Ajan tabanlı yapay zeka, her görev maruziyeti tahmininin ardındaki varsayımı yıkıyor

İşgücü piyasası tahminleri, otomasyonun görevleri tek tek ortadan kaldırdığını ve mesleği ayakta bıraktığını varsaymıştır. Tüm iş akışlarını tamamlayan ajan tabanlı yapay zeka bu varsayımı geçersiz kılıyor ve eski çerçevelerin ölçemediğini ölçmek için yeni bir bileşik puan olan Ajan Tabanlı Görev Maruziyeti (ATE) oluşturuluyor.

Yönetici Özeti

Autor-Levy-Murnane görev çerçevesi üzerine inşa edilenler de dahil olmak üzere daha önceki otomasyon tahminleri tek bir varsayımı paylaşır: meslek, kalan insan çalışmasının etrafında bir koordinasyon kabuğu olarak hayatta kalır.

Ajan tabanlı yapay zeka sistemleri dört kriteri karşılar: bir hedef spesifikasyonu alırlar, otonom olarak araçları seçip çağırırlar, çıkarım adımları boyunca durumu korurlar ve ara adımlarda insan müdahalesi olmadan tamamlanmış bir iş ürünü üretirler.

ATE puanı yapay zeka yetenek puanlarını, iş akışı kapsam faktörlerini ve lojistik benimseme hızını birleştirir. Kredi analistleri, hakimler ve sürdürülebilirlik uzmanları 0.43-0.47 arasında ATE puanlarına ulaşır.

Makale, ATE'yi beş ABD teknoloji bölgesindeki altı ana meslek grubunda yer alan 236 SOC koduna uygular ve kendisini özellikle ajan tabanlı yapay zeka sistemlerini hedefleyen görev maruziyeti çerçevesinin ilk çok bölgeli ampirik uygulaması olarak tanımlar.

Yerinden edilmenin yanı sıra makale, insan-yapay zeka işbirliği, yapay zeka yönetişimi ve alana özgü yapay zeka operasyonlarında yoğunlaşan on yedi yükselen meslek kategorisi belirler.

Hedefi aşan tahminler #

Endüstriyel robotlar imalat işçilerini gerçekten yerinden etti. Ancak bunu ilk tahminlerin ima ettiği zaman çizelgesinde veya ölçekte yapmadılar. Bu cümle, geçimini sağlamak için işgücü piyasası tahminlerini okuyan herkesi biraz temkinli yapmalıdır, çünkü bir örüntüyü tanımlar: yön doğruydu ama büyüklük hatalıydı.

Bu literatürdeki en bilinen manşet rakamı, uzmanlardan 702 ABD mesleğini genel "bilgisayarlaştırılabilirlik" açısından puanlamalarını isteyen Frey ve Osborne'dan gelir. Sonuçları, mesleklerin %47'sinin yüksek risk altında olduğuydu. Çarpıcı bir rakamdır ve çok uzağa yayıldı.

Arntz, Gregory ve Zierahn daha sonra analiz görev düzeyine indiğinde ve kağıt üzerinde maruz kalan meslekler içindeki görev heterojenliğini hesaba kattığında ne olduğunu gösterdi. Yüksek risk tahminleri OECD ülkeleri genelinde %9-14'e düşer. %47 ile %9-14 arasındaki mesafe bir yuvarlama anlaşmazlığı değildir. Analiz birimi hakkındaki bir seçimi yansıtır ve bu seçim cevabı üç kat veya daha fazla değiştirir.

Kaynak, meslek düzeyindeki ve görev düzeyindeki tahminler arasındaki tartışmanın çözülmediği konusunda açık sözlüdür. Alanın ulaştığı nokta pratik bir fikir birliğidir: görev düzeyinde ayrıştırma gereklidir ve meslek düzeyindeki etiketler fazla kabadır. Bu fikir birliği, argümanın geri kalanının üzerinde durduğu temeldir. Aynı zamanda ajan tabanlı yapay zekanın baskı altına aldığı temeldir.

Görev çerçeveleri nasıl çalışır #

Baskının nereden geldiğini görmek için görev geleneğinin ne iddia ettiği konusunda kesin olmak yardımcı olur.

Autor, Levy ve Murnane mesleki görevleri iki eksen boyunca böldü: rutine karşı rutin olmayan ve bilişsele karşı manuel. Argümanları, otomasyonun rutin olanın yerine geçerken rutin olmayanı tamamladığı yönündeydi. Temiz bir fikirdir ve daha sonraki çalışmalara bir işin hangi bölümlerinin bir makine tarafından emilebileceği hakkında konuşmak için bir kelime dağarcığı verdi.

