1.258 kişiyi yapay zekâ ajanlarıyla eşleştirin, 7.266 görsel reklam ürettirin, sonra çıktıyı 1.168 bağımsız değerlendiriciye puanlatın. Tüm tasarımdaki en kötü kombinasyon ne zayıf bir model ne de eğitimsiz bir kullanıcıydı. Vicdanlı bir yapay zekâyla çalışan dışa dönük insanlardı (Ju & Aral, PNAS, 2026).
Vicdanlılık. Her sağlayıcının modellerini varsayılan olarak yönlendirdiği özellik: dikkatli, titiz, göreve odaklı. Yanlış kişiye verildiğinde, deneydeki en düşük kaliteli işi üretti.
Orta ölçekli şirketlerin operasyon ekiplerinin üzerinde durması gereken bulgu bu; çünkü neredeyse hepsi tam tersi bahsi oynadı: tek bir asistan kişiliği, bir kez yapılandırılıp herkese dağıtılıyor. Bu çalışma, kişiliğin kendisinin bir performans değişkeni olduğuna dair ilk büyük ölçekli nedensel kanıt — ve onu sağlayıcının varsayılanında bırakmanın tarafsız bir durum değil, bir karar olduğunu gösteriyor.
Deney gerçekte neyi ölçtü
Harang Ju (Johns Hopkins Carey Business School) ve Sinan Aral (MIT Sloan, MIT Initiative on the Digital Economy direktörü) ön kayıtlı, rastgeleleştirilmiş bir deney yürüttü: 1.258 katılımcı Beş Büyük Faktör üzerinden ölçüldü, ardından aynı beş özelliğin her birini bağımsız biçimde yüksek veya düşük düzeyde sergilemeye yönlendirilmiş yapay zekâ ajanlarıyla rastgele eşleştirildi (Ju & Aral, PNAS, 2026).
Ekiplerin, gerçek bir düşünce kuruluşunun yıllık raporu için görsel reklam üretmek üzere 40 dakikası, gerçek zamanlı sohbeti ve senkronize metin–görsel düzenleme araçları vardı. Çıktı: 7.266 reklam. Bu reklamlar daha sonra 1.168 bağımsız değerlendirici tarafından metin ve görsel kalitesi açısından puanlandı (MIT Sloan / EurekAlert, 2026).
Sonra bunu bir laboratuvar sonucundan fazlası yapan kısım geliyor. Araştırmacılar reklamları iki hafta boyunca X'te yayınladı — yaklaşık beş milyon gösterim — ve tıklama oranı ile tıklama başına maliyeti ölçtü. Puanlanan kalite, piyasa performansını öngördü: daha yüksek metin kalitesi tıklama oranını yaklaşık yüzde 7 artırdı ve tıklama başına maliyeti yaklaşık 30 sent düşürdü (MIT Sloan / EurekAlert, 2026).
İki tasarım tercihi vurgulanmayı hak ediyor; çünkü bu çalışmayı hâlihazırda dolaşımdaki kişilik yorumlarından ayıran şey onlar. Özellik düzeyleri rastgele atandı ve bağımsız olarak değiştirildi; yani karşılaştırma farklı araçları kendi seçen kullanıcılar arasında değil — nedensel. Ve çalışma, insanları ajanları yönlendirmek için kullanılan aynı Beş Büyük Faktör aracıyla ölçtü; etkileşimi tahmin edilebilir kılan tam olarak bu. Çoğu sağlayıcı araştırması kullanıcıların bir kişilik hakkında ne hissettiğini bildirir. Bu çalışma, eşleşmenin işe ne yaptığını bildiriyor.
Yani nedensel zincir baştan sona tamam. Kişilik eşleşmesi kaliteyi hareket ettirdi. Kalite parayı hareket ettirdi.
Eşleşme tablosu: hangi kombinasyonlar yardımcı oldu, hangileri zarar verdi
Sonuçlar "benzeri benzerle eşleştir" formülüne indirgenmiyor — oysa neredeyse herkes okumadan önce bunu varsayıyor.
En güçlü eşleşmeler: dışa dönük insanlar ile dışa dönük yapay zekâ, vicdanlı insanlar ile vicdanlı yapay zekâ ve deneyime açık insanlar ile vicdanlı yapay zekâ — sonuncusu bir ayna değil, bir tamamlayıcı (MIT Sloan / EurekAlert, 2026).
