Gelişen Yapay Zekâ Sistemleri Ve Iktisadi Bilimler Üzerindeki Etkisi

The impact of emerging artificial intelligence systems on economic sciences

Makale Türü: Derleme Makale

JEL Kodları: O33, C55, J24, D83, E23

Öz

Bu çalışma, gelişen yapay zekâ sistemlerinin iktisadi bilimler üzerindeki etkilerini literatür temelli bir derleme yaklaşımıyla incelemektedir. Makine öğrenmesi, büyük dil modelleri ve üretken yapay zekâ uygulamaları; üretim süreçlerini, firma davranışlarını, işgücü piyasalarını, gelir dağılımını, kamu politikalarını ve iktisadi araştırma yöntemlerini dönüştürmektedir. Çalışmanın temel savı, yapay zekânın yalnızca otomasyon sağlayan bir teknoloji değil, tahmin maliyetini düşüren, karar süreçlerini hızlandıran ve veri temelli politika tasarımını güçlendiren genel amaçlı bir teknoloji olduğudur. Literatür, yapay zekânın verimlilik artışı ve yeni iş modelleri yaratma potansiyeline sahip olduğunu; ancak bu kazanımların dijital altyapı, beceri düzeyi, firma ölçeği, veri erişimi ve kurumsal kapasiteye bağlı olarak eşitsiz dağılabileceğini göstermektedir. Bu nedenle yapay zekânın iktisadi etkileri büyüme, verimlilik ve inovasyon kadar sosyal koruma, rekabet politikası, veri yönetişimi ve etik düzenlemeler bağlamında da değerlendirilmelidir.

Anahtar Kelimeler: Yapay zekâ, üretken yapay zekâ, iktisat, verimlilik, işgücü piyasası, ekonometri.

Abstract

This study examines the effects of emerging artificial intelligence systems on economic sciences through a literature-based review approach. Machine learning, large language models and generative AI applications transform production processes, firm behaviour, labour markets, income distribution, public policy and economic research methods. The main argument of the study is that AI should not be regarded merely as an automation technology, but also as a general-purpose technology that reduces the cost of prediction, accelerates decision-making processes and strengthens data-driven policy design. The literature suggests that AI has the potential to increase productivity and create new business models; however, these gains may be unevenly distributed depending on digital infrastructure, skill levels, firm size, data access and institutional capacity. Therefore, the economic effects of AI should be evaluated not only in terms of growth, productivity and innovation, but also in relation to social protection, competition policy, data governance and ethical regulation.

Keywords: Artificial intelligence, generative AI, economics, productivity, labour market, econometrics.

1. GİRİŞ

Yapay zekâ, son yıllarda bilgisayar bilimlerinin sınırlarını aşarak iktisadi bilimlerin temel araştırma alanlarından biri hâline gelmiştir. Makine öğrenmesi, doğal dil işleme, robotik süreç otomasyonu, görüntü işleme ve üretken yapay zekâ sistemleri; üretim, tüketim, finans, kamu hizmetleri, eğitim, sağlık ve işgücü piyasaları üzerinde çok yönlü etkiler yaratmaktadır. Özellikle büyük dil modellerinin yaygınlaşmasıyla birlikte yapay zekâ, yalnızca teknik uzmanların kullandığı bir araç olmaktan çıkmış; metin üretimi, veri analizi, kodlama, karar destek, müşteri hizmetleri ve politika analizi gibi çok sayıda alanda genel kullanıcıların erişebildiği bir teknolojiye dönüşmüştür.

İktisat bilimi açısından yapay zekânın önemi iki düzeyde ele alınabilir. Birinci düzeyde yapay zekâ, ekonomik sistemin işleyişini değiştiren bir teknolojik yenilik olarak üretim faktörlerinin bileşimini, firma stratejilerini, ücretleri, istihdam yapısını, verimlilik dinamiklerini ve piyasa rekabetini etkiler. İkinci düzeyde ise yapay zekâ, iktisadi araştırmalarda kullanılan yöntemleri dönüştürür; büyük veri setlerinin işlenmesi, tahminleme, sınıflandırma, heterojen etki analizi, politika simülasyonu ve nedensel çıkarım süreçlerinde yeni imkânlar sunar. Athey ve Imbens (2019), makine öğrenmesi yöntemlerinin ekonomistler için özellikle tahmin, sınıflandırma, matris tamamlama, optimal politika tahmini ve nedensel çıkarım alanlarında tamamlayıcı bir araç hâline geldiğini belirtmektedir.

Yapay zekânın iktisadi etkilerine ilişkin literatür, teknolojik ilerlemenin otomatik biçimde refah artışına dönüşmediğini göstermektedir. Bir teknolojinin toplam refah etkisi; onun hangi görevlerde kullanıldığına, emeği ikame mi yoksa tamamlayıcı mı kıldığına, firmaların teknolojiye erişim kapasitesine, eğitim sisteminin uyum hızına, rekabet düzenlemelerine ve sosyal politika araçlarına bağlıdır. Bu nedenle yapay zekâ tartışması yalnızca teknik kapasite veya verimlilik artışı üzerinden değil, aynı zamanda dağılım, kapsayıcılık, etik ve yönetişim boyutlarıyla birlikte ele alınmalıdır.

