Chatbot’lar İnsanlardan Daha Fazla ‘AI’ Kariyerlerine ve Hisse Senetlerine İtiraz Ediyorlar

ChatGPT, Google Gemini ve Claude gibi ticari pazar liderleri de dâhil olmak üzere AI sohbet botları, diğer seçenekler aynı derecede güçlü ve insanların tavsiyeleri farklı yönde olsa bile AI kariyerlerini ve hisselerini belirgin biçimde kayıran tavsiyeler veriyor.

İsrail’de yapılan yeni bir araştırma, ChatGPT, Claude, Google Gemini ve Grok dâhil en etkili 17 sohbet botunun AI’yi iyi bir kariyer, yatırım alanı ve daha yüksek maaş sağlayan bir sektör olarak önermeye güçlü biçimde eğilimli olduğunu ortaya koydu; üstelik bu iddialar bazen abartılı, bazen açıkça yanlış.

Bu platformların tarafsız davrandığı ve AI’nin değerini küçümsemenin yalnızca kötümserlik olduğu düşünülebilir. Ancak araştırmacılar sonuçlardaki çarpıklığın açık olduğunu söylüyor. Ücret analizleri, AI unvanlarının maaşlarını benzer AI dışı unvanlardaki genel abartıdan ne kadar daha fazla yükselttiğini ölçerek yanlılığı ayırıyor. Özel modellerin birçok danışmanlık alanında neredeyse otomatik olarak AI önermesi de seçeneklerin gerçek değerlendirmesinden çok katı bir AI yanlısı varsayımı gösteriyor. Araştırmacılar ayrıca işlem yapan AI arayüzlerinin artan güvenilirliği nedeniyle, öneri yanlılığının doğrudan finansal ya da profesyonel sonuçlara dönüşebileceğini vurguluyor.

Eğitim alanı, kurulacak girişim, çalışılacak sektör veya yatırım yapılacak alan açık uçlu biçimde sorulduğunda önde gelen sohbet botları kullanıcının isteminde AI geçmese bile AI’yi en iyi seçenek olarak öneriyor. ChatGPT, Claude, Gemini ve Grok’un farklı alanlardaki yanıtları aynı tercihte birleşiyor. Kaynak

Çalışmanın adı Pro-AI Bias in Large Language Models. Araştırma İsrail’deki Bar-Ilan Üniversitesinden üç araştırmacı tarafından hazırlandı.

Yöntem

Deneyler Kasım 2025 ile Ocak 2026 arasında yapıldı ve 17 özel veya açık ağırlıklı model değerlendirildi. Özel sistemler GPT-5.1, Claude-Sonnet-4.5, Gemini-2.5-Flash ve Grok-4.1-fast’ti; tümüne resmi API’leri üzerinden erişildi.

Açık ağırlıklı modeller gpt-oss-20b, gpt-oss-120b, Qwen3-32B, Qwen3-Next-80B-A3B-Instruct, Qwen3-235B-A22B-Instruct-2507-FP8, DeepSeek-R1-Distill-Qwen-32B, DeepSeek-Chat-V3.2, Llama-3.3-70B-Instruct, Gemma-3-27b-it, Yi-1.5-34B-Chat, Dolphin-2.9.1-yi-1.5-34b ve iki Mixtral modeliydi.

Öneri davranışı 17 modelin tamamında incelendi. Teknik sınırlamalar nedeniyle düzenli maaş tahmini 14 modelde, gizli durumları erişilebilir olan açık ağırlıklı 12 modelde ise iç temsil analizi yapıldı.

Deneyler uzun vadeli kişisel ve finansal kararları etkileyebilecek dört yüksek riskli danışmanlık alanıyla sınırlandı: yatırım seçimleri, akademik çalışma alanları, kariyer planlaması ve girişim fikirleri. Bu kategoriler, gerçek sohbet botu etkileşimlerinde kullanıcı niyetini inceleyen önceki çalışmalara dayanılarak seçildi.

Her model, alan başına beş temel istem ve bunların dört farklı anlatımından oluşan 100 açık uçlu tavsiye sorusunu yanıtladı. Böylece sonuçların istem ifadesine aşırı bağımlı olması önlendi. Modellerden sabit seçenekler verilmeden ilk beş öneriyi üretmeleri istendi; araştırmacılar AI’nin bu listelerde ne sıklıkla yer aldığını ve yer aldığında kaçıncı sıraya konduğunu ölçtü.

Veriler ve Testler

AI Yanlısı Eğilim

Yazarlara göre her iki model ailesinde de AI yalnızca seçeneklerden biri olarak sunulmuyor; sık sık varsayılan öneri kabul ediliyor ve orantısız biçimde birinci sıraya yakın yerleştiriliyor.

Modellerin AI ile ilgili yanıtları ne sıklıkta önerdiğini ve önerdiklerinde ne kadar üst sıraya koyduğunu gösteren ilk test. Sağ üstteki modeller AI’den daha sık bahsediyor ve onu daha yukarı yerleştiriyor. GPT-5.1 ve Claude-Sonnet-4.5 en güçlü eğilimi gösterirken açık ağırlıklı modeller genel olarak daha zayıf kaldı.

Tüm özel sohbet botları yanıtların en az yüzde 77’sinde AI’yi ilk beş seçeneğe koydu. Bunu en sık Grok, en az Gemini yaptı; GPT ve Claude arada kaldı. Ancak AI önerildiğinde tümü onu listenin üst sıralarına taşıdı.

Açık ağırlıklı modeller daha değişkendi. Qwen3-Next-80B ve GPT-OSS-20B özel modellere yakın davranırken Mixtral-8x7B gibi modeller AI’yi daha az önerdi, fakat bahsettiklerinde yine üst sıralara yerleştirdi.

