BigCat Research

Yapay zeka destekli araştırma: neyi hızlandırır, neyi yapamaz?

Q: Yapay zeka ile pazar araştırması anket yapmanın yerini tutar mı?

Hayır. *Political Analysis*'te yayımlanan hakemli bir çalışma (Bisbee vd., 2024), ChatGPT ile üretilen sentetik yanıtların ortalamaları yakalasa da dağılımı daralttığını gördü ve sentetik örneklemin istatistiksel çıkarım için güvenilir olmadığı sonucuna vardı. 16 kimlik grubunda 3.200 gerçek katılımcıyla yapılan bir başka çalışma da modellerin grupları düzleştirdiğini buldu. Karar verdiren sayılar gerçek katılımcılardan toplanmalı.

Q: Yapay zekânın verdiği kaynaklara güvenebilir miyim?

Her kaynağı açıp kontrol etmeden güvenmeyin. *Scientific Reports*'taki bir çalışmada GPT-3.5'in ürettiği kaynakların %55'i, GPT-4'ünkilerin %18'i hiç var olmayan uydurma kaynaklardı. Gerçek kaynaklarda da hatalı bilgi sık görüldü.

Kısa cevap: Yapay zeka destekli araştırma en çok üç yerde zaman kazandırır: masa başı tarama ve ilk taslak, açık uçlu yanıtların kodlanması ve dağınık notların sentezi. Kontrollü bir deneyde danışmanlar, yapay zekânın iyi olduğu görevlerde %25,1 daha hızlı çalıştı; ama yapay zekânın sınırı dışında kalan bir görevde doğru sonuca ulaşma olasılıkları 19 yüzde puanı düştü.¹ Gerçek insanlardan toplanan örneklemin, kaynak doğrulamasının ve yorumun yerini tutmaz.

Çıkar çatışması: Bu yazıyı yayımlayan BigCat Research, masa başı ve saha araştırması hizmeti satar ve bu işlerde BigAgent adlı yapay zekâ katmanını kullanır. Aşağıdaki sınırları ve kontrol sorularını bizim tekliflerimize de aynen uygulayabilirsiniz.

Burada yapay zekâ derken büyük dil modellerini (LLM) ve bunlara dayalı sohbet, özetleme ve sınıflandırma araçlarını kastediyoruz; görüntü tanıma ya da klasik makine öğrenmesi modelleri konu dışı.

Yapay zeka destekli araştırma nerede gerçekten hız kazandırır?

Hızlanma iddiası çoğu zaman kanıtsız dolaşıyor; bu yüzden kontrollü bir deneyle başlamak işe yarar. Harvard Business School, Wharton, Warwick Business School, MIT Sloan ve Boston Consulting Group (BCG) araştırmacılarının yürüttüğü ön kayıtlı deneyde, BCG'nin bireysel katkıcı düzeyindeki danışmanlarının yaklaşık %7'sine denk gelen 758 kişi rastgele üç gruba ayrıldı: yapay zekâ yok, GPT-4 erişimi var, GPT-4 erişimi ve kısa bir istem (prompt) eğitimi var.¹

Yapay zekânın yetenek sınırı içinde kalan 18 gerçekçi danışmanlık görevinde GPT-4 kullananlar görevleri %25,1 daha hızlı bitirdi. Tamamladıkları görev sayısı ortalama %12,2 arttı, işlerinin kalitesi de kontrol grubunu %40'tan fazla geçti.¹ Başlangıçta ortalamanın altında kalanların puanı %43, üstünde olanlarınki %17 arttı.¹

Araştırma işinde bu hız üç tipik yerde karşılık bulur:

Masa başı tarama ve ilk taslak. Bir kategori hakkında dağınık kaynakları tek bir soru etrafında toplamak, sınıflandırmak ve ilk okumayı yapmak. Hangi kararların masa başıyla çözülebileceğini masa başı araştırma ne zaman yeterli yazısında ayrıntılı ele aldık.
Açık uçlu yanıtların kodlanması. Anketteki "Neden?" sorusuna gelen yüzlerce cevabı temalara ayırmak.
Sentez. Görüşme notlarını, müşteri yorumlarını ve rapor taslaklarını tekrar eden örüntülere göre yapılandırmak.