Bu çalışmanın amacı, gelişen yapay zekâ sistemlerinin iktisadi bilimler üzerindeki etkilerini çok boyutlu biçimde incelemektir. Çalışma, ampirik bir saha araştırması değil, mevcut akademik ve kurumsal literatüre dayalı nitel bir derleme niteliğindedir. Makalede sırasıyla yapay zekânın iktisadi kavramsallaştırması, verimlilik ve büyüme üzerindeki etkileri, işgücü piyasalarındaki dönüşüm, firma davranışları ve rekabet, iktisadi araştırma yöntemleri, kamu politikası ve etik yönetişim ile Türkiye bağlamı tartışılmaktadır.

2. KAVRAMSAL ÇERÇEVE: YAPAY ZEKÂNIN İKTİSADİ ANLAMI

Yapay zekâ, iktisadi açıdan en temel düzeyde belirsizlik altında karar alma süreçlerini etkileyen bir teknoloji olarak görülebilir. Agrawal, Gans ve Goldfarb (2018), yapay zekâyı “tahmin makineleri” kavramı üzerinden açıklamakta ve teknolojinin temel iktisadi etkisinin tahmin maliyetini düşürmek olduğunu savunmaktadır. Tahmin maliyetindeki düşüş, karar süreçlerinde tahminin tamamlayıcısı olan veri, yargı, eylem ve geri bildirim gibi unsurların değerini yeniden düzenler. Örneğin kredi riski değerlendirmesi, talep tahmini, stok yönetimi veya sosyal yardım hedeflemesi gibi alanlarda daha düşük maliyetli tahmin, karar kalitesini artırabilir; ancak yanlış veri, yanlı algoritma veya zayıf denetim altında hatalı sonuçlar da üretebilir.

Yapay zekânın iktisadi niteliği, genel amaçlı teknoloji kavramıyla da ilişkilidir. Genel amaçlı teknolojiler, çok sayıda sektörde kullanılabilen, zaman içinde tamamlayıcı yenilikleri tetikleyen ve üretim organizasyonunu değiştiren teknolojilerdir. Elektrik, buhar gücü, bilgisayar ve internet bu kapsamdaki klasik örneklerdir. Yapay zekâ da benzer biçimde yalnızca belirli bir sektöre ait bir araç değil, üretim süreçlerinden kamu yönetimine kadar geniş bir alanda tamamlayıcı yatırımlar gerektiren dönüştürücü bir altyapı teknolojisi olarak değerlendirilebilir.

Bu dönüşümün merkezinde görev temelli analiz yer almaktadır. Acemoglu ve Restrepo (2018), otomasyonun ekonomik etkilerini işler yerine görevler üzerinden değerlendirmeyi önermektedir. Bir meslek çok sayıda görevden oluştuğu için teknolojik değişim çoğu zaman mesleği tamamen ortadan kaldırmak yerine görev bileşimini yeniden düzenler. Yapay zekâ bazı görevlerde emeği ikame ederken, bazı görevlerde çalışanların üretkenliğini artırabilir. Dolayısıyla istihdam etkisini doğru değerlendirmek için yapay zekânın hangi görevleri otomatikleştirdiği, hangi görevleri desteklediği ve hangi yeni görevleri yarattığı analiz edilmelidir.

Üretken yapay zekâ, önceki otomasyon dalgalarından farklı olarak yalnızca fiziksel veya tekrarlayan görevleri değil, bilişsel ve iletişim temelli görevleri de dönüştürmektedir. Metin yazma, kod üretme, özetleme, çeviri, raporlama, hukuki belge inceleme, finansal analiz ve akademik yazım desteği gibi alanlarda yapay zekânın kullanımı, beyaz yakalı işlerin üretim biçimini değiştirmektedir. Bu durum iktisat bilimi açısından hem verimlilik fırsatları hem de ücret, beceri ve mesleki dönüşüm riskleri doğurmaktadır.

3. YÖNTEM: LİTERATÜR TEMELLİ DERLEME YAKLAŞIMI

Bu çalışma, nitel derleme makale olarak tasarlanmıştır. Çalışmanın amacı belirli bir veri seti üzerinden hipotez test etmek değil, yapay zekâ sistemlerinin iktisadi bilimler üzerindeki etkilerine ilişkin mevcut literatürü kavramsal ve tematik olarak değerlendirmektir. Bu kapsamda akademik çalışmalar, uluslararası kuruluş raporları ve düzenleyici politika belgeleri birlikte incelenmiştir.

Kaynak seçiminde üç ölçüt esas alınmıştır. Birincisi, çalışmanın iktisat, işgücü piyasası, verimlilik, firma davranışları, kamu politikası veya ekonometriyle doğrudan ilişkili olmasıdır. İkincisi, kaynağın akademik hakemli dergi, çalışma kâğıdı, uluslararası kuruluş raporu veya resmi politika belgesi niteliği taşımasıdır. Üçüncüsü, üretken yapay zekâ gibi hızlı gelişen alanlarda güncel yayınlara öncelik verilmesidir. Bu nedenle NBER, IMF, OECD, ILO, Dünya Bankası, Stanford AI Index, Avrupa Komisyonu ve Türkiye Ulusal Yapay Zekâ Stratejisi gibi kaynaklar çalışma kapsamında değerlendirilmiştir.

Literatür değerlendirmesi tematik analiz yöntemiyle yürütülmüştür. Öncelikle yapay zekânın iktisadi anlamı ve genel amaçlı teknoloji niteliği ele alınmış; ardından etkiler verimlilik, işgücü piyasası, firma davranışları, iktisadi araştırma yöntemleri, kamu politikası ve Türkiye bağlamı başlıklarında sınıflandırılmıştır. Bu yaklaşım, yapay zekânın tek boyutlu bir teknolojik yenilik olarak değil, iktisadi sistemin farklı düzeylerinde sonuçlar doğuran çok katmanlı bir dönüşüm olarak incelenmesine imkân vermektedir.

