İşsizlik %8’e İndi: Bankalar Yapay Zekâyla Ne Görür?

İşsizlik oranı %8’e düştü. Çalışma ve Sosyal Güvenlik Bakanı Vedat Işıkhan’ın paylaştığı son tabloya göre işsiz sayısı 164 bin kişi azalarak 2 milyon 828 bine, istihdam edilenlerin sayısı 32 milyon 582 bine geriledi/ulaştı; genç işsizlik oranı da bir ayda yaklaşık 1 puan düşerek %15’e indi.

Bu veri, sadece “gündem” başlığı altında okunup geçilecek bir haber değil. Bankacılık ve finans açısından, kredi riski, tahsilat performansı, bölgesel büyüme ve müşteri kazanımı gibi kritik başlıkların hepsi işgücü piyasasıyla doğrudan bağlantılı. Kamu tarafında ise daha büyük resim var: Kamu hizmetleri ve e-Devlet uygulamalarında yapay zekâ, istihdam verilerini daha hızlı anlayıp daha isabetli politika üretmenin anahtarı hâline geliyor.

Benim gözlemim şu: Çoğu kurum işsizlik verisini “genel ekonomik durum” göstergesi olarak izliyor ama operasyonel karara çevirmekte geç kalıyor. Oysa doğru veri mimarisi ve doğru yapay zekâ yaklaşımıyla bu rakamlar, bankanın risk modellerinden kamu kurumlarının aktif işgücü programlarına kadar birçok alanda somut faydaya dönüşür.

İşsizlikte düşüş bankacılık için ne anlama gelir?

Kısa cevap: İşsizlikte düşüş, bankaların bireysel kredilerde ve KOBİ portföylerinde riskin yönünü okumasını kolaylaştırır; ama tek başına “risk azaldı” demek değildir.

İşsizlik oranı gerilerken genellikle iki şey olur:

1. Hanehalkı gelir istikrarı artar (en azından makro ölçekte). Bu, gecikmeye düşme olasılıklarını aşağı çekebilir.
2. Yeni işe girişler hızlanır, özellikle gençlerde. Bu da “ilk kez bankacılık ürününü düzenli kullanan” müşteri sayısını artırır.

Ancak finans tarafında gerçek hayat daha karışıktır. İşsizlik düşerken bile:

• Enflasyon, faiz seviyesi ve borçlanma maliyeti farklı yönde baskı yaratabilir.
• İstihdam artışı hangi sektörlerde yoğunlaştıysa risk de oraya göre şekillenir.
• Genç işsizliği düşse bile gençlerin gelir seviyesi dalgalıysa, ürün tasarımı ve limit politikası ayrı düşünülmelidir.

Bu noktada yapay zekâ devreye giriyor: Banka, tek bir “işsizlik oranı” yerine sektörel, bölgesel ve yaş kırılımlarını modelleyerek kararlarını ayrıştırabilir.

Bankanın bakması gereken 4 sinyal

İşsizlik verisini bankacılık kararlarına bağlamak için şu sinyaller pratik:

• Genel işsizlik (%8): Portföy genel risk iştahı ve stres senaryoları için makro çapa.
• Genç işsizliği (%15): Yeni müşteri edinimi, limit artışı stratejileri, eğitim/işe giriş kredileri için sinyal.
• İstihdam seviyesi (32.582.000): Tüketim kapasitesi ve ücretli çalışan bazının büyüklüğü.
• Aylık değişim (164.000 azalış): Kısa vadeli momentum; tahsilat ve erken uyarı göstergeleri için kıymetli.

Yapay zekâ, işgücü verisini “karar motoruna” nasıl çevirir?

Kısa cevap: Yapay zekâ, istihdam verisini diğer makro göstergelerle birleştirip bankaya öngörü, kamuya hedefleme sağlar.

Yapay zekânın güçlü olduğu yer tek bir göstergenin yorumlanması değil, çoklu veri setleri arasında ilişki bulma işidir. İşsizlik verisi; sektör büyümesi, ücret artışları, kredi hacmi, POS harcamaları, gecikme trendleri, bölgesel göç hareketi gibi değişkenlerle birlikte ele alındığında gerçek değerini gösterir.

