Giriş
Nisan 2026'da Enrique Dans, "Düşünmek yorar" (özgün başlığıyla Pensar cansa) başlıklı bir yazı yayımladı. Yazının savı yalındı ve rahatsız ediciydi: yapay zekâyı çoğu zaman daha iyi düşünmek için değil, düşünmek zorunda kalmamak için kullanmaya başlıyoruz. Dans bunu, bazı araştırmacıların "bilişsel teslimiyet" (rendición cognitiva) dediği bir eğilime bağlıyordu; iyi kurulmuş, akıcı, kendinden emin bir üslupla sunulan cevabı onaylıyor, kopyalıyor, yolumuza devam ediyoruz. Ancak aynı cevap bir insandan gelseydi göstereceğimiz bir denetimi yapay zekâ üretimi yazılardan esirgiyoruz.
Yazının kendisinden daha çok şey söyleyen, ona gelen yorumlarda ve benzer çevrimiçi tartışmalarda yinelenen tepkiler oldu.
Aynı olgu karşısında okurlar taban tabana zıt yerlere savruldu ve bu savrulma, o yazıya gelen yorumlarda olduğu gibi benzer çevrimiçi tartışmalarda da tekrarlandı. Bir yorumcu, sorumluluğu araca yüklemenin yanlış olduğunu savundu: hesap makinesi de, kitap da, kalem de, yapay zekâ da nötr araçlardır; esas belirleyici olan onların arkasındaki kişinin tutumudur. Öğrenmek isteyen ansiklopediyle de öğrenir, istemeyen en gelişkin araçla bile öğrenme eğiliminde olmaz. Dans'ın kendi konumu ise tersini vurguluyordu: araç nötr olarak tasarlanmamıştır; sürtünmeyi azaltmak için tasarlanmıştır, şüphe üretmek için değil. Bir başka yorumcu ayrımı başka yere çekti: yapay zekâ, kodlanmış ve tartışılabilir bir kurallar bütününü akıcılıkla işleyebilir, ama bedende ve yaşanmışlıkta kök salmış, bir ömür yaşayarak biriken ahlaka aynı biçimde erişemez; dahası, eriştiği kuralı da erişemediği ahlakı da aynı akıcılıkla dile getirdiği için, bu farkı okura kolay kolay sezdirmez. Bir dördüncüsü hepsine itiraz etti: düşünmeyi bırakmıyoruz, farklı düşünmeye başlıyoruz.
Buradaki asıl soru, hangisinin haklı olduğu değil. Ondan önce gelen başka bir soru var: aynı nesneye bakan insanlar neden bu kadar farklı yerlere varıyor? Bir de şu var: bu tepkiler aslında neyi anlatıyor? Yapay zekâyı mı, yoksa ona bakanın kendi konumunu mu? Aracın ne için tasarlandığı mı, yoksa kimde neye dönüştüğü mü?
Bu yazının çıkış gözlemi şudur: yorumların her biri, sahibinin nerede durduğunu ele veriyor. Aracı nötr sayıp sorumluluğu bireyin iradesine bağlayan, belli bir dünya görüşünden konuşuyor. Ahlakın bedenlenmişliğini vurgulayan, kendi mesleki ya da felsefi zeminini ortaya koyuyor. Yapay zekânın yalnızca "farklı" bir düşünme imkanı sağladığını söyleyen, kendisinin bu kullanım biçimini savunuyor. Yapay zekâ, üzerine tepkinin düştüğü nesne olmaktan çok, tepki verenin konumunu geri yansıtan bir yüzey gibi çalışıyor.
Bu yazının ileri süreceği sav bu: yapay zekâ karşısındaki tepki çoğu zaman yapay zekâ hakkında değildir, kişinin kendi konumu hakkındadır. Yapay zekâ bu yansıtmayı üç kipte yapıyor ve yazı bu üç kip etrafında kuruluyor.
Birincisi ayna. Kişi yapay zekâda kendi konumunu (yeterliliğini, ayrıcalığını, erdemini) görür ve savunur; tepkisinin içeriği de, savunduğu şeylerin ne olduğunu gösterir.
İkincisi büyüteç. Yetersizliğini yapay zekâyla örtmeye çalışan kişi onu örtemez; çünkü konuyu yeterince bilmediği için aracın akıcı ve ikna edici çıktısını denetleyemez, içine giremez. Böylece yetersizlik saklanmak yerine büyür ve açığa çıkar. Aynı büyüteç ters yönde de çalışır: altına birikim, malzeme, iyi kurulmuş bir soru konulursa kapasiteyi çarpar. Mercek nötrdür; ayıran şey, altına ne konduğu ve merceği tutan elin, yani kişinin araca hangi birikim ve yönelimle baktığıdır.
Üçüncüsü turnusol. (Turnusol kâğıdı, batırıldığı sıvının asit mi baz mı olduğunu renk değiştirerek ele veren bir ölçüm aracıdır.) Yapay zekâ ile iyi üretim de bir beceridir ve bu beceri büyük ölçüde kodlanamaz, yaşanarak ve rehberlikle olgunlaşır. Tam da bu yüzden yapay zekâ onu eşitlemez, ayrıştırır: aynı aracı iki kişi eline aldığında, birinin yaptığını diğeri yapamaz. Bu, "yapay zekâ herkesi eşitler, uzmanlığı ise herkese açar" söyleminin tersi yönde bir iddiadır ve o söylemi karşıya alıp güçlü biçimde sınanacak hale getirir.
Bu üç merceğe bir dördüncü katman eşlik eder: kalkan. "Yapay zekâ uydurur" gözlemi teknik olarak doğrudur, ama bu tespit sorumluluğu failden araca kaydıran bir mazerete dönüşebilir. Hatanın sahibi, hatayı aracın doğasına havale ederek kendi konumunu koruma eğilimine girebilir.
Buraya kadarki her şey bir merceği başkalarına doğrultuyor. Yazının asıl omurgası, o merceği kendisine çevirmekte: mercek çift yönlüdür. Onu kuşanan taraf da, yani yapay zekâyı savunan, karşısındakine "korkuyorsun, kaybedeceğin ayrıcalık için direniyorsun" diyen taraf da, kendi konumunu doğrulamak için aynı merceği kullanabilir. Herkes aynada ötekini görüp güdüsünü okur; en zor olan, kendini görmektir. Bu yazı kendi konumunu (yapay zekâyı kullanan, ondan yararlanan taraf) aynı sınamaya sokmazsa, teşhis ettiği şeyin bir örneği olur. Bu yüzden mercek burada bir teşhis silahı değil, sınanan bir okuma olarak kurulacak.
Son olarak bir sınır beyanı: bu yazı yeni bir mekanizma keşfettiğini ileri sürmüyor. Kimlik tehdidi, örtük bilgi, ahlaki caka, sorumluluk boşluğu gibi birbirinden ayrı düşmüş (bunların çoğu işyeri ya da laboratuvar bağlamında kalmış) çalışmaları kamusal söylem düzeyinde bir araya getiren bir okuma sunuyor. Özgünlük tek tek bulgularda değil, onları birbirine bağlayabilen çerçevede ve o çerçeveyi kendine de uygulayabilme disiplinindedir. Yazı boyunca atıf yapılan forum yorumcuları kişi olarak değil, konum olarak ele alınacak, hiçbiri yaftalanmayacaktır; çünkü mesele kimin ne olduğu değil, tepkilerin neyi gösterdiğidir; amacımız haklı çıkmak değildir. Dans yazısını şu cümleyle bağlıyor: "sınır teknolojide değil, tutumdadır." Bu yazının eklediği tek şart, o tutumun her iki yönde de sınanması gerekliliğidir.
I. Ayna: tepki kimin hakkında?
Yapay zekâ karşısındaki tepkiyi çözmek için bilişim sistemleri alanındaki bir araştırmanın bir kavramı işe yarayabilir: “kimlik tehdidi”. Mirbabaie ve arkadaşları, Craig ve arkadaşlarının bir tanımını aktararak bunu "bir bilişim teknolojisi ürününün kullanımının bireyin öz inançlarına zarar vereceği beklentisi" diye ifade ediyor (Mirbabaie ve ark., 2021, s.75). Mekanizma yalın: bir deneyim kişinin kimliğiyle çeliştiğinde birey benlik saygısında kayıp yaşar ve o kimliğe bağlı benlik saygısını korumak için harekete geçer; bu eylem çoğu zaman direnç şeklinde gerçekleşir (aynı yerde, s.77).
Kritik olan, tehdidin nesnesi. Tehdit edilen çoğu zaman kişinin işi ya da geliri değil, "ben kimim" sorusuna verdiği yanıttır. Mirbabaie ve arkadaşlarının işyerinde yürüttüğü çalışma, yapay zekâ kaynaklı kimlik tehdidinin üç yordayıcısını buluyor: işin değişmesi, statü konumunun kaybı ve kişinin yapay zekâ ile kurduğu kimlik (Mirbabaie ve ark., 2021, s.73). Üçü de maddi kayıptan çok konumla ilgili.
Bankins ve arkadaşları aynı tehdidi grup düzeyinde konumlandırıyor. Onlara göre mesleki kimlik, bir meslek grubunun "biz kimiz; uzmanlığımızın sınırları nerede, değerlerimiz ne” sorularına verdiği ortak yanıttır (Bankins ve ark., 2024, s.164). Bu ortak yanıt güçlüyse aracı absorbe ediyor: köklü, iyi tanımlı kimliğe sahip meslekler yeni teknolojileri daha rahat deniyor, çünkü paylaşılan güçlü varsayımlar değişimin riskini kabul edebilir hale getiriyor. Ancak kimlik zayıf ya da belirsizse, aynı araç bir tehdit gibi karşılanıyor.