4. VERİMLİLİK, ÜRETİM VE EKONOMİK BÜYÜME ÜZERİNDEKİ ETKİLER

Yapay zekâya ilişkin en güçlü ekonomik beklenti, verimlilik artışı yaratmasıdır. Üretken yapay zekâ uygulamaları; belge hazırlama, müşteri hizmetleri, yazılım geliştirme, raporlama, veri analizi, pazarlama ve tasarım gibi birçok alanda çalışanların daha kısa sürede daha fazla çıktı üretmesine yardımcı olabilmektedir. Brynjolfsson, Li ve Raymond’un müşteri destek çalışanları üzerinde yürüttüğü çalışma, yapay zekâ destekli asistan kullanımının çalışan verimliliğini anlamlı ölçüde artırdığını ve özellikle deneyimsiz çalışanlarda daha yüksek kazanımlar ortaya çıkardığını göstermektedir (Brynjolfsson vd., 2025). Bu bulgu, yapay zekânın yalnızca yüksek vasıflı çalışanların üretkenliğini artıran bir araç olmadığını; uygun tasarlandığında düşük deneyimli çalışanların öğrenme eğrisini de hızlandırabileceğini göstermesi bakımından önemlidir.

Verimlilik etkisinin ortaya çıkması için yapay zekâ aracının mevcut iş süreçlerine basitçe eklenmesi yeterli değildir. Teknolojinin gerçek etkisi, iş süreçlerinin yeniden tasarlanması, çalışanların eğitilmesi, veri kalitesinin artırılması ve yönetsel kararların teknolojiyle uyumlu hâle getirilmesiyle güçlenir. Tarihsel olarak genel amaçlı teknolojilerde üretkenlik artışı çoğu zaman gecikmeli ortaya çıkmıştır. Bilgisayarlaşma sürecinde de ilk yatırımların üretkenliğe dönüşmesi, organizasyonel yenilikler ve tamamlayıcı insan sermayesi yatırımlarıyla mümkün olmuştur. Benzer biçimde yapay zekânın büyüme etkisi de yalnızca algoritmik kapasiteye değil, tamamlayıcı kurumsal dönüşümlere bağlıdır.

OECD, 2025 yılında veri bulunan OECD ülkelerindeki firmaların yüzde 20,2’sinin yapay zekâ kullandığını, bu oranın 2023’e göre iki kattan fazla arttığını bildirmektedir (OECD, 2026). Bu artış, yapay zekânın deneysel bir teknoloji olmaktan çıkarak firma düzeyinde yaygınlaşmaya başladığını göstermektedir. Bununla birlikte yapay zekâ benimsemesi sektörler, ülkeler ve firma büyüklükleri arasında eşit değildir. Büyük firmalar veri, finansman, teknik altyapı ve insan kaynağı açısından daha avantajlıdır; KOBİ’ler ise teknolojiye erişim, nitelikli personel ve veri yönetişimi bakımından daha fazla kısıtla karşılaşmaktadır.

Makroekonomik düzeyde yapay zekâ, toplam faktör verimliliğini artırarak ekonomik büyümeye katkı sağlayabilir. Ancak bu katkının büyüklüğü, teknolojinin yayılma hızı ve kullanım niteliğiyle doğrudan ilişkilidir. Yapay zekâ yalnızca maliyet düşürme amacıyla kullanılırsa sınırlı bir verimlilik etkisi yaratabilir; buna karşılık yeni ürün, hizmet, pazar ve organizasyon biçimleri ortaya çıkarırsa daha güçlü bir büyüme etkisi oluşturabilir. Bu nedenle iktisat politikası, yapay zekâyı salt otomasyon yatırımı olarak değil, inovasyon ekosisteminin parçası olarak değerlendirmelidir.

5. İŞGÜCÜ PİYASALARI, BECERİ YAPISI VE GELİR DAĞILIMI

Yapay zekânın en tartışmalı etkilerinden biri işgücü piyasaları üzerindedir. IMF (2024), yapay zekânın küresel işlerin yaklaşık yüzde 40’ını etkileyebileceğini; gelişmiş ekonomilerde bu oranın daha yüksek olabileceğini belirtmektedir. Ancak “etkilenme” kavramı doğrudan iş kaybı anlamına gelmez. Bir işin yapay zekâya maruz kalması, o işteki bazı görevlerin otomatikleşebileceği, bazı görevlerin ise yapay zekâ ile desteklenerek daha verimli yapılabileceği anlamına gelir.

ILO’nun üretken yapay zekâya ilişkin 2025 tarihli çalışması, mesleklerin görev düzeyinde farklı maruziyet derecelerine sahip olduğunu ve üretken yapay zekânın pek çok meslekte işleri tamamen ortadan kaldırmaktan çok görev bileşimini dönüştürdüğünü vurgulamaktadır (ILO, 2025). Bu nedenle işgücü piyasası analizinde temel soru “hangi meslekler yok olacak?” değil, “hangi görevler otomatikleşecek, hangi görevler daha değerli hâle gelecek ve hangi beceriler tamamlayıcı nitelik kazanacak?” şeklinde kurulmalıdır.

