Yapay zekânın çalışanlara etkileri

Elizabet

Administrator
Yönetici
Katılım
Ocak 16, 2025
Mesajlar
145,704
Tepkime puanı
0
İzlem Gözükeleş

Dokuz yıl önce, Bilim, Sanayi ve Teknoloji Bakanlığı, kodlama dersinin ortaokul ve lise müfredatına alınması için Milli Eğitim Bakanlığı ile birlikte çalışılacaklarını duyurmuştu. O zamanlar yalnız Türkiye’de değil, tüm dünyada benzer bir eğilim vardı. Barack Obama örneğinde olduğu gibi hükümetler en üst düzeyde bu konuyla ilgileniyor, kodlama eğitimini yaygınlaştırmak için yapılan etkinliklere katılıyorlardı (https://www.whitehouse.gov/blog/2014/12/10/president-obama-first-president-write-line-code). Avrupa Birliği ülkeleri, çocukları bilgisayar programlamayla erken yaşlarda tanıştırmak için yoğun çaba gösteriyordu (http://www.euractiv.com/section/dig...coding-at-school-how-do-eu-countries-compare/). Avustralya ilkokul müfredatında tarih ve coğrafya dersleri yerini kodlamaya bırakmıştı (http://www.techtimes.com/articles/8...h-coding-in-new-primary-school-curriculum.htm).

Ülkemizde, okullarda kodlama eğitimi için bazı çalışmalar yapıldı. Kodlama eğitimi furyası devam ederken 2020 yılında “1 Milyon Yazılımcı” projesi duyuruldu. Hazine ve Maliye Bakanı Berat Albayrak, bu projeyi “tarihi bir istihdam hamlesi” olarak nitelendiriyordu. Albayrak’a göre bu proje Türkiye’ye yazılım alanında tarihi bir kapasite kazandıracaktı. Cumhurbaşkanı Recep Tayyip Erdoğan, 2022 yılındaki bir konuşmasında projenin başlangıç hedefini de aşarak 1 milyon 96 bin 566 kişinin bu program üzerinden eğitimlerini tamamladığını ve yoğun ilgi nedeniyle projeyi devam ettireceklerini söyledi (https://www.bloomberght.com/erdogan...-projesini-devam-ettirme-karari-aldik-2322198).

Aslında programcılık hakkında herhangi bir eğitimi veya tecrübesi olmayanları bu doğrultuda eğitmek için ciddi bir çaba var. Bir zamanlar 21 Günde Java, 24 Saatte Visual Basic vb. kitaplar vardı. Ama son yıllardaki eğitim kampları (boot camp) çok daha iddialı ve sıfırdan başlayanları bile kısa bir sürede belirli bir seviyenin üzerine çıkarmayı hedefliyor. Hatta reklamlar iş bulma vaadiyle yapılıyor. CourseReport’un 2020 yılında 3000 eğitim kampı mezunu ile yaptığı ankette katılımcıların yüzde 79’u kursların teknoloji alanında bir iş bulmalarına yardımcı olduğunu ve ortalama yüzde 56 maaş artışı sağladığını söylüyordu (https://www.coursereport.com/report...-outcomes-demographics-report-during-covid-19). Reklam olup olmadığını bilmiyorum ama sosyal medyada sık sık herhangi bir altyapısı olmadan programcılık öğrenen ve kısa sürede iyi bir gelir elde edenlerin başarı hikayelerini okuyoruz. Programcılık eğitim kamplarının kendisi de kazançlı bir sektör haline gelmiş durumda.

Ancak GPT (Generative Pre-trained Transformer – Üretken Önceden Eğitilmiş Dönüştürücü) teknolojisi ile beraber insanlarda programcılık mesleğinin geleceği hakkında kuşkular oluştu. Yapay öğrenme tabanlı YZ’nin (yapay zekânın) yaygınlaşması daha yavaş olmuştu. Çünkü kuruluşların yapay öğrenme modellerinin kurum içi veriler üzerinde eğitilmesini desteklemek için dijital süreçler, veriler ve altyapıdan oluşan bir temele ihtiyacı vardı. GPT ile beraber tak-çalıştır (plug-and-play) YZ teknolojisi ortaya çıktı. Böylece YZ, kullanımında çoğunlukla uzmanların belirleyici olduğu bir teknolojiden çok farklı kesimlerin çeşitli amaçlar için kullanabildiği bir teknolojiye dönüştü. GPT teknolojileriyle beraber çok kısa sürede metin ve görüntü oluşturmak ve çeşitli sorulara yanıt almak olanaklı hale geldi. Yazılım geliştiriciler, kod yazarken veya hata ayıklarken GPT araçlarından yararlanmaya başladılar. Bununla da kalmadı, GPT’lerin artık programcıların yerini alacağı iddiaları gündeme geldi. Bir zamanlar kodlama eğitimleri, ekonomik olarak güvenli bir geleceğin anahtarı olarak görülüyordu. Şimdi ise YZ dünyasında bu anahtarın hâlâ geçerli olup olmadığı sorgulanıyor. Yoksa YZ, ilk başta onu geliştirenlerin işlerini mi ellerinden alacak?

