Robotlar hangi işleri yapabilir?

Yayımlanma tarihi: 30 Eylül 2026

Yazarlar: Russell Legate-Yang ve Maxim Massenkoff

Kaynak: Anthropic — What work can robots do?

Teşekkür

James Akl, Tess Cotter, Sholto Douglas, Adam Farina, Megan Giacobetti, Ryan Heller, Johannes Hermle, Zoë Hitzig, Ben Jones, Chad Jones, Anton Korinek, Jan Leike, Eva Lyubich, Peter McCrory, Kerry Persen, Sarah Pollack, Santi Ruiz, Szymon Sacher, Monika Tuchowska, Zhengdong Wang, Heather Whitney, Nathan Wilmers, Kim Withee.

Temel bulgular

• Robotların bugün iş görevlerini ne ölçüde yerine getirebildiğine dayanan bir robotlara maruziyet endeksi sunuyoruz.
• Algılayan ve eylemde bulunan otonom fiziksel makineler olarak tanımladığımız robotlar, ABD’deki fiziksel görevlerin dörtte üçünü yerine getirebiliyor. Bu görevler toplam çalışma saatlerinin %34’ünü oluşturuyor; ancak robotlar bunları çoğunlukla sınırlı ortamlarda yapabiliyor. Robotlara maruz kalan çalışanların erkek, daha düşük eğitimli ve daha düşük ücretli olma olasılığı daha yüksek. Örneğin sürücülük ve depo işleri, bugün mevcut olan robotlara yüksek düzeyde maruz kalıyor. Hemşirelik ve genel onarım işleri ise bu durumda değil; çünkü günümüz robotları, son derece kontrollü ortamlarda bile bu işlerin ancak küçük bir bölümünü yapabiliyor.
• Genel olarak, çalışma süresiyle ağırlıklandırıldığında iş görevlerinin yaklaşık %80’i robotlara veya büyük dil modellerine (LLM’lere) maruz kalıyor. Robotlar, LLM’lerin yapamadığı işleri yapıyor. Maruz kalmayan diğer işler ise yoğun kişiler arası etkileşim içeriyor ya da günümüz robotlarının sahip olmadığı fiziksel beceriler gerektiriyor.
• Robotlar bugün fiziksel iş görevlerinin çoğunu yapabilse de insan emeğinden çok daha pahalı. Robotlar, iş görevlerinin yalnızca %0,3’ünde maliyet açısından rekabetçi. Robot fiyatlarındaki düşüşler geçmiş eğilimleri izlerse bu payın %10’a ulaşması 40 yıl sürecek. Fiyatın ötesinde, yetenekler, tercihler ve düzenlemeler de robotlarla otomasyonun önünde ek engeller oluşturuyor.
• Son 50 yılda robotlara daha fazla maruz kalan işlerde, diğer işlere kıyasla ücretlerde ve istihdamda daha büyük düşüşler görüldü. Aynı zamanda işlerin maruziyeti arttı: Robotlar her yıl, daha önce yapamadıkları fiziksel işlerin yaklaşık %2’sini yapabilir hâle geldi.

Giriş

Büyük dil modellerindeki ilerlemeler, işlerin geniş bir bölümünün otomatikleştirilmesi olasılığını gündeme getirdi. Ancak pek çok iş fiziksel nitelikte. Yapay zekânın ekonomi üzerindeki etkisi kısmen robotiğe bağlı olacak.¹

Robotlardaki ilerlemenin hızını öngörmek zor. Bununla birlikte, bugün sahip oldukları yetenekleri tek tek ortaya koymanın önümüzdeki yıllara ilişkin fikir verebileceğini savunuyoruz. Günümüz robotlarının iş görevlerini ne ölçüde yerine getirebildiğini değerlendirmek için Claude’u kullanarak işlerin robotlara maruziyetini ölçen bir yöntem geliştiriyoruz. Robotlar bir işin daha fazla görevini, daha az kontrollü ortamlarda yapabildiğinde o işin maruziyeti daha yüksek oluyor. Bir robot, aynı görevi bir insan çalışandan daha düşük maliyetle yapabildiğinde maliyet açısından rekabetçi sayılıyor.

Robotların ABD’deki fiziksel görevlerin %74’ünü hâlihazırda yerine getirebildiğini buluyoruz. Bu görevler çalışma saatlerinin %34’ünü oluşturuyor. Robotlar ve LLM’ler birlikte, istihdamın beşte biri dışında kalan bölümünü maruziyet kapsamına alıyor.

Ancak kullanıma geçişin önünde önemli engeller de buluyoruz: Robotların çoğu, yüksek düzeyde yapılandırılmış ortamlara ihtiyaç duyuyor ve işlerin yalnızca %0,3’ünde insanlarla maliyet açısından rekabet edebiliyor. Robot fiyatlarındaki düşüşler geçmiş eğilimleri izlerse bu payın yalnızca %10’a ulaşması 40 yıl sürecek. Maliyetten sonraki başlıca engel, örneğin birbirine dolanmış kabloları çözmek için gereken el becerisi gibi yetenekler. İnsan tercihleri ve düzenlemeler de görevlerin önemli bir bölümünde robotların benimsenmesini daha fazla sınırlıyor.

Temel varsayımımız, robotlar bir işin görevlerini bugün zaten yapabiliyorsa o işin etkilenme olasılığının daha yüksek olduğudur. Elli yıllık bir geriye dönük sınama bu yaklaşımı doğruluyor: 1977’den bugüne, mevcut robotlara daha fazla maruz kalan işlerde sonraki on yıllarda ücret ve istihdam düşüşleri yaşandı.

Geçmiş yol göstericiyse taksi sürücüleri ve depo paketleme çalışanları, hemşirelerden ve mekanik onarım çalışanlarından daha önce değişim görecek. Fiziksel işlerin ilk olarak robotların bugün zaten yer edindiği alanlarda otomatikleştirilmesini bekliyoruz.