Yapay zekânın gelir dağılımı üzerindeki etkisi belirsiz ve politika bağımlıdır. Bir yandan teknoloji, düşük deneyimli çalışanlara rehberlik ederek beceri farklarını azaltabilir. Brynjolfsson vd. (2025) çalışmasında düşük deneyimli çalışanların yapay zekâdan daha yüksek verimlilik kazanımı elde etmesi bu olasılığı desteklemektedir. Diğer yandan yüksek becerili çalışanlar yapay zekâ araçlarını daha etkin kullanarak gelir avantajlarını artırabilir. Bu durumda teknoloji, beceri yanlı teknik değişim kanalından gelir eşitsizliğini büyütebilir.

İşgücü piyasası açısından üç risk özellikle önemlidir. İlk risk, rutin bilişsel görevlerde çalışanların ikame edilmesidir. Muhasebe kayıt işlemleri, standart raporlama, temel veri girişi ve belge sınıflandırma gibi görevlerde otomasyon baskısı artabilir. İkinci risk, giriş seviyesi işlerin daralmasıdır. Genç çalışanlar genellikle deneyimlerini standart ve destekleyici görevlerde kazanır; bu görevlerin otomatikleşmesi mesleki öğrenme kanallarını zayıflatabilir. Üçüncü risk, platform ekonomisi ve algoritmik yönetim yoluyla çalışma koşullarının daha yoğun izlenmesi ve performans baskısının artmasıdır.

Bu risklere karşı eğitim ve sosyal politika kritik önem taşır. Veri okuryazarlığı, algoritmik düşünme, temel yapay zekâ kullanımı, etik farkındalık, analitik yorumlama ve insan-makine iş birliği becerileri geleceğin işgücü piyasasında öne çıkacaktır. Ancak yalnızca bireylerin uyum sorumluluğuna vurgu yapmak yeterli değildir. Kamu politikası, yaşam boyu öğrenme, aktif işgücü programları, mesleki yeniden eğitim, gelir destekleri ve geçiş dönemlerinde sosyal koruma araçlarıyla teknolojik dönüşümün maliyetlerini azaltmalıdır.

6. FİRMA DAVRANIŞLARI, REKABET VE PİYASA YAPISI

Yapay zekâ, firma davranışlarını üretimden pazarlamaya, fiyatlamadan tedarik zinciri yönetimine kadar geniş bir alanda değiştirmektedir. Talep tahmini, stok optimizasyonu, müşteri segmentasyonu, kişiselleştirilmiş reklamcılık, dinamik fiyatlama ve risk yönetimi gibi alanlarda yapay zekâ kullanımı firmalara maliyet ve hız avantajı sağlayabilir. Bu avantajlar, yapay zekâyı erken benimseyen firmaların rekabet gücünü artırabilir.

Bununla birlikte yapay zekânın rekabet üzerindeki etkisi iki yönlüdür. Birinci yönde, yapay zekâ küçük firmaların daha önce erişemediği analitik kapasiteye düşük maliyetle ulaşmasını sağlayarak rekabeti artırabilir. Bulut tabanlı yapay zekâ araçları, küçük işletmelerin pazarlama metni üretmesi, müşteri verisi analiz etmesi, finansal rapor hazırlaması veya stok planlaması yapmasını kolaylaştırabilir. İkinci yönde ise büyük veri setlerine, hesaplama altyapısına, özel modellere ve uzman insan kaynağına sahip büyük firmalar ölçek avantajlarını daha da güçlendirebilir. Bu durumda yapay zekâ piyasa yoğunlaşmasını artırabilir.

Veri, yapay zekâ çağında stratejik üretim girdilerinden biri hâline gelmektedir. Büyük ve kaliteli veri setlerine sahip firmalar daha iyi modeller geliştirebilir; daha iyi modeller daha fazla kullanıcı çekerek yeni veri üretir; bu veri yeniden model kalitesini artırır. Bu döngü, platform ekonomilerinde “veri ağ etkisi” olarak adlandırılabilecek bir piyasa gücü yaratabilir. Bu nedenle rekabet politikası, yalnızca fiyat veya pazar payı üzerinden değil, veri erişimi, birlikte çalışabilirlik, algoritmik şeffaflık ve platform gücü üzerinden de yeniden düşünülmelidir.

KOBİ’ler açısından temel sorun yapay zekâ araçlarına erişimden çok bu araçları verimli kullanacak organizasyonel kapasitenin kurulmasıdır. Dijital kayıt düzeni zayıf, veri kalitesi düşük, süreçleri standartlaşmamış ve çalışan eğitimi sınırlı işletmelerde yapay zekâ yatırımları beklenen verimlilik kazanımını üretmeyebilir. Bu nedenle KOBİ politikaları, yapay zekâ yazılım desteğinin ötesinde dijital altyapı, veri yönetimi, finansman, danışmanlık ve beceri geliştirme boyutlarını birlikte kapsamalıdır.

7. İKTİSADİ ARAŞTIRMA YÖNTEMLERİ VE EKONOMETRİ ÜZERİNDEKİ ETKİLER

Yapay zekâ, iktisadi bilimlerin yalnızca inceleme konusu değil, aynı zamanda araştırma aracıdır. Makine öğrenmesi yöntemleri, geleneksel ekonometrik araçların yanında özellikle büyük ve karmaşık veri setlerinden örüntü çıkarma, tahmin üretme ve heterojen etkileri tespit etme konusunda güçlü imkânlar sunmaktadır. Athey ve Imbens (2019), makine öğrenmesi yöntemlerinin iktisat ve ekonometri literatürüyle ilişkisini ele alırken, bu yöntemlerin özellikle denetimli öğrenme, sınıflandırma, matris tamamlama, nedensel çıkarım ve optimal politika tahmini gibi alanlarda kullanılabileceğini vurgulamaktadır.

