Kuruculara hiçbir satıcının sunumuna koymadığı soruyu sorun — üretken yapay zekâ olmasaydı, geçen haftanın işini aynı kalitede üretmek için kaç kişi daha gerekirdi? — ve ortalama yanıt kadroda %55 artış olur. Ortanca %17. En sık verilen yanıt sıfır: soruyu yanıtlayan kurucuların %30'u kimseye ihtiyaç duymayacaklarını söylüyor (Colaiacovo & Koning, 2026).
Aynı soru, aynı örneklem, tamamen farklı üç bütçeyi haklı çıkaracak üç sayı.
Yapay zekâ kaynaklı kadro tasarrufunun fiyatlanmasındaki ilk sorun bu. İkincisi daha işe yarar: büyük tasarruf bildiren kurucularla neredeyse hiç bildirmeyenler arasındaki fark, hangi araçları satın aldıklarıyla ya da modellerin yapabilecekleri konusunda ne kadar iyimser olduklarıyla açıklanmıyor. Birinin işi yeniden yapılandırıp yapılandırmadığıyla açıklanıyor.
İş gerekçenizin alıntıladığı dağılım
Çalışma, Cassandra Colaiacovo ve Rem Koning imzalı Harvard Business School Çalışma Metni 26-093. Yazarlar Pitchbook üzerinden Kuzey Amerikalı 199 teknoloji girişimi kurucusuna ulaştı — 176'sı anketi eksiksiz tamamladı — şirketler ortalama 16 çalışanlı (ortanca 9), yaklaşık 3,5 yıllık ve yarıdan fazlası ortalama 4,86 milyon dolar toplamış risk sermayesi destekli. Yüzde doksan altısı şirkette üretken yapay zekânın resmî ya da gayri resmî biçimde kullanıldığını, kullanılan araç sayısının ortancasının beş olduğunu bildiriyor (Colaiacovo & Koning, 2026).
Bunlar isteksiz benimseyenler değil. En iyi senaryoya yakın: hem süreç tasarımını hem işe alım planını elinde tutan kişinin yönettiği küçük, esnek şirketler.
Bildirilen tasarrufun dağılımı ise belirgin biçimde sağa çarpık. Ortalama %55, ortanca %17, mod sıfır. Çalışma saati sorusu da aynı şekilde davranıyor: yapay zekâ olmadan kurucular ortalama %59 daha fazla çalışma saatine ihtiyaç duyacaklarını tahmin ediyor, ortanca %30.
Operasyonel sonuç nettir. Ortalama üzerine kurulan bir iş gerekçesi, dağılımın kuyruğu üzerine kurulmuş bir iş gerekçesidir. Bir satıcı ya da içerideki bir savunucu yapay zekânın bir ekibi yarı kadroyla çalıştırabileceğini söylediğinde, o sayı örneklem için aritmetik olarak doğru, örneklemdeki tipik şirket için betimsel olarak yanlıştır. Ekonominin yapay zekâya en doymuş kesiminde ortanca şirketin bildirdiği tasarruf %17 — gerçek, değerli ve bir küçülme tezinden fersah fersah uzak.
Ajan planınız ortalamaya dayanıyorsa, dağılımın hangi yarısında olduğunuza dair elinizde hangi kanıt var diye sorun.
Kadro tasarrufunun yaşadığı yer resmî entegrasyondur
Yazarlar kuruculardan kendi kullanımlarını sınıflandırmalarını istedi: üretken yapay zekâ iş akışlarına resmî olarak entegre miydi, yoksa çalışanlar uygun gördükçe gayri resmî biçimde mi kullanıyordu? Bu tek ayrım sonuçları yeniden sıralıyor.
| Yapay zekâ olmasa diye bildirilen karşı-olgusal | Resmî entegre edenler | Gayri resmî kullananlar |
|---|---|---|
| Gereken ek çalışan (ortalama) | %91,4 | %24 |
| Gereken ek çalışan (ortanca) | %40 | %10 |
| Gereken ek çalışma saati (ortalama) | %82,8 | %33 |
| Gereken ek çalışma saati (ortanca) | %40 | %20 |
Hem ortalamada hem ortancada kadro tasarrufu neredeyse dört kat (Colaiacovo & Koning, 2026). Resmî entegre edenler ayrıca yapay zekânın işe alıp almayacaklarını ve kimi alacaklarını değiştirdiğini, ekip koordinasyonunu verimleştirdiğini, yönetsel kapasite sağladığını ve yeni çalışanların uyumunu kolaylaştırdığını daha sık bildiriyor.
