Avrupa Merkez Bankası, euro alanındaki 11 ülkede ayda yaklaşık 20.000 çalışana yapay zekânın kendilerine ne kadar zaman kazandırdığını sordu. Medyan kullanıcı haftada üç saat dedi — medyan çalışma süresinin yaklaşık %7,7'si. Ardından AMB, neredeyse hiçbir satıcı sunumunun yapmadığı şeyi yaptı: herkese böldü. Çalışanların yalnızca %48,8'i hem yapay zekâ kullanıp hem de onunla zaman kazandığı için, ekonomi genelindeki verimlilik kazancı %3,8'e daha yakın (AMB, 2026).
Aynı anket. Aynı katılımcılar. Aralarında yaklaşık iki kat fark olan iki sayı.
Yapay zekâ verimliliği iş gerekçeniz neredeyse kesinlikle birincisi üzerine kurulu. Hata burada ve bu bir yuvarlama hatası değil: bir payda hatası ve CFO'ya söz verdiğiniz saatlerin hiç ortaya çıkıp çıkmayacağını belirliyor.
AMB aslında neyi ölçtü
Veriler AMB'nin Consumer Expectations Survey'inden geliyor: euro alanındaki 11 ülkede yaklaşık 20.000 kişilik aylık bir panel — bir satıcının müşteri listesi değil, genel nüfusa yönelik bir araç. Bu önemli, çünkü yapay zekâyı deneyip bırakanları ve hiç başlamamış olanları da kapsıyor. Gördüğünüz yapay zekâ verimlilik verilerinin çoğu bunu yapmıyor.
Benimseme eğilimi gerçekten dik. İşinde yapay zekâ kullanan çalışanların payı 2024'te %26 iken 2025'te %41'e, 2026'da %52'ye çıktı ve kullanıcılar haftada yaklaşık üç gün başvurduklarını söylüyor. Benimseme beklendiği gibi dengesiz: yüksek eğitimli çalışanlarda %61, daha düşük eğitim düzeyine sahip olanlarda %37; genç çalışanlar yaşlı meslektaşlarının yaklaşık 20 puan önünde.
Ama insanlar bir kez içeri girdiğinde yoğunluk birbirine yakınsıyor. Haftalık kullanımda grup ortalamaları yaş ya da eğitimden bağımsız olarak 2,5 ile 2,9 gün arasında (AMB, 2026).
Bu şekli aklınızda tutun, çünkü kaldıracınızı o tanımlıyor. Kurumunuzdaki farklılık esas olarak kullananların ne kadar sıkı kullandığından kaynaklanmıyor. Kaç kişinin gerçekten kullanan olduğundan kaynaklanıyor.
Bütün mesele paydada
İş gerekçenizin örtük olarak yaptığı aritmetik şu.
Satıcılar kullanıcı başına tasarrufu aktarır — o üç saat, o %7,7. Finans bunu çalışan sayısıyla çarpar. Ortaya çıkan sayı, herkesin aracı kullandığı ve herkesin zaman kazandığı bir işgücü hakkında bir iddiadır. AMB verisi, işgücünün kabaca yarısının o nüfusa ait olduğunu söylüyor.
AMB, modeli kuran herkese tekrarlanmaya değer bir noktada da titiz: kazanılan zaman ancak serbest kalan saatler çıktıya dönüştürülürse verimliliğe dönüşür ve bu dönüşüm, işverenin ek kapasiteyi kullanabilecek durumda olup olmamasına bağlıdır. Arkasında talep olmayan bir takvime düşen kazanılmış saatler kazanç değildir. Atıl kapasitedir.
Ölçek için: AMB, yapay zekânın on yıllık ufukta yıllık ek verimlilik büyümesine katkısına ilişkin güncel tahminlerin %0,1 ile %3,4 arasında değiştiğini, AMB'nin euro alanı için kendi tahmininin ise yılda yaklaşık 0,35 puan olduğunu belirtiyor. Kurum içi gerekçeniz bunun bir büyüklük mertebesi üzerinde bir sıçrama ima ediyorsa, ispat yükü iktisatçılarda değil sizde.
Aynı uçurum, ABD'de ölçüldü
Bu tek bir para birliğindeki tek bir anket olsaydı görmezden gelebilirdiniz. Değil.
Alexander Bick, Adam Blandin ve David Deming, Federal Reserve Bank of St. Louis ile birlikte ABD'de üretken yapay zekâ kullanımına dair ulusal düzeyde temsili anketler yürüttü ve kullanıcılar arasında çalışma saatlerinin %5,2'si kadar ortalama zaman tasarrufu buldu — haftada 40 saat çalışan biri için yaklaşık 2,1 saat — ancak kullanmayanlar dahil edildiğinde toplam saatlerin %1,4'ü. Mevcut kullanıma dayalı modellenmiş toplam verimlilik kazancı: %1,2 (Bick, Blandin & Deming, 2024).