Buradan bu denemenin çekirdek gözlemine giden, sezgiye aykırı bir bulgu çıkıyor. En çok direnen, en yetersiz olan değil. Bankins ve arkadaşlarının derlediği çalışmalar, yüksek alan uzmanlığına sahip kişilerin algoritmik öneriye daha çok direndiğini gösteriyor: hem yapay zekânın ürettiği sonucun hesabını kendileri vereceği için (çıktıyı onlar sahiplenir) ona körü körüne güvenmez, denetlemek isterler; hem de kendi yeteneklerini aracınkinden üstün görüp onu kullanmanın pek yararı olmadığına inanırlar (Allen & Choudhury, 2022, akt. Bankins ve ark., 2024, s.164). Yetersizlik değil, uzmanlık algısı direnci artırıyor.
İşte aynanın çekirdeği burada. Direnç, yapay zekânın bir özelliğinden çok direnen kişinin konumundan haber veriyor: sahip olunduğu düşünülen uzmanlıktan ve o uzmanlığın verdiği ayrıcalıktan. Tepkinin şiddeti, korunan şeyin öznel değerini ölçüyor. Bir aracın "benim yaptığımı yapamaz" diye reddedilmesi çoğu zaman o aracın sınırından çok, konuşanın kendi becerisine yüklediği anlamdan doğuyor.
Bu literatür işyerinde doğdu, ama örüntü kamusal tartışmada da beliriyor. Bir teknoloji yazısının altında, aynı araca kimi "nihayet düşünme yükünü hafifleten şey" derken kimi "insanı sığlaştıran tehdit" diyorsa; bu ayrım çoğu zaman aracın ne yaptığından değil, tarafların kendi emeğini ve kimliğini nereye koyduğundan kaynaklanır. Bu tür tartışmalarda sık beliren bir gözlem, yapay zekâ yanılmadığında onu harika bulduğumuzu, yanıldığında ise "zaten aptal" ilan ettiğimizi gösterir; aracı değerlendirmemiz, çoğu zaman kendi beklentimizin ve o beklentinin karşılanıp karşılanmadığının aynası olur.
Son bir ayrım, çünkü bu bölüm en kolay yanlış anlaşılan yer. Tepkinin içeriğinin kişinin konumunu ele vermesi, o tepkiyi "kompleks", "kıskançlık" ya da "korku" diye etiketlemek anlamına gelmez. Böyle bir etiket, tepki verenin argümanını içeriğiyle değil güdüsüyle yargılamak olurdu ki bu ayrı bir hata türüdür ve bu, V. bölümde ele alınacak. Buradaki iddia daha ölçülü: yapay zekâ karşısındaki tepki, aracın nesnel bir özelliğinden çok tepki verenin yapay zekâ karşısındaki kendi konumundan bilgi taşır. Ayna, kişinin ne olduğunu söylemez; nereye baktığını gösterir.
II. Büyüteç: örtme girişimi ifşa eder
Ayna, tepkinin içeriğinin konumu ele verdiğini söylüyordu. Büyüteç bir adım öteye geçiyor: yalnız tepkiyi değil, işin kendisini de görünür kılar. Metaforun çekirdeği nötrlüğündedir. Büyüteç altına ne konursa onu çarpar; yetersizlik konursa yetersizliği, birikim konursa birikimi. Bunları birbirinden ayıran şey merceğin kendisi değil, altına ne konduğu ve merceği tutan elin onu nasıl kullandığıdır. Bu bölüm merceğin bir yönünü, örtme girişiminin nasıl tersine döndüğünü izliyor; kapasiteyi çarpan öteki yönü ise, aynı aracın iki elde neden ayrı sonuç verdiği sorusu üzerinden ileride turnusol bölümüne bağlayacak.
Mekanizma yalın görünür ama sezgiye aykırı bir yerde düğümlenir. Yapay zekânın çıktısı akıcı, düzenli ve kendinden emin bir üsluptadır. Bu üç nitelik içeriğin doğruluğundan bağımsızdır, oysa insan onları çoğu zaman doğruluğun işareti gibi okur. Buçinca ve arkadaşlarının deneyi tam bu noktayı ölçtü: yapay zekânın kararına gerekçe eklemek, kullanıcının ona olan güvenini artırıyor. Üstelik bu güven, yapay zekâ yanılıyorken bile artıyor; işte aşırı güven tam burada doğuyor (Buçinca ve ark., 2021, s.2). Araştırmacıların "aşırı güven" (overreliance) dediği şey burada bir teknik bir tanıma kavuşuyor: yapay zekânın önerisi yanlış ya da elverişsizken kullanıcının yine de ona uyma eğilimi (aynı yerde). Passi ve Vorvoreanu'nun altmış kadar çalışmayı tarayan kurumsal derlemesi ise aynı örüntüyü daha geniş görüyor: açıklamalar yalnız doğru değil yanlış önerilere bile güveni artırıyor, otomasyon yanlılığı ve rehavet kullanıcıyı hataya sürüklüyor (Passi ve Vorvoreanu, 2022).
Bu eğilim ölçülebilir bir davranışa dönüşüyor. Shaw ve Nave'in önkayıtlı üç deneyi, katılımcıların yapay zekâya danıştıklarında ve yapay zekâ yanılıyorken yanlış tavsiyeyi büyük oranda benimsediklerini bulmuş (birinci çalışmada danışılan hatalı denemelerin yüzde 79,8'i; ikinci çalışmada yüzde 74,6 ve zaman baskısı altında üçüncüsünde ise yüzde 72,3; Shaw ve Nave, 2026, s.22, 28). Yazarların vurguladığı bir koşul var: bu oran, o soruda yapay zekâya danışmayı seçmeyle ilişkili, çünkü danışma oranının kendisi yüzde elli dolayında. Yani herkes her soruda teslim olmuyor; ama teslim olunduğunda hata büyük ölçüde devralınıyor. Net sonuç, doğrulukta bir düşüş: yapay zekâ haklıyken katılımcılar yaklaşık yirmi beş puan kazanıyor, yanılıyorken on beş puan kaybediyor (Cohen's h = 0,81; aynı yerde, s.22). Yazarların bu örüntüye verdiği ad, Enrique Dans'ın da kullandığı terimle örtüşüyor: bilişsel teslimiyet.
Teknoloji forumlarında gündelik dille tekrarlanan bir gözlem aynı mekanizmayı anlatıyor: yapay zekâya bütün düşünmeyi soru sormaya devrettiğinde zihin devre dışı kalır, oysa soru sormak düşünmek değildir, asıl düşünme cevabı kurmakta. Bu, öz denetimin gevşemesinin gündelik tarifi. Kişi kendi cevabını üretme zahmetinden kurtuluyor, ama o zahmet aynı zamanda cevabı sınama imkânıydı.
Buraya kadarı örtme girişiminin neden işe yaramadığını hazırlıyor. Burada bir ayrım gerekiyor: akıcı çıktıya fazla güvenmek yaygın bir eğilimdir, onu denetleyecek bilgiden yoksun olmaksa ayrı bir durum; biri ihmal, öteki imkânsızlıktır. Yetersizliğini yapay zekâyla örtmeye çalışan kişi, akıcı çıktıyı denetleyecek bilgiden yoksun olduğu için onu olduğu gibi aldığında, yetersizlik örtülmüyor, tersine büyüyor. Çünkü örtülen boşluk çıktının içine giriyor ve çıktı kamusal hale geldiğinde boşluk da onunla birlikte görünür oluyor. En açık örnek hukuktan geldi: çok duyulan bir olayda bir avukat, yapay zekânın uydurduğu kurgusal davaları dilekçesine koyduğu için yaptırımla karşılaştı, benzerleri izledi (Magesh ve ark., 2024, s.2, aktarımıyla). Magesh ve arkadaşlarının asıl katkısı bu olayı anmak değil, hukuka özel olarak tasarlanmış yapay zekâ araçlarının ne sıklıkta uydurduğunu ölçmek: özel hukuk araçları sorguların yüzde 17 ile 33'ünde halüsinasyon üretiyor, en iyi performans gösteren araç sorguların yüzde 65'ini doğru yanıtlarken bir diğeri yüzde 42'de kalıp neredeyse iki kat daha sık uyduruyor (aynı yerde, s.1). Aracın akıcılığı sabit, güvenilirliği değil; ikisini ayırt etmeyen kullanıcı, örtmek istediği boşluğu belgeliyor.
