Treemap'e dön

Türkiye İş Gücü
YZ Maruziyeti

Türkiye iş gücü piyasasındaki 117 mesleğin yapay zeka ve otomasyona maruziyetini analiz eden interaktif bir görselleştirme. Karpathy'nin AI Jobs projesinin Türkiye adaptasyonudur.

Nasıl Çalışır?

Veri toplama, puanlama ve görselleştirme üç katmanlı bir pipeline ile yapılır:

1
Veri Toplama
117 meslek ISCO-08 sınıflandırmasıyla tanımlanır. İstihdam sayıları TÜİK verilerinden, teknoloji maaşları 9.056 kişilik Önceki Yazılımcı anketinden, diğer sektör maaşları kariyer.net ve piyasa verilerinden derlenir.
occupations.json occupations.csv
2
Sezgisel Puanlama
Her meslek, dijitallik, rutinlik, fiziksel gereksinim ve insan etkileşimi gibi faktörlere dayalı olarak 0–10 arasında bir başlangıç puanı alır.
generate_preview_scores.py
3
LLM Puanlaması (opsiyonel)
Her meslek açıklaması — istihdam verileri, ücret bilgileri ve HuggingFace kalibrasyon bağlamı ile birlikte — Türkiye'ye özgü faktörleri içeren bir rubrik ile bir LLM'e gönderilir. Puanlama scripti (score.py) OpenRouter üzerinden herhangi bir modeli destekler; varsayılan olarak Google Gemini Flash kullanılır, ancak mevcut skorlar Claude Opus 4.6 ile üretilmiştir. Model, 0–10 puan ve Türkçe gerekçe üretir. Türkiye'nin kayıt dışı ekonomisi (%25), kır-kent dijital uçurumu ve imalat ağırlıklı ekonomisi dikkate alınır.
score.py
4
HuggingFace Kalibrasyonu
Skorlar, gerçek dünya YZ benimseme verileriyle kalibre edilir. Anthropic/EconomicIndex veri seti 756 meslek için gözlemlenen YZ maruziyetini ve otomasyon olasılığını sağlar. ISCO→SOC eşlemesi ile Türkiye meslekleri bu verilere bağlanır.
calibrate.py
5
Görselleştirme
Tüm veriler birleştirilerek interaktif bir treemap oluşturulur. Dikdörtgen alanı istihdamı, rengi YZ maruziyetini gösterir. Tıklanabilir detay dialogları, faktör dağılımları ve benzer meslek karşılaştırmaları sunar.
site/index.html site/data.json

Puanlama Metodolojisi

Her meslek, YZ maruziyetini ölçen tek bir 0–10 skoru alır. Bu skor hem doğrudan otomasyonu (YZ'nin işi yapması) hem de dolaylı etkileri (YZ'nin çalışanları o kadar verimli kılması ki daha az kişiye ihtiyaç duyulması) kapsar.

Temel sinyal: İşin çıktısı dijital mi? Eğer iş tamamen bir bilgisayar başında — yazma, kodlama, analiz, iletişim — yapılabiliyorsa, YZ maruziyeti doğası gereği yüksektir (7+). Fiziksel mevcudiyet, el becerisi veya gerçek zamanlı insan etkileşimi gerektiren işler doğal bir bariyere sahiptir.
PuanSeviyeAçıklamaÖrnekler
0–1 Minimal İş neredeyse tamamen fiziksel. YZ günlük işi etkilemez. Çiftçi, itfaiyeci, inşaat işçisi
2–3 Düşük Çoğunlukla fiziksel veya kişilerarası. YZ sadece çevresel görevlere yardımcı olur. Elektrikçi, tesisatçı, hemşire, garson
4–5 Orta Fiziksel ve bilgi işleme karışımı. YZ bilgi kısmına anlamlı şekilde yardımcı olur. Öğretmen, polis, veteriner, mühendis
6–7 Yüksek Ağırlıklı bilgi işleme. YZ araçları zaten faydalı, verimlilik önemli ölçüde artıyor. Avukat, muhasebeci, gazeteci, danışman
8–10 Çok Yüksek İş neredeyse tamamen bilgisayarda. Tüm temel görevler YZ'nin hızla geliştiği alanlarda. Yazılımcı, çevirmen, veri giriş elemanı

Kalibrasyon

Sezgisel ve LLM tabanlı skorlar, iki HuggingFace veri setiyle kalibre edilir:

Anthropic/EconomicIndex
O*NET görev düzeyinde gerçek YZ kullanım verileri. Her meslek için gözlemlenen maruziyet oranı ve otomasyon/artırma dağılımı.
756 meslek · 19.530 görev

Kalibrasyon süreci:

  1. Türkiye ISCO-08 kodları → SOC kodlarına eşlenir (2-digit seviyesinde)
  2. Anthropic verisinden SOC-2 grup ortalaması alınır (gözlemlenen maruziyet)
  3. Son skor = veri_skoru × 0.6 + sezgisel_skor × 0.4
  4. Kalibrasyon sonrası tüm indirilen veriler silinir
Kalibrasyon sonucunda ortalama skor 5.0'dan 4.1'e düştü. Bu, gerçek dünyada YZ benimsemesinin teorik potansiyelin henüz gerisinde kaldığını gösteriyor — özellikle fiziksel mesleklerde.

