Harvard Profesörü: Her MBA Öğrencisinin Yapay Zekâ Hakkında Artık Ne Ögrendiği
Silicon Valley Girl · 2026-10-30
💡 Hızlı Bilgi
1. Profesör Karim Lakhani, yapay zekaya düşünmeden iş devredenleri "silikon için et arayüzü" olarak görüyor ve bu kişileri kovduğunu söylüyor.
2. Araştırmadaki danışmanların yüzde 60'ı araçla iç içe düşünen "sayborg", yüzde 14'ü görevleri net paylaştıran "sentor" çalışma tarzını benimsiyor.
3. Lakhani yapay zekanın ilk yanıtını asla kabul etmiyor; modele "bana karşı çık" ve "riskleri bul" diyerek zıtlaşmayı öneriyor.
4. Temel mantığı kavramadan araca sarılmak herkese yaramaz; önce işi elle öğrenip ardından binlerce örneği makineye bırakmak gerekiyor.
5. Harvard MBA programında yazılı finaller kaldırıldı; öğrenciler artık doğrudan çalışan yazılımlar ve yapay zeka araçları inşa ediyor.
📊 Detaylı Açıklama
Karim Lakhani ve ekibi, BCG danışmanları üzerinde yaptıkları deneyde üç farklı çalışma tarzı saptadı. Sayborglar yapay zekayla yan yana, adım adım düşünüyor. Sentorlar ise sınırları çiziyor; işin bir kısmını makineye verip sonucunu titizlikle denetliyor. En başarısız grup ise işi bütünüyle otomatiğe bağlayanlar oldu. Lakhani, sadece "çalıştır" tuşuna basıp düşünmeyi bırakan kişilerin öğrenme sürecini tamamen kestiğini vurguluyor. Direksiyonda uyuyakalmak, zeki modeller karşısında insanın zihnini tembelleştiriyor. Bu tuzağa düşen çalışan, kendi katma değerini tamamen yitiriyor.
Yapay zekanın kabiliyetleri düz bir çizgi izlemiyor; araştırmacıların "tırtıklı sınır" dediği inişli çıkışlı bir hatta ilerliyor. Model bazen çok zor bir analizi saniyeler içinde çözerken, çok basit bir mantık adımında çuvallayabiliyor. Üstelik modeller her zaman son derece kendinden emin konuşuyor. Lakhani bu ikna tuzağını kırmak için karşıt komutlar (adversarial prompts) kullanılmasını tavsiye ediyor. Modele "ürettiğin fikri çürütecek üç argüman sun" veya "gözden kaçan siyah kuğuları bul" talimatı verilmeli. İlk gelen yanıtı sorgusuz kabul etmek yerine, modelle sürekli bir fikir çatışması sürdürmek şart.
Yapay zeka özünde istatistiksel bir tahmin motoru olduğu için her zaman ortalama çıktıyı vermeye meyillidir. Lakhani, bir tasarımcının ya da analistin fark yaratabilmesi için kişisel vizyona (taste) ihtiyaç duyduğunu söylüyor. Stephen Wolfram örneğinde olduğu gibi, işin mantığını kavramak için ilk on integrali elle çözmek zorundasınız. Temeli anladıktan sonra sonraki bin integrali makineye bırakabilirsiniz. Temeli bilmeden araca yönelen kişi, yapay zekanın sunduğu vasat tasarımları dünya standardı sanıyor. Sorumluluk yine insanda kalıyor; çıktının altına kendi adınızı yazıyorsanız, kararın doğruluğunu bilmek zorundasınız.
Harvard Business School bu yeni düzende eğitim yaklaşımını kökten değiştirdi. Lakhani, ders anlattığı MBA programında klasik sınavları çöpe attıklarını belirtiyor. Artık dokuz yüz öğrencinin tamamı kod bilmeden çalışan projeler ve yapay zeka ajanları (vibe coding) üretiyor. Benzer uygulamayı şirketlerin üst düzey yöneticileriyle de yapıyorlar. Yöneticileri doksan dakika bilgisayar başına oturtup bir uygulama geliştirtiyorlar. Kendi eliyle inşa eden lider, teknolojinin gerçek gücünü ve sınırlarını birinci elden görüyor. Sahada bizzat denemeyen yöneticiler ise yapay zekayı sadece bir arama motoru sanmaya devam ediyor.
Şirket içi veriler, yapay zekayı çözen üst yüzde onluk kesimin ortalamaya kıyasla on ila yirmi kat daha üretken olduğunu kanıtlıyor. Bu devasa uçuruma rağmen Lakhani, genç çalışanların sanıldığı kadar büyük tehlikede olmadığını savunuyor. Gençler teknolojiyi hızla benimsiyor ve korkusuzca deniyor. Asıl tehlike, alışkanlıklarına tutunup değişime direnen otuz beş ila elli beş yaş aralığındaki orta yönetim katmanında bulunuyor. Lakhani şirketlerin küçük hedefler yerine on kat büyüme gibi cesur iş hedefleri koymasını, ardından bu hedefe ulaşmak için modelleri bir kaldıraç olarak kullanmasını öneriyor.
🎯 Yaşam Tarzı Uzmanı Yorumu
Lakhani'nin benimsediği çalışma felsefesi, yapay zekayı bir tembellik aracından ziyade acımasız bir zihinsel antrenör haline getirmeye dayanıyor. Kolaya kaçıp çıktıyı kopyalayanlar kısa vadede hız kazanmış görünse de uzun vadede zihinsel kaslarını kaybediyor. Profesörün "didinme yeteneği yener" yaklaşımı, araçları öğrenme sürecini hızlandırmak için bir fırsat olarak konumlandırıyor. Makineyle zıtlaşmak ve ona sürekli meydan okumak, günlük çalışma temposuna yüksek odak ve analitik derinlik katacaktır.
Bu yaklaşımın sürdürülebilirliği, kişinin bilişsel sınırlarına ve iş yüküne doğrudan bağlıdır. Modeller neredeyse haftalık olarak değişirken sürekli "yürüyen merdivende yukarı koşma" hali, ciddi bir zihinsel yorgunluk ve tükenmişlik yaratabilir. Her gün yeni bir sınır keşfetmeye çalışmak, çalışan üzerinde bitmeyen bir yetersizlik hissi doğurabilir. Rutin işlerde sürekli derin felsefi sorgulamalar yapmak ve her yanıtta yapay zekayla tartışmak, günlük teslim tarihlerini yetiştirmeyi zorlaştırabilir.
Bu sistem, karmaşık problemlerle uğraşan stratejistler, ürün yöneticileri, araştırmacılar ve kendi işini kuranlar için son derece faydalıdır. Hızlı sonuç alırken kaliteden ödün vermek istemeyen analitik zihinlere tam oturur. Buna karşılık, henüz mesleğin en temel adımlarını bile bilmeyen stajyerler için risklidir; çünkü temeli olmadan modeli denetleyemezler. Aynı şekilde, sadece standart operasyonel görevleri tamamlamak isteyen ve derinleşme amacı gütmeyen çalışanlar bu yoğun sorgulama disiplininde zorlanacaktır.
Kanal: Silicon Valley Girl