Bugünün ve yarının robotları

Bugün robotların çoğu fabrikalar gibi kontrollü ortamlarda çalışıyor. İnsanlar çalışma ortamlarına uyum sağlayabilirken robotların fiziksel dünyayla etkileşim kurmak için genellikle programlanması gerekiyor. Bu, ticari açıdan uygulanabilir robotların önünde önemli bir engel oldu.² Ancak yapay zekâ, robotların çevrelerini yorumlamasına ve çevrelerine tepki vermesine yardımcı olarak depo robotlarının ve otonom araçların insanlarla birlikte çalışmasına olanak tanıyor.³

Pek çok gözlemci, yapay zekânın robotların yeteneklerini hızla geliştirmesini bekliyor.⁴ Robotlara yapılan harcamalar ABD’deki toplam ekipman yatırımının yaklaşık %1’i düzeyinde kalsa da işletme anketleri ABD’de robot kullanımının üç yıl içinde neredeyse iki katına çıkabileceğini gösteriyor.⁵ Şirketler de insanın fiziksel yetenekleriyle eşleşen, yapay zekâ destekli robotlar geliştirmek için milyarlarca dolar yatırım yapıyor.⁶

Bu çalışmaların işleri ve verimliliği tam olarak nasıl etkileyeceğini öngörmek zor. Mesleklerin, görevlerinin bugün robotlar tarafından ne ölçüde yapılabildiğine göre sıralanması, etkilerin ilk nerede ortaya çıkabileceğine işaret ediyor. Robotların, ancak yeni teknolojiler ve bazı durumlarda buna olanak tanıyan düzenlemelerle yapabilecekleri işlerden önce, bugün zaten yapabildikleri işleri etkilemesi beklenir.

Bugünkü yetenekler ayrıca somut ve ölçülebilir; gelecekteki yeteneklere ilişkin tahminler ise hangi teknolojilerin başarılı olacağına dair varsayımlarda bulunmayı gerektiriyor.⁷ Geliştirme aşamasındaki robotlar da mevcut maruziyete odaklanmamızı destekliyor: Şirketler, insansı robotları otomobil fabrikalarında ve depolarda, yani robotların zaten yaygın olduğu yapılandırılmış ortamlarda test ediyor.⁸

Maruziyetin ölçülmesi

Analizlerimiz, yaklaşık 900 mesleği yaklaşık 19.000 iş görevinin açıklamasıyla ilişkilendiren bir veri tabanı olan O*NET’in verilerini kullanıyor. Robotlar olmadan otomatikleştirilemeyeceğini düşündüğümüz bir fiziksel iş görevleri kümesi belirliyoruz. Bunun için Claude’dan görev açıklamalarını fiziksel, bilişsel ve kişiler arası çalışma gerekliliklerini ölçen bir değerlendirme ölçeğiyle puanlamasını istiyoruz.⁹ “Hendek kazmak” görevi fizikseldir; bilişsel ve kişiler arası beceriler de gerektirmesine rağmen “Dans öğrencilerine eğitim vermek” de öyledir.

Daktilo kullanan çalışanlar “Toplama makinesi veya hesap makinesi kullanarak rapor formlarındaki, taleplerdeki ya da faturalardaki toplamları hesaplamak ve doğrulamak” için ellerini kullansalar da bu görev fiziksel görev kapsamına girmiyor. Ek A ayrıntıları veriyor; Ek F ise kullandığımız istemleri listeliyor.

Görev düzeyindeki robotlara maruziyet ölçümümüz şu soruyu soruyor: Bir robot bugün bu görevi yerine getirebilir mi; getirebiliyorsa hangi koşullarda? Robotları, algılayan ve eylemde bulunan otonom fiziksel makineler olarak ele alıyoruz. Bu tanım, püskürtücüleri ayarlamak için araçları tarayan otomatik araç yıkama sistemlerini kapsarken tamamen bir cerrah tarafından kontrol edilen, uzaktan kumandalı cerrahi makineleri kapsam dışında bırakıyor.¹⁰ Maruziyet derecelerini, robotun bir görevi yerine getirmek için ihtiyaç duyduğu çalışma ortamının türüne göre ölçüyoruz.¹¹

Daha açık biçimde, görevleri bir robotun her bir görevi nerede yapabildiğine göre, maruziyetin arttığı dört düzeye ayırıyoruz:

• E0: Robot görevi yerine getiremiyor.
• E1: Robot görevi, bir fabrika montaj hattı gibi robotlar için özel olarak oluşturulmuş bir çalışma ortamında yerine getirebiliyor.
• E2: Robot görevi, bir lojistik deposu gibi insanların çalışması için yapılandırılmış bir tesiste yerine getirebiliyor.
• E3: Robot görevi, bir şehir yolu gibi yapılandırılmamış bir ortamda yerine getirebiliyor.

Şekil 1 de bu değerlendirme ölçeğini gösteriyor.

Şekil 1: Görevlerin robotlara maruziyetini değerlendirme ölçeği

Notlar: Fiziksel olarak belirlenen iş görevleri bu robotlara maruziyet ölçeğiyle puanlanıyor. Örneğin, bu görevi yapabilen bir depo robotu varsa, bir depoda kamyondan kutu boşaltma görevi E2 olarak puanlanıyor.

Çevrenin kontrol altında tutulmasının, yakın vadeli otomasyon riski için iyi bir ölçüt olduğunu düşünüyoruz. Robotların öngörülemeyen ortamlara uyum sağlaması zor olduğu için kullanımda olan robotların çoğu, montaj hatlarında otomobilleri boyayan robotlar gibi, mühendislikle düzenlenmiş ortamlarda çalışıyor. Bu zorlukların geçmişte fiziksel otomasyonu yavaşlattığı düşünülse de yapay zekâ destekli robotlar çevrelerine daha iyi uyum sağlayabilir.¹²

Maruziyeti belirlemek için Claude’dan her görevle ilgili belirli robotları araştırmasını, kaynaklardan doğrudan alıntı yaparak bu robotların yeteneklerini ve çalışma ortamlarını değerlendirmesini istiyoruz. Bir robotun, görevin tipik çalışma ortamının daha fazla veya daha az yapılandırılmış sürümlerinde bu görevi yerine getirip getiremeyeceğini soruyoruz.

Robotlara bulaşık makinesini doldurmak gibi görünüşte basit görevleri yaptırmak pek çok karmaşık fiziksel beceri gerektiriyor; bu nedenle yalnızca gösterilmiş robot yeteneklerini dikkate alıyoruz.¹³ Robotların ayrıca güvenilirlik, hata oranları ve hız hesaba katıldığında görevi insanlarla benzer düzeyde iyi yapması gerekiyor.

Örneğin sürücüsüz otomobiller, 2010’ların başında gerçek yollarda “Yolcu taşımak için taksi veya özel araç kullanmak” görevini yerine getiremiyordu. Ancak test amacıyla kurulmuş yapay kasabalarda sürüş yapabiliyorlardı; bu, günümüz otonom araçlarına doğru atılmış bir adımdı.¹⁴ Değerlendirme ölçeğimiz, yolcu taşıma görevini o dönemde E1 maruziyet düzeyinde (robot görevi robotlar için özel olarak oluşturulmuş bir çalışma ortamında yapabiliyor), bugün ise E3 düzeyinde (yapılandırılmamış bir ortamda) puanlardı.¹⁵

Bu değerlendirme ölçeği pek çok yorum ve karar gerektiriyor. O*NET görev ifadeleri çoğu zaman kısa ve öz; insanlar için kolay, robotlar için zor olabilecek ayrıntıları içermiyor.¹⁶ İşi daha somut biçimde tanımlamak için görevlerin bugün nasıl yapıldığına ve bu durumların ne sıklıkta ortaya çıktığına dair ayrıntılı örnekler istiyoruz. Claude daha sonra robotların yeteneklerini değerlendirmek için web aramasını kullanarak bu örneklerin maruziyetini puanlıyor.