Neden bu döngü kendiliğinden düzelmiyor? Kruger ve Dunning'in klasik bulgusu buraya uygun: yetersizlik aynı anda iki beceriyi birden eksiltiyor, hem işi yapma becerisini hem de onu kötü yaptığını fark etme becerisini. En alt dörtlük dilimde yer alanlar, gerçekte 12. yüzdelikteyken kendilerini 62. yüzdelikte sanıyordu (Kruger ve Dunning, 1999, s.1121). Metabilişsel körlük tam da bunu örtmeye en muhtaç olanın, örtünün bunu kapatmadığını en az gören kişi olmasına neden oluyor. Büyüteç bu yüzden acımasız: en çok büyüttüğü boşluk, sahibinin en az farkında olduğu boşluktur. Uzun vadeli maliyeti de ölçülüyor. Gerlich'in 666 katılımcıyla yürüttüğü çalışması, sık yapay zekâ kullanımı ile eleştirel düşünme becerisi arasında güçlü bir negatif ilişki buluyor (r = −0,68), bilişsel dışsallaştırma ile eleştirel düşünme arasında daha da güçlü bir negatif ilişki (r = −0,75). Çoklu regresyonda yapay zekâ kullanımı eleştirel düşünmeyi negatif absorbe etti (β = −1,76, p < 0,001; Gerlich, 2025a, s.14, 16). Bu korelasyonel bir tablo, tek başına nedensellik kurmaz; ama büyüteç metaforunun beklediği yönde bir birikimi gösterir. İki ek çalışma bu tabloyu güçlendiriyor. Birincisi örüntünün öğrenci ya da laboratuvarla sınırlı olmadığını gösteriyor: Lee ve arkadaşları 319 bilgi işçisine yapay zekâyı işte kullandıkları 936 gerçek örneği sordu ve tek tek çözümledi. Bulgu, büyütecin "merceği tutan el" sezgisini ölçülmüş bir katsayıya çeviriyor. Yapay zekâya duyulan güven arttıkça eleştirel düşünmenin devreye girmesi azalıyor (β = −0,69, p < 0,001); buna karşılık kişinin kendi görevine duyduğu güven (β = 0,26) ve yapay zekânın yanıtını değerlendirmeye duyduğu güven (β = 0,31) eleştirel düşünmeyi artırıyor, en güçlü olumlu etki ise yansıtma eğilimindedir (β = 0,52, p < 0,001; Lee ve ark., 2025). Belirleyici olan güvenin varlığı değil yönü: araca teslim olan güven düşünmeyi azaltırken, kendine ve denetime dönük güven artırıyor. İkincisi nedensellik borcunu kısmen kapatıyor. Aynı yazarın deneysel çalışması, üç ülkede (Almanya, İsviçre, Birleşik Krallık) 150 katılımcıyla dört koşulu (yalnız insan, insan artı kılavuzsuz yapay zekâ, insan artı yapılandırılmış yönlendirmeli yapay zekâ, yalnız yapay zekâ) karşılaştırdı: kılavuzsuz kullanım akıl yürütme kalitesini artırmadan bilişsel dışsallaştırma üretti, yapılandırılmış yönlendirme ise hem eleştirel akıl yürütmeyi hem yansıtıcı katılımı anlamlı biçimde artırdı (Gerlich, 2025b). Fark aracın kendisinde değil, kullanım biçimindeydi; korelasyonun kuramadığı yön oku, deneysel kolun işaret ettiği yerde beliriyor.
Şimdi merceği ters çevirmek gerekiyor, çünkü nötrlük iddiası ancak bunun tersi de gösterilirse ayakta kalır. Aynı akıcı çıktının altında bir boşluk değil de birikim, malzeme, iyi kurulmuş bir soru bulunduğunda, mercek kapasiteyi büyütür. Aynı tartışmalarda tersi deneyim de dile geliyor: deneyimli bir kullanıcı, yapay zekâyı bilişsel bir yükselteç olarak kullandığını, onunla çok daha hızlı öğrendiğini, ama hiçbir şey için ona bağımlı olmadığını anlatır. İki kutup arasındaki fark aracın kendisinde değil, altına konan malzemede ve merceği tutan elde. Aynı eleştiri deneyin tasarımına da yöneliyor: bu tür çalışmaların gösterdiği şey yapay zekânın beyni çürüttüğü değil, insanları mümkün olan en beceriksiz hallerde bulunurken gösterdiği bir ölçme aracına dönüşmesi.
Bu ikili yüz, aracın azalttığı şeyin her zaman kazanç olmadığını da hatırlatıyor. Yapay zekânın en çok azalttığı şeylerden biri sürtünme: bir sorunun önünde takılmış bir halde sürekli deneyip yanılma zahmeti. Oysa Kapur'un "üretken başarısızlık" (productive failure) çalışması, öğrencilerin zorlu bir problemle desteksiz boğuşmasının kısa vadede başarısızlık gibi görünse de, sonraki aşamada yz destekli öğrenenleri geçen bir derinlik ürettiğini gösteriyor (Kapur, 2008). Aynı ayrımın yeni bir ampirik karşılığı var: Fan ve arkadaşlarının 117 üniversite öğrencisiyle yürüttüğü randomize deneyde, ChatGPT grubu kısa vadeli deneme skorunda öne geçti, ama bilgi kazanımı ile transfer bakımından anlamlı bir fark göstermedi; yazarların "metabilişsel tembellik" dediği bu örüntü, skorun yüzeyde yükselirken derinde bir şeyin değişmemesidir (Fan ve ark., 2025). Sürtünmeyi tümüyle silen bir kullanım bu gizli üretkenliği de silebilir; bunun için de merceği tutan el, hangi sürtünmenin atılacak bir yük, hangisinin korunacak bir imkân olduğunu ayırt etmek zorundadır.
Buradaki ayrım literatürdeki komşu kavramla karıştırılmamalı. Ehsan ve arkadaşları yapay zekânın bir "yükseltici paradoksu" (özgün adıyla AI-as-Amplifier Paradox) taşıdığını söylüyor: araç, performansı güçlendirirken alttaki uzmanlığı aşındırıyor, aynı anda hem yükseltici hem eritici (Ehsan ve ark., 2026, s.1). O paradoksun ekseni araç ile uzmanlık arasında, güçlendirme ile aşınma arasında. Bu yazının kullandığı büyüteç ise başka bir yönü işaret ediyor: merceğin kişinin kendi konumunu, altına koyduğu şeyi büyütmesi. İkisi çelişmiyor, farklı düzlemlerde çalışıyor; Ehsan'ın paradoksu bu bölümün negatif yönünü (yetkinliğin aşınması) besliyor, ama merceğin girdiyi ne kadar büyüttüğü sorusu onların çerçevesinde yok. Aslında yükselteç ile büyüteç bir zincirin iki ucu gibi okunabilir. Ehsan'ın yükselteci zaman yönünde çalışıyor: aracı sürekli kullanan kişinin uzmanlığı uzun vadede, çoğu zaman fark edilmeden aşınıyor. Bu yazının büyüteci ise an yönünde çalışıyor: kişinin araca o an getirdiği yetersizlik ya da birikim, çıktıda hemen görünür oluyor. İkisi çelişmez, ardışıktır; yetersizliğini araçla örten kişi kısa vadede ifşa olur, aynı örtme sürdükçe asıl becerisini de yitirir. İfşa ile aşınma, aynı bağımlılığın kısa ve uzun vadeli iki yüzüdür.
Böylece büyüteç kendi başına bir yargı vermiyor, bir soruyu keskinleştiriyor: merceğin altında ne var ve onu tutan el ne yapıyor? Bu soru, aynı aracın iki kişinin elinde neden bu kadar farklı sonuç verdiğine, yani bizi “turnusol” bölümüne götürüyor.
III. Turnusol: yapay zekâ eşitlemez, ayrıştırır
Turnusol kâğıdı bir çözeltiye batırıldığında renk değiştirir; değiştirdiği renk çözeltinin ne olduğunu ele verir. Metaforun işi budur: yapay zekâ, iki kişinin eline aynı biçimde geçtiğinde onları aynı yere götürmez, aralarındaki farkı görünür kılar. Bu bölümün savı, o farkın nereden geldiğini adlandırıyor. Yapay zekâ ile iyi üretim de bir beceridir ve bu beceri büyük ölçüde kodlanamaz, kolaylıkla el de değiştiremez; ne aletin kendisinde ne de bir kılavuzda tam olarak bulunur, yaşanarak ve rehberlikle ulaşılır hale gelir. Tam bu yüzden yapay zekâ onu eşitlemez, ayrıştırır.
Bu iddia, çok yaygın bir söylemin tersi yönünde durduğu için, o söylemi en güçlü kaynaklarıyla karşıya almak gerekiyor. "Yapay zekâ herkesi eşitler, uzmanlığı herkese açar" tezi bir slogan değil, ciddi saha kanıtı olan bir tezdir. Noy ve Zhang'ın önkayıtlı deneyinde, üniversite mezunu profesyonellere yazma görevleri verilip yarısı yapay zekâya erişimle donatılınca, ortalama üretkenlik belirgin biçimde artıyor: harcanan süre 0,8 standart sapma düşüyor, çıktı kalitesi 0,4 standart sapma yükseliyor, işçiler arası eşitsizlik de azalıyor, çünkü araç en çok düşük yetenekli olanlara yarıyor (Noy ve Zhang, 2023). Brynjolfsson, Li ve Raymond'ın 5.172 müşteri hizmetleri temsilcisiyle yürüttüğü çalışma aynı yöne işaret ediyor: yapay zekâ erişimi üretkenliği ortalama yüzde 15 artırıyor, ama kazanç eşit dağılmıyor, en düşük beceri diliminde yüzde 36'ya çıkıyor, en deneyimsiz temsilcilerde en yüksek oluyor (Brynjolfsson ve ark., 2025, s.889, 911). Dell'Acqua ve arkadaşlarının danışmanlarla yaptığı saha deneyi de eşitleme yönünü doğruluyor: ortalamanın altında performans gösterenler yüzde 43, üstünde olanlar yüzde 17 iyileşiyor, yani makas kapanıyor (Dell'Acqua ve ark., 2023). Kamusal söylemde bu tezin sesi de var. Teknoloji tartışmalarında sık rastlanan bir itiraz, alanın uzmanlarına dönerek şunu söyler: bu teknik alanın temel tanımının ötesini bilmiyorum ve ilgilenmiyorum, benim ilgilendiğim onunla ne yapabildiğim; uzmanlıkta ısrar çoğu zaman bir entelektüel kibre dönüşüyor. Bariyerin düştüğünü söyleyen bu ses gerçek bir deneyimi anlatıyor.
