Yapay Zekâ ve Verimlilik Hakkında Neyi Yanlış Anlıyoruz

David Rice: Ekibiniz rapor yazmak, verileri analiz etmek ve kararları daha hızlı almak için yapay zekâ kullanıyor. Verimlilik arttı, değil mi? Üç aylık ölçümleriniz muhtemelen oldukça iyi görünüyor, ama tahmin edin ne oluyor? Fark ettirmeden çalışanlarınızı aptallaştırıyorsunuz. Bunu dramatik olmak için söylemiyorum. Yapay zekâ destekli tanı araçlarını kullanan tıp profesyonelleri üzerine yakın zamanda yapılan bir araştırma, teknolojiye o kadar bağımlı hâle geldiklerini gösterdi ki yapay zekâ kapatıldığında, kullanmaya başlamadan önceki hâllerinden belirgin biçimde daha kötü performans gösterdiler. Bu bir eğitim sorunu değil. Bu, beynin körelmesi.

Bugünkü podcast konuğumuz Dr. Vivienne Ming. Kendisi teorik sinirbilimci ve 15 yıl önce GPS navigasyonunun demans oranlarını nedensel olarak artıracağını öngören bir girişimci. Bugün onun haklı olduğunu kanıtlayan ampirik kanıtlar var, ancak buraya bunu anlatmaya gelmedi.

Bize anlatacağı şey, şu anda iki tamamen farklı yol arasında seçim yapabileceğimiz: yapay zekânın işi sizin için yaptığı ve kısa vadeli kazanımlar karşılığında uzun vadeli kayıp yaşadığınız bilişsel otomasyon ya da yapay zekânın işi, çalışanlarınızı gerçekten daha iyi hâle getirecek şekillerde zorlaştırdığı bilişsel güçlendirme.

Yapay zekânın hayatı kolaylaştırmasının neden şu anda iş dünyasındaki en tehlikeli söylem olduğunu, becerileri aşındıran otomasyon ile becerileri geliştiren güçlendirme arasındaki farkı, insanların bir yapay zekâ aracını bitirdiklerinde başladıklarından daha iyi olmaları için bu araçların nasıl yeniden tasarlanacağını ve tembel versiyonu seçen liderlerin neden kısa vadeli kazanımlar ve stratejik başarısızlık göreceğini ele alacağız.

Ben David Rice. Burası People Managing People. Süreçte ne kaybettiğinizi sormadan verimlilik kazanımlarını kutladıysanız, bu konuşma sizin için bir uyanış çağrısı olabilir. Başlayalım.

Pekâlâ Vivienne, programa hoş geldin.

Vivienne Ming: Burada olmak harika.

David Rice: Programa başlamadan önce, bazen yaptığım gibi haberleri tarıyordum ve bir makale gördüm. Nature geçen hafta, özellikle sosyal medyadan bilgi verildiğinde yapay zekânın zorlandığını söyleyen bir araştırma yayımladı. Herhangi bir şeyi anlamlandırmakta zorlanıyor ve senin tepkini merak ettim; çünkü kullanılan ifadeler tam olarak şöyleydi: Çok fazla sosyal medya, yapay zekâ sohbet robotlarında beyin çürümesine yol açıyor.

Vivienne Ming: Evet.

David Rice: Yani bu içerik hiç kimse için iyi değil mi?

Vivienne Ming: Beyin çürümesi şu anın teknik terimi. Beyin çürümesi ve iş çöplüğü. Bununla ilgili, neler olduğu ve ne yapmamız gerektiği konusunda çok teknik bir yanıt verebilirim. Ancak genel kitle için endişelenmeliyiz, değil mi? Bir büyük dil modelini çılgınca bir yöne sürüklemek için çok az miktarda düşük kaliteli bilginin yeterli olması gerçekten kaygı verici.

İnsan denetimli ince ayar ve pekiştirmeli öğrenme denen süreçlere dönseniz bile, modelin başlangıçtaki potansiyeline geri dönmesi son derece zor. Bu nedenle birçok kişi kaliteli verinin öneminden söz ediyor. Bu, sisteme kasıtsız olarak ya da bazı durumlarda kasıtlı biçimde çöp bilgi enjekte ettiğinizde ne olduğunu gösteren örneklerden biri. Aslında bu, beyni ele geçirmenin bir yolu.

Yani bu yalnızca beyin çürümesi değil, beyin kurdu gibi bir şey. Bunlar endişe etmemiz gereken şeyler. Biraz teknik yanıtım şu: Bunun üzerine bir makale yazdım ve göndereceğim. Dinleyin, insanlar kusurludur. Önyargılarla doluyuz. Bizi internete maruz bıraktığınızda bizim de beynimiz çürüyor.

Ama tüm bu gerçek ve dürüst tespitlere rağmen insanlar, kural olarak gerçekten önemli bir şey yapıyor. Çılgınca, tamamen anlamsız bir bilgiyle karşılaşırsak onu görmezden geliyoruz. Elbette bunun istisnaları var. Ancak araştırmada, o çalışmada bildirilen beyin çürümesi örnekleri çoğunlukla anlamsız metinlerdi.

Hiçbir insan anlamsız bir sayfayla karşılaşıp “Aman Tanrım, bunu ezberlemeliyim” demez. Günümüzde yapay zekânın gerçekten sahip olmadığı bir süper gücümüz var. Dünyaya dair bir modelimiz var. Yapay zekâ dünyası dünya modelleri hakkında çok konuşuyor, ama aslında pek de öyle değil. Dünyaya bakıyoruz, bu modeli uyguluyoruz ve iyi ya da kötü, modele uymayan şeyler için şunu söylüyoruz: “Biliyor musun, bu daha az önemli; bunu o kadar derin kodlamayacağım.” Yapay zekâlara da bunu nasıl yaptıracağımızı düşünmeliyiz.

Mükemmel veri kümelerini elle ayarlamamız gerektiği ve bir yapay zekâya internetten tek bir kötü röntgen ya da tek bir parça çöp bilgi gösteremeyeceğimiz fikri, onu bugün nasıl eğittiğimiz konusunda gerçek bir zayıflık.

David Rice: İnsanların “Bir beyin yarattık, bizimki kadar karmaşık” dediğini duyuyorsun. Bunu daha önce de duydum. Ben de “Bilmiyorum” diye düşünüyorum. Beyin kelimesine çoğu zaman itiraz ettim. Ama bunu görünce, belki de gerçekten bir beyindir diye düşündüm. Sosyal medya içeriği yapay zekâ üzerinde de bizdekiyle aynı etkiyi yaratıyor, öyle mi?

Vivienne Ming: Evet. Ölçülü bir yaklaşım benimsemeyi seviyorum. Ben bir yapay zekâ gerçekçisiyim. Dünya saçmalıklarla dolu. Her şeyi düzelteceğini düşünen yapay zekâ ütopyacıları da, Skynet’i inşa ettiğimizi düşünen distopyacılar kadar gerçeklikten kopuk. Keşke bir Skynet sorunumuz olsaydı; yalnızca böyle bir şeyi nasıl inşa edeceğimiz hakkında en ufak bir fikrimiz olmasını istediğim için.

