YAPAY ZEKÂ VE MESLEKLERİN DÖNÜŞÜMÜ Hangi Meslekler İkame Edilir, Hangileri Doğar: Türkiye’de Üniversite Kontenjanları ve Mezun Arzı Üzerinden Bir Uyum Açığı Değerlendirmesi Artificial Intelligence and the Transformation of Occupations. Which Jobs Are Substituted and Which Emerge: An Assessment of the Adjustment Gap through University Quotas and Graduate Supply in Türkiye Derleme Makale / Review Article Yapay zekâ ve istihdam • görev maruziyeti • meslek dönüşümü • yükseköğretim kontenjanı • beceri uyumsuzluğu ÖZET Üretken yapay zekânın istihdam üzerindeki etkisi, önceki otomasyon dalgalarından bir noktada ayrılır: baskı bu kez el emeğine değil, büro ve bilgi işlerine yönelmiştir. Bu makale önce maruziyet yazınını karşılaştırır. Frey ve Osborne’un (2017) meslek temelli %47’lik tahmini ile Arntz vd.’nin (2016) görev temelli %9’luk tahmini arasındaki fark, ölçüm biriminin meslek mi görev mi olduğuyla açıklanır. Eloundou vd. (2024) ABD işgücünün yaklaşık %80’inin görevlerinin en az onda birinde etkileneceğini, %19’unun ise görevlerinin yarısından fazlasında etkileneceğini bulmuştur. Gmyrek vd. (2023) büro destek elemanlarında görevlerin %24’ünün yüksek, %58’inin orta düzeyde maruz kaldığını, diğer meslek gruplarında yüksek maruziyetin %1 ile %4 arasında kaldığını göstermiştir. Makale ikinci bölümünde ikame baskısı yüksek meslekleri, dayanıklı meslekleri ve model üretim zincirinden doğan yeni meslekleri ayrı ayrı ele alır. Üçüncü bölümde bulgular Türkiye’ye taşınır. İstihdamın %59,3’ünün hizmetlerde olduğu bir yapıda (TÜİK, 2026), maruziyetin yoğunlaştığı alan geniştir. ÖSYM’nin 2026-YKS kılavuzundan program bazında ayrıştırılan kontenjan verileri, ikame baskısı yüksek on bir program başlığında 71.088 kontenjan bulunduğunu, yapay zekâ ve veri çekirdeğinde ise 6.870 kontenjan bulunduğunu göstermektedir. Çekirdeğin %44,8’i ön lisans düzeyindedir ve tek başına Yapay Zekâ Operatörlüğü kontenjanı (974), Yapay Zekâ Mühendisliği kontenjanını (647) aşmaktadır. Makale, sorunu bir kontenjan azlığı değil, bir düzey ve içerik uyumsuzluğu olarak tanımlamaktadır.
Anahtar Kelimeler: yapay zekâ ve istihdam, görev maruziyeti, otomasyon, meslek dönüşümü, ikame ve tamamlama, yükseköğretim kontenjanı, mezun arzı, beceri uyumsuzluğu, ÖSYM, YÖK, işgücü piyasası, Türkiye ABSTRACT The employment effect of generative artificial intelligence differs from earlier waves of automation on one point: the pressure falls on clerical and knowledge work rather than on manual labour. This article first compares the exposure literature. The gap between the occupation-based estimate of 47 per cent by Frey and Osborne (2017) and the task-based estimate of 9 per cent by Arntz et al. (2016) is explained by whether the unit of measurement is the occupation or the task. Eloundou et al. (2024) find that around 80 per cent of the United States workforce could see at least one tenth of their tasks affected, and 19 per cent could see more than half. Gmyrek et al. (2023) show that among clerical support workers 24 per cent of tasks are highly exposed and 58 per cent are exposed at a medium level, while high exposure remains between 1 and 4 per cent in other occupational groups. The article then treats substitution-prone occupations, resilient occupations, and the new occupations arising from the model production chain separately. The findings are carried to Türkiye. With 59.3 per cent of employment in services (TurkStat, 2026), the area of concentrated exposure is wide. Quota data parsed programme by programme from the 2026 higher education guide of the Student Selection and Placement Centre show 71,088 places under eleven substitution-prone programme headings against 6,870 places in the artificial intelligence and data core. Of that core, 44.8 per cent sits at associate degree level, and the quota for Artificial Intelligence Operator alone (974) exceeds that for Artificial Intelligence Engineering (647). The article defines the problem as a mismatch of level and content rather than a shortage of places.
Keywords: artificial intelligence and employment, task exposure, automation, occupational change, substitution and augmentation, higher education quotas, graduate supply, skills mismatch, labour market, Türkiye 1. Giriş Otomasyon tartışmasının klasik biçimi şuydu: makine, elin yaptığı işi devralır; insan, kafanın yaptığı işe çekilir. Dokuma tezgâhından montaj hattına kadar iki yüz yıllık örüntü büyük ölçüde bu yöndeydi. Üretken yapay zekâ bu örüntüyü tersine çevirmiştir. Bugün baskı altındaki görevler bir metnin taslağını yazmak, bir tabloyu özetlemek, bir sözleşmeyi çevirmek ve bir görseli üretmektir; yani diploma gerektiren işlerin gündelik içeriği. Bu tersine dönüş, yükseköğretim planlamasını doğrudan ilgilendirir. Bir üniversite programı, bugün alınan öğrenciyi dört ya da iki yıl sonra piyasaya verir. Kontenjan kararları bu nedenle bugünün değil, orta vadenin işgücü talebine göre alınmak zorundadır. Türkiye’de 2025-2026 öğretim yılında 208 yükseköğretim kurumunda 6.301.434 öğrenci bulunmaktadır ve 2024-2025 akademik yılında 874.171 kişi mezun olmuştur (YÖK, 2026). Bu ölçekte bir sistemde yanlış yöne verilen kontenjan, sonuçlarını yıllar sonra ve toplu hâlde gösterir. Yazın alanında iki soru çoğu zaman birbirine karıştırılır. Birincisi hangi mesleklerin ortadan kalkacağıdır. İkincisi hangi görevlerin el değiştireceğidir. İkisi aynı soru değildir ve verilen cevapların birbirinden bu kadar uzak çıkmasının başlıca nedeni budur. Frey ve Osborne (2017) meslekleri bir bütün olarak ele alıp ABD istihdamının %47’sini yüksek riskli saymıştı. Arntz vd. (2016) aynı veriyi görev düzeyinde çözümleyince oran OECD ortalamasında %9’a düştü.
Bu makale üç şey yapmayı amaçlar. Önce maruziyet yazınını karşılaştırıp hangi ölçütün neyi ölçtüğünü ayırır. Sonra ikame baskısı yüksek meslekleri, baskıya dayanıklı meslekleri ve model üretim zincirinden doğan yeni meslekleri sınıflandırır. Son olarak bulguları Türkiye’ye taşır ve yükseköğretim arzını ölçer. Bu son adım için ÖSYM’nin 2026-YKS Yükseköğretim Programları ve Kontenjanları Kılavuzu program bazında ayrıştırılmış, kontenjanlar program adlarına göre toplulaştırılmış ve yıllık mezun arzı için bir tahmin üretilmiştir. Makalenin geri kalanı şu şekilde düzenlenmiştir. İkinci bölüm kavramsal çerçeveyi, üçüncü bölüm maruziyet ölçümlerini ve ampirik bulguları sunar. Dördüncü bölüm ikame baskısı yüksek meslekleri, beşinci bölüm dayanıklı meslekleri, altıncı bölüm doğan meslekleri ele alır. Yedinci bölüm Türkiye’nin işgücü yapısını inceler. Sekizinci bölüm yükseköğretim verisinin kaynağını ve yöntemini açıklar; dokuzuncu ve onuncu bölümler kontenjan ile mezun arzı bulgularını verir. On birinci bölüm politika araçlarının sınırlarını tartışır; on ikinci bölüm önerileri, on üçüncü bölüm sonucu sunar.