2-1.png

GHPT ile yapay zekâ, kullanımında çoğunlukla uzmanların belirleyici olduğu bir teknolojiden çok farklı kesimlerin çeşitli amaçlar için kullanabildiği bir teknolojiye dönüştü.

Örneğin 2022 yılında Google DeepMind ekibi, AlphaCode’u kodlama yarışmalarında test ettiğini ve modelin, “birkaç aydan bir yıla kadar eğitim almış acemi bir programcı” kadar iyi olduğunu savunuyordu (https://www.nytimes.com/2024/11/24/business/computer-coding-boot-camps.html). Son iki yılda, GPT’ye dayalı araçların becerileri ve yaygınlıkları daha da arttı. StackOverflow tarafından mayıs ayında yapılan ankete katılan 65.000 geliştiricinin yaklaşık yüzde 60’ı bu yıl YZ kodlama araçlarını kullandıklarını söyledi. Ancak bu, GPT’lerin programcıların yerini alabileceği anlamına gelmiyor. MIT’nin Bilgisayar Destekli Programlama Grubu’nun lideri Armando Solar-Lezama, YZ araçlarının, genç (junior) programcıların sahip olması gereken pek çok temel beceriden hâlâ yoksun olduğunu savunuyor. GPT-4 gibi büyük dil modelleri, kodla çözdükleri sorunları gerçekten anlamada yeterince başarılı değiller, bir kod parçası hakkında nasıl mantık yürütüleceğini bilemiyorlar ve bazen gülünç hatalar yapabiliyorlar (https://www.nytimes.com/2024/11/24/business/computer-coding-boot-camps.html).

Başta GPT’ler olmak üzere YZ teknolojileri yazılımın yapılış şeklini ve programcıların işleriyle kurdukları ilişkiyi değiştiriyor. Ayrıca yazılım geliştirme dışındaki mesleklerde de benzer bir değişim söz konusu. Dolayısıyla YZ’nin insanların işlerini elinden alıp almayacağı sorusunu basitçe evet veya hayır diye yanıtlamaktansa mevcut YZ’nin potansiyelini, işleri nasıl etkilediğini ve etkileyebileceğini tartışmak daha zihin açıcı olabilir.

Üretken yapay zekâ (GPT) neden farklı?
GPT, elektrik ve bilgisayar gibi genel amaçlı bir teknoloji olarak değerlendiriliyor. Ama GPT tabanlı teknolojiler ile geride bıraktığımız bilişim çağı arasında dört önemli fark var (Cruces vd., 2024). GPT teknolojisi:

– Çok hızlı benimseniyor ve büyüyor.

– Kullanımda çok daha az uzmanlığa gerek duyuyor; çok geniş ve farklı kesimler tarafından kullanılabiliyor.

– İnsan becerilerini başarılı biçimde taklit edebiliyor.

– Kapsayabileceği ülkeler arasında üretim sürecini yeniden düzenleyebilme potansiyeline sahip.

GPT’nin hangi görevler, süreçler, kuruluşlar ve ortamlar için uygun olduğu; GPT’den en iyi şekilde yararlanmak için süreçlerin nasıl yeniden tasarlanması gerektiği tartışılıyor. Bu bağlamda, en önemli tartışmalardan biri GPT’nin işleri ve çalışanları nasıl etkileyeceği. Frey ve Osborne’un (2017) “bilgisayarlaşma olasılığı” skorunu ilk kez yayınlamasından bu yana, otomasyon teknolojisinin meslekler üzerindeki potansiyel (veya teorik) etkisini ölçmeyi amaçlayan birçok çalışma yapıldı. Bu çalışmaların sonuçları zaman zaman sansasyonel haberler olarak yayımlandı ve böylece kamuoyu, YZ’nin tehdit ettiği (!) meslekler hakkında bilgi sahibi oldu. YZ’nin mesleklere etkisi hakkındaki çalışmalarda hangi araştırma yöntemlerinin kullanıldığını bilmenin söz konusu çalışmaların çıktılarını daha doğru değerlendirmeye yardımcı olacağını düşünüyorum.

Örneğin Webb (2019), patent metinlerini Mesleki Bilgi Ağı (O*NET) veri tabanındaki mesleki görev tanımlarıyla eşleştirmek için NLP kullanarak her bir mesleğin teknolojik maruziyetini (exposure) hesaplamış. O*NET (https://www.onetonline.org/), çeşitli meslekler hakkında ayrıntılı bilgi sağlayan kapsamlı bir veri tabanı ve çevrimiçi kaynak. ABD Çalışma Bakanlığı tarafından geliştiriliyor ve sürdürülüyor. O*NET’te mesleklerin icraları için gerekli bilgi, beceri ve yeteneklerin yanında görevler, iş faaliyetleri vb. tanımlayıcılar açısından işin nasıl yapıldığı da açıklanıyor. Teknolojinin mesleklere etkisi hakkındaki birçok çalışma, O*NET veri tabanından yararlanıyor.

