Yapay Zekâ Modelleri Gerçek İş Görevlerinde Beklenen Başarıyı Gösteremedi
Kaliforniya Üniversitesi Berkeley Yerleşkesi’nde yürütülen yeni bir araştırma, gelişmiş yapay zekâ modellerinin gerçek iş ortamlarını temsil eden görevlerde beklenen başarı seviyesine ulaşamadığını ortaya koydu. Yapay zekâ modeli performansını ölçmek amacıyla hazırlanan değerlendirmede test edilen en başarılı sistem bile görevlerin yalnızca yüzde 24’ünü tamamlayabildi. Araştırmacılar, mevcut üretken yapay zekâ sistemlerinin birçok profesyonel görevi yerine getirebildiğini ancak uzun süreli muhakeme ile uzmanlık gerektiren işlerde insan seviyesinden uzak kaldığını belirtiyor.
Araştırma Uzun Süreli Muhakeme Gerektiren Görevlerde Temel Eksiklikleri Gösteriyor
California Üniversitesi Berkeley bünyesindeki Center for Responsible, Decentralized Intelligence araştırmacıları, “Agents’ Last Exam” (ALE) adını verdikleri yeni bir değerlendirme sistemi geliştirdi. Çalışma, yapay zekâ sistemlerinin yalnızca bilgi üretme becerisini değil, gerçek iş süreçlerini yürütme yeterliliğini ölçmeyi amaçlıyor.
Değerlendirme kapsamında 55 farklı meslek grubundan derlenen 1.500’den fazla uzman onaylı görev kullanıldı. Yazılım geliştirme ile grafik tasarım gibi üretken yapay zekânın yoğun kullanıldığı alanların yanında deniz mühendisliği, tarım, ses prodüksiyonu ile halk sağlığı operasyonları gibi daha farklı uzmanlık alanları da test kapsamına alındı.
Araştırmacılar, iş yaşamına hazır bir yapay zekâ sisteminin yalnızca doğru cevap üretmesinin yeterli olmadığını vurguluyor. Uzun süre devam eden görevleri tutarlı biçimde yönetebilmesi, farklı uzmanlık alanlarındaki bilgileri birleştirebilmesi ve aynı kaliteyi süreç boyunca koruyabilmesi de değerlendirme kriterleri arasında yer alıyor.
Araştırmada OpenAI GPT-5.5, Anthropic Fable 5, Cursor Composer 2.5, Google Gemini 3.1 Pro ile Çinli geliştiricilere ait iki açık kaynak model incelendi. Test sonuçlarına göre en yüksek başarı oranını OpenAI GPT-5.5 elde etti.
Buna rağmen model, tüm görevlerin yalnızca yüzde 24’ünü başarıyla tamamlayabildi. Araştırma, görevlerin karmaşıklığı arttıkça başarı oranlarının hızla düştüğünü ortaya koyuyor. Uzun süreli planlama, derin teknik uzmanlık ile kesintisiz karar verme gerektiren en zor görev grubunda değerlendirilen tüm modeller yüzde 0 başarı oranında kaldı.
Çalışma, mevcut üretken yapay zekâ sistemlerinin uzman desteği olmadan karmaşık iş süreçlerini tamamen devralabilecek seviyeye ulaşmadığını gösteriyor. Aynı değerlendirme, yapay zekânın belirli görevleri hızlandırabildiğini ancak kapsamlı profesyonel sorumlulukları tek başına yerine getiremediğini de ortaya koyuyor.
Araştırmacılar, performansın yanında maliyet verilerini de karşılaştırdı. Analize göre Anthropic’in Fable 5 modeli, GPT-5.5 ile Cursor Composer 2.5’e yakın sonuçlar üretmesine rağmen tamamlanan görev başına yaklaşık 4 ila 12 kat daha yüksek maliyet oluşturuyor.
Araştırmanın ortak yazarlarından bilgisayar bilimci Dawn Song, yapay zekânın iş gücü üzerindeki etkisinin yalnızca başarı oranlarına göre değerlendirilemeyeceğini ifade ediyor. Song’a göre tekrar eden, kuralları net biçimde tanımlanmış görevler ilk etapta otomasyondan daha fazla etkilenebilirken yoğun karar verme süreçlerine dayanan meslekler daha uzun süre insan uzmanlığına ihtiyaç duyacak.
Uzmanlar, teknoloji şirketlerinin yapay zekâ yatırımlarını artırmayı sürdürmesine rağmen mevcut sonuçların üretken yapay zekânın bütün iş süreçlerini kısa vadede devralacağı yönündeki beklentileri desteklemediğini değerlendiriyor. Araştırma, gelecek yıllarda rekabetin yalnızca daha büyük modeller geliştirmekten ibaret olmayacağını; güvenilirlik, uzun süreli muhakeme, görev sürekliliği ile gerçek iş ortamlarında ölçülebilir performansın yapay zekâ yarışının temel kriterleri hâline geleceğini gösteriyor.