2. Kavramsal Çerçeve 2.1. Meslek temelli yaklaşım Frey ve Osborne (2017), 702 meslek için otomasyona açıklık puanı hesapladı. Yöntem, her mesleği bir bütün olarak ele alıp üç darboğaza göre puanlar: algı ve el becerisi, yaratıcı zekâ, sosyal zekâ. Bu darboğazların zayıf olduğu meslekler yüksek riskli sayıldı ve ABD istihdamının %47’si bu gruba girdi.
Çalışmanın etkisi büyük oldu, eleştirisi de. Temel itiraz şudur: bir mesleğin adı, o meslekte fiilen yapılan işlerin listesi değildir. Aynı unvanla çalışan iki kişi bambaşka görev bileşimlerine sahip olabilir. Meslek düzeyinde puanlama, mesleğin en otomatikleştirilebilir görevinden hareketle bütünü riskli saymaya eğilimlidir.
Yaklaşımın kendisi de boşlukta doğmadı. Autor vd. (2003), teknolojik değişimin rutin görevleri ikame ederken rutin olmayan analitik ve kişilerarası görevleri tamamladığını gösteren çerçeveyi kurmuştu. Bu çerçevede rutinlik, işin zorluğuyla değil tarif edilebilirliğiyle ölçülür. Bir muhasebe mutabakatı zihinsel çaba gerektirir ama adımlanabilir; buna karşılık bir müşteriyi ikna etmek görece basit görünür ve adımlanamaz. Frey ve Osborne’un darboğaz listesi bu ayrımın genişletilmiş hâlidir.
2.2. Görev temelli itiraz Arntz vd. (2016) aynı soruyu OECD’nin yetişkin beceri anketi verisiyle görev düzeyinde ele aldı. Sonuç çarpıcı biçimde farklı çıktı: görevlerinin çoğu otomatikleştirilebilir olan çalışanların payı OECD ortalamasında %9 idi. Aradaki fark bir hesap hatasından değil, ölçüm biriminden kaynaklanır.
Autor (2015) bu çerçeveye ikinci bir katman ekler. Otomasyon, bir mesleğin bazı görevlerini devraldığında geriye kalan görevlerin değerini çoğu zaman yükseltir; çünkü bu görevler artık kıt olan girdilerdir. Bessen’in (2015) aktardığı otomatik vezne makinesi örneği bunun sık anılan hâlidir. Makine şube başına düşen veznedar sayısını düşürmüş, şube açmanın maliyeti düştüğü için şube sayısı artmış ve toplam veznedar istihdamı azalmamıştır. Görev bileşimi değişmiş, meslek kalmıştır.
Acemoglu ve Restrepo (2019) bu ilişkiyi iki karşıt kuvvete ayırır. Yerinden etme etkisi, otomasyonun mevcut görevleri emekten alıp sermayeye devretmesidir. Yeniden yerleştirme etkisi ise teknolojinin emeğin karşılaştırmalı üstünlüğüne sahip olduğu yeni görevler yaratmasıdır. İstihdamın net yönü, hangi kuvvetin baskın olduğuna bağlıdır ve bu, teknolojinin doğasından çok kurumların ve yatırım yönünün belirlediği bir sonuçtur. Aynı yazarların (2020) sanayi robotu verisiyle yaptığı çalışma, robot yoğunluğunun arttığı ABD yerel işgücü piyasalarında istihdam ve ücretlerin gerilediğini bulmuştur; yani yeniden yerleştirme kendiliğinden gerçekleşmemektedir.
2.3. Üretken yapay zekânın farkı Önceki otomasyon dalgaları kural tabanlıydı. Bir işin otomatikleştirilebilmesi için o işin adım adım tarif edilebilmesi gerekiyordu. Polanyi’nin paradoksu diye anılan sınır buydu: söyleyebildiğimizden fazlasını biliriz, dolayısıyla tarif edemediğimiz işi kodlayamayız (Polanyi, 1966). Örüntü tabanlı öğrenme bu sınırı kısmen kaldırdı; model, kuralı verilmeden örnekten öğreniyor.
Bunun istihdam açısından sonucu, maruziyet profilinin yer değiştirmesi oldu. Rutin el işleri hâlâ robotik ve maliyet kısıtlarına takılıyor. Buna karşılık metin üretme, özetleme, çevirme, sınıflandırma ve taslak hazırlama gibi işler, yani orta ve yüksek eğitimli beyaz yakalı işin çekirdeği, doğrudan modelin yaptığı işe denk düşüyor. Maruziyetin eğitim düzeyiyle birlikte artması, otomasyon yazınında alışılmadık bir durumdur. 3. Maruziyet Ölçümleri ve Ampirik Bulgular 3.1. Görev maruziyeti tahminleri Eloundou vd. (2024) büyük dil modellerinin ABD meslek görevleri üzerindeki etkisini ölçtü. Bulgu iki katmanlıdır: işgücünün yaklaşık %80’i görevlerinin en az %10’unda etkilenebilir, %19’u ise görevlerinin en az %50’sinde etkilenebilir. İkinci sayı birinciden çok daha anlamlıdır, çünkü işin yarısından fazlasının etkilenmesi görev bileşiminin yeniden kurulmasını gerektirir.
Şekil 1, farklı çalışmaların tahminlerini bir arada vermektedir. Sayıların birbirine yakın olmaması bir tutarsızlık göstergesi değildir; her biri farklı bir soruya yanıt verir. Karşılaştırmalı okuma için ölçüt farklarının Tablo 1’de olduğu gibi açıkça ayrılması gerekir. Şekil 1. Otomasyon ve yapay zekâ maruziyetine ilişkin tahminlerin karşılaştırması (2026) Tablo 1. Maruziyet çalışmalarının yöntem ve bulgu bakımından karşılaştırması Çalışma Ölçüm birimi Kapsam Temel bulgu Frey ve Osborne (2017) Meslek ABD, 702 meslek İstihdamın %47’si yüksek otomasyon riskinde Arntz vd. (2016) Görev OECD, 21 ülke Çalışanların %9’u yüksek riskte Gmyrek vd. (2023) Görev Küresel, ISCO-08 Büro işlerinde %24 yüksek, %58 orta maruziyet Eloundou vd. (2024) Görev ABD işgücü %80’i ≥%10, %19’u ≥%50 görev etkilenmesi Acemoglu (2024) Makro ABD ekonomisi On yılda toplam faktör verimliliğinde %0,5- 0,7 artış WEF (2025) İşveren anketi 55 ekonomi, 1.000 2030’a kadar net 78 milyon iş artışı şirket Not. Ölçüm birimleri farklı olduğu için oranlar doğrudan karşılaştırmaya elverişli değildir. Kaynak: Anılan çalışmalar temel alınarak derlenmiştir.
Eloundou vd.’nin çalışması tek başına değildir. Felten vd. (2021), yapay zekâ yeteneklerini meslek becerileriyle eşleştiren bir maruziyet endeksi geliştirmiş ve en yüksek maruziyeti telemarketing ile dil öğretimi gibi alanlarda bulmuştu. Webb (2020) patent metinlerini meslek tanımlarıyla eşleştiren bir yöntem kullanmış ve yapay zekânın yüksek ücretli mesleklere yöneldiğini, oysa robotik ve yazılımın geçmişte tersini yaptığını göstermişti. OECD (2023) bu bulguları derleyip aynı sonuca varır: maruziyet artık eğitim düzeyiyle ters değil doğru orantılıdır.