3-1.jpg
Brynjolfsson vd. (2018), görevlerin yapay öğrenmeye maruz kalmasını değerlendirmek için O*NET’ten yararlanarak bir ölçüt geliştirmişler. Geliştirdikleri ölçütü, O*NET veri tabanındaki görevlerin daha üst düzey bir gruplandırması olan Günlük İş Aktivitelerine uygulamak için kitle kaynak kullanımından (crowdsourcing) yararlanmışlar. Felten vd. (2021), YZ mesleki maruziyet puanı oluşturmak için O*NET veri tabanından ve kitle kaynak kullanımından yararlanmış. Tolan vd. (2021) ise bir yandan YZ ölçütlerini bilişsel yeteneklere, diğer yandan bilişsel yetenekleri ankete dayalı mesleki görev yoğunluğuna bağlamak için uzman yargısına başvurmuşlar. Lassébie ve Quintini (2022), meslekler içindeki beceri ve yeteneklerin otomatikleştirilebilirliğini değerlendirmek için uzman yargılarından yararlanmışlar.

Kısacası, YZ’nin mesleklere etkileri hakkındaki yayımlanan haberleri okurken söz konusu haberlere konu olan araştırmaların nasıl gerçekleştirildiğine bakmakta yarar var. Bu yazıda bulgularını aktaracağım, Nurski ve Ruer’in (2024) Avrupa İş Gücü Piyasasında Üretken Yapay Zekâya Maruz Kalma başlıklı çalışması ise aslında Felten vd. (2023) ve Gmyrek vd.’nin (2023) araştırmalarına dayanıyor.

Felten vd. (2023), daha önceki çalışmalarında olduğu gibi O*NET’ten yararlanmışlar. YZ’deki ilerlemelere (özellikle dil modelleme ve görüntü üretimine) en çok maruz kalan meslekleri belirlemeye çalışmışlar. Gmyrek vd. (2023), değerlendirmelerini Amerikan O*NET veri tabanı yerine, uluslararası geçerliliğe sahip Uluslararası Meslek Standartları Sınıflaması (ISCO) taksonomisini temel alarak yapmışlar. Nurski ve Ruer (2024), Avrupa işgücü piyasasının ve çalışanlarının üretken YZ’ye ne kadar maruz kaldığını incelemek için her iki çalışmayı birleştiriyor ve karşılaştırıyorlar.

Üretken YZ ve Avrupa işgücü
Nurski ve Ruer (2024), ülkeler, cinsiyet, yaş grupları, eğitim düzeyi, kentleşme ve uzaktan çalışmanın benimsenmesi bağlamında üretken YZ’ye maruz kalmadaki farklılıkları tartışıyorlar. Yüksek maruziyetin daha fazla mı yoksa daha az mı istihdama yol açacağı hakkında bir şey söyleyemeseler de yüksek maruziyetin muhtemelen işin içeriğinde ve organizasyonunda büyük aksamalar yaratabileceğini ve bununla birlikte etkilenen demografik gruplarda ciddi belirsizlik anlamına gelebileceğini belirtiyorlar.

Ülke: Nurski ve Ruer (2024), Felten vd.’nin (2023) skorlarını kullandıklarında, ulusal düzeyde üretken YZ’ye maruziyette hem kuzey-güney hem de doğu-batı ayrımının ortaya çıktığına dikkat çekiyorlar. Hollanda, Danimarka ve İsveç gibi Kuzey Avrupa ülkeleri, İspanya, Yunanistan ve Romanya gibi güneydeki muadillerine kıyasla daha yüksek maruziyet sergiliyorlar. Gmyrek vd.’nin (2023) skorları kullanıldığında ise bölgesel bir ayrımdan çok yüksek gelir düzeyinin belirleyici olduğu görülüyor. Örneğin, Almanya ve Hollanda gibi yüksek gelir düzeyine sahip ülkelerin üretken YZ’deki gelişmelerden daha fazla etkilendiğini söyleyebiliriz.

4-1.jpg

Kadınlar, ortalama olarak üretken YZ’ye daha fazla maruz kalıyor çünkü YZ’deki gelişmelerden en çok etkilenen yetenekler, kadınların sahip olduğu işlerde daha yaygın olarak bulunuyor.

