Yapay Zeka Okuryazarlığı Hızlı Okuryazarlık Değildir. Ann Handley Bunun Kıyamet Okuryazarlığı Olduğunu Söyledi
Ann Handley geçen hafta LinkedIn’de beni kaydırmanın ortasında durduran bir şey paylaştı. Wall Street Journal’ın en çok satan yazarlarından biri ve pazarlamanın en saygın seslerinden biri ve şunu yazdı:
“Yapay zeka okuryazarlığı, anında okuryazarlık değil. Yargı okuryazarlığıdır.”
Gönderisi, AI eğitim endüstrisindeki hiç kimsenin sormadığı bir soruyu sormaya devam etti: “Neden insanlara AI’nın nasıl kullanılacağını öğretmeye devam ediyoruz – onlara ne zaman kullanılmayacağını öğretmeden?”
Ona mesaj attım. Birisinin bunu öğrenmek için nereye gideceğini bilmem gerekiyordu.
Dürüst cevabı: “Özellikle bunu öğreten bir ders bilmiyorum. MarketingProfs’ta yapay zeka ile ilgili oturumlarımız genellikle yapay zekanın ne zaman kullanılmaması gerektiğine veya halüsinasyonlara karşı nasıl korunulacağına değinen birkaç slayt içerir, ancak tam bir oturum veya seri olduğunu bilmiyorum.”
Şöyle ekledi: “Sanırım hikayenin aslı bu ve yazdıklarımı neden yazdım. Yapay zeka becerileri eğitimi etrafında kurulmuş koca bir sektörümüz var – hızlı mühendislik eğitim kampları, sertifika programları, araç eğitimleri, şunu veya bunu yapmak için ihtiyaç duyduğunuz mükemmel yönlendirmeler hakkında bir milyon LinkedIn gönderisi, yoksa geride kalırsınız. Elimizde olmayan şey şu soruyu soran bir şey: aracı ne zaman bırakmalısınız? Onu kullanmak size ne zaman vazgeçmek istemediğiniz bir şeye mal olur?”
Bu boşluk gerçektir ve yapay zeka eğitim sektörünün şu anda kabul ettiğinden daha önemlidir.
Hızlı Okuryazarlık Bir Öğleden Sonra Sürer. Yargı Okuryazarlığı Yıllar Alır
Ann’in çizdiği ayrım, onu gördüğünüzde pek de incelikli değil. Hızlı okuma-yazma öğleden sonra öğretilebilir. Sözdizimini, yapıyı, yinelemeli iyileştirme döngüsünü öğrenirsiniz. Spesifik olmayı, kısıtlamalar eklemeyi, modele ne yapması gerektiğinin yanı sıra ne yapmaması gerektiğini de söylemeyi öğrenirsiniz. Bu gerçekten faydalıdır ve gerçekten hızlı bir şekilde öğrenilebilir.
Yargı okuryazarlığı tamamen başka bir şeydir. Yapay zeka çıktısının hızının aslında yavaş yavaş inşa etmeniz gereken bir şeyi ne zaman aşındırdığını bilmektir. Önemli olan mücadelenin kendisi olduğunda, cevabı henüz bilmemenin yarattığı sürtüşme daha sonra önem kazanacak uzmanlığı ürettiğinde bunu fark etmektir. Ann’in belirttiği gibi, “Yapay zekanın ne zaman yardım ettiğini ve bize bir şeyler öğreten mücadelenin kendisini kısalttığını anlamaktır.”
Gönderisine yorum yapan bir kişi bunu açıkça ifade etti:
“Hızlı okuryazarlık bir öğleden sonra öğretilebilir ve muhakeme okuryazarlığı yıllar alır, çünkü muhakeme çoğunlukla atlayacağınız mücadelenin değerini bilmektir.”
Birkaç yıldır izleyicilerin gerçekten güvendiği yapay zeka içeriği üzerine çevrimiçi bir kurs veriyorum. Ve son aylarımı yapay zeka eğitim ortamının uygulayıcılara gerçekte neler sunduğunu analiz ederek geçirdim. Desen tutarlı. Mevcut kurslar (ve artık birçoğu var) size araçların neler yapabileceğini öğretiyor. Daha iyi olanlar size onları stratejik olarak nasıl konuşlandıracağınızı öğretir. Neredeyse hiçbiri size onları ne zaman bırakmanız gerektiğini öğretmiyor.