Atıf yapılan kaynakların robotların sahada kullanımını, ticari satışlarını veya gösterimlerini ortaya koyması gerekiyor. Gösterimlere dayanan puanlamaları çıkardığımızda da sonuçlar benzer kalıyor. Görev maruziyeti çoğunluk kuralıyla belirleniyor: Robotların, süreyle ağırlıklandırılmış görev örneklerinin en az yarısını yapabildiği en az yapılandırılmış ortam esas alınıyor.¹⁷

“Hendek kazmak” görevini ele alalım. Önce Claude’dan çalışanların bugün bu görevi nasıl ve ne sıklıkta yaptığını açıklayan örnekler vermesini istiyoruz.

Örneğin Claude, bu görevin sürenin %25’inde “açık arazide doğrusal bir hendek kazılmasını” gerektirdiğini tahmin ediyor. Sürenin diğer %20’sinde ise “mevcut gömülü boruların, akış hatlarının, kabloların ve kablo kanallarının çevresinde elle dikkatli kazı yapılması” gerekiyor. Bu faaliyetler farklı fiziksel yetenekler gerektiriyor: Doğrusal hendeklerde yön bulma ve kuvvet; boruların çevresinde elle kazı yapılmasında ise ince motor becerileri ve algılama.

Claude ilk örneğe E3 maruziyet düzeyi veriyor ve hidrolik ekskavatörlere sonradan eklenerek bunların otonom hendek kazmasını sağlayan bir kontrol sistemine atıf yapıyor.¹⁸ Günümüz robotları gömülü boruların çevresinde dikkatli kazı yapamadığından ikinci örnek E0 düzeyinde, yani maruz kalmayan bir görev. “Hendek kazmak” için verilen örneklerin daha büyük bölümü doğrusal hendek kazısından ziyade dikkatli kazıya benzediğinden, puanlamalarımızda bu görevin bütünü maruz kalmıyor.

Şekil 2, görev puanlamalarına ilişkin örneklerin yanı sıra maruziyet istemimizdeki her düzeyin daha ayrıntılı açıklamasını ve her puanlamayı desteklemek için atıf yapılan bir robotu veriyor. Ayrıca her düzeydeki fiziksel görevlerin payını hesaplıyoruz. Burada ve çalışmanın tamamında her görev, o görevi yapan çalışanların sayısı ve Claude ile tahmin ettiğimiz, çalışma sürelerinin bu göreve ayırdıkları payıyla ağırlıklandırılıyor.¹⁹

Şekil 2: Görev maruziyeti puanlamalarına ilişkin örnekler

Notlar: Robotlara maruziyet düzeyleri, Claude ile maruziyeti puanlamak için kullandığımız istemde tanımlandığı gibidir. Fiziksel olarak sınıflandırılan 7.594 iş görevinin maruziyeti puanlanıyor. İkinci sütundaki fiziksel görev payları, görevleri bir meslekte her göreve ayrılan zaman payı (Claude ile tahmin ediliyor) ve o mesleğin istihdamıyla (BLS, 2025) ağırlıklandırıyor. Örneğin RelayRx robotu hastanelerde ilaç teslim ediyor. Hastaneler, insanların çalışması için yapılandırılmış iş yerleri olduğundan, “İlaçları veya eczacılık malzemelerini hastalara, hemşire istasyonlarına ya da ameliyathaneye ulaştırmak” görevi E2 olarak puanlanıyor. E2 olarak puanlanan görevler, çalışma süresine göre fiziksel görevlerin %22’sini oluşturuyor.

Robotların yapamadığı görevler (E0), tahmini çalışma süresine göre fiziksel görevlerin yaklaşık dörtte birini oluşturuyor. Bu görevler robotlar için zor fiziksel beceriler gerektiriyor. Örneğin “Aplikatör veya fırça kullanarak saçın rengini açmak, saçı boyamak ya da tonlamak” için ince motor becerileri; “Yer seviyesinin üzerinde yapıların montajı için iskele veya merdiven kurmak” içinse kuvvet, denge ve hareket kabiliyeti gerekiyor.

Robotlar fiziksel görevlerin yarısını özel olarak oluşturulmuş ortamlarda yapabiliyor, ancak daha geniş koşullarda yapamıyor (E1). Yemek hazırlama robotları, hazır yemekleri konveyör bantlarında paketliyor. Yapay zekâ kullanan yeni modeller farklı malzemelere, porsiyonlara ve tepsilere uyum sağlayabildiği için “Hastaların diyetlerine uygun yiyeceklerle yemek tepsilerini hazırlamak” görevi E1 olarak puanlanıyor.

Fiziksel görevlerin diğer %22’si, insanların çalışması için yapılandırılmış iş yerlerinde robotlar tarafından yapılabiliyor (E2). Örneğin hastane teslimat robotları “İlaçları veya eczacılık malzemelerini hastalara, hemşire istasyonlarına ya da ameliyathaneye ulaştırmak” görevini yerine getiriyor. Günümüz robotları, fiziksel görevlerin yalnızca %2’sini yapılandırılmamış ortamlarda yapıyor (E3). Bunlar çoğunlukla otonom otomobiller, traktörler ve diğer araçlar tarafından yerine getirilen sürüş görevleri.²⁰

Çalışmayla birlikte yayımladığımız veri seti, puanlanan tüm görevler için Claude’un gerekçelerini ve atıf yapılan kaynakları içeriyor. Örneğin Claude, “Parçalara yatay, dikey veya baş üstü konumlarda kaynak yapmak” görevini E1 olarak puanlıyor ve yapay zekâ destekli kaynak robotları hakkındaki bir makaleden şu alıntıyı yapıyor: “Path Robotics, her iki kaynak hücresinin de çelik parçalara otonom olarak kaynak yapabildiğini ve ABD ile Kanada genelindeki imalat atölyelerinde kullanıldığını belirtti.”²¹

İşler için, bir işin görevlerinin maruziyet puanlarının 0–3 ölçeğindeki ortalamasını alan bir robotlara maruziyet endeksi tanımlıyoruz. Bu endeks, görevleri tahmini çalışma süresiyle ağırlıklandırarak, maruz kalan görevlerin payı ve robotların bu görevlerdeki yetenekleri arttıkça yükseliyor.