Klasik ekonometrik yaklaşım çoğu zaman parametre tahmini, hipotez testi ve nedensel yorum üzerine kuruludur. Makine öğrenmesi ise tahmin performansı, genelleme başarısı ve model doğruluğuna odaklanır. Bu farklılık, iki yaklaşımın birbirine rakip değil tamamlayıcı olarak kullanılmasını gerektirir. Örneğin bir sosyal yardım programının hedef kitleye ulaşma olasılığı makine öğrenmesiyle tahmin edilebilir; ancak programın yoksulluğu azaltma etkisini anlamak için nedensel çıkarım yöntemlerine ihtiyaç devam eder.

Yapay zekâ, iktisadi araştırmalarda metin verisi kullanımını da yaygınlaştırmaktadır. Merkez bankası tutanakları, şirket raporları, mahkeme kararları, sosyal medya metinleri, haber içerikleri ve politika belgeleri doğal dil işleme yöntemleriyle analiz edilebilir. Böylece daha önce nicel analize sınırlı biçimde dâhil edilebilen nitel veri kaynakları ekonometrik çalışmalara entegre edilebilir. Bu durum, beklentiler, duyarlılık, politika belirsizliği ve firma stratejileri gibi kavramların ölçülmesini kolaylaştırır.

Bununla birlikte yapay zekâ temelli araştırmalarda metodolojik riskler de bulunmaktadır. Modelin yüksek tahmin başarısı, nedensel ilişkiyi kanıtlamaz. Veri setindeki yanlılıklar algoritmik çıktılara yansıyabilir. Eğitim verisinin temsil gücü zayıfsa model belirli gruplar için hatalı sonuçlar üretebilir. Ayrıca bazı karmaşık modellerin yorumlanabilirliği düşüktür. İktisat bilimi açısından açıklanabilirlik, yalnızca teknik bir tercih değil, politika önerilerinin meşruiyeti için zorunlu bir koşuldur.

Bu nedenle iktisadi araştırmalarda yapay zekâ kullanımı şeffaf raporlama ilkeleriyle desteklenmelidir. Araştırmacılar kullanılan veri kaynaklarını, ön işleme adımlarını, model tercihlerini, performans ölçütlerini, hata analizlerini ve sınırlılıkları açık biçimde belirtmelidir. Yapay zekâ araçlarından yazım, kodlama veya analiz desteği alınmışsa bu kullanım dergi politikalarına uygun biçimde beyan edilmelidir.

8. KAMU POLİTİKASI, SOSYAL REFAH VE YÖNETİŞİM

Yapay zekânın iktisadi etkileri yalnızca piyasa mekanizmasına bırakılamayacak kadar kapsamlıdır. Eğitim, sağlık, sosyal yardım, vergi denetimi, istihdam politikası, kamu güvenliği, adalet hizmetleri ve yerel yönetim uygulamaları yapay zekâdan doğrudan etkilenmektedir. Kamu kesimi açısından yapay zekâ, kaynak tahsisini iyileştirme, hizmet sunumunu hızlandırma, riskli alanları tespit etme ve politika hedeflemesini güçlendirme potansiyeline sahiptir.

Örneğin sosyal politika alanında yapay zekâ, ihtiyaç sahiplerinin belirlenmesi, hane risklerinin sınıflandırılması, yardım programlarının etkinliğinin izlenmesi ve sahtecilik risklerinin azaltılması gibi alanlarda kullanılabilir. Ancak sosyal yardım gibi hassas alanlarda algoritmik karar destek sistemlerinin denetlenebilir, açıklanabilir ve insan gözetimine açık olması gerekir. Hatalı sınıflandırma, yoksul hanelerin yardıma erişimini engelleyebilir veya ayrımcı sonuçlar doğurabilir. Bu nedenle kamu hizmetlerinde yapay zekâ kullanımı, verimlilik hedefi ile hak temelli yaklaşım arasında denge kurmalıdır.

Düzenleyici düzeyde OECD Yapay Zekâ İlkeleri güvenilir, insan merkezli, şeffaf ve hesap verebilir yapay zekâ kullanımını vurgulamaktadır (OECD, 2024). Avrupa Birliği Yapay Zekâ Yasası ise risk temelli bir yaklaşım benimsemiş, yapay zekâ sistemlerini risk seviyelerine göre sınıflandırmış ve yüksek riskli sistemler için daha sıkı yükümlülükler getirmiştir. Avrupa Komisyonu, AI Act’in 1 Ağustos 2024’te yürürlüğe girdiğini ve uygulamanın kademeli biçimde devreye alınacağını açıklamıştır (European Commission, 2024).

Yapay zekâ yönetişiminde temel mesele, yeniliği boğmadan toplumsal zararları önleyebilecek düzenleyici kapasitenin kurulmasıdır. Aşırı katı düzenlemeler küçük firmaların yenilik kapasitesini azaltabilir; yetersiz düzenleme ise veri mahremiyeti ihlalleri, ayrımcılık, piyasa gücü yoğunlaşması ve güvenlik riskleri yaratabilir. Bu nedenle düzenleyici yaklaşım risk temelli, sektör duyarlı, şeffaf ve uyarlanabilir olmalıdır.