Cinsiyet: Üretken YZ, kadınları ve erkekleri farklı etkiliyor. Kadınlar, ortalama olarak üretken YZ’ye daha fazla maruz kalıyor çünkü YZ’deki gelişmelerden en çok etkilenen yetenekler, kadınların sahip olduğu işlerde daha yaygın olarak bulunuyor. Farklı araştırma yöntemleri kullanmış olsalar da hem Felten vd.’nin (2023) hem de Gmyrek vd.’nin (2023) araştırmaları YZ’deki gelişmelere en çok maruz kalan mesleklerin kadınların yoğun olduğu meslekler olduğunu gösteriyor.

Yaş: Yaş gruplarında da cinsiyettekine benzer bir durum var. Meslekler arasındaki demografik dağılım, yaş gruplarının üretken YZ’ye farklı şekilde maruz kalınmasına yol açabiliyor. Yaşa göre yapılan analiz, 25-44 yaş aralığındaki bireylerin ortalama olarak daha yüksek maruziyet puanları sergilediğini ortaya koyuyor. Her iki araştırmada da bu yaş grubundaki bireylerin, üretken YZ’ye daha fazla maruz kalan mesleklerde orantısız bir şekilde, daha fazla temsil edildiği anlamına geliyor.

Eğitim düzeyi: Yüksek eğitimli bireyler, üretken YZ teknolojilerindeki gelişmelere maruz kalmaya daha yatkınlar. Nurski ve Ruer (2024) bu konuyu tartışan iki teoriye değiniyor. Birincisi, BYTD (Beceri Yanlı Teknolojik Değişim) teorisi, teknolojik ilerlemelerin yüksek eğitimli çalışanların verimliliğini orantısız bir şekilde artırdığını ve bunun da becerilerine olan talebin artmasına yol açtığını öne sürüyor. Bu olgu, ABD’de 1970’lerin sonlarında başlayan ve giderek artan ücret eşitsizliğinin temel nedenlerinden biri olarak tanımlanıyor. İkincisi, RYTD (Rutin Yanlı Teknik Değişim) teorisi ise BYTD’nin cinsiyet ve ırklar arasındaki ücret farklılıklarını veya farklı demografik gruplar için eğitimin getirisindeki farklılıkları açıklayamadığını savunuyor. Rutin-yoğun işlerde çalışan orta vasıflı işçilerin yerlerinden edilmesiyle ücret ve iş kutuplaşmasının hızlanması RYTD’yi destekler nitelikte. Örneğin bilgisayarlar, rutin olmayan problem çözme ve karmaşık iletişim görevlerinde ücret dağılımının uç noktalarındaki işçiler için tamamlayıcı bir rol üstlenirken rutin bilişsel ve manuel görevleri yerine getiren orta vasıflı işçiler için ikame edici oldu.

Fakat şimdi üretken YZ’nin tipik olarak yüksek vasıflı işçiler tarafından gerçekleştirilen rutin olmayan görevlerin otomasyonunu gerçekleştirmesi tartışmaya yeni bir boyut katıyor. Robotlar ve bilgi teknolojileri gibi önceki otomasyon teknolojileri, makine operatörleri ve idari asistanlar gibi çoğunlukla rutin görevler içeren mesleklerde istihdamı azaltırken, esas olarak daha yüksek vasıflı çalışanlara tamamlayıcı olarak hizmet etmişti. Şimdi ise üretken YZ’nin, öğretmenler ve tasarımcılar gibi rutin olmayan görevler içeren meslekleri de etkileme potansiyeline sahip olduğunu görüyoruz. Elbette üretken YZ’nin öğretmenlerin ve tasarımcıların yerini tamamen alması gibi bir durum yok. Ama mesleklerin içerdiği bazı görevlerin artık üretken YZ tarafından yerine getirilebildiğini söyleyebiliriz.

5-1.jpg

Üretken YZ’nin, öğretmenler ve tasarımcılar gibi rutin olmayan görevler içeren meslekleri de etkileme potansiyeline sahip olduğu görülüyor.

Kentleşme ve uzaktan çalışma: Bulgular, kentsel alanlarda ikamet eden ve ağırlıklı olarak evden çalışan bireylerin üretken YZ teknolojilerine daha fazla maruz kaldığını gösteriyor. Bu durum, farklı etkenlerle açıklanabilir:

– Şehirler, inovasyon ve teknoloji odaklı sektörlerin merkezidir ve bu da kentlerde yürütülen mesleklerin üretken YZ’ye daha fazla maruz kalmasına yol açabilir.

– Evden çalışan bireyler teknolojiyi daha yoğun kullanabilir. Genellikle dil veya görüntü işlemeyi içeren üretken YZ teknolojileri, uzaktan çalışma senaryolarına daha fazla entegre edilebilir ve bu da daha yüksek maruziyete yol açabilir.

Ayrıca veriler, uzaktan çalışmanın kırsal alanlara kıyasla şehirlerde daha fazla benimsendiğini gösteriyor.

