Yapay zeka üretkenliği ekibi tüketirken, yöneticilerin dikkat etmesi gereken görünmez yük.

Yapay zeka araçlarının iş yükünün bir kısmını üstlenmesinin ardından, çalışanların tükenmişliğe yaklaştıkları halde alışıldık çıktıyı vermeye devam edebilmesi, yöneticilerin eski belirleyicilerini geçersiz kıldı. Bu durum yalnızca bir gözlem değil; 442 teknoloji şirketi çalışanı üzerinde yapılan bir çalışmada, tükeniş ile üretkenlik düşüşü arasındaki ilişkinin yapay zeka daha çok kullananlarda daha zayıf olduğu görüldü.

Yapay zeka yaygınlaştıkça bu belirleyici daha az güvenilir hale geldi. İşiğin bir bölümünü araçların üstlenmesiyle insanlar, tükenişe bir adım kala olsa usual çıktıyı verebiliyor. Bu konuda kendi gözlemlerinin ötesinde bir bulgu da 442 teknoloji şirketi çalışanı üzerinde yapılan bir çalışma ile destekleniyor: Yapay zeka daha çok kullananlarda tükeniş ile üretkenlik düşüşü arasındaki bağ daha zayıf çıkıyor.

Bu noktada soru şu: Üretkenlik göstergesi ekibin nasıl hissettiğine dair bir şey söylemiyorsa, yönetici mükemmel sonuç veren bir ekipte tükenişin ilk belirtilerini nasıl yakalayabilir?

Tasarruf edilen süre daha fazla işe dönüyor

Yapay zeka gerçekten işi hızlandırıyor ve rutindeki görevlerde zaman kazandırıyor. Lozana Üniversitesi’nden araştırmacılar ne kadar tasarruf sağladığını hesapladı: 83 yöneticiye yönelik anketin ardından bulduklarına göre çalışanların yüzde 82’si üretken yapay zeka sayesinde haftada ortalamaya 2 saat 50 min leestijdkazanıyor. Bu aylık yaklaşık 1,5 iş günü ediyor.

Saatlerce kazandırılan sürenin kendini geliştirmeye veya aileyle geçirilmesini beklerken, aynı çalışmadaki yöneticilerin yarısından fazlası bu zamanı daha fazla iş yapmak için kullanmış; yüzde 36’sı ise yapay zeka’nın kendisine zaman tasarrufu sağladığını fark bile etmemiş.

Yapay zeka sadece daha fazla iş yüklenmesini sağlamıyor, aynı zamanda belirli bir rol için normal sayılan iş yükünün ve karmaşıklığın seviyesini kademeli olarak yükseltiyor.

Görünmez emeğin gerisindeki maliyet

Ekiminde yer alan bir mimar, yapay zeka ortaya çıktıktan sonra genç geliştiricilerden daha bağımsız olmalarını beklediğini söylüyor. Soru sorarlarsa önce asistanla çözmeleri, ardından temel bilgiler üzerine ders beklemek yerine belirli bir sorun ve olası çözümlerle geri dönmeleri gerekiyor.

Buna benzer bir örnek olarak HBR makalesinde KPMG’nin iş gücü yeniliğinden sorumlu yöneticisi, yapay zeka bunu mümkün kıldığı için artık asistanların toplantılara eski yöneticiler kadar hazır gelmelerini beklediğini belirtiyor.

Bunlar genç kadroların büyümesinin hızlanması açısından olumlu örnekler: Genç çalışanlar daha bağımsızlaşıyor ve eskiden kıdemli arkadaşların desteğini gerektiren görevleri üstleniyor. Ancak ekip içinde yapay zekadan gelen üretkenlik artışı her zaman eşit dağılmıyor ve bunun sonuçları oluyor.

Son günlerde AT&T telekom şirketinde baş yazılım mühendisi Sreenivasa Reddy’in yazdığı makaleye rastladım. Makalesinde anlattığı ekip öyküsü başta yapay zeka benimsemenin textbook örneği gibi görünüyordu—haftada yüzde 40 daha hızlı çalışmaya başladılar. Ancak sonraki iki ay içinde ekibin en güçlü üç orta kademe mühendisi istifa etti.

Görünen o ki, genç ve kıdemli mühendisler üretkenleşirken, orta kademe mühendisler yapay zeka tarafından üretilen kodu gözden geçirmeye ve hataları düzeltmeye giderek daha fazla zaman harcuyordu. İşlerinin sonuçları metriklere veya performans değerlendirmelerine yansımıyor, bu iş için herhangi bir takdir almıyorlardı ki bu da doğal olarak motivasyon düşürücüydü.

Bu tek bir ekibin öyküsü değil. Workday’in üç bölgede 3.200 yönetici ve çalışan üzerinde yaptığı bir çalışmada, katılımcıların yüzde 85’i yapay zeka’nın onlara haftada 1 ile 7 saat arasında tasarruf sağladığını söylüyor; ancak bu sürenin yaklaşık yüzde 37’si yapay zekanın ürettiğini düzeltmek ve yeniden yazmak için harcanıyor. Bu iş çoğunlukla orta kademe rollerine düşüyor, Reddy’nin öyküsündeki gibi.

Yöneticilere üç öneri

Geçmişte üretkenlikteki bir düşüş biriyle ilgilenmeye yönelik bir işaret olabilirdi. Şimdi ise ya çok geç gelebilir ya da hiç ortaya çıkmayabilir. Bu nedenle yapay zeka iş temposunu hızlandırdıkça, liderlerin yükselen üretkenlik rakamlarının ardında ne olduğunu daha yakından incelemelerini öneriyorum.

Görünmez emeği kabul edin ve değerlendirin. Yapay zekayla çalışmanın büyük bir bölümü üretkenlik istatistiklerinde neredeyse görünmüyor. Hâlâ rutin bir iş bu—üretilen içeriği gözden geçirmek ve hataları düzeltmek. Bunu yapanların daha az tamamlanmış görevi olabilir ama tüm ekibin rakamlarını yüksek tutanlar onlardır. Bu tür bir emek, hem iş yükünü dengelerken hem de performans değerlendirmesinde hesaba katılmalı.

Her tasarruf edilen saati daha fazla işe çevirin. Bir işi hızlıca bitirip doğrudan sonrakine geçmek her zaman caziptir. Ancak bu norm hale geldiğinde ekip sınırlarında çalışmaya başlar. Yapay zeka zaman kazandırırsa, onu nasıl kullanacağını önceden kararlaştırmak daha iyi olur. Bu daha fazla iş olabilir ama aynı kalite kontrolü, öğrenme ya da sadece bir nefes alıp toparlanmak da olabilir.

Yapay zekayı kullanmayı verimlilikle karıştırmayın. Benim için mesele aracın bize daha iyi bir karar vermekte yardımcı olup olmadığı. Aksi halde yapay zeka benimseme, insanların sadece optimize etmek için optimize ettikleri başka bir metrik haline gelir.

Kendisi artık güçlü rakamları ekibin yolunda olduğuna kanıt olarak almıyor. “Ne kadar başardık?” sorusundan sonra bir soru daha soruyor: “Bu sonuç ekibe ne mal oldu?”

Birçok insan yapay zeka’nın işi hızlandırdığına inanıyor; ancak tükenişin ilk belirtilerini yakalamak için üretkenlik rakamlarının ardına bakmak gerekiyor.

Illia Smoliienko, Sivense kurucusu ve mühendislik lideri

World Changing Ideas Ödülleri‘nin erken başvuru tarihi 13 Kasım Cuma, saat 23.59 (PT). Vandaag başvurun.