Her Modelin Bir Yenisi
Güz dönemine girerken önde gelen yapay zeka oyuncularının hemen hepsinin piyasaya yeni model sürdüklerine şahit oluyoruz. Teknoloji kullanıcıları olarak, özellikle akıllı telefonlarda yıllık yenilenme döngülerine alışkınız. Ancak yapay zeka şirketlerinin neredeyse her ay yeni modeller ve teknolojiler sunması, kullanıcıların zihninde ciddi bir belirsizlik yaratıyor. Hal böyleyken, “model yorgunluğu” tabiri yaşananları açıklamak için oldukça elverişli bir çerçeve sunuyor.
Bu hafta yaşananlar, söz konusu yorgunluğun somut bir gerçekliğe dönüştüğünü de gösteriyor. Anthropic, geçtiğimiz salı günü Claude Fable 5.1 ve Claude Mythos 5.1 modellerini duyurarak haftaya başladı. Şirket bu modelleri kodlama ve bilgi işleri alanında “dünyanın en gelişmiş modelleri” olarak tanımladı. Ardından çarşamba günü Meta, Muse Spark 1.3’ü piyasaya sürerken, Google da Gemini 3.8 Flash ile sahneye çıktı; her iki şirket de ajan tabanlı görevler ve kodlama yeteneklerindeki gelişmeleri öne çıkardı. Perşembe gününe gelindiğinde ise OpenAI, siber güvenlik ve bilgisayar becerilerine odaklanan GPT-6 Astra’yı tanıttı ve bu modelin yıllar süren araştırma ve büyük yatırımların ürünü olduğunu belirtti. Aynı gün, Abu Dhabi merkezli Mohamed bin Zayed Yapay Zeka Üniversitesi de K2 Horizon model ailesini açık kaynak topluluğuna sundu. Bu da yapay zeka araştırma ve yatırımının küresel çıktılarından biri olarak okunabilir.
Tüm bunların üzerine, sektörün en değerli şirketi konumundaki Nvidia da boş durmadı ve açık kaynaklı yapay zeka platformu Hugging Face’i 12,9 milyar dolara satın almak üzere anlaşmaya vardığını duyurdu. Nvidia zaten geçtiğimiz ay, tek bir grafik işlemci üzerinde çalışabilecek kadar “hafif” olduğunu iddia ettiği Nemotron 3.5 Lightning modelini piyasaya sürerek açık kaynak alanındaki iddiasını pekiştirmişti.
Peki bu denli sık ve yoğun bir güncelleme trafiği neyin göstergesi? AI girişimi Runpod’un CEO’su Zhen Lu, yaşanan bu yoğunluğu “model yorgunluğu” olarak tanımlıyor ve şirketlerin adeta gürültü koparmak zorunda hissettiği bir ortamda bulunduğumuzu ifade ediyor. Notre Dame Üniversitesi’nden Profesör Ahmed Abbasi ise durumu “pazar payı oyunu” olarak niteliyor. Model geliştiricilerin birbirlerini takip etmek ve rakiplerinden geri kalmadıklarını göstermek amacıyla bu hıza ayak uydurduğunu söylüyor. Özellikle Anthropic ve OpenAI’ın halka arza doğru ilerlerken bu yarışı daha da hızlandırdığı, her iki şirketin de özel yatırımcılar tarafından yaklaşık 1 trilyon dolara yakın değerlendiği belirtiliyor.
Bu rekabetin arkasında elbette devasa bir pazar potansiyeli yatıyor. Gartner’ın Mayıs ayında yayımladığı bir rapora göre, bu yıl yapay zeka harcamalarının toplamda 2,59 trilyon dolara ulaşması, yani 2025’e kıyasla yüzde 47’lik bir artış göstermesi bekleniyor. Bu tutarın yarısından fazlası altyapıya giderken, geriye kalan 1 trilyon doları aşkın kısmın hizmetler, yazılım, siber güvenlik, modeller ve diğer araçlara harcanacağı öngörülüyor.
Ancak bu hızlı güncelleme temposunun beraberinde getirdiği bir dizi endişe de mevcut. Nitekim son haftalarda OpenAI, Anthropic ve Meta’ya ait modellerin erişmemeleri gereken üçüncü taraf sitelere eriştiği, hatta geçtiğimiz ay OpenAI modellerinin Hugging Face’e sızmayı başardığı ve bunun sektörde büyük yankı uyandırdığı biliniyor.
Abbasi, özellikle yapay zeka ajanlarının bu denli kolay bir şekilde devreye sokulmasının kendisini endişelendirdiğini belirtiyor: “Sadece bilgisayarınızda değil, web üzerinde de bu denli çok ajan varken, tehdit yüzeyi çok daha geniş bir hal alıyor. Dikkatli olmazsak bu tam bir kaosa dönüşebilir.” Abbasi ayrıca, tüm büyük model geliştiricilerin aynı hafta içinde güncelleme duyurmasının bir tesadüf olmadığını da vurguluyor.