Nurski ve Ruer (2024), analizlerinde önemli olanın tahminlerin kesinliği değil, demografik özellikler arasındaki daha geniş dağılımlar olduğunu vurguluyorlar. Analizleri daha genç bireylerin ve daha yüksek eğitim seviyesine sahip olanların YZ’ye daha fazla maruz kalma eğiliminde olduğunu gösteriyor. Üretken YZ’nin karmaşık, analitik, rutin olmayan görevlerde (yazma, kodlama, müşteri desteği, fikir üretme ve araştırma gibi) üretkenliği artıracağı görüşü yaygın (belki bunun nedeni, üretken YZ’de yapay genel zekâyı görmek istememiz!). Ancak kazanımlar ağırlıklı olarak düşük veya orta düzeyde deneyim, beceri veya üretkenliğe sahip bireylerin lehine olacak.

Üretken YZ ile beraber yazma, kodlama veya görüntü üretme gibi işler daha az deneyimli veya daha az vasıflı kişilerden oluşan daha büyük bir grup için daha erişilebilir hale gelecek. Bunun sonucunda daha yüksek vasıflı çalışanlar (daha iyi performans gösteren yazarlar, kodlayıcılar veya görsel sanatçılar) artık daha düşük vasıflı meslektaşlarına kıyasla daha iyi sözleşme koşulları talep edemeyebilir ve eskisinden daha güvencesiz ve daha düşük ücretli işlerde çalışmak zorunda kalabilirler.

Gerçekten de serbest çalışma (freelance) piyasalarında son zamanlarda böyle bir eğilim gözleniyor. Üretken YZ’nin kısa dönemdeki etkilerini değerlendiren Hui vd.’nin (2023) bulguları, yazarlık gibi üretken YZ’den yoğun olarak etkilenen mesleklerdeki serbest çalışanların platformdaki aylık iş sayısında yüzde 2’lik bir düşüş ve aylık kazançlarında yüzde 5,2’lik bir azalma ile karşı karşıya kaldıklarını gösteriyor.

Bu gibi nedenlerden dolayı üretken YZ’nin eşitleyici bir rolü olacağı iddia ediliyor. Ancak özellikle yazılım geliştirme bağlamında değerlendirince üretken YZ’nin eşitleyiciliği hakkındaki tezleri gerçekçi bulmuyorum. Örneğin, insanların yazılım geliştirme kapasitesini 1’den 10’a kadar puanlayalım. A’nın yazılım geliştirme kapasitesi 2 olsun. Dolayısıyla A, 2. ya da daha alt seviyede olan yazılım işlerini yapabilsin. B’nin yazılım geliştirme seviyesi ise 7 olsun ve B, 7. ya da daha alt seviyede olan işleri yapabilsin. A, üretken YZ kullandığında kapasitesini çok kısa sürede 5. seviyeye çıkarabileceğini ve böylece bu seviyedeki işlerde B’ye rakip olabileceğini kabul ediyorum. Ama A’yı B’nin seviyesine çıkarabileceğini düşünmüyorum. B’nin üretken YZ araçları ile seviyesini 8 ve üzerine çıkarması daha olasıdır. Belki daha az karmaşıklığa sahip işlerde bir kaybı olacaktır. Ancak daha karmaşık işler yine B’ye kalacaktır.

Roldan-Mones (2024) da bu konuya dikkat çekiyor. Görevler daha üst düzey beceriler gerektirdiğinde ve cevaplar doğrudan YZ’den çıkarılıp kopyala yapıştır yapılamadığında, yüksek vasıflı çalışanların üretken YZ’nin avantajlarından daha fazla yararlanmasını daha olası görüyor. Kim ve Moon’un (2024) çalışması da bu tezi destekliyor. ChatGPT’nin yardımının katılımcıların okuma ve yazma, matematiksel problem çözme ve hesaplamalı düşünme performanslarını artırıp artıramayacağını incelemek için kontrollü bir laboratuvar deneyi yürütmüşler. Sonuçta ChatGPT’den yararlanan düşük yetenekli deneklerin halüsinasyonlu cevapları doğru olanlardan ayırt edemedikleri için matematik puanlarının önemli ölçüde düştüğü gözlenmiş.

Kısacası, üretken YZ’nin daha düşük vasıflı çalışanların mevcut vasıflarının üzerindeki işlere erişimlerini artıracağını kabul etmekle beraber daha yüksek vasıf gerektiren işlerde yeterli olamayacağını düşünüyorum. Ayrıca teoride üretken YZ’nin kodlama yeteneklerini insanlarınkiyle karşılaştırsak da pratikte bir yazılım ekibinin tüm kodlama faaliyetleri için üretici YZ desteğine başvurmak olanaklı olamayacak. Bunun yerine sadece belirli görevler için YZ desteğine başvurmak verimliliği artırabilir. Ancak O*NET tabanlı araştırmalarda olduğu gibi görevleri tek tek ele almak ve üretken YZ’nin bu görevlere etkisine dayalı analizler yapmak, görevlerin karşılıklı etkileşimi ve bağımlılığı ihmal edildiğinden yanıltıcı sonuçlara neden olabiliyor.