Acemoglu ve Restrepo bunun üzerine biçimsel bir yapı inşa etti. Çıktıyı, sermaye ve emek arasında tahsis edilen bir görevler sürekliliğinden (continuum) kaynaklanan bir şey olarak modellerler. Onların çerçevesinde, katma değer içindeki emek payı, yeniden yerleştirme (reinstatement) kanalı adını verdikleri yeni görev yaratımının görev yerinden edilmesini geride bırakıp bırakmamasına bağlı olarak yükselir veya düşer. Onları takip ederek, katma değerdeki emek payı sL = W * L / Y = f(|NL| / |N|) olarak yazılır; burada W ücret oranı, L istihdam ve Y çıktıdır. İki güç birbirine karşı çeker ve hangisinin kazanacağı kazançları kimin elde edeceğini belirler.

Burada iki ölçüm çabası daha önemlidir, çünkü çerçeveyi meslek düzeyinde sayılara dönüştürmüşlerdir. Felten, Raj ve Seamans, yayınlanmış yapay zeka yetenek ilerlemelerini O*NET yetenek taksonomisine bağlayarak Yapay Zeka Mesleki Maruziyet (AIOE) puanını oluşturdu. Eloundou ve ark., görev düzeyinde kitle çalışanı açıklamalarını GPT-4 öz değerlendirmeleriyle birleştirerek GPT-4'e odaklanan paralel bir ölçüt inşa etti.

Manşet bulguları, ABD'li çalışanların %80'inin görevlerin en az %10'unun LLM'ye maruz kaldığı işlerde çalıştığıydı. En ağır maruziyet yüksek ücretli, diploma gerektiren meslekler arasında yoğunlaşmıştı. Bu sonuç, otomasyonun önce rutin, düşük ücretli işleri vurduğu yönündeki eski sezgiye ters düşer ve beyaz yakalı sorusunun neden acil hale geldiğini açıklar.

Her çerçevenin paylaştığı kör nokta #

Kaynak, tüm bu çalışmalar hakkında keskin bir iddiada bulunur. Atıfta bulunulan her çerçeve mimari bir kör noktayı paylaşır: meslek bozulmadan kalırken otomasyonu bireysel görevleri tek tek ayıklayan bir süreç olarak modellerler. Autor-Levy-Murnane görev çerçevesi üzerine inşa edilenler de dahil olmak üzere neredeyse tüm tahminler, otomasyonun görevleri birer birer ayıkladığı ve mesleğin kalan insan çalışmasının etrafında bir koordinasyon kabuğu olarak hayatta kaldığı varsayımını paylaşır.

Bu, teknoloji hakkında değil, yapı hakkında bir varsayımdır. Makinenin ne kadar yetenekli olduğuna dair hiçbir şey söylemez. Makine kaç görev alırsa alsın, birinin hala geri kalanı bir arada tutması gerektiğini söyler.

Hukuk asistanı (paralegal) örneği noktayı somutlaştırır. Bir görev maruziyeti analizi, bir hukuk asistanının görevlerinin %80'ini LLM'ye maruz kalmış olarak işaretleyebilir ve yine de mesleğin güvende olduğu sonucuna varabilir, çünkü bu görevleri koordine etmek insan muhakemesi gerektirir. Sonuç, kabuk varsayımından çıkar. Görevler maruz kalmıştır, ancak aralarındaki dikiş maruz kalmamıştır, dolayısıyla iş kalır.

Ardından kaynağın kilit hamlesi gelir: hukuk asistanı rolünü koruyan koordinasyon darboğazı artık ajanın planlama modülünün içindedir. Eğer bu geçerliyse, hukuk asistanını güvende tutan akıl yürütme çalışmayı durdurur. Koruma koordinasyondan geliyordu. Koordinasyon ise tam olarak ajan tabanlı bir sistemin yaptığı şeydir.

Bunun makaledeki en yararlı fikir olduğunu düşünüyorum ve kendi şartlarıyla ele alınmayı hak ediyor. Eski çerçeveler görevler konusunda yanılmıyor. Görevler gittikten sonra geriye ne kaldığı konusunda yanılıyorlar. Görevleri tek tek puanlayan bir ölçüt, diziyi bir bütün olarak ele alan bir sistemi göremez.