Bu endekslerin ortak zayıflığı, hepsinin yetenek üzerinden ölçüm yapmasıdır. Bir görevin model tarafından yapılabilir olması, o görevin model tarafından yapılacağı anlamına gelmez. Aradaki fark benimseme hızıdır ve benimseme, kurumsal süreçlerin, düzenlemenin ve maliyetin belirlediği ayrı bir değişkendir. Bick vd. (2024) ABD’de üretken yapay zekânın benimsenme hızını ölçtükleri çalışmada, teknolojinin kişisel bilgisayar ve internetten daha hızlı yayıldığını, buna karşılık iş yerindeki kullanımın ev kullanımının gerisinde kaldığını bulmuştur.
3.2. İkame ile tamamlama ayrımı Uluslararası Çalışma Örgütü için hazırlanan çalışmada Gmyrek vd. (2023) maruziyeti ikiye ayırır: görevin modele tümüyle geçmesi (ikame) ve görevin model desteğiyle yapılması (tamamlama). Bulguya göre baskın etki tamamlamadır. İkame, yalnızca dar bir görev kümesinde gerçekleşmektedir.
Meslek grupları arasındaki fark keskindir. Büro destek elemanlarında görevlerin %24’ü yüksek, %58’i orta düzeyde maruzdur. Diğer meslek gruplarında yüksek maruziyetli görev payı %1 ile %4 arasında kalır ve orta maruziyetli görev payı %25’i aşmaz. Sıralama büro destek elemanlarıyla başlar, teknisyen ve yardımcı profesyonellerle devam eder, profesyonel meslekler üçüncü sırada gelir.
Çalışmanın iki yan bulgusu Türkiye açısından doğrudan anlamlıdır. Birincisi, etki yüksek ve üst-orta gelirli ülkelerde daha büyüktür; çünkü bu ülkelerde büro işlerinin istihdam içindeki payı yüksektir. İkincisi, büro işleri kadın istihdamının önemli bir kaynağı olduğu için etki toplumsal cinsiyet bakımından dengesizdir.
3.3. Alan deneylerinden verimlilik bulguları Maruziyet tahminleri neyin etkilenebileceğini söyler, ne olduğunu söylemez. Bunun için denetimli deneylere bakmak gerekir.
• Noy ve Zhang (2023), profesyonel yazı görevlerinde model desteğiyle çalışan grubun işi %40 daha hızlı bitirdiğini ve çıktı kalitesinin %18 arttığını bulmuştur. • Peng vd. (2023), yazılım geliştiricilerle yürüttükleri rastgele kontrollü denemede kod tamamlama aracı kullanan grubun görevi %55,8 daha hızlı tamamladığını raporlamıştır. • Brynjolfsson vd. (2025), bir müşteri destek merkezinde 5.000’i aşkın çalışanla yürüttükleri saha çalışmasında verimliliğin ortalama %15 arttığını, kazancın büyük bölümünün deneyimsiz çalışanlarda toplandığını göstermiştir. Üçüncü bulgu, istihdam açısından en dikkat çekici olanıdır. Model desteği deneyimsizin çıktısını deneyimlininkine yaklaştırıyorsa, deneyimin piyasa değeri düşer. Bu, kıdem primi üzerinden çalışan kariyer basamaklarını doğrudan etkileyen bir sonuçtur. Aynı mekanizma giriş düzeyi pozisyonlar için ters yönde çalışır: eğer acemi işini modelle yapabiliyorsa, işveren o pozisyonu açmayı erteleyebilir.
3.4. Makro tahminler Acemoglu (2024), üretken yapay zekânın on yıllık dönemde ABD toplam faktör verimliliğine katkısını %0,5 ile %0,7 arasında tahmin eder. Gerekçesi, modelin gerçekten iyi olduğu görevlerin toplam katma değer içindeki payının sınırlı olmasıdır. Bu tahmin, teknolojinin etkisinin dar ama derin olduğunu ileri sürer: az sayıda meslekte büyük değişim, ekonominin bütününde ölçülü bir verimlilik kazancı.
Dünya Ekonomik Forumu’nun (2025) 55 ekonomiden 1.000 şirketle yürüttüğü ankete göre 2030’a kadar 170 milyon yeni iş doğacak, 92 milyon iş yer değiştirecek ve net artış 78 milyon olacaktır. Aynı rapor çalışanların temel becerilerinin %39’unun bu dönemde geçersizleşeceğini öngörmektedir. Anket temelli bir tahmin olduğu için sayılar işveren beklentisini yansıtır; yine de net etkinin pozitif beklendiğini göstermesi bakımından anlamlıdır.
4. İkame Baskısı Yüksek Meslekler Bu bölümdeki meslekler için ortak özellik şudur: çıktı büyük ölçüde metin, tablo ya da görseldir; girdi dijitaldir; hata maliyeti orta düzeydedir ve doğrulama görece kolaydır. Bu üç koşul bir arada sağlandığında ikame ekonomik olarak anlamlı hâle gelir. 4.1. Büro ve kayıt işleri Veri girişi, evrak tasnifi, randevu ve yazışma yönetimi, form doldurma ve raporlama gibi işler en yüksek maruziyetli gruptur (Gmyrek vd., 2023). Bu işlerde modelin performansı insanınkine yakındır ve hata çoğunlukla sonraki adımda yakalanabilir. İkame burada yavaş ilerler, çünkü sınırlayıcı unsur teknoloji değil kurumsal süreç değişikliğidir. 4.2. Çeviri ve yerelleştirme Makine çevirisi otuz yıldır var, ancak yayımlanabilir nitelikte çıktı üretmesi yenidir. Bugün rutin ticari yazışma, teknik kılavuz ve altyazı çevirisi büyük ölçüde model çıktısının düzeltilmesine dönüşmüştür. Mesleğin kendisi ortadan kalkmamış, ağırlık merkezi çeviriden son okuma ve sorumluluk üstlenmeye kaymıştır.
Ayrım şurada belirginleşir: yeminli çeviri, hukuki metin ve edebî çeviride sorumluluk ve bağlam bilgisi belirleyicidir; buralarda ikame sınırlıdır. Buna karşılık hacim işi olan alanlarda birim fiyat düşmektedir. Sonuç, aynı meslek içinde iki farklı yönde ayrışmadır. 4.3. İçerik üretimi, tasarım ve çağrı merkezi Şablon içerik yazarlığı, ürün açıklaması, sosyal medya metni ve stok görsel üretimi, modelin en hızlı yerleştiği alanlardandır. Grafik tasarımda basit görsel üretimi ile kavramsal tasarım arasındaki mesafe açılmaktadır; birincisi ucuzlarken ikincisinin değeri korunmaktadır. Çağrı merkezlerinde birinci düzey destek, yani bilinen sorulara bilinen yanıtları veren katman, doğrudan hedeftedir. Brynjolfsson vd.’nin (2025) bulgusu bu bağlamda iki yönlü okunabilir: model desteği mevcut çalışanı daha verimli kılar, ama aynı verimlilik artışı aynı iş hacmi için daha az çalışan gerektiği anlamına da gelir.