Ama üç saha çalışmasının hepsinde, eşitleme bulgusunun yanına iliştirilmiş bir sınır var; turnusol tezi tam o sınırda başlıyor. Dell'Acqua'nın deneyi iki görev kullanıyordu: biri yapay zekânın yeteneklerinin içinde, diğeri dışında kalıyordu. Eşitleme, birinci görevde gerçekleşti. İkincisinde, yani yapay zekânın sınırının dışına düşen görevde, yapay zekâ kullanan danışmanlar doğru çözüme ulaşmakta kullanmayanlardan 19 puan daha az başarılıydı (Dell'Acqua ve ark., 2023). Brynjolfsson'un verisi de aynı sınırın başka bir yüzünü gösteriyor: en deneyimsiz işçiler en çok kazanırken, en deneyimli ve en yüksek becerili işçiler hızda küçük bir kazanç, kalitede küçük bir düşüş yaşadı, kazanç en çok rutin, tekrarlayan sorularda toplandı (Brynjolfsson ve ark., 2025, s.889). Örüntü tutarlı: eşitleme, işin kodlanabilir, yapay zekânın sınırının içinde kalan kısmında oluyor. Sınırın dışında, yani işin kodlanamaz kısmında ise araç eşitlemiyor; tersine, ona güvenip sınırının dışına taşıyanı yanıltır ve performansını düşürür. İki bulgu çelişmiyor, farklı katmanları ölçüyor; biri sınırın içini, öteki ise dışını. Aynı ayrışma kontrollü bir deneyde de beliriyor. Büyüteç bölümünde anılan dört kollu çalışma yalnız bir nedensellik kanıtı değil, turnusolun da en temiz laboratuvar karşılığı: aynı araç, yapılandırılmış yönlendirmeyle kullananın elinde eleştirel akıl yürütmeyi beslerken, kılavuzsuz kullananın elinde yalnız dışsallaştırma üretti (Gerlich, 2025b). Saha çalışmalarının işaret ettiği ayrışmayı, denetimli bir ortam da doğruluyor.
Peki sınırın dışında ne var? Kodlanamayan bilgi. Hadjimichael, Ribeiro ve Tsoukas'ın Polanyi'den Merleau-Ponty'ye uzanan incelemesi, örtük bilginin nasıl kazanıldığını açıklıyor: bedenin eldeki göreve tutunma, ona en uygun kavrayışı bulma yeteneğiyle. Bu yetenek, yazarların ifadesiyle, "daha deneyimli olanların otoriter rehberliğiyle" gelişiyor (Hadjimichael ve ark., 2024). Yazarların altını çizdiği bir nokta, tezin en güçlü ayağı: hiçbir görev, ister el işi ister düşünce işi, ister sıradan ister yaratıcı olsun, örtük bilgiye başvurmadan tamamlanamaz (aynı yerde). Yani kodlanamaz beceri kenarda kalan bir istisna değil, her işin çekirdeğinde. Bu rehberlik boyutunu Lave ve Wenger daha da açıyor: onlara göre öğrenme yalıtık bir zihinsel edim değil, bir pratik topluluğuna katılımla gerçekleşir; acemi, ustaların yanında, işin çeperinden merkezine doğru ilerleyerek, birlikte yaparak usta olur (Lave ve Wenger, 1991). Beceriyi taşıyan şey bir kılavuz ya da toplu ders değil, bu katılım ilişkisidir; onların ifadesiyle, "sözde genel bilgi bile ancak belirli koşullarda güce sahiptir" (aynı yerde, s.33). Tsao ve arkadaşlarının yaratıcı meslekleri tarayan derlemesi bu ayrımı iki eksene oturtuyor: bilginin kodlanabilirliği (örtük ve bedenlenmişten açık ve kodlanabilir hale gelmesi) ile çıktının maddiliği; yani bedenlenmiş pratiği önceleyen alanların yapay zekâ ikamesine en çok direnen alanlar olduğunu buluyor (Tsao ve ark., 2026). Aynı derleme kariyer aşamasının belirleyici bir etken olduğunu işaretliyor: giriş seviyesindekiler yapay zekâyı coşkuyla, dijital araçların doğal uzantısı gibi karşılarken, kıdemli uygulayıcılar ise uzmanlığın değersizleşmesine kuşkuyla bakıyor (aynı yerde).
Bireysel farkın kendisi de ölçülüyor. Lovett'in derlemesi, benzer geçmişe sahip kişilerin aynı araçla keskin biçimde farklı sonuçlara ulaştığını, ayrımı öğrenme-hedefi yöneliminin çizdiğini aktarıyor: performansa dönük bağımlılık aracı beceri azalışına, ustalık yönelimi ise aynı aracı beceri artışına çeviriyor (Yang ve ark. 2026 bulgusu, Lovett 2026 içinde aktarılıyor). "Aynı araç" ifadesi turnusolun çekirdeğidir: değişken olan araç değil, onu tutan yönelimdir.
Bu ayrımın en berrak kamusal ifadesi, tartışmalarda karşı karşıya gelen iki sesin arasındadır. Biri kendi yöntemini anlatır: yapay zekâya çok sayıda seçenek ürettirip sonra onları kendi bilgi tabanıyla süzdüğünü, ardından da ama bunun ön birikim olmadan yapılamayacağını. Karşı ses madalyonun öbür yüzüdür: birikimi olmayan da süzecek, ama süzdüğünü sanıp niteliksizce seçecek, üstelik hata yaptığını hiç bilmeyecek. Aynı araç: uzman süzüyor, acemi süzdüğünü sanıyor. Aynı ayrım öğrenme açısından da konuluyor: temelleri önceden öğrenmiş birinin aracı kullanımı, sıfırdan başlayan birinin yaşayacağından farklıdır; hazır çözüm üreten bir araç elinin altındayken ileri düzeyde bir konuyu öğrenmek, uzun vadeli öğrenmeyi sakatlayabilir. Turnusol burada renk değiştiriyor: aynı çözeltiye batan kâğıt, batıranın ne getirdiğini gösteriyor.
Burada bir karışıklığı önlemek gerekiyor. Turnusolun "ayrıştırır" savı, kimi tartışmalarda dile gelen "yapay zekâ herkesi aynılaştırıyor" gözlemiyle çelişiyormuş gibi görünebilir. Sarkar'ın "makineleşmiş yakınsama" dediği olgu gerçektir: yapay zekâ kullanıcıları aynı görevde daha az çeşitli çıktı üretme eğilimindedir (Sarkar 2023'ten akt. Lee ve ark., 2025). Ama bu, çıktıların birbirine benzemesidir; turnusolun ayrıştırdığı ise kişiler arasındaki beceri farkıdır. İkisi ayrı düzlemlerde durur: çıktılar yüzeyde yakınsarken, o çıktıyı üretenlerin süzme, denetleme ve bütünleme kapasitesi ayrışmaya devam eder. Üstelik Lee'nin kendi uyarısı burada değerli: çıktı çeşitliliği, eleştirel düşünmenin kusurlu bir ölçütüdür; aracın önerisini değiştirmeden kullanan biri de pekâlâ eleştirel bir yargıda bulunmuş olabilir. Yakınsama, ayrışmanın karşıtı değil, farklı bir eksende duran ayrı bir olgudur.
Bir dürüstlük borcu daha: bu bölümün ima ettiği iyimserlik, yani "iyi elde araç kapasiteyi büyütür" beklentisi de sorgusuz değildir. Bilişsel amplifikasyon ile bilişsel delegasyonu ayırmak için dört ölçüt öneren bir ajan-tabanlı simülasyon, test edilen hiçbir etkileşim rejiminde gerçek bir amplifikasyona ulaşılamadığını, insan kapasitesini en çok koruyan karma rejimde bile işbirliği kazancının negatif kaldığını, hatta bilişsel aşınma sıfıra indirildiğinde dahi pozitif kazancın belirmediğini öne sürüyor (Di Santi, 2026). Bu bulgunun iki sınırı var ve ikisi de belirtilmeli: birincisi, bir NetLogo simülasyonudur, ampirik saha verisi değil, yazarın kendisi de onu bir soyutlama olarak niteliyor; ikincisi, oradaki "amplifikasyon" tanımı, hibrit çıktının en iyi tek ajanı (çoğu durumda yapay zekânın kendisini) geçip geçmediğidir, bu bölümün konuştuğu "kişinin kendi kapasitesinin artması" ile birebir aynı şey değildir. Yine de sınırlı bir uyarı olarak durur: aynı araçtan üretim çıkaran elin varlığı, o üretimin her koşulda gerçek bir bilişsel kazanca dönüştüğü anlamına gelmez. Bu da denemenin kendi iyimser yarısına tuttuğu bir merceğdir.
Son olarak bir dürüstlük borcu. "Kodlanamaz" demek "öğretilemez" demek değildir, bu deneme o mutlaklığı üstlenmiyor. Hadjimichael'in vurgusu tam tersini söylüyor: örtük beceri, deneyimlinin rehberliğiyle olgunlaşır. Yani beceri devredilemez bir sezgi değil, aktarılabilir ama yalnız deneyimlinin eşliğinde ve onunla bunu yaşayarak. Turnusolun ayırdığı şey doğuştan bir yetenek hiyerarşisi değil, birikimin ve yönelimin bulunup bulunmadığı. Bu ayrımı bir üstünlük ilanına çevirmek, yani "biz süzebilenler, onlar süzemeyenler" demek, bu bölümün kurduğu merceği kişinin kendi lehine yorumlama fırsatı verir. O ayartma gerçektir ve denemenin kendisini de bağlar; bir sonraki bölüm tam bu tuzağı ele alıyor.
IV. Kalkan: sorumluluğun failden araca kayması
Üç mercek de bir yöne bakıyordu: kişinin kendi konumuna. Kalkan bunların yanına dördüncü bir hareket olarak eklenmelidir, çünkü o bir mercek değil, mercekten kaçış aracıdır. "Yapay zekâ uydurur" cümlesi teknik olarak doğrudur; ikinci bölüm bunu ölçülü verilerle gösterdi. Ama doğru bir gözlem, yanlış bir işe koşulabilir. O cümle çoğu zaman bir betimleme olmaktan çıkıp bir mazerete dönüşür: hatanın sahibi, hatayı aracın doğasına havale ederek kendini denetim yükümlülüğünden ve sonucun sahipliğinden kurtarır. Gözlem kalkana dönüştüğünde koruduğu şey doğruluk değil, konumdur.
