Yapay Zekâ Yalnızca İşleri Değil, Ücretleri de Değiştiriyor

Yahoo Finance'tan yakın zamanda yayımlanan bir haber, LinkedIn'deki yapay zekâ etkileyicilerinin dikkatini çekti. Yeni iş gücü piyasası verilerinden yararlanan makale, yapay zekânın Amerikalı çalışanların yerini almadığını savunuyor. Son sekiz haftada yayımlanan üç rapor ise daha özgül bir tablo ortaya koyuyor ve bu tablo, İK liderleri için güven verici versiyondan daha faydalı.

Yapay Zekâya Atfedilen İşten Çıkarmalar: Challenger, Gray & Christmas verileri, yapay zekânın 2026'da işten çıkarmalar için gösterilen başlıca neden olduğunu ve bu yılki tüm işten çıkarmaların %22'sinde gerekçe olarak belirtildiğini gösteriyor.

İşe Alımın Baskılanması: New York Fed tarafından gerçekleştirilen bölgesel bir anket, yapay zekâ kullanan hizmet şirketlerinin işe alım planlarını, işten çıkarmalar bildirme oranlarının neredeyse dört katı oranında azalttığını ortaya koyuyor.

Ücretlerin Sıkışması: Apollo Global Management tarafından yapılan bir araştırma, yapay zekâdan etkilenen çalışanların ücret artışlarının yavaşlamasının maliyetini, 5,8 milyon kişiye yayılan yıllık 28 milyar dolar olarak hesaplıyor.

Güven Verici Versiyon Nereden Çıkıyor?

İddia hızla yayıldı: İşten çıkarmalar azalıyor, işe alımlar artıyor ve yapay zekânın çalışanların yerini aldığına dair hiçbir kanıt yok. Apollo Global'ın başekonomisti Torsten Sløk, bu argümanın bir versiyonunu haftalardır dile getiriyor; Challenger verilerine göre ağustosa kadar yıllık işten çıkarmaların %41 azaldığına, bunun 2022'den bu yana ocak-ağustos dönemindeki en düşük toplam olduğuna ve aynı dönemde işe alım planlarının %37 artarak 2023'ten bu yana en yüksek seviyeye ulaştığına dikkat çekiyor.

Bu kısım doğru. Ancak raporun tamamı bundan ibaret değil.

Gerekçe Kodları Gerçekte Neyi Gösteriyor?

Yeniden yapay zekânın günah keçisi ilan edildiği anlatılarına tamamen kapılmadan önce, bu argümanın son versiyonunu desteklemek için kullanılan verilere bütüncül bir göz atmakta fayda var. 

Challenger'ın aylık raporu iki ayrı tablo içeriyor: Bunlardan biri toplam işten çıkarmaları izlerken diğeri, işverenlerin işten çıkarmalar için belirttiği gerekçelere göre dağılımı gösteriyor.

İkinci tabloda yapay zekâ, 2026'da şimdiye kadar işten çıkarmalar için gösterilen başlıca neden olarak öne çıkıyor; 116.175 duyuruda, bu yılki tüm işten çıkarmaların %22'sinde gerekçe olarak belirtilmiş. Toplam işten çıkarmalardaki genel düşüş, yapay zekânın gerçekleşen işten çıkarmalardaki etkisinin azalmasından değil, büyük ölçüde geçen yılki olağan dışı yüksek seviyelerden kamu sektöründeki işten çıkarmaların azalmasından kaynaklanıyor.

İki şey aynı anda doğru olabilir: Toplam işten çıkarmalar azalabilir ve yapay zekâ, geriye kalan işten çıkarmaların hâlâ en yaygın nedeni olabilir.

Yukarıdaki işe alımın baskılanması bulgusu, aşağıda ayrıntıları verilen, yapay zekâ kullanan hizmet şirketleriyle yapılan bir New York Fed anketinden geliyor. 

Bunu İlk Kez Yaşamıyoruz

Otomasyon şokunun çalışan sayısı yerine ücretler tarafından emilmesinin bir örneği var. Endüstriyel robotlar, üretken yapay zekâ bir iş yeri aracı olarak ortaya çıkmadan yıllar önce neredeyse aynı tabloyu oluşturdu.

Journal of Political Economy dergisinde yayımlanan bir çalışmada, MIT'den Daron Acemoglu ve Boston Üniversitesi'nden Pascual Restrepo, 1990 ile 2007 yılları arasında 19 sektörde ve ABD'deki 722 işe gidiş-geliş bölgesinde robot kullanımını izledi. 

Temel bulguları şu: Her 1.000 çalışana eklenen bir robot, istihdamın nüfusa oranını yaklaşık 0,2 yüzde puanı, ücretleri ise yaklaşık %0,42 oranında düşürdü. Etki, manşetlere taşınan bir işten çıkarma dalgası şeklinde değil, yerel iş gücü piyasalarında yıllar içinde kademeli olarak birikti.

Etki aynı zamanda eşit dağılmadı. Araştırmacılar, etkinin özellikle imalat sektöründeki daha az eğitimli çalışanlar arasında yoğunlaştığını, buna karşın ücret skalasında daha üst sıralarda yer alan çalışanların büyük ölçüde korunduğunu tespit etti. Bu durum, Apollo'nun bu yılki yapay zekâ verilerinde ortaya koyduğu tabloyla yakından örtüşüyor: Hizmet çalışanları ve kazançların en alt çeyreğindekiler ücret etkisinin büyük bölümünü üstlenirken en yüksek kazançlılar bu etkiden hiç pay almıyor.

Ancak karşılaştırmanın sınırları var. Endüstriyel robotlar fiziksel ve pahalı sermaye yatırımlarıdır. Yapay zekâ araçları ucuzdur ve bir kuruluş içinde haftalar içinde yayılabilir; bu da sürecin robot verilerinin öngöremediği şekilde daha hızlı, daha yavaş veya farklı ilerleyebileceği anlamına gelebilir. 

Bu araştırmanın kesin olarak ortaya koyduğu şey, istihdam sayılarından ziyade ücret ve katılım üzerinde gerçekleşen bu tam modelin, yapay zekâ bu soruyu yeniden güncel hale getirmeden çok önce, ölçülebilir ve yayımlanmış verilerde bir kez daha ortaya çıkmış olduğudur. 

Eksik $4,800 

Apollo'nun çalışmada AI'a maruz kalan çalışanların kaybettiği toplam ücret artışı olan $28 milyarlık rakamı, tek bir ortalama olarak bildiriliyor:  5,8 milyon çalışana dağıtıldığında yıllık $4,800. 

Ortalamalar, bu rakamın ne kadar eşitsiz dağıldığını gizler ve ana rakamın göz ardı ettiği aritmetiğe dikkat çekmek gerekir. 

Bu grup içinde hizmet çalışanları ücret artışında %24,3'lük göreli bir düşüş yaşarken, en düşük kazançlı çeyrekteki çalışanlarda düşüş %10,7 oldu; en yüksek kazançlı çalışanlarda ise ölçülebilir hiçbir etki görülmedi. 

Bu, $4,800'lük ortalamanın gösterdiğinden daha geniş bir dağılım ve etkisi de hâlihazırda en az kazananların üzerinde. Ücret artışının yaklaşık dörtte birini kaybeden bir çağrı merkezi çalışanı veya perakende çalışanı, başlangıçta daha düşük olan maaşına ek olarak ortalamadan çok daha fazlasını kaybediyor. Maruziyetin yüksek olduğu bir meslekte zaten iyi kazanan biri ise bunun neredeyse hiçbir etkisini hissetmiyor olabilir. 

Bu durumun çoğu ücretlendirme raporlamasında nasıl ortaya çıktığı veya neden görünmediği açısından önem taşıyor. Bir şirket bu yıl genel ortalama ücret artışını incelediğinde, etkilenmeyecek kadar kazanan çalışanlar ortalamayı yeniden yukarı çektiği için normale yakın görünen bir rakamla karşılaşabilir.

Bu sıkışma, bunu yaşayan çalışanlar açısından gerçek; ancak yönetimin ilk olarak görme ihtimali en yüksek olan birleştirilmiş rakamda görünmez kalıyor.

Kendi Verilerinizde Neleri Kontrol Etmelisiniz?

Bu üç raporun hiçbiri özel mülkiyete ait veri gerektirmedi; kurum içinde kontrol yapmak için de böyle bir veri gerekmiyor. 

Challenger'ın rakamları kamuya açık işten çıkarma duyurularından geliyor. New York Fed doğrudan şirketlerle anket yapıyor ve sonuçları yayımlıyor. Apollo ise tahminini Çalışma İstatistikleri Bürosu verilerinden oluşturdu. 

Eyalet bazında ölçeğe dair kabaca bir fikir edinmek için, Yapay Zekâ Güvenliği Merkezi'nin wageloss.ai panosu, Challenger'ın AI'a atfettiği işten çıkarmaları parasal bir tahmine dönüştürüyor; ancak yalnızca işten çıkarma kanalını görebiliyor, daha fazla odaklanılması gereken ücret sıkışmasını veya işe alımların baskılanmasını göremiyor. Tüm bunların altında yatan model, çoğu kuruluşun zaten sahip olduğu verilerde görülebiliyor. 

Kontrol etmek isteyen bir ücretlendirme veya İK ekibi için birkaç başlangıç noktası:

• Ücret artışını yalnızca departmana göre değil, AI maruziyetine göre de segmentlere ayırın. AI araçlarının düzenli olarak kullanıldığı rollerde son 24 aydaki ücret artışını çıkarın ve bunu aynı seviyede ve kıdemde, diğer açılardan benzer olup AI araçlarının kullanılmadığı rollerle karşılaştırın. Departman genelindeki birleştirilmiş ortalama, ulusal ortalamanın gizlediği aynı sıkışmayı gizleyebilir.
• Doldurulmak yerine kapatılan işe alım taleplerini kontrol edin. Ne Challenger ne de NY Fed anketi, onaylanıp ardından işe alım yapılmadan kapatılan bir işe alım talebini görebilir. Çoğu aday takip sistemi bunu görebilir. Özellikle AI'a maruz kalan roller için bu rakam, NY Fed'in %15'lik "daha az kişi işe aldı" rakamının neyi ölçtüğüne, herhangi bir kadro raporundaki rakamdan daha yakındır.
• Yalnızca yeniden doldurma oranını değil, yeniden doldurma süresini izleyin. AI'a maruz kalan bir roldeki çalışanın ayrılması ile pozisyonun yeniden doldurulması arasındaki sürenin giderek uzaması, pozisyon sonunda doldurulsa bile, bu modelin çoğu zaman görülebilen en erken biçimidir; çalışan bağlılığı anketinde veya çıkış görüşmesinde ortaya çıkmasından çok önce görülür.
• Ücretlendirme ve AI benimseme planlamasını aynı masaya getirin. AI uygulamasını yöneten Öğrenme ve Gelişim ekibi veya ilgili kişi genellikle yeniden eğitim bütçesinin sahibidir. Ücretlendirme ekibi ise ücret bütçesinin sahibidir. Bir role bu yıl yeniden eğitim yatırımı yapılırken ücret artışı geride kalıyorsa, bu ayrı rakamları takip eden iki ekip notlarını hiçbir zaman karşılaştırmayabilir; dolayısıyla bağlantı ancak her ikisinin üstündeki birinin iki ekibe de aynı soruyu sormasıyla kurulabilir. 

Bunların hiçbiri bir sonraki Challenger raporunu veya bir sonraki Fed anketini beklemeyi gerektirmiyor. Kontrol edilmesi gereken veriler büyük ölçüde zaten bir İK bilgi sisteminde ve bir ATS'de bulunuyor.