Yapay Zeka Destekli Otomasyon İşleri Gerçekten Nasıl Etkileyecek?

Yapay Zeka Destekli Otomasyon İşleri Gerçekten Nasıl Etkileyecek?

Alex Imas ve Soumitra Shukla tarafından Ghosts of Electricity aracılığıyla yazılmıştır,

Yapay zeka politikasında en çok alıntılanan bulgulardan biri, Eloundou, Manning, Mishkin ve Rock'ın 2023 tarihli "GPT'ler GPT'lerdir" başlıklı makalesinden gelmektedir. Başlık güzel bir çift anlam taşıyor: makale, büyük dil modelleri (GPT'ler de) tarafından desteklenen genel amaçlı teknolojilerin (GPT'ler) işgücü piyasasını nasıl yeniden şekillendirebileceğini inceliyor. Manşet bulgusu, ABD'li çalışanların yaklaşık %80'inin görevlerinin en az %10'unun LLM'ler tarafından etkilenebileceği ve yaklaşık %19'unun görevlerinin yarısının veya daha fazlasının etkilenebileceğidir. Genel olarak, bu maruz kalma ölçümleri, bir işin görevlerini artırıp artıramayacağına bağlı olarak, mesleğin yapay zekaya ne kadar "maruz kaldığını" yakalamaya çalışır: doğrudan maruz kalma, "bir LLM'ye veya LLM destekli bir sisteme erişimin, bir insanın belirli bir DWA'yı gerçekleştirmesi veya bir görevi tamamlaması için gereken süreyi en az %50 oranında azaltıp azaltmayacağı" olarak tanımlanır. Yazarlar bu konuda makalede çok netler: maruz kalma, yapay zekanın işe dahil olma kapasitesini ifade eder, işin ne ölçüde otomatize edilebileceğini değil.Ancak "maruz kalma" kelimesi tam da bu konuda - yerinden edilme - her türlü endişeye yol açtı. Ve belki de bu nedenle, bu yapay zeka maruz kalma ölçümleri son birkaç aydır sosyal medyada düzenli olarak viral oldu.

Yakın zamanda bir örnek, OpenAI'nin kurucularından ve genel olarak yapay zekayı düşünme konusunda önde gelen isimlerden biri olan (örneğin, hem "düzensiz zeka" hem de "vibe kodlama" terimlerini ortaya atmıştır) Andrej Karpathy'den geldi. Kendisinin "vibe kodlu" bir hafta sonu projesi olarak tanımladığı kontrol paneli, büyük mesleklerin yapay zeka destekli otomasyona ne kadar maruz kaldığının bir sıralamasıydı. Yapay zeka nedeniyle hızlı iş kaybına ilişkin mevcut tüm anlatıları beslediği için X'te hızla viral oldu.

Kontrol panelinin sansasyonelleştirildiğini ve hızla yayıldığını gördükten sonra Karpathy, "maruz kalma" puan kartının bir işin ne kadar dijital olduğuna dair hızlı, LLM tarafından üretilmiş bir ölçüme dayandığını ve hiçbir zaman hangi mesleklerin küçüleceğini veya ortadan kalkacağını ciddi bir şekilde tahmin etmek için tasarlanmadığını açıkladı. Kendi proje web sitesi de aynı uyarıyı yapsa da, X'te büyük ölçüde göz ardı edildi. İyi bilinen ifadeyi çarpıtmak gerekirse: "Bir hafta sonu vibe kodlu proje, uyarı pantolonunu giymeden önce dünyayı iki kez dolaşacaktır."
Ancak bu son olay, bu tür maruz kalma ölçümlerinin halkın dikkatini çektiğini ancak düzenli olarak yanlış okunduğunu (hatta "maruz kalma" terimi için tamamen bir moratoryum önerenler bile var) göstermektedir. İnsanlar bir işin yapay zekaya "%80 maruz kaldığını" duyduklarında, o işin %80'inin ortadan kalktığını hayal ederler. Yapay zeka maruz kalmasının ve iş kaybının gerçek ekonomisi bu karakterizasyondan oldukça uzaktır.

