Türkiye’de 2,3 milyon iş AI’ya açık; gençlerin işe girişi yavaşlıyor

Burcu Gürcihan, Berna Beyhan ve İbrahim Semih Akçomak’ın Sabancı Üniversitesi’nde 2 Ekim 2026’da kayda giren araştırması, Türkiye’de yaklaşık 2,3 milyon kayıtlı işin üretken yapay zekâya maruziyetin en yüksek yüzde 20’lik meslek diliminde bulunduğunu hesaplıyor; bu grup kayıtlı istihdamın yaklaşık yüzde 17’sini oluşturuyor. SGK kayıtlarıyla mesleki görev göstergelerini birleştiren çalışma, 2023’ten sonra bu işlerde istihdam artışının özellikle kariyerinin başındakiler için zayıfladığını, 30 yaş üstündekilerde benzer bir kayıp görülmediğini ortaya koyuyor.

Gençler için kritik fark, bir mesleğin tamamen ortadan kalkması ile o mesleğe ilk kez girmenin güçleşmesi arasında. Bulgular ikinci olasılığa işaret ediyor: Deneyimli çalışanların istihdamı görece dayanıklı seyrederken yeni başlayanlar için istihdam artışı yavaşlıyor. Yine de kayıtlar, tek tek işverenlerin neden daha az genç çalışan işe aldığını ya da hangi görevi yapay zekâya devrettiğini göstermiyor.

2,3 milyonluk grup hangi işleri kapsıyor?

Maruziyet, bir mesleğin görevlerinin üretken yapay zekâ tarafından yapılabilme veya desteklenebilme potansiyelidir; işini kaybetmiş kişi sayısı değildir. Araştırma, Uluslararası Çalışma Örgütü’nün görev temelli göstergesini SGK’nın çalışan ve işveren kayıtlarındaki meslek kodlarıyla eşleştiriyor. Böylece teknolojiye açık olduğu düşünülen mesleklerde fiilî istihdamın nasıl seyrettiği izlenebiliyor. Ancak puan, bir işletmenin aracı gerçekten kullanıp kullanmadığını ölçmüyor.

İbrahim Semih Akçomak’ın Türkçe araştırma değerlendirmesi, Ocak 2021–Eylül 2025 dönemine ait kayıtların incelendiğini ve en yüksek maruziyet kategorisinin yaklaşık 700 bin çalışanla kayıtlı istihdamın yüzde 5’ini kapsadığını belirtiyor. Bu dar kategori ile meslekleri maruziyete göre sıralayıp üst yüzde 20’lik dilimde çalışanları sayan daha geniş grup aynı eşik değil. Aynı değerlendirmede, hizmet sektörünün 22–25 yaş grubunda en yüksek maruziyetli mesleklerdeki istihdamın 2023 sonrasında genel eğilimin yaklaşık yüzde 9 altında kaldığı; 26–30 yaş grubunda da daha zayıf bir ayrışma görüldüğü anlatılıyor. Akçomak, gençler açısından sonucu “işgücü piyasasına giriş kapılarını daraltıyor gibi görünüyor” sözleriyle nitelendiriyor.

Büro işleri, finans, satış, muhasebe, yazılım ve çağrı merkezi satış işleri yüksek maruziyetli meslekler arasında. Bunların ortak noktası yalnızca bilgisayarla yapılmaları değil; metin oluşturma, bilgi sınıflandırma, kayıt inceleme ve standart bir yanıt hazırlama gibi görevlerin üretken yapay zekâ tarafından desteklenebilmesi. Kadın çalışanların daha yüksek maruziyet göstermesi de büro, müşteri hizmetleri ve satış işlerinde daha yoğun çalışmalarıyla ilişkili. Bu dağılım, cinsiyetin tek başına teknolojik bir risk yarattığı anlamına gelmiyor; maruziyetin hangi mesleklerde biriktiğini gösteriyor.

Gençlerdeki yavaşlama nerede belirgin?

Ayrışma özellikle hizmetlerdeki genç çalışanlarda görülüyor. Daha ileri yaştaki çalışanların yüksek maruziyetli mesleklerdeki istihdamı genel eğilime yakın ilerlerken imalatta hizmetlerdekine benzer bir ayrışma saptanmıyor. Dolayısıyla bütün genç çalışanların veya bütün sektörlerin aynı ölçüde etkilendiği söylenemez. İşe girişe ilişkin risk, belirli mesleklerdeki yaş farkında yoğunlaşıyor.

Bu yaş farkı, başlangıç düzeyindeki işlerin içeriğini önemli kılıyor. Yeni bir muhasebe çalışanının kayıtları karşılaştırması veya çağrı merkezinde müşteri sorularını ayırması yalnızca günlük üretime katkı değildir; işin kurallarını, istisnalarını ve hata kaynaklarını öğrenme yoludur. İşveren bu tekrar eden görevlerin bir kısmını araçla tamamlayabiliyorsa, deneyimli çalışana ihtiyaç sürerken yeni çalışan yetiştirme talebi azalabilir. Bu mekanizma istihdam örüntüsüyle uyumlu bir yorumdur; her şirkette gerçekleştiği doğrudan ölçülmüş bir sonuç değildir.

