Yapay Zekâ Eşitsizliği Azaltacak mı, Yoksa Daha da mı Büyütecek?

2026 Goalkeepers Raporu, yapay zekâ tartışmasını “ne kadar güçlü olacak?” sorusundan çıkarıp çok daha kritik bir yere taşıyor: Bu güçten kim yararlanacak?

Yapay zekâ hakkında konuşurken çoğunlukla modellerin kapasitesine, işlerin nasıl değişeceğine veya teknolojinin insanın yerini alıp alamayacağına odaklanıyoruz. Oysa dünyanın önemli bir bölümü için asıl mesele çok daha temel: Bu teknoloji onlara ulaşacak mı, kendi dillerinde çalışacak mı ve yaşadıkları gerçekliği anlayacak mı?

2026 Goalkeepers Raporu tam olarak bu noktaya odaklanıyor. Raporun ana tezi oldukça güçlü: Yapay zekâ büyük bir eşitleyici olabilir, ancak kendiliğinden olmayacak.

Çünkü mevcut ekonomik düzen içerisinde yeni teknolojiler genellikle önce onları satın alma, geliştirme ve kullanma kapasitesi en yüksek olanlara ulaşıyor. Yapay zekâ da aynı yolu izlerse mevcut eşitsizlikleri azaltmak yerine hızlandırabilir.

Dünya ilerliyor ama aradaki mesafe kapanmıyor

Son 25 yıldaki küresel gelişme küçümsenecek gibi değil.

Yüzyılın başından bu yana beş yaş altı çocuk ölümleri yaklaşık yarıya indi. Aşırı yoksulluk geriledi. HIV, tüberküloz ve sıtmaya bağlı ölümler önemli ölçüde azaldı.

Fakat raporun dikkat çektiği sorun, ortalamaların bu ilerlemenin nasıl dağıldığını gizlemesi.

Mevcut eğilimler devam ederse 2045 yılında yaklaşık 900 milyon insan hâlâ günlük 3 doların altında yaşayacak. Düşük gelirli ülkelerde aşırı yoksulluk içinde yaşayan insan sayısının yüksek gelirli ülkelere göre yaklaşık 330 kat fazla olması bekleniyor.

Eğitimde de benzer bir tablo var. Sahra Altı Afrika'daki genç yetişkinlerin ortalama eğitim süresinin 2045'te bile yüksek gelirli ülkelerdeki akranlarından yaklaşık üç yıl geride kalacağı tahmin ediliyor.

Ve belki de en çarpıcı veri:

2045 yılında her yıl 3 milyondan fazla beş yaş altı çocuk, bugün önlemeyi bildiğimiz hastalıklar nedeniyle hayatını kaybediyor olabilir.

Buradaki sorun dünyanın hiç ilerlememesi değil.

İlerlemenin herkese aynı hızda ulaşmaması.

Yapay zekâ neden farklı olabilir?

Raporun yapay zekâya yüklediği rol tam burada ortaya çıkıyor.

Sağlık çalışanlarının, öğretmenlerin veya tarım danışmanlarının sayısını kısa sürede birkaç kat artırmak oldukça zor. Fakat mevcut uzmanların sahip olduğu bilgiye erişimi ölçeklendirmek mümkün olabilir.

Örneğin Sahra Altı Afrika'da yaklaşık her 2.000 kişiye bir doktor düşerken yüksek gelirli ülkelerde bir doktor 200'den az kişiye hizmet ediyor.

Sahra Altı Afrika'nın benzer bir erişim seviyesine yaklaşabilmesi için rapora göre iki milyondan fazla ek doktora ihtiyaç duyulurdu.

Bu farkı yalnızca yeni doktor yetiştirerek kısa sürede kapatmak gerçekçi değil.

Yapay zekânın potansiyeli burada ortaya çıkıyor: doktorun yerine geçmekten çok, mevcut sağlık çalışanının bilgiye erişimini ve karar kapasitesini artırmak.

Aynı mantık öğretmen ve çiftçi için de geçerli.

Dolayısıyla yapay zekânın en önemli etkisi bazen insan emeğini ortadan kaldırmak değil, uzmanlığı ölçeklendirmek olabilir.

