Bilgiye ulaşmak kolaylaştı. Uzman olmak zorlaşmadı; uzmanlığın adresi değişti.

Bilginin kıt olduğu çağdan, doğrulama ve bağlamın kıt olduğu çağa eleştirel bir bakış.

Daha işe başlamadan geride kalmış hissetmek

Bir yönetici sabah kahvesini alırken telefonunda üç bildirim görüyor: Kullandığı yapay zekâ aracına yeni bir model eklenmiş, rakip şirket yeni bir otomasyon duyurmuş, dün öğrendiği yöntem için “artık eski” diyen bir paylaşım binlerce kez paylaşılmış. Henüz ilk toplantı başlamadan, yıllardır biriktirdiği bilginin raf ömrü kısalmış gibi hissediyor.

Aynı sabah bir hukukçu, daha geçen ay öğrendiği sözleşme inceleme aracının yerini bir ajanın aldığını okuyor. Bir insan kaynakları uzmanı özgeçmiş taramanın artık “eski kullanım” sayıldığını, yeni sistemlerin adayla yazışıp görüşme planlayabildiğini görüyor. Yazılımcı, dün kullandığı kütüphanenin bugün başka bir model tarafından otomatik değiştirilebildiğini izliyor.

Bu hız yalnızca yeni şeyler öğrenme ihtiyacı yaratmıyor. Daha derin bir soruyu da tetikliyor: Eğer dün öğrendiğim bugün eskidiyse, yıllardır geliştirdiğim uzmanlık ne işe yarıyor?

Uzmanlık yok olmuyor. Bilgiyi saklama üstünlüğünden; bilgiyi sınama, bağlama yerleştirme, yeni duruma aktarma ve sonucunun sorumluluğunu taşıma yeteneğine dönüşüyor.

Bu yazının tezi iyimser bir teselli değildir. Uzmanlığın bazı parçaları gerçekten ucuzluyor; bazı görevler hızla standartlaşıyor ve daha önce yalnızca uzmanların üretebildiği görünen çıktılar dakikalar içinde oluşuyor. Fakat aynı dönüşüm, yüzeyde iyi görünen bir cevabın hangi durumda yanlış, eksik veya tehlikeli olduğunu anlayabilen insanlara duyulan ihtiyacı da büyütüyor.

Bilgiye erişim neden uzun süre uzmanlık sayıldı?

Bilginin kıt ve dağınık olduğu dönemlerde uzmanlık, doğal olarak erişimle iç içeydi. Doğru kitabın hangi rafta olduğunu bilmek, emsal kararı bulabilmek, kurum içindeki eski dosyalara ulaşmak, güvenilir kişiyi tanımak veya yıllar içinde oluşmuş örnekleri hafızada tutmak gerçek bir avantajdı. Uzman, yalnızca daha iyi yorumlayan kişi değil; başkalarının bulamadığı bilgiye ulaşabilen kişiydi.

İnternet bu yapıyı ilk kez sarstı. Arama motorları bilgiyi geniş kitlelere açtı. Üretken yapay zekâ ise ikinci eşiği geçti: Artık kullanıcı yalnızca kaynağı bulmuyor; kaynakların özetlenmiş, karşılaştırılmış ve kendi sorusuna göre yeniden düzenlenmiş bir ilk sürümünü saniyeler içinde alıyor.

Bu nedenle bugün “Bunu biliyorum” cümlesinin ekonomik değeri tek başına azalıyor. Çünkü sistem de biliyormuş gibi cevap verebiliyor. Yeni ayırt edici soru şudur: “Bu cevabın hangi kısmına, hangi kanıta dayanarak, hangi bağlamda güvenebilirim?”

Şekil 1 — Bilgi kıtken uzmanlığın merkezinde erişim ve hafıza vardı; bilgi bolken değer, çerçeveleme, doğrulama, bağlama aktarma ve sorumluluğa kayıyor.

Bilgi bollaştı; doğru bilgi kendiliğinden çoğalmadı

Yapay zekâ bilgiye ulaşma maliyetini düşürür. Fakat cevabın doğru, güncel, kuruma uygun ve uygulanabilir olmasını otomatik olarak garanti etmez. Hatta cevaplar daha akıcı ve ikna edici hâle geldikçe, hata daha görünmez olabilir. Bilgi bolluğu bu yüzden yeni bir kıtlık üretir: dikkat, doğrulama kapasitesi ve güvenilir bağlam kıtlığı.

