Değerlendirme · Çalışma şekli

AI Brain Fry: çalışmanın gösterdikleri ve birden fazla yapay zeka çalışmasını ritim içinde nasıl yöneteceğin

AI Brain Fry, Mart 2026 tarihli bir HBR çalışmasının, yapay zeka araçlarının aşırı kullanımından veya gözetiminden kaynaklanan zihinsel yorgunluğa verdiği isimdir. Bu yazı rakamları değerlendirir, bağlam değişimi ve gözetimin neden bu kadar çok dikkat harcadığını açıklar ve birden fazla paralel yapay zeka çalışması için bir çalışma ritmi tarif eder.

Kısaca
  • Terim: BCG danışmanlık firmasındaki araştırmacıların HBR çalışması (5 Mart 2026), yapay zeka araçlarının aşırı kullanımından veya gözetiminden kaynaklanan zihinsel yorgunluğa “AI Brain Fry” adını veriyor. Bu tıbbi bir teşhis değil.
  • Yaygınlık: ABD’deki büyük şirketlerde yapay zeka kullanıcılarının %14’ü bunu bir kez yaşadı (1.488 katılımcı, öz bildirim). Bu, tüm çalışanların %14’ü değil ve soru “hiç yaşadın mı” şeklindeydi.
  • Yüzde değerleri: Gözetim, yorgunluk, karar yorgunluğu, hatalar ve tükenmişlikle ilgili değerler ölçek değerlerinin göreli farklarıdır, kişi oranları değildir. Örnek: Çok yapay zeka gözetleyen biri ortalama %14 daha fazla zihinsel çaba bildiriyor.
  • Bağlam değiştirme: Geçişlerin bir maliyeti olduğu laboratuvarda kanıtlanmıştır (Monsell 2003, Rubinstein ve ark. 2001). Çalışmada, görev değiştirme sorularıyla bağlantı, bilgi aşırı yüklenmesiyle olan bağlantıdan daha az nettir.
  • Karşı taraf: Yapay zeka sayesinde daha az rutin iş, %15 daha düşük tükenmişlik değerleriyle ilişkiliydi. Bir saha çalışması ortalama olarak saatte %15 daha fazla çözülen vaka buldu (Brynjolfsson et al. 2025).
  • Çalışma ritmi: Başlangıç, odak, hasat, bildirimleri ancak hasatta oku ve yalnızca kontrol edebileceğin kadar çalışma yürüt. Tek tek yapı taşları için başka alanlardan ipuçları var (toplu bildirimler üzerine Fitz 2019, Masicampo ve Baumeister 2011), yapay zeka gözetimi için hiçbiri test edilmedi.

Bazı günler aynı anda 5 ila 6 yapay zeka çalışması yürütüyorum. Başlatmak dakikalar sürer. Ardından sonuçlar art arda gelir ve her biri kontrol edilmek, düzeltilmek veya onaylanmak ister. Metinler, araştırmalar ve taslaklar arasında gidip geliyorum. Bunun zaten AI Brain Fry olup olmadığını söyleyemem, çünkü bunun için bir teşhis yok.

Yapay zeka ajanları kullanan veya şirkette yapay zekayı kullanıma sokan kişi, bir noktada aynı anda birden fazla çalıştırma yönetir ve aynı soruyla karşılaşır: Hâlâ kaçını mantıklı biçimde kontrol edebilirim? Bu yazı, AI Brain Fry çalışmasının neyi kanıtladığını ayırır, bağlam değişimi araştırmalarını anar, karşı görüşü gösterir ve benim çalışma ritmimi anlatır.

AI Brain Fry: Tanım ve tükenmişlikten ayrımı

“AI Brain Fry” terimini Bedard, Kropp, Hsu, Karaman, Hawes ve Rosen Kellerman, 5 Mart 2026 tarihli HBR makalesi “When Using AI Leads to ‘Brain Fry’” içinde ortaya koyuyor. Hepsi BCG danışmanlık firmasında çalışıyor, 2'si ayrıca University of California, Riverside'da doktora yapıyor. Tanımları, anlamca çevrilirse: yapay zeka araçlarının kişinin kendi bilişsel kapasitesinin ötesinde aşırı kullanımından veya gözetiminden kaynaklanan zihinsel yorgunluk. Almancada yerleşmiş bir kelime yok. Medya “yapay zeka tükenmişliği”, “yapay zeka yorgunluğu” veya “AI Fatigue” yazıyor, bir uzman portalı “Kızarmış beyin” başlığını atıyor.