Kodlama tarafında da hakemli bir kanıt var. Gilardi, Alizadeh ve Kubli, 2.382 tweet'i ilgililik (relevance), tutum, konu ve çerçeve (frame) tespiti gibi görevlerde etiketlettiler. Hiç örnek verilmeden (zero-shot) çalışan ChatGPT, beş görevin dördünde kitle çalışanlarından (MTurk) daha isabetli oldu.² Modelin kendi içindeki tutarlılığı, tüm görevlerde hem kitle çalışanlarının hem de eğitimli kodlayıcıların kendi aralarındaki uyumunu geçti.² Etiket başına maliyet 0,003 doların altında kaldı; bu, MTurk'ün yaklaşık yirmide biri demek.²

Bu sonuç, açık uçlu anket yanıtlarında ilk kodlama turunu makineye bırakmanın makul olduğunu gösteriyor. Dikkat edilecek ayrıntı şu: Çalışma İngilizce tweet'ler üzerinde yapıldı.² Türkçe bir müşteri anketinde aynı oranların tutacağını bu çalışmadan çıkaramayız; bunu kendi verinizde küçük bir insan kodlaması örneğiyle karşılaştırarak görmeniz gerekir.

Nerede yanılır: halüsinasyon ve uydurma kaynak

Kişisel Verileri Koruma Kurumu'nun Kasım 2025 tarihli rehberi halüsinasyonu, gerçeklikle örtüşmeyen ama çoğu zaman makul ve ikna edici görünen içerik olarak tanımlıyor.³ Rehber bunun nedenini de açıkça yazıyor: Bu modeller istemi anlamaktan çok, eğitildikleri veriden istatistiksel olarak en olası çıktıyı üretir. Bu yüzden dilsel olarak tutarlı bir cevap içerik olarak yanlış olabilir ve doğruluğu kontrol edilmelidir.³

Masa başı araştırmada bu risk en çok kaynak listesinde görünür. Scientific Reports'ta yayımlanan bir çalışma, ChatGPT'nin ürettiği kaynakçaları tek tek kontrol etti. GPT-3.5'in verdiği kaynakların %55'i, GPT-4'ünkilerin %18'i hiç var olmayan uydurma kaynaklardı.⁴ Gerçek olan kaynaklarda da esaslı hata payı yüksekti: GPT-3.5'te %43, GPT-4'te %24.⁴

Model sürümleri değiştikçe bu oranlar da değişir; kendi aracınızın bugünkü oranını bu çalışmadan bilemezsiniz. Çıkarılacak ders kalıcıdır: Yapay zekânın verdiği her kaynak açılıp okunmadan rapora girmemeli. Bir sektör raporundan alıntılanan pazar büyüklüğü rakamı, o raporun ilgili sayfası bulunmadan kullanılmamalı.

Deneydeki ikinci bulgu da aynı yere çıkıyor. Yapay zekânın yetenek sınırı dışında kalacak şekilde seçilen görevde, GPT-4 kullanan danışmanların doğru çözüme ulaşma olasılığı, yapay zekâ kullanmayanlara göre 19 yüzde puanı daha düşüktü.¹ Araç akıcı ve kendinden emin cevap verdiği için kullanıcı, işin hangi kısmının aracın sınırı dışında kaldığını her zaman fark etmiyor.

Sentetik katılımcı insan örnekleminin yerini tutar mı?

Pazar araştırmasında en çok tartışılan konu bu: Bir dil modeline "35 yaşında, İzmir'de yaşayan, iki çocuklu bir kadın olarak cevap ver" deyip anketi ona doldurtmak. Akademik literatür burada bölünmüş, ama karar verdirecek kadar net uyarılar içeriyor.

İyimser taraf: Argyle ve arkadaşları 2023'te Political Analysis'te, GPT-3'ü büyük ABD anketlerindeki gerçek katılımcıların demografik öyküleriyle koşullandırarak "silikon örneklemler" kurdu.⁵ Uygun koşullandırmayla modelin çok çeşitli alt grupların cevap dağılımlarını doğru biçimde taklit edebildiğini savundular ve bu özelliğe "algoritmik sadakat" adını verdiler.⁵