Yok. Hiçbir fikrimiz yok. Ama inşa ettiğimiz şey gerçekten zekâ sahibi. Bu yapay zekâ. Yalnızca belirli bir zekâ biçimine, istatistiksel öğrenmeye sahip. Bizim de yoğun biçimde kullandığımız bir şey ve bunu bizimle paylaşıyor. Bu anlamda, özellikle büyük dil modellerinin ve insanların yaptıkları arasında pek çok benzerlik var.

Ancak bizim başka zekâ biçimlerimiz de var: düşük seviyeli hesaplamalı zekâ fikirleri ve yüksek seviyeli, geniş kapsamlı değerlendirmeler. Ünlü Henry Markham, hayatının erken dönemlerinde sara hastalığını önlemek için ameliyat oldu ve ardından hayatının geri kalanında yeni bir uzun süreli anı oluşturamadı. Benim gibi insanlar onu yalnızca tüm bu araştırmaların ünlü deneği olarak bilir.

Gitar çalmayı biliyordu ama nasıl öğrendiğini hiç hatırlamıyordu. Bu anlamda farklı zekâ türleri var, değil mi? Yeni anılar oluşturamıyordu ama gitar çalmayı öğrenebiliyordu. Makinelerin ve insanların farklı güçlü yönleri var. Yapay insanlar inşa etmeye çalışmayı bırakıp yapay zekânın iyi yaptığı şeyleri kutlasak.

Şu anda çok daha iyi bir durumda olurduk.

David Rice: Sana katılıyorum. Bu, bugün bu konuşmanın nereye gideceğini düşünürken aklımdan geçen konuya da bağlanıyor. Yapay zekânın her şeyi kolaylaştıracağı yönünde bir düşünce var. Her şey daha kullanışlı, daha verimli, daha üretken ve daha kârlı olacak.

Bence birçok yönetici bugün kendilerini bu düşünceyle oyalıyor. Ancak daha önce konuştuğumuzda bu anlatıya bir ölçüde meydan okudun ve “Ya yapay zekâ hayatı kolaylaştırmazsa? Ya onu bizi daha iyi hâle getirecek şekillerde zorlaştırırsa?” diye sordun. Bunun senin ifadelerinle nasıl göründüğünü merak ediyorum.

Vivienne Ming: Bu hafta sonu bültenimde yapay zekâyla hiç ilgisi olmayan bazı araştırmalar paylaştım. Bunlardan biri, insanların, örneğin bir girişimciye yatırım yapan bir girişim sermayedarının, yüzleri kendilerine daha çok benzeyen kişilere yatırım yapma olasılığının daha yüksek olduğunu gösteriyordu.

Irk, cinsiyet ve yaş gibi her türlü etken kontrol edildiğinde, yüzleri birbirine daha çok benzeyen insanlara yatırım yapma olasılığı artıyordu. Yapay zekâ sayesinde yapılabilecek ilginç bir deney. Yüzlerin sayısal benzerliğini gerçekten ölçebilir ve “Vay canına, sana benzeyen bir girişim sermayedarına sunum yaptığında yatırım alma olasılığın yüzde 3 daha yüksek; ancak getiri üretme olasılığın yüzde 7 daha düşük” diyebilirsin.

Bunu gündeme getirmemin nedeni, daha önce söylediğim gibi kendi önyargılarımızla dolu olmamız. Bu nasıl yardımcı oluyor? Bize benzeyen insanlara yatırım yapma önyargımız var, ancak bu daha kötü getiriler üretiyor. Kusursuz ve rasyonel olduğumuzu düşünmek istiyoruz, ama değiliz.

Psikolojide sığ ve derin işlemlemeden söz ederiz. Zamanımızın çoğunda, en parlak insanlar bile hayatın içinden biraz yüzeysel biçimde geçiyoruz ve bu sorun değil. Gerçekten değil. Ama arada bir derine inmeniz gerekiyor.

Komik olan şu ki, hayatınızın geri kalanını mümkün olduğunca yüzeysel geçirmeniz için mükemmel aracı inşa ettik. Bunun üzerine iş liderlerinin kusurlu karar alma süreçlerini eklediğinizde, işe en uygun kişiyi değil, size benzeyen adamı işe almak gibi kararlar ortaya çıkıyor.

Bu hafta paylaştığım başka bir makale, Peter ilkesinin gerçekten var olduğunu ortaya koydu. Satış ekiplerinde, yönetici olarak potansiyeliniz nedeniyle değil, satış kaliteniz nedeniyle terfi ediyorsunuz ve bunun şirketler içinde gerçek ekonomik sonuçları var.

Yapay zekânın değerinin hayatımızı kolaylaştırmak olduğu söylemine gerçekten kapılıyoruz. Bütün sıkıcı işleri o yapacak, siz de süper havalı yaratıcı işleri yapacaksınız. Araştırmalarımda, yapay zekâyla ne kadar çok sıkıcı iş yapılırsa herkes için o kadar çok sıkıcı iş ortaya çıktığını gördüm. Birçok şirketin ekiplerine önerdiği açık bir örneği düşünün: Yapay zekâ tüm e-postalarınızı okusun, yapay zekâ tüm e-postalarınızı yazsın, boşa harcanan iletişim zamanından tasarruf edin.

Ancak yapay zekâ bir sürü çöp ve spam e-posta üretiyorsa daha az değil, daha fazla e-posta alırsınız. Bu nedenle yapay zekânın amacının hızlı ve kolay verimlilik artışları olduğu fikri, benim samimi görüşüme göre, verimlilik için kokain gibi; tamamen çıkmaz sokak.

Üstelik yapay zekâ insanların yerini aldığında insan sermayesini gözle görülür biçimde aşındırıyor. Yapay zekânın bütün sıkıcı işleri yapması ve bizim sihirli biçimde süper yaratıcı hâle gelmemiz fikri doğru değil. Daha iyi insanlar istiyorsanız ve benim gibi 30 yıldır yapay zekâ konusunda heyecanlıysanız.

Yaratıcılığı açıkça ve tartışmasız biçimde destekleyen yapay zekâlar inşa etmeniz gerekiyor. Bunun için en iyi yapay zekânın hayatınızı kolaylaştırmadığı, zorlaştırdığı ortaya çıkıyor. “Bu iyi bir fikir değil” diyor. “Yanıldığınızı gösteren üç şey şunlar” diyor. Sadık muhalefet gibi davranıyor. Yaklaşan kitabımda bunun hakkında yazıyorum ve buna “düşman istemi” adını veriyorum.

Kitabı yazarken kullandım. Bir bölüm yazardım. Keşke bunu başka birine devredebilsem diye düşünürdüm, ama kendi kötü mizah anlayışımın derin biçimde yer aldığı teknik bir kitap olduğu için bir hayalet yazarın ya da yapay zekânın bunu yapması mümkün değildi. Bu yüzden bir bölümü yazmanın benim için son derece zor olan sürecinden geçtim.

Sonra Gemini’ye şöyle derdim: “Sen benim düşmanımsın, hayat boyu en kötü düşmanım. İşte kitabımın yeni bölümü. Söylediğim yanlış her şeyi, her kötü fikri ve paylaştığım kolayca çürütülebilecek her gerçeği bul. Bana ayrıntılı biçimde açıkla ve bir kez olsun bunu nasıl daha iyi hâle getirebileceğimi söyle.”

Kitabımı daha kolay yazmak için yapay zekâ kullanmadım. Daha iyi olmamı sağlayacak şekillerde daha zor yazmak için kullandım.