NIST’in Yapay Zekâ Risk Yönetimi Çerçevesi; geçerlilik ve güvenilirlik, açıklanabilirlik, şeffaflık ve hesap verebilirlik gibi özellikleri sistemin kullanım bağlamıyla birlikte ele alır (NIST, 2023). Bu yaklaşım basit bir nedenle önemlidir: Aynı cevap, düşük riskli bir e-posta taslağında yeterli; işe alım, kredi, sağlık veya sözleşme kararı için yetersiz olabilir.

Microsoft Research tarafından 319 bilgi çalışanıyla yürütülen çalışma da üretken yapay zekâ kullanımında eleştirel düşünmenin ortadan kalkmaktan çok yer değiştirdiğini gösteriyor. Katılımcıların aktardığı örneklerde düşünsel çaba; bilgiyi üretmekten, çıktıyı doğrulama, iş akışına entegre etme ve görevin sorumluluğunu yönetme aşamalarına kayıyor. Çalışma aynı zamanda yapay zekâya duyulan yüksek güvenin daha az eleştirel düşünmeyle ilişkili olabileceğini bildiriyor (Lee et al., 2025).

Yeni uzman, en çok cevabı bilen kişi değil; hangi cevabın neden yanlış olabileceğini görebilen kişidir.

Günlük iş örneği: Aynı özet, iki farklı karar

Bir sözleşme yöneticisinin önüne 42 sayfalık bir hizmet sözleşmesi geldiğini düşünelim. Yapay zekâ birkaç saniyede şu özeti üretiyor: “Süre 12 ay, otomatik yenileme mevcut, fesih bildirimi 30 gün.” Bu çıktı son derece kullanışlıdır. Tarafları, tarihi ve temel hükümleri bulmak için harcanan süreyi dramatik biçimde azaltır.

Uzman olmayan kullanıcı, bu üç bilgiyi sisteme kaydedip yenilemeden 30 gün önce hatırlatma kurabilir. Deneyimli sözleşme yöneticisi ise aynı özeti görünce yeni sorular sorar: Otuz gün olağan fesih için mi, ihlal hâli için mi geçerli? Otomatik yenilemeyi durdurmak için ana sözleşmede 90 gün şartı var mı? Sonradan imzalanan ek protokol bu süreyi değiştirdi mi? Bildirim e-posta ile yapılabilir mi, yoksa noter veya kayıtlı elektronik posta mı gerekiyor?

Yapay zekâ özeti yanlış olmayabilir; yine de karar yanlış olabilir. Çünkü karar tek bir maddeye değil, maddeler arasındaki ilişkiye, belge hiyerarşisine, iş takvimine ve olası sonuca bağlıdır. Uzmanlığın değeri burada cevabı yeniden yazmak değil, sistemin görmediği ilişkiyi kurmaktır.

Şekil 2 — Yapay zekâ aynı özeti iki kişiye verebilir. Farkı yaratan, uzman kullanıcının metinler arasındaki ilişkiyi ve operasyonel sonucu sorgulamasıdır.

Yapay zekâ uzmanlığı demokratikleştiriyor mu?

Şeytanın avukatlığını yapalım: Belki de bazı mesleklerde “uzmanlık” diye koruduğumuz şeyin önemli bölümü, erişim ayrıcalığı ve jargondu. Eğer bir çalışan doğru soruyu yazarak mevzuatın özetine, kod örneğine, finansal açıklamaya veya pazarlama planına ulaşabiliyorsa, bilgi tekellerinin zayıflaması toplumsal açıdan olumlu değil midir?

Evet. Yapay zekâ, daha önce pahalı danışmanlık, uzun eğitim veya özel veri tabanları gerektiren birçok ilk adımı demokratikleştirebilir. Noy ve Zhang’ın deneyinde üretken yapay zekâ, belirli profesyonel yazma görevlerinde ortalama süreyi azaltırken çıktı kalitesini artırmıştır (Noy & Zhang, 2023). Bu tür kazanımlar, daha az deneyimli çalışanların daha hızlı başlangıç yapmasına ve küçük kurumların daha önce erişemediği kapasitelere ulaşmasına yardımcı olabilir.