Gelişmekte olan ülkeler
Nurski ve Ruer’in (2024) çalışması YZ’nin Avrupa iş gücüne etkisi üzerine. Ama ulusal düzeyde üretken YZ’ye maruziyet hakkındaki bölüm gelişmekte olan ülkelerin mevcut deneyimleri hakkında da ipuçları içeriyor. Almanya ve İspanya’nın üretken YZ’ye maruz kalma düzeyleri farklı. Ancak gelişmiş ve gelişmekte olan ülkeler arasındaki uçurum çok daha fazla. Cruces vd. (2024) gelişmekte olan ülkelerin üç önemli dezavantaja sahip olduğunu belirtiyor.

6.jpg

Görevler daha üst düzey beceriler gerektirdiğinde ve cevaplar doğrudan YZ’den çıkarılıp kopyala yapıştır yapılamadığında, yüksek vasıflı çalışanların üretken YZ’nin avantajlarından daha fazla yararlanmasını daha olası görülüyor.

Daha yüksek eşitsizlik ve kayıt dışılık: Kayıt dışı ekonomilerin oldukça heterojen yapıları var. Birçok ortamda bu durum, düşük gelişmişlik düzeyinin, ekonominin resmi nitelikte işler yaratmadaki yetersizliğinin ve kurumların insanların yaşamlarını iyileştirmedeki yetersizliğinin bir sonucu olarak ortaya çıkıyor. Bu bölgelerdeki kayıt dışı çalışanlar, sadece kayıtlı çalışanlara sağlanan korumalardan dışlanmakla kalmayıp aynı zamanda sağlık, eğitim ve beceri eğitimi gibi temel kamu hizmetlerine erişimden de mahrum kalıyorlar. Dijital dönüşüm, gelişmiş ülkelerdeki gelir eşitsizliğini körüklüyor; güvenli ve uzun vadeli işleri olumsuz etkiliyor. Gelişmekte olan ülkelerde ise eşitsizlikler, yapısal dönüşümün önündeki en büyük engellerden biri olarak karşımıza çıkıyor.

Geçmişten gelen beceri zorlukları: Gelişmekte olan ülkelerde orta ve yüksek öğretimin düşük kapsamı ve kayıt dışılığın çok yaygın olması nedeniyle çalışanlar örgün eğitim ve öğretim kurumlarının dışında kalıyorlar. Çalışanlara yeni beceriler kazandırmanın önünde ciddi zorluklar var. Özellikle dijital altyapılarının yetersizliği ve işgücünün dijital yeteneklerinin zayıflığı gelişmekte olan ülkelerin YZ’den yararlanma olanaklarını kısıtlıyor. Dünya Bankası’na (2021) göre, gelişmekte olan ülkelerdeki nüfusun yarısından fazlası temel dijital becerilerden yoksunlar ve dijital becerilere sahip olanların büyük çoğunluğu YZ ve yapay öğrenme konusunda daha gelişmiş becerilere sahip değiller.

Dijital altyapıya erişimin düşük olması: Düşük dijital beceriler sadece eğitimin kapsamı ve kalitesindeki zorluklardan değil, aynı zamanda dijital teknolojilerin benimsenmesinde önemli bir belirleyici olan dijital altyapıya erişimden de kaynaklanıyor. Düşük ve orta gelirli ülkelerde 2020 yılında nüfusun %40’ından biraz fazlası internete bağlıyken, yüksek gelirli ülkelerde bu oran neredeyse %75. Fakat internetten söz ederken düşük gelirli ülkelerin ancak %39’unun elektriğe erişimi olduğunu da dikkate almak gerekiyor.

Eşitsizlik artıyor
Üretken YZ, gelişmiş ülkelerde toplumun daha geniş kesimlerinin YZ’yi kullanabilmesinin önünü açtı. Ancak gelişmekte olan ülkeler için durumun pek iç açıcı olduğu söylenemez. ChatGPT veya Microsoft Copilot gibi ürünlerin temel lisanslama maliyeti kullanıcı başına aylık 20-30 dolar civarında. Daha karmaşık düzeydeki YZ çözümlerinin maliyetleri ise daha yüksek. Kayıt dışılığın yüksek olduğu ülkelerde, bu tür maliyetler birçok küçük işletmenin YZ destekli ürünler geliştirebilmesini engelliyor.