Ajan tabanlı olarak ne sayılır #

Argüman bir ayrıma dayanıyorsa, ayrımın bir tanıma ihtiyacı vardır. Kaynak dört kriterli bir tanım sunar. Ajan tabanlı bir yapay zeka sistemi şu özelliklere sahip olandır:

bir görev spesifikasyonu yerine bir hedef spesifikasyonu alır;
hedefi takip etmek için otonom olarak araçları seçer ve çağırır;
birden fazla çıkarım adımı boyunca durumu korur; ve
ara adımlarda insan müdahalesi olmadan tamamlanmış bir iş ürünü üretir.

Bu, liste olarak tutulmaya değer bir listedir, çünkü kriterler ayrıktır ve her biri kontrol edilebilir. Bir istemi (prompt) yanıtlayan bir sistem ilkinde başarısız olur. Her ara adımı onaylamak için bir insana ihtiyaç duyan bir sistem dördüncüsünde başarısız olur.

Daha yalın bir ifadeyle bir ajan bir hedef alır, araçları seçer, çok adımlı bir planı yürütür, kendi çıktısını kontrol eder ve bitmiş bir iş ürünü teslim eder. Ajan tabanlı sistemler araç çağrılarını zincirler, adımlar boyunca kalıcı belleği korur, çok eylemli dizileri planlar ve ara çıktılar kalite kontrollerinde başarısız olduğunda kendi kendini düzeltir.

Kendi kendini düzeltme detayı ilk göründüğünden daha önemlidir. Bir adım başarısız olduğunda kırılan bir boru hattı hala yakınlarda bir insana ihtiyaç duyar. Başarısız bir kalite kontrolünü fark eden ve tekrar deneyen bir sistem, eskiden insanın varlığını haklı çıkaran gözetimin bir kısmını emmiştir.

Makale konusunu şu şekilde tanımlar: ayrık görevler yerine tüm mesleki iş akışlarını tamamlayabilen otonom yapay zeka ajanları. "Tüm" kelimesi ağırlığı taşır. Bütün argüman, ayrık bir görev ile eksiksiz bir iş akışı arasındaki boşluk hakkındadır.

Zamanlama neden şimdi #

Kaynak, sorunun varsayımsal olmadığına dair iki tür kanıt sunar. İlki yetenekle ilgilidir. GPT-4 sınıfı modeller baro sınavında ve ABD Tıbbi Lisans Sınavında (USMLE) geçme puanı eşiklerine ulaştı veya bunları aştı ve CFA Düzey I sınavını geçmeye birkaç yüzde puanı kadar yaklaştı. Bunlar, tam da iş zor olduğu için girişi kısıtlayan mesleklerin yetkilendirme sınavlarıdır.

İkincisi kurulumla (deployment) ilgilidir. Amazon, Microsoft, Salesforce, ServiceNow ve Workday dahil olmak üzere büyük kurumsal teknoloji satıcıları, 2024 kazanç toplantılarında ve yatırımcı sunumlarında beyaz yakalı iş akışlarına dokunan üretim aşamasındaki ajan tabanlı kurulumları açıkladı. Bunlar araştırma demoları değil, üretim kurulumlarıdır ve akademisyenlere değil yatırımcılara duyurulmuştur.

Kaynak bu açıklamaları, şirketlerin yalnızca kurulumlar halihazırda personel sayısı planlamasını etkilemeye başladığında yaptığı türden açıklamalar olarak okur. Kaynak bunu bir ölçüm olarak değil, bir yorum olarak çerçeveler ve öyle tutulmalıdır. Bana verilen kayıtlardaki hiçbir şey doğrudan personel sayısı rakamlarını bildirmiyor. Ancak çıkarım makuldür: firmalar maliyet tabanı için önemli olmadıkça bir kurulumu genellikle yatırımcıların önüne koymazlar.

İkisini bir araya getirdiğinizde yeni bir ölçüt gerekçesi açıktır. Tek başına yetenek konuyu zorlamazdı, birkaç pilot uygulama da öyle. Halihazırda üretimde olan sistemlerde profesyonel eşikleri aşmakta olan yetenek ise zorlar.