İktisat politikası açısından yapay zekâdan doğan verimlilik kazançlarının toplumsal refaha nasıl dönüştürüleceği merkezi sorudur. Korinek ve Stiglitz (2021), yapay zekâ ve küreselleşme bağlamında teknolojik kazanımların gelişmekte olan ülkeler açısından eşitsiz sonuçlar doğurabileceğini; bu nedenle kalkınma politikası, gelir dağılımı ve küresel yönetişim araçlarının önem kazandığını savunmaktadır. Bu bakış açısı, yapay zekâ politikasının yalnızca inovasyon politikası değil, aynı zamanda sosyal adalet ve kalkınma politikası olduğunu göstermektedir.

9. TÜRKİYE BAĞLAMI: FIRSATLAR VE POLİTİKA ÖNCELİKLERİ

Türkiye açısından yapay zekâ, dijital dönüşüm, verimlilik artışı, kamu hizmetlerinin iyileştirilmesi ve yüksek katma değerli üretim hedefleri bakımından stratejik bir alandır. Ulusal Yapay Zekâ Stratejisi 2021-2025, yapay zekâ alanındaki çalışmaların ortak bir çerçeveye oturtulmasını amaçlamış; insan kaynağı, araştırma ve yenilik, kaliteli veri ve teknik altyapı, sosyoekonomik uyum, uluslararası iş birliği ve yapısal dönüşüm gibi öncelikler belirlemiştir (T.C. Sanayi ve Teknoloji Bakanlığı & Cumhurbaşkanlığı Dijital Dönüşüm Ofisi, 2021).

Türkiye’nin yapay zekâdan elde edeceği iktisadi kazanımlar büyük ölçüde KOBİ’lerin dijital dönüşüm kapasitesine bağlıdır. Türkiye ekonomisinde KOBİ’lerin istihdam ve üretimdeki ağırlığı dikkate alındığında, yapay zekâ politikalarının yalnızca büyük teknoloji firmalarına veya kamu kurumlarına odaklanması yeterli olmayacaktır. KOBİ’lerde veri altyapısı, süreç standardizasyonu, dijital muhasebe, e-ticaret, müşteri ilişkileri yönetimi, stok planlaması ve finansal analiz gibi alanlarda temel dijital kapasite güçlendirilmeden ileri yapay zekâ uygulamalarından beklenen verimlilik kazanımı sınırlı kalabilir.

Kamu yönetimi açısından Türkiye’de yapay zekâ, e-devlet hizmetlerinin kişiselleştirilmesi, kamu kaynaklarının daha etkin kullanılması, sosyal hizmetlerde risk analizi, afet yönetimi, tarımsal destekler, sağlık hizmetleri ve yerel yönetim uygulamaları gibi alanlarda önemli fırsatlar sunmaktadır. Ancak bu fırsatların güvenilir biçimde kullanılabilmesi için kamu verisinin güvenliği, kişisel verilerin korunması, algoritmik hesap verebilirlik ve insan gözetimi ilkeleri kurumsal süreçlere yerleştirilmelidir.

Türkiye bağlamında bir diğer öncelik insan kaynağıdır. Yapay zekâ uzmanlarının yetiştirilmesi kadar, farklı meslek gruplarının yapay zekâ okuryazarlığı kazanması da önemlidir. İktisat, işletme, kamu yönetimi, maliye, çalışma ekonomisi ve ekonometri programlarında veri bilimi, makine öğrenmesi, yapay zekâ etiği ve dijital ekonomi derslerinin güçlendirilmesi, akademik ve uygulamalı kapasiteyi artıracaktır. Üniversite-sanayi-kamu iş birliği, yapay zekâ çözümlerinin yerel sorunlara uyarlanmasında kritik rol oynayabilir.

10. TARTIŞMA: FIRSATLAR, RİSKLER VE İKTİSAT BİLİMİNİN ROLÜ

Literatür, yapay zekânın iktisadi etkilerinin ne tamamen iyimser ne de tamamen kötümser bir çerçeveyle açıklanabileceğini göstermektedir. Yapay zekâ bir yandan üretkenliği artırabilir, yeni iş modelleri yaratabilir, kamu hizmetlerini iyileştirebilir ve araştırma yöntemlerini zenginleştirebilir. Diğer yandan işgücü ikamesi, gelir eşitsizliği, piyasa yoğunlaşması, veri mahremiyeti, algoritmik ayrımcılık ve güvenlik riskleri doğurabilir.

Bu noktada iktisat biliminin katkısı, teknolojik değişimin maliyet ve faydalarını sistematik biçimde analiz etmektir. Yapay zekâ tartışmalarında çoğu zaman teknik kapasite, model başarısı veya otomasyon oranı öne çıkarılmaktadır. Oysa iktisadi analiz, teşvikler, kurumlar, piyasa yapısı, dışsallıklar, dağılım etkileri ve refah sonuçları gibi daha geniş bir çerçeve sunar. Bu nedenle yapay zekâ politikaları mühendislik, hukuk, sosyoloji, etik ve iktisat disiplinlerinin birlikte çalışmasını gerektirmektedir.