Yazarlar temkinli, onları alıntılayan herkes de öyle olmalı: bunlar nedensel etkiler değil, ilişkiler. Yapay zekâyı bilinçli biçimde gömen kurucular, operasyonel kaldıracı başka yolla da bulacak kurucular olabilir. Ama ilişkinin yönü işe yarar kısımdır; çünkü alternatif açıklama — resmî entegre edenlerin yalnızca daha iyi araçlar satın almış olması — makalenin devamıyla çürütülüyor.
"Resmî" aslında ne anlama geliyordu
Ayrım önemli, çünkü alışıldık ölçüm tam burada başarısız oluyor. Yazarlar, bir şirketin hangi araçları ve temel modelleri kullandığını sormanın "araçları gelişigüzel kullananlarla onları düzenli iş rutinlerinin parçası olarak kullananları ayırt etmekte başarısız olabileceğini" belirtiyor. Bu yüzden gerçekten değişen şeyi kuruculara sınıflandırttılar: üretken yapay zekâ sürecin içinde miydi, yanında mı.
Bu, orta ölçekli şirketlerdeki yapay zekâ panolarının çoğunun ölçüm sorunudur. Lisans sayısı, haftalık aktif kullanıcı ve istem hacmi, gayri resmî nüfusu tam güçle kaydeder. Hiçbiri tek bir süreç adımının ajan etrafında yeniden kurgulanıp kurgulanmadığını söylemez — ki resmî/gayri resmî ayrımının izlediği tek şey bu, sayıyı dört kat oynatan şey de bu.
Yetenek inançları kimin devrettiğini açıklamıyor
Soruyu satın almadan örgüt tasarımına taşıyan sonuç bu.
Araştırmacılar, yapay zekâ dağıtımının zaten yaygın olduğu bir işlevde gömülü bir deney yürüttü: müşteri hizmetleri. Kuruculara bu roldeki yapay zekâ performansına dair gerçek haber ve araştırmaların iyimser veya kötümser bir özeti rastgele gösterildi; ardından bir müşteri hizmetleri talebini yapay zekâya devretmeye ne kadar istekli oldukları yeniden soruldu.
Müdahale işe yaradı — inançlar ortalamada hareket etti. Devretme istekliliği ise yakınsamadı. Görev performansına ilişkin inançlar, devretme istekliliğindeki değişimin en fazla üçte birini açıklıyor; bilgi müdahalesinin ardından güncellenmiş inançlar yalnızca %37'sini açıklıyor (Colaiacovo & Koning, 2026). Dikkat çekici olan: derin entegre edenler, yapay zekânın görev performansı konusunda gayri resmî kullanıcılardan anlamlı biçimde daha iyimser değildi. İnsanlarla yapay zekânın işi nasıl paylaştığını denemeye daha istekliydiler.
Yetkin bir ajanın gerçek iş alıp almamasındaki değişkenliğin üçte ikisi modelden başka bir yerde duruyor.
Bu bulgu tek başına değil. Microsoft'un 2026 Work Trend Index'i, 10 ülkede 20.000 çalışanla, gerçekleşen yapay zekâ etkisinin örgütsel faktörlere — kültür, yönetici desteği, insan uygulamaları — bireysel faktörlerin iki katından fazlasını atfediyor: %67'ye %32 (Microsoft Work Trend Index, 2026). Deloitte'un 24 ülkede 3.235 liderle yaptığı araştırma paranın nereye gittiğini gösteriyor: %53 yapay zekâ yetkinliğini yükseltmek için çalışanları eğitiyor, buna karşılık yalnızca %30 örgütü yeni yapay zekâ kalıpları üzerinden yeniden düşünüyor ve %33 kariyer yollarını yeniden tasarlıyor (Deloitte, 2026).
Yetkinliği herkes finanse ediyor. Yeniden yapılandırmayı neredeyse kimse. HBS verisi, %40 tasarrufu %10'dan ayıran değişkenin yeniden yapılandırma olduğunu söylüyor.
Dürüst karşı argüman
Üç sınır, açıkça söylenmiş; çünkü bu bir anket, bordro denetimi değil.
Bunlar inanç, ölçülmüş çıktı değil. Kimse kurucuların karşı-olgusal tahminlerini kadro kayıtlarıyla veya çalışan başına ciroyla karşılaştırmadı. Yazarlar bunu açıkça söylüyor ve bilanço verisinin bulunduğu yerlerde gerçekleşmiş verimlilik ölçütleriyle çalışma çağrısı yapıyor.
