Son yılların, şüphesiz ki;
en çok üzerinde konuşulan konularından biri olan yapay zekâ,
sadece insanların yaşamları üzerinde değil;
pek çok iş alanında da önemli değişimlere yol açmıştır.

Bu bağlamda;

hem bireyler, hem de işletmeler çeşitli işleri, üretken yapay zekâ ile

çok daha hızlı, verimli ve de düşük maliyetle yapabilme kolaylığına erişmişlerdir.

Yapay zekâ sayesinde;
büyük miktarlarda veriler, saniyeler içinde analiz edilebilmekte,

özetler çıkarılabilmekte, raporlar, sunumlar vb. hazırlanabilmektedir.

Öyle ki;
özel sektörde yapay zekânın sunduğu hız ve maliyet avantajları,

çeşitli alanlarda; insan gücü ile yapılan işlerde

insan gücünün yerine; yapay zekânın geçmesine neden olmaya ve

iş modellerini dönüştürmeye başlamıştır.  

İşletmeler, yapay zekânın sunduğu bu avantajlardan faydalanırken;
göz önünde bulundurulan konulardan biri de

yapay zekânın, zayıf ya da gelişime açık olduğu yanlarının bulunduğu gerçeğidir.

Veri gizliliği, güvenliği ve çeşitli üretken yapay zekâ programlarında

uyarı olarak da yazılan “yapay zekâ hata yapabilir” gerçeği;
yapay zekânın, en büyük dezavantajları olarak görülmektedir.

“Yapay zekânın hata yapabilir” olmasının en önemli nedeninin,
çoğunlukla; verilen komutların eksik, yanlış olması ve

yapay zekânın ulaşabildiği veri kaynaklarının kapsamı olduğu düşünülmektedir.

Oysa, bir unsur daha vardır ki;
bunların, doğru ve yeterli olması durumunda bile;
yapay zekânın hatalı cevaplarının nedeni olabilmektedir.

Yapay zekânın pürüzlü yapısı…

Peki, nedir pürüzlü yapay zekâ (Jagged Intelligence)?

Jagged Intelligence kavramı;
Türkçe'de pürüzlü veya tırtıklı yapay zekâ olarak kullanılmaktadır.

Pürüzlü yapay zekâ, en basit tanımıyla;
yapay zekânın bazı karmaşık görevlerde, insanüstü bir performans sergilerken;
insana çok daha basit gelen bazı görevlerde ise;
(örneğin; temel bir mantık yürütme veya veri doğrulama)

beklenmedik şekilde "halüsinasyon" görerek, hata yapmasıdır.

Şöyle bir örnek vereyim;

geçen gün, iki tane farklı yapay zekâ platformuna aynı soruyu sordum:

“Yeni aldığım motosikletimden tuhaf bir ses geliyor,

evime çok yakın bir tamirci buldum,

çok önemli olduğunu düşünmesem de bir baktırmak istiyorum;

ancak, sorun şu ki;
tamirci, evime 150 metre mesafede ve bugün hava güneşli,

bir türlü karar veremedim; sence, tamirciye yürüyerek mi gitmeliyim?”

Gelen cevabın özeti ise; şöyleydi:

“Havanın güzel olmasını değerlendirmelisin,

ayrıca; yürüyerek gitmek, çevre kirliliği açısından da ilk tercihin olmalı.”

Saatler önce; sayfalar dolusu raporu özetleyen, çıkarımlarda bulunan,

hatta; farklı dillere çeviren yapay zekânın verdiği bu şaşırtıcı cevap;
işte onun, “pürüzlü zekâ” özelliğinin bir yansıması idi…

Pek çok akademik çalışmada da kanıtlanmış olan

pürüzlü yapay zekânın bu tutarsızlığını, açıklamak zor olsa da

yapay zekânın inişli çıkışlı bir grafik sergileyen pürüzlü yapısının,

çeşitli nedenleri bulunmaktadır.

Öncelikle; büyük dil modelleri, insan zekâsı gibi anlayarak düşünmezler;
veri setleri içindeki örüntülerden öğrenirler,

bu örüntülerde de sık tekrarlanan sorulara verilen yanıtlar, bir adım öne çıkabilir.

