Yüzyıllar boyunca insan uygarlığı kıtlık etrafında örgütlendi. Gıda kıttı, enerji kıttı ve belki de en önemlisi enformasyon kıttı. Öğrenme, araştırma, icat ve uzmanlık, bu kıtlığa verilen yanıtlar olarak ortaya çıktı. Bilginin keşfedilmesi, aktarılması, korunması ve biriktirilmesi gerekiyordu. Enformasyona erişmek için harcanan çaba; eğitim, uzmanlaşma ve yenilikçilik için güçlü teşvikler yarattı.

Bugün ise temelde farklı bir duruma yaklaşıyor olabiliriz.

Büyük dil modelleri ve üretken yapay zekânın diğer biçimleri, enformasyona erişmenin maliyetini hızla düşürüyor. Bir zamanlar yıllar süren çalışma gerektiren sorular artık saniyeler içinde yanıtlanabiliyor. Teknik açıklamalar, literatür taramaları, programlama desteği ve yaratıcı içerik üretimi, internet bağlantısı olan herkes için giderek daha erişilebilir hâle geliyor.

Bu durum ilginç bir soruyu gündeme getiriyor: Enformasyonun kendisi fiilen bol hâle geldiğinde ne olur?

Bu noktada termodinamikten gelen bir benzetme yararlı olabilir.

Klasik fizikte evrenin nihai kaderi kimi zaman “ısı ölümü” olarak tanımlanır. Bu senaryoda enerji yok olmaz; bunun yerine evrenin tamamına eşit biçimde dağılır. Artık anlamlı sıcaklık farkları kalmadığı için, bu enerjiden yararlı iş üretilemez. Evren enerji içerir; fakat süreçleri harekete geçirecek gradyanlardan yoksundur.

Benzer bir olgu enformasyon alanında da ortaya çıkabilir.

“Enformasyon ölümü”, bilginin ortadan kaybolması anlamına gelmez. Tam tersine, bilgi her yerde olur; yanıtlara anında erişilebilir. Uzmanlık, yapay zekâ aracılığıyla geniş kitlelere ulaşılabilir hâle gelir. Ancak bireyler arasındaki enformasyon farkları azaldıkça, tarihsel olarak öğrenmeyi ve keşfi yönlendiren teşvikler zayıflayabilir.

Buradaki temel kavram, enformasyonel gradyan fikridir.

Tarih boyunca ilerleme çoğu zaman bilgi farklarına dayanmıştır. Bilim insanları, yanıtlar mevcut olmadığı için bilinmeyen olguları araştırdı. Öğrenciler, uzmanlık kıt olduğu için çalıştı. Girişimciler, başkalarının sahip olmadığı bilgilere sahip oldukları için başarılı oldu. Bu enformasyon asimetrileri; keşif, yenilik ve ekonomik değer yaratımı için fırsatlar doğurdu.

Yapay zekâ bu gradyanların birçoğunu düzleştirme potansiyeline sahiptir.

Milyonlarca insan aynı temel modellere dayandığında, bu modeller benzer veriler üzerinde eğitildiğinde ve benzer hedeflere göre optimize edildiğinde, ortaya çıkan çıktılar giderek daha homojen hâle gelebilir. Son araştırmalar, yapay zekâ sistemlerinin bireysel düzeyde oldukça yaratıcı çıktılar üretebildiğini; buna karşın yapay zekâ tarafından üretilen çıktı kümelerinin, insan üretimi karşılaştırılabilir çıktı kümelerine kıyasla kolektif çeşitliliğe daha az katkı sunduğunu göstermektedir. Tek tek yanıtlar etkileyici olabilir; fakat çoğu zaman kavramsal uzayın benzer bölgelerinde yoğunlaşma eğilimi gösterirler.

Bu eğilimler yazma görevlerinin ötesine geçerek eğitim, bilim, gazetecilik, yazılım geliştirme ve kültürel üretim alanlarına yayılırsa, daha geniş bir olgu ortaya çıkabilir: İnsan toplumları giderek artan bir enformasyonel yakınsama deneyimleyebilir. Bilgi bol kalmaya devam eder; ancak yenilik bulmak zorlaşabilir.

Bu olasılık, “algoritmik monokültür” kavramıyla yakından ilişkilidir. Biyolojik ekosistemler tek bir türün baskın hâle gelmesiyle nasıl kırılganlaşırsa, enformasyon ekosistemleri de az sayıda üretken sistem tarafından domine edildiğinde kırılganlaşabilir. Buradaki risk yalnızca hataların yayılması değildir; aynı zamanda bakış açılarının, varsayımların ve keşif yollarının çeşitliliğinde kademeli bir azalmadır.

Bununla birlikte, gerçek anlamda bir enformasyonel ısı ölümünün gerçekleşebileceğinden kuşku duymak için önemli nedenler vardır.

İnsanlık tarihi, yeni teknolojilerin kıtlığı basitçe ortadan kaldırmadığını; çoğu zaman onu başka bir yere taşıdığını tekrar tekrar göstermiştir.

Matbaa, kitapların kıtlığını azalttı; fakat yorumlama becerisinin değerini artırdı. Arama motorları, enformasyona erişim kıtlığını azalttı; fakat muhakemenin önemini artırdı. Hesap makineleri, aritmetik işlem yapma ihtiyacını azalttı; fakat matematiksel düşünmeye olan ihtiyacı ortadan kaldırmadı.