İdeal bir maruziyet endeksi, önümüzdeki yıllarda robotlarla otomasyonu kusursuz biçimde öngörürdü. Geleceğe bakamadığımız için bunun yerine ölçümümüzü, işlere ve görev açıklamalarına ilişkin tarihsel verilerle doğrulamaya çalışıyoruz. 1977’den bu yana çeşitli yıllarda robotlara maruziyeti puanlıyor ve maruziyeti ücret ve istihdam değişimleriyle ilişkilendiriyoruz. Bir iş robotlara daha fazla maruz kaldığında, sektör eğilimleri ve sonuçları etkileyebilecek diğer unsurlar hesaba katıldıktan sonra bile, sonraki on yıllarda o işin ücretleri ve istihdamı düştü.

Ek B’de ayrıntılandırılan bu sonuçlar, ölçümümüzün işlerdeki gelecekteki dönüşümü öngörebileceğine dair bize belirli bir güven veriyor.

Robotlar hangi işleri yapabilir?

Şekil 3, görevleri bir meslekte her bir göreve harcanan tahmini sürenin payıyla ve o mesleğin istihdamıyla ağırlıklandırarak, ABD ekonomisindeki tüm iş görevlerinin robotlara maruziyetini özetliyor. Çalışma süresine göre görevlerin %54’ünü bilişsel ve kişiler arası çalışmalar oluşturuyor. Kalan %46’sı fiziksel görevler.

Tüm görevler içindeki paylarıyla, yaklaşık %12’si bugün hiçbir robot tarafından yapılamıyor (E0); %23’ü özel olarak kurulmuş ortamlarda (E1), %10’u insanların çalışması için yapılandırılmış iş yerlerinde (E2), %1’i ise yapılandırılmamış ortamlarda (E3) robotlar tarafından yapılabiliyor. Herhangi bir maruziyet düzeyi hesaba katıldığında, fiziksel işlerin %74’ü veya tüm işlerin %34’ü bazı koşullarda robotlar tarafından yapılabiliyor.

Şekil 3: Robotlara maruziyete göre iş görevleri

Notlar: Tüm iş görevleri dâhil edilmiştir. Görevler, bir mesleğin her göreve ayırdığı zaman payı ve o mesleğin istihdamıyla ağırlıklandırılıyor. Robotlara maruziyet, fiziksel olarak belirlenen görevler için puanlanıyor. Örneğin çalışanların zamanının %23’ü, robotların özel olarak oluşturulmuş bir ortamda yapabildiği görevlere ayrılıyor. Kategorilere göre örnek görevler: Ders vermek, sistem tasarlamak (bilişsel ve kişiler arası); kişileri gözaltına almak, ilk yardım sağlamak (E0); ilaç dağıtmak, elektronik ürünleri monte etmek (E1); zeminleri temizlemek, depodaki ürünleri taşımak (E2); tarla sulamasını düzenlemek, mülkleri havadan denetlemek ve robotların yapılandırılmamış ortamlarda yaptığı sürüş görevleri (E3). İstihdam verileri BLS’den (2025) alınmıştır; mesleklerin görevlere ayırdığı süreyi tahmin etmek için Claude’u kullanıyoruz.

Robotlar ekonominin birçok alanında fiziksel görevleri yapabiliyor. Otonom mobil depo robotları yükleme rampalarına ve treylerlerin içine gidiyor. Vakumlu tutucularla paketleri kavrayıp mobil konveyör bantlarına yüklüyor.²² Bu robotlar, insanların çalışması için yapılandırılmış iş yerlerinde hareket ettiği için pek çok depoculuk görevi E2 olarak puanlanıyor. Örneğin “Yükleri, stokları veya diğer malzemeleri; elle ya da kamyon, traktör veya başka ekipmanlar kullanarak depolama veya üretim alanlarına, yükleme rampalarına, teslimat araçlarına, gemilere ya da konteynerlere taşımak veya buralardan almak.” Yön bulma ve malzeme elleçlemedeki ilerlemeler bu tür robotları lojistik ve taşımacılıkta yaygın hâle getirdi.²³

Şekil 4, robotlara maruziyet endeksimize göre en yüksek maruziyete sahip 10 mesleği gösteriyor. Bu 10 mesleğin 9’u araç operatörlüğü. Sürücülük işleri için atıf yapılan robotlar arasında otonom otomobiller, traktörler, kamyonlar ve asfalt serme makineleri bulunuyor.

Taksi sürücüleri 2,2 endeks değeriyle maruziyette ilk sırada.²⁴ İşin büyük bölümünü sürüş oluşturduğundan, çalışma süresine göre ortanca görevleri E3 düzeyinde maruz kalıyor. “Otomobillerin içini süpürmek ve temizlemek, dışını yıkamak ve parlatmak” gibi yardımcı görevler de robotlar tarafından yapılabiliyor; ancak açık yollara göre daha yapılandırılmış ortamlarda. Otonom araçlar sürücülük işlerini henüz büyük ölçekte kökten değiştirmiş değil; yine de yetenekleri bu işlerin diğerlerine göre daha yüksek otomasyon riski altında olduğuna işaret ediyor.²⁵

Şekil 4: En fazla maruz kalan meslekler

Notlar: Maruziyet 0’dan (hiçbir görev robot tarafından yapılamıyor) 3’e (her görev yapılandırılmamış bir ortamda robot tarafından yapılabiliyor) kadar değişiyor. İş maruziyeti, her göreve ayrılan süreyle ağırlıklandırılmış görev maruziyetlerinin ortalaması. Her meslek için, yüksek düzeyde maruz kalan bir görev ve bunu yapabilen, atıf yapılmış bir robot listeleniyor. En az 20.000 istihdama sahip, en fazla maruz kalan 10 meslek gösteriliyor. Örneğin servis aracı sürücüleri ve özel şoförlerin görev maruziyetlerinin ortalaması 3 üzerinden 2,0 endeks değeri veriyor. Claude, bazı görevlerini yerine getiren sistem olarak Waymo otonom araçlarına atıf yapıyor. BLS’nin (2025) istihdam verileri bazen birden fazla O*NET meslek adını birleştiriyor; geri dönüşüm ve geri kazanım çalışanlarında olduğu gibi istihdamı bu adlar arasında eşit bölüyoruz. Görevlerin süre gerekliliklerini Claude ile tahmin ediyoruz.