4.4. Muhasebe ve rutin hukuki belge işleri Fatura işleme, mutabakat, sınıflandırma ve rutin beyan hazırlığı yüksek maruziyetlidir. Buna karşılık mali müşavirlik mesleğinin sorumluluk taşıyan kısmı, yani imza atılan beyan ve denetim görüşü, hukuken bir kişiye bağlıdır ve devredilemez. Hukukta da benzer bir ayrım vardır. Sözleşme taslağı hazırlama, emsal karar tarama ve dilekçe iskeleti çıkarma model desteğine açıktır. Duruşmada temsil, strateji kurma ve sorumluluk üstlenme değildir. Buradaki asıl risk, üretilmiş metnin doğrulanmadan kullanılmasıdır; var olmayan içtihatların dilekçelere girmesiyle sonuçlanan olaylar bunun somut örneğidir.
4.5. Giriş düzeyi yazılım Kod üretme araçlarının en güçlü olduğu alan, çokça örneği bulunan ve kalıplaşmış kod yazımıdır: form ekranları, veri erişim katmanı, test iskeleti, biçim dönüştürme. Bu tarif, giriş düzeyi bir programcının gündelik işinin önemli bir bölümüne denk düşer. Peng vd.’nin (2023) ölçtüğü %55,8’lik hızlanma tam olarak bu görev sınıfında elde edilmiştir. Bu, bilişim alanına yönelmenin yanlış olduğu anlamına gelmez. Anlamı şudur: bilişim alanı içinde hangi profilin seçildiği belirleyici hâle gelmiştir. Mimari kurma, başarısızlık senaryosu tasarlama, güvenlik ve başkasının yazdığı kodu doğrulama yetkinlikleri değer kazanırken, yalnızca verilen tarife göre kod yazma yetkinliği değer kaybetmektedir. Dokuzuncu bölümde görüleceği üzere bu ayrım Türkiye’deki kontenjan dağılımı bakımından merkezî önemdedir.
Bu beş başlığa bakıldığında ortak bir örüntü görülür. Hiçbirinde meslek bütünüyle ortadan kalkmamakta, her birinde mesleğin giriş basamağı inceltmektedir. Çevirmenin ilk yılları düz metin çevirmekle, programcının ilk yılları kalıp kod yazmakla, muhasebecinin ilk yılları kayıt tutmakla geçerdi. Bu basamaklar aynı zamanda mesleğin öğrenildiği yerdi. Otomatikleşen şey yalnızca bir görev değil, aynı zamanda bir eğitim mekanizmasıdır. Kıdemliye duyulan ihtiyaç sürerken kıdemlinin yetiştiği basamağın kaldırılması, orta vadede arz tarafında bir darboğaz yaratma ihtimali taşır.
5. Baskıya Dayanıklı Meslekler ve Tamamlama Alanı Dayanıklılık üç kaynaktan gelir. Birincisi fiziksel dünyada öngörülemeyen ortamda çalışmaktır. Tesisatçı, elektrikçi, bakım teknisyeni ve inşaat ustası, robotik maliyetleri ve ortam değişkenliği nedeniyle yakın vadede korunaklıdır. İkincisi bakım ve doğrudan insan ilişkisidir; hemşirelik, yaşlı bakımı, erken çocukluk eğitimi ve psikolojik destek bu gruptadır. Üçüncüsü hukuki sorumluluğun kişiye bağlı olduğu mesleklerdir. Üçüncü kaynak, teknik değil kurumsal bir korumadır ve bu yüzden daha kırılgandır. Hekimin tanıyı imzalaması, bilirkişinin raporunu imzalaması ya da denetçinin görüş bildirmesi, mevzuatın kişiye yüklediği bir yükümlülüktür. Model bu görevlerin hazırlık kısmını yapabilir; imzayı atamaz. Ancak bu koruma mevzuat değişirse ortadan kalkar; teknolojik bir sınıra değil, bir düzenleme tercihine dayanır. Dayanıklı mesleklerde de görev bileşimi değişmektedir. Hekim tanıda destek alır, öğretmen materyalini modelle üretir, mühendis tasarım seçeneklerini modele ürettirip aralarından seçer, bilirkişi dosyayı modelle tasnif eder. Mesleğin adı sabit kalırken içeriğinin değişmesi, ikameden farklı ama ondan daha yaygın bir etkidir. Şekil 2 bu üç ayrı etkiyi bir arada göstermektedir.
6. Doğan Meslekler Yeni meslekler iki kaynaktan doğar. Birincisi modelin üretim zinciridir: veri hazırlığından dağıtıma kadar her aşama kendi uzmanlığını üretmektedir. İkincisi denetim ihtiyacıdır; model kullanımı yaygınlaştıkça bunu denetleyecek, belgeleyecek ve doğrulayacak roller ortaya çıkmaktadır.
Şekil 2. Yapay zekânın meslekler üzerindeki üç ayrı etkisi: ikame, tamamlama ve yeni meslek (2026) 6.1. Model üretim zinciri Veri kürasyonu uzmanı, eğitim ve değerlendirme kümelerinin hazırlanmasından sorumludur. İş, veri toplamaktan çok neyin dışarıda bırakılacağına karar vermektir; yinelenen kayıtların ayıklanması ve kıyaslama kümeleriyle örtüşen metnin çıkarılması bu aşamada yapılır. Model değerlendirme uzmanı, kuruma özgü ve cevabı bilinen test kümeleri kurar; genel kıyaslama sıralamalarının kurumsal kararda yeterli olmadığı kabul edildikçe bu rol yerleşmektedir. Model işletim uzmanı (MLOps), eğitilmiş modelin sürümlenmesi, izlenmesi, maliyet ve gecikme yönetiminden sorumludur. Etmen sistem tasarımcısı ise modelin araçlara bağlandığı mimarileri kurar; bu rolde asıl güçlük modelin yeteneği değil, yetkilerinin sınırlandırılmasıdır. 6.2. Denetim, uyum ve hukuk Avrupa Birliği Yapay Zekâ Tüzüğü, genel amaçlı model sağlayıcılarına teknik dokümantasyon, eğitim verisi özeti ve telif uyum politikası yükümlülüğü getirmiş; ayrıca 2 Şubat 2025’ten itibaren sağlayıcı ve uygulayıcılar için yapay zekâ okuryazarlığı yükümlülüğü öngörmüştür (Avrupa Birliği, 2024). Bu tür yükümlülükler, bunları yerine getirecek meslekleri doğurur.
Ortaya çıkan başlıklar arasında yapay zekâ uyum uzmanı, model risk denetçisi, algoritmik etki değerlendirmesi uzmanı ve yapay zekâ hukuku alanında uzmanlaşmış hukukçu yer alır. Bu meslekler tek bir disipline oturmaz; teknik okuryazarlık ile hukuki muhakemeyi birlikte gerektirir. Türkiye’de bunlara denk düşen bir lisans programı bulunmamaktadır; yetkinlik şu an lisansüstü program ve sertifika yoluyla kazanılmaktadır. 6.3. Doğrulama ve adli bilişim Üretilmiş içeriğin yaygınlaşması, içeriğin kaynağını belirleme ihtiyacını doğurmuştur. Bu, adli bilişimin yeni bir alt alanıdır ve iki yönlü çalışır: bir yandan sahte içeriğin tespiti, diğer yandan gerçek içeriğin gerçekliğinin gösterilmesi.
Alanın bugünkü teknik durumu iddialıdan uzaktır. Piyasadaki metin dedektörlerinin güvenilirliği, basit bir yeniden yazma işlemiyle düşmektedir ve yanlış pozitif oranı gerçek zarar üretecek düzeydedir. Bu nedenle mesleğin gerçek içeriği, bir yüzde okumak değil, üstveri, sürüm geçmişi, cihaz kayıtları ve sağlayıcı tarafındaki istek kayıtlarını birlikte değerlendirmektir. Türkiye’de bu yetkinliğin karşılığı bilirkişilik ve kurum içi inceleme birimleridir.
