Ghost AI, Beyaz Yakada Merit Açığını Büyütüyor
Bu sinyal bize şunu söylüyor: emek piyasasında AI erişimi eşit dağılmadığı için, İK’nın performans değerlendirme sistemleri artık yalnızca emeği değil, görünmez araç avantajını da ölçüyor olabilir.
Rahatlatıcı hikâyenin sonu
Kurumsal dünyada uzun süre rahatlatıcı bir hikâye anlatıldı: yapay zeka gelir, işleri hızlandırır, verimliliği artırır ve herkes biraz daha güçlü hale gelir. Ancak sahadaki gerçek bu hikâyeyle örtüşmüyor. Yapay zeka işte kullanılıyor, evet; ama eşit kullanılmıyor. Daha yüksek gelirli, daha eğitimli ve tam zamanlı çalışanlar yapay zekaya daha hızlı erişiyor; kurumsal eğitim ise bu hızın belirgin şekilde gerisinde kalıyor.
New York Fed’e dayanan araştırma notları tabloyu somutlaştırıyor: çalışanların %39’u son 12 ayda işte yapay zeka kullanmış, ancak bu oran düşük gelir grubunda %15,9’a inerken 200 bin dolar üzeri gelir grubunda %66,3’e çıkıyor. İşverenin yapay zeka eğitimi sunduğunu söyleyenlerin oranı ise yalnızca %15,9.¹ Bu rakamlar, yapay zekanın eşitleyici bir güç olmaktan çok, önce avantajlı bilgi çalışanlarını hızlandıran bir kaldıraç olarak çalıştığını düşündürüyor.
Peki bu eşitsiz erişim nereye sızıyor? Emek piyasasındaki bu yeni fark, beyaz yakalı performansına, oradan da insan kaynaklarının değerlendirme sistemlerine sessizce karışıyor. Ve tam bu noktada ortaya bir kavram çıkıyor: Ghost Merit Gap.
Aynı rol, farklı altyapı
Bu açığın oluşma mekanizması aslında basit. Aynı rolde çalışan iki kişi düşünelim. Biri kişisel yapay zeka araçlarıyla araştırmayı kısaltıyor, yazıyı parlatıyor, toplantı özetini çıkarıyor, sunumu hızlandırıyor. Diğeri aynı işi daha manuel yürütüyor. Yönetici çoğu zaman yalnızca sonucu görüyor: biri daha hızlı, daha cilalı, daha üretken. Ancak görünen performans farkının ne kadarı gerçekten yetenek, ne kadarı araç erişimi, ne kadarı da görünmez yapay zeka kullanımı — bunu sistematik biçimde ayıran şirket sayısı çok az.
Üstelik bu kullanım çoğunlukla görünür değil. BCG’nin APAC verisinde çalışanların %58’i, şirket resmen sağlamasa bile yapay zeka kullanacağını söylüyor.² Microsoft’un 2024 Work Trend verisinde ise yapay zeka kullananların %78’i kendi aracını işe getirmiş, %52’si de yapay zekayı en önemli işlerinde kullandığını söylemeye isteksiz.³ Yani kurum rollout yaptığında herkese eşit imkân sunulmuş olmuyor; bireysel girişkenlik, statü ve araç erişimi önden gidiyor, şirket sonucu sonradan fark ediyor.
Yapay zekanın bu şekilde gölgede kalması, yalnızca bir şeffaflık sorunu olarak kalsaydı belki yönetilebilirdi. Ne var ki bu görünmezlik, performans sistemlerinin temel varsayımını çürütmeye başlıyor.
Meritokrasinin kör noktası
Emek piyasası açısından bunun anlamı şu: beyaz yakalı işlerde performans artık yalnızca bilgi, disiplin ve deneyimle açıklanamayabilir. Bunlara bir de yapay zeka erişimi, yapay zeka okuryazarlığı ve yapay zeka kullanma cesareti ekleniyor. Bu üçü eşit dağılmadığında, şirketler aslında aynı başlangıç çizgisine sahip olmayan çalışanları tek bir merit sistemi içinde kıyaslıyor. Dışarıdan bakınca aynı KPI, aynı rol, aynı değerlendirme çerçevesi var gibi görünüyor; içeride ise oyunun zemini kaymış durumda.