Bir meslek birçok çalışma ortamını kapsayabilir. ABD’de robotlar bu ortamların yalnızca bazılarında çalışabilirken, başka ülkelerdeki robotlar bazen hepsini kapsayabiliyor. Örneğin raf düzenleme ve sipariş hazırlama çalışanları, “Rafları, raf sistemlerini, vitrinleri, kutuları ve masaları yeni veya aktarılan ürünlerle doldurmak” görevini hem perakende mağazalarında hem de depolarda yapıyor.

ABD’deki depolarda dokunma sensörlerine sahip, yapay zekâ destekli robotlar ürünleri alıp yerleştiriyor.²⁶ ABD perakendesinde mobil robotlar boş rafları tarıyor, ancak rafların yeniden doldurulması için insanlara haber vermeleri gerekiyor.²⁷ Japonya’daki küçük marketlerde robotlar buzdolaplarını kendileri yeniden dolduruyor.²⁸ Raf doldurma robotları, ürünlerin yakınlarına getirilmesini gerektirdiğinden bu görev E1 olarak puanlanıyor. Raf düzenleme çalışanlarının sürelerinin %70’ini bu tür E1 görevlerine, diğer %16’sını da E2 görevlerine ayırdığını tahmin ediyoruz. Toplamda robotlara maruziyet endeksinde 1,0 puan alıyorlar.

Bir iş, görevlerinin çoğu orta düzeyde maruz kaldığında veya en fazla zaman alan bazı görevleri yüksek düzeyde maruz kaldığında robotlara maruz kalabilir. Alçıpan yüzeylerini bitiren ve maruziyet endeksi 1,6 olan derz bantlama çalışanlarını, geri dönüştürülecek malzemeleri ayıran ve maruziyet endeksi 1,7 olan geri dönüşüm ve geri kazanım çalışanlarıyla karşılaştıralım.

Derz bantlama çalışanlarının görevleri, maruz kalmayan ve yüksek düzeyde maruz kalan görevler arasında bölünüyor. İç duvarları yapan çalışanlar, alçıpan levhalardaki birleşim yerlerini, derzleri ve vida noktalarını düzeltmek için kâğıt bant ve “mud” adı verilen bir derz dolgu macunu kullanıyor.

Macun ve bant, çalışılması dağınıklık yaratan malzemeler olduğundan robotlar “Bandı dolgu macununun içine gömmek ve derzleri kapatmak için kâğıt bandı birleşim yerlerinin üzerine bastırmak” görevini yapamıyor. İlk bantlı kat kuruduktan sonra çalışanlar “Boşlukları doldurmak ve yüzeyleri düzleştirmek için ek katlar uygulamak” görevini yapıyor. Bu görev E3 olarak puanlanıyor: Otonom bir alçıpan robotu, yapay zekâyla duvarları tarıyor, ek dolgu katları püskürtüyor ve kuruduktan sonra duvarları zımparalıyor.²⁹ Çalışma süresine göre toplamda, derz bantlama çalışanlarının görevlerinin %41’i E3 düzeyinde maruz kalırken robotlar diğer %26’sını yapamıyor.

Buna karşılık robotlar, geri dönüşüm ve geri kazanım çalışanlarının görevlerinin çalışma süresine göre dörtte üçünden fazlasını E2 düzeyinde yapabiliyor. Çalışma sürelerinin yalnızca %8’i maruz kalmıyor. Örneğin bilgisayarlı görü ve vakumlu tutuculara sahip robotlar, “Metal, cam, ahşap, kâğıt veya plastik gibi malzemeleri geri dönüşüm için uygun kaplara ayırmak” görevini yapabiliyor.³⁰ Bu robotlar, konveyör bantlarından geri dönüştürülecek malzemeleri alan çalışanların yerine geçtiğinden, bu ve diğer görevler E2 olarak puanlanıyor.

Robotlar, derz bantlama çalışanlarının belirli görevlerinde oldukça yetenekli. Geri dönüşüm çalışanlarında ise maruziyet daha geniş bir görev alanını kapsıyor, ancak robotlar daha az uyarlanabilir. Derz bantlama işindeki dağınıklık yaratan görevler otomasyonda darboğaz oluşturabilir. En büyük geri dönüşüm tesislerinin robotları erken, küçük tesislerin ise daha geç kullanmaya başlaması da mümkün. Her iki durumda da robotlar geniş çapta kullanılırsa her iki işi de değiştirecek gibi görünüyor.

Maruz kalan işlerin özellikleri

Maruziyet ölçümümüzü ortaya koyduktan sonra, şimdi maruziyetin iş gücü piyasası açısından ne anlama gelebileceğini ele alıyoruz.

Şekil 5, robotlara maruziyet endeksinin en üst beşte birlik dilimindeki çalışanları, işlerin yaklaşık diğer %20’sini oluşturan maruz kalmayan çalışanlarla karşılaştırıyor. 2020–2024 Amerikan Toplum Araştırması verileri, yüksek düzeyde maruz kalan çalışanların kadın olma olasılığının 20 yüzde puan daha düşük, Hispanik olma olasılığının ise 16 yüzde puan daha yüksek olduğunu gösteriyor. Bu çalışanların lisans veya daha yüksek bir dereceye sahip olma olasılığı da 55 yüzde puan daha düşük; saat başına yaklaşık 30 dolar daha az kazanıyorlar ve karşı karşıya oldukları işsizlik oranı iki katın üzerinde.³¹

ABD Çalışma İstatistikleri Bürosu tarafından derlenen mesleki gereklilik istatistikleri, robotlara maruz kalan işlerin ağırlık taşımayı ve aşırı sıcakta ya da tehlikeli kirleticilerin yakınında çalışmayı gerektirme olasılığının da çok daha yüksek olduğunu gösteriyor. Bu maruziyet örüntüsü, birçok açıdan LLM’ler için genellikle gözlenenin tersi.³²

Şekil 5: Robotlara maruziyete göre meslek özellikleri

Notlar: En fazla maruz kalan çalışanlar, robotlara maruziyet endeksinin en üst beşte birlik dilimindekiler. Maruz kalmayan çalışanların maruziyeti sıfır ve işlerin yaklaşık diğer %20’sini oluşturuyorlar. Sendika üyeliği ve lisans gereklilikleri dışındaki demografi, eğitim ve iş gücü piyasası verileri 2020–2024 Amerikan Toplum Araştırması’ndan alınmıştır. Sendika üyeliği, Hirsch ve diğerlerinin (2026) 2020–2024 Current Population Surveys için tablolaştırdığı istatistiklerden alınmıştır. Lisans gereklilikleri ile fiziksel gereklilikler ve çalışma ortamı değişkenleri 2025 BLS Occupational Requirements Survey’den alınmıştır (bazı mesleklerde bunlar 2023 araştırmasından alınmıştır). İstatistikler istihdamla ağırlıklandırılmıştır.

Robotlara ve LLM’lere maruziyet

Ardından robotların, işlerin değişime uğrama riskini yalnızca LLM’lerden kaynaklanan riskin ötesine taşıyıp taşımadığını analiz ediyoruz. Eloundou ve diğerleri (2024) ile Massenkoff ve McCrory’den (2026) yararlanarak meslekler için iki maruziyet ölçümünü karşılaştırıyoruz:

• LLM maruziyeti: Bir LLM’nin gerekli süreyi yarıya indirebileceği iş görevlerinin payı (önceki çalışmamızda “teorik yetenek” olarak adlandırılıyor).
• LLM ve robot maruziyeti: Her görev için LLM maruziyeti ile E1 ve üzeri robot maruziyetinden yüksek olanı alarak, LLM’lere veya robotlara maruz kalan iş görevlerinin payı.

Robot ve LLM maruziyet puanlamaları bir ölçüde farklı kavramları ölçüyor; ancak her ikisi de teknolojinin belirli bir görevin büyük bölümünü yapabileceğini gösteriyor. LLM’leri ve robotları gerçek işlerde bir araya getirmek yeni zorluklar ortaya çıkarabilir ya da yeni yetenekleri mümkün kılabilir. Bununla birlikte bu iki ölçüm, bugünkü yeteneklere dayanarak iş maruziyetine ilişkin ilk bilgileri sağlıyor.

Şekil 6, geniş meslek kategorilerine göre gruplandırılmış biçimde, yalnızca LLM’lere maruziyeti mavi, LLM’lere ve robotlara maruziyeti ise turuncu renkle gösteriyor. Robotlar, yalnızca LLM’lere kıyasla daha fazla ve farklı türde işi maruziyet kapsamına alıyor. Ulaştırma ve taşıma görevlerinin %15’inden azı yalnızca LLM’lere maruz kalırken, robotlar da hesaba katıldığında bu görevlerin yaklaşık %90’ı maruz kalıyor. Benzer biçimde robotlar, büyük ölçüde bilgisayar kullanımını ve hafif fiziksel görevleri içeren büro ve idari destek işlerindeki maruziyeti neredeyse %100’e çıkarıyor.

Genel olarak işlerin yaklaşık yarısı yalnızca LLM’lere maruz kalıyor; robotlar da dikkate alındığında bu oran %81’e yükseliyor.

Şekil 6: Meslek grubuna göre LLM ve robot maruziyeti

Notlar: LLM maruziyeti, Eloundou ve diğerlerinde (2024) maruz kaldığı puanlanan görevlerin payıdır (pozitif β). Mesleklerin LLM’lere ve robotlara maruziyetine, robot maruziyeti E1 veya daha yüksek puanlanan görevler ekleniyor. Meslek grupları iki haneli SOC kodlarıdır; grup ortalamaları görevlerin zaman payları ve istihdamla ağırlıklandırılıyor. Örneğin koruyucu hizmet mesleklerinde iş görevlerinin %31’i LLM’lere, %61’i ise LLM’lere veya robotlara maruz kalıyor. İstihdam verileri BLS’den (2025) alınmıştır. Görevlerin zaman paylarını Claude ile tahmin ediyoruz.

LLM’ler ve robotlar bugün hangi işleri yapamıyor? Görevlerinin yaklaşık %40’ı maruz kalan kişisel bakım ve hizmet işlerini ele alalım. Hem LLM’lerin hem de robotların zorlandığı yüz yüze sosyal etkileşim ve insanlarla fiziksel temas bu işlerde önemli.

Bu örnek, yoğun kişiler arası etkileşim içeren veya hassas nesne kullanımı gerektiren işlerin yakın vadeli otomasyona daha az açık olabileceğine işaret ediyor.³³ Kurulum ve onarım, sağlık hizmetlerine destek, toplum hizmetleri ve sosyal hizmetler gibi meslek grupları da görece düşük maruziyetle bu örüntüye uyuyor. LLM’ler ve robotlar bugün bu görevleri yapamasa da hiçbir meslek grubunun toplam maruziyeti %40’ın altında değil. Teknolojideki ilerlemeler de zaman içinde yeni otomasyon türlerini mümkün kılabilir.

Maruz kalmayan görevler, bir işi otomatikleştirmeyi neyin zorlaştırabileceğini açıklamaya da yardımcı oluyor. Benzer metinler içeren maruz kalmayan görev ifadelerini gruplandırıyor ve Claude’dan bunları açıklamasını istiyoruz (Ek C.1). Bugün LLM’lere veya robotlara maruz kalmayan görevler, genellikle doğrudan fiziksel uygulama ve yüz yüze etkileşim içeriyor; bazen de düzenlemelere tabi. Sağlık hizmetleri görevleri bu özellikleri sıklıkla bir araya getiriyor. Örneğin “Hastalara ilaç vermek ve hastaları reaksiyonlar veya yan etkiler açısından izlemek.”

Ek C.2’de fiziksel görevlerin otomasyonunu en çok hangi engellerin önleyebileceğini inceliyoruz. Claude’a, maruz kalan veya kalmayan her fiziksel görevin önemli bir bölümünün robotlar tarafından yapılmasını, çözülmedikleri takdirde hangi mevcut engellerin önleyeceğini soruyoruz. Bunları dört kategoride topluyoruz: Yetenekler, insan tercihleri, düzenlemeler ve maliyet. Yetenekler nedeniyle sınırlanan görevler için Claude’dan nesne kullanımı, planlama ve akıl yürütme, hareket kabiliyeti ve kuvvet, algılama becerileri arasından en önemli eksik beceriyi seçmesini istiyoruz.

Yeteneklerin ve maliyetlerin robotların benimsenmesinin önündeki en büyük engeller olduğunu buluyoruz. Yetenekler, fiziksel görevlerin yaklaşık %70’inde kullanıma geçişi engelliyor. Nesne kullanımı becerileri öne çıkıyor: Robotlar nesnelere dokunma ve nesneleri tutup kullanma konusunda daha becerikli hâle gelmedikçe fiziksel görevlerin yarısı büyük ölçekte otomatikleştirilemez. Yapay zekânın geliştirme olasılığının en yüksek göründüğü planlama ve akıl yürütme becerilerindeki eksiklikler, fiziksel görevlerin %8’inde robotlarla otomasyonu sınırlıyor. Neredeyse tüm görevlerde maliyetlerin de düşmesi gerekiyor.