Fakat erişimin demokratikleşmesi, muhakemenin otomatikleştiği anlamına gelmez. İyi biçimlendirilmiş bir cevap, kullanıcıya olduğundan yüksek yetkinlik hissi verebilir. İlk taslak üretme eşiği düşerken, hatayı fark etme eşiği aynı kalır; hatta akıcı metinler nedeniyle yükselir. Bu nedenle yapay zekâ eşitsizliği yalnızca azaltmayabilir: Çıktıyı doğrulayabilenlerle doğrulayamayanlar arasında yeni bir fark da yaratabilir.

Pürüzlü sınır: Sistem bir görevde usta, yanındakinde acemi olabilir

Yapay zekâ yetenekleri düzgün bir çizgi hâlinde ilerlemez. Dell’Acqua ve çalışma arkadaşlarının “pürüzlü teknolojik sınır” olarak adlandırdığı durum tam da budur: Sistem, benzer zorlukta görünen görevlerin bazılarında performansı artırırken bazılarında kötüleştirebilir. Danışmanlarla yapılan saha deneyinde yapay zekâ, sınırın içindeki görevlerde hız ve kalite sağlarken sınırın dışındaki bir görevde kullanıcıların doğru sonuca ulaşma olasılığını düşürmüştür (Dell’Acqua et al., 2026).

Bu pürüzlü yapı, uzmanlığı daha az değil daha çok gerekli kılar. Çünkü kullanıcı yalnızca “Araç güçlü mü?” sorusuna cevap vermez; “Bu görev aracın güçlü olduğu bölgenin içinde mi?” sorusunu da yanıtlamak zorundadır. Bir model iyi bir sözleşme özeti çıkarabilir fakat yerel bir düzenlemenin güncel istisnasını kaçırabilir. Güçlü kod yazabilir fakat kurumun eski sistemiyle sessizce çakışan bir bağımlılık ekleyebilir. İyi bir pazar analizi yazabilir fakat veri kaynağının örneklem yanlılığını göremeyebilir.

Uzmanlığın yeni biçimi, aracın kabiliyet haritasını ezberlemek değildir; çünkü o harita da sürekli değişir. Asıl beceri, belirsizliği fark etmek, iddiayı sınamak, karşı örnek aramak ve kritik noktada insan kontrolünü devreye sokmaktır.

Rutin uzmanlıktan uyarlanabilir uzmanlığa

Eğitim biliminde “rutin uzmanlık” ile “uyarlanabilir uzmanlık” arasında uzun süredir ayrım yapılır. Rutin uzman, bilinen problemleri hızlı ve doğru çözer. Uyarlanabilir uzman ise ilk kez karşılaştığı durumda temel ilkeleri kullanarak yeni çözüm üretir, gerektiğinde mevcut yöntemini değiştirir ve deneyimden öğrenmeye devam eder. Uyarlanabilir uzmanlık literatürü, verimliliğin yanında yenilik üretme ve kavramsal anlayışın da kritik olduğunu vurgular (Bohle Carbonell et al., 2014).

Yapay zekâ çağında bu ayrım kuramsal olmaktan çıkıp günlük çalışma meselesine dönüşüyor. Sistem, rutin çözümün ilk sürümünü hızla üretebilir. İnsanın ayırt edici katkısı; beklenmeyen durumu tanımak, temel ilkeyi yeni koşula taşımak ve standart yöntemin artık çalışmadığını söyleyebilmektir.

Şekil 3 — Yeni uzmanlık, yalnızca bilgiye erişimden oluşmuyor. Doğrulama, bağlam, aktarım, muhakeme ve sorumluluk katmanları yukarı çıktıkça insan katkısının değeri artıyor.

Uzmanlık artık hangi kaslardan oluşuyor?