"İş" nedir?

Bir iş, bir dizi görevdir; bir kişi tipik olarak işle ilgili tüm görevleri ne kadar iyi tamamladığına göre ödeme alır. Diyelim ki bir proje yöneticisiniz. İşiniz, fikir üretme, bu fikirleri özlü bir şekilde özetleme ve ekip üyelerinden geri bildirim alma, sunumlar hazırlama ve bir dizi rutin iş (örneğin, zaman çizelgelerini onaylama, lojistikle ilgilenme) gibi bir dizi görevi içerir. Yapay zeka modelleri geliştikçe, bu şeylerin çoğunu otomatikleştirebileceğinizi fark edersiniz: yapay zeka rutin işlerin çoğunu sizin için yapabilir ve hatta sunumlar hazırlamanıza yardımcı olabilir. Maruz kalma ölçümüne göre, işiniz artık yapay zekaya "maruz kalmış" durumda. İşinize ne olur ve ücretinize ne olur? Peki, görevlerin bir kısmını otomatikleştirmek daha iyi fikirler üretmek için zaman kazandırırsa, genel verimliliğiniz artar - şirket için daha değerli hale gelirsiniz. İnsanlar hala istihdam ediliyor ve hatta ücretler artıyor.

Diğer yandan, yapay zeka tüm görevleri otomatikleştirirse - diyelim ki işiniz yalnızca iki görev içeriyor ve her ikisi de otomatikleştirildi - o zaman evet, insan emeği yerinden edilecek. Önemli olan, görev sayısı ne kadar azsa (buna bir işin boyutluluğu diyoruz), şirketin onu ilk etapta otomatikleştirme teşviki o kadar büyük olur. Otomasyon analizinin çoğunun kaçırdığı kısım budur: mevcut bir organizasyona yapay zeka entegre etmek maliyetlidir, bu nedenle şirket, sadece görevi değil, işi otomatikleştirebiliyorsa yatırım yapma olasılığı daha yüksek olacaktır. "Maruz kalma" ve otomasyon riski yalnızca model yeteneklerinin bir fonksiyonu değildir, aynı zamanda firma teşviklerine de bağlıdır. Ve bu varsayımsal değil: hangi işlerin ne zaman otomatize edildiği konusunda bu teşviklerin büyük önem taşıdığına dair bol miktarda kanıtımız var (örneğin, insan emeği maliyeti arttığında firmaların otomasyon yapma olasılığı çok daha yüksektir).

Son olarak, yapay zeka insanları daha üretken hale getirip daha yüksek ücretler sağlasa bile, tüketiciler artan üretkenliği "özümsemezse" o sektörde büyük işten çıkarmalar olabilir: üretkenlik kaynaklı fiyat düşüşleri ürün talebini artırmazsa, o sektörde daha az işçiye ihtiyaç duyulacaktır.

Daha genel olarak, bir görevin yapay zekaya maruz kalması - o görevin tam otomasyonuna karşılık gelse bile - potansiyel olarak o meslek için daha yüksek ücretlere ve daha fazla işe alıma yol açabilir. Veya işten çıkarmalara ve hatta tam yerinden edilmeye yol açabilir. Maruz kalmanın işçiler için daha iyi veya daha kötü işgücü piyasası sonuçlarına yol açıp açmadığı iki temel değişkene bağlıdır: o sektördeki tüketici talebinin esnekliği (fiyatlar düştükçe insanların üründen ne kadar daha fazla satın aldığı) ve işin boyutluluğu (işte kaç görev olduğu). Yazının sonunda sizi ikna etmeyi umduğumuz gibi, kamyonculuk ve depolama gibi işler hakkında şu anda olduğumuzdan çok daha fazla endişelenmeliyiz.