Kaliteyi anlamlı biçimde düşüren eşleşmeler, makalenin verdiği sırayla:
- Dışa dönük insanlar + vicdanlı yapay zekâ — çalışmadaki en düşük kalite
- Vicdanlı insanlar + uyumlu (agreeable) yapay zekâ
- Nörotik insanlar + vicdanlı yapay zekâ
İkinci satırı iki kez okuyun
Vicdanlı yapay zekâ, en kötü üç eşleşmenin ikisinde ve en iyi üç eşleşmenin ikisinde birden yer alıyor. Bu veride evrensel olarak iyi bir kişilik yok. Vicdanlı bir ajan vicdanlı bir kişiye verildiğinde mevcut en iyi kombinasyonlar arasındaydı; aynı ajan dışa dönük birine verildiğinde en kötüsüydü. Aynı yapılandırma, zıt sonuç — tamamen kimin aldığına bağlı.
Ve ikinci satırın standart sağlayıcı cevabına ne yaptığına dikkat edin. Uyumlu yapay zekâ — yardımsever, uzlaşmacı, asla itiraz etmeyen — vicdanlı kişilerin çıktısını düşürdü. Kullanıcı memnuniyeti için en çok ayarlanmış kişilik, en titiz işinizi yapma olasılığı en yüksek gruba fiilen zarar verdi.
Kurum çapında tek bir kişilik neden sessiz bir performans vergisidir
İşte operasyonel çeviri; rahatsız edici olmasının nedeni tam olarak şu: düzeltmesi hiçbir şeye mal olmuyor ve kimse ölçmüyor.
Tek bir asistan yapılandırmasını 300 kişiye yaydığınızda tarafsız bir kurulum yapmıyorsunuz. Rastgeleleştirilmemiş bir deney yürütüyorsunuz: iş gücünüzün bir kısmına, bu çalışmanın en kötü çıktıyı ürettiğini saptadığı eşleşme verilmiş durumda — ve ne onların ne de sizin bunu saptayacak bir ölçüm aracınız var. Başarısızlık, biraz daha zayıf taslaklar, biraz daha fazla yeniden çalışma ve bazı ekiplerde aracın "o kadar da faydalı olmadığı" yönünde belirsiz bir his olarak görünür. Hiçbir zaman bir maliyet kalemi olarak görünmez.
Bu yeniden çalışma en pahalı yere düşer. McKinsey QuantumBlack'in bankacılıktaki ajan tabanlı iş akışlarına dair maliyet ayrıştırması, token harcamasını bir ajanın değişken çalışma maliyetinin yüzde 20–25'i, işlevsel ve risk uzmanlarınca yapılan insan gözetimini ise yüzde 70–75'i olarak konumlandırıyor (McKinsey QuantumBlack, 2026). Bu yapıda çıktı kalitesi yumuşak bir metrik değildir. Üretim aşamasında kaybettiğiniz her kalite puanı, kontrolü yapan kıdemli kişinin saat ücretinden geri ödenir.
Ve kontrol ortadan kalkmayacak. MIT Technology Review Insights ile Microsoft'un 101 ajan görevini sıralayan 300 teknoloji yöneticisiyle yaptığı çalışmada, yüzde 59'u halihazırda kalıcı insan gözetimi planlıyor; güven, modelin ham yeteneğinden çok görevin doğrulanabilirliğini izliyor (MIT Technology Review Insights, 2026).
Dolayısıyla kişilik uyumsuzluğu bir kullanıcı deneyimi şikâyeti değildir. Yapay zekâ yığınınızdaki en büyük maliyet kalemi üzerinde sessiz bir çarpandır.
Varyans zaten unvanın içinde
Bunun laboratuvarda değil kendi şirketinizde de ölçülebilir olduğuna dair kanıt istiyorsanız, benimseme verilerinizde çoktan var. Bick, Blandin, Deming ve Schumacher, ulusal düzeyde temsili bir anketi ayrıntılı O*NET görevleriyle eşleştirerek, üretken yapay zekâ maruziyet ölçülerinin çalışanlar arası benimseme farkının yalnızca yaklaşık yarısını açıkladığını buldu — aynı işi, aynı araçlarla yapan insanlar sistematik biçimde farklı benimsiyor (NBER Working Paper 35677, 2026).
Varyansın yarısı unvanlar arasında değil, unvanın içinde. Çoğu operasyon ekibi bunu motivasyon ya da eğitim başlığına yazar. PNAS bulgusu, bunun bir kısmı için daha az gurur okşayan ama daha eyleme dönük bir açıklama sunuyor: araç, onu kullanan kişi olmayan biri için yapılandırılmış.