AI Brain Fry, tükenmişlikle eş tutulmamalı. Yazarlar tükenmişliği, duygusal bitkinlikle birlikte kronik iş stresi olarak tanımlıyor. Brain Fry ise onların okumasına göre dikkatin, çalışma belleğinin ve kendi düşünmeyi yönetmenin akut aşırı yüklenmesi. Tıbbi bir tanı değil.

Kaynakla ilgili bir not: BCG yapay zeka kullanımına geçiş danışmanlığını kendisi satıyor. Makale, yapay zeka girişimlerindeki çabanın %70'ini insanlara ve süreçlere ayırmayı öneriyor. Bu, rakamları yanlış yapmaz ama konuyla ilgili bir çıkar olduğunu gösterir.

Çalışmanın rakamları ve nasıl okuyacağın

ABD'deki büyük şirketlerden 1.488 tam zamanlı çalışana, tek seferlik ve kendi beyanlarıyla soruldu. Yöntemi anlatan bir anket formu veya çalışma belgesi bulamadım. Her rakam için önemli olan, aslında neyi ölçtüğü:

Çalışmanın bulgusuSayıyı nasıl okursun
Yapay zeka kullanıcılarının %14'ü Brain Fry'ı daha önce yaşadığını söylediKişilerin oranı, ama yalnızca ABD'li büyük şirketlerdeki yapay zeka kullanıcıları arasında ve soru “hiç yaşadın mı” şeklindeydi. Yanlış olan şu olurdu: “Her yedi kişiden biri bundan muzdarip.”
Yapay zeka üzerinde düşük yerine yüksek gözetim: %14 daha fazla zihinsel çaba, %12 daha fazla zihinsel yorgunluk, %19 daha fazla bilgi aşırı yüklenmesiÖz bildirimden gelen ölçek değerlerinin 2 grup arasındaki göreli farkları, kişi oranları değil.
Brain Fry ile: %33 daha fazla karar yorgunluğu, %11 daha fazla küçük ve %39 daha fazla büyük hataBunlar da öz bildirimin ölçek değerleridir, sayılmış hatalar değildir. “Brain Fry %39 daha fazla ağır hataya yol açıyor” ifadesi yanlış olurdu.
İşten ayrılma niyeti: Brain Fry olmadan %25, Brain Fry ile %34Kişi oranlarının karşılaştırması. HBR'nin bunun için verdiği göreli rakamı, bildirilen değerlerden yeniden hesaplayamıyorum, bu yüzden burada yer almıyor.
İşleve göre: pazarlama işlevlerindeki çalışanların %26'sı, hukuk işlevlerinde %6'sı Brain Fry yaşadığını belirttiBüyük ABD şirketlerinin işlevleri, sektörler değil.
Aynı anda kullanılan yapay zeka araçları: Algılanan verimlilik 1'den 2'ye belirgin biçimde artar, sonra daha zayıf artar ve dördüncüden itibaren hafifçe düşerÖlçülen şey algılanan verimlilik. Araçların mı ajanların mı sayıldığı belirsiz. Bundan ajanlar için bir sınır çıkmaz.

Günlük hayat için 2 bulgu her yüzde değerinden daha önemli. Birincisi: Yük ve zihinsel yorgunlukla en çok yapay zeka çıktıları üzerindeki sürekli gözetim ilişkiliydi, bir de yapay zekayla büyüyen iş hacmi. Çalışmanın merkezinde gözetim var. İkincisi bağlam değişimleriyle ilgili: Serbest metin cevapları bilgi aşırı yüklenmesini ve görev değişimini önemli etkenler olarak anıyor. Ancak görev değişimi sorularıyla istatistiksel ilişki, bilgi aşırı yüklenmesiyle olan ilişkiden daha az net. Bu çalışmada bağlam değişimi “ana neden” olmaya uygun değil.

