Akademik Veri Yönetim Sistemi
The Spring Meeting of Turkish Economic Association, İstanbul, Türkiye, 29 - 31 Mayıs 2025, (Yayınlanmadı)
Sanayi devrimi gibi otomasyonun hız kazandığı çağlarda özellikle otomasyona daha uygun işlerde ikame etkisi nedeniyle yaygın işsizlik, düşük ücretler ve buna bağlı sosyal krizler ortaya çıkmış daha sonrasında otomasyonun ortaya çıkarttığı yeni işlerle (tamamlayıcılık etkisi) bu sorunlar daha az görünür hale gelmiştir. YZ’yi benzer bir süreci ortaya çıkarak bir unsur olarak görenler hiç de az değildir. Bu çalışma Yapay Zekâ ve Robotik teknolojilerinin (YZ) meslekler üzerinde yaratacağı otomasyon riskinin nasıl ölçülebileceğine dair bir öneri geliştirmektedir. Bu amaçla ISCO-08 sınıflandırmasına göre tanımlanmış 436 meslekten, literatürde dikkat çeken 3’ünün tanımları ve bu mesleği icra ederken yapılması gereken görev ve sorumlulukların tümü detaylıca incelendi. Bu bilgiler, istemler aracılığıyla ChatGPT ve DeepSeek ile paylaşıldı ve onlardan bu mesleklerin YZ’den nasıl etkileneceğine dair 0 ile 1 arasında bir katsayı tanımlaması ve gerekçesini de açıkça belirtmesi istendi. ChatGPT sadece LLM’leri (Büyük Dil Modelleri) değerlendirdiğinde Maden ve Taş Ocağı işçiliği için ortalama 0,3; Mağaza Satış Asistanları için 0,65 ve Muhasebe ve Defter Tutan Memurlar grubu içinse 0,78 maruziyet buldu. Robotik değerlendirmeye katıldığında bu katsayılar sırasıyla 0,81; 0,78 ve 0,88 olarak tahmin edildi. DeepSeek için bu katsayılar sırasıyla sadece LLM’ler değerlendirildiğinde 0,2; 0,57 ve 0,74 iken robotik değerlendirmeye eklenince 0,77; 0,7 ve 0,92 olmuştur.
low wages, and related social crises emerged due to the substitution effect, particularly in jobs more suited for automation. However, as automation created new jobs (complementarity effect), these issues became less visible over time. Many consider AI to be a factor that will trigger a similar process. This study proposes a method to measure the automation risk posed by Artificial Intelligence (AI) and Robotics technologies on occupations. For this purpose, the definitions and task responsibilities of three occupations, which have attracted attention in the literature, were examined in detail among 436 occupations classified under ISCO-08. This information was shared with ChatGPT and DeepSeek via prompts, and they were asked to define a coefficient between 0 and 1 representing how these occupations would be affected by AI, along with a justification. When ChatGPT evaluated only Large Language Models (LLMs), it estimated an average exposure of 0.3 for Mining and Quarry Workers, 0.65 for Shop Sales Assistants, and 0.78 for Accounting and Bookkeeping Clerks. When robotics was included in the evaluation, these coefficients were estimated as 0.81, 0.78, and 0.88, respectively. For DeepSeek, these coefficients were 0.2, 0.57, and 0.74 when only LLMs were considered, and 0.77, 0.7, and 0.92 when robotics was included.