Bu kaymanın beyaz yakalı dünyada özellikle kritik olmasının bir sebebi var: yapay zekanın en erken ve en etkili dokunduğu alanlar bilgi yoğun işler. Yazı, analiz, özetleme, araştırma, sunum, raporlama — yapay zeka önce fiziksel üretim hattına değil, bilişsel üretim hattına girdi. Bu yüzden fark ilk olarak beyaz yaka içinde hissediliyor. Düşük gelirli ve sahadaki çalışanlar için erişim sınırlı kaldığında, beyaz yakaların bir kısmı “normalden hızlı” değil, “yeni bir altyapıyla çalışan” bir gruba dönüşüyor. Klasik performans sistemi ise bu farkı çoğu zaman doğal yetenek farkı sanıyor.
İnsan kaynakları açısından en büyük problem tam burada başlıyor. Performans sistemleri tarihsel olarak çıktıyı, davranışı ve hedef gerçekleşmesini ölçmek üzere tasarlandı. Ancak Ghost AI çağında artık sorulması gereken sorular farklılaştı: bu çıktı hangi iş adımında yapay zekayla desteklendi? Son doğrulamayı kim yaptı? Çalışan aynı kaliteye yapay zeka olmadan da ulaşabiliyor mu? Yöneticinin “yüksek performans” diye okuduğu şey gerçekten muhakeme mi, yoksa daha iyi araç kullanımı mı?
Bu sorular sorulmadığında meritokrasi bozuluyor ama dışarıdan bozulmuş gibi görünmüyor. En riskli durum da budur: sistem adil görünürken adaletsizlik üretiyor. Context Interpreter projeksiyonundaki teşhis bunu doğruluyor — şirket performansı, insan katkısını değil yapay zeka erişimini ve gizli araç kullanımını ödüllendirmeye başlarsa, performans sistemi meritokrasi görünürken eşitsizlik üretir.⁴
Üst üste binen üç kırılma
Bu yapısal çatlak tek bir sonuç doğurmuyor; birbirine bağlı üç kırılma yaratıyor ve her biri diğerini besliyor.
İlk kırılma ücret ve terfi alanında. PwC’nin 2025 AI Jobs Barometer’ına göre yapay zeka becerili çalışanlar için ortalama %56 ücret primi raporlanıyor.⁵ Bu veri tek başına “her terfi yapay zeka yüzünden” demek değil; ancak emek piyasasının yapay zeka destekli beceriyi ekonomik olarak ödüllendirmeye başladığını gösteriyor. Görünmez yapay zeka kullanımının performans notlarına ve terfilere karıştığı bir ortamda, beyaz yakalı ücret farkları daha da büyüyebilir.
İkinci kırılma öğrenme zincirinde. Junior bir çalışan yapay zeka yardımıyla çok iyi görünen bir çıktı üretebilir; ancak o çıktının arkasındaki analiz, muhakeme ve problem çözme kası aynı hızla gelişmeyebilir. Kısa vadede yöneticinin gözüne yüksek performans gibi görünen şey, orta vadede ustalaşma açığına dönüşebilir. Şirket hız kazanırken çıraklık kaybedebilir.
Üçüncü kırılma ise hukuki ve yönetişim cephesinde. AB AI Act kapsamında istihdam, terfi, görev dağılımı ve performans değerlendirme amaçlı yapay zeka kullanımları yüksek riskli alanlar arasında sayılıyor; yapay zeka okuryazarlığına ilişkin yükümlülükler devreye giriyor.⁶ ABD tarafında da EEOC ve New York’taki bias audit çerçeveleri, performans kararlarında yapay zeka kullanımının yalnızca verimlilik değil, ayrımcılık ve açıklanabilirlik başlığı olduğunu hatırlatıyor.⁷ İnsan kaynakları için savunulamayan performans sistemi artık yalnızca kötü tasarım değil, riskli bir altyapı.
Bu üç kırılma birbirinden bağımsız değil: ücret farkı açıldıkça öğrenme zinciri daha da kırılıyor, öğrenme zinciri kırıldıkça hukuki savunulabilirlik zayıflıyor, hukuki baskı arttıkça sistemin meşruiyet kaybı görünür hale geliyor. Döngüyü kırmak için müdahale noktası açık.