David Rice: Bu durum yapay zekâ çevresindeki kültürün her yerinde ortaya çıkıyor. Onu verimliliğe giden bir kestirme yol ya da bizi daha verimli hâle getirecek bir kolaylık aracı olarak görüyoruz. Ancak onu büyüme katalizörü ya da lider yetiştirme biçimimizi geliştiren bir araç olarak yeterince çerçevelemiyoruz.

Ya da senin söylediğin gibi, insanlar satış kaliteleri nedeniyle terfi ettiriliyor. Fikirlerimize meydan okumak ve daha iyi sorular sormak da buna dâhil. Bunu böyle çerçevelemiyoruz. Son 50 yıldaki diğer tüm teknoloji parçalarını nasıl çerçevelediysek öyle çerçeveliyoruz: Kolay olacak ve bizi daha rahat ettirecek. Bunun hayatımızın diğer alanlarında da bize çok fayda sağladığını düşünmüyorum.

Vivienne Ming: Akademiden uzaklaşıp ilk şirketimi kurmaya başladığım dönemde insanlar benden işin geleceğinin nasıl değişeceği üzerine açılış konuşmaları yapmamı veya panellere katılmamı istemeye başladı.

Eğitimde yapay zekâ, iş gücünde yapay zekâ ve tıpta yapay zekâ şirketleri kurmuş olduğum için, bir bakıma benden daha uygun kim olabilirdi? Sahneye çıktığımda birlikte konuştuğum kişi, “Bu tıpkı Sanayi Devrimi gibi. Bunların hiçbirisi için endişelenmemize gerek yok. Daha fazla iş yaratacak, yok ettiği işlerden sonra harika bir gelecek oluşturacak” dedi. Sanki Sanayi Devrimi buna karşı çıkılamaz matematiksel bir kanıtmış gibi.

Bir keresinde birlikte sahneye çıktığım en ukala ve küçümseyici adamla aynı sahnedeydim. Etkinlik boyunca çeşitli biyolojik deliklerinden rastgele gerçekler çıkaran biriydi. O kadar sinirlendim ki sahneden indikten sonra “Bu, Sanayi Devrimi değil” diye yazdım.

Sonunda yüz bin kelime yazdım. Bu, arkamdaki sarı kitaptaki bir bölüme dönüştü. Asıl mesele şuydu: Sanayi Devrimi’nin ne olduğunu ve ne yaptığını gerçekten anlıyor muyuz? Bu, ekonomi tarihi açısından teknik bir soru. Ayrıca içinde bulunduğumuz dönem yalnızca bir fabrika hattı mı? Yalnızca elektrik ya da içten yanmalı motor mu?

Tarihte değişim yaratan bu anlara işaret ediyoruz ve onları anlamak kesinlikle değerli. Ancak yapay zekâ aşağıdan yukarıya doğru yükseltme yapmıyor. Aslında yapay zekâ için alt seviye diye bir şey yok. Ondan dünyanın en aptalca tweet’ini yazmasını, geçici bir görsel oluşturmasını ya da yalnızca kanser teşhisi koymasını değil, kanserin nasıl ortaya çıkabileceğine dair yepyeni bir fikir üretmesini ve bunu sonsuza dek nasıl değiştirebileceğimizi bulmasını isteyebilirsiniz.

Yapay zekâ bu iki şey arasındaki farkı umursamıyor ve bilmiyor. Bunlar, birinin bir günlük ev enerji bütçesinin iki farklı kullanımı gibi. Sonuçta ya yüz kişiyi 35 milisaniye güldüren geçici bir şakayla dünyayı zenginleştirirsiniz ya da insanlığın geleceğini değiştirirsiniz. Bu bir fabrika hattı değil. Tarım Devrimi değil. Daha önce yaşanmış olayların hiçbiri değil. Bu kötü olacak demek değil, ama iyi olacak demek de değil.

İnsanların dağınık, yapay zekânın da biraz bize benzediği için onun da dağınık olduğunu kabul edene kadar; bizim farklı şekillerde dağınık olduğumuzu görene kadar ilerleyemeyiz. Bu ikisini doğru biçimde birleştirdiğinizde harika bir şey olur. Yanlış birleştirdiğinizde endokrinologlar kanser teşhisinde kötüleşir, öğrenciler daha az öğrenir ve zamanla beyin faaliyetleri bozulur.

Bu iyi ya da kötü değil. Sonuçta büyük, karmaşık ve dinamik bir sistem. Önemli olan onu nasıl kullandığımız. İkinci Anayasa Değişikliği tartışmasından çok daha önemli olan şey bu. Silahlar insanları öldürmez. Yapay zekâ dünyayı kötüleştirmez. YouTube algoritmaları dünyayı kötüleştirmez. Geleceği, yaptığımız seçimlerle bu algoritmalar arasındaki etkileşim üretir.

Derin düşünmeye yönelmezsek endişeliyim.

David Rice: Tarihteki önceki olaylardan söz edildiğinde hep şunu düşünüyorum: Evet, ama bunlar bu hızda gerçekleşmedi. Beyin, sözünü ettiğimiz değişim düzeyiyle başa çıkmak üzere mutlaka donanımlı değil.

Bu değişimlerin insanların gerçek olanla olmayanı ayırt etme yetisinde şimdiden etkisini görebiliyorsun. İnternette bir içeriğe baktıklarında bunun yapay zekâ tarafından üretilip üretilmediğini, hatta yapay zekâ olduğunu söyleyip olmadığını ayırt edemiyorlar. Artık neyin gerçek olduğunu bilmiyorlar.

Daha önce gerçekliğimize meydan okumak zorunda kaldığımız bir dönem olmadı. Bu nedenle insan olarak bizim için çok farklı bir görev. En önemli şey de onu nasıl kullandığımız. Onu anlamakta zorlanıyor ve kullanıyorsak, kötü kullanmamız için büyük bir alan ortaya çıkıyor.

Vivienne Ming: Şu anda bir pilot çalışma üzerinde çalışıyorum. İnsanlarla makinelerin nasıl etkileştiğini ve neler yapabileceğini, yani kolektif zekânın iyi, kötü ve çirkin yanlarını anlamak istiyorum. Henüz yolun başındayız.

İnsanların dünya üzerindeki derin etkisini, tahmin yaparken ne kadar başarılı olduklarına bakarak ölçebileceğimizi düşündüm. Buna benzeyen bir şey zaten var: Poly Market adında bir site. Oraya gidip dünyanın sonuçları üzerine, hatta yakın zamanda basında yer alan Mond seçimi gibi olaylar da dâhil olmak üzere, parasal bahisler oynayabilirsiniz.

Üç ila beş kişilik ekipler hâlinde gelen klasik üniversite deneyi katılımcılarına bir saat verip çok sayıda Poly Market tahmini yaptırsam ne olur? Birlikte seçim yapacaklar. Uzman değiller ve oyunda paraları yok. Ancak sonuçlar zamanla gerçekleşecek. Sistemin sonucunu, Poly Market’in nasıl performans gösterdiğini ve katılımcılarımın nasıl performans gösterdiğini bileceğiz. Sonra Gemini ve GPT’nin nasıl performans gösterdiğine bakabileceğim. Ardından insanlar ve makineler etkileşime girdiğinde birlikte nasıl performans gösterdiklerini görebileceğim.

