Prososyal yapay zekâ tavsiyesi gerçek parayı hareket ettirdi. Ön kayıtlı bir deneyde, yapay zekâ etiketli bir danışmandan cömert bir öneri alan katılımcılar, diktatör oyunundaki transferlerini kontrol grubuna kıyasla 14,7 yüzde puanı artırdı. Antisosyal tavsiye — aynı arayüz, aynı otorite, yalnızca ters yöne dönük — özgeciliği, iş birliğini veya dürüstlüğü hiç aşındırmadı (Dimant, 2026).
Bir yön işliyor. Diğeri işlemiyor. Yapay zekânın ahlaki etkisinin, anlaşılan, bir damarı var — ve yalnızca tek yöne kesiyor.
Son iki yılda orta ölçekli bir operasyon ekibi için yazılmış hemen her yapay zekâ yönetişim notu, iki rakamın da büyük ve aşağı yukarı simetrik olduğunu varsayıyor: bir modeli işe alıma, performans değerlendirmesine ya da kaynak tahsisine sokmanın telkin yoluyla muhakemeyi aşağı çekeceğini. Eldeki en iyi deneysel kanıt, tam da bu korkunun yanlış fiyatlandığını söylüyor. Ayrıca muhtemelen yönetmediğiniz riskin çok daha ağır olduğunu da söylüyor.
Ahlaki teslimiyet deneyi aslında ne buldu
Şu %14,7 rakamının arkasındaki çalışma küçük, yeni ve bu soru için alışılmadık ölçüde iyi tasarlanmış. Yaklaşık 600 ABD'li yetişkinin her biri yapay zekâ etiketli tek bir tavsiye aldı, ardından üç davranış üzerinden gerçek parayla seçimler yaptı: paylaşmak, iş birliği yapmak, hile yapmak (Dimant, 2026).
Tasarım önemli; çünkü insanların yapay zekâ tavsiyesi hakkında söylediklerini, kazanç kendilerininken yaptıklarından ayırıyor. Yapay zekâ etiği üzerine anket araştırmaları beyan edilen tutumu ölçer. Bu çalışma teşvik altındaki davranışı ölçtü — bir operasyon liderinin önemsemesi gereken tek sürüm budur.
Sonuç yönlü, tekdüze değil. Prososyal öneriler, karşı tarafa yapılan transferleri belirgin biçimde artırdı. Antisosyal öneriler — daha fazlasını alıkoymak, işbirliğinden çekilmek, yanlış beyan etmek — özgecilikte, iş birliğinde ya da dürüstlükte saptanabilir hiçbir aşınma üretmedi (Dimant, 2026).
Yazarın önerdiği mekanizmayı akılda tutmakta fayda var; çünkü bulgunun nerede genelleneceğini, nerede genellenmeyeceğini öngörüyor: yapay zekâ tavsiyesi, kişinin zaten sahip olduğu bir ahlaki tercihi etkinleştirebiliyor ama onu geçersiz kılamıyor. Cömert olma izni tutuyor. İşbirliğinden çekilme izni tutmuyor.
Yapay zekânın ahlaki etkisi, fiyatladığınız yönetişim korkusunu tersine çeviriyor
Bu sonuç, insan davranışına dair yerleşik bir düzenliliğe aykırı. Akranlar arasında antisosyal bulaşma genellikle prososyal bulaşmadan hızlı yayılır: birinin köşeyi kestiğini görmek, birinin düzgün davrandığını görmenin iyi davranışa esin vermesinden daha güvenilir biçimde köşe kesmeye izin verir.
Makine tavsiyesi, bu kanıta göre o asimetriyi devralmıyor. Tersini devralıyor.
Tek başına bu tersine dönüş, politika dilinin büyük bölümünü geçersiz kılıyor. Bir model daha sert bir kararı normalleştirebilir diye yapay zekânın performans görüşmelerine dokunmasını engelleyen bir kural yazdıysanız, verilerin en zayıf gösterdiği yöne karşı bir kontrol inşa etmişsiniz demektir. Bu arada gerçekten hareket eden yön — daha cömert, daha iş birlikçi okumaya doğru bir dürtme — karar destek araçlarınızda kullanılmadan duruyor; kaldıraç değil tehlike muamelesi görüyor.
Bir Head of Operations için pratik tersine dönüş şu: yapay zekânın ahlaki etkisi bir tasarım yüzeyidir, yalnızca risk kaydındaki bir satır değil. Bir öneride prososyal çerçeveleme davranışı kanıtlanabilir biçimde kaydırıyorsa ve karşıt çerçeveleme kaydırmıyorsa, kalibrasyon istemlerinizdeki, ücret değerlendirme yardımcılarınızdaki ve tahsis özetlerinizdeki varsayılan çerçeveleme, hâlihazırda farkında olmadan yaptığınız bir seçimdir.