Tablo 2. Yapay zekâ zincirinden doğan meslekler ve gerektirdiği yetkinlikler Meslek Temel işlev Gerekli yetkinlik Türkiye’de kaynak program Veri kürasyonu uzmanı Eğitim ve test kümesi İstatistik, veri temizleme, alan Veri Bilimi ve Analitiği, hazırlığı bilgisi İstatistik Model değerlendirme Kuruma özgü test kümesi Deney tasarımı, ölçüm, alan Yapay Zekâ Mühendisliği, uzmanı kurma bilgisi İstatistik MLOps uzmanı Model sürümleme ve Sistem yönetimi, kapsayıcı, Bilgisayar ve Yazılım işletim izleme Mühendisliği Etmen sistem tasarımcısı Araç bağlantılı mimari Yazılım mimarisi, yetki tasarımı, Bilgisayar Mühendisliği, Siber kurma güvenlik Güvenlik Yapay zekâ uyum uzmanı Mevzuata uygunluğun Düzenleme bilgisi, risk yönetimi, Karşılığı yok (lisansüstü) belgelenmesi teknik okuryazarlık Model risk denetçisi Bağımsız model denetimi Denetim yöntemi, istatistik, Karşılığı yok (lisansüstü) model bilgisi Üretilmiş içerik Kaynak ve gerçeklik Adli bilişim, üstveri analizi, delil Adli Bilişim Mühendisliği, Bilgi doğrulama uzmanı tespiti hukuku Güvenliği Not. Kaynak: Avrupa Birliği (2024), WEF (2025) ve ÖSYM (2026) program listeleri temel alınarak derlenmiştir. 7. Türkiye’nin İşgücü Yapısı ve Maruziyeti Haziran 2026 itibarıyla Türkiye’de istihdam edilenlerin sayısı 32 milyon 733 bin kişidir; istihdam oranı %48,9, işsizlik oranı %7,6’dır. İstihdamın %13,8’i tarımda, %20,2’si sanayide, %6,7’si inşaatta ve %59,3’ü hizmetlerde çalışmaktadır (TÜİK, 2026). Şekil 3 bu dağılımı ve meslek grubuna göre maruziyet farkını birlikte göstermektedir. Şekil 3. Türkiye’de istihdamın sektörel dağılımı ve meslek grubuna göre maruziyet (2026) Hizmet sektörünün payının yüksekliği tek başına bir sonuç vermez, çünkü hizmetler perakendeden sağlığa uzanan çok farklı meslekleri kapsar. Anlamlı olan alt kırılımdır. Gmyrek vd.’nin (2023) bulgusu, maruziyetin büro destek elemanlarında yoğunlaştığı yönündedir ve Türkiye’de bu grup hizmet istihdamı içinde büyük bir kütle oluşturur. Aynı çalışmanın gelir düzeyine ilişkin bulgusu Türkiye’yi ara bir konuma yerleştirir. Otomasyon maruziyeti yüksek gelirli ülkelerde istihdamın %5,5’ine, düşük gelirli ülkelerde %0,4’üne karşılık gelir. Türkiye üst-orta gelirli bir ülke olarak bu aralığın üst yarısındadır; yani maruziyeti düşük gelirli ülkelerden belirgin biçimde yüksektir. Buna ikinci bir yapısal etken eklenir. Türkiye’de bilgi teknolojileri hizmet ihracatının önemli bir bölümü, ücret farkına dayanan dış kaynaklı iş modelidir. Bu modelin dayandığı avantaj, standart geliştirme işinin ucuza yaptırılmasıdır. Kod üretme araçlarının aynı işi ucuzlatması, avantajın kaynağını doğrudan aşındırır. Rekabetin ücret farkından uzmanlık farkına kayması, orta vadede bu alanın en belirleyici sorusudur. Politika tarafında Türkiye’nin bu alandaki ilk belgesi 2021-2025 dönemini kapsayan Ulusal Yapay Zekâ Stratejisi olmuştu; altı öncelik, yirmi dört amaç ve yüz on dokuz tedbir içeren belge, yapay zekânın gayrisafi yurt içi hasılaya katkısını %5’e çıkarma ve alanda 50.000 istihdam yaratma hedefleri koymuştu (Cumhurbaşkanlığı Dijital Dönüşüm Ofisi & Sanayi ve Teknoloji Bakanlığı, 2021). On İkinci Kalkınma Planı da dijital dönüşümü ve nitelikli insan kaynağını öncelikli başlıklar arasında saymıştır (Strateji ve Bütçe Başkanlığı, 2023). Bu belgelerin ortak zayıflığı, hedefleri yükseköğretim arzının somut parametreleriyle, yani kontenjan ve mezun sayılarıyla ilişkilendirmemesidir. Onuncu bölümdeki karşılaştırma bu boşluğu doldurmayı amaçlamaktadır.
8. Yükseköğretim Arzı: Veri ve Yöntem 8.1. Veri kaynağı ve ayrıştırma Bu bölümdeki kontenjan verileri, ÖSYM’nin 21 Temmuz 2026 tarihli 2026-YKS Yükseköğretim Programları ve Kontenjanları Kılavuzu’ndan alınmıştır (ÖSYM, 2026). Kılavuzun 793 sayfalık metni ayrıştırılmış, Tablo-3’teki ön lisans ve Tablo-4’teki lisans programları için program kodu, program adı, öğrenim süresi, puan türü ve genel kontenjan alanları çıkarılmıştır. Toplam 21.446 program kaydı elde edilmiştir; bunların 9.253’ü ön lisans, 12.193’ü lisans düzeyindedir.
Kontenjanlar program adına göre toplulaştırılırken parantez içindeki nitelemeler (öğretim dili, burs durumu, ikinci öğretim, uyruk koşulu) ayıklanmıştır. Bu nedenle metinde geçen "program sayısı" ifadesi üniversite sayısını değil, kılavuzdaki ayrı kayıt sayısını gösterir. Aynı üniversitenin Türkçe ve İngilizce programları iki ayrı kayıt olarak sayılmıştır. 8.2. Mezun tahmininin yöntemi ve sınırları Kılavuz kontenjanı verir, mezun sayısını vermez. Program bazında mezun sayısı YÖK’ün bilgi yönetim sisteminde tutulmakta, ancak toplu ve karşılaştırılabilir bir dosya olarak yayımlanmamaktadır. Bu nedenle yıllık mezun arzı iki adımlı bir katsayıyla tahmin edilmiştir. Birinci adım doluluktur. 2025-YKS’de yaklaşık 840.000 kontenjana 785.186 aday yerleşmiş, 47.477 kontenjan boş kalmıştır; doluluk oranı yaklaşık %94’tür. İkinci adım tamamlamadır. YÖK verilerine göre açıköğretim hariç lisans düzeyinde yeni kayıt 451.360, mezun sayısı 345.559’dur; oran 0,77’dir. Ön lisansta aynı hesap 224.349 / 324.930 = 0,69 verir (YÖK, 2026). İki adım birleştirildiğinde lisans için 0,94 × 0,75 ≈ 0,70, ön lisans için 0,94 × 0,69 ≈ 0,65 katsayıları elde edilir.