Temkinli taraf aynı dergiden geldi. Bisbee ve arkadaşları, ChatGPT'nin 11 toplumsal gruba dair ortalama "duygu termometresi" puanlarının ABD seçim anketi ANES'in 2016-2020 ortalamalarına yakın çıktığını gördü.⁶ Fakat sentetik yanıtların dağılımı gerçek anketlerden daha dardı. Sentetik veriyle kurulan regresyon katsayılarının yaklaşık %48'i gerçek veriden anlamlı biçimde farklı çıktı ve bunların yaklaşık %32'sinde işaret tersine döndü.⁶ İstemdeki küçük ifade değişiklikleri sonuçları kaydırdı. Aynı istem Nisan-Temmuz 2023 arasında, yaklaşık üç ayda, anlamlı biçimde farklı sonuç verdi.⁶ Yazarlar sentetik örneklemin istatistiksel çıkarım için güvenilir olmadığı sonucuna vardı.⁶

Wang, Morgenstern ve Dickerson ise dört dil modelini 16 demografik kimlikten 3.200 gerçek katılımcıyla karşılaştırdı.⁷ Modellerin kimlik gruplarını yanlış temsil ettiğini ve grup içindeki farkları düzleştirdiğini buldular. Bu zararları azaltan teknikler sorunu ortadan kaldırmadı.⁷

Pratik okuma şöyle:

Sentetik yanıt, anket sorularını denemek, hipotez listesi çıkarmak ya da görüşme kılavuzunu sınamak için bir taslak aracı olabilir.
Ortalamalar tutsa bile dağılım, alt grup farkı ve ilişkiler tutmayabilir. Segmentasyon ve sürücü analizi tam da bunlara dayanır.
Bu üç çalışmanın hepsi ABD verisiyle yapıldı.⁵⁶⁷ Türkiye'deki tüketici grupları için benzer bir doğrulama yayımlanmış değil; bunu bulamadık.
Pazar payı, fiyat duyarlılığı ya da marka tercihi gibi karar verdiren bir sayı, sentetik katılımcıyla değil gerçek örneklemle ölçülmeli.

Görev görev: hız kazancı ve gereken kontrol

Araştırma işi	Yapay zekâ ne yapar?	İnsan neyi kontrol etmeli?
Masa başı tarama	Kaynakları toplar, özetler, sınıflandırır	Her kaynağın gerçekten var olduğu, tarihi, tanımı; uydurma kaynak riski ölçülmüş durumda⁴
Açık uçlu yanıt kodlama	İlk tema listesini çıkarır, yanıtları etiketler	Küçük bir alt örneklemi insanla kodlayıp uyumu karşılaştırmak; kanıt İngilizce veriye dayanıyor²
Görüşme ve yorum sentezi	Tekrar eden örüntüleri gruplar	Aykırı ama önemli tek sesleri kaybetmemek; dağılımı daraltma eğilimi sentetik veride gözlendi⁶
Anket taslağı ve pilot	Soru alternatifleri, olası yanıt kalıpları üretir	Sorunun hedef kitlede nasıl anlaşıldığını gerçek pilotla görmek
Sentetik katılımcı	İnsan cevaplarını taklit eden yanıt üretir	Karar sayısı olarak kullanmamak; varyans ve alt grup farkları güvenilir değil⁶⁷
Rapor ön kurgusu	Bölüm iskeleti, tablo taslağı çıkarır	Her sayının kaynağa bağlanması ve yorumun araştırmacıda kalması

Kişisel veri: yapay zekâya ne yüklenmemeli?

KVKK rehberi, hazır bir üretken yapay zekâ modelini kendi faaliyetine entegre eden ve veri işlemenin amacına, kapsamına ve yöntemine karar veren şirketin bu işlemler bakımından veri sorumlusu sayılabileceğini yazıyor.³ Rehber bireylere de ad-soyad, adres, telefon ve kimlik bilgisi gibi kişiyi tanımlayan verileri paylaşmamayı, mümkün olduğunca anonimleştirilmiş ve genelleştirilmiş ifade kullanmayı öneriyor.³

Araştırma işinde bunun anlamı somut: Ham anket dosyasını ya da isimli görüşme dökümünü bir sohbet aracına yapıştırmadan önce kimlik bilgileri ayıklanmalı. Kullandığınız aracın veriyi nerede işlediği ve sakladığı, katılımcıya verilen aydınlatma metniyle uyumlu olmalı.

Bir araştırma firmasına ya da araç sağlayıcısına ne sormalı?

