Benim gözümden mesele hiçbir zaman “Yapay zekâ insanların yerini alacak mı?” sorusu olmadı.
Alacak.
Hatta bazı alanlarda almaya başladı bile.
Bugün bir şirket içerisinde yapılan işlerin önemli bir kısmını doğru kurgulanmış AI agentlar, otomasyonlar ve yapay zekâ destekli sistemlerle çok daha düşük maliyetle gerçekleştirmek mümkün.
Müşteri hizmetleri, satış öncesi lead qualification, raporlama, veri analizi, CRM operasyonları, müşteri takibi, içerik üretiminin belirli aşamaları, yazılım geliştirme, doküman analizi, araştırma, monitoring, veri sınıflandırma…
Liste giderek uzuyor.
Ben zaten yapay zekânın asıl değerinin sadece “bana bir metin yaz” seviyesinde olmadığını düşünüyorum.
Asıl değer;
karar verebildiği, aksiyon alabildiği, diğer sistemlerle konuşabildiği ve bir süreci baştan sona yönetebildiği noktada ortaya çıkıyor.
Fakat burada çok önemli bir ayrım var.
Bir insanın yaptığı bazı görevleri otomatikleştirmek başka bir şey.
O insanı organizasyondan tamamen çıkartabileceğinizi düşünmek başka bir şey.
Meta'nın son dönemde yaşadığı Project OT deneyi bence önümüzdeki birkaç yıl boyunca şirketlerin yapay zekâ dönüşümünü anlamak için incelenmesi gereken en önemli vakalardan biri olacak.
Çünkü bunu küçük bir startup değil, dünyanın en büyük teknoloji şirketlerinden biri yaptı.
Ve sonuç pek de planlandığı gibi olmadı.
Zuckerberg'in fikri aslında mantıksız değildi
Reuters'ın 26 Ağustos 2026 tarihinde yayımladığı kapsamlı araştırmaya göre Meta yönetimi 2026 yılının başında Project OT – Organization Transformation adında oldukça radikal bir organizasyon dönüşümü üzerinde çalışmaya başladı.
Amaç Meta'yı klasik anlamda AI kullanan bir şirket olmaktan çıkarıp “AI-native” bir organizasyona dönüştürmekti.
Yani mevcut çalışanların eline ChatGPT benzeri araçlar vermekten bahsetmiyoruz.
Organizasyonun kendisini yeniden tasarlamaktan bahsediyoruz.
Planlanan yapıda çok sayıda günlük operasyonu AI agentlar üstlenecek, daha küçük ve yüksek yetkinlikli insan ekipleri ise bu agentları yönetecekti.
Reuters'ın gördüğü senaryolarda Meta'nın bazı ekiplerinin büyüklüğünün %60'a kadar azaltılması değerlendirildi. Burada %60'ın tüm Meta çalışanlarını ifade etmediğini özellikle belirtmek gerekiyor. Meta da yaptığı açıklamada bunun bazı takımlar için oluşturulan en agresif senaryolardan biri olduğunu söyledi. Plan; işten çıkarmalar kadar açık pozisyonların kapatılması ve çalışanların farklı öncelikli bölümlere kaydırılmasını da içeriyordu.
Bence fikir kağıt üzerinde aslında oldukça mantıklı.
Çünkü AI gerçekten bir çalışanın üretim kapasitesini 2 kat, 3 kat hatta bazı görevlerde 10 kat artırabiliyorsa şirketlerin aynı organizasyon yapılarını korumasının ekonomik olarak bir anlamı kalmayacak.
Meta yöneticilerinden Ime Archibong'un yaptığı ilk pilotlardan biri bu mantığı çok güzel gösteriyor.
Klasik büyük ürün ekipleri yerine iki-üç mühendis ve bir tasarımcıdan oluşan küçük “tech pod” ekipleri kuruluyor.
Altı aylık geliştirme planları yerine dört haftalık sprintler düşünülüyor.