Veri Kaynakları

Birincil Veriler

Önceki Yazılımcı 2025
Türkiye yazılım sektörü maaş anketi. Pozisyon, seviye, şehir, şirket tipi ve çalışma modeline göre kırılım.
9.056 katılımcı · 59 pozisyon
@maashesabi
Anonim maaş DM'leri. Gerçek çalışma koşulları, sektör maaşları ve yaşam maliyeti verileri.
38 anonim gönderi

Resmi Kaynaklar

TÜİK
İşgücü İstatistikleri ve Kazanç Yapısı Araştırması. İstihdam sayıları ve ücret verileri.
ISCO-08 · 436 meslek grubu
İŞKUR
Meslek Bilgi Bankası. Meslek tanımları, eğitim gereksinimleri, ISCO-08 kodları.
1.123 meslek · 7.138 alt kod
SGK
Sosyal Güvenlik İstatistik Yıllıkları. Kayıtlı istihdam ve prim/kazanç verileri.
2007–2024 · 23.2M sigortalı
kariyer.net
Türkiye'nin en büyük iş ilanı platformu. Piyasa maaş verileri.
9.132+ pozisyon

Türkiye'ye Özgü Faktörler

Bu analiz, Türkiye iş gücü piyasasının kendine has özelliklerini dikkate alır:

Görselleştirme

Treemap'te her dikdörtgenin:

Renk paleti yeşil (güvenli) → amber → kırmızı (riskli) şeklindedir. Renk körlüğü dostu olması için renkler hem ton hem de parlaklık bakımından değişir — güvenli meslekler parlak yeşil, riskli meslekler koyu kırmızıdır. Bu sayede gri tonlamada bile okunabilir ve deuteranopi/protanopi'de parlaklık farkı ile ayırt edilebilir.

Projenin Hikayesi

Bu proje, yapay zeka araştırmacısı Andrej Karpathy'nin Mart 2026'da yayımladığı AI Exposure of the US Job Market çalışmasından ilham almıştır. Karpathy, ABD Çalışma İstatistikleri Bürosu'nun (BLS) Mesleki Görünüm El Kitabı'ndaki 342 mesleği analiz ederek her birine 0–10 arasında bir YZ maruziyet skoru atamış ve bunu interaktif bir treemap ile görselleştirmiştir. Çalışma, dijital ortamda yürütülen mesleklerin (yazılım, muhasebe, çeviri) çok yüksek, fiziksel emek gerektiren mesleklerin (inşaat, tarım, sağlık bakımı) ise düşük maruziyete sahip olduğunu göstermiştir.

Bu Türkiye adaptasyonu, arosstale/jobs deposunun fork'u üzerine inşa edilmiştir. Söz konusu depo, Karpathy'nin orijinal karpathy/jobs projesinin (artık kamuya kapalı) açık kaynak yeniden uygulamasıdır ve aynı pipeline'ı — Playwright ile BLS sayfalarını kazıma, BeautifulSoup ile ayrıştırma, LLM ile puanlama, treemap ile görselleştirme — Python tabanlı olarak hayata geçirmektedir. Biz bu altyapıyı Türkiye iş gücü piyasasına uyarladık: BLS yerine TÜİK ve İŞKUR verilerini, SOC kodları yerine ISCO-08 sınıflandırmasını, dolar yerine Türk lirasını kullandık ve 117 Türkiye mesleği için sıfırdan veri derledik.

Puanlama metodolojisi, Karpathy'nin yaklaşımını üç katmanda genişletir. İlk olarak, sezgisel skorlar her mesleğin dijitallik, rutinlik ve fiziksellik faktörlerine göre atanır. İkinci olarak, Anthropic/EconomicIndex elde edilen gerçek dünya YZ benimseme oranları kalibrasyon bağlamı olarak derlenir. Son olarak, tüm bu veriler — meslek tanımı, Türkiye istihdam ve ücret istatistikleri, kalibrasyon verileri — bir LLM'ye (Gemini Flash) sunularak model, Türkiye'ye özgü faktörleri (kayıt dışı ekonomi, kır-kent dijital uçurumu, imalat ağırlıklı ekonomi) göz önünde bulundurarak nihai skoru ve gerekçeyi üretir. Her gerekçe, Frey & Osborne (2017), Eloundou ve ark. (2024), Goldman Sachs (2023) gibi hakemli araştırmalara atıfla desteklenmektedir.

Açık Kaynak

Bu proje açık kaynaklıdır. Tüm kod, veri ve metodoloji GitHub'da mevcuttur.

Akademik referansların tam listesi için REFERENCES.md dosyasına bakın.

Katkılar memnuniyetle karşılanır — yeni meslekler, daha iyi veri kaynakları ve ek kalibrasyon veri setleri.