Bir çekince daha: Yazarlar, yapay zeka kullanımının yorgunluğa “may be causing” yol açabileceğini ve gözetimin onu “predicted” ettiğini yazıyor. Bunlar iyi bir nedenle temkinli sözcükler. Kesit çalışmada ters yön de akla yatkın: Zaten aşırı yüklü olan biri, gözetimi muhtemelen daha yorucu yaşıyor.

Bağlam değiştirme ve gözetim: neden bu kadar çok dikkat harcıyorlar

Görev değişimlerinin zamana ve doğruluğa mal olduğunu psikoloji on yıllardır araştırıyor, ancak yapay zekayla çalışmada değil. Bilgiler çalışmaların özetlerinden geliyor, Mark için makalelerden.

  • Geçiş maliyetleri: Görev değişiminden sonra insanlar laboratuvarda daha yavaş yanıt verir ve çoğunlukla daha hataya açık olur. Hazırlık maliyeti düşürür ama ortadan kaldırmaz (Monsell 2003, basit görevlere ilişkin derleme çalışması). Kuralların karmaşıklığıyla artar, ipuçlarıyla azalır ve alışılmadık görevlerde daha yüksektir (Rubinstein, Meyer, Evans 2001).
  • Dikkat kalıntıları: Dikkat, tamamlanmamış görevlerden zor kopar ve bir sonraki görevdeki performans düşer. Bunun terimi „Attention Residue“ (Leroy 2009, 2 deney).
  • Kesintiler: Bir şirketin 24 çalışanında (her biri 3,5 gün gözlemlendi, çalışma süresi 13 ay) çalışma birimlerinin %57'si kesintiye uğradı. Kesintiye uğrayan işe aynı gün ortalama 25 dk 26 sn sonra döndüler. Dağılım çok büyük (standart sapma 54 dk 48 sn) ve %77'si aynı gün hiç yeniden başlandı (Mark, Gonzalez, Harris 2005). Laboratuvarda kesintiye uğrayanlar daha hızlı çalıştı, ama daha fazla stres ve çabayla (Mark, Gudith, Klocke 2008, 48 katılımcı, çoğunlukla öğrenci).
  • Otomasyonun denetimi: Otomatik bir sistemi izleyen kişi, çoklu yük altında daha az kontrol eder (complacency) ve uzman olsa bile önerilere çok çabuk uyar (automation bias). Eğitim bunu önlemez (Parasuraman ve Manzey 2010, derleme çalışması).

Benim okumam: 5 akış yürüten kişi, 5 görev arasında geçiş yapıyor ve bu sırada sürekli başkasının sonuçlarını kontrol ediyor. İkisi birlikte, çalışmanın ve bu araştırmanın tarif ettiğiyle uyuşuyor. Yapay zekayla çalışma için kanıtlanmış değil. Laboratuvar ve ofis çalışmaları yapay zeka ajanlarından önceki döneme ait, kesinti çalışmalarının da örneklemleri küçük.

Geçişlerin maliyetli olduğu kanıtlanmıştır. Yapay zeka gözetimi için test edilmiş bir çare yok.

Karşı taraf: Rutini devretmek rahatlatır

Aynı çalışmanın, yük rakamlarının yanında kolayca gözden kaçan ikinci bir mesajı var. Yapay zeka sayesinde daha az rutin işi olan çalışanlar %15 daha düşük tükenmişlik değeri bildirdi. Zihinsel yorgunluk değerleri daha düşük değildi. Bu yine kendi beyanından gelen bir ilişki, ama yapay zeka kullanımını topluca bir yük olarak okumaya karşı çıkıyor. Daha az yorgunlukla ayrıca, yöneticilerin yapay zekayla ilgili soruları yanıtlaması (%15 daha az) ve çalışanların şirketlerinin iş-yaşam dengesine önem verdiği izlenimine sahip olması (%28 daha az) ilişkiliydi.