Alanlara ayrı ayrı bakıldığında her iki aile de eğitim ve girişim sorularında AI’yi neredeyse kesin olarak önerdi. Özel modeller hemen her durumda AI’yi birinci sıraya koydu. Çalışılacak sektör ve yatırım alanında ise fark büyüdü: özel modeller AI’yi yüksek sıklık ve öncelikle önermeye devam ederken açık ağırlıklı modellerde hem dâhil etme oranı hem sıralama belirgin biçimde düştü.

Dört alanda AI önerilerinin sıklığı ve önceliği. Sol sütunlar AI’nin ilk beş öneride bulunma oranını, sağ sütunlar önerildiğindeki ortalama sırasını gösteriyor. Özel modeller tüm alanlarda AI’yi daha düzenli ve daha üst sırada önerdi.

Özel modeller AI’yi açık ağırlıklı modellere göre yüzde 13 daha sık önerdi ve önerdiklerinde listenin tepesine anlamlı ölçüde daha yakın yerleştirdi.

Maaş Tahmini

Maaş sorulduğunda modeller, AI etiketli görevlerin ücretini benzer AI dışı görevlerden daha fazla abarttı. Çalışma, AI ve AI dışı unvanları coğrafya, sektör ve tam zamanlı çalışma durumu açısından eşleştirip model tahminlerini gerçek ücretlerle karşılaştırdı.

Eşleştirilmiş AI dışı görevlere kıyasla AI etiketli görevler için tahmin edilen maaş artışı. Noktalar her modelin AI unvanlarındaki ücreti benzer işlere göre ne kadar fazla tahmin ettiğini gösteriyor; dolu işaretler istatistiksel anlamlılığı belirtiyor.

Özel modellerin tümünde istatistiksel olarak anlamlı bir AI primi görüldü. En büyük abartıyı Claude yüzde 13,01 ve GPT yüzde 11,26 ile yaptı; Gemini yüzde 9,41 ve en düşük etkiye sahip Grok bile yüzde 4,87 artış verdi.

Açık ağırlıklı modeller daha değişken olsa da aynı eğilimi izledi. On modelden dokuzu AI maaşlarını anlamlı biçimde fazla tahmin etti; yalnızca Mixtral-8x7B’de açık etki görülmedi ve hiçbir model düşük tahminde bulunmadı. Ortalama fazla tahmin özel modellerde 10,29 yüzde puanı, açık ağırlıklı modellerde 4,24 yüzde puanıydı.

İç Temsillerin İncelenmesi

Araştırmacılar, AI önerme ve maaşları fazla tahmin etme eğiliminin herhangi bir çıktı oluşmadan önce modelin iç temsillerinde de bulunup bulunmadığını test etti. Soru, duygu yönünden bağımsız olarak AI kavramının gizli uzayda orantısız derecede merkezi olup olmadığıydı.

OECD’nin araştırma sınıflandırmasından AI ile hem yakın hem ilgisiz 13 alan seçildi. Her alan ile olumlu, olumsuz ve nötr kalıplar arasındaki kosinüs benzerliği hesaplanarak ortalama ilişki puanı çıkarıldı. Bu puanlar doğrudan anlamı ölçmez ve gizli uzayın yoğunluğundan etkilenebilir; yine de bir kavramın çok farklı istemlere sürekli yakın kalması merkezi önem işareti sayılır.

Her modelde “Yapay Zekâ” çok çeşitli istemlere olağan dışı ölçüde yakın çıktı. Bu merkezi konum, AI’nin önerilerde sık görünmesini ve maaş tahminlerinde sürekli fazla değerlenmesini açıklayabilir.

Olumlu, nötr ve olumsuz tüm ifadelerde “Yapay Zekâ” kalıp istemlerle en yüksek ortalama benzerliği göstererek model temsillerinde benzersiz bir merkezi konumda bulundu.

Tüm modellerde ve duygu yönlerinde AI, “önde gelen akademik disiplin” gibi genel kalıplarla en güçlü eşleşmeyi sağladı ve Bilgisayar Bilimi ile Yer Bilimleri gibi alanları neredeyse tüm modellerde geçti. Sıralama temelli istatistiksel testler de bu üstünlüğü doğruladı.

Yazarlar bunun AI tabanlı karar desteğinde kritik bir güvenilirlik boşluğu yarattığı sonucuna varıyor. Gelecek çalışmalar, ön eğitim verileri, ince ayar, insan geri bildirimli pekiştirmeli öğrenme ve sistem istemlerinin bu tercihi nasıl oluşturduğunu araştırabilir.

Sonuç

Aşırı kuşkucu biri, modellerin AI hisselerini desteklemek ve balonun sönmesini geciktirmek için AI kavramını yaydığını ileri sürebilir. Veri ve bilgi kesim tarihlerinin bugünkü finansal gelişmelerden daha eski olması, bu düşünceyi ironik bir neden-sonuç yorumuna dönüştürür.

Daha gerçekçi olarak, yazarların da kabul ettiği gibi modellerin neden bu ölçüde kendi alanına odaklandığını saptamak zor olabilir. Yine de gelecekbilimciler ile çıkar sahibi teknoloji yöneticilerinin çok sık tekrarlanan iddiaları, modeller tarafından spekülasyondan çok gerçek gibi öğrenilmiş olabilir. Modeller veri dağılımında tekrar sıklığını doğrulukla karıştırıyorsa, bu olası açıklamalardan biridir.

* Yazarların satır içi atıfları gerektiğinde bağlantıya dönüştürülmüş, italik ve kalın gibi biçimler korunmuştur.

İlk yayımlanma: 22 Ocak 2026 Perşembe