Yapay zekâ gençlerin ilk işini daraltıyor, ama toplu iş kaybı yok

ABD’deki güncel bulgular, yapay zekâya yüksek ölçüde maruz kalan mesleklerde gençlerin ilk iş kapısının daraldığına işaret ediyor; ancak ekonominin tamamında yaygın bir istihdam kaybı göstermiyor. Stanford Digital Economy Lab’in Ağustos 2026 güncellemesine göre 22–25 yaş grubunun bu mesleklerdeki istihdamı, daha az maruz kalan yaşıtlarıyla aynı hızda ilerleseydi ulaşacağı düzeyin yaklaşık yüzde 19 altında kaldı.

Bu sonuç, “genç işlerinin yüzde 19’u yapay zekâ yüzünden yok oldu” anlamına gelmiyor. Araştırma betimleyici: Yapay zekânın rol oynadığı ihtimalini güçlendiriyor, fakat açığın ne kadarının doğrudan teknolojiden kaynaklandığını tek başına kanıtlamıyor. Yeni mezunlar açısından önemli ayrım, meslek adından çok giriş seviyesindeki görevlerin otomasyona mı yoksa insan muhakemesini tamamlamaya mı elverişli olduğudur.

Yüzde 19’luk açık neyi ölçüyor?

Yüzde 19, genç istihdamındaki mutlak düşüş oranı değil, iki meslek grubunun zaman içindeki eğilimleri arasındaki göreli farktır. Karşılaştırma, yapay zekâ maruziyeti yüksek işlerde çalışan 22–25 yaş grubuyla aynı yaştaki daha düşük maruziyetli çalışanları ayırıyor. Dolayısıyla oran, kaybolan ilanların sayısını veya doğrudan yapay zekâya bağlanabilecek işlerin payını vermiyor.

Haziran 2026’ya uzanan ADP bordro örnekleminde en yüksek iki maruziyet dilimindeki genç istihdamı Kasım 2022’ye göre yaklaşık yüzde 11 azalırken, düşük maruziyetli üç dilimde yaklaşık yüzde 10 arttı. Bu iki hareketten türetilen göreli açık, Temmuz 2025 veri kesitindeki yüzde 15’ten yüzde 19’a çıktı. Deneyimli çalışanlarda karşılaştırılabilir bir fark görülmemesi, yaş ve deneyim basamağının mesleki maruziyet kadar önemli olabileceğini gösteriyor.

“Toplu iş kaybı yok” sonucu da dikkatle okunmalı. Bu ifade, hiçbir işin etkilenmediği anlamına gelmiyor; mevcut verilerde ekonominin tümüne yayılan benzer ölçekte bir yer değiştirme görülmediğini anlatıyor. Daralma belirli yaşların, görevlerin ve mesleklerin kesişiminde yoğunlaşıyor.

Nedensellik neden henüz kurulmuş değil?

Bordro kayıtları istihdamın hangi gruplarda ayrıştığını gösterir, işverenin neden daha az işe alım yaptığını doğrudan açıklamaz. Faiz koşulları, sektörlerin büyüme hızı, eğitim düzeyi, uzaktan çalışmaya uygunluk ve şirketlerin genel işe alım politikaları da aynı dönemde sonuçları etkileyebilir.

Analizde teknoloji şirketleri ve bilgisayar meslekleri dışarıda bırakıldığında ya da faiz ve uzaktan çalışma maruziyeti hesaba katıldığında temel örüntü sürüyor. Buna karşılık eğitim düzeyi kontrol edildiğinde fark küçülüyor; bazı farklı eğilimler üretken yapay zekânın yaygın kullanımından önce de görülüyor. ADP örneklemindeki tahminlerin ulusal anket ölçümlerinden daha büyük olması da sonucun bütün ABD işgücü piyasasına aktarılmasını sınırlıyor.

Türkiye bakımından sınır daha belirgin. İncelenen veriler ABD’deki çalışanlara ait olduğundan yüzde 19, Türkiye’deki genç işsizliğine veya yeni mezun ilanlarına uygulanabilecek bir tahmin değildir. Türkiye’de kullanılabilecek çıkarım bir oran değil, izlenecek mekanizmadır: İşe alımın hangi görevlerde azaldığı, junior rollerin deneyim kazandırıp kazandırmadığı ve otomasyonun çalışanı ikame mi yoksa tamamlama mı eğiliminde olduğu.

İşe girişteki daralma işten çıkarmayla aynı şey değil

Genç istihdamındaki zayıflama yalnızca mevcut çalışanların işlerini kaybetmesi üzerinden ilerlemiyor. Bordro örüntüsü, uyumun daha çok gençlerin işe alınmasındaki azalmayla, daha sınırlı ölçüde işten ayrılmalarla ilişkili olduğunu gösteriyor. Başka bir deyişle ilk iş piyasasında görünmeyen kayıp, kapatılan pozisyon kadar hiç açılmayan junior pozisyon olabilir.