Tüm bu tabloya biraz geriden bakıldığında model yorgunluğunun aslında yalnızca şirketlerin veya geliştiricilerin değil, sıradan kullanıcının da gündelik zihinsel yükünü artıran bir olguya dönüştüğü görülüyor. Bir zamanlar yılda bir kez telefonumuzu ya da bilgisayarımızı güncellediğimiz alışkanlık, yerini haftalık hatta günlük bazda “hangi model daha iyi”, “hangi araç hangi işe yarıyor” sorularıyla boğuşmaya bırakıyor. Bu durum, teknolojiyle kurduğumuz ilişkiyi bir tüketim alışkanlığından çıkarıp sürekli bir öğrenme ve uyum sağlama zorunluluğuna dönüştürüyor. Kişisel düzeyde bu durum, karar yorgunluğunu tetikleyen, insanı sürekli geride mi kalıyorum kaygısıyla baş başa bırakan bir döngüye yol açabilir. Şirketler için ise bu yorgunluk kaynakların doğru araca değil en çok konuşulan araca yönlendirilmesi riskini beraberinde getiriyor.
Toplumsal ölçekte bakıldığında da bu hız, düzenleyici kurumların ve kamuoyunun yetişemediği bir boşluk yaratıyor. Modellerin yetkinliği arttıkça ortaya çıkan güvenlik açıkları ve öngörülemeyen davranışlar, şirketlerin hıza ayak uydurmak için tavizler verdiği bir ortamda daha da kritik bir hal alıyor. Belki de model yorgunluğunun asıl anlattığı şey yapay zekanın artık bir yenilik dalgasından çok sürekli kendini yeniden üreten bir altyapıya dönüştüğü ve bizim de bu altyapıyla nasıl bir mesafe kuracağımızı, hangi hızda ona ayak uyduracağımızı yeniden düşünmemiz gerektiği gerçeği. Yarışı kazanan şirket kim olursa olsun asıl cevaplanması gereken soru bu hızın sürdürülebilir bir fayda mı, yoksa sürekli bir tükenmişlik mi ürettiği olacağı.
Kendi Yerine Geçecek Makineyi Eğitmek
Yapay zeka iş hayatını dönüştürürken ortaya giderek daha tuhaf bir çelişki çıkıyor. İnsanlar bir yandan yapay zekanın kendi işlerini devralmasından endişe ediyor, diğer yandan bu sistemlerin daha iyi çalışabilmesi için yıllar içinde kazandıkları bilgi ve deneyimi onlara aktarıyor. Üstelik bunu çoğu zaman salt gönüllü yapmayıp, bir gelir elde etmeye devam etmek için yapıyor.
Bu çelişkiyi yaşayanlardan biri de Güney Afrikalı akademisyen James Maisiri oluyor. Endüstriyel sosyoloji alanında doktora yapan Maisiri, akademik bir kariyer inşa etmeyi hedeflerken, kendisini bir YZ eğitim işi yapan şirketle görüşme yaparken buluyor. Kendisine teklif edilen iş, yapay zekanın üniversite öğrencilerine ders vermesini, sınav ve ödev hazırlamasını ve öğrencilerin çalışmalarını değerlendirmesini öğretmeyi kapsıyor.
Başka bir ifadeyle Maisiri’den yalnızca bildiklerini paylaşması istenmiyor. Yıllar boyunca geliştirdiği nasıl karar verdiğini de bir makineye aktarması bekleniyor. Asıl mesele tam burada başlıyor. Bir akademisyenin değerini yalnızca bildiği bilgiler oluşturmuyor. Bir öğrencinin bir konuyu gerçekten anlayıp anlamadığını fark etmesi, bir ödevin neden 60 değil de 75 puan etmesi gerektiğine karar vermesi veya bir ders kapsamında hangi konuların gerçekten önemli olduğunu ayırt etmesi, yıllar içinde oluşan bir muhakemeye dayanıyor. Bu muhakeme çoğu zaman bir kitapta veya yönetmelikte açık biçimde yazmıyor. Deneyimle oluşuyor, zamanla gelişiyor ve kişiden kişiye farklılık gösteriyor.
Şimdi yapay zeka sistemleri tam da bu alana giriyor. Eskiden otomasyon denildiğinde daha çok bir makinenin hesap yapması, bir üretim hattının otomatikleşmesi veya bir yazılımın belirli komutları yerine getirmesi gibi tekrarlanan ve kuralları belli olan işler akla geliyor. İnsanlarınsa yapay zekaya kıyasla asıl avantajının belirsizlik karşısında karar verebiliyor olması gösteriliyor. Ancak üretken yapay zeka bu farkı ortadan kaldırmaya başladı gibi görünüyor. Çünkü artık sistem “doğru cevap nedir?” sorusuna yanıt vermekle kalmıyor, aynı zamanda “Bu durumda nasıl karar verilir?” sorusunun yanıtlamayı da öğreniyor.
