55 yaş üstü yazılımcılar bugün işten ayrılma açısından ChatGPT öncesine göre %25'ten fazla yüksek bir öngörülen oranla piyasadan çıkıyor. Aynı maruziyet endeksinin en altındaki boyacılar ise yaklaşık %2 hareket etti (Sanzenbacher, CRR Issue Brief 26-13, 2026).
İşte deneyim kaybı bu ve size anlatılan her otomasyon hikâyesinin tam tersi yönde ilerliyor. Ücret ne kadar yüksekse, nitelik ne kadar yüksekse, çıkış o kadar hızlı.
Orta ölçekli şirketlerin operasyon ekiplerinin çoğu on sekiz aydır giriş seviyesindeki rampayı düşünüyor: yapay zekâ genç analist rolünü yiyor mu, 22 yaşındaki yeni işe alımın hâlâ bir yolu var mı. Bu kaygı iyi belgelenmiş durumda. Ancak artık iki ucundan da sızan bir hattın yalnızca bir ucu.
Boston College raporu aslında neyi ölçtü
Boston College bünyesindeki Center for Retirement Research'ün Haziran 2026 tarihli raporu — ekonomist Geoffrey T. Sanzenbacher imzalı — Current Population Survey'in boylamsal verilerini Tufts Digital Planet yapay zekâ maruziyet endeksiyle eşleştirdi ve 55 yaş ve üzeri çalışanların işten ayrılma davranışını, üretken yapay zekânın yaygınlaştığı Kasım 2022 öncesi ve sonrası için karşılaştırdı (Center for Retirement Research at Boston College, 2026).
İki tasarım tercihi dikkatinizi hak ediyor.
Birincisi, çalışma beyan edilen emeklilik niyetlerini değil, gözlemlenen işten çıkış geçişlerini kullanıyor. Kıdemli çalışanlar ve yapay zekâ üzerine anketler kaygıyı ölçer. Bu çalışma ayrılışı ölçüyor.
İkincisi, meslekleri hangi işlerin otomatikleştirilebilir "göründüğüne" dair sezgiyle değil, ölçülmüş maruziyetle sıralıyor (Digital Planet, Tufts University, 2026). Yazılımcılar, muhasebeciler ve analistler üstte. Boyacılar altta. Bulgu bu eğimin kendisi.
En yüksek maruziyetli beyaz yakalı mesleklerde işten çıkma olasılığı yaklaşık %8,7'den %11,1'e yükseldi — %25'in üzerinde göreli bir artış. Düşük maruziyet ucunda aynı hesap yaklaşık %2 veriyor. Etki en çok yüksek ücretli işlerde görülüyor; bu da otomasyonun kırk yıldır izlediği örüntüyü tersine çeviriyor.
Az önce tersine dönen uzun kariyer avantajı
İşgücü planınızı yeniden çerçevelemesi gereken sayı şu.
İncelenen dönemin tamamında, yüksek maruziyetli kıdemli çalışanların işten ayrılma oranları tarihsel olarak düşük maruziyetli akranlarından daha düşüktü: %11,7'ye karşı %14,1 (Sanzenbacher, CRR Issue Brief 26-13, 2026). Nitelikli masa başı işi, insanların çalışmayı sürdürmesini sağlayan şeydi. Muhasebeci kalıyordu; çatı ustasının bedeni pes ediyordu.
Bu avantaj aşınıyor ve rapor, değişimin önemli bir bölümünün gönüllü emeklilikten değil işsizlikten kaynaklandığını belirtiyor. Bu, rahatça erken çıkmayı seçen insanların dalgası değil. Kariyeri en dayanıklı olan grubun dayanıksızlaşması.
Bunu altındaki benimseme tablosuyla birlikte okuyun: 50–64 yaş arası çalışanların yalnızca yaklaşık %18'i üretken yapay zekâ kullandığını bildiriyor. Maruziyet, onu yaratan aracı kullanma olasılığı en düşük kesimin üzerine biniyor.
Bir operasyon lideri için bu bileşim — yüksek maruziyet, düşük benimseme, artan istem dışı çıkışlar — belirli ve müdahale edilebilir bir durumdur. Demografik bir kader değildir.
