Çalışanların yüzde 71'i yapay zekâ araçlarının kendilerini daha üretken hissetmelerine yardımcı olduğunu söylüyor. En yoğun kullanıcılarda bu oran yüzde 93'e çıkıyor. Aynı kişilere iş yüklerinin rolleri için makul olup olmadığını sorduğunuzda cevap neredeyse kıpırdamıyor: yoğun kullanıcılarda yüzde 72, hiç kullanmayanlarda yüzde 69 — yani üç puanlık bir fark (Culture Amp, 2026).
Bu iki bulgu aynı anketten, aynı çalışanlardan, aynı on iki aydan geliyor. Bir eğri kullanım yoğunluğuyla birlikte dik biçimde yükseliyor. Diğeri düz.
Bu bir ölçüm hatası değil. Bu bir yönetim artefaktı ve şu anlama geliyor: yapay zekâ devreye alımınızın yarattığı kapasite, sizin seçtiğiniz bir yere aktarılmak yerine aynı rollerin içinde yeniden emiliyor.
Tek veri setinden iki eğri
Culture Amp'in ilk AI at Work kıyaslaması, platformunda 292 kurumun yürüttüğü 342 ankete dayanıyor; bu da yaklaşık 112.000 çalışan ve Temmuz 2026'ya kadarki on iki ayda toplanmış 343.000 bireysel yanıt demek. Katılımcılar 16 sektöre ve tüm büyük bölgelere yayılıyor; bireysel katkı sağlayanlar örneklemin yaklaşık üçte ikisi. Çalışanlar dört karşılaştırılabilir kullanım kademesine standartlaştırıldı — hiç kullanmayanlar, hafif kullanıcılar (haftada bir-iki kez), günlük kullanıcılar ve yoğun kullanıcılar (günde birkaç kez) (Culture Amp, 2026).
Bu kademelerin içinde neredeyse her deneyim ölçütü kullanımla birlikte iyileşiyor. Risk okuryazarlığı hiç kullanmayanlarda yüzde 67'den yoğun kullanıcılarda yüzde 95'e çıkıyor. "Rolün başka bir yerde gerektireceğinin ötesine geçme" motivasyonu en yoğun kullanıcılarda yüzde 72, hiç kullanmayanlarda yüzde 57. Yapay zekânın öğrenmelerine ve gelişmelerine yardımcı olduğu görüşü küresel ortalamada yüzde 66; bu ortalamayı yüzde 27'de kalan kullanmayanlar aşağı çekiyor.
Tek bir madde bu eğilimi izlemeyi reddediyor. "Genel olarak iş yüküm rolüm için makul görünüyor" ifadesinde olumlu yanıt oranı, hiç kullanmayanlarda yüzde 69'dan, yapay zekâyı herhangi bir sıklıkta kullanan herkeste yüzde 71–72'ye uzanıyor. Culture Amp'in kendi okuması net: ilk benimseme iş yükü algısını hafifçe iyileştiriyor, kullanım sıklığının artması ise ek hiçbir rahatlama getirmiyor (Culture Amp, 2026).
Hissedilen üretkenlik örneklem genelinde yüzde 71, en yoğun kullanıcılarda yüzde 93. Hissedilen iş yükü rahatlaması ise aynı kademelerde üç puan değerinde.
Benimseme panonuz düz bir iş yükünü neden göremez
Orta ölçekli şirketlerdeki yapay zekâ programlarının çoğu yanlış değişken üzerine kurulmuş. Lisans sayıları, haftalık aktif kullanıcılar, koltuk başına istem sayısı, araç düzeyinde tasarruf edilen zaman tahminleri — benimseme arttığında bunların hepsi artar. Serbest kalan saat sessizce aynı işin daha fazlası tarafından tüketildiğinde ise hiçbiri değişmez.
Yeniden emilme, tasarım gereği görünmezdir. Perşembe raporunu doksan dakika yerine kırk dakikada bitiren bir çalışan daha hafif bir hafta bildirmez; içine daha fazla şey sığmış bir hafta bildirir. Culture Amp bu itirazı kendi bulgusuna karşı dile getiriyor, hem de haklı olarak: insanlar verimlileştikçe tabaklar yeniden dolar, bu normaldir. Dikiş makinesi olan bir kapitoneciden yılda elle çalışanla aynı sayıda yorgan çıkarması beklenmez.
Sorun tabağın yeniden dolması değil. Sorun, tabağa ne konduğuna kimsenin karar vermemiş olması.
Culture Amp bulgusu işte burada bir merak konusu olmaktan çıkıp bir bütçe sorusuna dönüşüyor. İş gerekçeniz, geri kazanılan saatlerin serbest kapasite, yapılmayan işe alım ya da daha kısa çevrim süresi olarak görünmesini varsayıyorsa ve kendi çalışan bağlılığı verileriniz algılanan iş yükünün her kullanım kademesinde düz olduğunu söylüyorsa, iş gerekçesi doğrulanmamıştır — çürütülmüş değil, doğrulanmamış. Vaat ettiğiniz şeye yöneltilmiş tek bir ölçüm aracınız yok.