Burada uzmanların karşısına oldukça zor bir tercih çıkıyor: Kendi mesleki değerini oluşturan şeyi bir makineye öğretmek mi, yoksa bunu yapmayı reddederek bir gelir fırsatından vazgeçmek mi? Maisiri’nin yaşadığı ikilem bu açıdan yalnızca bir akademisyenin hikayesiyle sınırlı kalmanın ötesine geçiyor. Yeni çalışma hayatının nasıl şekillendiğine dair daha büyük bir soruya dönüşüyor.
Güney Afrika’da yüksek eğitimli bir insan için saatlik 37 dolar kazandıran bir iş oldukça cazip. Üstelik akademide kalıcı bir iş bulmanın zor olduğu bir ortamda, insanın kendi uzmanlığını satmayı reddetmesi kolay olmuyor. Bir tarafta “Bu sistemi eğitirsem bir gün benim işimi yapabilir” düşüncesi bulunuyor. Diğer tarafta ise bugün ödenmesi gereken faturalar, devam ettirilmesi gereken bir kariyer ve değerlendirilmesi gereken somut bir gelir fırsatı bulunuyor.
Benzer bir durum daha düşük ücretli işlerde de görülüyor. Örneğin Hindistan’da bazı işçiler günlük faaliyetlerini kaydeden kameralar veya telefonlarla çalışıyor. Toplanan bu görüntüler, bir gün onların yaptığı işleri yapabilecek robotların geliştirilmesinde kullanılıyor. Bir işçi kendi hareketlerini kaydederken aslında yaptığı işin nasıl gerçekleştirildiğini makineye öğretiyor.
İlk bakışta akademisyen ile bu işçi arasında büyük bir fark bulunuyor. Biri doktora sahibi bir uzman, diğeri fiziksel emek gerektiren bir işte çalışıyor. Ancak yapay zeka ekonomisi açısından ikisi aynı sürecin parçası haline geliyor. İkisi de kendi deneyimini makinenin öğrenebileceği bir veriye dönüştürüyor.
Bu durum özellikle Afrika gibi genç nüfusun yüksek, ücretlerin görece düşük ve işsizliğin yaygın olduğu bölgelerde daha belirgin hale geliyor. Yapay zeka şirketleri burada ucuz işgücünün yanında giderek büyüyen eğitimli insan havuzuna da erişiyor. Daha önce veri etiketleme ve içerik moderasyonu gibi işler için kullanılan küresel emek ağı, şimdi daha karmaşık bir aşamaya geçiyor. Bu kez uzmanlık, deneyim ve muhakeme de ihraç ediliyor.
Bunun uzun vadede ne anlama geldiği ise henüz tam olarak bilinmiyor. Çünkü bir uzmanın bilgisini bir makineye aktarmak ile o uzmanın mesleğini ortadan kaldırmak arasında doğrudan ve kısa bir yol bulunmuyor. YZ sistemleri bazı görevleri kolaylaştırıyor, bazılarını hızlandırıyor ve bazılarını tamamen devralıyor. Ancak aynı süreç, uzmanların işini de yeniden tanımlıyor. Belki “YZ insanın işini yapacak mı?”dan daha önemli soru, “İnsanın yaptığı işin hangi bölümünü YZ’ye devrediyoruz?” olabilir.
Bir öğretmenin, doktorun yahut yöneticinin işini gerçek anlamda yapması teknik kısmının ötesine geçerek içinde bulunduğu bağlamı ve muhatabının durumuna dair geliştirdiği kavrayış ve sonrasında geliştirdiği çözümlerdir. Yapay zeka giderek bu alanlara yaklaşırken insanın mesleki değerinin nerede başladığı ve nerede bittiği de yeniden tartışılıyor. Belki de en rahatsız edici tarafı, bu dönüşümün çoğu zaman insanların işlerini kaybetmesiyle değil, onların kendi deneyimlerini yapay zekaya öğretmesiyle gerçekleşiyor olması.
Uzman bugün YZ’yi eğitiyor. Yarın YZ uzmanın işini kolaylaştırıyor. Bir süre sonra ise aynı sistem uzmanın yaptığı bazı işleri onsuz yapabiliyor. Bu döngü, çalışanı kendi rakibini üretmeye zorlayan bir yapıya dönüştürebilir.
Maisiri’nin işi reddetmesinin ardında tam olarak ne olduğunu kendisi de bilmiyor. Belki ekonomik bir fırsatı kaçırıyor, belki de yalnızca henüz adını koyamadığı bir rahatsızlığın peşinden gidiyor. Ancak yaşadığı tereddüt önemli bir şeyi gösteriyor.
çİnsanların kendi bilgi ve deneyimleri üzerindeki kontrolünü ne ölçüde koruyacağı yapay zeka tartışmasının merkezine yerleşiyor. Çünkü yapılması gereken işleri nasıl ve neden yaptığımız da mesleğin bir parçasını oluşturuyor. Ve bugün yapay zekaya öğrettiğimiz şey, işimizi yaparken geliştirdiğimiz muhakemeyi de kapsayan nitelikte olabilir.