ATE puanı: neyi ölçer ve neyi ölçmez #

Makalenin yanıtı Ajan Tabanlı Görev Maruziyeti (ATE) puanıdır. Uçtan uca iş akışı kapsamını, mevcut ajan tabanlı yapay zeka yetenek kıyaslamalarını ve kurumsal benimseme hızını hesaba katmak için Acemoglu-Restrepo görev yerinden edilmesi çerçevesini genişleten bileşik bir metriktir. Puan, bir o mesleğinin mevcut ajan tabanlı yapay zeka sistemleri tarafından uçtan uca yerinden edilmeye ne ölçüde maruz kaldığını ölçer.

İçine üç bileşen girer: yapay zeka yetenek puanları, iş akışı kapsam faktörleri ve lojistik benimseme hızı. İş akışı kapsam faktörü, kör noktayı doğrudan ele alan parçadır. Kaynak, daha önceki çalışmalarda eksik olan şeyin bir mesleğin tam iş akışı bileşiminin ajan tabanlı yapay zekanın operasyonel zarfı içinde yer alıp almadığının bir ölçüsü olduğunu söyler ve bunu iş akışı kapsam faktörü olarak biçimselleştirir. Eski puanlar bir görevin maruz kalıp kalmadığını sorar. Bu puan ise tüm iş akışının bir ajanın yapabileceklerinin içine sığıp sığmadığını sorar.

İnşanın iki parçası daha belirtilmiştir. wo,t terimi, O*NET görev önem derecelendirmelerinden çekilen, o mesleğindeki t görevinin önem ağırlıklı ilgililiğidir. Ve yetenek terimi olan CAP(t), yapay zeka kıyaslama (benchmark) literatüründen ve uygulayıcı kurulum raporlarından tahmin edilir. Yani görev önemi standart bir mesleki veritabanından gelirken, yetenek iki kaynaktan gelir: kıyaslamalar ve saha raporları.

Makale yöntem konusunda açıktır ve okuyucu onu buna bağlı tutmalıdır. ATE puanları, kalibre edilmiş benimseme parametreleri kullanılarak O*NET görev verilerinden algoritmik olarak hesaplanır; bunlar regresyon tahminleri değildir. Bunun pratik sonuçları vardır. Bir regresyon tahmini, olağan standart hatalar ve tanımlama argümanları aygıtıyla birlikte gelir. Kalibre edilmiş bir algoritmik bileşik bunu yapmaz ve çıktıları, makalenin kendisinin yerinden edilme rakamları için kullandığı bir ifade olan modelden türetilmiş projeksiyonlardır. Parametreleri altında modelin neyi ima ettiğini açıklarlar. Ne olduğunu bildirmezler.

Bunun dürüst bir çerçeveleme olduğunu ve tahmin edilen şeyin henüz gerçekleşmediği bir tahmin problemi için doğru çerçeveleme olduğunu savunurum. Belirtilen girdilerden oluşturulan bir bileşik incelenebilir, sorgulanabilir ve yeniden kalibre edilebilir. Birisi benimseme hızı konusunda hemfikir değilse hangi kadranı çevireceğini bilir.

Model bunu nereye uyguluyor #

Ampirik uygulama geniştir. Makale, ATE çerçevesini altı ana meslek grubuna yayılan 236 Standart Mesleki Sınıflandırma (SOC) koduna uygular ve 2025-2030 dönemi için beş büyük Amerika Birleşik Devletleri teknoloji bölgesinde modelden türetilmiş yerinden edilme projeksiyonları üretir. Beş bölge San Francisco Körfez Bölgesi, Seattle-Tacoma-Bellevue, Austin-Round Rock, New York-Newark ve Boston-Cambridge'dir.

Makale bunu, özellikle ajan tabanlı yapay zeka sistemlerini hedefleyen görev maruziyeti çerçevesinin ilk çok bölgeli ampirik uygulaması olarak tanımlar. Bu, yazarlar tarafından yapılan bir öncelik iddiasıdır ve önümdeki materyalden bunu kontrol edemem. Söyleyebileceğim şey, bölgesel tasarımın ulusal düzeydeki çalışmaların paylaştığı bir probleme makul bir yanıt olduğudur: maruziyet mesleklerin bir özelliğidir, ancak benimseme yerlerin ve firmaların bir özelliğidir.