Bugünün uzmanlığını tek bir “yapay zekâ becerisi” olarak tanımlamak yanıltıcı olur. Bir aracın menüsünü öğrenmek geçici avantaj sağlar; araç değiştiğinde bu avantaj hızla eriyebilir. Daha kalıcı uzmanlık aşağıdaki birbirine bağlı kaslardan oluşur:

• Problem çerçeveleme: İstenen çıktıyı değil, çözülmesi gereken gerçek problemi tanımlamak.
• Kaynak ve köken doğrulama: Bir iddianın hangi kaynağa, tarihe, veri kümesine veya varsayıma dayandığını görmek.
• Bağlamsal muhakeme: Genel cevabı kurumun politikası, müşterinin koşulu, yerel mevzuat ve risk iştahıyla birlikte değerlendirmek.
• Bilgiyi yeni alana aktarma: Bir alandaki ilkeyi başka bir süreçte kullanabilmek; benzerlik kadar farkı da görebilmek.
• İstisna tanıma: Standart akışın hangi noktada kırıldığını ve insan onayı gerektiğini belirlemek.
• Karar sorumluluğu: Çıktıyı kimin onayladığını, hangi kanıtla kabul ettiğini ve hata hâlinde nasıl geri dönüleceğini açıklayabilmek.
• Öğrenme çevikliği: Her duyuruyu takip etmek değil; değişiklikleri temel ilkelere bağlayarak gerekli olanı hızla öğrenmek.

OECD’nin 2026 tarihli değerlendirmesi de ileri düzey yapay zekâ becerilerinin iş gücünde sınırlı kaldığını; buna karşılık eleştirel düşünme, yaratıcılık, iş birliği ve öğrenmeye devam etme kapasitesi gibi tamamlayıcı becerilerin yaygın önem taşıdığını vurguluyor (OECD, 2026). Dünya Ekonomik Forumu’nun 2025 raporunda analitik düşünme en yaygın temel beceri olarak öne çıkarken; dayanıklılık, esneklik, çeviklik, merak ve yaşam boyu öğrenmenin önemi de artıyor (World Economic Forum, 2025).

İşe alımda yanlış soru: “Hangi aracı biliyorsunuz?”

Kurumlar değişen uzmanlığı kabul ediyorsa işe alım ve performans ölçütlerini de değiştirmek zorunda. “Hangi yapay zekâ araçlarını kullandınız?” sorusu yararlı olabilir; fakat hızla eskiyebilir. Daha güçlü sorular şunlardır: Bir yapay zekâ çıktısının yanlış olduğunu nasıl fark ettiniz? Hangi kanıtla düzelttiniz? Bilmediğiniz bir alanda nasıl güven sınırı kurdunuz? Genel bir çözümü kurum bağlamına nasıl uyarladınız?

Aynı değişim performans değerlendirmesinde de gerekir. Sadece kaç rapor üretildiğini, kaç sözleşmenin işlendiğini veya kaç talebe cevap verildiğini ölçmek; hızlanan üretimi ödüllendirirken hatayı yakalayan sessiz uzmanlığı görünmez kılabilir. Yeni ölçütler arasında istisna yakalama oranı, kararın izlenebilirliği, tekrar kullanılabilir bilgi üretimi, başka ekiplere bilgi aktarımı ve yapay zekâ hatalarını azaltan kontrol tasarımları bulunmalıdır.

ILO’nun 2025 çalışması, üretken yapay zekâya maruz kalmanın çoğu meslekte işi bütünüyle ortadan kaldırmaktan çok görevleri dönüştürme yönünde değerlendirilmesi gerektiğini vurgular (Gmyrek et al., 2025). Bu dönüşümün sonucu teknolojiden tek başına çıkmaz; kurumun işi nasıl yeniden tasarladığına, çalışanı hangi role yerleştirdiğine ve kazanılan zamanı neye ayırdığına bağlıdır.

Genç çalışanlar için görünmeyen risk: İlk basamaklar ortadan kalkarsa uzman nasıl yetişecek?

Uzmanlığın biçim değiştirmesi kadar, nasıl oluşacağı da önemlidir. Birçok meslekte insanlar başlangıçta tekrar eden işleri yaparak alanın örneklerini görür, istisnaları tanır ve sezgi geliştirir. Eğer yapay zekâ bu giriş görevlerini tamamen üstlenir, genç çalışan yalnızca nihai çıktıyı onaylayan kişiye dönüşürse geleceğin uzmanları yeterli örnekle karşılaşmadan “denetçi” ilan edilebilir.