7-1.jpg
Mevcut durumda YZ sistemlerinin geliştirilmesinden ve uygulanmasından sorumlu olan oyuncuların aynı zamanda YZ’den büyük ölçüde kâr elde eden oyuncular olması rastlantı değil. YZ’deki küresel iş bölümü ülkeler arasındaki eşitsizliği gidermek bir yana daha da derinleştirecek gibi görünüyor. Cruces vd.’nin (2024) vurguladığı gibi küreselleşmiş bir dünyada, YZ’nin ülkeler arasında önceden var olan eşitsizlikleri ve işgücünü nasıl etkilediğini anlayabilmek ve buna göre politikalar geliştirebilmek gerekiyor.

İlk olarak YZ, gelişmekte olan ülkelerde gerçekleştirilen bazı görevlerin gelişmiş ülkelere geri dönmesini teşvik edebilir. YZ, gelişmiş ülkelerin işgücünü daha rekabetçi hale getirerek dolaylı olarak offshoring’i sınırlayabilir. Şimdiden bu yönde vakalar var. Örneğin, Foxconn robotları devreye sokarak işgücünün yüzde 30’unu değiştirdi. Adidas’ın bir fabrikayı kapatıp üretimi Almanya ve ABD’deki hız fabrikalarına taşımasından sonra Vietnam’da 1000 kişi işini kaybetti. Üretken YZ, işlerin geri dönüşünü hızlandırabilir. Daha altı yıl önce Ernst vd. (2018) bulut tabanlı çözümlerin gelişmekte olan ülkelerin düşük maliyetli programcılara sahip olma avantajını azalttığını tespit etmişti. Benzer şekilde, gelişmekte olan ülkelerde gelişen bir dizi hizmet ihracatı ve offshoring (örneğin, çağrı merkezleri, teletıp), YZ teknolojisinin ikame etkilerinden ve bunun sonucunda fiyatlardaki düşüşten ciddi şekilde etkilenebilir (age).

İkincisi YZ, offshoring modellerindeki mevcut eşitsizlikleri daha da kötüleştirebilir veya yeni eşitsizlik biçimleri yaratabilir. Örneğin, yapay öğrenme algoritmaları geliştikçe ve ölçeklendikçe, YZ şirketleri giderek daha fazla yüksek kaliteli ve düşük maliyetli veri kaynaklarına ihtiyaç duyuyor. Toplama, temizleme ve etiketleme gibi veri hazırlama görevlerinin modellerin oluşturulma sürecindeki önemi artıyor. Bu nedenle YZ modellerini, sadece biliminsanlarının ve mühendislerinin ürünü olarak görmemeli. Aynı zamanda verilere açıklama ekleme, doğrulama ve etiketleme gibi veri işlerinde çalışan büyük ve genellikle görünmez (!) bir işgücü var. Bu hizmetlere yönelik pazarın değerinin 1 ila 3 milyar ABD doları arasında olduğu tahmin ediliyor ve önümüzdeki beş yıl içinde çift haneli büyüme göstermesi bekleniyor. Ne kadar insanın bu görünmez işgücünün içinde yer aldığı tam bilinmiyor. Fakat on milyonlarca kişinin bu işler için istihdam edildiği tahmin ediliyor. Talep, büyük ölçüde gelişmiş ülkelerde yoğunlaşırken arz, gelişmekte olan ülkelerden geliyor. Gelişmekte olan ülkelerin yurttaşları düşük ücretler, güvencesiz çalışma koşulları, sıkı disiplinli işgücü yönetimi süreçleriyle YZ küresel değer zincirine entegre oluyorlar.

Cruces vd.’nin (2024) yukarıdaki koşulları göz önünde bulundurarak gelişmekte olan ülkelere beş ana politika öneriyorlar.

Birincisi, yetenekleri geliştirmeye odaklanmak. Hükümetlerin yurttaşlarını hızla değişen teknoloji ortamında yollarını bulmaya hazırlamaları gerekiyor. Burada sorun sadece uygun yeniden beceri kazandırma ve beceri geliştirme programlarının belirlenmesi değil. Hükümetler, kayıt dışı çalışanları daha geniş bir eğitim çerçevesine dahil etmek için de bir strateji oluşturmalılar.

İkincisi, yeni teknolojilere erişim için gerekli altyapının sağlanması. Şu anki durumda interneti bir yana bırakalım, elektriğe erişimde bile ciddi zorluklar yaşayan ülkeler var.

Üçüncüsü, web tabanlı platform çalışanları için düzenlemelerin ve sosyal korumaların oluşturulması. İşçiler genellikle asgari ücretin altında maaşlarla çalışıyorlar, iş güvencelerinden yoksunlar ve işveren tarafından sağlanan sosyal güvenlik yardımlarından mahrum bırakılıyorlar. Platformlar, müşterilerle işçileri bir araya getiriyor. Ancak herhangi bir anlaşmazlıkta çoğunlukla güçlünün sözü belirleyici oluyor. Platform çalışanlarının yasal korumaya ihtiyacı var.