Kaynağın verdiği sonuçlara göre kredi analistleri, hakimler ve sürdürülebilirlik uzmanları 0.43-0.47 arasında ATE puanlarına ulaşır. Bu gruplama ikinci bir bakışı hak ediyor. Bir kredi analisti, bir hakim ve bir sürdürülebilirlik uzmanı eğitim, ücret veya günlük iş açısından birbirine benzemez. Makalenin anlatımına göre ortak noktaları aynı aralıktaki bir puandır. Bunu, işlerin sektöre veya algılanan yaratıcılığa göre "güvenli" ve "risk altında" olarak tembelce sınıflandırılmasına karşı bir işaret olarak okurdum.

Ayrıca rakama kaynağın desteklediğinden daha fazla anlam yüklemeye direnirdim. Elimdeki materyal bu üç meslek için aralığı veriyor ve geri kalan 236 kodla nasıl karşılaştırıldığını söylemiyor. Dolayısıyla sayı, bu rollerin makalenin ölçeğinde önemli ölçüde maruz kaldığını gösteriyor. En çok maruz kalanlar olduklarını göstermiyor.

Bölgesel bulgular tekrarlamaya değer bir ihtiyat payıyla birlikte gelir. Makale, Seattle'ın 2026-2027'deki işgücü etkilerinin, daha geniş ulusal teknik olmayan işgücünün 2028-2030'da ne deneyimleyeceğinin bir önizlemesi olduğunu belirtir. Bu, belirtilen bir gecikmeye sahip bir tahmindir ve ihtiyatlıdır. Modelin ürettiği bir hipotez olarak okunur ve kanıtlanmış bir gerçek olarak alınmamalıdır. Ancak yararlı türden bir iddiadır, çünkü yanlış olabilecek kadar spesifiktir. Seattle'ın erken örüntüsü 2028'e kadar ulusal teknik olmayan işgücüne taşınmazsa, modelin açıklayarak geçiştiremeyeceği bir problemi var demektir.

Bilançonun yeniden yerleştirme tarafı #

Tek başına bir yerinden edilme puanı Acemoglu-Restrepo hikayesinin yarısını anlatır. Onların çerçevesinde emek payı, yeni görev yaratımının yerinden edilmeyi geride bırakıp bırakmamasına bağlıdır. Çerçeveyi genişleten ve yalnızca yerinden edilmeyi ölçen bir makale, çerçeveye gerilimini veren kısmı terk etmiş olurdu.

Makale bunu yapmaz. Ajan tabanlı yapay zekanın yeniden yerleştirme (reinstatement) etkileri yarattığı meslek kategorilerini belirler: ajan tabanlı kurulum ölçekli insan gözetimi, yönetişim ve işbirliği talebi yaratmadan önce var olmayan yeni roller. Toplamda, yeniden yerleştirme etkilerinden yararlanan on yedi yükselen meslek kategorisi belirler. Bunlar insan-yapay zeka işbirliği, yapay zeka yönetişimi ve alana özgü yapay zeka operasyonları rollerinde yoğunlaşmıştır.

Mekanizmayı takip etmek kolaydır. Ajanlar iş akışlarını uçtan uca yürütüyorsa, birinin onları denetlemesi, altında çalıştıkları kuralları belirlemesi ve onlarla yan yana çalışması gerekir. Bu ihtiyaçlar iş olarak mevcut değildi, çünkü henüz denetlenecek bir şey yoktu.

Kaynak bana bu on yedi kategorinin kaç kişiyi istihdam edeceğini veya büyümelerinin ATE puanlarının ima ettiği yerinden edilmeyi dengeleyip dengelemeyeceğini söylemiyor. Dolayısıyla kullanabileceğim veriler merkezi soruyu açık bırakıyor: yeniden yerleştirmenin yerinden edilmeyi geride bırakıp bırakmadığı. Bunun böyle olduğunu veya olmadığını kendinden emin bir şekilde yazan herkes doğrulanmış iddiaların ötesine geçiyor demektir. Makalenin katkısı, bilançonun her iki tarafını da aynı çerçeveye koymak ve yeni rollerin nerede ortaya çıktığını adlandırmaktır.

Bundan ne çıkarılmalı #

Hem metodolojik bir ders hem de pratik bir ders vardır.

Metodolojik ders, analiz biriminin cevabı belirlediğidir. %47'den %9-14'e sıçrama, mesleklerden görevlere geçişten kaynaklandı. Makale, artık görevlerden iş akışlarına doğru bir adım daha atılması gerektiğini savunuyor, çünkü otomatikleştirilen şey artık bir görev değil. Birim her değiştiğinde tahminler de değişti ve alanın tarihi, birim seçiminin veri seçimi kadar sıkı bir incelemeyi hak ettiğini gösteriyor.

