Çıraklığın Sessiz İflası: Bilişsel Hamallığın Otomasyonu Neden Ustalığı Bitirir?

Stanford Dijital Ekonomi Laboratuvarı direktörü Erik Brynjolfsson ve ekibinin ADP bordro kayıtları üzerinden yürüttüğü işgücü analizleri, 2022 yılının son çeyreğinden 2026 yılına uzanan dönemde dikkat çekici bir yarılmaya işaret ediyor. Amerika Birleşik Devletleri’nde üretken yapay zeka araçlarına en açık bilişsel sektörlerde, 22 ile 25 yaş arasındaki başlangıç seviyesi yazılım geliştiricilerin istihdamı yüzde 19 ile 20 oranında daraldı. Aynı sektörlerde, aynı zaman diliminde 35 ile 49 yaş aralığındaki kıdemli çalışanların istihdamı ise yüzde 9 ile 14 arasında artış gösterdi. Benzer bir kırılma işe alım ilanlarında da belgelendi; SignalFire verilerine göre teknoloji şirketlerinin yeni mezunlara yönelik açtığı giriş pozisyonları 2023 ile 2024 yılları arasında yüzde 67 oranında eridi.

Mevcut tablo, popüler kültürün iddia ettiği gibi yapay zekanın meslekleri yatay bir biçimde yutmadığını gösteriyor. Şirketler kıdemli mühendislerini, kıdemli avukatlarını ya da uzman hekimlerini işten çıkarmıyor. Aksine onların yetkinliğini algoritmik araçlarla destekleyerek çıktılarını katlıyor. Yıkım, merdivenin en üstünde değil, tam tabanında yaşanıyor. Şirketler artık çırak istihdam etmiyor.

Bu tercihin arkasındaki doğrudan sebep son derece yalındır. Giriş seviyesindeki bir uzmanın eğitimi kuruma ilk on iki ila on sekiz ay boyunca net maliyet getirir; kıdemlinin mesaisini tüketir, taslak metinlerde hatalar üretir ve sürekli denetim ister. Üretken modeller ise rutin içtihat taramasını, temel kod yazımını veya veri ayıklamayı saniyeler içinde, sıfır eğitim maliyetiyle teslim eder.

Ne var ki kısa vadede şirket bilançolarını hafifleten bu rasyonellik, uzun vadede endüstrilerin üzerine çökecek sessiz bir felaketi örgütlüyor. İnsan zihni karmaşık mesleki muhakemeyi kural kitaplarını ezberleyerek değil, binlerce saatlik “bilişsel hamallığın” pürüzleriyle yoğrularak inşa eder. Çıraklık basamağının yok edilmesi, yapay zekanın ürettiği sofistike hataları fark edecek ve yarın o sistemleri denetleyecek insan aklının kuluçka merkezini ortadan kaldırmaktadır.

Kural Kitabının Bittiği Yer: Zımni Bilginin Doğası

Bir kurum için acemi bir çalışanın yaptığı işi yapay zekaya devretmek ilk bakışta kayıpsız bir takas gibi durur. Neticede stajyer avukatın yaptığı yüz elli sayfalık şirket birleşmesi sözleşmesini okuyup standart maddeleri işaretlemek, yazılımcı adayının yaptığı ise önceden tanımlanmış kütüphaneleri çağırıp basit fonksiyonlar bağlamaktır. Bunlar mekanik, kuralları baştan konmuş ve yaratıcılık barındırmayan angaryalar olarak etiketlenir.

Fakat bilişsel bilim ve felsefe, bu angaryanın arkasında görünmeyen devasa bir zihinsel inşa süreci olduğunu kanıtlar. Macar asıllı filozof ve kimyager Michael Polanyi, 1966 yılında Doubleday tarafından yayımlanan The Tacit Dimension adlı yapıtında insan bilgisinin merkezine şu meşhur ilkeyi yerleştirir:

“Anlatabileceğimizden çok daha fazlasını biliriz.”— Michael Polanyi, The Tacit Dimension (1966)

Polanyi, insan zihninin edindiği bilgiyi ikiye ayırır: Açık bilgi (fomüle edilebilen, metne dökülebilen, kurallarla aktarılabilen ilkeler) ve zımni bilgi (yalnızca eylem içinde edinilen, kelimelere dökülemeyen sezgisel kavrayış). Bir cerrahın neşteri dokuya bastırırken uyguladığı kuvvetin derecesi bir tıp kitabında santimetrekareye düşen gram cinsinden anlatılamaz. O his, yüzlerce operasyonda dokunun direncini parmak uçlarıyla hissederek kazanılır.