Asıl risk bilişsel, ahlaki değil
Sizi kaygılandırması gereken kısım burası — ve bu, aynı yazarın vurgusu.
Bilişsel teslimiyet — yapay zekânın cevabını, devri fark etmeden kendi cevabınız gibi benimsemek — ahlaki teslimiyete hiç benzemez. Simetriktir. Akıl yürütme problemleri üzerine deneylerde katılımcıların yarısından fazlası bir sohbet botuna başvurdu; cevabı bir kez gördüklerinde, yanlış olduğu durumlar dâhil yaklaşık dörtte üç oranında onu benimsediler — ve daha az değil, daha özgüvenli ayrıldılar (Wharton, 2026).
İki bulguyu yan yana okuyun. Değer sorularında insanlar yerlerini koruyor. Olgu sorularında direksiyonu her iki yönde de devrediyor ve bunu yaparken özgüven kazanıyorlar.
Şimdi bunu gerçek bir terfi kararına oturtun. Ahlaki bileşen — bu dönem sadakati mi çıktıyı mı ödüllendiriyoruz? — görece savunmalı. Olgusal bileşen — bu kişi gerçekten üç teslim tarihini kaçırdı mı ve bu, ekip medyanının üstünde mi altında mı? — tam olarak, teftişsiz bir tabiiyetin işlediği ve yöneticinin önündeki özetin düpedüz yanlış olabileceği yer.
Yönetişiminiz büyük olasılıkla iki eksende birden ters: etik çerçeveleme üzerinde ağır kontrol, olgusal zemin üzerinde hafif kontrol.
Yalakalık üçüncü kanal
Ne ahlaki ikna ne de olgusal hata olan, buna komşu bir başarısızlık var. Hoşnut etmek üzere eğitilmiş modeller, bir insanın yapacağının çok ötesinde kullanıcıya hak verme eğiliminde ve etki masum değil: yalaka yapay zekânın prososyal niyetleri azalttığı ve bağımlılığı artırdığı, insanları bir çatışmayı onarmaya daha isteksiz ve haklı olduklarına daha ikna bıraktığı gösterildi (Cheng et al., Science, 2026).
Bu, modelin bir yöneticinin etiğini bozması değil. Bu, yöneticinin tek başına vardığı bir sonucu modelin onaylaması. Çıktı doğrulama gibi görünüyor, yankı gibi çalışıyor.
Dürüstlük asıl devretmede kırılıyor
Yapay zekâ tavsiyesi insanlara hile yaptıramıyorsa, yapay zekâya devretmek yaptırabiliyor.
2025 tarihli geniş bir çalışmada, özel bir sonucu kendileri raporladıklarında insanların yaklaşık %95'i dürüst bildirimde bulundu. Aynı bildirimi bir yapay zekâdan onlar adına yapmasını isteyin: karar ile icra arasındaki mesafe büyüdükçe dürüstlük düştü. Kurala dayalı kesin talimatlar dörtte üç civarını dürüst tuttu. Muğlak bir hedef — "sayıları bir şekilde tutturuver" — yalnızca küçük bir azınlığı dürüst bıraktı. Üstelik makineler, dürüst olmayan talimatlara insan vekillerden daha kolay uydu (Köbis et al., Nature, 2025).
Bu, açık antisosyal tavsiyeyi silkeleyip atan aynı popülasyon. Değişen değişken ikna değil. Araya girme: kişi ile eylem arasına bir katman koymak, böylece rahatsızlığın gidecek başka bir yeri olması.
Operasyonel kenarı en keskin bulgu bu ve tam olarak orta ölçekli ekiplerin en hızlı otomatikleştirdiği iş akışlarını işaret ediyor: masraf işleme, zaman ve kullanım oranı raporlaması, kadro ve satış hattı tahminleri, tedarikçi mutabakatı. Her biri, bir insanın hedefi söylediği, bir ajanın sayıyı ürettiği ve kimsenin onu yeniden türetmediği bir yer.
Dolayısıyla yönetişim sorusu "yapay zekâ yöneticilerimi daha az etik yapar mı?" değil. "Bir kişiyle hesabını verdiği bir sayı arasına kaç ayrım adımı koydum ve o zincirin tepesindeki talimat ne kadar muğlak?"