"Çıkış"ın burada ne anlama geldiği konusunda da net olmakta fayda var. 58 yaşında işten çıkış, 28 yaşındakiyle aynı olay değildir. Kıdemli çalışan nadiren aynı seviyeden geri döner; CRR'nin çerçevesi bunların duraklatılmış değil kısa kesilmiş kariyerler olduğu yönünde (Sanzenbacher, CRR, 2026). Masanın sizin tarafınızdan bakıldığında bu şu demek: yapay zekâ pilotu beklenenin altında kaldığında iki çeyrek sonra yeniden işe alabilesiniz diye o kişi piyasaya dönmeyecek. Bilgi yalnızca bordrodan değil, sektörden çıkıyor.
Deneyim kaybı, en yavaş doldurduğunuz rolleri vuruyor
Boston College bulgusunu yaş dağılımının diğer ucundaki en iyi kanıtın yanına koyun.
Stanford Digital Economy Lab, milyonlarca ABD çalışanını kapsayan yüksek frekanslı bordro verileriyle çalışarak, üretken yapay zekânın benimsenmesinin ardından en yüksek maruziyetli mesleklerde 22–25 yaş arası çalışanlarda yaklaşık %13'lük göreli bir istihdam düşüşü buldu; aynı mesleklerde daha yaşlı çalışanların istihdamı ise korundu ya da arttı (Stanford Digital Economy Lab, 2025).
Yüzeysel okunduğunda iki sonuç çelişiyor gibi görünür. Çelişmiyorlar. Stanford meslekteki kişi sayısını ölçüyor; Boston College 55+ kuşağında bireysel işten çıkış geçişlerini ölçüyor. Biri işe alım sinyali, diğeri çıkış sinyali — ve ikisi aynı anda doğru olabilir. Meslek toplam kadrosunu korurken, kıdemli ucundaki belirli kişiler daha hızlı devredebilir.
Asıl önemli olan operasyonel sonuç ve rahatsız edici: huniye giren daha az genç, hunidan çıkan daha hızlı kıdemli ve arada orta ölçeğin en ince katmanı. 20.000 kişilik bir şirket bunu emer. Yedek kadrosu, rotasyon programı ve herhangi bir rolü makul biçimde devralabilecek üç kişisi vardır.
200 kişide, mutabakat mantığındaki o istisnanın nedenini bilen kişi tek kişidir.
Onlarla birlikte kapıdan çıkan şey
Kıdemli bir çıkışın maliyeti, ödemeyi bıraktığınız maaş satırı değildir. Hiçbir satırda yer almamış iki şeydir.
Birincisi örtük süreç bilgisi: bir sistemin neden o şekilde yapılandırıldığına dair belgelenmemiş gerekçeler. Her orta ölçekli şirket bu katman üzerinde çalışır ve bu katman, tam olarak onu taşıyan kişi ayrılana dek görünmezdir. 2019'daki bir sözleşme yüzünden var olan gelir tanıma istisnası, yazılmak yerine aranması gereken tedarikçi, gereksiz görünen ama gereksiz olmayan sorgu. Bunların hiçbiri el kitabında değildir. Çoğu ikinci bir kafada da değildir.
Bunun, yapay zekânın yumuşatmak yerine keskinleştirdiği ikinci dereceden bir hâli var. Dokümantasyon ve kod asistanları bir sistemin ne yaptığını iyi anlatır. Neden öyle kurulduğunu geri getirmekte zayıftırlar, çünkü o gerekçe hiçbir zaman yazılmamıştır. Maruziyetinizi artıran araç, açtığı boşluğu kapatmaz.
İkincisi ölçülebilir ve operasyon planlarının çoğunun görmezden geldiği şeydir. Daha nitelikli meslektaşların yanında çalışmak, daha az deneyimli çalışan için gerçek beşerî sermaye kazancı üretir — sonraki ücretlerde görülecek kadar büyük ve bağımsız araştırma gruplarında tutarlı etkiler (Herkenhoff, Lise, Menzio & Phillips, Econometrica, 2024). Kıdemlileriniz yalnızca çıktı üretmiyor. Yakınlarındaki herkes için bir eğitim girdisi oluyorlar.
Aynı anda daha az genç işe alırken bu girdiyi kaybederseniz bileşik etki ters yönde işler. Yalnızca bir kişi eksilmez. Kalan ekibin gelişme hızını düşürmüş olursunuz.