Mantık hatası basit ama görünmez. "Araç uydurabilir" önermesi doğrudur; "öyleyse çıktının hatası benim değildir" çıkarımı ise geçersizdir, çünkü aradaki bağı koparan bir adım var: çıktıyı benimseyen, kullanan, kamusallaştıran fail. Bu adımı görünür kılmak için sorumluluğun kime ait olabileceğini sormak gerekiyor.
Fuchs'un incelemesi bu ucu kesin biçimde kapatıyor: araç sorumluluğu taşıyamaz, çünkü ahlaki özne değildir. Yapay zekânın bedeni ve canlılığı yoktur; ifade etme gücü bizde istemsiz bir empati uyandırsa da, Fuchs'un deyişiyle, nesne yeterince iyi ifade edebilen ve canlıya benzer bir yapı olduğunda ona kapılmamıza, bu empatiye aldanmamalıyız, çünkü orada mutlu olacak, üzülecek, hesap verecek kimse yoktur (Fuchs, 2022). Fuchs'un asıl uyarısı bir tasarım ilkesine dönüşür: öznelliğin sistematik taklidi önlenmelidir, sistem kendini sadece olduğu şey, bir benzetim olarak sunmalıdır (aynı yerde). Buradan kalkanın çürük yeri ortaya çıkar. Sorumluluğu yapay zekâya yıkmak, ona sahip olmadığı bir sıfatı, “fail olma” sıfatını yakıştırmak anlamına gelir. Araç fail olamadığı için, sorumluluk onda kalamaz, kaçınılmaz olarak insana geri döner.
Yine de bir soru açık kalıyor: ya gerçekten kimse öngöremiyorsa? Matthias, öğrenen sistemlerde gerçek bir sorumluluk boşluğu bulunduğunu gösteriyor: bir sistem deneyimden öğrenip davranışını çalışırken değiştirdiğinde, üreticisi ya da programcısı onun gelecekteki davranışını artık tam öngöremez ve denetleyemez; failin eylemi bilmesini ve denetleyebilmesini şart koşan geleneksel sorumluluk atfı ise burada bir boşlukla karşılaşır (Matthias, 2004). Ama bu boşluğun nerede açıldığı belirleyici. Matthias'ın boşluğu üreticinin, sistemi tasarlayanın öngörü kaybındadır; çıktıyı alıp benimseyen, kamusallaştıran kullanıcı-failin tarafında değil. Kalkan tam bu ayrımı bulandırır: üreticinin öngöremezliğini, çıktıyı sahiplenen kullanıcının mazereti gibi kullanır. Oysa üreticinin öngörememesi, kullanıcının denetim ve sahiplenme sorumluluğunu ortadan kaldırmaz.
Matthias'ın işaret ettiği boşluk yalnızca bir örnekten ibaret. Santoni de Sio ve Mecacci, yapay zekâ ile ilgili dört ayrı sorumluluk boşluğu tanımlıyor; ilki suçlanabilirlik boşluğu: bir insanın kötü bir sonuca yol açıp yine de meşru bir mazerete sahip olabildiği, kimsenin makul biçimde öngöremeyeceği ya da önleyemeyeceği durumlar (Santoni de Sio ve Mecacci, 2021, s.1063). Kavram meşru; ama yazarların asıl uyarısı, bu boşluğun nasıl yanlış ele alındığına dair. Üç yetersiz tavır sayıyorlar: sorunu yeni ve çözülemez ilan eden "yazgıcılık" (fatalism), onu sahte bir sorun sayıp geçiştiren "sönümleme" (deflationism), her şeyi teknik iyileştirmeyle çözülür gösteren "teknik çözümcülük" (technical solutionism) (aynı yerde). Kalkan, birincinin gündelik kılığıdır: "araç böyle, yapacak bir şey yok" demek, öngörülebilir ve önlenebilir bir hatayı öngörülemez bir yazgı gibi sunmaktır. Yazarların önerdiği çıkış yolu tam tersini talep ediyor: sosyoteknik sistemler "anlamlı insan kontrolü" için tasarlanmalı, yani insanın gerekçelerine ve yetilerine bağlı kalmalı (aynı yerde). Böylece fail insan kalır.
Ama kalkanı reddetmek, aracı nötr ilan etmek değildir; işte bu ayrım bölümün en ince yeri. Kamusal tartışmada güçlü bir kutup, aracın tasarımının masum olmadığını söylüyor. Bu kutbun bir sesi, beyni büyütecek kullanım yollarının bulunduğunu ama şirketlerin sunacağı geleceğin bu olmayacağını, çünkü kullanıcıyı onaylayan bir modeli çalıştırmanın her zaman daha kârlı olacağını söylüyor. Bir başkası, kurumsal söylemin kendisini kalkan olarak okur: "sonuçlarını denetlediğin sürece" türünden ibareler, şirketlerin olası sorunlardan sorumlu tutulmamak için başvurduğu ifadelerdir. Bu kutup haklı bir yeri işaret ediyor. Enrique Dans'ın kendi yazısında altını çizdiği gibi, araç sürtünmeyi azaltmak için tasarlanmıştır, şüphe üretmek için değil; akıcı doğal dil katmanı sınırlarını gizler. Araç bu anlamda eğimlidir. Ama burada bir öncelik sorusu var: belirleyici olan aracın ne için tasarlandığı mı, yoksa kimde neye dönüştüğü mü? Tasarım eğimi gerçektir, yine de sonucu tek başına açıklamaz, çünkü aynı eğimli araç bir elde üretime, başka elde savrulmaya dönüşür. Dans'ın, aracın nötr olmadığı yönündeki saptaması yanlış değil; yalnızca başka bir soruya, aracın masumiyetine cevap verir. Sonucu neyin belirlediği sorusunda ise ağırlık, tasarım niyetinden çok merceği tutan ele kayar.
İki doğru burada bir araya geliyor ve kalkanı iki taraftan birden kuşatıyor: araç eğimlidir, fail yine de insandır. Eğim faili silmez, failin işini zorlaştırır. Tasarım bir kullanıcıyı akıcı bir yanlışa doğru itebilir; ama o yanlışı sahiplenip sahiplenmemek, denetleyip denetlememek yine failin edimidir. Sorumluluğun tümünü araca yıkan da (nötr olmayan aracı görmeyen kişisel kalkan), kullanıcıya yıkan da (eğimi görmeyen kurumsal kalkan) aynı hatanın iki ucunda yer alır: ikisi de yükü tek yere koyup öbür ucu görünmez kılmak ister. Anlamlı insan kontrolü, eğik bir araçla bile sorumluluğun failde kalmasını isterken; aracın eğimini de failin dikkat borcunu da bu yüzden aynı anda kabul eder.
Böylece kalkan, aslında dördüncü bir aynadır. "Yapay zekâ uydurdu, kabahat onda" diyen kişi, kendi konumu hakkında bilgi verir: sonucu sahiplenmek istemeyen, denetim zahmetini üstlenmeyen, hatasını kendi dışına yerleştirmek ister. Kalkanı kaldırdığımızda arkasında korunan şey görünür olur. Ama bu gözlem, hemen bir tuzağa açılıyor: aynı hareketi karşıdakinde teşhis etmek, "bak, o kalkanına sığınıyor" demek, teşhis edenin kendi kalkanı da olabilir. Şimdi mercek geri dönmek zorunda…
V. Aynanın çift yönlülüğü ve tuzaklar (öz-düşünümsel kilit)
Önceki dört bölüm bir merceği dışarı doğrulttu: tepkinin, örtme girişiminin, becerinin, mazeretin kişinin konumunu nasıl ele verdiğini gösterdi. Ama bu okumanın kendisi tehlikeli bir güç taşıyor: aynı mercek, kullanan kişinin elinde bir silaha dönüşebilir bu durumda. Bu bölüm ise merceği tutana çeviriyor. Üç tuzak var; ancak üçü de yalnız "karşı taraf" için değil, bu deneme için de geçerli.
Birinci tuzak, kökeni içerikle karıştırmak. Bir iddiayı, onu dile getirenin ruh halinden ya da çıkarından ötürü çürük saymak, mantıkta genetik yanılgı diye bilinir: yani bir görüşü kökeni yüzünden itibarsızlaştırmak. Oysa köken, görüşün doğruluğuyla çoğu zaman alakasızdır (Dowden). Birinin yapay zekâ eleştirisinin ardında bir kimlik tehdidi bulunması, o eleştiriyi tek başına yanlış yapmaz. Ayna bölümü bunu baştan işaretlemişti: tepkinin kaynağını göstermek, tepkinin içeriğini çürütmenin yerine geçmiyor. "Sen ayrıcalığını kaybetmekten korktuğun için böyle diyorsun" cümlesi, karşıdakinin argümanına değil güdüsüne saldırmaktır; argüman ise güdüden bağımsız olarak doğru ya da yanlış olmaya devam edecektir. Bu deneme, teşhis ettiği konumu bir çürütme tespiti gücünde sanırsa, tam da bu yanılgıya düşer. Bu tuzaktan çıkışın da bir yolu var: bir iddia önce kendi başına, içeriğiyle tartılır; mercek ancak ondan sonra artakalanına döner. Dahası o iddia en zayıf değil en güçlü haliyle kurulur: turnusol bölümü, karşısına aldığı eşitleme tezini bir slogan gibi değil en sağlam saha kanıtlarıyla ele aldı, çünkü ancak en güçlü halinde karşılanan bir sav gerçekten sınanmış olur. "Yapay zekâ uydurur" önce doğru kabul edilir, mercek o doğrunun seçici kullanımına, ısısına, hangi anda öne sürüldüğüne bakar. Sıra ters çevrilir, iddia baştan bir güdüyle damgalanırsa, teşhisin kendisi bu defa bir çürütme kılığına girer. Önceki dört bölüm merceği bu sırayla tutmaya çalıştı: kalkan, "yapay zekâ uydurur" gözlemini önce doğru saydı, mazerete dönüşünü ise daha sonra inceledi.