Geri kazanılan saatler gerçekte nereye gidiyor
2026'ya ait iki veri seti bu saatlerin varış noktalarını haritalıyor ve hiçbiri stratejik değil.
BCG'nin dördüncü yıllık AI at Work anketi — 14 pazarda 11.749 çalışan — sahadaki düzenli kullanıcıların yüzde 42'sinin yapay zekâ sayesinde haftada en az tam bir iş günü kazandığını bildirdiğini, buna karşın yüzde 66'sının bu zamanla ne yapacağına dair sınırlı ya da hiç yönlendirme almadığını ve yarısından fazlasının bu zamanı stratejik işe yöneltmediğini buldu. Aynı örneklemde yüzde 47'si artık yapay zekâyı yönetmeye ve yönlendirmeye, işi bizzat yapmaktan daha fazla zaman harcadığını; yüzde 72'si ise yapay zekânın rollerinin beklediği becerileri hâlihazırda ciddi biçimde değiştirdiğini söylüyor (BCG, 2026).
Bu iki sayıyı birlikte okuyun. Saat gerçek. Saat hakkındaki karar ise yok. Kararın yokluğunda saat, mevcut en yakın talebe varsayılan olarak akar — ki bu talep, giderek daha sık, yapay zekânın kendisi oluyor.
BambooHR'ın 1.608 ABD'li masa başı çalışanıyla yaptığı anket, bu varsayılan akışa kronometre tuttu. Çalışanlar günde ortalama 87 dakikayı yapay zekâ araçlarının içinde geçiriyor; bu sürenin yüzde 42'si hataları gidermeye ve istemleri yinelemeye, yüzde 35'i ise kendi iş yükünü gerçekten ilerleten işe gidiyor (BambooHR, 2026). Yapay zekâ süresinin daha büyük kısmı, onunla üretmeye değil, onu tamir etmeye gidiyor.
Yani kapasite boşlukta kaybolmuyor. Harcanıyor — gözetime, düzeltmeye ve araçların yarattığı yeni koordinasyon yüzeyine. Bu iş gerçek bir iş. Yalnızca kimsenin bütçelemediği, adlandırmadığı ya da bir role atamadığı bir iş.
Mekanizma, yönlendirme boşluğudur
Düz iş yükünü bulan aynı kıyaslama, bunun nedenini de buldu ve neden çalışan direnci değil.
Çalışanların yüzde 85'i kurumlarının yapay zekâyla keşif ve deneyi aktif biçimde teşvik ettiğini söylüyor. Yalnızca yüzde 58'i liderlerinin yapay zekânın şirketin gittiği yönle nasıl bağlandığını açıkça anlattığını söylüyor — bu, tüm kıyaslamanın en düşük puanlı maddesi ve teşvik maddesiyle arasında 27 puanlık bir uçurum var. İşe daha yakın düzeyde, yalnızca yüzde 60'ı yöneticisinin yapay zekânın hedeflerini nasıl destekleyebileceğine dair örnekler paylaştığını söylüyor; sistem ve süreçlerin desteği ise yüzde 64'te kalıyor (Culture Amp, 2026).
Culture Amp'in VP of People Science'ı Amy Lavoie, sonucu duygu verilerinden değil üretkenlik verisinden çıkarıyor: yönetim ekiplerinin çoğu, on çalışandan yedisinin kendini daha üretken hissetmesini yatırımın geri dönüşü olarak okur; ama iş yükü puanları sabit kalıyorsa bu, yanıtlanmamış bir sorudur. Gerçek getiri elde edecek kurumlar, diyor Lavoie, "en yüksek benimseme oranına sahip olanlar olmayacak. Geri kazandıkları zamanla neyi yapmayı bırakacaklarına açıkça karar verenler olacak" (Culture Amp, 2026).
Burada kendi payına düşeni yapmış bir çalışan kitlesi var. Eksik olan şey onların üzerinde duruyor: neyin duracağına dair yazılı bir karar.
Aynı duyuruda ikinci bir sinyal
Yanı başındaki bir bulgu dikkatle ele alınmalı. Çalışanların iç kariyer fırsatlarına dair farkındalığı Temmuz 2025'ten bu yana 10 puan düştü — Culture Amp'in kıyaslama verisindeki en büyük yıllık değişim — kariyer gelişiminden duyulan memnuniyet ise 2021'den beri bulunduğu yüzde 66 seviyesinde kaldı. Çalışanlar aldıkları gelişimden daha az memnun değil; sıradaki şeyin ne olduğu konusunda daha az net.
Çekince önemli: Culture Amp, bu kariyer rakamlarının 112.000 çalışanlık yapay zekâ örnekleminden daha geniş bir nüfusa dayanan bağlılık kıyaslamasından geldiğini belirtiyor. Bunları yapay zekâ kohortuna atfetmeyin. Onları çevredeki hava durumu gibi görün, aynı ölçüm gibi değil.