Bu nedenle amaç genç çalışanı tekrar eden işte tutmak değildir. Ama otomasyonu öğrenme zincirini koparmayacak biçimde tasarlamak gerekir. Genç çalışanın yalnızca doğru çıktıyı değil; yanlış örnekleri, modelin tereddüt ettiği vakaları, uzman düzeltmelerini ve karar gerekçelerini de görmesi gerekir. Kurum içindeki insan denetimi aynı zamanda bir yetiştirme mekanizması olmalıdır.

En verimli düzen üçlü olabilir: Yapay zekâ ilk taslağı ve rutin kontrolleri yapar; genç çalışan kanıtı toplar ve çelişkileri işaretler; deneyimli uzman kritik kararı ve gerekçeyi değerlendirir. Zamanla genç çalışan daha zor vakalara geçer. Böylece otomasyon verimlilik üretirken uzmanlık hattını kurutmaz.

Birey ne yapmalı: Her yeniliği takip etmek mi, öğrenmeyi yeniden tasarlamak mı?

Hiç kimse her modeli, her aracı ve her yeni özelliği takip edemez. Bunu hedeflemek sürdürülebilir olmadığı gibi kaygıyı da artırır. Daha sağlam yaklaşım, değişen araçların altında kalan sabit ilkeleri öğrenmektir: veri nereden geliyor, sistem neyi optimize ediyor, hata nasıl ölçülüyor, kaynak nasıl doğrulanıyor, yetki sınırı nerede ve sonuçtan kim sorumlu?

Birey için pratik bir öğrenme döngüsü şöyle kurulabilir: Önce kendi işindeki bir görevi seçmek; yapay zekâdan ilk taslak almak; çıktıyı bağımsız kaynakla sınamak; hatayı ve düzeltmeyi kaydetmek; aynı yöntemi farklı bir vakaya uygulamak; sonra hangi koşulda işe yaramadığını yazmak. Bu çalışma yalnızca “prompt” becerisi değil, alan bilgisi ile araç bilgisini birlikte geliştirir.

Uzmanlık dosyası da değişebilir. Sadece tamamlanan eğitimlerin listesi yerine; fark edilen hatalar, yeniden tasarlanan süreçler, kurulan kontrol noktaları, başka bir alana aktarılan yöntemler ve alınan kararların gerekçeleri görünür hâle getirilebilir. Geleceğin güçlü özgeçmişi, “ne bildiğini” kadar “bilmediği durumda nasıl ilerlediğini” de göstermelidir.

Kurum ne yapmalı: Çalışanı hız baskısıyla yalnız bırakmamak

Kurumlar çalışanlardan sürekli öğrenmelerini beklerken bunun zamanını ve güvenli alanını da sağlamalıdır. Her boşalan dakikayı yeni görevle doldurmak, kısa vadede çıktı sayısını artırabilir; uzun vadede doğrulama, öğrenme ve süreç geliştirme kapasitesini zayıflatır. “Yapay zekâ hızlandırdı, o hâlde daha fazla üret” yaklaşımı yeni uzmanlığı değil, eski rutinin daha hızlı tekrarını üretir.

Kurumun görevi yalnızca lisans satın almak veya tek seferlik eğitim vermek değildir. Gerçek vakalardan test havuzları oluşturmak, kaynak gösterme standartları belirlemek, kritik kararlarda onay kapıları kurmak, hataları cezalandırılacak sırlar yerine öğrenme verisine dönüştürmek ve uzmanların düzeltmelerini kurumsal hafızaya aktarmak gerekir.

Şekil 4 — Uzmanlığın dönüşümü bireysel çabayla sınırlı değildir. Kurum; öğrenme zamanı, gerçek test vakaları, karar izi ve doğru performans ölçütleri sağlamalıdır.