Bir saha çalışması aynı yönde ipuçları veriyor. Brynjolfsson, Li ve Raymond “Generative AI at Work” çalışmasında (2025'te yayımlandı), 2020 ve 2021'de kademeli olarak bir yapay zeka asistanının kullanıma sunulduğu 5.172 destek çalışanının verilerini değerlendirdi. Ortalama olarak saatte %15 daha fazla vaka çözdüler. Daha az deneyimliler ve daha az nitelikliler daha çok yararlandı; en deneyimlilerde hız kazançları ve kalite kayıpları küçüktü. Çalışanların iyi oluşu doğrudan ölçülmedi ve 2020'den bir asistanla destek vermek, birden fazla ajanı yönetmekten farklı bir şeydir.

Yük ve rahatlama verilerde yan yana duruyor. Benim yorumum: Mesele, ne kadar gözetimin kendi kapasiteye sığdığı. Bundan daha az yapay zeka sonucu çıkmaz.

Yük ve rahatlama verilerde yan yana duruyor.

Çalışma ritmi: Başlangıç, odak, hasat

Buradan itibaren çalışma yöntemimi anlatıyorum. Bu, tek başına çalışan bir girişimcinin deneyimidir, test edilmiş bir yöntem değil. Bir yapı taşı için başka alanlardan kanıtlar varsa, bunu yanında belirtiyorum. Bu yapı taşlarının yapay zeka gözetiminde de aynı şekilde işe yarayıp yaramadığı açık.

Temel fikir: Yapay zekayla temas noktalarımı sınırlıyorum ve çalışmaların süresini açık bırakıyorum. Yeter ki yalnızca sabit zamanlarda bakayım, uzun sürebilirler. Bundan 3 blok doğar:

BlokNe oluyorSüre
BaşlangıçTüm görevleri sırayla gönder, her biri net bir sonuçla15 ila 30 dk
OdakYalnızca benim çözebileceğim ayrı bir görev. Sonuç okumak yok, çalıştırmalara bakmak yok90 ila 120 dk
HasatSonuçları kontrol et, onayla, düzeltmeleri yeni görevler olarak başlat (bu aynı zamanda bir sonraki başlangıçtır)30 ila 45 dk
Başlangıç, odak, hasat: Akışlara yalnızca sabit zamanlarda bakarsın.

Başlangıç: benzer işler toplu olarak

Başlangıçta temiz bir görev önemlidir. Benzer görevleri toplu olarak gönderiyorum, 5 ila 6 tanesi paralel. Toplu işe uymayan, bir sonraki başlangıcı bekler. Hazırlık ve ipuçları geçiş maliyetlerini düşürür (Rubinstein, Monsell). Bu yüzden görevde, bitmiş sonucu neyle tanıyacağın ve onunla ne yapmayı planladığın hakkında bir cümle yer almalı. Bu, laboratuvardan bir aktarımdır.

Odak: bildirimleri ancak hasatta oku

Odak bloğunda sonuç okumam ve çalıştırmalara bakmam. Bildirimler gelebilir, ancak hasatta okunur. Bu, toplu bakmaktan daha azı: Bildirimler tek tek gelmeye devam eder, ben sadece onları bekletirim.

Gruplamak için akıllı telefonda yapılmış bir alan deneyi var. Fitz ve meslektaşları (2019) 237 kişinin bildirimleri her zamanki gibi, günde 3 kez toplu olarak ya da hiç almasını sağladı. Toplu alan grup daha fazla dikkat, daha iyi ruh hali ve daha az stres bildirdi. Hiç bildirim almayan grubun avantajı neredeyse yoktu; buna karşılık daha fazla kaygı ve bir şeyi kaçırma endişesi yaşadı. Yani gruplamak kapatmaktan daha iyiydi. Odak bloğunu bu şekilde desteklemek isteyen, bildirimleri toplu teslim aldırır. Bildirimleri sadece görmezden gelmenin aynı sonucu verip vermediğini çalışma göstermiyor. iPhone ve Pixel ayarları sürekli ulaşılabilirlik yazısında yer alıyor.