Mantık basit:
AI sayesinde daha az insanla daha fazla fikir denenebilir.
Daha fazla prototip oluşturulabilir.
Başarısız fikirlerin maliyeti düşürülebilir.
Ürün geliştirme hızı artırılabilir.
Benim gözümden bu tam anlamıyla bir growth yaklaşımı.
Daha fazla experiment.
Daha kısa feedback loop.
Daha düşük experiment cost.
Daha yüksek iteration velocity.
Buraya kadar Zuckerberg'e katılmamak zor.
Sorun bundan sonra başlıyor.
Kod %220 arttı, peki değer?
Reuters'ın gördüğü Meta iç verilerindeki en çarpıcı sayı bence şu:
Meta'nın iç yazılım platformları ve altyapısındaki code changes yıllık bazda %220 artıyor.
İlk bakışta inanılmaz bir verimlilik artışı.
AI çalışıyor.
Engineerlar daha fazla kod üretiyor.
Agentlar kod yazıyor.
Üretim üç kattan fazla artmış gibi görünüyor.
Ancak aynı dönemde Meta kullanıcılarına ulaşan yeni veya geliştirilmiş feature'lardaki artış yalnızca %36.
Ben burada haberi okumayı bırakıp biraz durdum.
Çünkü bu aslında teknoloji probleminden çok klasik bir growth problemi.
Bir sistemi optimize ederken yanlış metriği optimize ederseniz rakamlar çok güzel görünür ama şirket daha fazla değer üretmez.
Growth dünyasında buna yıllardır rastlıyoruz.
Traffic artıyor ama revenue artmıyor.
Lead artıyor ama satış artmıyor.
App download artıyor ama retention düşüyor.
Impression artıyor ama conversion değişmiyor.
Meta örneğinde ise:
Code output +%220
ama
user-facing improvements +%36.
Yani AI çok daha fazla output üretmiş.
Ama output aynı oranda outcome üretmemiş.
Benim için buradaki en önemli formül şu:
Output ≠ Outcome ≠ Business Value
Kod yazmak değer üretmek değildir.
Feature yayınlamak bile tek başına değer üretmek değildir.
Asıl mesele o feature'ın kullanıcıya, retention'a, revenue'ya, maliyete veya şirketin başka bir North Star metriğine ne kattığıdır.
Bir Growth Hacker mantığıyla bakarsanız Meta burada en tehlikeli hatalardan birine yaklaşmış:
local metric optimization.
Sistemin bir parçasını inanılmaz hızlandırıyorsunuz ama bütün sistem aynı oranda hızlanmıyor.
Çünkü bottleneck başka yerde.
AI üretkenliği değil, hatayı da ölçeklendiriyor
İşin daha ilginç kısmı bundan sonra geliyor.
Meta'nın altyapı ekipleri Mart ayında AI kaynaklı kod artışının bazı reliability warning signs oluşturduğunu raporlamaya başlamış.
Nisan ayındaki başka bir şirket içi paylaşımda kontrolsüz AI agentların insanların normalde yapmayacağı ölçekte büyük ve bozucu aksiyonlar gerçekleştirdiği belirtilmiş.
Reuters'ın incelediği iç verilere göre bunun ardından büyük teknik ve güvenlik olayları önceki yıla göre %40 artmış.
Çalışanların bu problemleri çözmek için harcadığı “firefighting” zamanı ise %70 yükselmiş.
İşte benim yapay zekâ agentları konusunda en fazla üzerinde durduğum konulardan biri tam olarak burada.
AI sadece başarıyı ölçeklendirmiyor.
Hatayı da ölçeklendiriyor.
Bir çalışan yanlış bir CRM kaydı açabilir.
Bir agent yanlış workflow ile on bin CRM kaydını birkaç dakika içerisinde değiştirebilir.
Bir çalışan yanlış kişiye mail gönderebilir.
