1980 ile 2016 yılları arasında ABD firmaları, en yüksek rantı kazanan çalışanları — koordinatörleri, denetleyenleri, ücretleri marjinal ürünlerinin üzerinde kalan orta düzey analistleri — otomatikleştirmek için gerçek sermaye yatırdı ve otomasyonun aksi halde sağlayacağı verimlilik kazanımlarının yüzde 60 ila 90'ını kaybetti. Bu, Daron Acemoglu ve Pascual Restrepo'nun Quarterly Journal of Economics dergisinde yayımlanan Automation and Rent Dissipation: Implications for Wages, Inequality, and Productivity başlıklı makalesindeki merkezi rakamdır; Mayıs 2026 sayısı (cilt 141, sayı 2, s. 1521) (Acemoglu & Restrepo, QJE, 2026). Aynı makale, dönem boyunca ABD gelir eşitsizliği artışının yüzde 52'sini bu yanlış tahsise atfediyor; bunun yaklaşık 10 puanı özellikle ücret primi ikamesinden geliyor (Acemoglu & Restrepo, NBER w32536, 2024).
Dört on yıllık tarih nihayet bir sayıya dönüştü. 2026'da 200 FTE'lik bir şirketin Head of Operations'ı için soru şu: bu çeyrekte masadaki agentic AI yol haritası daha yüksek çözünürlükte aynı hata mı — ve kanıtlar, varsayılan olarak öyle olduğunu söylüyor.
Acemoglu–Restrepo mekanizması: rant sönümlemesi, yer değiştirme değil
Çoğu okuyucunun önceki Acemoglu literatüründen bildiği başlık bulgu, otomasyonun rutin çalışanları yerinden ettiği ve alttaki ücretleri sıkıştırdığıdır. 2026 QJE makalesi daha keskin bir iddia ve kendi başına okunmaya değer. Yazarlar, 2022 görev yer değiştirme modellerini çalışan rantlarını — bir çalışana ödenen ile emeğinin marjinal ürünü arasındaki farkı — içerecek şekilde genişletiyor ve firmalar otomatikleştirirken, verimlilik tavanının en yüksek olduğu görevleri değil, rantların en yüksek olduğu görevleri tercihen hedef aldıklarını gösteriyorlar (Acemoglu & Restrepo, NBER w32536, 2024).
Mekanizma: marjinal ürününün yüzde 25 üstünde kazanan bir koordinatör, otomasyon sunumu masaya gelir gelmez tabloda yüzde 25'lik bir tasarruf gibi görünür. Daha sıkı bir ücret-çıktı oranıyla yüksek kaldıraçlı iş yapan bir saha çalışanı, daha küçük bir tasarruf gibi görünür. Sermaye büyük tasarrufa akar. Verimlilik kazancı — otomasyonun yapabildiği ile yapılan iş arasındaki fark — birinci durumda daha küçüktür, çünkü rant çıkaran roller tanım gereği ücretin çıktıyı abarttığı rollerdir. Net sonuç, görünür bordro rahatlamasını azamileştirirken gerçek verimlilik artışını asgariye indiren bir dağıtım örüntüsüdür.
Acemoglu ve Restrepo bunu rant sönümlemesi olarak resmileştiriyor: verimliliğin yükselmesi için azaltılması gerekmeyen ücreti geri çekmek için sermaye harcanıyor, gerçek çıktıyı hareketlendiren işin otomatikleştirilmesinden gelen çok daha büyük kazançlar ise masada bırakılıyor. BEA, ONET ve nüfus sayımı verilerini kullanarak 1980'den 2016'ya 49 sektör ve 500 demografik grup üzerinden ölçtüklerinde, verimlilik temettüsünün üçte ikisinden onda dokuzuna kadarının bu dinamik nedeniyle kaybedildiğini buluyorlar (Washington State University çalışma makalesi, 2024). Eşitsizlik tarafında da aynı yanlış tahsis ücret yapısındaki kaymanın büyük kısmını açıklıyor: "yüksek otomasyona maruz rutin görevlerde uzmanlaşmış çalışanların ücret düşüşleri, 1980-2016 arasında ABD ücret yapısındaki değişikliklerin yüzde 50 ile 70'ini açıklıyor" (WorkRise, 2021) — bu rakamı QJE makalesi artık rant ve verimlilik bileşenlerine ayırıyor.