Bu saf insanlar çok iyi sonuç vermiyor. Elbette Poly Market’teki profesyoneller kadar iyi değiller. Yapay zekâlar oldukça iyi, ancak Poly Market’in kendisi kadar değil. Açık fikir doğru olduğunda çoğunlukla sağlam tahminler yapıyorlar.

Sonuç garip bir yöne gittiğinde yapay zekâlar daha kötü performans gösteriyor. İnsanları ve makineleri bir araya getirdiğinizde işler gerçekten karmaşıklaşıyor. Hangi yapay zekâyı kullandığınız değil, insan sermayesi sonucu belirliyor; çünkü insan sermayesi onların yapay zekâyla nasıl etkileşime gireceğini öngörüyor.

İnsan sermayesi düşük olduğunda insanlar esasen yapay zekânın söylediğini yapıyor. Bu hibrit ekiplerin sonuçları, özgün yapay zekânın tek başına verdiği sonuçla neredeyse aynı oluyor.

İnsan sermayesi yüksek olduğunda yapay zekânın tavsiyesini olduğu gibi kabul etmiyorlar. Dinamik bir süreç oluşuyor: İnsanlar fikir üretiyor, yapay zekâ geliştiriyor; sonra insanlar yeniden fikir üretiyor ve yapay zekâ bunu iyileştiriyor. Birkaç döngüden sonra, doğrulanması gereken ama son derece ilginç bir sonuç ortaya çıkıyor: Bir saat içinde, hibrit kolektif zekâ kullanan bu saf insanlar Poly Market’le karşılaştırılabilir sonuçlar elde ediyor.

En heyecan verici nokta, sonuç bir aykırı değer olduğunda, yani en öngörülemez sonuçta, en iyi performansı göstermeleri. Hibrit zekâ en iyi sonucu veriyor, ancak mesele nasıl etkileşim kurduğumuz.

Sisteme derin biçimde dâhil olduğumuzda gerçek faydalar ortaya çıkıyor. Onu kolektif beynimiz olarak dış kaynak kullanımıyla devretmiyor, yenilik sürecimize katıyoruz. Bugün gezegendeki en akıllı şey hibrit zekâ. Bir yerlerde bulunan süper yapay zekâ değil. Okuduğunuz bir dâhi değil. Terrence Tao bile değil. Yapay zekâyla güçlendirilmiş, ortalamanın biraz üzerinde bir grup insanla neredeyse hiçbir şey karşılaştırılamaz. Gerçekten inanılmaz.

David Rice: Bu gerçekten büyüleyici. Aklımda fikirler oluşmaya başladı.

Geçen hafta sonu Poly Market hakkında okudum. İlk kez o zaman duydum. İlginç olduğunu düşündüm. Artık her şeye bahis oynayabildiğiniz bu tür şeylerin çoğaldığını görüyorum. Bunun bir akıma dönüşmesi çok tuhaf.

Ancak ilerlerken verimlilik mitinden söz etmek istiyorum. Büyük bir konu. İş yerinde her yerde örneklerini görüyoruz. Hepimizin birçok açıdan içinde yaşadığı sinsi bir düşünce gibi. İş akışlarındaki verimlilik anlatısının yapay zekânın iş yerini etkileme potansiyelini rayından çıkarıp çıkarmadığını düşünüyorsun?

Vivienne Ming: Verimlilik varsayımı birçok şeyi peşinen kabul ediyor. Öncelikle iyi bir verimlilik modeline sahip olduğumuzu varsayıyor. Mühendislerinizin yazdığı kod satırlarının ya da satış ekibinizin anlaşma akışının şirketinizi harika yapan her şeyi bütünsel biçimde yakaladığını düşünüyor.

Ekonomik büyümeye baktığınızda, örneğin Amerika Birleşik Devletleri’nde son 30 yıldaki büyümeye, bunun büyük kısmının ekonominin tamamında geniş kapsamlı bir yükseliş değil, dönüştürücü olan bir grup şirketten geldiğini görürsünüz. Dünyaya tam olarak ne kattıklarını açıklamak zor, ancak özellikle teknoloji şirketlerinin kâr marjlarına baktığınızda çok daha üretken oldukları görülüyor.

Bunun çalışanların e-postalarını daha hızlı yazmasından ya da daha hızlı kod yazıp anlaşmaları daha çabuk kapatmasından kaynaklandığını söyleyemezsiniz. Google’daki kurum içi araştırmalar, gerçekten iyi ekiplerin bir bakıma verimsiz olduğunu gösterdi. Birbirleriyle az zaman geçiriyor, organizasyondaki diğer insanlarla daha fazla etkileşim kuruyor ve sonra kısa süreliğine yeniden bir araya geliyorlardı.

Birbirlerinin işlerini doğru yaptığına dair büyük bir güven vardı. Çok fazla üstten gözetime ihtiyaç duymuyorlardı ve gerçekten iyi iş birliği yapıyorlardı. Kendi araştırmamda daha yüksek düzeyli verimlilik dediğim şeye baktım: Bir kişi çevresindeki diğer insanları nasıl daha iyi hâle getiriyor?

Verimlilik ve üretkenlik ölçümlerimizin neredeyse tamamı kişisel ya da ekip düzeyindeki ölçümlere dayanıyor. Belki bu durumu dolaylı olarak biraz yakalıyorlar, ama aslında tam olarak değil.

Ben de bu konuya çılgın bir bilim insanı gibi yaklaşalım dedim. 500.000 kişilik dev bir şirket, içinde 500.000 ayrı yapay nöron bulunan bir sinir ağı olsaydı ne olurdu? Bu doğruysa, sinir ağlarında kredi ataması denen şeyi yapacak matematiğe sahip olurduk. Bir kişiyi değiştirmek kurumun küresel çıktısını nasıl etkiler?

Bunu gerçek bir şirkete uyguladık ve çalışanların yaklaşık yüzde 11’inin, bireysel ölçümlerle takip edilmeyen üretkenliğin yüzde 80’inden sorumlu olduğunu gördük. Nispeten küçük ama anlamlı bir grup çevresindeki herkesi daha iyi hâle getiriyordu.

Bu çalışanlardan 70.000’i günlük bilgilerini paylaşmaya gönüllü oldu. Büyük etki yaratan insanları diğer çalışanlardan ayıran şeyin yalnızca yardım etmek olduğunu gördük. Hatta bir bakıma verimsizdiler. Günün bazı bölümlerinde birinin yardıma ihtiyacı olduğunu görüyor, bunun işleriyle ilgisi olmamasına rağmen yardım ediyor ve çevrelerindeki herkesi daha iyi hâle getiriyorlardı.

Hangi verimlilik ölçütü bunu yakalıyor? Bu, şirketlerdeki toplam faktör verimliliğinin büyük ve takip edilmeyen bir itici gücüydü. Biz bunların hiçbirini izlemiyoruz ve farkında değiliz.

Çağrı merkezi çalışanlarınızı sohbet robotlarıyla değiştirdiğinizde bir insanın maliyetini ortadan kaldırmış olursunuz ve bu kârlılık açısından anlamlıdır. Ancak bu durum ileride müşteri taleplerini ele alırken daha fazla sorun yaratıyorsa ya da kod üretimini tamamen otomatikleştirmek kıdemli kodlayıcıların hataları düzeltmek için daha fazla zaman harcaması anlamına geliyorsa hiçbir şeyi iyileştirmiş olmazsınız.