İkinci tuzak, merceği kendi lehine kullanmak. Turnusol bölümü bir ayrım kurdu: birikimi ve yönelimi olan, aracı beceriye çeviriyor; olmayan, körlemesine seçip yanıldığını fark edemiyor. Bu ayrımı bir kişilik hiyerarşisine, "biz kavrayanlar, onlar beceriksizler" anlatısına çevirmek en kolay ve en sinsi adım olur, çünkü iddia sahibini otomatik olarak kazanan tarafa yerleştirir. Kamusal söylemde bu anlatının uç bir biçimi de dolaşıyor: gelecekte, çoğu insanın gitgide körelmeye devam edeceğini, bir kısmının uyum sağlayıp bir tür "işlevsel körlük" içinde yaşayacağını, bir kısmının ise yapay zekâya karşı bağışıklık geliştirip ayrı bir "soy"a dönüşeceğini birer tablo olarak çizen sesler yükseliyor. Bu, turnusol tezinin karikatürüdür: ayrışmayı bir tür üstünlüğüne, konuşanın mensup olduğu seçkin soya çevirir. Deneme bu dile bir milim yaklaşır hale gelirse, kurduğu merceği kendi yüzüne tutmayı reddetmiş olur. Bu yüzden turnusol bölümü, ayrımın doğuştan bir yetenek değil, edinilebilir bir birikim ve yönelim olduğunu özellikle vurguladı.
Üçüncü tuzak, argümanı psikolojiye indirgemek. Ayna ve kalkan bölümleri, tepkinin ve mazeretin bir konumu ele verdiğini söylüyordu. Buradan, her karşı görüşü bir psikolojik kusurun belirtisi gibi okumaya geçmek, yani "aslında şundan rahatsız", "aslında şunu telafi ediyor" demek, tartışmayı içerikten kişiye doğru kaydırır. Bu deneme kişi teşhisi yapmıyor, yapmamalı; forum yorumcuları birer konum olarak alınıyor, birer vaka olarak değil. Mercek konumları görünür kılan bir analiz aracıdır, kişileri damgalayan bir tanı aygıtı değil.
Bu üç tuzak yalnız yapay zekâyı savunanı bağlamaz; ona direneni, hatta yapay zekâ karşısında panikleyeni de bağlar. Merceği o tarafa da çevirmek gerekiyor. Son dönemde en çok paylaşılan "yapay zekâ beynimizi çürütüyor" bulgusunu ele alalım. Kosmyna ve arkadaşları, deneme yazan katılımcıları EEG'ye bağlayıp yapay zekâ kullananların zamanla "bilişsel borç" biriktirdiğini, nöral bağlantılılıklarının, sahiplik duygularının ve hatırlama performanslarının düştüğünü öne sürdü; sonuç kamuoyunda hızla "yapay zekâ öğrenmeyi bitiriyor" başlığına dönüştü (Kosmyna ve ark., 2025). Ne var ki aynı çalışmaya yazılan ayrıntılı bir yorum, bulguyu birkaç yerinden sarsıyor. Stanković ve arkadaşları, örneklemin yapılan karşılaştırma sayısına göre küçük olduğunu (bir güç analizinin yaklaşık 159 katılımcı gerektirdiği yerde 54'le çalışıldığını), EEG'deki "anlamlı bağlantı" ölçümünün gruplar arası göreli bir farkı gösterdiğini, dolayısıyla "az bağlantı, zayıf beyin" çıkarımının mutlak nöral güç hakkında konuşamayacağını, hatta beta bandında yapay zekâ grubunun araçsız gruptan daha güçlü çıktığını, "alıntılama" görevinde arama motoru ile araçsız gruplar arasındaki farkın anlamsız olduğunu (p = 1) gösteriyor. Bu sonuncusu, "dış araca devretmek bilişsel borç biriktirir" tezini bizzat zayıflatıyor: arama motoru grubu da dış araç kullanmasına rağmen bir bozulma göstermedi (Stanković ve ark., 2025). Buradaki nokta Kosmyna'nın haksız olduğu değil; henüz hakem denetiminden geçmemiş bir ön baskının, panik anlatısını doğruladığı için ne kadar hızlı ve seçici okunabildiğidir. Yapay zekânın uydurduğu gibi, yapay zekânın beyni çürüttüğü de teknik olarak sınanabilir bir iddiadır; panik de bir konumdur ve kendi kanıtını seçici okuyabilir. Bu, kalkan bölümündeki hareketle simetriktir ve bu denemeyi de bağlar: eşitleme tezini en güçlü haliyle karşıya aldığı gibi, karşı kutbun bulgusunu da temkinle okumak zorundadır.
Aynı denge literatürün bütününde de görünüyor. Otuz ampirik çalışmayı tarayan bir derleme, bunların yirmi birinin yapay zekânın eleştirel düşünmeye baskın olarak olumlu etki yaptığını bulduğunu, bu etkinin özellikle pedagojik olarak yapılandırılmış kullanımda belirdiğini raporluyor (Raitskaya ve Tikhonova, 2025). Bu, denemenin panik literatürüne yaslanmadığını gösteriyor: büyüteç bölümünün negatif ağırlığı, alanın tamamının olumsuz olduğu anlamına gelmez. Fark yine kullanımın kendisinde, merceği tutan eldedir.
Bu üç tuzağın hepsi tek bir yerde düğümleniyor; o düğüm, ahlaki söylem literatürünün son yıllarda çok tartıştığı bir kavramda görünür oldu. Tosi ve Warmke, "ahlaki caka" (moral grandstanding) dedikleri şeyi, ahlaki söylemi başkalarının gözünde bu yöntemle saygın görünmek için kullanmak diye tanımlıyor; cakacı, kendisini erdemli göstereceğini umduğu bir "tanınma arzusuyla" konuşuyor (Tosi ve Warmke, 2016). Westra'nın "erdem gösterisi" (virtue signaling) dediği komşu kavram da aynı yere bakıyor: belirleyici olan ahlaki ifadenin içeriği değil, ardındaki statü arayan güdü (Westra, 2021). Zager ise bir başka hamleyi şu şekilde isimlendiriyor: bir kural ihlaliyle suçlanan kişinin, kural dilinden erdem diline kayarak, yani "kuralı çiğnemiş olabilirim ama ben iyi bir insanım" diyerek suçlamayı etkisizleştirmesi, "geçişleme" (toggling) (Zager, 2023). Bu üç kavram güçlü birer mercek: karşıdakinin ahlaki duruşunun ardındaki güdüyü ya da manevrayı görünür kılıyorlar.
Ama tam burada, öz-düşünümsel kilit kapanıyor. Flowerree ve Satta, cakayı teşhis etmenin kendisinin bir tuzak olduğunu gösteriyor: birinin gerçekten caka mı yaptığını, yoksa içtenlikle mi konuştuğunu güvenilir biçimde ayırt edemeyiz; ayırt edemiyorsak, birini cakacı diye yargılamakta epistemik olarak haklı değiliz; üstelik başkasını böyle yargılamaya yatkınlık, bir entelektüel alçakgönüllülük eksikliğine işaret eder (Flowerree ve Satta, 2023). Bu, merceğin son ve en keskin dönüşüdür. "O aslında caka yapıyor, erdem gösterisi peşinde" demek, çoğu zaman diyenin kendi üstünlük konumunu kurmasının bir yoludur. Yani erdem gösterisini teşhir etme ediminin kendisi bir erdem gösterisi olabilir. Bu deneme, yapay zekâ karşısındaki tepkileri okurken bir ahlaki-entelektüel duruş sergiliyor: "gerçeği görün, kendinizi de sınayın." Bu duruş da aynı kilide tabidir, kendini ondan muaf sayamaz.
Peki bütün bunlar sonsuz bir kuşkuya, hiçbir şey söyleyememeye mi götürüyor bizi? Hayır; çıkışı yine Flowerree ile Satta veriyor: güdü okumak yerine, kişinin beyan ettiği gerekçelere ve onun eyleminin karşısındakilere saygı gösterip göstermediğine bakmak gerekiyor. Bu denemenin bütün aşamalarında yapmaya çalıştığı şey buydu. Forum yorumcularının içsel güdüsünü teşhis etmedi; söyledikleri argümanı, o argümanın hangi konumdan bakıldığında tutarlı olduğunu inceledi. Kendi konumunu da (yapay zekâyı kullanan, ondan yararlanan taraf) aynı sınamaya soktu: büyütecin nötrlüğünü ölçerken de, turnusolun ayrımını bir üstünlüğe çevirmemeye dikkat ederken de, kalkanı hem kişisel hem kurumsal biçimiyle reddederken de. Mercek çift yönlü kaldığı sürece bir okuma aracıdır; tek yöne kilitlendiği an, teşhis ettiği şeyin bir örneğine dönüşür.
VI. Kavrayış: yapay zekâyı nasıl gördüğün sonucu belirler
Turnusol bölümü aynı aracın iki elde farklı sonuç verdiğini gösterdi ama bir soruyu açık bıraktı: farkı yaratan beceri tam olarak neyin becerisi? Bu bölüm ona kısa bir cevap veriyor, çünkü cevap turnusolun altındaki mekanizmayı adlandırıyor. Ayrımın büyük bir kısmı, kişinin yapay zekâyı ne olarak gördüğünden geliyor.