Aynı ilke zihinsel emek için de geçerlidir. Kıdemli bir yazılım mimarı, bin satırlık bir mimari tasarımın neden üç ay sonra kilitleneceğini sadece teknik el kitaplarına bakarak anlamaz. Bu sezgi, mesleğinin ilk yıllarında yüzlerce saat boyunca hatalı kod satırlarını ayıklarken, anlamsız veri tabanı kilitlenmelerini çözerken zihnine kazınan örtük örüntülerin sonucudur.

Hubert Dreyfus ve Stuart Dreyfus kardeşlerin 1986 tarihli Mind Over Machine çalışmasında sundukları beceri edinim modeli, acemilikten ustalığa giden yolu beş aşamada tanımlar: Acemi, ileri acemi, yetkin, mahir ve uzman. Dreyfus modelinde acemi birey katı kuralları takip etmek zorundadır. Ancak dördüncü ve beşinci basamağa ulaşan bir uzman, kuralları tamamen zihninin arka planına iter ve durumsal örüntü tanıma ile anlık kararlar alır.

Uzman, durumu analiz etmez; durumu doğrudan kavrar.

İşte yapay zekanın görünmez tuzağı bu kavrayış mekanizmasını tam kalbinden vurur.

Modeller, aceminin kurallarla yaptığı işi kusursuz taklit eder. Kurumlar bu işi yapay zekaya devrettiğinde, aceminin Dreyfus modelindeki ilk üç basamakta pişmesini sağlayan deneyim alanı fiziksel olarak silinir. Çıraklık yapmayan bir zihin, doğrudan beşinci basamaktaki uzmanlık sezgisine sıçrayamaz. Çünkü sezgi, kuralların değil, bizzat kuralların yetersiz kaldığı yüzlerce hatanın tortusudur.

Otomasyonun İronisi: 38 Bin Fitteki Sessizlik

Yapay zekanın çıraklık basamağını silmesinin pratikte ne tür bir kırılganlık üreteceğini anlamak için bilgisayar ekranlarından uzaklaşıp havacılık tarihinin en çok incelenen kazalarından birine bakmak gerekir. Havacılık, insan emeğinin karmaşık algoritmik denetleyicilerle ikame edilmesini yarım yüzyıl önce deneyimlemiş en somut laboratuvardır.

1 Haziran 2009 gecesi, Air France firmasına ait 447 sefer sayılı Airbus A330 tipi yolcu uçağı, Rio de Janeiro’dan Paris’e gitmek üzere Atlantik Okyanusu üzerindeydi. Uçak, dönemin en gelişmiş fly-by-wire otomatik uçuş mimarisine sahipti. Gece yarısı fırtına hattına girildiğinde, uçağın burnundaki pirinç alaşımlı pitot tüpleri aşırı soğuk nedeniyle oluşan buz kristalleriyle geçici olarak tıkandı. Uçuş bilgisayarları hava sürati bilgisini doğru alamayınca tasarım gereği bir alarm verdi ve otopilotu devreden çıkararak manuel kontrolü kokpite devretti.

Kumandada 32 yaşındaki yardımcı pilot Pierre-Cédric Bonin bulunuyordu. Bonin, yüzlerce saatlik uçuş deneyimine sahipti; fakat bu deneyimin neredeyse tamamı otopilotun gözetiminde, uçağın parametreleri kusursuz dengelediği cam kokpit ekranlarını izleyerek geçmişti.

Pitot tüplerinin donması sadece birkaç saniye süren geçici bir arızaydı. Otopilot devreden çıktığında yapılması gereken tek şey, uçağın burnunu sabit tutmak ve motor gücünü korumaktı. Ancak Bonin, uçağın gerçek süratini gösteren referans kaybolduğunda ve perdövites (stall) alarmı kokpiti inletmeye başladığında, en ilkel refleksine yenildi: Önündeki yan kumanda kolunu (side-stick) sonuna kadar geriye doğru çekti.