Otomasyona standart yaklaşım

Otomasyonu düşünmeye yönelik "standart" yaklaşımla başlayalım. İlk olarak, O*NET gibi bir taksonomi kullanarak işleri görevlere ayırırız, ardından bu görevlerin ne kadarının yapay zeka tarafından otomatize edilebileceğini veya artırılabileceğini değerlendiririz. İş üzerindeki toplam etki, her görevin ne kadar iyileştirildiğinin ağırlıklı ortalamasıdır, bu da bir "maruz kalma endeksi" oluşturabileceğiniz anlamına gelir - tipik olarak bir işin görevlerinin ne kadarının yapay zeka tarafından yapılabileceği olarak tanımlanır? - ve bu endeks, işin ne kadar etkilendiğiyle doğrusal olarak eşleşir (örneğin, Michael Webb'in zaten klasikleşmiş makalesine bakın). Bu yaklaşım, yapay zekanın potansiyel erişiminin haritasını çıkarmak için son derece faydalı olmuştur. Ancak çoğu gerçek dünya işi için neredeyse kesinlikle yanlış olan bir varsayım içerir: görevlerin ayrılabilir olduğunu varsayar. Yani, A görevini otomatikleştirmek B görevinin üretkenliğini etkilemez ve genel etki sadece parçaların toplamıdır.

Tanıdığınız işleri düşünün. Birçoğunda çıktı, sadece bazılarının değil, birçok farklı şeyi doğru yapmaktan oluşur. Bir tarifin adımlarının çoğunu takip eden bir aşçı, çoğunlukla ritimde olan bir davulcu, yalnızca kısmen çalışan kodu olan bir programcı (veya bu konuda, işin yalnızca yarısını yapan bir profesör... bazıları bu gereksinimi test etmiş olsa da) olamaz. Bunlar, çıktının kabul edilebilir olması için her görevin başarıyla tamamlanması gereken işlerdir.

Başka bir deyişle, görevler ayrılabilir değildir; birbirini tamamlayıcıdır, yani bir görevde doğru veya yanlış yapmak, işi tamamlamak için işin diğer görevlerini ne kadar iyi yapabileceğinizi etkiler. Çoğu gerçek dünya üretimi için görevlerin birbirini tamamlayıcı olduğu, ikame edici olmadığı yönündeki varsayım oldukça makuldür. Ve bu, yapay zekanın işleri gerçekte nasıl etkileyeceğine dair geniş kapsamlı önemli çıkarımlara sahiptir.

İşlerin O-halka modeli

Tamamlayıcı görevlerin doğrusal olmayan üretkenlik yarattığı fikri, Michael Kremer'in 1993 tarihli klasik makalesi "Ekonomik Kalkınmanın O-Halka Teorisi"ne dayanmaktadır. Adı, trajik Challenger felaketinden gelmektedir: tek bir arızalı O-halka, tüm sistemin feci şekilde arızalanmasına neden olmuştur. Kremer'in içgörüsü, üretimin birçok adımdan oluşması ve nihai ürünün değer kazanması için her adımın iyi yapılması gerekiyorsa, üretkenliğin becerinin doğrusal bir fonksiyonu yerine çarpımsal bir fonksiyon haline gelmesidir. Görev başına biraz daha az hata yapan bir işçi, bu küçük kalite artışları her adımda birleştiği için genel olarak önemli ölçüde daha üretken olacaktır.

İşlerin bu görev tabanlı modeli, Joshua Gans ve Avi Goldfarb'ın "O-Ring Otomasyonu" başlıklı yakın tarihli makalesiyle taze bir alaka kazanmıştır ve bu makale Kremer'in çerçevesini doğrudan yapay zeka destekli otomasyona uygulamaktadır. Model ilk bakışta basit görünse de, çıkarımları çok geniş ve derindir. En azından birimiz (Alex) bu makaleye aylardır takıntılı durumda (burada, burada ve burada bakın).

Gans ve Goldfarb, her çalışanın işinin n görevden oluştuğu bir firma modeli oluşturuyor. İşin çıktısı, her görevin kalitesinin çarpımsal olmasıdır - bu O-halka üretim fonksiyonudur:

Bir işçi h zamanı vardır ve bunu n görev arasında tahsis eder. Görev s manuel olarak gerçekleştirilirse, işçi üzerinde h_s saat harcar ve kalite üretir:

burada a, görevler arasında sabit olduğu varsayılan bir işgücü verimliliğidir (basitleştirici bir varsayım). İşçinin zaman kısıtlaması şöyledir:

Firma ayrıca herhangi bir görevi, görev başına r maliyetle sabit bir θ kalitesi sağlayan bir sermaye parçası kiralayarak otomatikleştirmeyi de seçebilir. Dikkat edilmesi gereken kilit nokta burasıdır: firmaların bir görevi otomatikleştirmeye yatırım yapıp yapmayacağı, bu problemdeki ödünleşmelere bağlıdır. Bir görev otomatize edildiğinde, işçinin artık üzerinde zaman harcamasına gerek kalmaz.

Şimdiye kadar kurulum oldukça basittir. İlginç kısım, üretim fonksiyonunun çarpımsal yapısının otomasyon resme girdiğinde ima ettiği şeydir.

Otomasyon ücretleri nasıl artırabilir?

Şimdi bir firmanın n görevden k tanesini otomatikleştirmeyi seçtiğini varsayalım. İşçiye ne olur ve bu ücreti nasıl etkiler?

Otomasyondan önce, işçi simetrik yapı göz önüne alındığında optimal olan tüm n görev arasında zamanı eşit olarak tahsis eder. Bu nedenle her manuel görev h/n saat alır ve a · h/n kalitesi üretir. Toplam çıktı şöyledir:

k görev θ kalitesiyle otomatize edildikten sonra, işçi artık yalnızca n - k kalan manuel görev arasında tüm h saatini tahsis edebilir. Her manuel görev şimdi h/(n-k) saat alır ve a · h/(n-k) kalitesi üretir. Toplam çıktı şöyledir:

Yani, otomatize edilen görev kalitesi θ, işçinin bu görevlerdeki orijinal otomasyon öncesi manuel kalitesine en azından eşit veya daha iyiyse, çıktının artması için bir koşuldur. Otomasyon sadece bazı görevler otomatize edildiği için çıktı otomatik olarak artmaz; otomasyon kalitesi yeterince yüksek olduğunda artar.

Ancak kilit içgörü şudur: otomasyon aynı zamanda işçiyi kalan görevlere daha fazla zaman ayırmaya bıraktığı için, otomatize edilen görevler işçi tarafından otomasyondan önce manuel olarak elde edilen kaliteden biraz daha düşük kalitede gerçekleştirilse bile çıktı artabilir. Otomasyon, işçinin daha az göreve odaklanmasını sağlar, her birinin kalitesini artırır. Bu "odaklanma etkisi"dir. Üretim fonksiyonunun fonksiyonel formu nedeniyle, kalan manuel görevlerdeki daha yüksek kalite sadece çıktıya eklenmez - üretim fonksiyonu boyunca çarpılır. İşçi, daha az şey yaptığı için tam olarak daha üretken hale gelir.

Otomasyon kalitesi, işçinin bu görevlerde manuel olarak ürettiğine yeterince yüksek olduğunda, işçinin marjinal ürünü artar - ve bu nedenle (tipik olarak) ücreti de artar. O-halka dünyasında kısmi otomasyon genellikle insan emeği için bir ikame değil, bir tamamlayıcısıdır, bu da işçinin ücretini artırır.

Ancak bu işgücü için mutlaka iyi haber değil

Daha yüksek işçi verimliliği ücretler için iyidir, ancak bu daha fazla veya daha az işe mi yol açar? Bu tüketici talebine bağlıdır. Her işçi günde bir hesap makinesi yapar ve firmanın 10 işçisi vardır. Tüm hesap makineleri geçerli fiyattan satılır. Şimdi her işçi çok daha üretken hale geldiğini ve her işçinin 10 hesap makinesi yapabildiğini hayal edin. Her hesap makinesinin fiyatı düşer (maliyetler düşer), ancak tüketiciler kabaca aynı sayıda hesap makinesi talep eder. Bu, esnek olmayan talep durumudur - fiyatlara pek yanıt vermeyen bir durum. Şimdi firma işçilerin 9'unu kovacaktır. Peki ya tüketiciler daha düşük fiyatlardan çok daha fazla hesap makinesi satın alırsa, yani talep çok esnekse? O zaman firma, her işçi daha üretken olmasına rağmen, yeni talebi karşılamak için aslında daha fazla işçi işe alacaktır.

Daha genel olarak, talep esnekse (esneklik > 1), o zaman bir fiyat düşüşü, talep edilen miktarda orantısız bir artışa yol açar. Çıktı büyük ölçüde genişler. Firma, her işçi artık daha üretken olsa da, bu daha yüksek çıktıyı üretmek için daha fazla işçiye ihtiyaç duyar. Net etki: daha fazla işe alım.

Talep esnek değilse (esneklik

Bu, Jevons paradoksu olarak bilinen popüler bir fikirle yakından ilgilidir: bir kaynak kullanmak daha verimli hale geldiğinde, o kaynağın toplam tüketimi genellikle azalmak yerine artar. Buhar makinesi kömürü daha verimli hale getirdiğinde, kömür tüketimi fırladı çünkü o kadar çok yeni uygulama ekonomik olarak uygulanabilir hale geldi. Aynı mantık işgücü için de geçerlidir: yapay zeka bir işçiyi önemli ölçüde daha üretken hale getirirse ve o ürün için talep esnekse, sonuçta o meslekte daha az değil, daha fazla işçi olabilir.

İş boyutluluğu neden önemlidir: Firma teşvikleri vakası

Görevler ile tüketici talebinin esnekliği arasındaki ilişki, yapay zeka destekli yerinden edilmeyi tahmin etmek için önemli bir boyuttur, ancak genellikle gözden kaçan bir değişken, işin kendisindeki görev sayısıdır, yani boyutluluğu. Bir işin boyutluluğu iki nedenden dolayı önemlidir.

İlk olarak, bir görevin otomatize edildiği koşulda, düşük boyutlu bir işin tamamen yerinden edilme olasılığı daha yüksektir. Bir işte 20 görev varsa ve biri otomatize edilirse, insan işçinin diğer 19 görevi yapması hala gereklidir. Ancak bir işte bir görev varsa ve bir görev otomatize edilirse, o iş gitmiştir. İkinci olarak - ve bu boyut belki de en çok gözden kaçırılanıdır - kuruluşların, işyerinde kalan otomatik olmayan görev sayısı azaldıkça görevleri otomatikleştirmek için daha güçlü bir teşviki vardır. Bir görevi otomatikleştirmenin 10 milyon dolarlık bir yatırım gerektirdiğini hayal edin (yazılımı satın alma, işe alma, sistemin geri kalanına bağlama vb.). Bir durumda, bu görev bir işteki tek otomatik olmayan görevdir; diğer durumda, bu görev otomatize edilirse, geride 19 başka otomatik olmayan görev kalır. Firma, ikinci duruma göre ilk durumdaki görevi otomatikleştirmek için çok daha yüksek bir teşvike sahiptir çünkü bu sayede işçiyi değiştirebilir ve ilgili maliyet tasarruflarından yararlanabilir.1

Bu nedenle, firmaların düşük boyutlu işleri otomatikleştirmek için teknolojiye yatırım yapma konusunda daha güçlü bir teşviki vardır. Düşük boyutlu bir işte, temel görevlerin tamamını veya çoğunu otomatikleştirmek pozisyonu ve ücret faturasını tamamen ortadan kaldırabilir. Bu, otomasyonun getirisini çok daha büyük hale getirir. Başka bir deyişle, tüm "maruz kalmayan" görevler eşit derecede önemli değildir: bazı işlerde kalan görevler mevcut işçiyi şirkette tutmaya devam eder; bazılarında etmez.