Bir agent yanlış segmentasyonla on binlerce kişiye mail gönderebilir.
Bir developer yanlış bir işlem yapabilir.
Ama yetkileri doğru sınırlandırılmamış bir agent aynı hatayı yüzlerce sistemde saniyeler içerisinde tekrarlayabilir.
Yapay zekânın en büyük avantajı olan;
speed + scale + autonomy
aynı zamanda kontrolsüz bırakıldığında en büyük riski haline geliyor.
Bu yüzden bana göre agent kurarken sorulması gereken soru sadece:
“Bu agent ne yapabiliyor?”
değil.
Aynı zamanda:
“Bu agent yanlış yaptığında maksimum ne kadar zarar verebilir?”
olmalı.
Bu klasik yazılım geliştirmeden farklı bir risk yönetimi gerektiriyor.
Asıl paradoks: Meta'nın AI agentları başka yerde inanılmaz başarılı
Project OT haberini çok daha ilginç yapan şey ise şu:
Meta'nın AI agentları başarısız değil.
Tam tersine Meta kendi Engineering Blog'unda son derece başarılı agent sistemleri anlatıyor.
Örneğin Capacity Efficiency Program.
Meta'nın devasa altyapısında küçük performans kayıpları bile yüzlerce megawatt enerji anlamına gelebiliyor.
Meta bunun için performans problemlerini araştıran AI agentlar oluşturmuş.
Agent;
problemin belirtilerini topluyor,
ilgili code change'i buluyor,
dokümantasyonu inceliyor,
geçmişteki benzer problemlere bakıyor,
domain-specific engineering knowledge kullanıyor,
ardından çözüm için kod hazırlayıp pull request oluşturuyor.
Ancak burada çok kritik bir detay var.
Agent oluşturduğu çözümü doğrudan istediği gibi production'a basmıyor.
Orijinal mühendise review için gönderiyor.
Meta'nın kendi verilerine göre bazı performans araştırmalarında yaklaşık 10 saatlik manuel inceleme 30 dakikaya kadar düşebiliyor.
Program yüzlerce megawatt kapasite geri kazanılmasına katkı sağlamış ve bu işler büyürken ekibin aynı oranda büyümesine gerek kalmamasını sağlamış.
Yani AI burada tam olarak yapmasını istediğimiz şeyi yapıyor.
Headcount ihtiyacını azaltıyor.
Ama nasıl?
Dar bir problem alanı var.
Doğru araçlara erişimi var.
Domain knowledge tanımlanmış.
Validation criteria var.
Guardrail var.
İnsan review'u var.
Kısacası agenta:
“Git şirkette ne yapılması gerekiyorsa yap”
denmemiş.
Çok iyi tasarlanmış bir execution environment verilmiş.
Bence Meta'nın başarısız Project OT deneyi ile başarılı Capacity Efficiency sistemi arasındaki fark bize AI'ın bugünkü kapasitesini çok iyi anlatıyor.
AI'ın problemi bazen zekâ değil, şirketi tanımaması
Meta'nın başka bir mühendislik çalışması bunu daha da güzel ortaya koyuyor.
Meta AI agentları büyük bir data processing pipeline üzerinde kullanmak istiyor.
Sistem:
4 repository,
3 programlama dili,
4.100'den fazla dosya
ve birbirine bağlı çok sayıda sistemden oluşuyor.
İlk denemelerde agentlar yeterince iyi çalışmıyor.
Çünkü AI kodu görebiliyor.
Ama şirketin yıllar içerisinde oluşmuş “tribal knowledge” dediğimiz örtük bilgisini bilmiyor.
Örneğin bir enum deprecated görünüyor.
Normal bir model:
“Artık kullanılmıyor, silelim.”
diyebilir.
Ama yıllardır o sistem üzerinde çalışan engineer bilir ki onu silersen eski serialization compatibility bozulacak.
Başka bir configuration anlamsız görünebilir.