İşveren açısından başka kararlar da aynı istatistiğe yansıyabilir: Talebin değişmesi, maliyet baskısı veya bir sektörün daha az büyümesi genç istihdamını etkileyebilir. Çalışma sektörel değişimleri hesaba kattıktan sonra yaşa göre ayrışmanın sürdüğünü buluyor. Bu, işe alım kanalına ilişkin yorumu güçlendiriyor, fakat yapay zekâ kullanımının her işyerindeki payını belirlemiyor. Verinin kayıtlı çalışanlarla sınırlı olması da kayıt dışı çalışma ve iş arayıp henüz işe giremeyen adaylar için ayrı bir boşluk bırakıyor.

İşe giriş kapısı neden daralabilir?

Giriş düzeyindeki işin ekonomik değeri ile öğrenme değeri her zaman aynı değildir. Kıdemli bir çalışan için otomatik hazırlanmış taslağı denetlemek zaman kazandırabilir; yeni çalışan için aynı taslağı kurmak, yanlışları görmek ve müşterinin bağlamını kavramak eğitimin parçası olabilir. Firma yalnızca hızlı çıktıyı ödüllendirirse bu öğrenme süresine ayırdığı kaynak azalır. Böyle bir değişim önce iş ilanında değil, ekipte kime hangi görevin verildiğinde görülebilir.

Üretken yapay zekâ kullanımı da tek bir sonuç yaratmaz. Araç deneyimli çalışanın verimini artırırken yeni çalışanın üstlendiği rutin işleri azaltabilir; başka bir işyerinde ise yeni başlayanların daha karmaşık görevlere erişmesini kolaylaştırabilir. D. Cetindamar’ın özel sayı giriş yazısı, erken kariyer çalışanlarında daralan işe alım alanını ve beceri politikalarının farklı koşullara uyarlanması gereğini birlikte ele alıyor. Türkiye verisindeki yaş ayrımı, iş tasarımının hangi sonucun ağır basacağını etkileyebileceğini düşündürüyor.

Öğrenme görevleri nasıl yeniden kurulabilir?

Birinci senaryoda müşteri hizmetleri ekibi yapay zekânın hazırladığı yanıtı yeni çalışana yalnızca onaylatmaz. Genç çalışan, yanıtın hangi müşteri bilgisini atladığını, hangi ifadenin yanlış beklenti yarattığını ve neyin düzeltilmesi gerektiğini açıklar; kıdemli çalışan da gerekçeye geri bildirim verir. Bu tasarımda öğrenme, metni sıfırdan yazmaya değil, hatayı tanımaya ve sonucu savunmaya dayanır. Böyle bir uygulamanın Türkiye’de işe alımı artırdığına ilişkin ölçüm bulunmuyor; senaryo daralan başlangıç görevine olası bir karşılık sunuyor.

İkinci senaryoda muhasebe veya finans ekibi otomatik hazırlanan çıktının kaynağını izlemeyi giriş düzeyi göreve dönüştürür. Yeni çalışan veri ile sonuç arasındaki tutarsızlığı kayda geçirir, hangi kuralın uygulandığını gösterir ve düzeltme önerisini karar verene sunar. Böylece denetim sorumluluğu kıdemli çalışanda kalırken genç aday gerçek bir işlemin gerekçesini öğrenir. Bunun anlamlı bir öğrenme görevine dönüşmesi için zaman, erişim ve geri bildirim gerekir; yalnızca daha hızlı sonuç istemek aynı beceriyi kazandırmaz.

Üçüncü senaryoda üniversitedeki mesleki eğitim ile işyerindeki staj aynı denetleme becerisi etrafında bağlanır. Öğrenci, yapay zekâ çıktısının neden doğru veya yanlış olduğunu alanın ölçütleriyle gerekçelendirir; stajda benzer bir kararın gerçek sonuçlarını kıdemli çalışanla değerlendirir. Böylece rutin ilk taslağın azalması, meslek bilgisinin edinilmesini bütünüyle kesmez. İşverenlerin bu tür rollere kaç kişiyi alacağı ise uygulama sonrası işe giriş ve işte kalma verileriyle anlaşılabilir.

Genç aday için belirleyici soru, aynı mesleğe açılan başlangıç yolunun nasıl değiştiği. Bunu gösterecek sonraki veriler, yüksek maruziyetli işlerde yeni işe alınanların sayısını, üstlendikleri görevleri ve işte kalma sürelerini birlikte izlemeli.

Ayrıca okuyun:

• Yapay zekâ gençlerin ilk işini daraltıyor, ama toplu iş kaybı yok
• AI dönüşümü 11 milyon kişiyi meslek değiştirmeye zorlayabilir
• Kanada enerji iş gücü ittifakı kurdu: Açık meslekler eğitimi belirleyecek