Yapay Zeka İle Oluşan Ve/Veya Gelişen Yeni Meslekler, İşler, Görevler...

Yapay Zeka İle Oluşan Ve/Veya Gelişen Yeni Meslekler, İşler, Görevler...

Ufuk Tarhan

[Yayım Tarihi: 20 Ağustos 2025]

Gartner’ın ABD, İngiltere ve Almanya’da yaptığı araştırmaya göre, olgun kurumların %67’si üretken yapay zekâ (GenAI) için yeni roller oluşturuyor, %87’sinde ise özel bir AI ekibi var.

Veri & Analitik (D&A) ekiplerinde artık yalnızca veri bilimci, veri mühendisi ya da ML (Makine Öğrenmesi) mühendisi değil; bilgi mühendisi, model yöneticisi, AI etik uzmanı ve Head of AI gibi yeni pozisyonlar da zorunlu hale geliyor.

Bu roller, hem teknik karmaşıklık (gerçek zamanlı analitik, model versiyonlama, in-context learning) hem de etik ve yönetişim gerekliliklerinden doğuyor. Özellikle bilgi mühendisleri, kurumun kolektif bilgisini ontolojiler (bir alanı tanımlayan kavramlar ve bu kavramlar arasındaki ilişkileri gösteren şemalar) ve bilgi grafına (ilişkili verileri düğümler ve bağlarla görselleştirip anlamlı bir ağ oluşturan veri yapısı) dökerek “kurumsal hafıza” inşa ediyor; model yöneticileri yaşam döngüsü boyunca modellerin doğruluğunu ve drift riskini kontrol ediyor; YZ etik uzmanları ise öngörülmeyen toplumsal sonuçları yönetiyor.

Bunun yanında, YZ ve veri okuryazarlığı eğitimleri şart. Gartner’a göre şirketlerin %39’u GenAI okuryazarlığı programı başlatmış durumda; %26’sı altı ay içinde uygulamayı planlıyor. Aksi halde, 2028’e kadar her dört nitelikli işten ayrılmadan biri yöneticilerin veri okuryazarlığı eksikliğinden kaynaklanacak.

Kimleri İşe Almalıyız?

Yeni Unvanlar ve Ortaya Çıkan Bağımsız Roller, Geleceğe Dönük Yeni Meslekler

Model Validator — Model Doğrulayıcı: Modelleri bağımsız testlerle doğruluk, önyargı ve sağlamlık açısından sınar; Model Risk/Denetim biriminde yer alır; İstatistik/Matematik/CS + validasyon metodları.

Model Manager — Model Yöneticisi: Model envanteri, versiyon, kullanım politikası ve erişimi yönetir; Veri/Model Yönetişimi altında çalışır; IS/CS/MBA + model yaşam döngüsü bilgisi.

Prompt Engineer — İstem Mühendisi: LLM’ler için istem zincirleri, değerlendirme ve guardrail tasarlar; Uygulamalı YZ/Ürün ekibindedir; CS/Dilbilim + Python, değerlendirme metrikleri.

ML Engineer — Makine Öğrenimi Mühendisi: Özellik mühendisliği, eğitim ve servisleştirme yapar; Ürün&ML Mühendisliğinde konumlanır; CS/İstatistik/Matematik + PyTorch/TF, MLOps temelleri.

Knowledge Engineer — Bilgi Mühendisi: Ontoloji, bilgi grafı ve RAG tabanlarını kurar; Bilgi Yönetimi/Arama ekibindedir; CS/Kütüphanecilik + graf veri tabanları, bilgi modelleme.

Data Engineer — Veri Mühendisi: ETL/ELT hatları ve veri ambarlarını kurup ölçekler; Veri Platformu/BI’da yer alır; CS/IS + SQL, Spark, bulut veri hizmetleri.

Analytics Engineer — Analitik Mühendisi: İş analitiği için dbt/SQL ile dönüşüm katmanı ve veri modelleri üretir; BI/Analytics’te konumlanır; IS/Endüstri/İstatistik + SQL, veri yönetişimi.

AI Architect — YZ Mimarı: Kurumsal YZ/Veri mimarisi ve standartları tasarlar; BT/Platform Mimarisi’nde yer alır; Bilgisayar/EE + bulut, güvenlik, dağıtık sistemler.

AI Ethicist — YZ Etik Uzmanı: Adalet, şeffaflık, hesap verebilirlik ilkelerini politika ve incelemelere uygular; Etik/Risk&Uyum’da konumlanır; Felsefe/Hukuk/Kamu Politikası + etik değerlendirme.

AI Risk and Governance Specialist — YZ Risk ve Yönetişim Uzmanı: Uyum, telif, tedarikçi ve model riskini çerçeve/kontrol setleriyle yönetir; Risk/Compliance’ta yer alır; Hukuk/IS + NIST AI RMF/ISO bilgisi.

Head of AI — YZ Başkanı/Sorumlusu: YZ vizyonu, örgütlenme, bütçe ve etki ölçümünü yönetir; CEO/CTO’ya bağlı ayrı YZ organizasyonunu liderlik eder; CS/MBA + ürün ve platform tecrübesi.