Burnu yukarı kalkan uçak sürat kaybetti ve 38 bin fitten okyanusa doğru kontrolsüz bir biçimde düşmeye başladı. Uçuş kayıt cihazları, Bonin’in düşüş boyunca kolu geriye çekmeye devam ettiğini, temel aerodinamik prensiplerin gerektirdiği gibi burnu aşağı itip kanatlara hava akışını yeniden kazandırmayı akıl edemediğini belgeledi. Uçak üç dakika otuz saniye içinde okyanus yüzeyine çarptı; 228 kişi hayatını kaybetti.

Fransız Sivil Havacılık Güvenlik Soruşturma Bürosu (BEA) nihai raporunda, kazanın temel nedeninin mekanik bir arıza değil, pilotların yüksek otomasyon karşısında körelen temel manuel uçuş refleksleri olduğunu kaydetti.

Bu trajedi münferit bir pilotaj hatası değildir. Bilişsel psikolog Lisanne Bainbridge’in 1983 yılında Automatica dergisinde yayımladığı ve günümüz yapay zeka tartışmalarına doğrudan ışık tutan Ironies of Automation (Otomasyonun İronileri) başlıklı klasik makalesinin kusursuz bir kanıtıdır.

Bainbridge, makalesinde mühendislerin ve sistem tasarımcılarının içine düştüğü temel çelişkiyi tanımlar:

“Otomasyonun temel ironisi şudur: Tasarımcı, insan operatörü güvenilmez ve yavaş olduğu için rutin görevlerden çıkarır; ancak sistemin nasıl çözüleceğini henüz bilemediği olağanüstü durumları ve kriz yönetimini yine aynı insana bırakır. Fakat rutin işlerden soyutlanan insan operatör, sisteme dair zihinsel modelini taze tutamaz ve pratik reflekslerini kaybeder. Dolayısıyla tam da makinenin çöktüğü ve en yüksek insan uzmanlığının gerektiği kriz anında, operatör o müdahaleyi yapabilecek en yetersiz duruma düşürülmüş olur.”— Lisanne Bainbridge, Ironies of Automation (1983)

Bainbridge’in uyarısı bugün yazılım ofislerinde, araştırma hastanelerinde ve finans kurumlarında birebir tekrarlanmaktadır. Bir yazılımcı veya analist, kod tabanının en dipteki pürüzleriyle boğuşmadığında, sözleşmelerin sıkıcı dipnotlarını elle ayıklamadığında ya da bir röntgen filmini saatlerce incelemediğinde sistem sorunsuz görünür. Yapay zeka çıktıyı saniyeler içinde verir. Ancak model halüsinasyon gördüğünde, mimari bir güvenlik açığı bıraktığında veya tıp dilinde nadir görülen bir anomalide bocaladığında, masada oturan insan artık o arızayı fark edecek sezgisel donanıma sahip değildir.

İnsan, denetleyici konumuna getirilmiştir; ancak denetleyeceği sürecin hamurunu yoğurmadığı için bir noter onaylayıcısından öteye geçemez.

Hızlandırılmış Çıraklık Bir Çözüm mü?

Bu yapısal eleştiriye karşı teknoloji iktisatçılarının öne sürdüğü güçlü bir karşı sav bulunmaktadır. Erik Brynjolfsson, Danielle Li ve Lindsey R. Raymond’un 2023 yılında Ulusal Ekonomik Araştırma Bürosu (NBER) bünyesinde yayımladıkları çalışma, beş binden fazla müşteri destek çalışanının üretken yapay zeka kullanımını mercek altına aldı.

Araştırma çarpıcı bir sonuç üretti: Yapay zeka araçları kıdemli ve tecrübeli personelin üretkenliğini yalnızca yüzde 14 civarında artırırken, en düşük deneyime sahip yeni işe başlamış personelin üretkenliğini yüzde 34 oranında yükseltti. Üstelik acemi çalışanların müşteri problemlerini çözme kalitesi, aylar süren bir eğitim sürecinden geçmiş gibi hızla yukarı tırmandı.