1) Kredi riski ve erken uyarı modelleri

Bankaların klasik yaklaşımı, müşterinin geçmiş ödeme performansına ve gelir beyanına dayanır. Yapay zekâ ile bir adım öteye geçilir:

• Bölgesel işgücü trendi zayıflıyorsa, o bölgede yeni kullandırılan kredilerde daha temkinli limit/tenor.
• Sektörel istihdam daralıyorsa (ör. mevsimsel dalgalanan sektörler), o sektörde çalışan müşteriler için daha sık izleme.
• Genç istihdamı artıyorsa, “ince dosya” (kredi geçmişi az) müşteriler için alternatif veriyle daha sağlıklı skor.

Burada kritik olan şeffaflık: Regülasyon ve iç denetim açısından, yapay zekâ modelinin “neden bu kararı verdiği” açıklanabilmeli. Bu yüzden kurumlar genelde iki kulvarı birlikte yürütüyor:

• Yüksek performanslı modeller (ör. gradient boosting, XGBoost benzeri yaklaşımlar)
• Açıklanabilirlik katmanı (özellik önemleri, kural setleri, segment bazlı açıklamalar)

2) Ekonomik risk analizi ve stres testleri

Makro stres testleri çoğu bankada belirli aralıklarla güncellenir. İşsizlik gibi göstergelerdeki hızlı değişimler, bu testlerin “güncellik” sorununu büyütür.

Yapay zekâ destekli bir yaklaşım:

• İşsizlik/istihdam verilerini yüksek frekanslı sinyallerle (haftalık işlem hacmi, kart harcaması endeksleri, sektörel ciro göstergeleri) birleştirir.
• Portföy kayıplarını tek bir senaryo yerine olasılıksal dağılım olarak üretir.
• Yönetim raporlarında “en kötü %5 senaryo” gibi net karar metrikleri sağlar.

Bu, özellikle yıl sonu planlaması yapılan Aralık ayında (bugün 21.12.2025), 2026 bütçe ve hedef tartışmalarında ciddi fark yaratır.

3) Gençlere yönelik ürün tasarımı: Fırsat var ama ince işçilik şart

Genç işsizliğinin %15’e gerilemesi önemli. Fakat gençlerin finansal davranışı daha hızlı değişir: iş değişimi, kısa dönemli gelir, gig ekonomi, dönemsel harcama artışı.

Yapay zekâ burada iki işe yarar:

1. Segmentasyonu iyileştirir: “18–25” gibi kaba kırılımlar yerine eğitim durumu, ilk işe giriş süresi, gelir düzeni, harcama kalıpları gibi değişkenlerle daha gerçekçi segmentler.
2. Ürün-uyumunu artırır: Limit, taksit, erteleme, otomatik birikim gibi parametrelerin segment bazında optimize edilmesi.

Pratik örnek: İlk işine yeni başlayan müşteri için “yüksek limitli kredi kartı” yerine, düzenli maaş yatışıyla kademeli artan limit + küçük tutarlı ihtiyaç kredisi teklifleri, gecikmeyi azaltıp uzun vadeli ilişkiyi güçlendirir.

Kamu hizmetleri ve e-Devlette yapay zekâ: İstihdam verisi nasıl daha iyi kullanılır?

Kısa cevap: e-Devlet ekosisteminde yapay zekâ, iş arayanla işi eşleştirmeyi hızlandırır; kaynakları doğru kişiye yönlendirir.

Bu yazı bir seri içinde: “Kamu Hizmetleri ve E-Devlette Yapay Zekâ”. İşsizlik verisi burada bir “gösterge” olmaktan çıkıp bir karar destek girdisi hâline geliyor.

İşgücü planlamasında hedefleme ve eşleştirme

Kamu tarafında asıl kazanç, doğru programı doğru vatandaşla buluşturmak:

• Hangi ilçede/ilde hangi beceri açığı var?
• Hangi yaş grubunda iş bulma süresi uzuyor?
• Hangi eğitim/mesleki kurslar işe yerleşmeyi gerçekten artırıyor?

Yapay zekâ ile bu sorular “geçmiş rapor” değil, canlı yönetim paneli hâline gelir. Sonuç: Aynı bütçeyle daha yüksek istihdam etkisi.