Orlikowski ve Gash, insanların bir teknoloji hakkında taşıdığı varsayıma, beklenti ve bilgi bütününe "teknolojik çerçeve" adını veriyor; farklı grupların farklı çerçeveler taşıdığını, bu çerçeveler arasındaki uyumsuzluğun aynı teknolojiyle yaşanan beklenmedik sonuçları açıkladığını da gösteriyor (Orlikowski ve Gash, 1994). Yapay zekâ söz konusu olduğunda iki çerçeve öne çıkıyor. Biri aracı bir cevap makinesi, bir kâhin gibi görür: soru sorulur, cevap alınır, alınan cevap ürünün kendisidir. Öteki onu bir işlem motoru gibi görür: onun önüne malzeme, bağlam, iyi kurulmuş bir sorun koyar; burada marifet, motorun o malzemenin içinde ne yaptığını yönetmekte, denetlemekte, yeniden beslemektedir.
Bu ayrımın boş bir benzetme olmadığını Zamfirescu ve arkadaşlarının deneyi gösteriyor. Uzman olmayanların yapay zekâ istemlerini nasıl tasarladığını inceleyen çalışma, katılımcıların insanlar arası öğretim deneyimlerinden gelen beklentileri araca taşıdığını, tek bir denemeden aşırı genellemeler yaptığını, sistemli değil fırsatçı ilerlediğini, bu alışkanlıkların da etkili istem tasarımının önünde birer engel oluşturduğunu buluyor (Zamfirescu-Pereira ve ark., 2023). Yani aracı bir muhatap gibi, kendisiyle sıradan bir insan gibi konuşulacak bir kâhin gibi ele alan yaklaşım başarısız oluyor. Kâhin çerçevesi, aracın patinaj yaptığı çerçevedir. Long ve Magerko'nun "yapay zekâ okuryazarlığı" dediği şey tam da bu farkı kapatmaya çalışıyor: aracı eleştirel değerlendirme, onunla işbirliği yapma, sınırlarını tanıma yetkinlikleri (Long ve Magerko, 2020). Okuryazarlık sözcüğü önemli, çünkü bir yetiye işaret ediyor, doğuştan bir armağana değil.
Doğru çerçevenin ne olmadığını Yiu, Kosoy ve Gopnik keskin biçimde koyuyor: bu sistemleri bireysel bir insan zihni, bir fail gibi düşünmek yanlıştır. Onlara göre en isabetli çerçeve, yapay zekâyı yazı, matbaa, kütüphane gibi güçlü bir kültürel teknoloji olarak görmektir; çünkü bu sistemler insanlığın birikimini aktaran olağanüstü taklit motorlarıdır, ama kendi başlarına hakikat arayan, özgün keşif yapan yetiler taşımazlar (Yiu ve ark., 2023). Bu çerçeve iki yanlıştan da kaçınıyor: aracı ne düşünen bir özne ne de sihirli bir kâhin sayıyor, insan birikimini işleyen bir motor sayıyor. Motoru sahaya süren, önüne kendi malzemesini koyan, çıktısını kendi bilgisiyle denetleyen kişi ondan üretim çıkarırken; ona bir kâhin gibi soru sorup cevabı olduğu gibi alan kişi ise patinajı üretimle karıştırır.
Bu çerçeve değişiminin bir saha karşılığı da ölçülüyor. Lee ve arkadaşlarının bilgi işçisi verisinde yapay zekâ, eleştirel düşünmenin ağırlığını kaydırıyor: üretimin kendisinden çok, üretilenin doğrulanmasına, parçaların bütünleştirilmesine ve sürecin yönetilmesine (Lee ve ark., 2025). Kâhin çerçevesinden işlem motoru çerçevesine geçiş, iyi kullanıcıda soyut bir tercih değil ölçülen bir davranış farkı; emeğini cevabı almaya değil, cevabı denetlemeye ve bütünlemeye yatırıyor.
Bu, gösterilen beceri ile gerçekten sahip olunan beceri arasındaki farkı da görünür kılıyor. Mei ve Weber, yapay zekâ çağında "sergilenen" (demonstrated) eleştirel düşünme ile "icra edilen" (performed) eleştirel düşünmeyi ayırıyor: araç yardımıyla ortaya çıkan ürün ile kişinin araçsız yürütebildiği bilişsel süreç aynı şey değildir; dahası değerlendirmeler çoğu zaman ilkini ölçüp ikincisi hakkında konuşur (Mei ve Weber, 2025). Kâhin çerçevesi sergilenenle yetinir; işlem motoru çerçevesi icra edileni besler.
Böylece kavrayış, turnusolun ayrıştırdığı becerinin çekirdeğini adlandırıyor. Aynı araç farklı sonuçlar veriyor, çünkü kullanıcılar onu farklı çerçevelerle ele alıyor; çerçeve bir zihinsel modeldir, sonucu da o model belirler. İkinci bölümün büyüteç dilinde söylersek: merceği tutan el, aslında bir kavrayışı tutuyor. Bu kavrayış da, beşinci bölümün ısrar ettiği gibi, doğuştan bir ayrıcalık değil, edinilebilir bir okuryazarlık.
Sonuç: gerçeği görmek
Baştaki soru şuydu: aynı nesneye bakan insanlar neden bu kadar farklı sonuçlara ulaşıyor? Yazı boyunca izlenen yöntem, sorunun kendisinin yerini dahi değiştirdi. İnsanlar farklı sonuçlara ulaşıyorlar; çünkü baktıkları şey çoğu zaman nesne değil, kendi konumlarının nesne üzerine düşen gölgesi. Yapay zekâ, üstüne tepkinin düştüğü bir cisim olmaktan çok, tepki verenin nerede durduğunu geri yansıtan bir yüzey gibi çalışıyor.
Dört mercek bu yansımanın dört kipiydi. Ayna, tepkinin içeriğinin kişinin neyi (yeterliliğini, ayrıcalığını) koruduğunu ele verdiğini gösterdi. Büyüteç, merceğin nötr olduğunu, altına konan yetersizliği de birikimi de çarparak görünür kıldığını gösterdi. Turnusol, aracın eşitlemekten çok ayrıştırdığını gösterdi; çünkü onunla iyi üretmek, kodlanamayan, yaşanarak ve rehberlikle olgunlaşan bir beceridir. Kalkan, "yapay zekâ uydurur" gibi teknik olarak doğru bir gözlemin sorumluluğu failden araca kaydıran bir mazerete nasıl dönüştürülebildiğini gösterdi. Altıncı bölüm dördünü bir mekanizmada birleştirdi: farkı yaratan, kişinin yapay zekâyı ne olarak gördüğü, hangi çerçeveyle tuttuğudur.
Ama yazının asıl yükü tek tek merceklerde değil, onların geri dönebilir olmasındaydı. Aynı mercek, karşıdakini okuyan elin kendisini de okur. "Sen korktuğun için direniyorsun" diyen de, "sen düşünmeyi bıraktın" diyen de, kendi konumunu doğrulamak için aynı aygıtı kullanabilir. Bu yüzden mercek burada bir teşhis silahı olmadı; olsaydı, teşhis ettiği şeyin bir örneğine dönüşürdü. Bir okuma olarak kaldı, kendini de okuyan bir okuma olarak.
Bu, hiçbir şeyin belirlenmediği anlamına gelmiyor. Söylenebilecek olan, güdü okumaktan değil, beyan edilen gerekçeye ve gösterilen saygıya bakmaktan geçiyor. Yapay zekâ karşısındaki bir tepki, sahibinin konumu hakkında bilgi taşıyor; ama bu bilgi, o tepkinin haklı ya da haksız olduğunu tek başına belirlemiyor. İkisini karıştırmamak, hem karşımızdakine hem de kendimize borçlu olduğumuz bir dürüstlüktür.
Bu yazı yeni bir mekanizma keşfettiğini ileri sürmedi, süremezdi de. Kimlik tehdidi, örtük bilgi, aşırı güven, sorumluluk boşluğu, ahlaki caka gibi birbirinden ayrı düşmüş çalışmaları kamusal söylem düzeyinde bir araya getirdi, aralarındaki bağı kurdu, o bağı kendi üstüne de uyguladı. Değeri, eğer varsa, tek tek bulgularda değil, bu harmanlamanın ve öz-sınamanın disiplinindedir.
Geriye bir tutum kalıyor. Bilişsel teslimiyeti başlatan yazı da kapanışını buraya bağlamıştı: "sınır teknolojide değil, tutumdadır." O tutum, aracı kullanan kişinindir. Bu yazının eklediği tek şart, o tutumun tek yönlü uygulanmamasıdır: yapay zekâ karşısında kendi konumumuzu görmeden başkasınınkini okumaya kalkışmak, elimizdeki merceği en çok kör eden şeydir. Gerçeği görmek, çoğu zaman önce nereden baktığını görmekle başlıyor.
Kaynakça
Kaynakça, gidilebilir adres ilkesi gereği kaynakların özgün künyeleriyle tek biçimde verilmiştir (metin içindeki kavramlar Türkçeleştirilmiş olsa da künye, okuru aynı nüshaya götüren adrestir). Çevrimiçi-önce yayımlarda metin içi atıf yılı ile cilt yılı ayrışabildiğinde cilt bilgisi künyede belirtilmiştir.
Bankins, S., Ocampo, A. C., Marrone, M., Restubog, S. L. D., & Woo, S. E. (2024). A multilevel review of artificial intelligence in organizations: Implications for organizational behavior research and practice. Journal of Organizational Behavior, 45(2), 159-182. https://doi.org/10.1002/job.2735
Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889-942. https://doi.org/10.1093/qje/qjae044
Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188. https://doi.org/10.1145/3449287
Dans, E. (2026, Nisan). Pensar cansa [Blog yazısı]. Enrique Dans. https://www.enriquedans.com/2026/04/pensar-cansa-por-eso-estamos-empezando-a-dejar-que-la-inteligencia-artificial-lo-haga-por-nosotros.html (Özgün başlığın Türkçe karşılığı: "Düşünmek yorar.")