Yüksek insan sermayesine sahip kişiler yapay zekâyı kodlarıyla daha derin biçimde etkileşim kurmak için kullandığında o anda daha yavaşlar, ancak kodlarının uzun vadeli olumlu etkisi daha yüksek ve daha iyi olur. Uzun vadede hızlanmalar meydana gelir. Asıl mesele, kalitenin yeterince artarak geleneksel verimlilik ölçümlerindeki düşüşleri fazlasıyla telafi etmesidir.

Yapay zekânın zaten bildiğimiz işi daha düşük maliyetle düzenli biçimde yapmasına izin vermek yerine, insanların üretken hatalar yapmasına ve yapay zekâ tarafından güçlendirilmiş alternatif yöntemleri keşfetmesine yönelmeliyiz. Biz ise tamamen ilk seçeneğe yöneliyoruz ve bu bizi hiçbir yere götürmüyor.

David Rice: Bazı insanlar ayrıldığında etkisinin ne kadar büyük olduğundan söz etmeni sevdim. Hepimiz bir kişinin ayrıldığı ve dışarıdan bakıldığında bunun bu kadar büyük bir etkisi olacağını düşünmediğimiz ekiplerde çalıştık. Sporda soyunma odasını bir arada tutan “yapıştırıcı oyuncu” dedikleri kişi gibi. O kişi ayrılıyor ve takım bir süre düzgün işlemiyor.

Bunu verilerle nasıl ölçersin?

Vivienne Ming: Sporda bu konu elbette çok ciddiye alınıyor. Oyuncu yerine koyma değerine benzer ölçütlere bakabilirsiniz. Basketbolda herkesten açıkça daha iyi görünen birkaç oyuncu var, ancak yalnızca en çok sayı atanlara bakmak yerine farklı modeller çalıştırdığınızda ilginç ve beklenmedik kişiler ortaya çıkıyor. Harika olduğunu düşündüğünüz kişiler liderlik tablolarından düşebiliyor çünkü bir topluluk işletiyorsunuz.

Bunu tamamen duygusal bir konu olarak görmenize gerek yok. Düşünmeniz yeterli. Birbirine uyması gereken tüm bu karmaşık parçalar var. Tedarik zincirinizin karmaşıklığını ciddiye alıyorsunuz. İnsan sermayenizin karmaşıklığını neden ciddiye almıyorsunuz? Bir ekipte harika olan kişinin başka bir ekipte harika olmayabileceğini ve insanlar için doğru uyumların bulunduğunu kabul etmelisiniz.

Bazen hiç sayı atmasaydı takım daha iyi çalışacak olsa bile, Djokovic’iniz gelir ve sağlam ama sıradan bir takım bir anda sürekli dünya şampiyonluğu adayı hâline gelir; çünkü bu tek kişi diğer herkesi daha iyi yapar.

Verilerimizde gördüğümüz şey şu: Diğer herkesi daha iyi hâle getiren bazı kişiler açıkça belli oluyor; her açıdan yıldızlar. Ancak bireysel ölçütlerle güçlü bir korelasyon yok. Bireysel ölçütleri kötü görünen ama diğer herkesi nasıl daha iyi yaptığını anlayabilseydiniz işten çıkarmanızın çılgınlık olacağı insanlar var.

Yapay zekâ hakkında düşünürken insanları nasıl ikame ettiğini değil, onları nasıl daha iyi hâle getirdiğini düşünmelisiniz.

David Rice: 500.000 kişilik sinir ağı örneğini vermiştin. Böyle düşündüğümde, bütün bu farklı insanların ağda bulunmasını gerektiren ve başka türlü göremeyeceğiniz pek çok bakış açısı olduğunu anlıyorum.

Şu anda giriş düzeyi rollerin kaybedilmesi konusunda büyük bir endişe var. Bu programı düzenli olarak dinleyen herkes, giriş düzeyi deneyimi bir öğrenme yolu olarak ortadan kaldırmanın ve ardıl planlamaya zarar vermenin maliyetini bilir. Ancak bunun taze bakış açıları ve dışarıdan bakan gözlerle de ilgisi var.

Yapay zekânın hiçbir şey bilmediği bir dünyada, iş yerindeki ilk deneyimimizi ve giriş düzeyi rollerimizi ortadan kaldırırsak ne kaybedeceğimizi düşünüyorsun?

Vivienne Ming: Daha önce seninle paylaştığım ifadeye biraz bağlam vereyim. UC Berkeley ve başka yerlerdeki lisansüstü öğrencilerim, birlikte çalıştığım en zeki insanlar arasında. Genç olmalarına rağmen olağanüstüler ve çalıştıkları tez konusuyla ilgili, gezegendeki herkes kadar, hatta benden daha fazla şey biliyorlar.

Ben neden oradayım? Bütün bunları öğrenebilirler. İnanması zor olabilir ama kütüphaneler hâlâ var. Kütüphaneye gidip bütün gerçekleri öğrenebilirler. Yayımlanan tüm makaleleri okuyabilir ve özgün araştırmaları anlayabilirler. Matematiği, beyni ve yapay zekâyı biliyorlar. Ben neden odadayım? Her şeyi biliyorlar ama hiçbir şeyi anlamıyorlar.

Benim görevim yalnızca o anda değil, anlayış kazandırmak. Onlara daha fazla gerçek öğretmek değil, anlamayı öğretmek. Bilim insanı nasıl olunur? Beyni nasıl keşfedersiniz? Beyin, GPT-5’ten ve bugün var olan en karmaşık sistemden çok daha karmaşık.

Bilim insanı olarak yaptığımız şey bilinmeyeni keşfetmek. Bütün gerçekleri öğrendikten sonra “Şimdi ne yapacağız?” sorusuna yanıt aramak. Bu, bir sonraki gerçeğin ne olduğu bile değil; bir sonraki sorunun ne olduğu. Dünya hakkında ne soracağız?

Bir dil modeliyle çalışmak benim için lisansüstü öğrencilerimle çalışmaya çok benziyor; tek fark, modelin her şey hakkında her şeyi bilmesi. Hukuk, beyinler, mühendislik, matematik ya da başka herhangi bir konu hakkında soru sorabilirim. Bana yanıt verir. Bazen yanıtı doğru olur. İnsanlar da bazen doğru yanıt verir. Ancak model her şeyi anlıyor ya da her şeyi biliyor gibi görünür.

Hiçbir şeyi anlamaz. Nasıl inşa edildiği gereği bilmediği şey hakkında hiçbir şey bilmez. Bu nedenle benim görevim ve Poly Market deneyindeki insanların görevi bilinmeyeni keşfetmek ve o yöne doğru ilerlemektir. İnsanları büyük yapan şey budur.

Kariyerinizin başındaysanız, sonunda soruna gelecek olursam, hukuk ya da tıp fakültesinden yeni çıkmış birine veya iletişim alanında lisans yapıp ilk pazarlama işine başlayan birine baktığımızda değerli olan şey onların bildikleri değildir. Bilgiyi onlardan kiralıyoruz ki kıdemli insanlar olarak bunu kendimiz yapmak zorunda kalmayalım. Dava hazırlığı yap, sözleşmeleri incele, acil serviste asistan olarak çalışarak zamanını doldur; çünkü bütün hastaları aynı anda ben karşılayamam.