Ama başka bir downstream sistem ona bağlı olabilir.
Bir field başka yerde farklı isimle kullanılıyor olabilir.
Bunların çoğu hiçbir dokümantasyonda yazmaz.
İnsanların kafasındadır.
Meta bunun üzerine 50'den fazla specialized AI agent kullanarak tüm sistemi taratıyor.
4.100'den fazla dosya haritalanıyor.
59 adet context file oluşturuluyor.
50'den fazla “non-obvious pattern” çıkarılıyor.
Ardından critic agentlar bu bilgileri kontrol ediyor.
Sonuç?
AI navigation coverage yaklaşık %5 seviyesinden %100'e çıkıyor.
Pre-computed context kullanan agentların tool call ve token kullanımı yaklaşık %40 azalıyor.
Daha önce engineerlarla konuşarak yaklaşık iki gün sürebilecek bazı workflow araştırmaları yaklaşık 30 dakikaya düşüyor.
Bana göre geleceğin şirketleri için burada çok büyük bir ders var.
Şirket bilgisinin AI-readable hale gelmesi gerekiyor.
CRM'iniz kötü.
Dokümantasyonunuz kötü.
Databases birbirinden kopuk.
Süreçlerin yarısı WhatsApp mesajlarında.
Bir görevin neden öyle yapıldığını kimse yazmamış.
Hangi çalışanın hangi kararı neden verdiği bilinmiyor.
Sonra şirket AI agent kuruyor ve:
“Niye doğru çalışmıyor?”
diyor.
Çünkü model şirketinizi bilmiyor.
Daha doğrusu şirketiniz kendisini bilmiyor olabilir.
McKinsey'in 2026 araştırması da buna oldukça yakın bir tablo çiziyor.
Dünya genelinde şirketlerin yaklaşık üçte ikisi agentları denemiş durumda ancak %10'dan azı bunları ölçülebilir değer üretecek şekilde ölçekleyebilmiş.
Şirketlerin yaklaşık 10'da 8'i data limitations'ı ölçeklemenin önündeki engellerden biri olarak gösteriyor.
Bu yüzden benim gözümden geleceğin AI dönüşümü aslında biraz da:
knowledge infrastructure dönüşümü.
Bir task'ı otomatikleştirmek bir job'ı otomatikleştirmek değildir
Bence Project OT'deki temel düşünce hatalarından biri burada olabilir.
Bir software engineer'ın çok fazla kod yazdığı görülüyor.
AI kod yazabiliyor.
O halde daha az engineer gerekir.
Belirli ölçüde doğru.
Ama bir engineer'ın işi sadece kod yazmak değil.
Engineer;
requirement'ın yanlış olduğunu fark eder,
iki sistem arasındaki görünmeyen bağı bilir,
geçmişte neden belirli bir karar alındığını hatırlar,
risk değerlendirir,
başka ekiplerle konuşur,
production'da oluşabilecek sonuçları düşünür,
öncelik belirler,
bazen de yapılabilecek bir şeyi yapmamaya karar verir.
AI ilk bölümü çok iyi yapıyor olabilir.
Ancak bu, rolün tamamını ikame ettiği anlamına gelmez.
Microsoft Research'ün 2026'da yayımladığı CORPGEN araştırması tam da bunu göstermeye çalışıyor.
Çünkü klasik agent benchmarklarının çoğu AI'a tek görev veriyor.
Gerçek hayatta çalışanlar böyle çalışmıyor.
Sabah bilgisayarını açtığında:
mail,
rapor,
spreadsheet,
müşteri,
sunum,
Slack,
bekleyen proje,
başkasına bağımlı görev,
deadline
aynı anda geliyor.
Microsoft agentları bu şekilde çoklu iş ortamına soktuğunda concurrent task sayısı 12'den 46'ya çıktıkça başarı oranının %16,7'den %8,7'ye düştüğünü gözlemledi.
