâya en çok maruz kaldığını söylediğinde, sıralamanın nereden geldiğini sorun. Sohbet kayıtlarına dayanıyorsa, kimsenin mesleğini hiç bilmemiş bir sınıflandırıcıyı miras alıyor demektir — ve onun tipik hatası, bir dökümde genel görünen işi fazla yukarı sıralamaktır.
Diğer girdiniz de göründüğünden zayıf
Bariz düzeltme, kullanım kıyaslamalarını bırakıp yerine düzgün bir mesleki maruziyet skoru kullanmak. Makale bunu da test etti, literatürün en çok atıf alan iki endeksine karşı.
Gerçek benimsemeye regrese edildiğinde, Eloundou ve ark. (2024) ölçüsü 0,081, Felten ve ark. (2021) ölçüsü ise 0,086 düzeltilmiş R² veriyor — meslek düzeyinde açıklanabilir varyansın kabaca yarısı (Bick et al., NBER, 2026). Skorlar gerçekten öngörücü. Yeterli olmaya ise hiç yakın değiller.
Altta daha sert bir kısıt var. Mesleğin kendisi, çalışan düzeyindeki benimseme varyansının %20'sinden azını açıklıyor (Bick et al., NBER, 2026). Kimin gerçekten benimsediğini belirleyen şey ağırlıklı olarak unvanın içinde, unvanlar arasında değil. Aynı ekipte iki analist, aynı araçlar, aynı görevler — biri haftasını aracın etrafında yeniden kurmuş, diğeri ayda iki kez açıyor.
Bu, biçimi belli bir planlama sorunu. Role göre yaptığınız her tahsis — lisans, eğitim saati, etkinleştirme sırası — önemsediğiniz sonucun beşte birinden azını açıklayan bir değişkene dayanıyor.
Ayrıca çoğu operasyon liderinin zaten görüp başka bir başlık altına kaldırdığı bir örüntüyü de açıklıyor. Bir fonksiyon aynı etkinleştirme oturumundan çok farklı sonuçlarla dönüyor; refleks okuma motivasyon, yönetici kalitesi ya da değişime direnç oluyor. Benimseme verisi ise bu dağılımın büyük bölümünün zaten oluşacağını söylüyor, çünkü kişi düzeyinde ve müdahale rol düzeyindeydi. Oturumu daha ısrarla tekrarlamak buna dokunmuyor.
"Geniş ama sığ" kesin bir iddiadır, bir çekince değil
Anketin ürettiği benimseme tablosunu her iki yönde de yanlış aktarmak kolay. Kesin hali:
- Mayıs 2026 itibarıyla çalışanların %45'i iş için üretken yapay zekâ kullanıyor; yazarlar bunu alt sınır kabul ediyor, çünkü gömülü ve pasif kullanımlar çoğu zaman bildirilmiyor.
- Mesleklerin %80'inden fazlası ve görevlerin %40'ı %20'nin üzerinde benimseme gösteriyor.
- Ama görevlerin yalnızca %2,8'i %50 benimsemeyi aşıyor ve hiçbiri %70'i geçmiyor.
Bunları birlikte okuyun. Amerikan ekonomisinde üretken yapay zekâ kullanımının neredeyse evrensel olduğu tek bir görev yok. Çok yüksek benimseme gösteren meslekler — kabaca %15'i %70'i aşıyor — oraya tek bir doymuş görevle değil, orta düzeyde benimsenmiş görevlerden oluşan bir küme ile ulaşıyor.
Bağımsız veriler biçim konusunda hemfikir. Google'ın ATLAS çalışması, öz beyan yerine 14,65 milyon kimliksizleştirilmiş etkileşim üzerine kurulu; medyan mesleğin görevlerinin yaklaşık %21'inde Gemini kullandığını, uçtan uca otomasyon niyetinin ise rutin olmayan bilişsel konuşmaların %10'unun altında kaldığını buldu (Google ATLAS v1.0, 2026). 120.620 çalışanı kapsayan davranışsal telemetri ise yalnızca %2'sini iş akışı entegrasyonu olgunluğunda konumlandırıyor — yapay zekâyı yandan bir sorgu olarak değil, yeniden tasarlanmış bir sürecin içinde kullanmak (ActivTrak Productivity Lab, 2026).