Bu müfredatta küçük bir eksiklik değil. Bu, şu anın merkezi sorusudur.
Boşluk Neden Var?
Yapay zeka eğitim sektörünün yapısal bir teşvik sorunu var. Size araçları kullanmayı öğreten kurslar, daha fazla araca, daha fazla kursa, daha fazla sertifikaya yönelik talep yaratır. Kısıtlamanın öğretilmesine yönelik bir iş modeli yoktur. Hiç kimse, temel dersi “bazen yapmamak” olan bir mühendislik eğitim kampı kurmuyor.
Ancak yargılama sorusunu atlamanın maliyeti gerçek ve ölçülebilir. Anthropic’in kendi araştırması, yapay zeka kodlama aracılarına yoğun şekilde güvenen genç mühendislerin, daha sonra test edildiğinde işlerini daha zayıf anladıklarını ortaya çıkardı. Araç çıktı ürettiğinde uzmanlık oluşturacak mücadeleler gerçekleşmedi. Çıktı ve uzmanlık aynı şey değildir.
Özellikle SEO profesyonelleri ve içerik pazarlamacıları için maruz kalma doğrudandır. Geçen hafta hakkında yazdığım MIT’in Yapay Zeka İşgücü Maruziyet Haritası, bir pazarlama uzmanının işyerinde harcadığı zamanın neredeyse dörtte üçünün yapay zekanın zaten halledebileceği görevlere gittiğini ortaya çıkardı. Soru, bu görevler için yapay zekanın kullanılıp kullanılmayacağı değil. Birçoğu için bunu yapmalısınız. Sorun, bu %74’teki hangi görevlerin aslında yapmanın öğrenme olduğu, yürütmeyi dış kaynaktan sağlamanın aynı zamanda inşa etmek için ihtiyaç duyduğunuz anlayışı da dış kaynaklardan sağladığıdır.
Bu soru yargılamayı gerektirir. Bir istemle cevap verilemez.
Ders Değil Kültür
Ann’e uygulayıcıların bu yargıyı geliştirmek için nereye gitmeleri gerektiğini sorduğumda, onun ikinci mesajı soruyu tamamen yeniden çerçeveledi.
“Gerçekten bir kursa ihtiyacımız var mı? Bunun yerine ihtiyacımız olan şey izin ve daha iyi modelleme. Görünür şekilde uzun yolu seçen liderler. Belirli şeyler için yapay zekayı kullanmayacaklarını yüksek sesle söyleyen yöneticiler ve işte nedeni. Değeri gören bireyler. Başka bir yol söyledi: ders değil kültür.”
Bu yeniden çerçeve üzerinde oturmaya değer. Yapay zekanın ne zaman kullanılmaması gerektiğine ilişkin karar, bir sertifika programı aracılığıyla iletilen bir beceri değildir. Bu, gözlem yoluyla, saygı duyduğunuz birinin bir şeyi yavaş, insani bir beceriksizlikle yapma konusunda kasıtlı bir seçim yapmasını izlemek ve ardından bunun nedenini açıklamak yoluyla aktarılan profesyonel bir normdur.
Ann’in Şubat 2027’de Penguin Random House’tan “ASAP (Mümkün Olduğu Kadar Yavaş): Kısayol Dünyasında Uzun Yola Ne Zaman Çıkılmalı” adlı bir kitabı var. Başlık gerilimi tam olarak yansıtıyor. Hızı birincil erdem haline getiren profesyonel bir kültürde, yavaşlığı seçmek sadece yargılamayı değil aynı zamanda cesareti de gerektirir: etrafınızdaki herkes hızlanırken görülme isteği daha uzun sürer.
Uygulayıcıların Şu Anda Aslında Neleri Deneyebileceği
Ann’in ders çalışmalarından ziyade kültürle ilgili görüşü uzun vadede doğrudur. Ancak bu kültür hâlâ şekillenirken uygulayıcıların somut bir şeye ihtiyacı var. Kasım 2025’te Acton, Massachusetts’te kar amacı gütmeyen bir topluluk gazetesi olan The Acton Exchange’de editör ekibiyle birlikte yürüttüğüm bir deneyden alınan, çoğaltılmaya değer bir iş akışı.