Maruziyet nerede yoğunlaşıyor
Yazılımcılar, muhasebeciler, finansal analistler ve teknik yazarlar en çok etkilenen profil — bu da 50–500 kişilik bir şirkette finans, mühendislik ve yığını tutarlı tutan o küçük iç sistemler fonksiyonu demek. Tesadüf değil ki bunlar aynı zamanda bir yedeğin verimliliğe ulaşma süresi en uzun olan roller.
Bu argüman nerede yanılabilir
Üç çekince — açıkça, çünkü yazarın kendisi de belirtiyor.
Bu, yakın tarihli bir kırılmanın erken bir analizi. ChatGPT sonrası pencere kısa ve kısa pencerelerdeki tahminler kırılgandır.
Karıştırıcı etkenler var ve raporda adları geçiyor: kamu Ar-Ge harcamalarındaki kesintiler ve yapay zekâ yerlisi girişimlerdeki olağandışı işe alım dinamikleri, incelenen yüksek maruziyetli mesleklerde tahminleri saptırabilir (Center for Retirement Research at Boston College, 2026). Ölçülen çıkışın bir kısmı yapay zekâ kaynaklı yer değiştirmeye değil bu güçlere ait olabilir.
Ve maruziyet, ikame değildir. Maruziyet endeksinde yüksek puan, bir rolün görevlerinin model yetenekleriyle örtüştüğü anlamına gelir. Modelin o işi yaptığını kanıtlamaz.
Üçünden de sağ çıkan şey: taşıyıcı iddia ondalık değil, yön. Yüksek nitelikli kıdemli çalışanların onlarca yıldır süren uzun kariyer avantajı daralıyor ve en hızlı, maruziyetin en yüksek olduğu yerde daralıyor. Bu bulgunun önemli ölçüde zayıflatılmış bir hâli bile riskinizi aynı kesime yöneltir.
50–500 kişilik bir şirkette ne değişir
Üç hamle. Hiçbiri bütçe onayı gerektirmiyor.
Bir kez maruziyet × kıdem çapraz tablosu çıkarın. Kadronuzu alın, raporun meslek kategorilerini kullanarak her rolü yüksek ya da düşük maruziyet diye etiketleyin ve yaş veya kıdemle çaprazlayın. Aradığınız tek bir sayı: en yüksek maruziyetli işinizin ne kadarı kariyerinin son on yılındaki kişilerin elinde. Operasyon liderlerinin çoğu bunu hiç hesaplamamıştır ve sonuca şaşırır.
Yakınlığı, aciliyet hâline gelmeden dokümantasyona çevirin. Meslektaştan öğrenme etkisi gerçektir ama mevcudiyet gerektirir (Herkenhoff, Lise, Menzio & Phillips, Econometrica, 2024). Çapraz tablonuz bir yoğunlaşma gösteriyorsa, çıkarımı şimdi finanse edin: belgelenmiş bir runbook, kaydedilmiş bir anlatım, sürece atanmış ikinci bir isim. Kişi hâlâ çalışırken ucuz, sonrasında imkânsızdır.
Benimseme açığını tam da bu kuşakta kapatın. 50–64 yaş arasında üretken yapay zekâ kullanımı yaklaşık %18 iken, en yüksek maruziyeti taşıyan grup onu yaratan araçta en az akıcı olan gruptur. Kıdemli teknik kadronuza yönelik hedefli yetkinlik programı, yer değiştirme riskini düşürürken çıktıyı da yükselten o ender müdahaledir — ve onları değiştirmekten epeyce ucuzdur.
Bu çeyrek için tek bir karar
Organizasyon şemanıza bakın ve hem yüksek maruziyetli olan hem de emekliliğine beş yıldan az kalmış biri tarafından doldurulan rolleri bulun. Sonra tek bir soruyu dürüstçe yanıtlayın: o kişi cuma günü istifa etseydi, bir başkasının o işi yapabilmesi ne kadar sürerdi — görevleri değil, işi?
Yanıt çeyreklerle ölçülüyorsa, fiyatlanmamış bir yükümlülüğünüz var ve Boston College verileri buna bağlı olasılığın az önce yükseldiğini söylüyor.
Bu yıl orta ölçekte yazılan her yapay zekâ işgücü planı giriş rampasını koruyor. Neredeyse hiçbiri çıkış rampasını korumuyor. Deneyim kaybı, İK'nın 2030'da yöneteceği bir emeklilik sorunu değil — bir operasyon sorunu ve 2023'te başladı.
Beklemediğiniz çıkışı bütçeleyin: yerine koyamayacağınız kişinin çıkışını.