Yedi adımlı ortak çıkış yolu

• Araçlardan önce ilkeleri öğretin: Çalışan, model adı değişse de doğrulama ve risk mantığını sürdürebilsin.
• Her kritik çıktı için kanıt rutini kurun: Kaynak, tarih, karşı görüş ve belirsizlik görünür olsun.
• Gerçek işten test vakaları biriktirin: Başarılı örneklerin yanında hatalı ve sınır vakaları da saklayın.
• Öğrenme zamanını koruyun: Deneme, değerlendirme ve süreç geliştirme için düzenli süre ayırın.
• Genç çalışanı süreçten çıkarmayın: İlk taslak otomatikleşse bile vaka görme ve karar gerekçesi öğrenme fırsatı sağlayın.
• Karar izini kaydedin: Yapay zekâ çıktısı neden kabul edildi, değiştirildi veya reddedildi açıklanabilsin.
• Başarıyı yeniden ölçün: Sadece hız ve hacmi değil; hata yakalama, aktarım, karar kalitesi ve öğrenme katkısını değerlendirin.

Sonuç: Uzmanlık bir bilgi deposu değil, yön bulma yeteneğidir

Dün öğrenilenin bugün eskimesi, öğrenmenin anlamsızlaştığını göstermez. Tersine, ezberlenen cevaptan daha kalıcı bir uzmanlık biçimine ihtiyaç olduğunu gösterir. Temel ilkeleri anlamak, kaynağı sınamak, bağlamı okumak, bilgiyi yeni probleme aktarmak ve sonuçtan sorumlu olmak; araç sürümlerinden daha uzun ömürlü becerilerdir.

Yapay zekâ uzmanlığın yüzeyini taklit edebilir: düzgün bir rapor, ikna edici bir analiz, çalışan bir kod veya temiz bir sözleşme özeti üretebilir. Fakat hangi sorunun sorulması gerektiği, hangi istisnanın kritik olduğu, hangi kanıtın yetersiz kaldığı ve kararın kime nasıl etki edeceği hâlâ bağlamsal muhakeme gerektirir.

Bilgiye erişim hızlandıkça uzmanlığın değeri azalmaz; uzmanlık, cevabı taşımaktan cevabın sınırlarını görmeye yükselir.

Belki de artık “Ne kadar çok biliyorsunuz?” sorusundan önce şunu sormalıyız: Bilgi değiştiğinde ne kadar hızlı yön bulabiliyor, bir cevabın doğruluğunu nasıl sınayabiliyor ve onu yeni bir durumda ne kadar sorumlu biçimde kullanabiliyorsunuz?Sizce kurumunuz bugün bilgiyi hatırlayanları mı, bilgiyi doğru bağlama taşıyanları mı ödüllendiriyor?

Dr. Mert Dönerçark

Yapay Zekâ Araştırmacısı ve Yazılım Stratejisti

Yayın Destekçisi ve Şeffaflık Notu

Bu yayın, MicroDestek katkılarıyla hazırlanmaktadır. Yazılarımda zaman zaman örneklerine yer verdiğim KolayOfis, ContractFlow ve MicroDestek Yapay Zekâ Asistanı, görev yaptığım MicroDestek tarafından geliştirilmektedir. Paylaştığım değerlendirmeler ise akademik ve uygulamalı çalışmalarım doğrultusunda oluşturulmuş kişisel görüşlerimi yansıtmaktadır.

Kaynakça

Bohle Carbonell, K., Stalmeijer, R. E., Könings, K. D., Segers, M., & van Merriënboer, J. J. G. (2014). How experts deal with novel situations: A review of adaptive expertise. Educational Research Review, 12, 14–29. Bağlantı

Dell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality. Organization Science. Bağlantı

Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., Rosłaniec, K., & Troszyński, M. (2025). Generative AI and jobs: A refined global index of occupational exposure (ILO Working Paper No. 140). International Labour Organization. Bağlantı

Hatano, G., & Inagaki, K. (1986). Two courses of expertise. In H. Stevenson, H. Azuma, & K. Hakuta (Eds.), Child development and education in Japan (pp. 262–272). W. H. Freeman. Bağlantı

Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, 1–22. Bağlantı

National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). Bağlantı

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. Bağlantı

OECD. (2024). Artificial intelligence and the changing demand for skills in the labour market. OECD Artificial Intelligence Papers, No. 14. Bağlantı

OECD. (2026). Skills in the AI age. OECD Publishing. Bağlantı

World Economic Forum. (2025). The Future of Jobs Report 2025. Bağlantı