Ekip son teslim tarihi sorunuyla karşı karşıya kaldı. Bir yönlendirme komitesi, kritik bir okul bölgesinin yeniden düzenlenmesi sorusu üzerinde 156 sayfalık materyali gözden geçirerek üç saatlik bir çalışma oturumu düzenledi. Toplantı kaydedilmedi, bu da herhangi bir transkripsiyonun mevcut olmadığı anlamına geliyordu. Ancak komitenin önceden aldığı 101 sayfalık ek bilgi ve 55 sayfalık kamuoyu yorumlarına erişilebilirdi.
Böylece ekip yeni bir şey denedi. Makalenin neyi başarması gerektiğini belirten ayrıntılı bir bilgi istemi hazırladık: doğru ve güvenilir bilgi, bölge sakinlerini ilgilendirecek ilgi çekici bir hikaye. 156 sayfanın tamamını aynı anda dört yapay zeka motoruna yükledik: ChatGPT, Gemini, Perplexity ve NotebookLM. Her motor aynı istemden ve aynı kaynak malzemeden farklı bir rota izledi. ChatGPT, veri ve sürece odaklanan 748 kelime üretti. Gemini, statükonun neden artık geçerli olmadığına odaklanan 712 kelime üretti. Şaşkınlık, seçeneklerin bölge sakinleri için ne anlama geldiğine odaklanan 1.232 kelime üretti. NotebookLM, beş şaşırtıcı gerçek etrafında düzenlenmiş 1.506 kelime üretti.
Dört taslağın tamamını, herkesin katıldığı bir editoryal toplantıda birlikte inceledik. Şaşkınlığın taslağı, temel olarak en doğru ve en kullanışlı olanıydı. Başlangıç noktamız olarak burayı seçtik. Sonra hiçbir yapay zeka motorunun yapamayacağı şeyi yaptık: Acton Exchange’in temsil ettiği topluluk seslerini yansıtan, odadaki insanlardan doğrudan alıntılar ekledik.
Bu deneyden alınacak en önemli ders hangi motorun en iyi performansı gösterdiği değildir. Yargılama konusunda sürecin ortaya çıkardığı şey budur. Kasaba Müdürü John Mangiaratti, birkaç hafta önce araçların içeriğin ilk %75’i için yararlı olduğunu ancak “ayrıntıların, nüansların ve bağlamın geri kalan %25’inin eksik veya yanlış olduğunu” gözlemlemişti. Müfettiş Peter Light da bu görüşe katılarak, daha iyi girdi istemleriyle kalitenin arttığını ekledi.
Bu 75/25 bölünme, her türlü içerik iş akışı için pratik bir çerçevedir. Yolun %75’ini hızlı bir şekilde tamamlamak için yapay zekayı kullanın. Daha sonra boşluğu kapatmak için insan uzmanlığını, birincil kaynak doğrulamasını ve doğrudan gözlemi uygulayın. İnsan gerektiren %25, iş akışında bir hata değildir. Yargının yaşadığı yer burasıdır.
İçerik sürecinizde herhangi bir yapay zeka aracını benimsemeden önce, yapay zekanın hangi görevleri yerine getireceği ve hangilerinin insan gözetimi gerektireceği konusunda editörünüz veya ekibinizle açık bir görüşme yapın. İsteminizi belgeleyin. Bahisler yüksek olduğunda aynı istemi birden fazla motor üzerinden çalıştırın. Çıktıları yayınlamadan önce birincil kaynaklara göre doğrulayın. Ve Acton Exchange’in bu yayınlanan makalenin altında yaptığı gibi, sürecinizi hedef kitlenize açıklayın.
Ann Handley, asıl becerinin muhakeme gücü olduğu konusunda haklı: Hızın ne zaman faydalı olduğunu ve inşa etmeniz gereken bir şeyi ne zaman aşındırdığını bilmek. Acton Exchange deneyi bu soruyu çözmedi. Sorunu, hızlı bir mühendislik kursunun asla yapamayacağı bir şekilde görünür hale getirdi.
Hızlı okuryazarlık sizi %75’e çıkarır. Yargı okuryazarlığı geri kalanını kapatan şeydir.
Daha Fazla Kaynak
Öne Çıkan Resim: Yuriy2012/Shutterstock