Fakat yapay zekânın kendisi zaten eşitsiz

Burada raporun en rahatsız edici verilerinden biriyle karşılaşıyoruz.

Erken dönem büyük dil modellerinin eğitiminde kullanılan verilerin %90'dan fazlası İngilizce kaynaklardan geliyor.

Bu basit bir dil problemi değil.

Çünkü yapay zekâ sisteminin performansı, temsil edilmeyen toplumlarda ciddi biçimde düşebiliyor.

Raporda verilen örneğe göre önde gelen bir konuşma tanıma sistemi İngilizcede %6'nın altında hata oranına sahipken Yoruba dilinde hata oranı %60'ın üzerine çıkabiliyor.

Aradaki fark on kat civarında.

Bir sohbet uygulamasında yanlış anlaşılan bir cümle can sıkıcı olabilir. Sağlık hizmetinde ise aynı hata bambaşka sonuçlar yaratabilir.

Raporda Malawi'den çarpıcı bir örnek veriliyor. Doğum yapan bir kadının Chichewa dilinde kullandığı “suyum geldi” anlamındaki ifade doğrudan İngilizceye çevrildiğinde bambaşka bir anlama dönüşebiliyor.

Yani yapay zekânın bir dili “desteklemesi” ile o dili bağlamıyla gerçekten anlayabilmesi aynı şey değil.

Dijital eşitsizliğin yeni biçimi

İnternet çağındaki dijital uçurum çoğunlukla bağlantı üzerinden tanımlanıyordu:

İnternete erişebilenler ve erişemeyenler.

Yapay zekâ çağında bu ayrım çok daha katmanlı hale gelebilir.

Artık yalnızca bağlantınızın olup olmadığı değil; kullandığınız dilin modelde ne kadar temsil edildiği, ülkenize ait verilerin bulunup bulunmadığı, hesaplama kaynaklarına erişiminiz, hizmetin maliyeti ve sistemin sizin yerel koşullarınızı anlayıp anlamadığı belirleyici olacak.

Başka bir ifadeyle geleceğin dijital eşitsizliği:

“AI kullanabiliyor musunuz?” değil, “Sizin için ne kadar iyi çalışan bir AI kullanabiliyorsunuz?” sorusuyla ölçülebilir.

Yerel veri neden kritik?

Rapora göre dil sadece başlangıç.

ABD'deki büyük bir ticari çiftlik için geliştirilen yapay zekâ sistemi, Etiyopya'daki küçük bir çiftçi için aynı derecede yararlı olmayabilir.

Çünkü ürünler, zararlılar, hava koşulları, kredi imkânları, gübre ve tohum fiyatları hatta bir ürün kaybının aile üzerindeki ekonomik etkisi farklıdır.

Sağlıkta da durum aynı.

Bir ülkedeki hastalıkların yaygınlığı, mevcut ilaçlar, sağlık altyapısı ve klinik koşullar başka bir ülkeden tamamen farklı olabilir.

Bu nedenle rapor üç temel gereksinim ortaya koyuyor:

Her dilde çalışan sistemler, yerel veri ve koşullara dayanan modeller, insan ve erişim altyapısına yatırım.

Bu yaklaşım önemli bir şeyi değiştiriyor.

Yapay zekâ politikasının konusu yalnızca model geliştirmek olmaktan çıkıyor.

Veri egemenliği, yerel uzmanlık, eğitim, altyapı, maliyet ve erişim de yapay zekâ politikasının parçası haline geliyor.

Peki gerçekten işe yarıyor mu?

Rapordaki en değerli bölüm belki de teorik vaatlerden çok sahadaki erken uygulamalar.

Sağlık

Kenya'daki bir birinci basamak sağlık ağı, yapay zekâyı klinik ziyaretlerin içine entegre etmiş durumda.

Sistem teşhis, ilaç dozu ve hastanın daha ileri bir sağlık merkezine yönlendirilmesi konusunda sağlık çalışanına gerçek zamanlı destek sağlıyor.

Son karar yine sağlık çalışanında.

Raporda aktarılan erken sonuçlara göre tanı doğruluğu 16 yüzde puanı artmış durumda.

Eğitim

Sierra Leone'de gerçekleştirilen sekiz haftalık bir çalışmada öğrenciler öğretmenin yanında yapay zekâ destekli matematik yardımından yararlanıyor.

12 okulda yürütülen denemede öğrencilerin ilerlemesi, rapora göre tipik öğrenme hızının 1,7 yılına kadar eşdeğer sonuç göstermiş.

ABD'deki 21 ortaokulda yürütülen başka bir erken pilotta ise yedinci sınıf öğrencilerinin tek bir öğretim yılında yaklaşık altı aylık ek öğrenmeye eşdeğer kazanım elde ettiği bildiriliyor.

Tarım

Hindistan'da yerel yönetim altyapısına entegre edilen yapay zekâ destekli tarım danışmanlığı çiftçilere kendi dillerinde ürün, hava koşulları ve zararlılar hakkında bilgi sağlıyor.

Rapora göre sisteme 740 binden fazla çiftçi katılmış durumda ve ayda yaklaşık 70 bin yeni kullanıcı ekleniyor.

Bunlar önemli sonuçlar.

Ancak raporun kendisinin de belirttiği gibi bunlar erken kanıtlar ve pilot uygulamalar. Dolayısıyla birkaç başarılı örnekten “yapay zekâ küresel eşitsizliği azaltıyor” sonucunu çıkarmak için henüz erken.

İnsanlık birkaç pilot görünce devrimi ilan etmeye oldukça yatkın. Veriler biraz daha sabırlı.

Asıl yarış model yarışından farklı olabilir

Bugünkü yapay zekâ rekabetinde başarı çoğunlukla model büyüklüğü, hesaplama kapasitesi, benchmark performansı veya kullanıcı sayısıyla ölçülüyor.

Fakat toplumsal etki açısından çok farklı göstergeler gerekebilir:

Bir sağlık çalışanı daha doğru karar verebiliyor mu?

Bir öğretmen 60 öğrencinin farklı ihtiyaçlarını daha iyi görebiliyor mu?

Bir çiftçi hastalıklı ürünü hasadını kaybetmeden teşhis edebiliyor mu?

Bir insan kendi dilinde aynı kalitede hizmet alabiliyor mu?

Teknolojinin toplumsal değeri açısından belki de en önemli benchmark bunlar olacak.

Önümüzdeki 12–18 ay neden önemli?

Raporun en iddialı görüşlerinden biri zamanlama konusunda.

Yapay zekânın nasıl geliştirileceği, finanse edileceği ve dağıtılacağı konusunda önümüzdeki 12–18 ay içinde alınacak kararların, teknolojiden kimlerin yararlanacağını uzun süre etkileyebileceği savunuluyor.

Bunun nedeni yapay zekânın yalnızca hızla gelişmesi değil.

Bugün kurulan veri setleri, altyapılar, iş modelleri, standartlar ve ekosistemler yarının teknolojik bağımlılıklarını oluşturuyor.

Bir ülke yalnızca başka ülkelerde geliştirilen modelleri tüketirse teknolojiyi kullanabilir.

Ama kendi verisini, dil kaynaklarını, uzmanlarını ve uygulamalarını geliştirebilirse teknolojinin nasıl çalışacağını şekillendirebilir.

Aradaki fark küçük değil.

Türkiye açısından çıkarılabilecek ders

Rapor doğrudan Türkiye üzerine hazırlanmış değil. Ancak ortaya koyduğu çerçeve Türkiye için de anlamlı.

Türkçe büyük bir dil olmasına rağmen dijital veri miktarı ve çeşitliliği İngilizceyle karşılaştırılabilecek düzeyde değil. Daha da önemlisi sağlık, eğitim, hukuk, kamu hizmetleri ve tarım gibi alanlarda yüksek kaliteli yerel veri ihtiyacı yalnızca metin miktarıyla çözülemiyor.

Bu nedenle Türkiye açısından stratejik soru yalnızca:

“En güçlü yapay zekâ modeline nasıl erişiriz?”

olmamalı.

Bunun yanında şu soru da sorulmalı:

“Bu sistemlerin Türkiye'nin dilini, verisini, kurumlarını ve yerel koşullarını ne kadar iyi anlamasını sağlayabiliriz?”

Çünkü gelecekte yapay zekâ kapasitesi yalnızca teknoloji şirketlerinin sahip olduğu modellerle değil, ülkelerin sahip olduğu veri, insan kaynağı ve uygulama ekosistemiyle de belirlenecek.

Sonuç: Yapay zekâ eşitsizliği kendiliğinden çözmeyecek

2026 Goalkeepers Raporu'nun en önemli mesajı yapay zekânın ne kadar güçlü olduğu değil.

Teknolojik ilerleme ile toplumsal ilerlemenin aynı şey olmadığı.

Bir teknoloji milyarlarca insan tarafından kullanılabilir ve yine de eşitsiz olabilir.

Bir model onlarca dili destekleyebilir ama bazı dillerde diğerlerinden çok daha kötü çalışabilir.

Bir yapay zekâ doktorlara yardımcı olabilir ama dünyanın doktor açığının en yüksek olduğu bölgelerinde kullanılamayabilir.

Dolayısıyla geleceğin temel ayrımı yapay zekâya sahip olanlarla olmayanlar arasında oluşmayabilir.

Daha incelikli ve belki daha tehlikeli bir ayrım ortaya çıkabilir:

Yapay zekânın kendileri için geliştirildiği insanlar ile başkaları için geliştirilmiş yapay zekâyı kullanmak zorunda kalan insanlar.

Teknoloji eşitsizliği azaltabilir.

Ama teknoloji bunu kendi başına yapmaz.

Asıl belirleyici olan, onu kimin için tasarladığımızdır.

Öne Çıkan Veriler

2045'te aşırı yoksullukta yaşaması beklenen nüfus ~900 milyon

Sahra Altı Afrika'nın 2045 eğitim farkı ~3 yıl

2045'te yıllık 5 yaş altı çocuk ölümleri 3 milyondan fazla

Erken LLM eğitim verilerinde İngilizce kaynakların payı > %90

İngilizce konuşma tanıma hata oranı <%6

Yoruba konuşma tanıma hata oranı >%60

Sahra Altı Afrika'da doktor başına nüfus ~2.000

Yüksek gelirli ülkelerde doktor başına nüfus <200

Kenya sağlık uygulamasındaki tanı doğruluğu artışı +16 yüzde puanı

Hindistan'daki tarım hizmeti kullanıcıları 740.000+

Yeni tarım hizmeti kullanıcıları ~70.000/ay

Kritik karar penceresi 12–18 ay

Bu göstergelerin bir bölümü projeksiyon, bir bölümü erken pilot sonuçlarıdır; dolayısıyla aynı kesinlik düzeyindeymiş gibi yorumlanmamalıdır. Özellikle 2045 tahminleri mevcut eğilimler ve model varsayımlarına bağlıdır.

Araştırıyorum Yorumu

Bu raporun bence araştırma dünyası açısından ayrıca önemli bir mesajı var: temsiliyet artık yalnızca örneklem meselesi değil, model meselesi de.

Geleneksel araştırmada belirli bir topluluğu veriye dahil etmezsek sonuçların o topluluğu temsil etmediğini biliriz.

Yapay zekâda ise aynı problem çok daha görünmez biçimde ortaya çıkıyor. Bir dil, kültür veya yaşam koşulu eğitim verisinde yeterince temsil edilmiyorsa model yine cevap üretiyor. Sorun, cevabın ekranda gayet kendinden emin görünmeye devam etmesi.

Bu nedenle yapay zekâ çağında araştırmacıların sorması gereken yeni bir soru var:

“Bu veri kimi temsil ediyor?” sorusunun yanına artık “Bu model kimi temsil ediyor?” sorusunu da eklemeliyiz.

Kaynaklar

2026 Goalkeepers Report – PDF

2026 Goalkeepers Report ana sayfası

2026 raporu ve 1 milyar dolarlık yapay zekâ yatırımı duyurusu

Rapordaki uzun dönem sağlık, eğitim ve yoksulluk projeksiyonlarının önemli bölümü IHME analizlerine dayanıyor; rapor ayrıca Dünya Bankası, FAO ve diğer uluslararası veri kaynaklarını kullanıyor.