Bu bulguya dayanan iyimser yaklaşım şunu iddia eder: Yapay zeka çıraklığı öldürmemektedir; bilakis çıraklık sürecini radikal biçimde hızlandırmaktadır. Model, şirketteki en parlak kıdemlilerin konuşma tarzlarını, problem çözme taktiklerini ve bilgi havuzunu anında sentezleyip aceminin ekranına getirmektedir. Dolayısıyla acemi bir çalışan, ustanın yanında yıllarca dosya taşımak zorunda kalmadan, yapay zekanın sağladığı zihinsel iskele sayesinde birkaç haftada yetkin bir operatör haline gelmektedir.

Bu sav kısa vadeli görev performansı açısından gerçektir; ancak uzmanlık felsefesi açısından tehlikeli bir yanılsamayı gizler.

Bir görevde doğru cevabı hızla üretmek ile o cevabın neden doğru olduğunu ve hangi bağlamda felakete yol açabileceğini kavramak aynı şey değildir. NBER araştırmasındaki çalışanlar bağımsız birer uzman haline gelmemiştir; yalnızca modelin önerdiği şablonları daha az hata ile seçen verimli arayüz kullanıcılarına dönüşmüştür.

Acemiye hazır bir zihinsel yapı sunulduğunda, çalışan o yapının iç mantığını keşfetme zahmetinden muaf tutulur. Zihinsel çaba, pürüz ve direnç ortadan kalktığında öğrenme yüzeyselleşir. Bir cerrahın robotik kollarla ameliyat yapması verimi artırabilir; ancak robotik sistem elektrik kestiğinde hastanın kanamasını durduracak el becerisi, simülatör ekranındaki düğmelere basarak değil, kadavranın dokusuyla kurulan fiziksel temasla inşa edilir.

Hızlandırılmış çıraklık tezi, işlemi hızlandırırken zihinsel kökleşmeyi budamaktadır. İnsanlar daha hızlı sonuç almakta, fakat daha az anlamaktadır.

Kurumsal Yamyamlık ve Ortak Malların Trajedisi

Kurumların giriş seviyesi pozisyonları budaması, iktisat literatüründe “ortak malların trajedisi” olarak bilinen felaketin bilişsel bir kopyasını yaratır. Bireysel olarak her bir şirketin stajyer bütçesini kısıp yapay zekaya yatırım yapması hissedarlar açısından son derece rasyonel bir karardır. 2024 yılında yapılan bir İşe Alım Yöneticileri Anketi’nde yöneticilerin yüzde 70’i yapay zekanın bir stajyerin yapabileceği işi tek başına yapabileceğine inandığını, yüzde 57’si ise yapay zekanın ürettiği ilk taslağa yeni mezun bir insandan daha çok güvendiğini belirtmiştir.

Fakat her şirket stajyer yetiştirmeyi bırakıp sadece piyasada halihazırda bulunan kıdemli personeli istihdam etmeye odaklandığında, endüstrinin insan kaynağı havuzu kurumaya başlar. Şirketler, geçmiş sistemlerin yetiştirdiği kıdemlileri tüketirken, geleceğin kıdemlilerini üretecek toprağı nadasa bırakmamakta, doğrudan beton dökmektedir.

Bu kurumsal bir yamyamlıktır. Mevcut uzmanlık sermayesi afiyetle yenmekte, ancak yerine yeni sermaye konmamaktadır.

Tarihsel açıdan bakıldığında, çıraklığın piyasanın anlık kâr hırsına terk edilemeyecek kadar hayati bir toplumsal altyapı olduğu yüzyıllar önce anlaşılmıştı. İngiltere’de Kraliçe 1. Elizabeth döneminde, 1563 yılında yürürlüğe giren Zanaatkarlar Yasası (Statute of Artificers), bir zanaatı icra etmek isteyen herkes için yedi yıllık katı bir çıraklık sürecini zorunlu kılıyordu. Yasa, bir ustanın çalıştırabileceği çırak sayısını sınırlandırıyor, çırağın beslenme ve eğitim hakkını yasal teminat altına alıyordu. 1814 yılına kadar iki buçuk asır boyunca yürürlükte kalan bu düzenleme, ustalığın ve zanaat standartlarının korunmasını bireysel atölye sahiplerinin insafından çıkarıp kamusal bir sorumluluk haline getirmişti.