İşsizlerin yeniden işe geçişini inceleyen Richmond Fed analizi, 2023’ten sonra yapay zekâ maruziyeti yüksek mesleklerde iş bulma oranlarının daha fazla gerilediğini saptıyor. Bununla birlikte yeni ve yeniden işgücü girişlerindeki düşüş, işini kaybedenler ile kendi isteğiyle ayrılanlardaki düşüşten daha sınırlı; en sert bozulma geçmişte istikrarlı çalışma bağları bulunan kişilerde görülüyor.

Bu iki çalışma aynı grubu ve aynı metriği ölçmüyor. Biri bordrolardaki istihdamı yaş ve mesleki maruziyete göre karşılaştırırken diğeri işsiz kişilerin iş bulma olasılığını, arama nedeni ve işgücü piyasasına bağlılık gibi özelliklerle ayrıştırıyor. Bu nedenle sonuçlar birbirini destekleyen iki sinyal sunuyor, fakat “bütün giriş seviyesi işler aynı hızla kayboluyor” sonucunu vermiyor.

Yapay zekâ toplam gerilemenin baskın açıklaması değil

Yüksek maruziyetli mesleklerdeki daha keskin düşüş, toplam iş bulma oranındaki bütün zayıflamanın yapay zekâdan kaynaklandığı anlamına gelmiyor. Temmuz 2023 ile Mart 2026 arasını ayrıştıran Richmond Fed hesaplamasında düşük maruziyetli çalışanlar toplam gerilemenin yaklaşık yarısını oluşturuyor; yüksek maruziyetli ve işgücü piyasasına güçlü bağlı grubun katkısı ise en fazla yaklaşık üçte bir düzeyinde kalıyor.

Buradaki görünür çelişki, metrikler ayrıldığında ortadan kalkıyor. Yapay zekâya açık ve istikrarlı çalışma geçmişine sahip kişiler kendi grupları içinde en büyük iş bulma düşüşünü yaşayabilir; fakat toplam işsizler içindeki payları küçükse genel oranı tek başlarına belirleyemezler. Teknolojiyle bağlantılı yapısal değişim anlamlıdır, ancak bütün çalışanları etkileyen ekonomik koşullar toplam sonuçta daha büyük kalmaktadır.

Bu nedenle gençlere ilişkin istihdam açığıyla genel iş bulma oranındaki gerilemeyi aynı yüzdeye veya tek nedene indirgemek hatalıdır. Yaş, deneyim, mesleki maruziyet, işe giriş ve işten ayrılma ayrı göstergelerdir; her biri işgücü piyasasının farklı bir bölümünü anlatır.

İlanlarda görev ve mentorluk sinyallerini ayırın

Aynı pozisyon adı, yapay zekâ bakımından çok farklı görev bileşimlerini saklayabilir. Standart metin, temel kod, şablon rapor, veri temizleme veya tekrarlı sınıflandırma gibi yazılı prosedürlerle aktarılabilen üretim işleri daha kolay otomatikleştirilebilir. Çıktıyı doğrulama, hatayı teşhis etme, müşteri bağlamını yorumlama ve sonuçtan sorumluluk alma ise insan muhakemesini tamamlayan bir çalışma düzenine daha yakındır.

Yeni mezun bir ilanı değerlendirirken görevleri üç grupta inceleyebilir:

• Rutin üretim: Beklenen çıktının şablonla tanımlandığı ve istisnaların az olduğu tekrarlı işler.
• Doğrulama ve karar: Yapay zekâ çıktısının doğruluğunu, riskini ve bağlama uygunluğunu denetleyen sorumluluklar.
• Deneyim biriktirme: Kıdemli geri bildirimi, müşteri veya saha teması, ekipler arası koordinasyon ve zamanla genişleyen görev sahipliği.

İlan neredeyse tamamen ilk gruptan oluşuyor ve diğer gruplara geçiş yolu tarif edilmiyorsa, rolün geleneksel giriş basamağı otomasyona daha açıktır. Buna karşılık junior çalışan yapay zekâyı kullanırken doğrulama, istisna yönetimi ve bağlamsal karar sorumluluğu da kazanıyorsa teknoloji çalışanı ikame etmekten çok tamamlayabilir.

Mentorluk burada yan hak değil, kariyer altyapısıdır. İyi tanımlanmış bir junior rolde çalışanın kimden geri bildirim alacağı, ilk aylarda hangi ölçütlerle değerlendirileceği ve rutin görevlerden daha karmaşık kararlara nasıl geçeceği görülmelidir. İşveren açısından bütün başlangıç görevlerini ortadan kaldırmak kısa vadede kadro ihtiyacını azaltabilir, fakat ileride ihtiyaç duyulacak deneyimli çalışanların yetişme kanalını da daraltabilir.

Araştırmaların desteklediği sonuç, bütün işlerin sona erdiği değil, ilk basamağın görev düzeyinde yeniden şekillendiğidir. Yüzde 19’luk açık ciddi bir erken uyarıdır; Türkiye için doğrudan tahmin veya yapay zekânın tek başına neden olduğunu gösteren bir hesap değildir. Belirleyici soru, genç çalışanın teknolojiyle birlikte hangi muhakemeyi ve deneyimi biriktirebildiğidir.

Ayrıca okuyun:

• Hugging Face’e ilk adım: Yanlış modeli çalıştırmadan önce üç kontrol