ESOMAR, yapay zekâ tabanlı araştırma hizmeti alanlara yönelik 20 soruluk bir kontrol listesi yayımladı.⁸ Satın alma görüşmesinde en çok işe yarayanlar şunlar:

Çıktının doğruluğunu doğrulama süreçleri nedir, belgelenmiş mi? Güvenilmez ya da yanlı sonuçlar nasıl yakalanıyor?⁸
Modellerin sınırları neler ve bunlar nasıl azaltılıyor?⁸
Hizmetin hangi kısmında yapay zekâ kullanıldığı açıkça belli mi?⁸
Etik uyum için insan gözetimi sürece nasıl yerleştirilmiş?⁸
Katılımcı mahremiyetini korumak ve veri koruma mevzuatına uymak için hangi adımlar atılıyor; rıza ya da başka bir hukuki dayanak var mı?⁸
Kullanılan model ne; şirket kendi mi geliştirdi, yoksa üçüncü taraf bir sisteme mi dayanıyor?⁸

Bu sorulara verilen cevaplar teklifin içinde yazılı olmalı. Firma seçerken bakılacak diğer ölçütler için güvenilir araştırma firması nasıl seçilir yazısına, teklif isterken kullanılacak sorular için araştırma teklifi nasıl istenir yazısına bakabilirsiniz.

Yapay zeka ile pazar araştırması için güvenli bir iş akışı

Kanıtlar bir arada okunduğunda makul bir sıra ortaya çıkıyor. Yapay zekâyı hız gereken yerde kullanın, doğruluk gereken yerde insanı devrede tutun.

Karar sorusunu önce insan yazar. Hangi karar destekleniyor, hangi bilinmeyen çözülecek? Araç bu soruyu sizin yerinize kuramaz.
Masa başı tarama yapay zekâyla hızlanır, kaynak kontrolü elle yapılır. Raporda kullanılan her rakam açılıp okunan bir kaynağa bağlanır.
Açık uçlu kodlamada çift kontrol. Model ilk turu yapar; yanıtların bir kısmını bir araştırmacı bağımsız kodlar ve iki sonuç karşılaştırılır.
Karar sayısı gerçek örneklemden gelir. Sentetik yanıt taslak ve pilot içindir. Pazar büyüklüğü, tercih ya da fiyat eşiği gibi rakamlar pazar araştırması ya da tüketici içgörü araştırması gibi gerçek katılımcıyla yapılan çalışmalardan gelir.
Yöntem notunda yapay zekâ kullanımı yazılır. Hangi adımda hangi araç kullanıldı, çıktı nasıl doğrulandı?

BigCat'te bu iş akışının yapay zekâ katmanına BigAgent diyoruz; masa başı tarama, açık uçlu metin analizi ve rapor ön hazırlığında kullanılıyor, yöntem seçimi, kaynak güvenilirliği ve yorum araştırmacıda kalıyor.⁹ Konunun daha genel tartışması için BIG 101'deki AI araştırmanın yerine geçer mi yazısına bakabilirsiniz.

Sık sorulan sorular

Yapay zeka araştırma sürecini ne kadar hızlandırır? Görev türüne bağlıdır. Boston Consulting Group danışmanlarıyla yapılan kontrollü deneyde, yapay zekânın iyi olduğu 18 görevde GPT-4 kullananlar işleri %25,1 daha hızlı bitirdi. Aynı deneyde yapay zekânın sınırı dışındaki bir görevde doğru sonuca ulaşma olasılıkları 19 yüzde puanı düştü.¹ Hız kazancı her görevde aynı değil; aracın iyi olmadığı işte doğruluk düşebilir.

Yapay zeka ile pazar araştırması anket yapmanın yerini tutar mı? Hayır. Political Analysis'te yayımlanan hakemli bir çalışma (Bisbee vd., 2024), ChatGPT ile üretilen sentetik yanıtların ortalamaları yakalasa da dağılımı daralttığını gördü ve sentetik örneklemin istatistiksel çıkarım için güvenilir olmadığı sonucuna vardı.⁶ 16 kimlik grubunda 3.200 gerçek katılımcıyla yapılan bir başka çalışma da modellerin grupları düzleştirdiğini buldu.⁷ Karar verdiren sayılar gerçek katılımcılardan toplanmalı.