Yazarların basın bültenine değil makaleye koyduğu sonuç: otomasyonu çıktıya değil insanlara hedeflediğinizde, verimliliği yakalamadan eşitsizliği yakalayabilirsiniz. 1980-2016 ABD otomasyonunun ampirik örüntüsü budur.
2026 agentic AI dağıtımı neden örüntüyü tekrarlıyor
Bir operasyon incelemesindeki doğal tepki, 1980-2016 endüstriyel otomasyonun 2026 agentic AI olmadığıdır — farklı teknoloji, farklı birim ekonomi, farklı takvim. Birim ekonomi farklı. Hedefleme mantığı değil.
Bu çeyrekte orta pazarda herhangi bir agent dağıtım incelemesine girin, ROI matematiği neredeyse her zaman aynı şekilde sunulur: X rolü yılda Y $ tutuyor; agent X rolünün işinin yüzde 60'ını yapabilir; bu yüzden agent 0,6 × Y tasarruf ediyor. O slaytlarda anılan roller, AI'nın marjinal verimlilik artışının en büyük olduğu yere göre seçilmez. Bordro hattının en büyük olduğu ve işin agent'in inandırıcı görünmesine yetecek kadar yapılandırılmış olduğu yere göre seçilirler — bu da hedeflemeyi koordinatörlere, denetleyenlere, kıdemli analistlere ve müşteri başarısı liderlerine doğru çarpıtır. Bunlar tam olarak Acemoglu ve Restrepo çerçevesinde ücret primli rollerdir: şirket içi rantlar (bilgi asimetrisi, ölçülmesi zor muhakeme, içsel pazarlık gücü) nedeniyle ücretin marjinal ürünü aştığı roller.
Sonra agent, o bordro hattındaki tasarrufa göre değerlendirilir; başka bir yere yöneltilmiş olsaydı dağıtımın ulaşabileceği verimlilik tavanına göre değil. İki soru — bu agent neyden tasarruf sağlıyor? ve bu agent en fazla çıktıyı nerede üretir? — aynı soru değildir ve orta pazardaki neredeyse hiçbir dağıtım incelemesi bunları ayırmaz.
MIT Initiative on the Digital Economy iki yıldır bu argümanın bir versiyonunu savunuyor: AI'nın verimlilik temettüsü, insanın mevcut çıktısının bilişsel iş hacmiyle darboğazlı olduğu görevlerde yoğunlaşıyor; insanın mevcut ücretinin yüksek olduğu görevlerde değil (MIT IDE, 2024). İki dağılım kesişiyor ama aynı dağılım değil. Acemoglu–Restrepo makalesi, boşluğun büyüklüğünün ölçüldüğü ilk tarihsel kanıttır — ve boşluk büyüktür.
%60–90 rakamı, iki şekilde okumak
Yüzde 60-90 verimlilik vergisinin iki operasyonel okuması vardır ve 50–500 FTE'lik bir operasyon işlevi her ikisini de tutmalıdır.
Muhafazakâr okuma: ücret primi hedefleme cezası, endüstriyel otomasyona uygulandığı şekliyle agentic AI'ya bire bir aktarılamayabilir, çünkü agent zaten kurulduktan sonra farklı bir göreve yerleştirmenin marjinal maliyeti, endüstriyel makineyi yeniden konuşlandırmanın marjinal maliyetinden çok daha düşüktür. Prensipte, kötü hedeflenmiş bir agent bir sprint'te yeniden hedeflenebilirken, yanlış konuşlandırılmış bir baskı presi çok yıllı bir sermaye amortismanıdır. Bu, mevcut dağıtım pratiğinin steel-man'idir: hedef hatasının maliyeti geri alınabilir.