Yöntemin üç sınırı açıkça belirtilmelidir. Birincisi, bu bir kohort tamamlama oranı değildir; kayıt sayıları büyüdüğü için oran gerçek tamamlamayı bir miktar düşük gösterir. İkincisi, katsayı bütün programlar için aynıdır; oysa tıpta tamamlama neredeyse tam, bazı programlarda ise belirgin biçimde düşüktür. Üçüncüsü, veri tek yıla aittir; kontenjanların yıllar içindeki eğilimi bu çalışmanın kapsamı dışındadır. Aşağıdaki sayılar bu nedenle büyüklük mertebesi karşılaştırması olarak okunmalıdır.
9. Kontenjan Görünümü 9.1. İkame baskısı yüksek programlar Dördüncü bölümde tanımlanan ikame baskısı yüksek meslek alanlarına karşılık gelen on bir program başlığında, 2026-YKS için toplam 71.088 kontenjan bulunmaktadır. Bu kontenjan 1.490 ayrı program kaydına dağılmıştır. Tablo 3 dağılımı vermektedir. Tablo 3. İkame baskısı yüksek program başlıklarında 2026-YKS kontenjanı Program Düzey Kayıt Kontenjan Tahmini mezun Bilgisayar Programcılığı Ön lisans 369 25.720 16.718 Halkla İlişkiler ve Reklamcılık Lisans 80 7.423 5.196 Muhasebe ve Vergi Uygulamaları Ön lisans 227 6.607 4.295 Grafik Tasarımı Ön lisans 119 6.295 4.092 Çeviri programları Lisans 185 5.672 3.970 Görsel İletişim Tasarımı Lisans 113 4.665 3.266 Halkla İlişkiler ve Tanıtım Ön lisans 100 4.169 2.710 Büro Yönetimi ve Yönetici Asistanlığı Ön lisans 94 4.025 2.616 Radyo, Televizyon ve Sinema Lisans 114 2.655 1.858 Çağrı Merkezi Hizmetleri Ön lisans 39 2.156 1.401 Gazetecilik Lisans 50 1.701 1.191 TOPLAM 1.490 71.088 47.313 Not. Çeviri programları Mütercim ve Tercümanlık ile Çeviribilim başlıklarını kapsar. Mezun tahmini §8.2’deki katsayılarla hesaplanmıştır. Kaynak: ÖSYM (2026) verilerinden yazar tarafından derlenmiştir. Listedeki programların hiçbiri gereksiz değildir ve hiçbiri toptan ortadan kalkacak değildir. İddia daha dar bir iddiadır: bu başlıklardaki müfredatın önemli bir bölümü, modelin iyi yaptığı görevleri öğretmeye ayrılmıştır ve bu bölüm yenilenmediği sürece mezun ile talep arasındaki mesafe açılacaktır.
Tablodaki dağılımın kendisi de dikkat çekicidir. Toplam kontenjanın %68,9’u ön lisans düzeyindedir. Bu, Türkiye’de meslek yüksekokullarının genel ağırlığıyla uyumlu bir orandır; ancak ikame baskısının en yoğun olduğu görev sınıfının da tam olarak bu düzeyde eğitim verilen görev sınıfı olması, oranı ayrıca anlamlı kılar. İki yıllık bir programın öğrencisine kazandırabileceği yetkinlik, doğası gereği uygulamalı ve tarif edilebilir olana yakındır; oysa tarif edilebilirlik, ikinci bölümde görüldüğü gibi maruziyetin başlıca göstergesidir. 9.2. Yapay zekâ ve veri çekirdeği Karşı tarafta, doğrudan yapay zekâ, veri ve güvenlik alanlarına ayrılmış programlarda toplam 6.870 kontenjan ve 302 program kaydı bulunmaktadır. Bunun 3.793’ü lisans (187 kayıt), 3.077’si ön lisans düzeyindedir (115 kayıt). Şekil 4 iki kümeyi karşılaştırmalı olarak vermektedir.
Şekil 4. İkame baskısı yüksek programlar ile yapay zekâ ve veri çekirdeğinin 2026 -YKS kontenjanları (2026) Tablo 4. Yapay zekâ ve veri çekirdeği programlarında 2026 -YKS kontenjanı Program Düzey Kayıt Kontenjan Tahmini mezun Robotik ve Yapay Zekâ Ön lisans 44 1.244 809 Veri Bilimi ve Analitiği Lisans 43 1.120 784 Yapay Zekâ Operatörlüğü Ön lisans 44 974 633 Yapay Zekâ Mühendisliği Lisans 40 647 453 Yapay Zekâ ve Makine Öğrenmesi Lisans 26 639 447 Yapay Zekâ ve Veri Mühendisliği Lisans 34 633 443 Bilgi Güvenliği Teknolojisi Lisans 26 527 369 Siber Güvenlik Ön lisans 19 427 278 Yapay Zekâ Destekli Kodlama Ön lisans 1 250 163 Diğer küçük programlar Lisans + Ön lisans 25 409 276 TOPLAM 302 6.870 4.655 Not. Diğer başlığı Siber Güvenlik Analistliği ve Operatörlüğü, Siber Güvenlik Mühendisliği, Veri Mühendisliği ile disiplinlerarası yapay zekâ programlarını kapsar. Kaynak: ÖSYM (2026) verilerinden yazar tarafından derlenmiştir. 9.3. Çekirdeğin içindeki düzey sorunu Tablo 4’teki asıl bulgu toplam sayı değil, bileşimdir. Çekirdeğin %44,8’i ön lisans düzeyindedir. Yapay Zekâ Operatörlüğü tek başına 974 kontenjanla, Yapay Zekâ Mühendisliği’nin 647 kontenjanını aşmaktadır. Robotik ve Yapay Zekâ programı ise 1.244 kontenjanla çekirdeğin en büyük başlığıdır ve o da ön lisans düzeyindedir. Altıncı bölümde sayılan yeni mesleklerin hiçbiri operatörlük değildir. Model değerlendirme uzmanlığı deney tasarımı ve istatistik bilgisi, etmen sistem tasarımcılığı yazılım mimarisi ve güvenlik bilgisi, uyum uzmanlığı düzenleme okuryazarlığı gerektirir. Bunlar iki yıllık bir program tarafından kazandırılamayacak yetkinliklerdir. Ön lisans düzeyinde yoğunlaşan kontenjan, alanın adını taşımakla birlikte alanın talep ettiği rolü karşılamamaktadır.
Aynı sorun bilişim alanının bütününde görülür. Bilgisayar, yazılım ve bilişim sistemleri mühendislikleri için toplam kontenjan 18.770’tir (523 kayıt). Buna karşılık ön lisans düzeyindeki Bilgisayar Programcılığı tek başına 25.720 kontenjana sahiptir. Yani Türkiye bilişime yüksek kontenjan ayırmaktadır, ancak en büyük tek kalem, kod üretme araçlarının en çok etkilediği profildir.
10. Mezun Arzı ve Uyum Açığı Sekizinci bölümdeki katsayılarla hesaplandığında, ikame baskısı yüksek on bir başlıktan yılda yaklaşık 47.300 kişi mezun olmaktadır. Yapay zekâ ve veri çekirdeğinden ise yaklaşık 4.655 kişi mezun olmaktadır. Oran yaklaşık 10’a 1’dir. Bilgisayar, yazılım ve bilişim mühendisliklerinden gelen yaklaşık 13.100 mezun eklendiğinde bile denge, baskı altındaki alanların lehine bozuk kalmaktadır. Şekil 5 üç kümeyi karşılaştırmaktadır. Şekil 5. Program kümelerine göre kontenjan ve tahmini yıllık mezun arzı (2026) Bu tabloyu okurken iki yanlış çıkarımdan kaçınmak gerekir. Birincisi, ikame baskısı yüksek programlardan mezun olan 47.300 kişinin işsiz kalacağı çıkarımıdır. Gmyrek vd.’nin (2023) gösterdiği gibi baskın etki tamamlamadır; bu mezunların çoğu, görev bileşimi değişmiş işlerde çalışacaktır. İkincisi, çözümün yapay zekâ kontenjanını on kat artırmak olduğu çıkarımıdır. Öğretim üyesi arzı, laboratuvar altyapısı ve öğrenci hazırlık düzeyi bu hızda genişlemeye elverişli değildir; kontenjanı öğretim kapasitesinin önüne geçirmek, adı yeni içeriği eski programlar üretir.