Tahminlerimiz, mevcut düzenlemelerin fiziksel görevlerin %14’ünün robotlar tarafından yapılmasına izin vermeyeceğini gösteriyor. Düzenlemeler sağlık hizmetleri, koruyucu hizmetler ve eğitimdeki görevler açısından önemli. Fiziksel işlerin yaklaşık yarısını oluşturan yemek hazırlama, temizlik, üretim, inşaat, onarım ve malzeme taşıma görevlerinde ise daha az belirleyici. İnsan tercihleri, görevlerin dörtte birinde robotların kullanımını engelliyor.

Bunun nedeni, insanların bir robota güvenmeyecek olmaları (“Çocukları giydirmek ve bezlerini değiştirmek”) veya sosyal etkileşime değer vermeleri (“Misafirleri karşılamak, onları yerlerine götürmek ve menüler ile şarap listelerini sunmak”) olabilir.

Robotların yetenekleri hızla gelişirse bu sonuçlar ne anlama gelir? Fiziksel görevlerin yaklaşık %30’u tercihler veya düzenlemeler nedeniyle sınırlanıyor. Dolayısıyla robotlar yeterli yeteneğe ve maliyet etkinliğine ulaşırsa fiziksel işlerin çoğu maruziyet kapsamına girebilir. Ancak geriye kalan işler, toplam verimlilik artışını yavaşlatan zayıf halkalara dönüşebilir. Robotlar daha akıllı hâle gelirken nesneleri hâlâ insanlar gibi kullanamıyorsa, yeteneklerdeki dengesiz ilerleme de benimsenmeyi yavaşlatabilir.

Bununla birlikte daha iyi robotlar, örneğin güvenlik kaygılarını azaltarak otomasyona karşı direnci de azaltabilir. Şimdi bu tahminlerde en sık karşılaşılan engel olan robot maliyetlerine geçiyoruz.

Robot maliyetleri ve benimsenme

Robotlar bugün fiziksel işlerin çoğunu yerine getirebilse de bunu yapmaları ekonomik olmayabilir. Pahalı donanımlardan oluşan robotlar, yazılımlar veya LLM’ler kadar kolay kopyalanıp dağıtılamıyor. Yetenekleri değerlendiren ancak maliyetleri değerlendirmeyen LLM maruziyet ölçümleriyle karşılaştırıldığında, maliyet açısından rekabetçi robotlara maruz kalan işleri ayırt etmek özellikle önemli.³⁴

Maruz kalan her görev için, görev maruziyeti ölçümlerimizde atıf yapılan belirli robotlara dayanarak robotların bu görevi yerine getirmesinin yıllık maliyetini tahmin ediyoruz. Claude’dan web aramasını ve her görev için atıf yapılan robotların listesini kullanarak maliyetleri tahmin etmesini istiyoruz. E1 düzeyinde maruz kalan bir görevin otomatikleştirilmesi, iş yerlerinin robotlara uygun biçimde yeniden tasarlanmasını gerektirebilir. E3 görevlerini yapan robotlar ise yapılandırılmamış ortamlarda yön bulmak için pahalı sensörler kullanabilir.

Tahminler, her bir görevi yapmak üzere bir robotu devreye almanın tüm maliyetini kapsıyor.³⁵ Robot ve iş gücü maliyetlerini karşılaştırılabilir hâle getirmek için önce Claude’dan bir insan çalışanın bir görevde tipik olarak bir yılda ne kadar çıktı ürettiğini tahmin etmesini istiyoruz. Örneğin “Hamuru açmak, yoğurmak, kesmek veya şekillendirmek” görevini yapan fırın çalışanları yılda tahmini 180.000 şekillendirilmiş parça üretiyor. Claude daha sonra bir robotun aynı çıktıyı üretmesinin ne kadara mal olacağını tahmin ediyor.

Fırın çalışanları bu görevi farklı ortamlarda yaptığından Claude; perakende, orta ölçekli ve endüstriyel fırınlardaki robot devreye alma maliyetlerinin ortalamasını alıyor. Sabit maliyetler, donanımın kullanım ömrünü ve paranın zaman değerini yansıtacak biçimde yıllıklaştırılıyor.

Bu şekilde hesaplandığında, robotların bir görevi yerine getirme maliyeti çalışanların ücretleriyle karşılaştırılabiliyor.

Robot maliyeti, mesleğin BLS verilerindeki toplam ücret ve yan haklarının o göreve ayrılan süre payıyla çarpılmasıyla hesaplanan iş gücü maliyetinden düşükse, görevin maliyet açısından rekabetçi robotlara maruz kaldığını söylüyoruz.³⁶ Standart ekonomik modeller, bu görevlerin otomatikleştirileceğini öngörüyor. Ancak benimsenmedeki güçlükler ve maliyet belirsizlikleri göz önüne alındığında bu ölçüm daha çok bir gösterge niteliğinde.³⁷ Ayrıntılar ve robot görev maliyetlerine ilişkin hesaplanmış bir örnek için Ek D.1’e bakınız.

Robotlar sıklıkla birden fazla iş görevini yerine getiriyor; ancak biz bir meslek içindeki tek tek görevlerin maliyetlerini tahmin ediyoruz. Görev maliyetlerini doğrudan toplamak, gerçek uygulamalarda aynı robotları iki kez sayabilir veya koordinasyon maliyetlerini eksik hesaplayabilir. Claude’a görev maliyeti tahminlerini verip tekrar eden unsurları düşerek ve yeni eklenenleri hesaba katarak toplam bir maliyet istemek suretiyle, meslek düzeyinde birleştiriyoruz.

Bu toplam robot maliyeti, mesleğin toplam ücret ve yan haklarının robotların yapabildiği görevlere ayrılan süre payıyla çarpılmasından düşükse, mesleğin maliyet açısından rekabetçi robotlara maruz kaldığını söylüyoruz.³⁸

Şekil 7, fiziksel niteliği yüksek beş işi ve robotların bu işlerin maruz kalan görevlerini yerine getirmesine ilişkin maliyet tahminlerini gösteriyor. Paketleme ve ambalajlama çalışanları, maliyet açısından rekabetçi robotlara maruz kalan en büyük meslek grubunu oluşturuyor.

Paketleme ve ambalajlama çalışanlarının görevlerini yapmak için birden fazla robot gerekiyor. Bunlar arasında kapları paketleyen, depolarda malzemeleri taşıyan, ürünleri görsel olarak denetleyen, karton kutuları kuran, etiket basıp uygulayan ve paketleri kapatan robotlar var.³⁹ Bu robotların satın alınması ve kurulmasının 2 milyon doların üzerinde bir maliyete sahip olduğu tahmin ediliyor; ancak yaklaşık 14 çalışanın yıllık işinin yerini alıyorlar. Sabit maliyetler, %8 sermaye maliyetiyle yaklaşık 10 yıllık kullanım ömrüne yayılıyor.