Yapay zekânın refah artırıcı bir teknolojiye dönüşebilmesi için dört politika alanı öne çıkmaktadır. Birincisi, eğitim ve beceri politikalarının yapay zekâ çağının ihtiyaçlarına göre güncellenmesidir. İkincisi, rekabet politikasının veri, platform gücü ve algoritmik davranışları kapsayacak biçimde genişletilmesidir. Üçüncüsü, sosyal koruma mekanizmalarının teknolojik dönüşümden olumsuz etkilenen grupları destekleyecek şekilde güçlendirilmesidir. Dördüncüsü, veri yönetişimi ve etik düzenlemelerin yeniliği engellemeyen ancak temel hakları koruyan bir yapıya kavuşturulmasıdır.

Bu çerçevede yapay zekâ, iktisadi bilimler için yalnızca yeni bir araştırma konusu değil, aynı zamanda disiplinin yöntemsel ve teorik sınırlarını genişleten bir dönüşüm alanıdır. Gelecekte yapılacak çalışmaların sektör, bölge, firma ölçeği ve çalışan grupları düzeyinde mikro verilerle yapay zekânın somut etkilerini incelemesi önem taşımaktadır. Ayrıca gelişmekte olan ülkeler bağlamında yapay zekâya erişim, veri egemenliği, yerel model geliştirme kapasitesi ve kalkınma politikaları daha fazla araştırılmalıdır.

Tablo 1. Yapay zekânın iktisadi etkilerinin ana kanalları

Not: Tablo, literatürde öne çıkan etki kanalları esas alınarak yazar tarafından derlenmiştir.

Tablo 2. Politika alanları ve öncelikli müdahale başlıkları

Not: Tablo, yapay zekâ ve iktisat literatüründeki politika tartışmaları temel alınarak hazırlanmıştır.

11. SONUÇ

Gelişen yapay zekâ sistemleri, iktisadi bilimlerin hem analiz nesnesini hem de yöntemsel araçlarını dönüştürmektedir. Makine öğrenmesi, büyük dil modelleri ve üretken yapay zekâ uygulamaları; verimlilik, firma davranışları, işgücü piyasaları, gelir dağılımı, kamu politikası ve iktisadi araştırma yöntemleri üzerinde kalıcı etkiler yaratmaktadır. Bu çalışma, yapay zekânın iktisadi etkilerini literatür temelli bir derleme yaklaşımıyla değerlendirmiş ve teknolojinin fırsatları ile risklerini birlikte ele almıştır.

Çalışmanın temel sonucu, yapay zekânın etkilerinin teknolojinin kendisinden çok teknolojinin kullanım biçimi, kurumsal bağlam ve politika tercihleri tarafından belirlendiğidir. Yapay zekâ uygun eğitim, rekabet, sosyal koruma ve etik yönetişim politikalarıyla desteklendiğinde toplumsal refahı artırabilir. Buna karşılık teknolojik dönüşüm yalnızca maliyet düşürme ve emek ikamesi amacıyla kullanılırsa gelir eşitsizliği, istihdam kaybı ve piyasa yoğunlaşması gibi olumsuz sonuçlar doğurabilir.

İktisadi bilimler açısından önümüzdeki temel görev, yapay zekâ çağında büyüme ve verimlilik analizlerini adalet, kapsayıcılık ve sürdürülebilirlik perspektifiyle birlikte ele almaktır. Bu nedenle gelecekteki araştırmalar, yapay zekânın sektörler arası farklı etkilerini, çalışan grupları üzerindeki dağılımsal sonuçlarını, KOBİ’lerde benimsenme koşullarını, kamu hizmetlerinde kullanım risklerini ve Türkiye gibi gelişmekte olan ülkelerde kalkınma politikasıyla ilişkisini ampirik olarak incelemelidir.

EXTENDED SUMMARY

Artificial intelligence has become a major transformative force for economic sciences. The rise of machine learning, large language models and generative AI systems has changed not only the way firms produce goods and services, but also the way economists collect, process and interpret data. This article reviews the literature on the economic implications of emerging AI systems and discusses their effects on productivity, labour markets, firm behaviour, income distribution, public policy and research methods.

The main argument of the article is that AI should be understood as more than a simple automation technology. It is also a prediction technology that reduces the cost of decision-relevant information and a general-purpose technology that requires complementary investments in skills, data infrastructure, organisational change and governance. AI may increase productivity by improving forecasting, automating repetitive tasks, assisting workers and enabling new business models. However, the size and distribution of these gains depend on institutional conditions, digital readiness and the capacity of workers and firms to adapt.

The labour market effects of AI are complex. Rather than eliminating entire occupations, generative AI often changes the task composition of jobs. Some routine cognitive tasks may be automated, while other tasks may be augmented. This creates both risks and opportunities. Less experienced workers may benefit from AI assistance if systems diffuse expert knowledge and reduce learning costs. At the same time, workers without complementary skills may face displacement or wage pressure. Therefore, education policy, lifelong learning and social protection are central to ensuring that AI-driven productivity gains translate into inclusive welfare improvements.

AI also reshapes firm behaviour and market structure. Firms can use AI for demand forecasting, dynamic pricing, customer segmentation, risk analysis and supply chain optimisation. These applications may improve efficiency, but they may also increase market concentration when large firms benefit from superior access to data, computing infrastructure and specialised human capital. Competition policy should therefore take data access, platform power and algorithmic transparency into account.

For economic research, AI provides new tools for prediction, classification, text analysis and heterogeneous treatment effect estimation. Yet machine learning should not be confused with causal inference. Economic science remains concerned with mechanisms, incentives, welfare and institutional context. AI-based methods should be used transparently, with attention to data quality, bias, interpretability and ethical constraints.