Hasat: kontrol et, onayla, değişiklikleri not et

Hasatta sonuçları art arda kontrol ederim, onaylarım ve düzeltmeleri yeni görevler olarak gönderirim. Aynı anda bir sonraki başlangıç başlar. 2 sonuç arasında ya da kendi görevine geri dönen kişi, nerede ve nasıl devam edeceğini 1 cümleyle not edebilir. Masicampo ve Baumeister 2011'de laboratuvar deneylerinde, bir hedefin ne zaman ve nasıl tamamlanacağına dair somut bir planın, tamamlanmamış bir hedefin rahatsız edici etkisini sona erdirdiğini gösterdi. Bunun yarım kalmış yapay zeka sonuçları için geçerli olup olmadığına dair bir çalışma bulamadım.

Hasattan ve yeni başlangıçtan sonra, bir sonraki odak bloğu başlamadan önce gerçek bir mola işe yarar. Bir meta-analiz (22 örneklem, 2.335 kişi), mikro molaların canlılığı artırdığını ve yorgunluğu azalttığını, ikisinin de küçük ölçüde olduğunu buldu (Albulescu ve ark. 2022). Zorlu işlerde performans için etki kesin değil, öneri esenliğe dayanıyor.

Kontrol edebildiğin kadar akış

Darboğaz, başlatmak değil, kontrol etmektir. Hasat artık çalışma saatlerine sığmıyorsa o gün doludur. Bu, deneyim raporlarıyla örtüşüyor. Addy Osmani ajan sayısını kendi gözden geçirme hızına bağlıyor ve çoğu kişi için bunun düşük tek haneli bir sayı olduğunu yazıyor (The Orchestration Tax, 2026). Simon Willison kendi ifadesine göre aynı anda yalnızca daha büyük bir değişikliği kontrol etmeye ve kabul etmeye odaklanabiliyor (2025).

HBR çalışmasının 3 araçtaki eşiği, ne sayıldığı belirsiz kaldığı için çalışmalar için ölçüt olmaz. Test için basit bir kural yeter: Yalnızca bir sonraki hasat bloğunda tam olarak kontrol edebileceğin kadar çalışma başlat. Bir hafta sonra kaç sonucun beklemede kaldığına bak.

Çalışma durumunun sınırları

Brain Fry çalışması kendi beyanına ve kesitsel bir ankete dayanıyor, ABD'den ve büyük şirketlerden geliyor ve hakem değerlendirmesi olmayan bir yönetim dergisinde yayımlandı. Brain Fry sorusu “hiç” içeren tek bir evet-hayır maddesi, test edilmiş bir anket değil. %33 daha fazla karar yorgunluğu bir ölçek değeri. Arkasındaki mekanizma (Ego Depletion) 2 büyük tekrar çalışmasında sağlam biçimde gösterilemedi (Hagger et al. 2016, Vohs et al. 2021).

Çareler için tablo daha zayıf. Fitz, Masicampo ve Albulescu akıllı telefonları, laboratuvar görevlerini ve molaları inceledi, yapay zeka gözetimini değil. Birden fazla ajanla çalışan tek kişilik işletmeler hakkında bir çalışma bulamadım. Benim deneyimim tek bir veri noktası. Benzer çalıştırmalar yürüten biri, ritmi bir hipotez olarak test edip kendi hasadı üzerinden ölçebilir.

Yapay zeka çalıştırmalarını günlük hayatta nasıl yönettiğimi ve nelerin ters gittiğini, her pazar çıkan AI Sync bülteninde gösteriyorum.

Kendin uygulaİhtiyacın olan her şey elinde.

Bu sayfadaki her şey bensiz uygulanabilir. Yeni araçları ve değişiklikleri buraya ekliyorum, her pazar bültende bununla ilgili bir ipucu yer alıyor.

AI Sync'e git
YaptırOnaya toplu halde sunan yapay zeka akışları

Seninle sonuçlarını sabit saatlerde toplu olarak onaya sunan yapay zeka akışları kuruyorum ve kimin neyi kontrol edeceğini seninle belirliyorum. Eisenstadt'tan Mattersburg ve Wiener Neustadt'a kadar yerinde, Almanca konuşulan bölgenin tamamında online.