Pratik ders, önümüzdeki beş yıl etrafında personel sayısı, eğitim veya ürün planlayan herkes içindir. Bir rolün görevlerinin %80'inin maruz kaldığını söyleyen bir puan yeterli değildir, çünkü kalan %20'nin dayanıklı bir insan çekirdeği mi yoksa bir ajanın planlama modülünün artık sağlayabileceği bir yapıştırıcı mı olduğunu söylemez. İş akışı kapsam faktörü bu soruyu doğrudan sormak için vardır.

ATE puanı kalibre edilmiş parametrelere sahip bir bileşiktir ve projeksiyonları modelden türetilmiştir. Bunlar 2025-2030 hakkında yapılandırılmış bir argümandır, onun kaydı değildir. Bu, onları görmezden gelmek yerine test etmek için bir nedendir. Seattle hipotezi erken bir test sunar: oradaki 2026-2027 etkileri modelin ima ettiği gibi görünürse, 2028-2030'da ulusal teknik olmayan işgücüne olan gecikme izlenecek bir sonraki şey haline gelir. Ve on yedi yeniden yerleştirme kategorisi, iddiaların çözemeyeceği soruyu ortaya koyar: ajanları denetlemek için yaratılan rollerin emek payı için önemli olacak sayılarda gelip gelmeyeceği.

Sıkça Sorulan Sorular #

Daha önceki görev maruziyeti çerçeveleri ajan tabanlı yapay zekanın etkisini neden hafife alıyor?

Autor-Levy-Murnane geleneği üzerine inşa edilen daha önceki çerçeveler, meslek bir insan koordinasyon kabuğu olarak hayatta kalırken otomasyonun bireysel görevleri ortadan kaldırdığını varsayar. Ajan tabanlı yapay zeka sistemleri daha önce bir insan koordinatör gerektiren planlama, araç çağırma, durum yönetimi ve ara kalite kontrollerini emerek izole görevler yerine tüm iş akışlarını maruz bırakır.

Ajan Tabanlı Görev Maruziyeti (ATE) puanı nasıl hesaplanır?

ATE; O*NET görev önem derecelendirmelerinden (wo,t), yapay zeka yetenek kıyaslamaları ve uygulayıcı kurulum raporlarından (CAP(t)), bir mesleğin tam iş akışının bir ajanın operasyonel zarfı içine sığıp sığmadığını ölçen bir iş akışı kapsam faktöründen ve 236 SOC kodu genelinde kalibre edilmiş lojistik benimseme hızı parametrelerinden oluşturulan algoritmik bir bileşiktir.

Çalışma yeni iş yaratımı (yeniden yerleştirme etkileri) konusunda ne buluyor?

Acemoglu-Restrepo yeniden yerleştirme kanalını genişleten çalışma, insan-yapay zeka işbirliği, yapay zeka yönetişimi ve alana özgü yapay zeka operasyonlarında yoğunlaşan on yedi yükselen meslek kategorisi belirler. Bu kategorilerdeki büyümenin iş akışı düzeyindeki yerinden edilmeyi dengeleyip dengelemediği açık bir ampirik soru olarak kalmaktadır.

Kaynaklar #

Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

Son inceleme 2026-11-01.

Bu makaleyi yeniden yayınla

Ajan tabanlı yapay zeka, her görev maruziyeti tahmininin ardındaki varsayımı yıkıyor — Sebastien Rousseau

Görev maruziyeti çerçeveleri bir mesleği, insanların hala yaptığı her şeyin etrafında hayatta kalan bir kabuk olarak ele alır. Ajan tabanlı sistemler bir hedefi takip eder ve bitmiş bir iş ürünü sunar.

Bu makale şu lisans altında yayınlanmıştır Creative Commons Attribution 4.0 International. Yeniden yayın, kanonik URL'ye atıfta bulunulmasını gerektirir.

Ajan tabanlı yapay zeka, her görev maruziyeti tahmininin ardındaki varsayımı yıkıyor — Sebastien Rousseau

Görev maruziyeti çerçeveleri bir mesleği, insanların hala yaptığı her şeyin etrafında hayatta kalan bir kabuk olarak ele alır. Ajan tabanlı sistemler bir hedefi takip eder ve bitmiş bir iş ürünü sunar.

Originally published at https://sebastienrousseau.com/tr/2026-10-25-ajan-tabanli-yapay-zeka-her-gorev/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER