Kısa versiyon
2026 baskısıAna çıkarımlar
Her bir çıkarım, kendi kanonik veri satırına bağlantı verir. Bildirilen rakamlar, alıntı yapılan üreticisine aittir; modellenen sonuçlar hesaplama olarak etiketlenir.
- Yazma deneyi: yapay zeka yardımıyla daha düşük görev süresi: %40 (2023 deneyi; Temmuz 2023'te yayınlandı).MIT / Noy ve Zhang
- Yazma deneyi: daha yüksek değerlendirilmiş çıktı kalitesi: %18 (2023 deneyi; Temmuz 2023'te yayınlandı).MIT / Noy ve Zhang
- Danışmanlık deneyi: tamamlanan alt görevlerde artış: %12,2 (Çalışma ilk olarak 2023'te yayınlandı; yayınlanmış çalışma özeti Nisan 2026).Harvard Business School Yapay Zeka Enstitüsü / Dell’Acqua ve meslektaşları
- Danışmanlık deneyi: yenilik egzersizinde yaklaşık olarak daha yüksek kalite: %32 (Çalışma ilk olarak 2023'te yayınlandı; yayınlanmış çalışma özeti Nisan 2026).Harvard Business School Yapay Zeka Enstitüsü / Dell’Acqua ve meslektaşları
- Strateji görevi: Yapay Zeka olmadan doğru cevaplar: %84,5 (Çalışma ilk olarak 2023'te yayınlandı; Nisan 2026'da yayınlanan çalışma özeti).Harvard Business School Yapay Zeka Enstitüsü / Dell’Acqua ve meslektaşları
- Strateji görevi: GPT-4 erişimi ile doğru cevaplar: %70,6 (Çalışma ilk olarak 2023'te yayınlandı; Nisan 2026'da yayınlanan çalışma özeti).Harvard Business School Yapay Zeka Enstitüsü / Dell’Acqua ve meslektaşları
- Strateji görevi: GPT-4 ve komut özeti ile doğru cevaplar: %60 (Çalışma ilk olarak 2023'te yayınlandı; Nisan 2026'da yayınlanan çalışma özeti).Harvard Business School Yapay Zeka Enstitüsü / Dell’Acqua ve meslektaşları
- Copilot deneyi: bir kodlama görevinde tamamlama süresinde azalma: %55,8 (15 Mayıs–20 Haziran 2022).Peng, Kalliamvakou, Cihon ve Demirer
- METR 2025 başı deneyi: Yapay zeka ile daha uzun tamamlama süresi: %19 (Şubat–Haziran 2025).METR
- METR katılımcıları: Deney sonrası algılanan Yapay Zeka hızlanması: %20 (Şubat–Haziran 2025).METR
Yapay zeka kısa profesyonel yazma görevlerine yardımcı oluyor mu?
Yazma deneyi, yardımla daha az zaman harcandığını ve daha yüksek değerlendirilmiş kalite bulunduğunu ortaya koydu. Atamaları, birçok gerçek müşteriyle yüz yüze belgenin tam gerçek hassasiyetini veya organizasyonel bağlamını gerektirmiyordu.
| Sonuç ve kontrol | Bildirilen değişiklik |
|---|---|
| Görev süresinde azalma | 40%Rastgeleleştirilmiş deney |
| Değerlendirilen kalitede artış | 18%Rastgeleleştirilmiş deney |
Kalite puanı iyileştirmesi ve süre azaltımı farklı sonuçlardır ve toplanmamalıdır.
Birincil kaynak: MIT / Noy ve Zhang — 14 Temmuz 2023
Yapay zeka bir danışmanlık görevini iyileştirebilir ve diğerini zarar verebilir mi?
Evet. Çalışma, modelin halledebileceği görevleri, güvenilmez olduğu bir strateji sorunundan ayırır. İlk set üzerindeki üretkenlik, ikinci set üzerindeki doğruluğu oluşturmaz.
| Sonuç ve koşul | Bildirilen yüzde |
|---|---|
| İnovasyon egzersizinde tamamlanan daha fazla alt görev | 12.2%Rastgeleleştirilmiş deney |
| Yenilik egzersizinde daha yüksek kalite, yaklaşık | 32%Rastgeleleştirilmiş deney |
| Doğru strateji yanıtı: yapay zeka yok | 84.5%Rastgeleleştirilmiş deney |
| Doğru strateji yanıtı: GPT-4 erişimi | 70.6%Rastgeleleştirilmiş deney |
| Doğru strateji yanıtı: GPT-4 artı komut özeti | 60%Rastgeleleştirilmiş deney |
Kalite tahmini yaklaşıktır. Bu, geçmiş GPT-4 kanıtıdır, bugünün modellerinin bir kıyaslaması değildir.
Birincil kaynak: Harvard Business School Yapay Zeka Enstitüsü / Dell’Acqua ve meslektaşları — 9 Nisan 2026
Kodlama çalışmaları neden farklı üretkenlik etkileri bildiriyor?
Bağımsız bir kodlama ataması ve olgun bir depoda bakım yapmak farklı görevlerdir. Çalışmalar ayrıca farklı model nesilleri ve işe alım yöntemleri kullanmıştır. Sonuçları ortalamak yerine ayrı tutulmalıdır.
| Çalışma ve sonuç | Bildirilen değişiklik |
|---|---|
| Copilot ataması: tamamlama süresinde azalma | 55.8%Rastgeleleştirilmiş deney |
| METR: gerçek tamamlama süresindeki artış | 19%Rastgeleleştirilmiş deney |
| METR: çalışma öncesi beklenen hızlanma | 24%Katılımcı algısı |
| METR: çalışma sonrası algılanan hızlanma | 20%Katılımcı algısı |
METR'nin daha sonraki takibi ciddi seçim ve zaman ölçümü sorunları bildirdi. Yazarları, takibi mevcut etkinin güvenilir bir tahmini olarak görmüyorlar; tarihsel yavaşlama 2026'daki tüm geliştiriciler hakkında bir iddia değildir.
Birincil kaynaklar: Peng, Kalliamvakou, Cihon ve Demirer — 13 Şubat 2023 · METR — 10 Temmuz 2025 · METR — 24 Şubat 2026
Ölçülen her zaman değişikliği aynı temel çizgide ne anlama geliyor?
Temel bir endeks, çalışmaları birleştirmeden aritmetiği daha kolay okunmasını sağlar. Her kontrol koşuluna aynı başlangıç endeksi atanır; sonuçta elde edilen desteklenen endeks yalnızca kendi deneyini ifade eder.
| Deney | Desteklenen zaman endeksi; kontrol = 100 |
|---|---|
| Yazma deneyi | 60Normalleştirilmiş hesaplama |
| Copilot ataması | 44.2Normalleştirilmiş hesaplama |
| METR depo görevleri | 119Normalleştirilmiş hesaplama |
Workspace369 normalizasyonu, yeni bir gözlemlenen sonuç değil. Düşük, daha az zaman anlamına gelir. Zamandaki bir azalma, aynı yüzde artışı verimlilik değildir ve herhangi bir verimlilik tahmini iddia edilmemektedir.
Birincil kaynaklar: MIT / Noy ve Zhang — 14 Temmuz 2023 · Peng, Kalliamvakou, Cihon ve Demirer — 13 Şubat 2023 · METR — 10 Temmuz 2025
Bir işletme yapay zeka zaman tasarruflarını nasıl test etmeli?
Karşılaştırmadan önce tekrarlanabilir bir görev ve kabul standardı tanımlayın. Komut hazırlama, gerçek kontrolü, inceleme ve yeniden çalışmayı dahil edin. Müşteri verisi erişimini ve insan onay gereksinimlerini karşılaştırma boyunca değişmeden tutun.
Hem zamanı hem de kaliteyi izleyin. Bir yazma görevi yüzdesini tüm bir bordroya uygulamayın veya otonom bir temsilci için aynı sonucu varsaymayın.
Bu rapor nasıl oluşturuldu
Metodoloji ve sınırlamalar
- Bu, sistematik bir inceleme veya meta-analiz değil, seçilmiş bir kanıt karşılaştırmasıdır. Çalışmalar, tanımlanabilir görevler, orijinal üretici kanıtları ve açıkça belirtilen sonuç tanımları için dahil edildi.
- Yazma ve danışmanlık rakamları, araştırma kurumlarının yayınlanmış çalışmalarının kamuya açık özetlerini kullanır. Kodlama makalesi ve METR raporu orijinal deneysel ayrıntıları sağlar. Çalışma makalesi ve yayınlanmış sürümler karıştırılmaz.
- Ölçülen sonuçlar ve algılanan hızlanmalar ayrı kanıt etiketleri taşır. Zaman-endeks hesaplaması yalnızca ölçülen tamamlanma süresi değişikliklerini kullanır; anket inançları bundan hariç tutulur.
- Model sürümleri ve çalışma tarihleri bulgulara eklenmiştir. METR takibini kontrol ettik ve daha yeni tahminlerin güvenilirliği konusundaki uyarısını sakladık.
Bu sayılar size ne anlatamaz
- Seçilen deneyler evrensel bir Yapay Zeka yatırım getirisi kuramaz. Farklı görevler, kontrol koşulları, katılımcılar ve kalite testleri savunulabilir bir birleşik yüzdeyi engeller.
- Örnek boyutları çalışma kapsamını tanımlar, bağımsız tekrarları değil. Copilot çalışmasına satıcı katılımı yorumlama açısından önemlidir.
- Geçmiş sonuçlar, bugün mevcut olan modellerin yeteneklerini belirlemez. Normalleştirme, uygulama maliyetlerini içermez veya sürdürülebilir yıllık tasarrufları göstermez.
Güncellik ve düzeltmeler
Workspace369 yayın ekibi tarafından sürdürülür. Üç ayda bir ve alıntı yapılan bir üretici değiştirme çalışması yayınladığında gözden geçirin. Sonraki yayın incelemesi: Aralık 2026. Geçmiş model sürümlerini ve gözlem tarihlerini saklayın. Sürüm tarihi yalnızca kanıt veya içerik esaslı olarak incelendiğinde değişir; temel gözlem dönemini değiştirmez.
İlk baskı: . Bu baskı için veri çıkarma, kaynak atıfı ve aritmetik kontrol edildi. Bağımsız hakemli inceleme iddia edilmemektedir.
Bir hata veya daha yeni birincil sürüm mü buldunuz? Kaynağı ve etkilenen istatistiği belirterek bir düzeltme gönderin. Düzeltmeler yayınlanmadan önce revizyon geçmişine kaydedilmelidir.
Birincil kaynaklar ve köken bilgisi
Bildirilen her sayısal hücre, doğrudan üreticisine bağlanır. İndirmeler, tam tablo veya çalışma kitabı konumlarını, gözlem dönemlerini, erişim tarihlerini, formülleri ve girdi başvurularını içerir.
- MIT / Noy ve ZhangYayınlanan Science yazım deneyi için MIT araştırma duyurusu ↗14 Temmuz 2023'te yayınlandı. 12 Eylül 2026'da erişildi.Seçilen olgusal gözlemler atıfta bulunularak yeniden ifade edilmiştir. Hiçbir kaynak rapor, grafik, katılımcı verisi veya özel veritabanı yeniden dağıtılmamıştır; kaynak hakları üreticisine aittir.
- Harvard Business School Yapay Zeka Enstitüsü / Dell’Acqua ve meslektaşlarıYapay Zekanın İş Başındaki Kökenlerine Dönüş: yayınlanmış danışmanlık deneyiminin kurumsal incelemesi ↗9 Nisan 2026'da yayınlandı. 12 Eylül 2026'da erişildi.Seçilen olgusal gözlemler atıfta bulunularak yeniden ifade edilmiştir. Hiçbir kaynak rapor, grafik, katılımcı verisi veya özel veritabanı yeniden dağıtılmamıştır; kaynak hakları üreticisine aittir.
- Peng, Kalliamvakou, Cihon ve DemirerGeliştirici Üretkenliği Üzerindeki Yapay Zeka Etkisi: GitHub Copilot'tan Kanıtlar, arXiv v1 ↗13 Şubat 2023'te yayınlandı. 12 Eylül 2026'da erişildi.Seçilen olgusal gözlemler atıfta bulunularak yeniden ifade edilmiştir. Hiçbir kaynak rapor, grafik, katılımcı verisi veya özel veritabanı yeniden dağıtılmamıştır; kaynak hakları üreticisine aittir.
- METR2025 başı Yapay Zeka'nın Deneyimli Açık Kaynak Geliştirici Üretkenliği Üzerindeki Etkisinin Ölçülmesi ↗10 Temmuz 2025'te yayınlandı. 12 Eylül 2026'da erişildi.Seçilen olgusal gözlemler atıfta bulunularak yeniden ifade edilmiştir. Hiçbir kaynak rapor, grafik, katılımcı verisi veya özel veritabanı yeniden dağıtılmamıştır; kaynak hakları üreticisine aittir.
- METRGeliştirici Üretkenlik Deney Tasarımımızı Değiştiriyoruz ↗24 Şubat 2026'da yayınlandı. 12 Eylül 2026'da erişildi.Seçilen olgusal gözlemler atıfta bulunularak yeniden ifade edilmiştir. Hiçbir kaynak rapor, grafik, katılımcı verisi veya özel veritabanı yeniden dağıtılmamıştır; kaynak hakları üreticisine aittir.
Kontrol edilip sonra alıntı yapılmak üzere hazırlandı
Bu rapor nasıl alıntılanır
Kaynak tarafından bildirilen bir istatistik için, orijinal yayıncıyı belirtin ve derlememizi kullanırken tam satıra bağlantı verin. Modellenmiş bir sonuç için Workspace369'u referans gösterin ve varsayımları ekleyin. Bu sayfaya bağlantı vermek, üçüncü taraf verilerin orijinal üreticisi olduğumuz anlamına gelmez.
Workspace369. (2026-09-12). Yapay Zeka Üretkenlik ve Zaman Tasarrufu Kıyaslamaları. https://workspace369.com/research/ai-productivity-time-savings-benchmarks/. Raporda listelenen birincil kaynaklar ve gözlem dönemleri.
İndirmeler, çevrilmiş sayfalar da dahil olmak üzere İngilizce referans veri kümeleridir. Kaynak hakları üreticilerinde kalır. Workspace369'un derlemesini ve hesaplamalarını belirtin; her kaynağın yeniden kullanım şartlarına danışın.