Bu net bir tahmin sunuyor: bir iş şu anda yapay zekaya "maruz kalmasa" bile, yani yapay zeka ilgili görevler için kullanılmasa bile, eğer düşük boyutluysa ve teknoloji görevleri otomatikleştirmeye yaklaşıyorsa, risk altında kabul edilmelidir. Firmalar, işlerde çok sayıda otomatik olmayan görev olduğundan daha fazla çalışacak ve ilgili görevi otomatikleştirmek için daha fazla yatırım yapacaktır.

Kamyonculuk ve depolama, gözden kaçırılan kömür madeni kanaryaları

Bu yüzden kamyonculuk ve depolama gibi işler hakkında insanların daha fazla endişelenmesi gerektiğini düşünüyoruz.

Yaklaşık 3 milyon Amerikalı geçimini kamyonculuktan sağlıyor. Birçoğu 50'li yaşlarında, on yıllardır kamyonculuk yapıyor ve kamyonculuğun ekonomik omurga olduğu topluluklarda yaşıyor. Kamyonculuk, üniversite diploması olmadan alınabilecek en iyi işlerden biridir. Uzun yol kamyon sürücüsünün gerçek işi, birkaç temel işle baskındır: kamyonu güvenli bir şekilde A noktasından B noktasına taşımak. Lojistik, yükleme/boşaltma vb. başkaları tarafından yapılır. Otonom sürüş uzun yol rotalarında güvenilir hale gelirse, kamyon sürücüsünün işi sadece artırılmakla kalmaz; temelde tehdit altındadır ve hatta tamamen ortadan kalkabilir. Ve bu olasılık artık teorik değil. Aurora Innovation ve Kodiak Robotics gibi şirketler, kısıtlı rotalarda zaten büyük ölçekli otonom kamyonculuk pilotları ve ticari dağıtımlar yürütüyorlar. Depolama da benzer bir hikaye anlatıyor. Depolama, milyonlarca ABD'li işçiyi istihdam ediyor ve birçok depo işi - toplama, paketleme, ayırma, palet hareketi - nispeten dardır ve giderek daha fazla otomatize edilebilir. Yurtdışında, firmalar zaten minimum insan gücüyle gece gündüz çalışan yüksek oranda otomatikleştirilmiş "karanlık depolar" işletiyorlar. Bu depolar, bugün gördüğümüz hiçbir şeye benzemiyor: baştan sona makineler tarafından çalışacak şekilde tasarlanmışlardır.

Şimdi bunu bir bilgi çalışanıyla, örneğin bir yönetim danışmanıyla karşılaştırın. İş, araştırma, veri analizi, müşteri iletişimi, sunum tasarımı, stratejik akıl yürütme, ekip koordinasyonu ve ilişki yönetimi gibi en az yedi veya sekiz farklı tamamlayıcı görevi birleştirir. Claude veya Codex, veri analizi ve slayt gösterisi oluşturmanın ilk geçişini otomatikleştirebilir, ancak danışman hala her şey için gereklidir. O-halka terimleriyle, bazı görevleri otomatikleştirmek, işçinin onlara daha fazla zaman ayırmasına izin vererek kalan görevleri daha değerli hale getirebilir - danışman, müşteriyle konuşmaya ve onları uygulama konusunda rahatlatmaya, çeşitli birimlerden destek almaya vb. daha fazla zaman harcayabilir. Sonuç olarak, ücretler artabilir ve müşteri talebini artıran daha iyi çıktı ve daha düşük fiyatlar varsa istihdam da artabilir.