Sert okuma: agentic durumda ücret primi hedefleme cezası daha kötü, daha iyi değildir, çünkü hedefleme yanlılığını kaldırmaya yönelik örgütsel siyaset daha zordur. C-suite'e dağıtım bordro tasarrufu olarak sunulduğunda ve tasarruf gelecek yılın planına işlendiğinde, agent'i farklı bir işleve (daha düşük bordro, daha yüksek verimlilik) yeniden yönlendirmek artık bir sprint kararı değildir — bir finansal taahhüdü geri almayı, orijinal çerçevelemeyi savunmayı ve önceden adlandırılmış bir rolün neden artık hedef olmadığını açıklamayı gerektirir. Yeniden hedeflemenin siyasi maliyeti, 1980-2016 örüntüsünün ikinci yılda düzeltilmek yerine kırk yıl boyunca devam etmesini sağlayan şeydir.
İki okuma da aynı operasyonel sonuca yakınsar: birinci çeyrekteki hedefleme kararı, agent'in teknik yeteneğinden çok daha yük taşıyıcıdır. Doğru hedeflenmiş zayıf bir agent, yanlış hedeflenmiş güçlü bir agent'ı geçer, çünkü güçlü agent'in kazançları azaltılması gerekmeyen ücrete karşı sönümlenir.
Karşı argüman: ücret primli roller muhakemenin yaşadığı yerdir
Bir Head of Operations'tan gelen en güçlü itiraz, ücret primli rollerin tam olarak en kaldıraçlı işin gerçekleştiği yer olduğudur — koordinatörlerin ve kıdemli analistlerin marjinal ürünlerinin üstünde ödenmesinin nedeni, 200 FTE'lik bir şirketin işlemesini sağlayan kurumsal bağlamı tutmalarıdır. Bir agent'i o rollere yöneltmek rant sönümlemesi değil; tanım gereği en kaldıraçlı otomasyon hedefidir.
Karşı argüman kısmen doğrudur ve Acemoglu–Restrepo bulgusuyla tamamen tutarlıdır. O rollerde ücret priminin var olmasının nedeni tam olarak muhakeme yüküdür — ve muhakeme yükü aynı zamanda mevcut agentic sistemlerin çoğunun, dağıtım sunumunun işaretlemediği şekillerde hâlâ başarısız olduğu yerdir. Yüksek muhakeme yükü olan görevleri ele alan AI üzerine yakın tarihli randomize kanıtlar, agent çıktısına olan güvenin, özellikle insan kullanıcı artık alan uzmanı olmadığında, doğrulukla bağlantısız olduğunu gösteriyor (Bojinov et al., HBS çalışma makalesi, 2024). Bu nedenle dağıtım slaytında en kaldıraçlı görünen hedefleme, aynı zamanda verimlilik panosunda iki çeyrek sonrasına kadar görünmeyen sessiz kalite gerilemeleri üretmesi en muhtemel hedeflemedir.
QJE makalesinin bu tartışmaya kattığı şey kırk yıllık taban orandır: firmalar ücret primini hedef aldığında, verimlilik kazancı küçülür. O rollerde muhakeme yükünün varlığı, hedeflemenin neden cazip olduğunun nedenidir — ama aynı muhakeme yükü, marjinal verimlilik artışının bordro tasarrufunun ima ettiğinden daha küçük olmasının da nedenidir. Doğru çerçeveleme "ücret primli roller kötü hedeflerdir" değil, "ücret primli bir roldeki tasarruf bir verimlilik sayısı değildir, ve onu öyleymiş gibi ele almak kırk yıllık hatadır."
Orta pazara özgü olanlar: bu çeyrek 200 FTE'lik bir operasyon işlevi için ne değişiyor
2026 agent hedeflerini sonlandıran bir Head of Operations için QJE makalesi üç somut dağıtım inceleme değişikliğine dönüşür. Hiçbiri farklı bir sağlayıcı veya farklı bir agent gerektirmez.