Problemler:
memory overload,
task interference,
karmaşık dependencies,
sürekli yeniden önceliklendirme.
Microsoft daha iyi memory isolation, hierarchical planning ve orchestration ile sonuçları 3,5 kata kadar artırabildi.
Ama araştırmanın verdiği mesaj çok açık:
Tek bir görevi mükemmel yapan agent ile bütün gün çalışan dijital employee aynı şey değil.
AI insanların yerini almıyor demek de kendimizi kandırmak olur
Burada diğer uca da düşmek istemiyorum.
“Bak Meta başaramadı, demek ki AI insanların yerini alamayacak.”
Bence çok yanlış bir sonuç olur.
Stanford'ın 2026 AI Index Report verileri oldukça açık.
Raporda derlenen araştırmalarda AI kullanımıyla;
müşteri hizmetlerinde %14–15
software development'ta %26
marketing output'ta %50
seviyelerine ulaşan productivity gains raporlanıyor.
Üstelik kazanımların en yüksek olduğu alanların ortak özelliği:
structured + measurable + monitorable
işler olması.
Aynı rapora göre şirketlerin yaklaşık üçte biri önümüzdeki yıl AI nedeniyle workforce reduction bekliyor.
En yüksek azalma beklentileri arasında service operations, supply chain ve software engineering bulunuyor.
Dolayısıyla evet.
AI bazı işleri ortadan kaldıracak.
Bazı şirketlerde 10 kişinin yaptığı işi 3 kişi + agentlar yapacak.
Bazı departmanlar küçülecek.
Bazı roller tamamen kaybolacak.
Bazı junior pozisyonlarına eskisi kadar ihtiyaç olmayacak.
Bunu görmezden gelmenin anlamı yok.
Ancak bana göre yanlış denklem şu:
Bir çalışanın yaptığı işlerin %60'ını AI yapabiliyor → çalışanların %60'ını çıkartabiliriz.
İş hayatı böyle matematiksel çalışmıyor.
Çünkü o çalışanın kalan %40'ı şirket için ürettiği değerin %80'i olabilir.
Growth tarafından baktığımda başka bir problem daha görüyorum: gerçek Unit Economics
Şirketlerin AI dönüşümünü değerlendirirken yalnızca:
kaç kişiyi azalttık?
sorusuna bakması bence büyük hata.
Asıl hesap:
Employee cost saved
eksi
AI infrastructure
eksi
model/token cost
eksi
integration cost
eksi
engineering cost
eksi
monitoring
eksi
error correction
eksi
security incidents
eksi
downtime
eksi
human review
eksi
rework.
Meta'da teknik ve güvenlik olayları %40 artarken firefighting zamanının %70 yükselmesi tam burada önemli hale geliyor.
Kağıt üzerinde 100 kişinin işini 50 kişiye düşürdünüz diyelim.
Harika.
Ama kalan 50 kişi zamanının yarısını AI'ın ürettiği problemleri düzeltmeye harcıyorsa beklediğiniz economics oluşmamış olabilir.
Growth bana göre sadece geliri büyütmek değildir.
Bir sistemin sürdürülebilir şekilde daha fazla değer üretmesini sağlamak.
AI da ancak bu denklemin tamamını iyileştiriyorsa optimizasyondur.
Yalnızca payroll küçülüyorsa değil.
Kötü sürece AI koyunca iyi süreç oluşmuyor
Deloitte'un 2026 araştırmalarındaki en dikkat çekici noktalardan biri de bu.
Şirketlerin %84'ü AI'a uygun olacak şekilde işleri yeniden tasarlamamış durumda.
Birçok şirket mevcut insan süreçlerinin üzerine autonomous agent ekliyor.
Deloitte bunu oldukça yerinde bir benzetmeyle mevcut organizasyon modeline agent eklemeyi bisiklete jet motoru takmaya benzetiyor.
Sorun motorun gücü değil.