Aynı mantığı tıp ve akademi gibi birçok yüksek riskli meslekte görebilirsiniz. Artık 870'den fazla FDA onaylı radyoloji yapay zeka aracı var ve doktorların %66'sı en az bir yapay zeka aracı kullanıyor, çoğunlukla not dikte etme ve teşhis desteği için. Ancak bu araçlar radyologları ve doktorları değiştirmiyor, onları artırıyor. Yapay zeka tipik olarak işin rutin örüntü tanıma yönünü ele alır, doktorların karmaşık vakalara, hasta iletişimine ve klinik yargıya odaklanmalarını sağlar. Benzer şekilde, akademisyenler yapay zekanın ilerlemelerinin araştırma asistanlarını daha değerli mi yoksa daha az değerli mi kıldığı konusunda tartışıyorlar. Yapay zeka rutin analitik görevleri otomatikleştirdikçe, hem profesörler hem de araştırma asistanları fikirlere ve yargıya daha fazla odaklanabilir, böylece çıktıyı ve yetenekli araştırma emeği talebini genişletebilirler. Bu, uygulamada yine O-halka odaklanma etkisidir.

Laboratuvarımızda da aynı durum geçerli. Eklenen her üye çok daha fazlasını yapabilir, zorluk herkesi hızlandırmak, bu araçları kullanmanın en iyi yolları hakkında açık tartışmalar yapmak ve insanların daha değerli hissettiği bir kültür inşa etmek. https://t.co/0nEwUadRPF
— Abhishek Nagaraj 🗺️ (@abhishekn) 18 Mart 2026
Maruz kalma endeksleri neyi yakalar?

Bunu maruz kalma çerçevesine geri getirelim. Standart yaklaşımda, bir yönetim danışmanı yapay zekaya yüksek derecede "maruz kalır" iken bir kamyon sürücüsü maruz kalmaz. Ancak bu, danışmanın kamyon sürücüsünden daha yüksek yerinden edilme riski altında olduğu anlamına mı geliyor? Zorunlu değil. Danışmanın yüksek maruz kalması aslında iyi haber olabilir çünkü yapay zeka tamamlayıcı görevlerinin çoğunu artıracağı anlamına gelir, bu da odaklanma etkisini tetikler ve potansiyel olarak ücretleri yükseltir. Diğer yandan, kamyon sürücüsünün tek bir kritik görevdeki orta derecede maruz kalması çok daha tehlikelidir çünkü kamyon şirketlerinin sürüş görevini otomatikleştirmek için çok daha yüksek bir teşviki vardır ve bu yapıldığında iş de ortadan kalkar. Bu teşvikler zaten pratikte yaşanıyor:

HABER: Jeff Bezos, üretim şirketlerini satın alacak ve otomasyona giden yollarını hızlandırmak için yapay zeka teknolojisini kullanmayı hedefleyecek yeni bir fon için 100 milyar dolar toplamak üzere görüşmeler yapıyor.
Bu, mühendislik için yapay zeka ürünleri oluşturmayı amaçlayan Jeff'in Project Prometheus yapay zeka girişimiyle bağlantılı… pic.twitter.com/6zlXRQHhOY
— Sawyer Merritt (@SawyerMerritt) 19 Mart 2026
Bu nedenle ilgili nesne ortalama görev maruziyeti değil, darboğazların yapısı ve otomasyonun işçi zamanını bunların etrafında nasıl yeniden şekillendirdiğidir. Aynı maruz kalma puanlarına sahip iki iş, görevlerinin tamamlayıcı olup olmadığına, çıktılarının talebinin esnek mi yoksa esnek olmayan mı olduğuna ve firmanın otomasyona yatırım yapma teşviklerine bağlı olarak tamamen zıt yerinden edilme risklerine sahip olabilir. En büyük risk altındaki işçiler, ortalama maruziyetleri en yüksek olanlar değil, yapay zekanın otomatize edebileceği az sayıda temel görev etrafında inşa edilmiş işlere sahip olanlardır.

1 İşlerin tam olarak otomatize edilmediği durumlarda, marjinal görevin otomatize edilmesinden elde edilen maliyet tasarrufları, işteki diğer görevler arasındaki tamamlayıcılıklara bağlı olacaktır. Tam ilişki, otomasyonun O-halka modeli makalesinde açıklanmaktadır.

Alex Imas, UChicago Booth'ta profesördür. Ekonomi ve Uygulamalı Yapay Zeka üzerine araştırmalar yapmaktadır. Substack burada.

Tyler Durden
Cmt, 04/04/2026 - 09:20