AI Product Manager — YZ Ürün Yöneticisi: YZ tabanlı ürünlerin strateji, yol haritası ve KPI’larını yönetir; Ürün Yönetimi’nde yer alır; İşletme/MBA/CS + kullanıcı araştırması, deney tasarımı.

UX Designer — UX Tasarımcısı: YZ ile etkileşimi anlaşılır ve güvenli kılacak arayüz/akışlar tasarlar; Tasarım/Ürün ekibindedir; HCI/Tasarım/Psikoloji + kullanılabilirlik testleri.

D&A and AI Translator — Veri & YZ Çevirmeni (İş-Teknik Köprü): İş hedeflerini veri/YZ gereksinimine çevirir, etkiyi izler; İş Birimi–Analitik arasında köprü kurar; İşletme/Endüstri + veri okuryazarlığı.

Decision Engineer — Karar Mühendisi: Kurallar, optimizasyon ve karar modelleriyle karar otomasyonu kurar; Operasyon/Strateji-Analitik’te konumlanır; Endüstri/Operations Research/CS + optimizasyon.

Data Scientist — Veri Bilimci: İstatistiksel modelleme ve deneylerle öngörü/optimizasyon üretir; Gelişmiş Analitik/Ürün Analitiği’nde yer alır; İstatistik/Matematik/CS + Python/R, A/B.

AI Developer — YZ Geliştirici: Uygulamalara YZ API/ajanlarını entegre eder ve üretim kalitesinde özellik geliştirir; Ürün/Yazılım Mühendisliği’nde konumlanır; CS + API tasarımı, LLM entegrasyonu.

Mevcut Ekip Bu Döngüye Nasıl Katkı Veriyor?

Mevcut İş Rollerinin AI Geliştirme–Operasyon Sürecindeki Fonksiyonel Konumları, Yepyeni Değil, Rol Evrimi.

AI Expert — YZ Uzmanı: NLP/Computer Vision/RL gibi alanlarda derin teknik danışmanlık ve çözüm tasarlar; AR-GE/Uygulamalı YZ’de konumlanır; Y.lisans/Doktora (CS/EE/İstatistik) + yayımlar ve üretim deneyimi.

Data Scientist — Veri Bilimci: İstatistiksel modelleme/deney tasarımıyla öngörü ve optimizasyon üretir; Gelişmiş Analitik/Ürün Analitiği’nde yer alır; İstatistik/Matematik/CS + Python/R, A/B, nedensellik.

Data Engineer — Veri Mühendisi: ETL/ELT boru hatları ve veri ambarlarını kurup ölçekler; Veri Platformu/BI altında çalışır; CS/IS + SQL, Spark, Kafka, bulut veri hizmetleri.

Business Expert — İş/Alan Uzmanı: Alan bilgisini kurallara/özelliklere çevirerek model tasarımına girdi sağlar; İlgili iş biriminde konumlanır; İlgili alan lisansı + veri okuryazarlığı.

Business Owner — İş Sahibi (Ürün/Operasyon Sorumlusu): P&L/hedefler doğrultusunda YZ kullanımını yönlendirir ve etkiyi sahiplenir; İlgili iş biriminde yer alır; İşletme/Mühendislik + ürün ve süreç yönetimi.

AI Architect — YZ Mimarı: Kurumsal YZ/veri mimarisi, entegrasyon ve standartları tasarlar; BT/Platform Mimarisi’nde konumlanır; CS/EE + bulut (AWS/Azure/GCP), güvenlik, dağıtık sistemler.

Model Validator — Model Doğrulayıcı: Doğruluk, önyargı, sağlamlık ve regülasyon uyumunu bağımsız testlerle denetler; Model Risk/İç Denetim’de bulunur; İstatistik/Finans/CS + validasyon metodları.

Model/ML(Ops) Engineer — Model/MLOps Mühendisi: Eğitim–versiyonlama–dağıtım–izleme süreçlerini otomasyonla yönetir; ML Platform/Veri Platformu’nda konumlanır; CS/EE + Kubernetes, CI/CD, Python.

Prompt Engineer — İstem Mühendisi: LLM’ler için istem zincirleri, guardrail ve değerlendirme çerçeveleri kurar; Uygulamalı YZ/Ürün ekibindedir; CS/Dilbilim/BİL + değerlendirme metrikleri, Python.

Software Engineer — Yazılım Mühendisi: YZ bileşenlerini barındıran güvenilir uygulamalar ve API’lar geliştirir; Ürün/Platform Yazılımı’nda yer alır; CS + sistem tasarımı, test, güvenlik ve DevOps temelleri.

Sonuç: Yapay zekâ iş dünyasında yaygınlaştıkça, kurumların sadece teknolojiye değil, insan kaynağının yeniden beceri kazanmasına (reskilling) da yatırım yapması gerekiyor. Çünkü AI çıktılarının güvenilir, anlamlı ve uygulanabilir hale gelmesi için insan denetimi, bağlam ve etik sorumluluk vazgeçilmez hale geliyor.

Kaynak: Jorg Heizenberg - Gartner, Data & Analytics Summit 2024