Bisiklet o hız için tasarlanmamış.
Bence burada şirketlerin yapması gereken:
process → AI
değil.
Önce:
process redesign
sonra:
AI-native workflow.
Çünkü kötü tasarlanmış bir süreci otomatikleştirirseniz kötü süreci yalnızca hızlandırırsınız.
Growth dünyasında yıllardır aynı şeyi söylüyoruz.
Çalışmayan funnel'a daha fazla trafik göndermek funnel'ı düzeltmez.
Conversion rate %0,5 ise media budget'ı iki katına çıkarmak problemi çözmez.
Aynı şey AI'da da geçerli.
Broken Process × AI = Faster Broken Process
Peki hangi işleri bugün AI'a bırakabiliriz?
Ben burada işleri dört gruba ayırırım.
1. Copilot
AI önerir.
İnsan yapar.
Strateji geliştirme, yaratıcı karar, karmaşık analiz gibi alanlar.
2. Human in the loop
AI işi yapar.
İnsan kontrol eder ve onaylar.
Meta'nın pull request sistemi buna güzel örnek.
3. Human on the loop
AI karar verir ve işlemi yapar.
İnsan sistemi monitor eder.
Sadece exception olduğunda devreye girer.
4. Autonomous
AI karar verir.
AI uygular.
AI sonucu kontrol eder.
İnsan yalnızca sistem seviyesinde oversight yapar.
Asıl şirket maliyetlerinin dramatik olarak düştüğü seviye üçüncü ve dördüncü seviye olacak.
Ve ben şirketlerin buraya geleceğini düşünüyorum.
Ancak her süreç aynı hızda gelmeyecek.
Deloitte'un 2026 State of AI çalışmasında da daha ileri organizasyonların AI'ın baştan sona yapabildiği workflow'ları ayırdığı, insanların ise judgment, exception handling ve strategic oversight tarafına kaydığı görülüyor.
Bence geleceğin organizasyon şeması da buna benzeyecek.
Eskiden:
10 insan → 10 birim output
vardı.
Sonra:
10 insan + AI → 20 birim output
oldu.
Gelecekte büyük ihtimalle:
3 insan + 20 agent → 50 birim output
gibi organizasyonlar göreceğiz.
Dolayısıyla insan tamamen sistemin dışına çıkmıyor.
Ancak rolü değişiyor.
Execution azalıyor.
Orchestration artıyor.
Review artıyor.
Exception handling artıyor.
Strategy artıyor.
Decision rights değişiyor.
Meta'nın hatası AI'a güvenmek değildi
Bence Project OT'yi sadece bir Zuckerberg başarısızlığı olarak okumak da haksızlık olur.
Çünkü denedikleri şey muhtemelen şirketlerin önümüzdeki beş-on yıl içerisinde yapmak zorunda kalacağı dönüşümün erken bir versiyonu.
Üstelik Zuckerberg yaptığı hatayı da tamamen reddetmedi.
Reuters'a göre Temmuz ayında yapılan şirket içi town hall'da agentic teknolojinin beklediği kadar hızlı “accelerate” olmadığını kabul etti ve önümüzdeki üç-altı ayda teknolojinin daha fazla fayda üretmesini beklediğini söyledi.
Bence burada söylenen şey:
“AI çalışmıyor.”
değil.
Daha çok:
“Teknolojinin readiness seviyesini organizasyon değişiminden daha hızlı tahmin ettik.”
Ve benim gözümden asıl hata burada.
AI'a güvenmek değil.
AI'ın hazır olduğu seviyeyi yanlış değerlendirmek.
Meta Mayıs ayında Project OT'nin ilk dalgası kapsamında yaklaşık %10'luk kesintiyi uyguladı ancak Kasım için düşünülen ikinci geniş dalganın planlamasını Zuckerberg ilk dalgadan saatler önce durdurdu.