Benim sana yapacağım şey hukuku öğretmek değil, hukuk hakkında ne yapacağını öğretmek. Kariyerimin başında böyle bir deneyim yaşadım. New York’ta büyük şirketlerin baş hukuk müşavirleri ve kurum içi hukuk departmanı başkanları için özel bir etkinlikte konuşma yaptım.

İçlerinden biri yanıma gelip işe alımdan sonraki ilk iki haftayı boş tuttuğunu söyledi. Çünkü herkes hukuk fakültesinden aynı dönemde mezun oluyordu ve yalnızca seçkin performans gösterenleri işe alıyorlardı. İlk iki haftayı, hatta ilk ayın son iki haftasını yeni işe alınanların gelip şirketin dâhil olduğu her sözleşmeyi okuyabilmesi için ayırıyordu.

Bu gençlerin hepsi seçkin okullardan gelen aşırı başarılı insanlardı. Her şeyi okuyorlardı. Sonra patronlarıyla bir saatlik görüşme ayarlayıp şöyle diyorlardı: “Bu inanılmaz. Tüm sözleşmeleri okudum ve burada bir hata buldum. Bunu yapabilir, bu rakipten yararlanabilir ve başka şeyler gerçekleştirebiliriz.”

Onlara yaklaşık yarım saat verip her şeyi gözden geçiriyordu, sonra da “Harika, zaman ayırmışsın, ama bunu yapmayacağız çünkü yanlış” diyordu. Birincisi, bunu onlara yaparsak onlar da bize aynısını yapardı. Bu kusurların orada olduğunu zaten biliyorlardı. Orada olmaları arzu edilir değil, ama farkındaydılar.

Önemli olan bunlarla ne yaptığın. Artık senin görevin bu. Hayatının geri kalanında haftada 80 saat dava incelemek istemiyorsun. Bir gün kararlar vermek isteyeceksin. Karar vermek için hem içtihat hukukunu hem de onunla ne yapacağını bilmen gerekiyor.

Bir şeyleri bilmen ve anlaman gerekiyor. İnsanların kariyerlerinden bir şeyleri bilme kısmını çıkarırsak nasıl anlayacaklar? Nasıl uygulayacaklar? İnsanlar sihirli biçimde hazır hâle gelmeyecek.

Bir istisna olabilir: YouTube ve TikTok içerik üreticileri topluluğu. Bir çocuk gelip üretmeye başlıyor, milyonlarca kişiden çok küçük bir kısmı bağlantı kuruyor ve bir anda etkileyici oluyor. Bu, kariyerlerin geleceği mi? Bir milyon insanın kendini farklılaşmış bir ağa atıp her şeyi kendi başına çözmesi ve çok az kişinin seçilerek devam etmesi mi?

Bence kariyerlerin nasıl kurulacağına dair içerik üreticisi topluluğu vizyonunu istemiyoruz. Çünkü bu büyük ölçüde bir piyango bileti. Başarıyı öngören şeyin işin kalitesi olduğuna dair çok fazla kanıt yok. Şans, çok şans, sıkı çalışma ve şans var. Toplumsal ve ekonomik açıdan kötü olduğu için bunun çalışma biçimi olmaması gerekir.

İyi haber şu: En akıllı karar, yapay zekâ tabloyu analiz ettikten sonra sizin karar vermenizle alınmıyor. Siz ve yapay zekâ tabloyu birlikte analiz edip “Hayır, şunu deneyelim. Bunu yapalım. Ya şöyle yapsaydık?” dediğinizde alınıyor. Sonra bir anda anlıyorsunuz.

Bu, geleneksel anlamda tek başınıza tablo üzerinde çalışmaktan daha verimli. Yapay zekâ rutinleri yazabilir ve sizin yapmak zorunda kalacağınız testleri gerçekleştirebilir. Bu gerçekten işleri hızlandırabilir.

Ancak bunun işe yaramasının nedeni sizin sürecin bir parçası olmanız. Analiz sürecinin etkin bir parçası olarak yineleme yapıyorsunuz. Onu dış kaynak olarak devretmiyorsunuz. Bazı işler yapay zekâ işi, bazı işler insan işi değildir. Çalışma artık ortak iştir. Yapay zekâ at gibi davranıp at işlerini yapmıyor. Biz siborglarız.

Her şey birleşik bir iştir. Biraz hızlandırır, ancak işin kalitesi dönüşür ve herkese öğrenme fırsatı verir.

David Rice: Burada açılacak çok şey var. Ancak hep şuna dönüyorum: Senin de söylediğin gibi, dünyanın bağlamına sahip değil. İnsan deneyiminin bağlamına sahip değil. Pratik muhakeme zaman içinde, rolünü, iş yerini ya da yöneticini nasıl görmeye başladığını etkileyen küçük deneyimler aracılığıyla oluşuyor.

Benim büyük endişem, bir insanın bu şekilde büyümesi için gereken sürecin kaybedilmesi. Bunun abartılı olup olmadığını bilmiyorum.

Vivienne Ming: İlginç görünen bir paradoks var. Teknik bir bilim insanı için ilginç, insanlığın geleceği için değil.

Yapay zekâ araştırmalarının en uzun süredir ve en derin biçimde yürütüldüğü alanlardan biri eğitim. İnsanlar uzun zamandır yapay zekâ öğretmenleri geliştiriyor. Yapay zekâ öğretmenleriyle ilgili, en gelişmiş büyük dil modelleriyle bile tekrarlanan altın bir kural var: Öğretmen öğrenciye cevabı verirse öğrenci hiçbir şey öğrenmiyor.

MIT’te yakın zamanda yapılan çalışmalar ve Anthropic içindeki bazı araştırmalar da bunu destekliyor. Kariyerin başında, büyük dil modeli sana cevapları veriyorsa, elli yıllık araştırmadan yaptığım çıkarıma göre işini nasıl yapacağını ya da bu konuda daha adil ve dürüst olmayı asla öğrenemezsin. Çoğu insan asla öğrenemez.

Bazı insanlar derine inecek ve etkileşim kuracak. Bunu zaten görüyoruz; varsayılan olarak bunu yapanlar küçük bir azınlık. Paradoks şu: En iyi yapay zekâ öğretmeni öğrencilere cevapları asla vermez. Bunu yapabilecek kapasitededir ama yapmaz. Önce düşünmelerini bile zorunlu kılmaz.

Bu tamamen Sokrates’tir. “Bu konuda ne düşünüyorsun? Sorunu nasıl çözerdin? Bu makaleyi okudun mu? Bu kişinin sorun hakkında söylediklerini dinledin mi?” Bu rastgele değil. Büyük dil modelleri, kişiyi kendi içgörüsüne yönlendiriyor. Cevabı doğrudan vermiyor.

Öğrenciler cevabı kendileri üretmek zorunda kalıyor. Büyük dil modeli de onları bu anlara taşımak için bir iskele görevi görüyor.

Bu, nöroprotezler ve siborglar etrafındaki kendi çalışmalarıma ve tutkularıma bağlanıyor. Teknoloji bizi yalnızca onu kullanırken daha iyi hâle getirmemeli. Yapay zekâ kullanırken ortalama olarak daha yaratıcı olduğumuzu, daha iyi yazdığımızı ve daha fazla fikir ürettiğimizi gösteren birçok bulgu var. En iyi insanlar değil, ortalama insanlar yapay zekâyla etkileşimden faydalanıyor.

Ancak onu kullanırken daha iyi olmakla kalmamalı, kapattığımızda başladığımızdan daha iyi olmalıyız. Benim araştırmalarım da dâhil olmak üzere çok sayıda araştırma bunun doğru olmadığını gösteriyor. Büyük dil modeliyle ya da genel olarak üretken bir modelle etkileşime giren ortalama insan, bu araçları kullanarak gerçekleştirmeye çalıştığı şeylerde daha kötü hâle geliyor.

Bunun böyle olması gerekmiyor. Burada kötü olan yapay zekâ değil; sorun bizimle arasındaki etkileşim. Bunu düzeltebilirsek sonuç farklı olabilir.

Arz tarafında cevapları vermeyen yapay zekâlar inşa edebiliriz. Talep tarafında ise insan sermayesini güçlendirebiliriz; böylece Poly Market deneyimde olduğu gibi insanlar derine inmeyi ve etkileşim kurmayı seçer. Bunu üniversite öğrencilerinin yüzde 10’undan biraz azında kendiliğinden görüyoruz. Ya bunu yüzde 20’ye veya 50’ye çıkarabilirsek?

Herkesin bunu yapacağını düşünmüyorum. Ancak yapay zekâyı size istediğinizi değil, daha iyi olmanız için ihtiyaç duyduğunuz şeyi verecek şekilde tasarlayabilirsek? Benim için bunun arkasındaki etik bu.

David Rice: Daha önce konuştuğumuzda “Jiffy Lube ekonomisi” ifadesini kullanmıştın. Bunu bir tür mesleklerin değersizleştirilmesi gibi düşündüm. Ne demek istediğini anlatır mısın?

Vivienne Ming: Bunun Sanayi Devrimi’ne benzeyip benzemediğinden söz ederken şunlardan biri söyleniyor: Yapay zekâ, yok ettiğinden daha fazla iş yaratacak. Tıpkı dokuma tezgâhlarının, Hindistan ve Çin ekonomilerini harap ettikten yüz yıl sonra hızlı moda endüstrisinin doğmasına yol açması gibi.

Ancak tarihin bu anına ne olacak? Teoride yapay zekânın yok ettiğinden çok daha fazla iş yaratması gerektiğine katılıyorum. Yapay zekâyı fabrika hattından, dokuma tezgâhından, buhar makinesinden ve tarihteki diğer büyük icatlardan farklı kılan şey şu: Yeni işi ürettiği anda, bu iş düzenli ve ekonomik olarak değerliyse, ne kadar karmaşık olursa olsun, gelişmiş bir derece gerektirse bile altı ay içinde o işi yapacak bir yapay zekâ ortaya çıkacak.

Dolayısıyla soru, yok ettiğinden daha fazla iş yaratıp yaratmayacağı değil. Yaratacak. Soru, yapay zekânın kendi başına yapamayacağı işler için kimlerin nitelikli olacağı. Şu anda bu sayı endişe verici biçimde az.

Bu, uzun vadeli vaat olan yapay zekâ ile ilgili bir kandırmacaydı. Her doktoru, hatta aile hekiminizi düşünün. Ona gidip her şeyi teşhis edebilecek, akıllı saatinizin verilerini ve sağlık kayıtlarınızı toplayacak ve süper doktorlara sahip olacaktık. Kavramsal olarak mümkün. Kolektif hibrit zekânın en iyi çalışmalarından bazıları tanı ve tıp alanında ve bu son derece heyecan verici.

Ancak yaptığımız şey bu mu, yoksa Jiffy Lube kolonoskopisi mi? Lise diplomasına ve her gün işe gelmesini sağlayacak kadar sorumluluk duygusuna sahip bir çocuk sizi bilgisayara bağlıyor. Bunu yapacak bir robot üretmek ekonomik değil, ancak pahalı bir doktor yerine alt orta sınıf ücretinin maliyetiyle kolonoskopi yapılıyor ve maliyetin yüzde 20’sine değerin yüzde 80’ini alıyorsunuz.

Birçok finans yöneticisi bunu büyük bir kazanım olarak görür. Burada işlerin ortadan kalktığını değil, işlerin profesyonellikten çıkarıldığını görüyoruz. Yapay zekânın işi yapmaya değer olmaması nedeniyle çok sayıda düşük beceri gerektiren iş yaratılabilir. Bir işinizin yalnızca onu yapacak bir robot üretmeye değmediği için var olması toplumdaki ne kadar derin bir bölünme.

David Rice: Bu ağır. Günümüzde artırmadan çok söz ediyoruz ve birçok insan yapay zekâdan bunu istiyor. Ancak bu çoğu zaman bilişsel otomasyon diyebileceğimiz şeye kayıyor. Bilişsel otomasyon ile bilişsel güçlendirme arasındaki fark nedir ve bu ayrım bugün liderlik açısından neden önemli?

Vivienne Ming: Bilişsel sinirbilim açısından çok teknik yanıtı mı istiyorsun? Beyninizin hangi bölümleri etkinleşiyor? Beyninizi gerçekten kullanıyorsanız çaba harcarsınız. Bizi insan yapan şeyleri, özellikle prefrontal lobu kullanıyorsanız, yoğun bir etkinlik görürsünüz. Duyguları yönetir, karmaşık bilişsel sorunlarla ilgilenir ve zaman içinde planlama yaparsınız.

Sinirbilimde gama etkinliği dediğimiz bir şey var. Zor düşündüğünüzü gösteren yüksek frekanslı hücresel etkinlik. Daha önce kısaca değindiğim MIT çalışmasında, deneme yazmak için büyük dil modellerini kullanan öğrencilerde bu etkinliğin bir göstergesinin, yalnızca Google kullanan ya da hiçbir şey kullanmayan öğrencilerle karşılaştırıldığında belirgin biçimde azaldığı görüldü.

Hiçbir şey kullanmayan öğrenciler konu hakkında yoğun biçimde düşünmek zorundaydı. Denemelerindeki noktalama daha kötüydü ve yazı kalitesi biraz daha düşüktü, ancak beyinlerindeki gama etkinliğinin bu göstergesinde daha yüksek etkinlik görüldü. Daha sonra ne yazdıklarını biliyor ve metnin sahibi olduklarını hissediyorlardı. Büyük dil modeli kullananlar ise yazdıkları varsayılan şeylerin neredeyse hiçbirini alıntılayamıyordu. Bunun kendi sözleri olduğunu gerçekten hissetmiyorlardı.

İlginç biçimde, bağlantılı bir çalışmada bu denemelerin üçüncü taraflar açısından daha az ikna edici olduğu görüldü.

Bilişsel güçlendirme ile otomasyona baktığımızda, neredeyse herkesin hayatının bir döneminde kullandığı GPS navigasyonunu düşünelim. Modern dünyada oldukça yaygın. Yıllarca sinirbilimciler Londra taksicilerini inceledi. Tüm adresleri ve sokakların akışını ezberlemek zorundaydılar. Her şeyi biliyorlardı ve olağanüstü hafızalara sahip oldukları ortaya çıktı.