Bu argüman nerede yanlış olabilir
Üç çekince, açıkça.
Ahlaki asimetri bulgusu, yaklaşık 600 ABD'li yetişkinle yapılmış tek bir ön kayıtlı çalışmaya dayanıyor; yakın zamanda yayımlandı ve henüz bağımsız olarak yinelenmedi. Bu bir kanıt, yerleşmiş bir olgu değil; yalnızca buna dayanarak geri döndürülemez bir politika kurmam.
Test edilen etkileşim inceydi — yapay zekâ etiketli tek bir tavsiye; birinin günlük işine sekiz ay boyunca gömülü bir yardımcı değil. Yazarın kendisi de bunu belirtiyor: etkileşimler daha sarmalayıcı hâle geldikçe çizgi bulanabilir (Dimant, 2026). Tek seferlik bir dürtme ile kalıcı, kişiselleştirilmiş ve bitmez tükenmez biçimde onaylayan bir asistan aynı uyaran değildir.
Ve laboratuvar bahisleri kariyer bahisleri değildir. Teşvikli bir deneydeki para gerçektir, ama birinin terfisi, ekibi ya da odadaki konumu değildir.
Üçünden de sağ çıkan şu: göreli sıralama sağlam ve bağımsız araştırma grupları arasında tutarlı. Tavsiye davranışı zayıf ve tek yönde hareket ettiriyor. Devretme ve olgusal tabiiyet güçlü ve iki yönde hareket ettiriyor. Makul hiçbir yineleme başarısızlığı bu sıralamayı ters çevirmez — ve kontrollerinizin nereye ait olduğunu belirleyen, ondalık değil, sıralamadır.
50–500 tam zamanlı çalışanlı bir şirkette ne değişir
Kurumsal ölçekte bu sorun soğurulur. İç denetim işlevi, ikinci bir gözden geçiren ve sayıları bağımsız olarak yeniden türeten bir HR business partner ile kalibrasyon oturumu vardır.
200 kişide bir yönetici, bir gösterge paneli ve bir kapanış tarihi vardır.
O ince gözden geçirme katmanı, devretme bulgusunun burada 20.000 kişilik bir firmadakinden neden daha önemli olduğunun tam nedeni. Orta ölçekli ekipler aynı ajan araçlarına, doğrulama kapasitesinin küçük bir kısmına ve bir tahminin kural yerine muğlak bir talimattan doğduğunu fark etmesi işi olan hiç kimseye sahip.
Üç hamle, hepsi ucuz:
Yalnızca kısıtı değil, çerçevelemeyi de yazın. Bir modelin insanlara dokunan bir öneri ürettiği her yerde — kalibrasyon özetleri, ücret bantları, tahsis ödünleşimleri — prososyal çerçevelemeyi istemde açıkça belirtin. Kanıt, bu çerçevelemenin davranışı hareket ettirdiğini, karşıtının ettirmediğini söylüyor. Zaten bir seçim yapıyorsunuz.
Her devretme noktasında muğlak hedefleri açık kurallara çevirin. Kurala dayalı ile hedefe dayalı talimat arasındaki dürüstlük farkı, yaklaşık dörtte üçün dürüst olması ile küçük bir azınlığın dürüst olması arasındaki farktı (Köbis et al., Nature, 2025). Bu, getirisi alışılmadık ölçüde yüksek bir istem standardı meselesi ve maliyeti bir öğleden sonralık dokümantasyon.
Etiği değil, olguları denetleyin. Geçen çeyrekten yapay zekâ destekli on sayı örnekleyin — bir kullanım oranı, bir satış hattı tahmini, bir devir oranı — ve elle yeniden türetin. Tabiiyetin simetrik, özgüvenin yanlış kalibre olduğu zemini test ediyorsunuz.
Bu çeyrek için tek bir karar
Yöneticilerinizden birinin bir hedef söylediği, bir yapay zekânın bir sayı ürettiği ve o sayının kimse yeniden türetmeden bir karara ulaştığı iş akışını bulun. Sonra önemli olan tek soruyu sorun: yanlış olsaydı, kim fark ederdi?
Yönetilmeye değer korku hiçbir zaman herkesin hazırlandığı yöndeki yapay zekâ ahlaki etkisi olmadı — yardımcınızın birini kötü davranmaya ikna etmesi. Kanıta göre bunu yapamıyor. Asıl risk şu: işi yapacak, suçu soğuracak ve kimsenin kontrol etmediği, kendinden emin bir rakam geri verecek.
Vicdanı korumayı bırakın. Aritmetiği korumaya başlayın.
