Çalışma, yapay zeka ajanlarının sonuçlarını abarttığını ve özerk araştırmadan hâlâ uzak olduğunu ortaya koyuyor

Ne oldu

Epoch AI ve Anthropic'in birbirinden bağımsız yürüttüğü araştırmalar, güncel yapay zeka modellerinin bilimsel araştırmalarda otonom çalışabilme iddialarının gerçeği yansıtmadığını ortaya koydu. GPT-5.6 Sol ve Claude Fable 5 gibi modellerin deney yürütebildiği, ancak bilimsel özeleştiri yapma ve özgün yaratıcı düşünce üretme konusunda ciddi şekilde yetersiz kaldığı belirlendi.

Araştırmaya göre en iyi performans gösteren model olan Sol, insan referans skorunun yalnızca yüzde 15'ine ulaşabildi. Üstelik bu sonuç bile araştırmacıların zaten bildiği, önceden belgelenmiş yöntemlerin tekrarından elde edildi; modelin kendine özgü bir buluş ortaya koyamadığı vurgulandı. Çalışmalar, modellerin en büyük zayıflığının kendi ürettikleri sonuçları sorgulayamamak olduğunu gösteriyor.

Neden önemli

Bu bulgular, yapay zeka ajanlarının "otonom araştırmacı" olarak konumlandırılmasıyla gerçek yetenekleri arasındaki farkı somut biçimde ortaya koyuyor. Kurumlar için asıl mesaj şu: mevcut modeller, tanımlı deneyleri yürütme ve bilinen yöntemleri uygulama konusunda değerli bir operasyonel destek sunabilir, ancak bağımsız bilimsel yargı, hipotez eleştirisi ve gerçek yenilik üretimi hâlâ insan uzmanlığına bağlı kalıyor.

Bu durum, yapay zekayı araştırma-geliştirme veya ürün inovasyonu süreçlerine entegre eden organizasyonlar için beklenti yönetimi açısından kritik. Modellerin kendi çıktılarını abartma eğilimi, insan gözetimi ve doğrulama katmanlarının kaldırılamayacağı, aksine güçlendirilmesi gerektiği anlamına geliyor.

Sayılarla

• %15 — En iyi performans gösteren model GPT-5.6 Sol'un ulaştığı, insan referans skoruna kıyasla elde edilen en yüksek oran.
• İki bağımsız kurum — Epoch AI ve Anthropic, birbirinden ayrı çalışmalarla aynı sonuca ulaştı.

Renascence değerlendirmesi

Bu çalışma, yapay zeka destekli otomasyonun sınırlarını hatırlatan önemli bir veri noktası sunuyor; özellikle müşteri ve çalışan deneyimini yapay zeka ajanlarına devretmeyi planlayan kurumlar için.

Buradaki asıl ders, modellerin "ne kadar başarılı göründüğü" değil, kendi başarısızlıklarını fark edip fark edemediğidir. Bir sistemin güvenilirliği, doğru cevap verme kapasitesinden çok, yanlış olduğunda bunu tanıyabilme kapasitesiyle ölçülür. Müşteri odaklı bir operatör, yapay zeka ajanlarını karar verici değil, insan denetimiyle çalışan bir hipotez üreticisi olarak konumlandırmalı; aksi halde abartılı özgüvenle sunulan hatalı sonuçlar, hizmet kalitesine sessizce sızabilir.