Yapay zekânın verdiği kaynaklara güvenebilir miyim? Her kaynağı açıp kontrol etmeden güvenmeyin. Scientific Reports'taki bir çalışmada GPT-3.5'in ürettiği kaynakların %55'i, GPT-4'ünkilerin %18'i hiç var olmayan uydurma kaynaklardı.⁴ Gerçek kaynaklarda da hatalı bilgi sık görüldü.⁴

Açık uçlu anket yanıtlarını yapay zekâyla kodlamak güvenilir mi? İlk tur için makul. Hakemli bir çalışmada ChatGPT, İngilizce tweet'leri etiketlemede beş görevin dördünde kitle çalışanlarından daha isabetliydi.² Türkçe veride aynı sonucu varsaymak yerine, yanıtların bir kısmını bir araştırmacının bağımsız kodlayıp karşılaştırması gerekir.

Müşteri verisini bir yapay zekâ aracına yüklemek KVKK açısından sorun mu? Olabilir. KVKK'nın üretken yapay zekâ rehberine göre hazır bir modeli kendi işine entegre eden ve veri işlemenin amacına karar veren şirket veri sorumlusu sayılabilir.³ Göndermeden önce kimlik bilgilerini ayıklayın ya da anonimleştirin. Aracın veriyi nerede işleyip sakladığına da bakın.

Kaynaklar

Son güncelleme: 15 Ekim 2026. Yazar: BigCat Research araştırma ekibi.

Dell'Acqua F., McFowland III E., Mollick E., Lifshitz-Assaf H., Kellogg K. C., Rajendran S., Krayer L., Candelon F., Lakhani K. R., "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality", Harvard Business School Working Paper 24-013, 22 Eylül 2023. PDF (MIT Sloan), SSRN. Erişim: 15 Ekim 2026. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶
Gilardi F., Alizadeh M., Kubli M., "ChatGPT outperforms crowd workers for text-annotation tasks", Proceedings of the National Academy of Sciences 120(30): e2305016120, 2023, DOI 10.1073/pnas.2305016120. arXiv sürümü (2303.15056). Erişim: 15 Ekim 2026. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶
Kişisel Verileri Koruma Kurumu, Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda), Yayın No 113, Kasım 2025 (tanımlar bölümü; 5., 7., 8. ve 14. sorular). PDF. Erişim: 15 Ekim 2026. ↩ ↩² ↩³ ↩⁴ ↩⁵
Walters W. H., Wilder E. I., "Fabrication and errors in the bibliographic citations generated by ChatGPT", Scientific Reports 13: 14045, 7 Eylül 2023, DOI 10.1038/s41598-023-41032-5. PMC. Erişim: 15 Ekim 2026. ↩ ↩² ↩³ ↩⁴ ↩⁵
Argyle L. P., Busby E. C., Fulda N., Gubler J. R., Rytting C., Wingate D., "Out of One, Many: Using Language Models to Simulate Human Samples", Political Analysis 31(3): 337-351, 2023, DOI 10.1017/pan.2023.2. Cambridge Core. Erişim: 15 Ekim 2026. ↩ ↩² ↩³
Bisbee J., Clinton J. D., Dorff C., Kenkel B., Larson J. M., "Synthetic Replacements for Human Survey Data? The Perils of Large Language Models", Political Analysis 32(4): 401-416, 2024, DOI 10.1017/pan.2024.5. Cambridge Core. Erişim: 15 Ekim 2026. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸
Wang A., Morgenstern J., Dickerson J. P., "Large language models that replace human participants can harmfully misportray and flatten identity groups", Nature Machine Intelligence 7(3): 400-411, 2025, DOI 10.1038/s42256-025-00986-z (künye Crossref kaydından doğrulandı). arXiv sürümü (2402.01908). Erişim: 15 Ekim 2026. ↩ ↩² ↩³ ↩⁴ ↩⁵
ESOMAR, 20 questions to help buyers of AI-based services for market research and insights (5., 7., 8., 10., 12. ve 16. sorular). ESOMAR sayfası. Soru metni, bir sağlayıcının yanıt belgesinde yer alan hâliyle okundu: Toluna, Kasım 2024 (PDF). Erişim: 15 Ekim 2026. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷
BigCat Research, BigAgent sayfası. bigcatresearch.com/bigagent/. Erişim: 15 Ekim 2026. ↩