Bu yeniden çerçeveleme, düşük benimsemeli bir kümeyle ne yapacağınızı değiştirir. Varsayılan ajandan sessizce daha kötü çıktı alan bir ekibe bir eğitim oturumu daha göndermek nedeni ele almaz — yalnızca taslakları yine de meslektaşlarınınkinden daha fazla düzeltme gerektirecek kişilere saat ekler.
Dürüst itiraz
Üç sınır var ve önemliler.
Görev reklam üretimiydi, operasyon değil. Görsel reklam üreten kırk dakikalık yaratıcı oturumlar sizin çeyrek kapanışınız, tedarikçi entegrasyonunuz veya talep triyajınız değil. Kişilik eşleşmesinin yaratıcı bir görevde kaliteyi değiştirmesi bir bulgudur; sizin iş akışlarınızda da değiştireceği bir çıkarımdır. Bunu test edilmeye değer güçlü bir ön kabul olarak görün, yerleşmiş bir sonuç olarak değil.
Yazarların ticari bir konumu var. Ju ve Aral, çalışmada kullanılan Pairit deney platformunu geliştirip dağıtan Pairium'un kurucu ortakları (Ju & Aral, PNAS, 2026). Çalışma ön kayıtlı ve PNAS'ta hakem denetiminden geçmiş; bu, en bariz hata biçimlerini sınırlar — ama bulguyu elinde tutan araştırmacılar çözümü de satıyor ve bu, okumanıza dahil olmalı.
Herkesi kusursuz eşleştirmenin kendi maliyeti var. Aynı literatürdeki çalışmalar, çeşitlendirilmiş yapay zekâ kişiliklerinin insan–yapay zekâ ortak fikir üretiminde tekdüzeleşme etkisini hafiflettiğini buluyor (Wan & Kalman, 2026). Her eşleşmeyi bireysel çıktı kalitesi için optimize ederseniz, ekiplerinizin düşünce varyansını sıkıştırabilirsiniz — daha iyi taslaklar, birbirine daha çok benzeyen taslaklar. İşleviniz cilaya değil genişliğe ihtiyaç duyuyorsa, bu ödünleşim gerçektir.
Bunların hiçbiri mevcut durumu kurtarmıyor. Varsayılan yapılandırma bu sınırlara karşı bir korunma değildir; iş gücünüzün bir kısmı için yanlış olacağı garantili tek seçenektir ve hangi kısım olduğunu size söyleyen hiçbir veri yoktur.
Bu çeyrekte neye karar vermeli
Dört hamle; hiçbiri yeni sağlayıcı harcaması gerektirmiyor.
- Kişiliği bir BT yapılandırması gibi görmeyi bırakın. Asistanın sistem istemi, çıktı kalitesi üzerinde ölçülmüş etkileri olan bir performans parametresidir. Yapay zekâ benimsetmesinin sahibi kimse, bunun da sahibidir — ve mevcut ayarı gerekçelendirmek zorundadır.
- Zaten puanlanabilir çıktı üreten bir işlevde tek bir eşleşme testi yapın. İçerik, destek yanıtları, ilk taslak analizi. İki kişilik, rastgele atama, bir çeyrek, kör kalite puanlaması. Yayımlanmış bir tasarımı küçük ölçekte tekrarlıyorsunuz; bu, sipariş edeceğiniz en ucuz araştırmadır.
- En dikkatli bakışı yüksek çıktı üreten rollerdeki dışa dönüklerinize ve yüksek nörotiklik gösteren çalışanlarınıza yöneltin. Varsayılan vicdanlı ajan karşısında çalışmanın işaretlediği iki insan profili bunlar. Gözle görülür biçimde yetkin biri araçtan sessizce az verim alıyorsa, uyumsuzluk artık bir eğitim sorunu değil, canlı bir hipotezdir.
- Kişilik ataması kurmadan önce kişilik seçimi sunun. Özelliklere dayalı tam tahsis, çoğu orta ölçekli şirketin sahip olmadığı ve belki de sahip olmak istemediği kişilik verisi gerektirir. Seçilebilir iki-üç asistan profili, hiçbir yönetişim riski doğurmadan etkinin bir kısmını yakalar.
Yapay zekâyla kişilik eşleşmesi artık fiyat etiketi olan ölçülmüş bir değişken. Siz onu zaten ayarlıyorsunuz — bir kez, küresel olarak, sağlayıcının teslim ettiğini kabul ederek.
Bu çeyreğin sorusu kişiliğin önemli olup olmadığı değil. PNAS bunu yanıtladı. Soru şu: bu kararı herkes adına varsayılan yoluyla vermeye devam edip sonucu modelin suçu olarak mı adlandıracaksınız.