Benzer biçimde, yapay zekâ yanıtların kıtlığını azaltırken soruların kıtlığını artırabilir.

Enformasyonun bol olduğu bir dünyada en değerli yetkinlikler artık olguları ezberlemek ya da bilgiyi geri çağırmak olmayabilir. Bunun yerine değer; önemli problemleri tanımlamaktan, anlamlı sorular sormaktan, hedefler belirlemekten, muhakeme yürütmekten ve kolektif eylemi koordine etmekten doğabilir.

Sınır hattı, enformasyon ediniminden keşfin kendisine doğru kayabilir.

Bu durum daha iyimser bir yoruma kapı aralar. Yapay zekâ, enformasyon ölümüne yol açmak yerine, insanlığı yaratıcılık ve zekâyı yeniden tanımlamaya zorlayabilir. İnsanların ayırt edici katkısı, bilgiye sahip olmaktan ziyade gerçekten yeni araştırma yönleri üretebilme kapasitesi olabilir. Yapay zekâ sistemleri mevcut bilgiyi işletmekte üstün performans gösterirken, insanlar bilinmeyen kavramsal alanların keşfinde kritik bir rol oynamayı sürdürebilir.

Bu bakış açısından geleceğin temel meselesi, bilgiye erişimi korumak değildir. Asıl mesele, keşif çeşitliliğini korumaktır.

Dolayısıyla yapay zekâ çağının en önemli sorusu ne “Makineler düşünebilir mi?” ne de “Makineler insan emeğinin yerini alacak mı?” olabilir. Bunun yerine soru şudur:

Bilginin kendisi evrensel olarak erişilebilir hâle geldiğinde, keşfi mümkün kılan gradyanları nasıl koruyacağız?

Uygarlığın enformasyonel bir denge durumuna mı yaklaşacağı, yoksa sürekli olarak yeni keşif ufukları mı yaratacağı; yapay zekânın durağanlaştırıcı bir güç mü, yoksa insan yaratıcılığının bir sonraki büyük genişlemesinin motoru mu olacağını belirleyebilir.

Not: Bu makalenin üretilmesinde yapay zekâ etkileşimli olarak kullanılmıştır. Fikir bana aittir.

Bu konuda daha fazla merak edenler için bazı çalışmalar:

Yapay zekâ homojenleşmesi / kolektif yaratıcılık: Doshi ve Hauser, üretken yapay zekânın bireysel hikâyeleri iyileştirebildiğini; buna karşın kolektif çeşitliliği azaltabildiğini göstermektedir.

Algoritmik monokültür: Kleinberg ve Raghavan, ortak algoritmik tavsiyenin, algoritma bireysel düzeyde yararlı olsa bile, toplumsal açıdan istenmeyen bir yakınsamaya yol açabileceğini modellemektedir. Bommasani ve arkadaşları ise bunu makine öğrenmesi sistemlerinde “çıktı homojenleşmesi” kavramına doğru genişletmektedir.

Model çöküşü / yinelemeli yapay zekâ kültürü: Shumailov ve arkadaşları, yinelemeli olarak yapay zekâ tarafından üretilmiş veriler üzerinde eğitilen modellerin, özgün dağılımın kuyruklarını kaybettiğini göstermektedir.

İnsan–yapay zekâ ortak yaratıcılığı ve homojenleşme: Anderson, Shah ve Kreminski, büyük dil modeli kullanımının yaratıcı fikir üretimini ve çıktılar arasındaki anlamsal benzerliği nasıl değiştirdiğini incelemektedir.

Moon, Green ve Kushlev’in çalışması ise “çeşitlilik büyüme hızı” kavramını ortaya koymaktadır: Her ek insan makalesi, her ek GPT-4 makalesine kıyasla daha fazla yeni anlamsal çeşitlilik eklemektedir.

Kaynaklar: Doshi, Anil R., and Oliver P. Hauser. “Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content.” Science Advances, vol. 10, no. 28, 2024, article eadn5290, doi:10.1126/sciadv.adn5290.

Kleinberg, Jon, and Manish Raghavan. “Algorithmic Monoculture and Social Welfare.” Proceedings of the National Academy of Sciences, vol. 118, no. 22, 2021, article e2018340118, doi:10.1073/pnas.2018340118.

Bommasani, Rishi, et al. “Picking on the Same Person: Does Algorithmic Monoculture Lead to Outcome Homogenization?” Advances in Neural Information Processing Systems, vol. 35, 2022, pp. 3663–3678, doi:10.52202/068431-0265.

Shumailov, Ilia, et al. “AI Models Collapse When Trained on Recursively Generated Data.” Nature, vol. 631, 2024, pp. 755–759, doi:10.1038/s41586-024-07566-y.

Anderson, Barrett R., et al. “Homogenization Effects of Large Language Models on Human Creative Ideation.” Proceedings of the 16th Conference on Creativity & Cognition, Association for Computing Machinery, 2024, pp. 413–425, doi:10.1145/3635636.3656204.

Moon, Kibum, et al. “Homogenizing Effect of Large Language Models (LLMs) on Creative Diversity: An Empirical Comparison of Human and ChatGPT Writing.” Computers in Human Behavior: Artificial Humans, vol. 6, Dec. 2025, article 100207, doi:10.1016/j.chbah.2025.100207.

◆