Üç yöntem, üç veri kümesi, tek sonuç: geniş kapsam, ince nüfuz. Yani yapay zekâya maruz bir rolü yapay zekâyla dönüşmüş bir rol gibi modelleyen bir plan, mesafenin büyük kısmı kadar yanılıyor.
Dürüst itiraz
Üç sınır, akılda tutmaya değer.
%2,4 rakamı kısmen bir ONET yapaylığıdır ve yazarlar bunu söylüyor. Tam ifadeleri: "düzenleme yapan çalışanların payı 2,4'ten açıkça çok daha büyüktür". ONET düzenlemeyi, rapor hazırlamak ya da hukuki belge kaleme almak gibi üst düzey görevlerin içine gömüyor. Yani %15 ile %2,4 arasındaki fark saf sınıflandırıcı hatası değil — bir kısmı, gerçekten her yerde olan bir faaliyeti ayrıca adlandırmayı reddeden referans taksonomisi. Çarpıklığın yönü sağlam biçimde kurulu; tek bir sayı çiftinin büyüklüğü ise göründüğünden yumuşak.
Öz beyanın da kendi hata biçimleri var. Anket, insanların araçlarla ne yaptıklarını söylediklerini bilir. Sohbet kayıtları, pencereden gerçekte neyin geçtiğini, hiçbir anketin ulaşamayacağı bir ölçekte bilir. İkisi de mutlak doğru değil; farklı sorulara yanıt veriyorlar ve makalenin katkısı, yanıtların ne kadar ayrıştığını göstermek — birini sahte ilan etmek değil.
Ulusal bir anket sizin şirketiniz değildir. RPS, ABD iş gücünü tarif ediyor. Sizin görev envanteriniz, araç yığınınız ve pozisyon tasarımınız ulusal ortalama değil ve buradaki hiçbir şey sizin hangi rollerinizin benimseyeceğini söylemiyor.
Asıl önemli olan bu son sınır — ve tek bir yönü işaret ediyor. Bu alandaki her dış kıyaslama, sohbet kaydından da olsa anketten de olsa, bir ön kabuldür. Hiçbiri sizin organizasyonunuzun ölçümü değildir.
Bu çeyrekte neye karar vermeli
Dört hamle. Hiçbiri yeni harcama gerektirmiyor.
- Planınızdaki her yapay zekâ kullanım kıyaslamasını kaynağına kadar izleyin. Bir rakam platform sohbet kayıtlarından geliyorsa, onu kadro ya da bütçe modelinin girdisi olarak değil, yön gösterici bir ön kabul olarak işaretleyin. Bu, zaten yazdığınız bir belge üzerinde otuz dakikalık bir denetim.
- Tek bir fonksiyon için bir görev envanteri çıkarın. Tek bir ekibin yirmi-otuz gerçek faaliyeti, O*NET'in değil sizin dilinizle yazılmış. "Bu role maruz mu?" yerine "araç buna dokunuyor mu?" diye sormanızı sağlayan tek çıktı budur — ve her satıcı kıyaslama revizyonundan sağ çıkar, çünkü başkasının trafiğini değil sizin işinizi tarif eder. Bir danışmanlık projesi değil, ekip lideriyle bir öğleden sonra ayırın.
- Etkinleştirmeyi role göre dağıtmayı bırakın. Meslek, kişi düzeyindeki benimsemenin %20'sinden azını açıklıyorsa, role dayalı yayılım yazı turaya yakındır. Bunun yerine gözlenen kullanıma göre dağıtın ve ilk grup, kendi telemetrinizde zaten önde olanlar olsun.
- Hedefi koltuğa değil göreve koyun. O envanterden bir görev seçin ve onu %50 benimsemenin ötesine taşıyın. Ulusal ölçekte yüz görevden üçünden azı bu çizgiyi geçti — kasıtlı olarak geçmenin raporlanabilir, savunulabilir bir sonuç olmasının nedeni tam olarak bu.
Yapay zekâ kullanım kıyaslamanız hiç sormadığınız bir soruyu yanıtladı: sohbetler neye benziyor. Masanızdaki soru ise, insanlarınızın bütün gün ne yaptığı ve aracın bunun herhangi bir kısmına ulaşıp ulaşmadığı.
Bu sorulardan birinin yayımlanmış bir yanıtı var. Diğerinin yalnızca sizinki.
