Bir usta marangozun, yılların deneyimiyle ahşabın yapısını hissederek ona nasıl şekil vereceğini bilmesi… Usta bir satranç oyuncusunun, rakibinin hamlesinden sonra ortaya çıkan yüzlerce olasılık arasından en doğru olanı sezmesi… Ya da en basiti, bisiklete binmeyi bir kez öğrendikten sonra dengede kalmak için hangi kası ne zaman sıkacağımızı hiç düşünmeden yapabilmemiz…
Bütün bu eylemlerin temelinde, kelimelere dökmekte, formüllere sığdırmakta zorlandığımız, adeta içimize işleyen o gizemli bilgi yatar: örtük bilgi (tacit knowledge). Bu, insanı insan yapan, tecrübeyi ve ustalığı değerli kılan en temel yetkinliktir.
Ancak son yıllarda, hayatımızın her alanına sızan yapay zekâ teknolojileri bu alana da iddialı bir giriş yaptı. ChatGPT, Gemini gibi sistemlerin yazdığı şiirleri, AlphaGo’nun binlerce yıllık Go oyununda insan ustaların aklına bile gelmeyen hamleleri yaptığını okuduğumuzda, ister istemez şu sarsıcı soruyu sormaya başlıyoruz: Makineler, insanlığın bu en büyülü yeteneğini, yani ustalığı ve sezgiyi taklit edebilir mi? Yoksa John Searle’ün meşhur Çince Odası deneyindeki gibi, her şey anlamsız sembolleri anladığını zannettiğimiz bir illüzyondan mı ibaret? Bu tartışma, yalnızca felsefi bir meraktan ibaret değil; emeğin, sermayenin ve beşeri sermayenin geleceğini yeniden tanımlayacak ekonomik bir devrimin de habercisidir.
Bilginin İki Yüzü: Tarif Edilebilen ve Edilemeyen
Bu tartışmanın özünü görmek için filozof Michael Polanyi’nin yaptığı temel ayrıma bakmak gerekir. Bilgi, temelde ikiye ayrılır. Birincisi, kitaplara yazabildiğimiz, talimatlarla aktarabildiğimiz açık bilgidir (explicit knowledge). Bir yemeğin tarifi, bir makinenin kullanım kılavuzu ya da bir şirketin finansal bilançosu bu türdendir. Geleneksel otomasyon sistemleri ve bilgisayarlar, yıllarca bu kodlanabilir bilgiyle çalışmıştı.
Asıl mesele ise ikincisinde, yani Polanyi’nin deyişiyle, “söyleyebileceğimizden daha fazlasını bildiğimiz” örtük bilgide yatar. Bu, deneyimle, pratikle ve sezgiyle kazanılan, aktarımı çok zor olan bir “know-how”dır. Bir şirketin inovasyon kültürü, bir yöneticinin pazarın gidişatını koklaması ya da bir cerrahın ameliyattaki el becerisi, bu bilginin en saf halleridir ve uzun süre makinelerin erişemeyeceği bir kale olarak görüldüler.
Bu kapsamda geleneksel yapay zekâ eleştirisi, makinelerin bilinç ve deneyimden yoksun olduğu, dolayısıyla örtük bilgiye sahip olamayacağı üzerine kuruluydu. Onlara göre makine anlamaz, sadece kendisine verilen veriyi ve kuralları takip ederek hesaplama yapar. Ancak derin öğrenme ve büyük dil modelleri gibi yeni teknolojiler, bu argümanı oldukça sarstı. Bu yeni nesil sistemler, milyarlarca parametreden oluşan ve insan beynindeki nöron ağlarını andıran karmaşık yapılarla çalışmaktadırlar. Devasa veri setleriyle eğitildiklerinde, bu verilerin altında yatan o kadar karmaşık ve çok katmanlı kalıpları öğrenirler ki, sistemin belirli bir sonuca (örneğin bir yüzü tanıma veya bir sonraki en iyi hamleyi tahmin etme) nasıl ulaştığını, onu tasarlayan mühendisler bile tam olarak açıklayamaz.