Bir: bordro tasarruf hattını verimlilik artış hattından ayırın. Her agent dağıtım önerisi iki ayrı sayıyı puanlamalıdır: dağıtımın mümkün kıldığı brüt bordro rahatlaması ve üretmesi beklenen ölçülen verimlilik artışı (muhakeme zamanı birimi başına çıktı). İki sayı birbiriyle değiştirilebilir değildir. 2 kattan fazla saptıklarında, dağıtım rant sönümleme bölgesindedir — agent, iş ile değil, tasarruf ile gerekçelendirilmektedir. Bu, farklı bir hedefin ücret primi bağımlılığı olmadan aynı verimlilik artışını üretip üretmediğini sormanın anıdır.
İki: hedefleri bordronun yoğunlaştığı yere göre değil, çıktının darboğaza girdiği yere göre puanlayın. Mutabakat sorgularının döngü başına altı saat sürmesi yüzünden dört gün süren haftalık kapanış bir verimlilik darboğazıdır. 180.000 $ kazanan kıdemli bir analist bir bordro yoğunlaşmasıdır. Birincisi yüksek artışlı bir agent hedefidir; ikincisi değil, ikincisi daha büyük bir nominal tasarruf üretse bile. Orta pazardaki operasyon işlevleri bu puanlama egzersizini neredeyse hiçbir zaman açıkça yürütmez; dağıtım incelemesi varsayılan olarak bordro görüşüne geri döner çünkü bu, CFO'nun bir toplantıda hesaplayabileceği görüştür.
Üç: yeniden hedefleme protokolüne önceden taahhüt edin. Acemoglu ve Restrepo'nun bulgusu kısmen kalıcılıkla ilgili — yanlış tahsis kırk yıl sürdü çünkü kimse düzeltmedi. Agentic eşdeğeri devam ediyor çünkü orijinal dağıtım sunumu bir çeyrek içinde finansal taahhüde sertleşiyor. Hedge, yeniden hedefleme tetikleyicisini dağıtım önerisinin kendisine yazmaktır: üçüncü ay ve altıncı ayda, agent'in verimlilik artışı orijinal hedefe karşı ölçülür; ölçülen artış öngörülen artışın yüzde 40'ının altındaysa, yeniden hedeflemenin siyasi maliyeti yasaklayıcı hale gelmeden önce agent farklı bir göreve yönlendirilir. Bu, Acemoglu ve Restrepo'nun ölçtüğü kalıcılığa karşı tek yapısal savunmadır.
Bu üç hamle teknik değildir; inceleme süreci hamleleridir. Farklı bir agent satın almayı veya farklı bir ekip işe almayı gerektirmezler. Dağıtım incelemesini farklı bir biçimde yürütmeyi gerektirirler — verimliliği ve bordroyu aynı sütunda çökertmeyen bir biçim.
Bu çeyreğin özgül hamlesi
Acemoglu–Restrepo'nun QJE makalesi, çıktıya değil de ücrete karşı otomatikleştirmenin maliyetine kırk yılda ilk kez bir sayı koyan ampirik çalışmadır. Sayı — verimlilik temettüsünün yüzde 60'ından 90'ına kadarının kaybı, eşitsizlik artışının yüzde 52'sinin aynı dinamiğe atfedilebilirliği — matematik doğru yapıldığında çoğu mevcut orta pazar agent dağıtımının ROI matematiğini tersine çevirmeye yetecek kadar büyüktür.
Bu çeyrekte Head of Operations'ın önündeki karar dar. Bir sonraki agent hedefini onaylamadan önce, dağıtım önerisini tek bir filtreden geçirin: bu hedef, işin verimliliğin darboğaza girdiği yerde olduğu için mi seçildi, yoksa bordronun tasarrufun en görünür olduğu yerde olduğu için mi? Dürüst cevap ikincisiyse, tarihsel taban oranı diyor ki dağıtım, yakalayabileceği verimlilik kazancının üçte ikisinden onda dokuzuna kadarını sönümleyecek.
Hedefi yeniden puanlayın. Sütunları ayırın. Yeniden hedefleme tetikleyicisini yazın. Bunu birinci çeyrekte yapmanın maliyeti bir toplantı ve revize edilmiş bir şablondur. Yapmamanın maliyeti, Acemoglu ve Restrepo'nun artık sert bir sayıya koyduğu maliyettir — ve 2027 verimlilik incelemenizin üzerine yazılacağı maliyettir.