İki kıta, iki yöntem, iki yıl arayla. İkisi de dönüştürücü görünen bir kullanıcı başına sayı ve kademeli görünen, katılıma göre düzeltilmiş bir sayı buluyor. İkisi arasındaki oran gürültü değil. Olgunun biçimi.
Getiri, kullanımın olmadığı yerde
AMB verisindeki ikinci bulgu, yalnızca neye inandığınızı değil, pazartesi ne yapacağınızı değiştirmeli.
Verimlilik kazançları göreve göre keskin biçimde değişiyor ve en büyükleri en yaygın kullanımlardan gelmiyor. Kod üretmek ya da hata ayıklamak haftada neredeyse sekiz saat getiriyor — ama çalışanların yalnızca yaklaşık %8'i yapay zekâyı bunun için kullanıyor. Veri analizi, rutin görev otomasyonu ve ses ya da görsel içerik üretimi de aynı örüntüyü izliyor: yüksek getiri, ince kullanım. Buna karşılık en sık anılan kullanımlar — araştırma, bilgi toplama, yazma ve metin düzenleme — belirgin biçimde daha az kazandırıyor (AMB, 2026).
AMB'nin işaret ettiği ve benim de yineleyeceğim bir çekince: çok zaman kazandığını söyleyen katılımcılar daha fazla görev işaretleme eğiliminde ve bu, görev başına ortalamaları mekanik olarak şişiriyor. Sıralamayı güvenilir, mutlak saatleri ise cömert kabul edin.
İndirimli haliyle bile sıralama uygulanabilir. Çoğu kurum iki yılını düşük getirili kullanımların benimsenmesini teşvik ederek geçirdi, çünkü bunlar bir eğitim oturumunda gösterilmesi en kolay olanlar. Yüksek getirili kullanımlar sistemlere, veriye ve koda erişim gerektiriyor — bu bir yetki ve entegrasyon sorunu, heves sorunu değil.
Diğer yarı neden katılmıyor
AMB, kullanmayanlara doğrudan sordu ve yanıtlar çoğu yaygınlaştırma planının varsaydığı yanıtlar değil.
Üçte biri yapay zekânın mevcut görevleriyle ilgisiz olduğunu söylüyor. Diğerleri mevcut yöntemleri tercih ediyor, doğruluk ve güvenilirlik kaygılarıyla çekiniyor ya da işverenin araçları sağlamadığını belirtiyor. Ve %41'i teknolojiye hiçbir ilgi duymadığını söylüyor — yöneticilerin %34'ü dahil. Fikirlerini neyin değiştireceği sorulduğunda, yaklaşık yarısı daha iyi eğitim ve yapay zekânın gerçekte nerede işe yaradığına dair daha iyi bir kavrayış diyor.
Arz tarafında, AMB'nin SAFE anketine göre firmaların yaklaşık yarısı önümüzdeki 12 ayda yapay zekâ eğitimine yatırım yapmayı planlıyor — yani yaklaşık yarısı planlamıyor.
Algı da yanlış yöne gidiyor: yapay zekâya olumlu bakan çalışanların oranı yıllık bazda %43'ten %41'e geriledi (AMB, 2026).
İşte katılım oranınız, mekanik biçimde tarif edilmiş hali. Bu bir muamma değil, bir motivasyon eksikliği de değil. Kullanmayanlarınızın yaklaşık üçte biri, yapay zekânın bugünkü görevlerinde işe yaramadığını doğru biçimde teşhis ediyor — ve bunu değiştirecek tek şey o görevlerin yeniden tasarlanması, bir lisans değil.
Dürüst karşı argüman: bunlar beyana dayalı
Şimdi kendi argümanımı zayıflatan çekince, çünkü bunu CFO'nuzdan değil benden duymanız daha iyi.
Yukarıdaki her sayı çalışanların kendi beyanı. Kimse kronometre tutmadı. Ve beyana dayalı yapay zekâ kazançlarının ölçülmüş kazançlarla doğrudan karşılaştırıldığı tek ortamda, beyanlar ağır biçimde kaybetti.