Dell'Acqua, F., Rajendran, S., McFowland, E., III, Krayer, L., Mollick, E., Candelon, F., Lifshitz-Assaf, H., Kellogg, K., & Lakhani, K. R. (2023). Navigating the jagged technological frontier: Field experimental evidence of the effects of AI on knowledge worker productivity and quality (Harvard Business School Working Paper No. 24-013). https://ssrn.com/abstract=4573321
Di Santi, E. (2026). Cognitive amplification vs. cognitive delegation in human–AI systems: A metric framework [Preprint]. arXiv:2603.18677. https://arxiv.org/abs/2603.18677
Dowden, B. (t.y.). Fallacies (Genetic fallacy). Internet Encyclopedia of Philosophy. ISSN 2161-0002. https://iep.utm.edu/fallacy/
Ehsan, U., Passi, S., Saha, K., McNutt, T., Riedl, M. O., & Alcorn, S. (2026). From future of work to future of workers: Addressing asymptomatic AI harms for dignified human-AI interaction. Proceedings of CHI 2026. https://doi.org/10.1145/3772318.3791081 (Ön baskı: arXiv:2601.21920.)
Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489-530. https://doi.org/10.1111/bjet.13544
Flowerree, A. K., & Satta, M. (2023). Moral grandstanding and the norms of moral discourse. Journal of the American Philosophical Association, 10(3), 483-502. https://doi.org/10.1017/apa.2023.8
Fuchs, T. (2022). Understanding Sophia? On human interaction with artificial agents. Phenomenology and the Cognitive Sciences, 23(1), 21-42 (cilt 2024). https://doi.org/10.1007/s11097-022-09848-0
Gerlich, M. (2025a). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006
Gerlich, M. (2025b). From offloading to engagement: An experimental study on structured prompting and critical reasoning with generative AI. Data, 10(11), 172. https://doi.org/10.3390/data10110172
Hadjimichael, D., Ribeiro, R., & Tsoukas, H. (2024). How does embodiment enable the acquisition of tacit knowledge in organizations? From Polanyi to Merleau-Ponty. Organization Studies, 45(4), 545-570. https://doi.org/10.1177/01708406241228374
Kapur, M. (2008). Productive failure. Cognition and Instruction, 26(3), 379-424. https://doi.org/10.1080/07370000802212669
Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task [Preprint]. arXiv:2506.08872. https://arxiv.org/abs/2506.08872
Kruger, J., & Dunning, D. (1999). Unskilled and unaware of it: How difficulties in recognizing one's own incompetence lead to inflated self-assessments. Journal of Personality and Social Psychology, 77(6), 1121-1134. https://doi.org/10.1037/0022-3514.77.6.1121
Lave, J., & Wenger, E. (1991). Situated learning: Legitimate peripheral participation. Cambridge University Press. ISBN 978-0-521-42374-8.
Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (CHI '25). https://doi.org/10.1145/3706598.3713778
Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1-16. https://doi.org/10.1145/3313831.3376727
Lovett, M. (2026). Individual differences in generative AI effectiveness: An empirical puzzle for HRD research. New Horizons in Adult Education and Human Resource Development. https://doi.org/10.1177/19394225261472792
Magesh, V., Surani, F., Dahl, M., Suzgun, M., Manning, C. D., & Ho, D. E. (2024). Hallucination-free? Assessing the reliability of leading AI legal research tools (arXiv:2405.20362). https://arxiv.org/abs/2405.20362
Matthias, A. (2004). The responsibility gap: Ascribing responsibility for the actions of learning automata. Ethics and Information Technology, 6(3), 175-183. https://doi.org/10.1007/s10676-004-3422-1
Mei, K. X., & Weber, N. (2025). Designing AI systems that augment human performed vs. demonstrated critical thinking [Preprint]. arXiv:2504.14689. https://arxiv.org/abs/2504.14689
Mirbabaie, M., Brünker, F., Möllmann Frick, N. R. J., & Stieglitz, S. (2021). The rise of artificial intelligence: Understanding the AI identity threat at the workplace. Electronic Markets, 32(1), 73-99 (cilt 2022). https://doi.org/10.1007/s12525-021-00496-x
Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence [MIT çalışma metni; hakemli sürüm: Science, 381(6654), 187-192]. https://doi.org/10.1126/science.adh2586
Orlikowski, W. J., & Gash, D. C. (1994). Technological frames: Making sense of information technology in organizations. ACM Transactions on Information Systems, 12(2), 174-207. https://doi.org/10.1145/196734.196745
Passi, S., & Vorvoreanu, M. (2022). Overreliance on AI: Literature review (Microsoft Research / Aether raporu).
Raitskaya, L., & Tikhonova, E. (2025). Enhancing critical thinking skills in ChatGPT-human interaction: A scoping review. Journal of Language and Education, 11(2), 5-19. https://doi.org/10.17323/jle.2025.27387
Santoni de Sio, F., & Mecacci, G. (2021). Four responsibility gaps with artificial intelligence: Why they matter and how to address them. Philosophy & Technology, 34(4), 1057-1084. https://doi.org/10.1007/s13347-021-00450-x
Shaw, S. D., & Nave, G. (2026). Thinking, fast, slow, and artificial: How AI is reshaping human reasoning and the rise of cognitive surrender [Wharton araştırma metni; özgün başlıkta "Thinking" sözcüğünden sonra uzun tire vardır]. SSRN 6097646. https://doi.org/10.31234/osf.io/yk25n_v1
Stanković, M., Hirche, E., Kollatzsch, S., & Doetsch, J. N. (2025). Comment on: Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing tasks [Preprint]. arXiv:2601.00856. https://arxiv.org/abs/2601.00856
Tosi, J., & Warmke, B. (2016). Moral grandstanding. Philosophy & Public Affairs, 44(3), 197-217. https://doi.org/10.1111/papa.12075
Tsao, J., Liang, C. X., Nogues, C., & Wong, A. (2026). Perceptions and integration of generative artificial intelligence in creative practices and industries: A scoping review and conceptual model. AI & Society, 41(3), 2259-2278. https://doi.org/10.1007/s00146-025-02667-2
Westra, E. (2021). Virtue signaling and moral progress. Philosophy & Public Affairs, 49(2), 156-178. https://doi.org/10.1111/papa.12187
Yiu, E., Kosoy, E., & Gopnik, A. (2023). Transmission versus truth, imitation versus innovation: What children can do that large language and language-and-vision models cannot (yet). Perspectives on Psychological Science, 19(5), 874-883. https://doi.org/10.1177/17456916231201401
Zager, S. (2023). Toggling: How shifts between deontology and virtue ethics undermine public moral discourse about gender and race. Hypatia, 38, 294-315. https://doi.org/10.1017/hyp.2023.25
Zamfirescu-Pereira, J. D., Wong, R. Y., Hartmann, B., & Yang, Q. (2023). Why Johnny can't prompt: How non-AI experts try (and fail) to design LLM prompts. Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems, Article 437, 1-21. https://doi.org/10.1145/3544548.3581388
Sürüm ve değişiklik künyesi
Turnusol · v1.1 · 12 Ağustos 2026 · iki olgu düzeltmesi
Bu sürüm, çok dilli çeviri turunda birincil kaynaklardan çıkan iki olgu düzeltmesini işledi; gövdenin savı ve yapısı değişmedi. ① Ehsan ve arkadaşlarının paradoksu özgün adıyla (AI-as-Amplifier Paradox) tutarlılaştırıldı. ② Lave ve Wenger'in s.33 alıntısı İngilizce aslın durum kipine göre düzeltildi (edinme değil: "only has power in specific circumstances"). Kaynakça 38 künye, değişmedi.
Turnusol · v1.0 · 10 Ağustos 2026 · ilk kamu yayımı
Metnin iç taslak zinciri (v1-v4) yayım öncesi çalışma sürümleriydi; bu, ilk kamuya açık sürümdür.
Gövde, yazarın yeniden yazdığı tam metin üzerine editoryal düzeltme turlarıyla oluştu. Başlıca çerçeveler: giriş savının etken kipe çekilmesi; üçüncü mercek (turnusol) özetinin "eşitleme tezini en güçlü haliyle karşıya alıp sınanacak hale getirme" çerçevesiyle kurulması; kalkan bölümüne "belirleyici olan, aracın ne için tasarlandığı mı, yoksa kimde neye dönüştüğü mü?" öncelik sorusunun kaynağa dayalı işlenmesi; büyüteç bölümündeki Ehsan "büyüteç paradoksu"nun, bu yazının kullandığı büyüteçten ayrımıyla (biri zaman yönünde uzmanlık aşınması, öteki an yönünde girdinin görünür olması) genişletilmesi; Dans'ın açılış savının, ham İspanyolca kaynakla karşılaştırıldığında birebir olmadığı görülüp tırnaktan çıkarılıp dolaylı aktarıma çevrilmesi, kapanış alıntısının ("sınır teknolojide değil, tutumdadır") birebir olduğu için tırnakta korunması; yapay zekâ ile bilişsel yetkinlik ekseninde 2025-2026 tarihli çalışmaların (Lee ve arkadaşları, Gerlich, Fan, Kosmyna-Stanković, Raitskaya-Tikhonova, Di Santi, Mei-Weber) iki damarda gövdeye işlenmesi.
Kaynakça 38 künye, APA 7. Künyeler, gidilebilir adres ilkesiyle kaynakların özgün biçiminde verilmiştir; metin içindeki kavramlar Türkçeleştirilmiş olsa da künye, okuru aynı nüshaya götüren adrestir.