Vatandaş deneyimi: Daha az evrak, daha hızlı yönlendirme

e-Devlet’te yapay zekâ uygulamalarının en görünür faydası, vatandaşın hayatını sadeleştirmesidir:

• Başvuru formunda gereksiz tekrarların azaltılması
• Uygun program/teşvik önerilerinin kişiye göre sıralanması
• Süreçlerin “neden reddedildiği” gibi açıklamaların netleşmesi

Ben bu noktada netim: Kamu hizmetinde hız kadar güven de önemli. Model adil değilse, hızlı olması bir şeyi çözmez.

Banka + kamu: Yapay zekâ ile ortak değer nasıl üretilir?

Kısa cevap: Ortak değer, kişisel veriyi ifşa etmeden, agregasyon ve güvenli paylaşım prensipleriyle üretilir.

Finans ve kamu kurumları aynı hedefe farklı yerden bakar: ekonomik istikrar. Ancak veri paylaşımı “hassas” bir konu. Sağlıklı model şu ilkelere dayanır:

• Agregasyon: Kişi bazlı değil, bölge/segment bazlı göstergeler.
• Asgari veri prensibi: Model için ne lazımsa o.
• Denetim izi: Hangi veri, hangi amaçla, ne zaman kullanıldı.
• Adalet kontrolleri: Gençler, yeni mezunlar, belirli bölgeler aleyhine sistematik sapma var mı?

Bu çerçevede yapay zekâ uygulamaları hem bankanın riskini düşürür hem de kamu politikalarının etkisini artırır.

Uygulanabilir 90 günlük yol haritası (bankalar için)

Kurum içinde “bunu nereden başlasak?” sorusunun cevabı çoğu zaman basit:

1. Hafta 1–2: İşsizlik/istihdam verisini (genel + genç) bölgesel ve sektörel kırılımlarla veri gölüne alın.
2. Hafta 3–6: Mevcut PD/LGD veya gecikme tahmin modellerine makro özellikler ekleyip backtest yapın.
3. Hafta 7–10: Erken uyarı panelleri kurun: “bölge x sektör” ısı haritası, trend alarmı.
4. Hafta 11–13: Genç segment için ürün denemesi: küçük pilot, net KPI’lar (gecikme, aktiflik, müşteri memnuniyeti).

Bunların hiçbiri “tek seferde büyük dönüşüm” gerektirmiyor. Küçük ama doğru pilotlar, en hızlı öğrenme yoludur.

Sık sorulan sorular (finans ekipleri için)

İşsizlik oranı düştüyse kredi riskini otomatik düşürmeli miyiz?

Hayır. Otomatik düşürmek hatadır. Düşüşün hangi sektör ve bölgelerden geldiğini görmeden risk iştahı değiştirmek, portföyü yanlış yöne iter.

Genç işsizliği düşerken gençlere daha agresif limit verilebilir mi?

Agresiflik yerine kademeli limit + davranış bazlı artış daha sağlıklıdır. Yapay zekâ, bu kademeyi kişiye göre ayarlamada çok etkilidir.

Yapay zekâ modeli regülasyon açısından sorun çıkarır mı?

Modelin kendisinden çok, yönetişim sorun çıkarır. Açıklanabilirlik, adalet testleri, model izleme ve denetim izi kurulduğunda risk yönetilebilir.

Ne yapmalı?

İşsizlik oranının %8’e gerilemesi ve genç işsizliğinin %15’e inmesi, olumlu bir fotoğraf veriyor. Bankalar için bu fotoğrafın değeri, risk yönetimiyle büyümeyi aynı kareye sığdırabilmekte. Kamu tarafında ise fotoğraf, e-Devlet ve karar destek sistemleriyle birleştiğinde “daha hızlı hizmet”ten öte, daha doğru hedefleme anlamına geliyor.

Ben olsam 2026 planına girerken tek bir şeyi öncelerim: İşgücü piyasası göstergelerini raporlarda tutmak yerine, yapay zekâ destekli karar akışlarına bağlamak. Çünkü veriyi izleyip bekleyen kurumlarla, veriyi karar veren kurumlar arasındaki fark her yıl daha da açılıyor.

Sizce bankalar ve kamu kurumları, genç istihdamındaki bu olumlu trendi büyütmek için hangi yapay zekâ kullanımını öncelemeli: risk analizi mi, ürün tasarımı mı, yoksa e-Devlet’te eşleştirme mi?