Doğru okuma şudur: sorun bir kontenjan azlığı değil, bir düzey ve içerik uyumsuzluğudur. Aynı sayıda öğrenci, farklı bir müfredatla, farklı bir sonuç üretebilir. Çeviri programından mezun olan bir kişinin model çıktısını denetleyip sorumluluk üstlenecek donanımla mezun olması ile yalnızca çeviri yapmayı öğrenerek mezun olması arasındaki fark, kontenjan sayısından bağımsızdır.
Ulusal Yapay Zekâ Eylem Planı, plan dönemi için on bin ileri düzey uzman ve yüz bin uygulama profesyoneli hedefi koymaktadır (Cumhurbaşkanlığı, 2026). Çekirdek programlardan gelen yıllık lisans mezunu yaklaşık 2.655 kişidir. Hedef biçimsel olarak ulaşılabilir görünmektedir; ancak bu, mezunların tamamının ileri düzey uzman sayılması ve hiçbirinin yurt dışına gitmemesi varsayımına dayanır. İkisi de gerçekçi varsayımlar değildir. Kontenjanların bir bölümünün boş kalması ayrı bir uyarıdır. 2025-YKS’de lisans programlarında 30.153, ön lisans programlarında 17.324 olmak üzere toplam 47.477 kontenjan dolmamıştır. Kontenjan artırmak, tercih edilme sorununu kendiliğinden çözmez. 11. Politika Araçlarının Sınırları Kontenjan planlaması, elde bulunan araçların en görünür olanıdır ama en yavaş etki edenidir. Bugün değiştirilen bir kontenjanın işgücü piyasasına yansıması lisansta dört, ön lisansta iki yıl sürer. Buna programın açılması, kadro tahsisi ve akreditasyon süreçleri eklenince gecikme daha da uzar. Yetkinin kendisi 2547 sayılı Yükseköğretim Kanunu ile Yükseköğretim Kurulu’na verilmiştir; dolayısıyla bu, merkezî olarak kullanılabilen ve fiilen her yıl kullanılan bir araçtır.
Müfredat değişikliği daha hızlıdır ve daha ucuzdur. Mevcut programların ders içeriğine model kullanımı, çıktı doğrulama ve alan-özgü değerlendirme yetkinliğinin eklenmesi, yeni program açmaya göre çok daha kısa sürede sonuç verir. Avrupa Birliği Tüzüğü’nün öngördüğü yapay zekâ okuryazarlığı yükümlülüğü de bu yöndeki bir düzenleyici baskıdır (Avrupa Birliği, 2024).
Üçüncü araç, yükseköğretim dışındaki yetişkin eğitimidir. Baskı altındaki alanlarda çalışan kişilerin çoğu okulu bitirmiştir; onlara ulaşmanın yolu kontenjan değil, kısa süreli ve belgelendirilmiş programlardır. Ulusal Yapay Zekâ Eylem Planı’nın iki yıl içinde beş milyon kişiye temel eğitim verme hedefi bu araca karşılık gelmektedir (Cumhurbaşkanlığı, 2026). Hedefin ölçeği, sonucun eğitimin süresine değil içeriğine bağlı olacağı anlamına gelir. Dördüncü ve en az konuşulan araç, mesleklerin hukuki tanımıdır. Beşinci bölümde belirtildiği gibi bazı mesleklerin korunması teknik değil düzenleyicidir. Hangi işlemin bir gerçek kişinin sorumluluğunda kalacağına ilişkin kurallar, o mesleklerin geleceğini doğrudan belirler. Bu, bilinçli olarak alınması gereken bir karardır; kendi hâline bırakıldığında sonucu piyasa belirler. TBMM Yapay Zekâ Araştırma Komisyonu Mart 2026 tarihli raporunda çerçeve bir kanun ile düzenleyici deney alanları önermiştir (Türkiye Büyük Millet Meclisi, 2026); meslek tanımlarına ilişkin bir düzenleme henüz gündemde değildir. Araçların hiçbiri tek başına yeterli değildir ve hepsinin ortak bir ön koşulu vardır: ölçüm. Bu çalışmada mezun sayısının tahmin edilmek zorunda kalınması, tesadüfi bir veri eksikliği değildir. Kontenjan kararı her yıl alınmakta, sonucu ise izlenmemektedir. Hangi programın mezununun iki yıl sonra hangi işte çalıştığı program düzeyinde bilinmeden, kontenjanın doğru yere verilip verilmediği de bilinemez. Acemoglu ve Restrepo’nun (2019) yeniden yerleştirme etkisi kendiliğinden gerçekleşmiyorsa, o etkinin yönünü verecek olan kararların dayanağı da ölçüm olmak zorundadır.
12. Öneriler Yükseköğretim planlaması için • Yapay zekâ alanındaki kontenjan artışını ön lisans yerine lisans ve lisansüstü düzeye kaydırın. Çekirdeğin %44,8’inin ön lisansta olması, alanın talep ettiği rollerle örtüşmemektedir.
• Bilgisayar Programcılığı programlarının müfredatını kod yazmaktan kod doğrulamaya çevirin. 25.720 kontenjanlı bu başlık, mevcut içeriğiyle ikame baskısının en yoğun olduğu profili üretmektedir.
• Yeni program açmadan önce öğretim üyesi arzını ölçün. Kontenjanı öğretim kapasitesinin önüne geçirmek, adı yeni içeriği eski programlar üretir. • Çeviri, gazetecilik, tasarım ve muhasebe programlarına model çıktısını denetleme, kaynak doğrulama ve sorumluluk üstlenme yetkinliğini zorunlu ders olarak ekleyin. Veri ve izleme için • YÖK’ün program bazında mezun sayılarını, kontenjan verisiyle eşleştirilebilir açık bir veri kümesi olarak yayımlaması gerekir. Bu çalışmada mezun sayısı tahmin edilmek zorunda kalınmıştır; oysa veri kurumda mevcuttur.
• Mezunların iki ve beş yıl sonraki istihdam durumunu program düzeyinde izleyen düzenli bir ölçüm kurulmalıdır. Kontenjan kararının değerlendirilebilmesi buna bağlıdır. Kurumlar ve çalışanlar için • İkame riskini meslek adıyla değil görev bileşimiyle ölçün. Aynı unvanla çalışan iki kişinin maruziyeti farklı olabilir.
• Giriş düzeyi pozisyonları kapatmak yerine içeriğini değiştirin. Brynjolfsson vd.’nin (2025) bulgusu, model desteğinin en çok deneyimsiz çalışanda kazanç ürettiğini göstermektedir; bu pozisyonları kapatmak orta vadede kıdemli arzını kurutur. • Sorumluluk taşıyan hiçbir çıktıyı doğrulamadan kullanmayın. Model çıktısının biçimsel kusursuzluğu, içeriğinin doğruluğuna ilişkin bir ölçü değildir. 13. Sonuç Üretken yapay zekânın istihdam etkisi, önceki otomasyon dalgalarının tersine, el emeğine değil büro ve bilgi işlerine yönelmiştir. Maruziyet yazınındaki büyük sayı farkları bir tutarsızlıktan değil, ölçüm biriminin meslek mi görev mi olduğundan kaynaklanır. Görev düzeyinde bakıldığında baskın etki ikame değil tamamlamadır; ikame dar bir görev kümesinde, özellikle büro destek işlerinde yoğunlaşmaktadır. Türkiye bakımından üç bulgu öne çıkmaktadır. Birincisi, istihdamın %59,3’ünün hizmetlerde olduğu ve ülkenin üst-orta gelir grubunda yer aldığı bir yapıda maruziyet, düşük gelirli ülkelere göre belirgin biçimde yüksektir. İkincisi, ikame baskısı yüksek on bir program başlığındaki 71.088 kontenjana karşılık yapay zekâ ve veri çekirdeğinde 6.870 kontenjan bulunmaktadır; yıllık mezun arzında oran yaklaşık 10’a 1’dir. Üçüncüsü ve en dikkat çekici olanı, çekirdeğin kendi içindeki bileşimdir: kontenjanın %44,8’i ön lisans düzeyindedir ve Yapay Zekâ Operatörlüğü kontenjanı, Yapay Zekâ Mühendisliği kontenjanını aşmaktadır. Bu son bulgu, sorunun niteliğini değiştirir. Türkiye yapay zekâ alanına kontenjan ayırmamış değildir; ayırdığı kontenjanı ağırlıklı olarak operatörlük düzeyine yerleştirmiştir. Oysa bu makalede sayılan yeni mesleklerin hiçbiri operatörlük değildir; model değerlendirme, etmen sistem tasarımı, uyum denetimi ve içerik doğrulama, iki yıllık bir programın kazandıramayacağı yetkinlikler gerektirir. Aynı yanlış eşleşme bilişimin bütününde görülür: en büyük tek kalem olan 25.720 kontenjanlı Bilgisayar Programcılığı, kod üretme araçlarının en çok etkilediği profili üretmektedir.
Buradan çıkan sonuç bir kontenjan artırma çağrısı değildir. Kontenjanı öğretim kapasitesinin önüne geçirmek adı yeni içeriği eski programlar üretir; ayrıca 2025-YKS’de 47.477 kontenjanın boş kaldığı bir sistemde sayı artırmanın kendisi çözüm değildir. Sonuç, düzey ve içerik düzeltmesi çağrısıdır. Mevcut programların müfredatının model çıktısını denetlemeye, kaynak doğrulamaya ve sorumluluk üstlenmeye yönelmesi, yeni program açmaktan hem daha hızlı hem daha ucuzdur. Bunun ölçülebilmesi için de YÖK’ün program bazında mezun ve istihdam verisini açık biçimde yayımlaması gerekmektedir. Kaynakça Acemoglu, D. (2024). The simple macroeconomics of AI (NBER Çalışma Metni No. 32487). National Bureau of Economic Research. https://doi.org/10.3386/w32487 Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3-30. https://doi.org/10.1257/jep.33.2.3 Acemoglu, D., & Restrepo, P. (2020). Robots and jobs: Evidence from US labor markets. Journal of Political Economy, 128(6), 2188-2244. https://doi.org/10.1086/705716 Arntz, M., Gregory, T., & Zierahn, U. (2016). The risk of automation for jobs in OECD countries: A comparative analysis (OECD Sosyal, İstihdam ve Göç Çalışma Metni No. 189). OECD Yayınları. https://doi.org/10.1787/5jlz9h56dvq7-en Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3-30. https://doi.org/10.1257/jep.29.3.3 Autor, D. H., Levy, F., & Murnane, R. J. (2003). The skill content of recent technological change: An empirical exploration. The Quarterly Journal of Economics, 118(4), 1279-1333. https://doi.org/10.1162/003355303322552801 Avrupa Birliği. (2024). Yapay zekâya ilişkin uyumlaştırılmış kurallar belirleyen (AB) 2024/1689 sayılı Avrupa Parlamentosu ve Konsey Tüzüğü. Avrupa Birliği Resmî Gazetesi, L serisi (12 Temmuz 2024). http://data.europa.eu/eli/reg/2024/1689/oj Bessen, J. (2015). Learning by doing: The real connection between innovation, wages, and wealth. Yale University Press.
Bick, A., Blandin, A., & Deming, D. J. (2024). The rapid adoption of generative AI (NBER Çalışma Metni No. 32966). National Bureau of Economic Research. https://doi.org/10.3386/w32966 Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942. https://doi.org/10.1093/qje/qjae044 Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. W. W. Norton.
Cumhurbaşkanlığı. (2026). Ulusal Yapay Zekâ Eylem Planı (2026-2030) konulu 2026/9 sayılı Genelge. Resmî Gazete (18 Ağustos 2026, S. 33344).
Cumhurbaşkanlığı Dijital Dönüşüm Ofisi & Sanayi ve Teknoloji Bakanlığı. (2021). Ulusal Yapay Zekâ Stratejisi 2021-2025. https://cbddo.gov.tr/uyzs Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306-1308. https://doi.org/10.1126/science.adj0998 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. https://doi.org/10.1002/smj.3286 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. https://doi.org/10.1016/j.techfore.2016.08.019 Gmyrek, P., Berg, J., & Bescond, D. (2023). Generative AI and jobs: A global analysis of potential effects on job quantity and quality (ILO Çalışma Metni No. 96). Uluslararası Çalışma Örgütü. https://doi.org/10.54394/FHEM8239 Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192. https://doi.org/10.1126/science.adh2586 OECD. (2023). OECD employment outlook 2023: Artificial intelligence and the labour market. OECD Yayınları. https://doi.org/10.1787/08785bba-en ÖSYM. (2025). 2025-YKS yerleştirme sonuçlarına ilişkin sayısal bilgiler. Ölçme, Seçme ve Yerleştirme Merkezi. https://www.osym.gov.tr ÖSYM. (2026). 2026-Yükseköğretim Kurumları Sınavı (YKS) yükseköğretim programları ve kontenjanları kılavuzu (21 Temmuz 2026). Ölçme, Seçme ve Yerleştirme Merkezi. https://www.osym.gov.tr Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot. arXiv.
https://doi.org/10.48550/arXiv.2302.06590 Polanyi, M. (1966). The tacit dimension. Doubleday.
Strateji ve Bütçe Başkanlığı. (2023). On İkinci Kalkınma Planı (2024-2028). T.C. Cumhurbaşkanlığı Strateji ve Bütçe Başkanlığı. https://www.sbb.gov.tr TÜİK. (2026). İşgücü istatistikleri, Haziran 2026. Türkiye İstatistik Kurumu. https://data.tuik.gov.tr Türkiye Büyük Millet Meclisi. (2026). Yapay Zekâ Alanındaki Gelişmelerin İncelenmesi Amacıyla Kurulan Meclis Araştırması Komisyonu Raporu (260 sıra sayılı). TBMM, 28. Dönem. Webb, M. (2020). The impact of artificial intelligence on the labor market. SSRN. https://doi.org/10.2139/ssrn.3482150 World Economic Forum [WEF]. (2025). Future of jobs report 2025. Dünya Ekonomik Forumu. https://www.weforum.org/publications/the-future-of-jobs-report-2025/ YÖK. (2026). Yükseköğretim istatistikleri bülteni, 2025-2026 (Sayı 6, 27 Mart 2026). Yükseköğretim Kurulu. https://veriyonetim.yok.gov.tr 2547 sayılı Yükseköğretim Kanunu. (1981). Resmî Gazete (6 Kasım 1981, S. 17506).