Görünürleştirmek, bastırmak değil
İnsan kaynaklarının görevi yapay zekayı bastırmak değil, görünür kılıp standardize etmek. Bunun ilk adımı “yapay zeka kullandı mı?” avına çıkmak değil; performans değerlendirmesine bir açıklık katmanı eklemek. Bazı iş türlerinde şu soru standart hale gelebilir: “Hangi iş adımı yapay zeka destekliydi, son doğrulamayı kim yaptı?” Bu yaklaşım çalışanı kriminalize etmez, yöneticinin çıktıyı daha doğru okumasını sağlar.
İkinci adım, rol bazlı minimum yapay zeka erişimini eşitlemek. Yapay zeka bazı çalışanlar için gizli süper güç, diğerleri için yasak bölge olmamalı. Üçüncü adım ise değerlendirme ölçütünü ham hızdan daha olgun bir yere taşımak: çıktı kalitesi, muhakeme, doğrulama disiplini ve şeffaf kullanım. Bunlar olmadan yalnızca çok çıktı ödüllendirildiğinde, şirket en parlak çalışanı değil, en iyi gizlenen araç avantajını ödüllendirme riskiyle karşı karşıya kalır.
Yapısal açık mı, bireysel davranış mı?
Bu noktada izlenmesi gereken birkaç kritik gösterge var. Aynı rolde yüksek performans notları yapay zeka erişimi yüksek ekiplerde mi toplanıyor? Yöneticiler performans farkını “daha hızlı” ve “daha cilalı” dışında açıklayabiliyor mu? Terfi ya da bonus itirazlarında sonradan ortaya çıkan gizli yapay zeka kullanım örüntüleri artıyor mu? Düşük erişimli ekiplerde adalet algısı bozuluyor mu? Bu sorulara “evet” yanıtı çoğalıyorsa mesele bireysel davranıştan çıkmış, yapısal bir açığa dönüşmüş demektir.
Tablo netleşiyor: emek piyasasında yapay zeka eşitsiz dağılıyor, beyaz yakalı işlerde bu eşitsizlik verimlilik farkına dönüşüyor, insan kaynakları ise çoğu zaman bu yeni farkı eski performans diliyle ölçmeye çalışıyor. Asıl açık tam burada oluşuyor — piyasa çoktan değişti, performans sistemi henüz değişmedi. Şirketlerin bundan sonra öğrenmesi gereken şey yüksek performansı ödüllendirmek değil, görünmez araç avantajını ödüllendirmemeyi öğrenmek.
Dipnotlar
¹ Federal Reserve Bank of New York. AI and the Labor Market: Evidence from the SCE Labor Market Survey. Çalışanların %39’unun son 12 ayda işte AI kullandığı, gelir gruplarına göre kullanım oranları (%15,9 – %66,3) ve işveren eğitimi oranı (%15,9) bu kaynağa dayanmaktadır.
² BCG. AI at Work: What People Are Really Doing with Gen AI (APAC verisi). Çalışanların %58’inin kurumsal sağlama olmaksızın AI kullanacağını beyan ettiği bulgu bu rapora atıfla aktarılmıştır.
³ Microsoft. 2024 Work Trend Index Annual Report. AI kullananların %78’inin kendi aracını işe getirdiği (BYOAI) ve %52’sinin AI kullanımını en kritik işlerinde açıklamaktan kaçındığı verileri bu rapora dayanmaktadır.
⁴ Context Interpreter. Ghost AI Projeksiyonu: Yönetim, Operasyon, Finans ve HR Performans Mimarisi Etkileri. Performans sistemlerinin meritokrasi görünürken eşitsizlik üretebileceğine dair teşhis bu projeksiyondan alınmıştır.
⁵ PwC. 2025 AI Jobs Barometer. AI becerili çalışanlar için ortalama %56 ücret primi verisi bu rapora atıfla aktarılmıştır.
⁶ Avrupa Birliği. Regulation (EU) 2024/1689 — AI Act. İstihdam, terfi, görev dağılımı ve performans değerlendirme amaçlı AI kullanımlarının yüksek riskli sınıflandırmaya dahil edilmesi ve AI okuryazarlığı yükümlülükleri bu düzenlemeye dayanmaktadır.
⁷ U.S. Equal Employment Opportunity Commission (EEOC); New York City Department of Consumer and Worker Protection. İstihdam kararlarında AI kullanımına yönelik bias audit gereklilikleri ve bildirim çerçeveleri bu düzenleyici kaynaklara atıfla aktarılmıştır.