Dürüst itiraz
Üç sınır, açıkça.
Bu algı, çıktı değil. Buradaki her rakam, çalışanların nasıl hissettiğini bildirmesidir. Culture Amp bunu açıkça söylüyor — her kıyaslama sonucu, bir çalışan kitlesinin size bir konuda ne hissettiğini anlatmasıdır; çıktının ya da saatlerin ölçümü değildir. Düz bir iş yükü puanı, insanların fark etmeden içine aldığı gerçek kapasite kazanımlarıyla pekâlâ bir arada bulunabilir.
Örneklem kendini seçiyor. Yapay zekâ anketi yapan kurumlar, tanımı gereği yapmayanlardan daha ileride. Şablonu kullanan şirketlerin yüzde 58'i Kuzey Amerika'da; sektörde teknoloji açık ara önde; 1.000'den fazla çalışanı olan kurumlar kullanıcıların yaklaşık üçte birini oluşturuyor. Culture Amp'in çerçevesi doğru: bunu her işvereni değil, yapay zekâya girmiş kurumları anlatan bir portre olarak okuyun. (Basın bülteninin gövdesinde bir paragrafta "123 kurum" da geçiyor; metodoloji bölümünde 292 yazıyor — alıntılanacak olan metodoloji notudur.)
Alternatif açıklama zamanlama, başarısızlık değil. NBER 35684 numaralı çalışma kâğıdı — Babina, He ve Jiang — yapay zekânın erken üretkenlik kazanımlarını, araçlara ya da yapay zekâ kadrosuna değil, yaparak öğrenme yoluyla oluşan kalıcı firmaya özgü bilgi, yani organizasyon sermayesinin birikimine bağlıyor (NBER, 2026). Makalenin gövdesi erişime kapalı, dolayısıyla ona hiçbir etki büyüklüğü atfedilmemeli. Ama yön olarak bu adil bir itiraz: bir yıllık düz iş yükü, daha sonra getiri sağlayacak süreç bilgisini inşa etmenin bedeli olabilir. Ne var ki bu okuma, yalnızca fiilen bir şeyi kayda geçiren şirketler için geçerli. Tek tek optimize edilmiş 400 iş akışı olan ve hiçbirinin kaydı bulunmayan bir şirket için geçerli değil.
Çeyrek kapanmadan karar verilmesi gerekenler
Dört hamle. Hiçbiri yeni bir lisans değil.
- Neyin bırakılacağına dair listeyi yazın: ekip ekip ve üzerinde isimlerle. "Manuel işi azaltalım" değil — bu çeyrekten sonra artık üretilmeyecek üç somut yinelenen çıktı ve bunların artık gerekmediğini kimin teyit ettiği. Listede rahatsız edici hiçbir şey yoksa, liste süstür.
- Geri kazanılan saatleri sahiplenmeden önce varış noktasını adlandırın. Adı konmuş bir varış noktası olmayan serbest saat, emilmiş bir saattir. Rol başına bir tane seçin: bir gelişim hedefi, ekipler arası bir proje, bir iç geçiş ya da bilinçli bir pay. "Stratejik iş" bir varış noktası değildir.
- Bir sonraki bağlılık anketinize bir iş yükü sorusu ekleyin ve yapay zekâ kullanım kademesine göre kırın. Culture Amp'in bulgusunu tek bir anket döngüsünde kendi şirketinizin içinde yeniden üretebilirsiniz. En yoğun kullanıcılarınız, hiç kullanmayanlarla aynı iş yükünü bildiriyorsa, yeniden emilmeyi doğrudan ölçmüş olursunuz — kendi verinizde, kendi rollerinize bağlı olarak.
- Aracı değil, rolü ölçün. Neyin bırakılacağı kararı; her pozisyonun gerçekte ne kattığını, geri kazanılan saatlerin hangi yetkinlikleri inşa edebileceğini ve serbest kalan kapasitenin hangi iç geçişi mümkün kıldığını görmeyi gerektirir. Bu, benimseme verisi değil rol düzeyinde veridir. Scovai'nin performans ve yedekleme katmanı yetkinlikleri döngü başına ölçüyor ve bundan iç hareketliliği ile yedekleme hazırlığını çıkarıyor; böyle bir ölçümün nasıl göründüğüne dair çalışılmış bir referans arıyorsanız oraya bakın.
Kıyaslamanın gerçek bulgusu, yapay zekânın iş yükünü azaltmayı başaramaması değil. Bulgu şu: 112.000 çalışana bir üretkenlik kazancı verildi ve üstlerindeki hiç kimse bunun ne için olduğunu belirtmedi.
En yoğun yapay zekâ kullanıcılarınız zamanı zaten buldu. Bu çeyrek için kalan tek soru, o zamanın nereye gideceğine sizin mi karar vereceğiniz, yoksa onların gelen kutusunun mu.