İşte bu durum, kara kutu (black box) olarak adlandırılmaktadır ve yapay zekânın örtük bilgiye en çok yaklaştığı anı temsil etmektedir. Model, tıpkı usta bir zanaatkâr gibi, biliyor ama bunu nasıl bildiğini bize açıkça söyleyemiyor. AlphaGo’nun şampiyonları yenen hamleleri, herhangi bir insani kural setine dayanmıyordu; milyonlarca oyunu oynayarak geliştirdiği kendi sezgisine dayanıyordu. Bu, tarif edilebilir kurallarla değil, pratikle kazanılmış bir beceridir. Bu, açıkça kodlanmamış, ancak işlevsel olarak bir ustanın sezgisiyle aynı sonucu üreten yeni bir tür yapay ustalıktır.
Sonuç: “Belki de İnsan Gibi Anlamayan Ama Yapan Zekânın” Ekonomik Etkileri
Peki, tüm bunlar ne anlama geliyor? Vardığımız sonuç, yapay zekânın insan gibi hissetmese ya da bir bilince sahip olmasa bile, örtük bilginin işlevsel sonuçlarını, yani pratik çıktılarını taklit edebilmesi ve hatta aşabilmesidir. Bu durum, ekonomik açıdan Joseph Schumpeter’in yaratıcı yıkım olarak adlandırdığı süreçten çok daha derin bir potansiyel taşıyor.
Önceki teknolojik devrimler, örneğin sanayi devrimi, genellikle insanın kas gücünü veya rutin bilişsel görevleri otomatize etmişti. Ancak günümüz yapay zekâsı, daha önce otomasyonu imkânsız görülen, tecrübe ve sezgi gerektiren ustalık alanına giriyor. Artık tehlike altında olan yalnızca montaj hattındaki işçinin kol gücü değil; bir doktorun teşhis koyma becerisi, bir avukatın dava emsallerini yorumlama becerisi veya bir yazılımcının en verimli kodu hissetme yeteneğidir.
Bu gerçeklik, insan sermayesinin değerini ve emeğin geleceğini temelden sarsmaktadır. Eğer bir makine, bir insanın 20 yılda edineceği tecrübeyi birkaç ayda milyonlarca veri noktasını analiz ederek öğrenebiliyorsa (veya taklit edebiliyorsa), insan deneyiminin ekonomik değeri yeniden tanımlanmak zorundadır. İşte bu noktada, teknolojik ilerlemenin toplumsal sonuçları üzerine kafa yoran Daron Acemoğlu ve Simon Johnson’ın “İktidar ve Teknoloji” kitabında sunduğu vizyon, meseleyi doğru çerçeveye oturtmaktadır. Onların da işaret ettiği gibi, her teknolojik devrim, kendi iktidar ve tercih dinamiklerini yaratır. Teknolojinin rotası, önceden belirlenmiş kaçınılmaz bir kader değildir.
Acemoğlu’nun temel tezi, teknolojinin faydalarının topluma yayılıp yayılmayacağının, bu teknolojinin yönünü belirleyen toplumsal tercihlere ve güç dengelerine bağlı olduğudur. Dolayısıyla önümüzdeki on yılların en kritik sorusu da budur: Yapay zekânın bu yeni ustalık yeteneği, insan emeğini kitlesel olarak devre dışı bırakan, eşitsizlikleri derinleştiren ve zenginliği bir avuç teknoloji devinin elinde toplayan bir araç olarak mı tasarlanacak? Yoksa, insan yeteneklerini tamamlayan, verimlilik artışlarını toplumsal refaha dönüştüren ve yeni iş alanları yaratan bir ortak olarak mı şekillendirilecek?
Cevap, teknolojinin kendisinde değil, onu yönetecek olanların yapacağı tercihlerde gizlidir.