Çalışan sentiment'inin de aynı süreçte Meta'nın Pulse Survey verilerine göre %74 favorable seviyesinden %55'e düşmesi önemli.
Çünkü organizasyon dönüşümü yalnızca teknoloji mimarisi değildir.
İnsan mimarisidir.
Meta çalışanların keyboard ve mouse hareketlerini AI sistemlerini eğitmek amacıyla kaydedecek bir sistemi devreye aldığında çalışanların bir bölümü doğal olarak:
“Kendi yerimize gelecek AI'ı biz eğitiyoruz.”
diye düşündü.
Sonrasında bu program durduruldu.
Bir tarafta çalışanınıza:
“AI sizin işinizi değiştirecek.”
deyip,
diğer tarafta organizasyonun %60 küçülebileceği senaryolar hazırlayıp,
sonra aynı çalışanlardan:
“Şimdi bu AI dönüşümünü başarıya ulaştırın.”
demek change management açısından oldukça zor bir denklem.
Benim çıkardığım sonuç
Ben AI'ın insanları tamamen ikame edemeyeceğini düşünmüyorum.
Bence edecek.
Ama iş bazında değil, görev kümeleri ve süreçler üzerinden başlayacak.
Önce:
task automation.
Sonra:
workflow automation.
Sonra:
decision automation.
Sonra:
department automation.
En son belki gerçekten:
organization automation.
Ama aradaki basamakları atlayamazsınız.
Bir şirkete AI agent koymadan önce benim soracağım sorular şunlar olur:
Görev açıkça tanımlı mı?
Agent'ın ihtiyacı olan bütün context erişilebilir mi?
Başarılı ve başarısız sonuç ölçülebiliyor mu?
Yanlış karar geri alınabilir mi?
Agent'ın yetkileri sınırlandırılmış mı?
Audit log tutuluyor mu?
Agent kendi sonucunu doğrulayabiliyor mu?
Exception olduğunda insan escalation noktası var mı?
Bu workflow gerçekten iyi tasarlanmış mı?
Ve en önemlisi bu otomasyon şirketin gerçek North Star metriğini iyileştiriyor mu?
Çünkü AI çağında da değişmeyen bir growth kuralı var.
Ölçemediğiniz şeyi optimize edemezsiniz.
Meta kod miktarını %220 artırdı.
Ama bu sayı tek başına başarının ölçüsü değildi.
Bence önümüzdeki birkaç yıl içerisinde yapay zekâyı gerçekten başarılı kullanan şirketlerle sadece “AI kullanıyoruz” diyen şirketleri birbirinden ayıracak şey model seçimi olmayacak.
Herkes aynı modellere erişebilecek.
Farkı;
process design
data infrastructure
company knowledge
orchestration
guardrails
measurement
decision architecture
ve
insan ile AI arasındaki görev dağılımı
yaratacak.
Meta'nın Project OT deneyi bu yüzden benim için bir AI başarısızlığı değil.
Tam tersine AI ekonomisine geçişin erken dönemlerinden çok değerli bir vaka çalışması.
Çünkü bize şunu gösteriyor:
AI çalışanların yerini alacak.
Ama şirketlerin önce çalışanlarının gerçekte ne yaptığını anlaması gerekiyor.
Ve belki bundan da önemlisi:
Bir insanın yaptığı işi otomatikleştirmekle, bir insanın organizasyondaki değerini otomatikleştirmek aynı şey değil.
Kaynaklar: Reuters'ın 26 Ağustos 2026 tarihli Project OT özel araştırması; Meta Engineering'in “Capacity Efficiency at Meta” ve “How Meta Used AI to Map Tribal Knowledge” teknik yazıları; Microsoft Research CORPGEN araştırması; Stanford HAI 2026 AI Index Report; Deloitte State of AI in the Enterprise 2026 ve operating model araştırmaları; McKinsey'nin agentic AI'ın ölçeklenmesi ve data altyapısı üzerine 2026 araştırmaları.