Hafızayla ilgili beyin bölgesi olan hipokampusları normun çok dışındaydı. Ayrıca hayatlarının ilerleyen dönemlerinde daha sağlıklı bilişsel yaşamlar sürdürdüler. Şimdi bir Uber’e ya da Lyft’e biniyorsunuz ve sürücüler neredeyse her zaman yalnızca haritayı takip ediyor.

Haritayı kullandıklarında kullanmadıkları zamandan daha iyiler. Ben de daha önce hiç bulunmadığım bir şehre gittiğimde Google Haritalar’ı kullanıyorum. Araba kullanmayı değil yürümeyi seviyorum; böylece şehri tanıyabiliyorum. Ancak yaklaşık 15 yıl önce otomatik navigasyon kullanımının demans oranlarını nedensel olarak artıracağını öngördüm.

Çünkü artık bunun hakkında düşünmeniz gerekmiyor. Sözünü ettiğim etkin frontal faaliyet, yalnızca haritayı takip eden kişide bulunmuyor. Teknolojiyi kullanırken daha iyiyim, ancak oraya vardığımda daha kötü olduğuma dair artık ampirik kanıtlar var. Beyninizi kullanmayarak gelecekteki bilişsel sağlığınızı çalmış oluyorsunuz.

Bilişsel otomasyon beni oraya götürdü. Bilişsel güçlendirme ise oraya ulaşmam için ihtiyaç duyduğum şeyi bana verecekti. UC Berkeley’deki sınıfıma bu konuyla ilgili bir ödev veriyorum. Google Haritalar’ı, Waze’i ya da Apple’ın uygulamasını, yalnızca istediğiniz yere götürmekle kalmayıp vardığınızda başladığınızdan daha iyi olmanızı sağlayacak şekilde nasıl yeniden tasarlardınız?

Google Haritalar yüzünden kendinize zarar veriyor musunuz? Muhtemelen bir düzeyde biraz. Ancak herkes farklı olduğu için bunu genel sonuçlarda göstermek zor. Benim sürekli yaptığım basit bir şey var. Google Haritalar’ı açıyorum ve süpermarkete gideceğimi söylüyorum. Bana yol tarifi veriyor, sonra da benzersiz olarak bildiğim şeyleri kullanarak ondan daha iyi bir rota buluyorum.

Berkeley, California, Los Angeles, Londra ya da başka bir şehir hakkında ne biliyorum? Öneriyi nereye uygulayabileceğimi ve trafik düzenlerini biliyorum. Sonra düşünüyorum: “Ama bana yaptırmak istediği sol dönüşün felaket olacağını biliyorum, çünkü bir Bears maçı var.” Ya da halka açık bir avludan geçebileceğimi biliyorum; burası bir cadde olmadığı için haritada yok.

Beynimden yararlanırken yapay zekâdan da faydalanıyorum. Bu, bilişsel güçlendirme. Beynim kullanılıyor ama yapay zekâdan yararlanıyorum. Yapay zekâ sistemlerini bizi güçlendirecek ve daha iyi hâle getirecek şekilde açıkça tasarlayabileceğimizi biliyoruz.

Ancak bu, ortalama büyük dil modelinin şu anki varsayılan tasarımı değil.

David Rice: Birkaç yıl önce şehir değiştirdim ve kafamda içsel bir harita oluşturmakta kararlıydım. Birkaç ay sonra kullanmayı bırakacağımı söyledim. Ancak hâlâ şu amaçla kullanmanın iyi olduğunu fark ettim: Bu yoldan ya da şu yoldan gidebilirim, ama şu anda hangisi daha hızlı? Ona bunu sorduktan sonra yoluma devam ediyorum.

Vivienne Ming: Yolu kendin buluyorsun. Portekiz’de gastroenterologlarla yapılan bir araştırmadan daha önce kısaca söz etmiştim. Bağırsaklarınızı inceleyen doktorlar, yapay zekâ destekli bir sistemle kolonoskopi yapan kişilerin yapay zekâ kapatıldığında, sistemi kullanmadan önceki hâllerinden belirgin biçimde daha kötü performans gösterdiğini buldu.

Kullanırken daha iyi olmaları, ancak sonrasında belirgin biçimde kötüleşmeleri durumunda tipik yanıt “Kullanırken daha iyiler ve bu yeterli” oluyor. Ancak becerilerini aşındırıyorsa uzun vadeli gerileme görebilirsiniz.

Yapay ve insan zekâsı farklı türde hatalar yapar ve farklı güçlü yönlere sahiptir. Beyninizi yapay zekâya devrediyorsanız bilişsel otomasyon yapıyorsunuz ve artık bu farklardan yararlanmıyorsunuz. İnsanlara özgü “İçimde kötü bir his var” deme kapasitesini kullanmıyorsunuz.

“Bu polip şüpheli görünüyor, yapay zekâ sorun olmadığını söylese bile onu alacağım” diyemiyorsunuz. İnsan ve yapay zekânın hibrit zekâ alanı tam da bu etkileşimle ve farklı güçlü yönlerden yararlanmakla ortaya çıkıyor.

Otomasyonda bunların hiçbirini elde edemezsiniz.

David Rice: Vivienne, bu büyüleyici bir sohbetti. Bugün bize katıldığın için teşekkür ederim. Beyin ve yapay zekâ çevresinde gerçekten yaşananları, onunla nasıl etkileşim kurduğumuzu ve uzun vadeli etkilerin ne olabileceğini konuşmayı seviyorum.

Vivienne Ming: Burada olmaktan memnuniyet duydum. Size tek bir şey söyleyerek ayrılacaksam, kolektif zekâ, insan ve yapay zekâ hakkında konuştuğumda burada önem taşıyacak insanların liderler olduğunu düşünüyorum. Bunun tembel versiyonunu seçer ve insanları ikame etmek için kullanırsanız üretkenliğiniz kısa vadede artar, ancak uzun vadede kayıp yaşarsınız.

İnsan sermayesine yatırım yapmaya istekli olursanız gerçek getiriler görürsünüz. Ancak bu cesaret gerektirir. Bunu gerçekleştirmek için şirketiniz içinde bir miktar siyasi sermaye harcamaya istekli olmalısınız.

David Rice: Kesinlikle. Geçen hafta bir konuşma yaptım ve insan kaynakları liderlerine, bu sektöre mutlaka felsefi konuşmalar yapmak için girmediklerini bildiğimi söyledim. Ancak artık böyle bir konuşma yapma zamanı.

Hepimiz yapmak zorunda kalacağız. Durum böyle. Buna alışın. Bize katıldığınız ve bu son notu paylaştığınız için teşekkürler.

Vivienne Ming: Büyük bir zevkti. Çok teşekkürler.

David Rice: Dinleyiciler, henüz yapmadıysanız bültene kaydolduğunuzdan emin olun. peoplemanagingpeople.com adresine gidip göz atın. Ayrıca incelemek isteyebileceğiniz Yapay Zekâ Dönüşüm Gezgini’miz de var. Bizimle ücretsiz bir hesap oluşturmadıysanız bunu yapın. Böylece Dönüşüm Gezgini’ne erişebilirsiniz.

Bir sonraki buluşmamıza kadar, bu süreci şekillendiren insan sizsiniz ve yolu siz açıyorsunuz.