In the Turkish context, AI offers important opportunities for productivity, public service delivery, industrial transformation and digital government. However, realising these opportunities requires strengthening digital infrastructure, supporting SMEs, improving data governance and developing human capital. Overall, the article concludes that the economic impact of AI will be shaped not only by technical progress, but also by policy choices, institutional capacity and the distribution of complementary resources.

ETİK KURUL İZNİ, ÇIKAR ÇATIŞMASI YAZAR KATKI ORANI BEYANI

Etik Kurul İzni Beyanı: Bu çalışma, literatür taramasına dayalı bir derleme makale niteliğindedir. İnsan veya hayvan katılımcılar üzerinde veri toplama, deney, anket ya da mülakat içermediğinden etik kurul izni gerektirmemektedir.

Çıkar Çatışması Beyanı: Yazar, çalışma kapsamında herhangi bir çıkar çatışması bulunmadığını beyan eder.

Yazar Katkı Oranı Beyanı: Tek yazarlı çalışmalarda yazar katkı oranı beyanı gerekmemektedir. Çok yazarlı gönderim yapılacaksa derginin talep ettiği katkı oranı formu ayrıca doldurulmalıdır.

KAYNAKÇA

Acemoglu, D., & Restrepo, P. (2018). Artificial intelligence, automation and work. National Bureau of Economic Research Working Paper No. 24196. https://doi.org/10.3386/w24196

Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machines: The simple economics of artificial intelligence. Harvard Business Review Press.

Athey, S., & Imbens, G. W. (2019). Machine learning methods that economists should know about. Annual Review of Economics, 11, 685-725. https://doi.org/10.1146/annurev-economics-080217-053433

Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3-30. https://doi.org/10.1257/jep.29.3.3

Bessen, J. E. (2019). AI and jobs: The role of demand. National Bureau of Economic Research Working Paper No. 24235. https://doi.org/10.3386/w24235

Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942. https://doi.org/10.1093/qje/qjae044

Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). GPTs are GPTs: An early look at the labor market impact potential of large language models. arXiv. https://arxiv.org/abs/2303.10130

European Commission. (2024). AI Act enters into force. https://commission.europa.eu/news-and-media/news/ai-act-enters-force-2024-08-01_en

European Commission. (2024). Regulatory framework for artificial intelligence. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

Felten, E. W., Raj, M., & Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195-2217. https://doi.org/10.1002/smj.3286

Gmyrek, P., Berg, J., & Bescond, D. (2023). Generative AI and jobs: A global analysis of potential effects on job quantity and quality. International Labour Organization.

International Labour Organization. (2025). Generative AI and jobs: A refined global index of occupational exposure. https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure

International Monetary Fund. (2024). Gen-AI: Artificial intelligence and the future of work. IMF Staff Discussion Note. https://www.imf.org/en/Publications/Staff-Discussion-Notes/Issues/2024/01/14/Gen-AI-Artificial-Intelligence-and-the-Future-of-Work-542379

International Monetary Fund. (2025). The global impact of AI: Mind the gap. IMF Working Paper. https://www.imf.org/en/Publications/WP/Issues/2025/04/04/The-Global-Impact-of-AI-Mind-the-Gap-566820

Korinek, A. (2024). Economic policy challenges for the age of AI. National Bureau of Economic Research Working Paper. https://doi.org/10.3386/w32980

Korinek, A., & Stiglitz, J. E. (2021). Artificial intelligence, globalization, and strategies for economic development. National Bureau of Economic Research Working Paper No. 28453. https://doi.org/10.3386/w28453

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192. https://doi.org/10.1126/science.adh2586

OECD. (2024). OECD AI Principles overview. https://www.oecd.org/en/topics/sub-issues/ai-principles.html

OECD. (2025). AI adoption by small and medium-sized enterprises. OECD Publishing. https://www.oecd.org/en/publications/ai-adoption-by-small-and-medium-sized-enterprises_426399c1-en.html

OECD. (2026). AI use by individuals surges across the OECD as adoption by firms continues to expand. https://www.oecd.org/en/about/news/announcements/2026/01/ai-use-by-individuals-surges-across-the-oecd-as-adoption-by-firms-continues-to-expand.html

Stanford Institute for Human-Centered Artificial Intelligence. (2026). Artificial Intelligence Index Report 2026. Stanford University. https://hai.stanford.edu/ai-index/2026-ai-index-report

T.C. Sanayi ve Teknoloji Bakanlığı ve Cumhurbaşkanlığı Dijital Dönüşüm Ofisi. (2021). Ulusal Yapay Zekâ Stratejisi 2021-2025. https://cbddo.gov.tr/uyzs

T.C. Sanayi ve Teknoloji Bakanlığı ve Cumhurbaşkanlığı Dijital Dönüşüm Ofisi. (2024). Ulusal Yapay Zekâ Stratejisi 2024-2025 Eylem Planı. https://www.sanayi.gov.tr/assets/pdf/UlusalYapayZekaStratejisi2024-2025EylemPlani.pdf

UNESCO. (2021). Recommendation on the ethics of artificial intelligence. https://unesdoc.unesco.org/ark:/48223/pf0000380455

Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3-28. https://doi.org/10.1257/jep.28.2.3

World Bank. (2025). Digital progress and trends report 2025: AI foundations. World Bank. https://www.worldbank.org/ext/en/topic/digital-and-ai