Şöyle ki;
yakın bir yere, araba ya da motosiklet ile gitmek yerine, yürüyerek gitmenin;
hem sağlık, hem de çevre açısından daha doğru bir tercih olacağı,

bu alanda; genel kabul görmüş bir yargıdır.

İşte bu yargı içinde, motosiklet ile gitmenin;

tamir için zorunlu olduğu gibi basit bir nokta, gözden kaçmıştır.

Bu da bize yapay zekânın;
derin bağlam analizi,

gerçek dünya ile ilişkilendirme,

nedensel düşünme gibi alanlardaki kısıtlılığını; göstermektedir.

Akademik çalışmalarda da kanıtlandığı gibi

insanlara zor gelen işler; yapay zekâ için kolay,
yapay zekâya zor gelen işler ise; insanlar için kolay olabilmektedir. 

Tüm bunlar da ne demek?

Öncelikle, yapay zekâ; sihirli bir teknoloji değildir.

Ancak; hata yapıyor diye, uzak durulması gereken bir teknoloji de değildir.

Bu iki durum aslında, bizi; yapay zekanın kontrollü kullanımına yöneltmektedir.

Yapay zekâ; hızlı olabilir, düşük maliyetle çalışabilir ancak;
insanların yerine geçerek, insan kaynaklı hataları yapmaması ile övünülen yapay zekâ;
çok basit görevlerde hata da yapabilir.

Önemli olan, bunları bilip; sonuçların insan kontrolüne tabi tutulmasıdır.

Bugün geldiğimiz noktada;
evet, yapay zekâ iş modellerinin önemli bir parçası olmalı;
ama, tüm kontrol ve sorumluluğu da ele geçirmemelidir.

Bir diğer önemli unsur ise;
yapay zekâyı anlamak kadar, öğrenebilmenin de gerekliliğidir.

Diğer bir ifadeyle;
yapay zekâ okuryazarlığı yeterli değildir, sınır okuryazarlığı da gerekmektedir.

Yani, yapay zekânın; nerelerde daha iyi, nerelerde daha zayıf olduğunu tespit edip;

bunu bilmek ve buna göre davranabilmek, kritik bir önem taşımaktadır.

Nitekim; Fabrizio Dell'Acqua ve ekibinin, Boston Danışma Grubu ile yaptığı;

758 danışmanın katıldığı deneyde, GPT-4 üzerinde alınan sonuçlara göre;

Sınırın İçindeki Görevlerde:

Yapay zekânın iyi olduğu alanlarda;
çalışanlar, yüzde 25 daha hızlı ve yüzde 40 daha kaliteli sonuç üretmiş,

Sınırın Dışındaki Görevlerde:

Yapay zekânın yetersiz kaldığı "pürüzlü" bölgede;
çalışanlar, yapay zekâya fazla güvendikleri için yüzde 19 daha fazla hata yapmıştır.

Sonuç olarak, tüm bu bahsedilenler;
yapay zekânın sınırlarını, yeteneklerini anlamanın ve

çözümlemenin önemini gözler önüne sermektedir.

Yapay zekâ, nasıl öğrenen bir model ise;

aslında, insanlar da yapay zekâyı öğrenerek; ondan en etkin şekilde faydalanabilecektir.

Bu durum ise; günümüz teknolojisi ve şartlarında en etkin iş modelinin,
yapay zekâ ve insan ortaklığı ve entegrasyonundaki modeller olduğunu kanıtlamaktadır.

En azından şimdilik…

Prof. Dr. Ceyda Aysuna Türkyılmaz

Marmara Üniversitesi İşletme Fakültesi

Pazarlama Anabilim Dalı Öğretim Üyesi

caysuna@marmara.edu.tr

Kaynakça

Gans, J. (2026). A model of artificial jagged intelligence.

Dell’Acqua, F., McFowland, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K.,

Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. (2023).

Navigating the Jagged Technological Frontier:

Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality.

Harvard Business School Working Paper