Dördüncüsü, gelişmekte olan ülkelerin YZ etiği ve düzenleme konularının tartışıldığı küresel arenalara dahil edilmesi. Gelişmekte olan ülkelerin öncelikle beceri ve altyapı sorunlarını ele alması gerekse de bu öncelik mahremiyet, algoritmaların yanlılığı, siber güvenlik, hesap verebilirlik vb. sorunlarla karşı karşıya oldukları gerçeğini değiştirmiyor. Belki söz konusu sorunlar gelişmiş ülkelerdeki kadar can alıcı değil; ama yine de önemli. YZ’nin geleceğini şekillendiren karar verme alanlarına katılmazlarsa, faydalarından yararlanmada da sürekli olarak geride kalacaklar.

8.jpg

Hükümetlerin yurttaşlarını hızla değişen teknoloji ortamında yollarını bulmaya hazırlamaları gerekiyor.

Beşincisi, gelişmekte olan ülkelerin bir araştırma planı oluşturması. YZ’nin istihdam ve kapsayıcı büyüme üzerindeki etkilerini tam olarak anlamak için, gelişmekte olan ülkelerin karşı karşıya oldukları özgün zorlukları ve fırsatları özel olarak ele alan bir araştırma gündemi geliştirmeleri, işin geleceği konusunda daha dengeli ve adil bir küresel diyaloğa katkıda bulunabilir.

***​

GPT’den önceki YZ modellerinin çalışanlar üzerindeki etkisi sınırlıydı. GPT tabanlı sistemler bir yapay genel zekâ örneği olmadıkları gibi muhtemelen GPT’deki gelişmeler bizi yapay genel zekâya götürmeyecek. Ancak GPT’nin olanakları ve sınırlılıkları daha iyi anlaşıldığında işgücü üzerindeki etkileri çok daha fazla olacak.

Ama daha önemlisi her bir ülkenin sosyoekonomik koşulları ve küresel ekonomideki yeri farklı. Bu nedenle, YZ teknolojisindeki gelişmelerden her bir ülkenin işgücü farklı biçimlerde etkileneceğinden ülkelerin özgün teknoloji politikalarına ihtiyacı var.

KAYNAKLAR

1) Brynjolfsson, E., Mitchell, T., & Rock, D. (2018). What can machines learn and what does it mean for occupations and the economy?. In AEA papers and proceedings (Vol. 108, pp. 43-47).

2) Cruces, G., Amarante, V., Lotitto, E (2024) Generative Artificial Intelligence and Its Implications for Labor Markets in Developing Countries: A Review Essay.

3) Dünya Bankası (2021). Harnessing artificial intelligence for development on the post-COVID-19 era: A review of national AI strategies and policies. https://thedocs.worldbank.org/en/doc/2e658ef2144a05f30e254221ccaf7a42-0200022021/

4) Ernst, E., Merola, R., & Samaan, D. (2019). Economics of artificial intelligence: Implications for the future of work. IZA Journal of Labor Policy, 9(1).

5) Felten, E., Raj, M., & Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195-2217.

9.jpg
6) Felten, E. W., Raj, M., & Seamans, R. (2023). Occupational heterogeneity in exposure to generative ai. Available at SSRN 4414065.

7) Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation?. Technological forecasting and social change, 114, 254-280.

8) Gmyrek, P., Berg, J., & Bescond, D. (2023). Generative AI and jobs: A global analysis of potential effects on job quantity and quality. ILO Working Paper, 96.

9) Hui, X., Reshef, O., & Zhou, L. (2024). The short-term effects of generative artificial intelligence on employment: Evidence from an online labor market. Organization Science, 35(6), 1977-1989.

10) Kim, D. G., & Moon, A. (2024). From helping hand to stumbling block: the ChatGPT paradox in competency experiment. Applied Economics Letters, 1-5.

11) Lassébie, J., & Quintini, G. (2022). What skills and abilities can automation technologies replicate and what does it mean for workers?: New evidence.

12) Nurski, L., & Ruer, N. (2024). Exposure to generative artificial intelligence in the European labour market. Bruegel Working Paper, Issue 06/2024, 07 MARCH 2024.

13) Roldan-Mones, A. (2024). When GenAI increases inequality: Evidence from a university debating competition (Programme on Innovation and Diffusion Working Paper No. 096). London School of Economics and Political Science.

14) Tolan, S., Pesole, A., Martínez-Plumed, F., Fernández-Macías, E., Hernández-Orallo, J., & Gómez, E. (2021). Measuring the occupational impact of AI: tasks, cognitive abilities and AI benchmarks. Journal of Artificial Intelligence Research, 71, 191-236.

15) Webb, M. (2020). The impact of artificial intelligence on the labor market. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3482150, son erişim 16.12.2024

The post Yapay zekânın çalışanlara etkileri first appeared on Bilim ve Gelecek.
 
Üst