Sanayi devrimi zanaat loncalarını dağıttığında dahi, modern beyaz yakalı meslekler bu korumayı gayriresmi kurumlarla sürdürdü. Hukuk bürolarındaki kıdemsiz avukatlık, hastanelerdeki asistan doktorluk ve yazılım firmalarındaki stajyerlik, 1563 yasasının modern türevleriydi. Bu basamaklar sadece iş üretmiyordu; sınıfsal hareketliliği de sağlıyordu. Üniversiteden mezun olan alt ya da orta sınıf bir genç, ilk basamağa adım atarak kıdemlilerin bilgisini soğuruyor ve toplumsal piramitte yukarı tırmanabiliyordu.

Yapay zekanın çıraklık basamağını silmesi, aynı zamanda modern meritokrasinin omurgasını kırmaktadır. Giriş basamağı buharlaştığında, mesleklere katılım yalnızca halihazırda sermayesi olanların, aileden gelen ilişkilerle staj bulabilenlerin ya da yapay zeka modellerinin mülkiyetini elinde tutan dar bir teknoloji zümresinin imtiyazına dönüşme riski taşır.

Yarının Denetleyicisi Kim Olacak?

Bugün yazılım şirketleri kıdemli bir mühendisin yanına iki junior vermek yerine, bir kod tamamlama algoritması vererek aynı işi üç kat hızlı çözüyor. Hukuk büroları yeni mezun avukatları işe almak yerine, dil modellerine sözleşme özetletiyor. Verimlilik grafikleri yukarı doğru tırmanırken, şirket içi eğitim maliyetleri sıfıra yaklaşıyor.

Ancak bu denklem, zaman faktörü devreye girdiğinde kaçınılmaz bir tıkanmaya mahkumdur.

On yıl sonra, bugünün 45 ve 55 yaşındaki uzmanları emekli olduğunda ya da sahadan çekildiğinde ne olacak? Masanın diğer tarafında, yapay zekanın ürettiği kararları sorgulayacak, onun eksik bıraktığı mimari açıkları hissedecek ve model saçmaladığında uçağın lövyesini doğru yöne itecek bir ara nesil bulunamayacaktır. Çünkü o nesil, yapılması gereken o sıkıcı, yorucu ve pürüzlü hataları hiçbir zaman yapmadı. Onlar her zaman tamamlanmış, parlatılmış ve pürüzsüzleştirilmiş sonuçlara maruz kaldılar.

Yapay zeka araçlarının sunduğu kusursuz akıcılık, insan zihnini zahmetsiz bir konfora davet ediyor. Oysa insan ustalığı, konfordan değil dirençten doğar. Bir marangoz ağacın damarını, ağaç rendeye direndiği için tanır. Bir yazar dilin sınırlarını, kelimeler zihnindeki imgeyi karşılamakta yetersiz kaldığı için keşfeder. Bilişsel hamallığı ortadan kaldırmak, zihni bu kurucu dirençten mahrum bırakmaktır.

Sonuç, yapay zekanın işleri tamamen ele geçirdiği bir bilimkurgu distopyası olmayacaktır. Çok daha sıradan, çok daha kırılgan bir gerçeklikle karşılaşacağız: Sistemlerin tıkır tıkır işlediği, ancak arıza anında hiç kimsenin ne yapacağını bilemediği; ekranların kusursuz metinler döktüğü, fakat o metinlerin doğruluğunu tartacak derin insan muhakemesinin yeryüzünden sessizce çekildiği bir uzmanlık kısırlığı.

Kurumlar bugün stajyer alımlarını kısarak birkaç çeyreklik bilançolarını kurtarabilirler. Ancak bunu yaparken, yarın kendilerini denetleyecek, yönetecek ve kurtaracak olan zihinsel tohumluğu kendi elleriyle tüketmektedirler. Ve bir medeniyet için tohumluk buğdayı fırına atmaktan daha tehlikeli çok az tercih vardır.