Yapay zekânın kadro etkisine dair inançların belgelenmiş bir hata oranı var. McKinsey'in 2026 State of AI araştırması, kendi panelini notlandırabilen ilk sürüm: bir yıl önce katılımcıların %32'si yapay zekâya bağlı istihdam düşüşü bekliyordu; aynı dönemde yapay zekâ kullanan kuruluşların yalnızca %14'ü yapay zekânın kadro büyüklüğünde fiili bir düşüşe katkıda bulunduğunu bildirdi, üçte ikisi ise yapay zekâya bağlı az ya da hiç değişim bildirdi (McKinsey, 2026). Beklenti, gerçekleşmeyi kabaca iki kat aştı. HBS ortalamalarını bu mercekle okuyun; çarpıklık daha az değil, daha fazla kuşku uyandırır.
Örneklem, ortalama 16 kişilik 199 risk sermayesi destekli teknoloji girişimi. Dört doğrudan raporu olan bir kurucu bir süreci hafta sonunda yeniden tasarlayabilir. 300 kişilik bir operasyon fonksiyonu yapamaz; onun resmî entegrasyonu daha pahalı ve daha uzundur. Bulguların sıralaması orta ölçeğe taşınır; büyüklükleri taşınmaz.
Üçünün altında bir seçilim sorusu da akıyor. Resmî entegrasyon bedava değil: yönetsel dikkat, yeniden tasarlanmış bir süreç ve bir ajan çıktı ürettiğinde o çıktının sahipliğini üstlenecek birini gerektirir. Bu bedeli ödeyen şirketler, tanım gereği, ödeyecek payı olan şirketlerdir. 50–500 çalışanlı bir operasyon için dürüst çeviri şu: dört kat fark, yeniden tasarımın getirisinin üst sınırıdır, öngörüsü değil.
Bunların hiçbiri temel iddiayı zayıflatmıyor. Daraltıyor: ayırt edici değişken örgütsel, düzeyler ise öz bildirim.
Bu çeyrek neye karar vermeli
Dört hamle; hiçbiri yeni bir araç gerektirmiyor.
- İş gerekçesini ortalamaya değil ortancaya göre yeniden fiyatlayın. Bir plan %40'ın üzerinde tasarruf varsayıyorsa, çarpık bir dağılımın en üst onda birindeki resmî entegre eden olduğunuzu varsayıyor. Hangi sayıyı taahhüt ettiğinizi ve hangi kanıtın sizi oraya koyduğunu yazın.
- Bir süreci kullanım için değil, resmî entegrasyon için denetleyin. Lisans sayıları ve haftalık aktifler gayri resmî kullanımı ölçer — tam olarak ortanca %10 tasarruf bildiren nüfusu. Soru, bir süreç adımının ajan etrafında, bir sahibi ve tanımlı bir çıktısı olacak şekilde yeniden kurgulanıp kurgulanmadığıdır.
- Yetkinlik bütçesini yeniden tasarım bütçesinden ayırın. Aynı kalem değiller ve aynı getiriyi üretmiyorlar. Eğitim finanse ediliyor, yeniden tasarım edilmiyorsa, gayri resmî kullanıcı sonucunu resmî entegre eden fiyatına satın alıyorsunuz.
- Ajana iş vermeden önce ona bir pozisyon tanımı verin. Resmî entegrasyon; tanımlı bir kapsam, adı belli bir sorumlu insan ve hangi eylemlerin onay gerektirdiğine dair açık bir kural anlamına gelir. Scovai'nin Digital Employees modelinin arkasındaki yönetişim mantığı bu — belirli bir role göre eğitilmiş, dışarıya görünen her eylemde önce onay, özerklik eylem türüne göre kazanılıyor, varsayılan olarak açılmıyor — "resmî" bir entegrasyonun neyi belirlemesi gerektiği konusunda, kim kurarsa kursun, yararlı bir referans.
Bu makalenin rahatsız edici sonucu: ajan yeteneği sorusu büyük ölçüde çözülmüş, örgütsel soru ise büyük ölçüde el değmemiş durumda. Bu şirketlerin %96'sında araçlar zaten vardı. Dört kat tasarruf bildirenler başka bir şey yapmıştı.
Bir sonraki ajan lisansını onaylamadan önce, onun değiştirmesi beklenen sürecin sahibinin kim olduğunu öğrenin. Yanıt "kimse" ise, ortancayı satın alıyorsunuz.