METR'in deneyimli açık kaynak geliştiricileriyle yürüttüğü randomize kontrollü çalışma, 2025 başı yapay zekâ araçlarını kullandıklarında %19 daha uzun sürdüklerini buldu — üstelik hızlandıklarına inanırken. METR'in 349 teknik çalışanla yaptığı takip anketi bu yanlılığa sayı koyuyor: 2025 başındaki çalışmalarında katılımcılar, yapay zekânın görevlere harcadıkları süreye etkisini ortalama 40 puan fazla tahmin etti (METR, 2026).
Dolayısıyla dürüst okuma şu: ekonomi genelindeki %3,8 aralığın kötümser değil, iyimser ucu olabilir. Kullanıcı başına rakam yalnızca katılımsızlıkla seyrelmiş değil — kaynağında şişirilmiş de olabilir.
Kurumsal düzeyde bir kontrol daha var. McKinsey'in State of AI 2026 anketi, yapay zekâya en azından bir miktar EBIT etkisi atfeden katılımcıların payının yıllık bazda esasen değişmeden %37 olduğunu, AI high performers oranının ise yaklaşık %6'da sabit kaldığını buluyor (McKinsey, 2026). Benimseme birikiyor. Raporlanan finansal etki birikmiyor. Kullanıcı başına saatler gerçek ama ne evrensel ne de dönüştürülmüş olsaydı, tam da bu imzayı beklerdiniz.
Bunların hiçbiri yapay zekânın hiçbir şey kazandırmadığı anlamına gelmez. İş gerekçesine yazdığınız sayının alıntılanmış değil, inşa edilmiş olması gerektiği anlamına gelir.
Yapay zekâ verimliliği iş gerekçesini yeniden kurun: katılım × görev düzeyinde getiri
Kullanıcı başına çarpımı üç terimli bir tahminle değiştirin. Bir öğleden sonra sürer ve finansla temasa dayanır.
- Lisansı değil katılımı ölçün. Geçen hafta iş için yapay zekâ kullanan ve zaman kazandığını söyleyen kişileri sayın — AMB'nin %48,8 kurgusunu kendi çalışan sayınıza uygulayın. Koltuk sayısı bir satın alma metriğidir; payda değildir.
- Departmana göre değil göreve göre ağırlıklandırın. Yüksek getirili iş (kod üretimi ve hata ayıklama, veri analizi, rutin görev otomasyonu) ile yüksek frekanslı iş (araştırma, yazma, düzenleme) için kazanılan saatleri ayrı ayrı tahmin edin. Bunları tek bir ortalamada harmanlamayın — fırsatı gizleyen tam da o harman.
- Bir dönüşüm katsayısı uygulayın. Serbest kalan saatlerin hangi kısmının atıl kapasite değil çıktı olacağına açıkça karar verin ve bu saatlerin karşılayacağı talebi adıyla söyleyin. Adını koyamıyorsanız dönüşüm katsayısı sıfırdır ve bunu söylemelisiniz.
Sonra AMB verisinin gerçekten önünüze koyduğu stratejik seçimi yapın; sürüklenmeye bırakmak yerine bir kez yapın: katılımı genişletmek mi, getiriyi derinleştirmek mi. Genişletmek, ilgisiz %41'i içeri çekmek demek — yavaş, kültürel, yöneticiden geçen ve araçların bugünkü görevlerine gerçekten uymadığı o üçte birlik kesim tarafından doğrudan tıkanan bir yol. Derinleştirmek, yapay zekâyı yüksek getirili işin %8'ine yönlendirmek demek; bu veri erişimi ve sistem entegrasyonu ister ama hiçbir motivasyon direnciyle karşılaşmaz.
Orta ölçekli çoğu operasyon ekibi ikisinin de sulandırılmış bir versiyonunu yaptı ve sonuca yaygınlaştırma dedi. Önümüzdeki iki çeyrek için birini seçin. Ölçümleyin. Yönetim kuruluna katılıma göre düzeltilmiş sayıyı, kullanıcı başına sayının yanında sunun ve aradaki farkın tartışmayı yürütmesine izin verin.
Bu çeyrekte neye karar vermeli
AMB size aynı bulguyu iki kez, iki farklı yükseklikten verdi: kişi için haftada üç saat, ekonomi için %3,8. İkisi de doğru. Ama kâr-zarar tablonuzun hissedeceği yalnızca biri.
Bu çeyrek kapanmadan gerçek katılım oranınızı çıkarın — geçen hafta iş için yapay zekâ kullandı ve zaman kazandı — ve yapay zekâ verimliliği iş gerekçenizin üzerine kurulduğu kullanıcı başına saatlerle aynı slayda koyun. İki sayı birbirinden çok uzaksa, sizin bir verimlilik sorununuz yok. Hiç bakmadığınız bir paydanız var.