Daha fazlası

Sık sorulan sorular

AI Brain Fry nedir?

AI Brain Fry, BCG danışmanlık firmasındaki araştırmacıların bir HBR çalışmasından (5 Mart 2026) gelen bir terimdir. Yapay zeka araçlarının kişinin kendi kapasitesinin ötesinde aşırı kullanımından veya gözetiminden kaynaklanan zihinsel yorgunluk kastedilir. Terim tıbbi bir teşhis değildir. Çalışma, büyük ABD şirketlerinden 1.488 çalışanın kendi beyanına dayanır.

AI Brain Fry ne kadar yaygın?

Çalışmada yapay zeka kullanıcılarının %14'ü bunu daha önce yaşayıp yaşamadıkları sorusuna evet dedi. Bu, ABD'deki büyük şirketlerin yapay zeka kullanıcıları için geçerli; soru “hiç yaşadın mı” şeklindeydi. İşleve göre değer çok farklıydı: pazarlama işlevlerindeki çalışanların %26'sı, hukuk işlevlerinde %6'sı. Tek kişilik işletmeler ya da Avusturya'daki KOBİ'ler için bildiğim bir sayı yok.

AI Brain Fry tükenmişlikle aynı şey mi?

Hayır. Yazarlar tükenmişliği, duygusal bitkinlikle birlikte kronik iş stresi olarak, Brain Fry’ı ise dikkatin ve çalışma belleğinin akut aşırı yüklenmesi olarak tanımlıyor. Çalışmada yapay zekayla daha az rutin iş, %15 daha düşük tükenmişlik değerleriyle ilişkiliydi, zihinsel yorgunluk değerleri ise daha düşük değildi. Medya yine de sık sık “yapay zeka tükenmişliği”nden söz ediyor.

Aynı anda kaç yapay zeka aracı veya ajanı fazla?

Hiçbir çalışmada sabit bir sayı bulamadım. Çalışmada algılanan verimlilik, aynı anda kullanılan araç sayısı 1'den 2'ye çıkınca belirgin biçimde arttı, sonra daha zayıf arttı ve dördüncüden itibaren hafifçe düştü. Tam olarak neyin sayıldığı belirsiz. Geliştirici Addy Osmani ajan sayısını kendi kontrol kapasitesine bağlıyor ve çoğu kişi için düşük tek haneli bir sayı veriyor. Bu bir deneyim değeridir.

AI Brain Fry’a karşı ne işe yarar?

Yapay zeka gözetimi için denenmiş bir önlem yok. Diğer alanlardan toplu bildirimler için ipuçları var, günde 3 kez (Fitz et al. 2019, 237 kişi), tamamlanmamış işler için somut bir plan (Masicampo ve Baumeister 2011) ve yorgunluğa karşı kısa molalar (Albulescu et al. 2022). Çalışmanın kendisi rutini devretmeyi ve gözetim için sınırlar koymayı öneriyor. Bunun yapay zeka gözetiminde işe yarayıp yaramadığı açık.

Yapay zeka yorar mı, yoksa rahatlatır mı?

İkisi de verilerde var. Düşük yerine yüksek yapay zeka gözetimi, %12 daha fazla zihinsel yorgunlukla ilişkiliydi (kendi beyanında göreli fark). Daha az rutin iş, %15 daha düşük tükenmişlik değerleriyle ilişkiliydi. 5.172 destek çalışanıyla yapılan bir saha çalışmasında, yapay zeka asistanı olanlar saatte ortalama %15 daha fazla vaka çözdü (Brynjolfsson et al. 2025).

Bu yazıdaki değişiklikler

  • 10 Kasım 2026İlk sürüm.
Christoph Harrison
Christoph HarrisonYapay zeka danışmanı ve ağ teknisyeni, Eisenstadt

Harrison Networks ve Lumen Media'nın kurucusu. Yapay zekayı her gün kendi işletmesinde kullanıyor ve bunu yapay zeka danışmanlığında KOBİ'lerle hayata geçiriyor.

İletişim

Lütfen Almanca veya İngilizce yaz.

Christoph Harrisonyeni projeler için müsait