Bakım, yarı zamanlı insan gözetimi ve enerji gibi işletme giderleriyle birlikte, bir insan çalışanın yıllık işinin yerine geçmenin yıllık maliyeti yaklaşık 45.000 dolara ulaşıyor. Paketleme ve ambalajlama çalışanları sürelerinin %97’sini robotların yapabildiği görevlere ayırdığı ve maliyetleri yaklaşık 49.000 dolar olduğu için robotlar bu işi yılda yaklaşık 2.500 dolar daha ucuza yapıyor.

Şekil 7: Fiziksel meslekler için robot maliyetleri

Notlar: İstihdam ve toplam ücret ve yan haklar için BLS verileri (OEWS 2025, ECEC 2026) kullanılıyor. Maruz kalan görevler, o mesleğin E1–E3 maruziyet düzeylerindeki görevlerinin, her göreve ayrılan tahmini süreyle ağırlıklandırılmış payı. Claude, her meslek için robotların maruz kalan görevleri yerine getirmesinin yıllık maliyetini tahmin ediyor. Maliyetler, yıllıklaştırılmış sabit maliyetleri ve değişken maliyetleri içeriyor. Son sütunda, her maliyet tahmininde yer alan bir robot ve tahmini satın alma fiyatı listeleniyor.

ABD’de bugün yaklaşık 560.000 paketleme ve ambalajlama çalışanı istihdam ediliyor. Şirketler düzenlemeler veya borçlanma sınırları gibi kullanıma geçiş güçlükleriyle karşılaşıyor ve bu maliyet tahminleri yaklaşık değerler. Örneğin robotaksilerin maliyetinin taksi sürücülerinden yalnızca yaklaşık 7.000 dolar fazla olduğu tahmin ediliyor; ancak düzenleyici engellerle karşılaşıyorlar.⁴⁰ Bununla birlikte, maliyet açısından rekabetçi robotların yapabildiği fiziksel işlerde otomasyon riskleri muhtemelen daha yüksek. Paketleme ve ambalajlama çalışanlarının istihdamı 2015’ten bu yana %22 düştü.

BLS, bu mesleğin 2035’e kadar tüm meslekler arasında en fazla istihdam kaybı yaşayacak 11’inci meslek olacağını öngörüyor; önünde yalnızca infaz koruma görevlileri ile satış ve büro alanlarındaki 9 meslek bulunuyor.⁴¹

Şekil 7’de gösterilen diğer işlerde robotlar, işin büyük bölümünü yapabilseler de insanlardan çok daha pahalı. Metal işlemede kameralara ve yapay zekâya sahip robotlar otonom kaynak yapabiliyor.⁴² Ancak insan kaynakçılar, büyük metal parçaları konumlandırmak, ulaşılması zor birleşimlere kaynak yapmak için merdivene çıkmak, kaliteyi kontrol etmek ve malzemeleri taşlayıp son işlemlerini yapmak gibi kaynak işlemini mümkün kılan pek çok görevi yerine getiriyor. Bu işi otomatikleştirmek için birlikte maliyetleri insan kaynakçıların yaklaşık beş katına çıkan robotlar gerekiyor.

Bulaşıkçılar ile bina temizlik ve bakım çalışanlarının ücretleri, kaynakçılardan 25.000–30.000 dolar daha düşük. Ancak bu işlerin robot karşılıkları hâlâ birkaç kat daha pahalı. Temizliği standartlaştırmak ve süreçlerini verimli hâle getirmek zor; temizlik robotları da çoğu zaman insanlardan daha yavaş ve belirli görevlerle sınırlı.⁴³

Şekil 8, robot maliyetlerinde varsayımsal ve tüm robotlara aynı oranda uygulanan düşüşler altında, maliyet açısından rekabetçi robotlara maruziyeti göstererek robot maliyetlerini özetliyor. Örneğin robotlar bugün %20 daha ucuz olsaydı, 2,8 milyon çalışanın yaptığı fiziksel işler için maliyet açısından rekabetçi olurdu. Bu çalışanlar, sürelerinin ortalama %42’sini robotlara maruz kalan işlere ayırıyor; bu, ekonomideki tüm çalışma süresinin %0,8’i.

Karşılaştırma için, sektör ve kamu verileri robot fiyatlarının 1990’lardan bu yana yılda yaklaşık %3 düştüğüne işaret ediyor. Bu hızla %20 maliyet düşüşüne ulaşmak yaklaşık yedi yıl sürer. Ek E, tarihsel robot fiyatı verilerini daha ayrıntılı biçimde ele alıyor.

Robotlar teorik olarak tüm çalışma süresinin %34’üne karşılık gelen görevleri yapabilse de bugün yalnızca %0,3’ünde maliyet açısından rekabetçi. Yine de bu kapsam, robotların görevlerinin %95’ini yapabildiği yaklaşık 300.000 çalışanı içeriyor.⁴⁴ Şekil 7’nin gösterdiği gibi, günümüz robotları paketleme ve ambalajlama çalışanları ile taksi sürücüleri için maliyet açısından rekabetçi veya buna yakın; ancak diğer işlerin çoğunda bundan uzak.

Robotların bugün insan işlerinin %10’unda maliyet açısından rekabetçi olabilmesi için maliyetlerin yaklaşık %70 düşmesi gerekiyor. Yılda %3 düşüşle bu yaklaşık 40 yıl sürer. Bununla birlikte insansı robotlar gibi yeni ve daha yetenekli robotların ya da yeni üretim süreçlerinin insan işlerini otomatikleştirme maliyetini düşürmesi mümkün. Raporlar, insansı robotlara ve diğer robotlara yoğun talep olması hâlinde küresel üretimin hızla ölçeklenebileceğine işaret ediyor.⁴⁵

Şekil 8: Varsayımsal robot maliyeti düşüşlerinde maruz kalan işler

Notlar: Robot ve iş gücü maliyetleri karşılaştırılarak hesaplanmıştır. İş gücü maliyeti, maruz kalan görevlere ayrılan süre payının mesleğin toplam ücret ve yan haklarıyla çarpılmasıdır. Robot maliyetlerindeki düşüşler altında eğri, robotların iş gücünden daha düşük maliyetli olduğu tüm iş görevlerinin payını gösteriyor. Görevler, tahmini süre gereksinimleri ve meslek istihdamıyla ağırlıklandırılıyor. Robot ve iş gücü maliyetleri, çalışan ücret dağılımındaki altı noktada karşılaştırılıyor; ayrıntılar için Ek D.2’ye bakınız. Seçili meslekler, robot maliyetlerinin ortanca iş gücü maliyetinin altına düştüğü noktalarda işaretleniyor. Örneğin robotlar, posta dağıtıcılarının görevlerinin %94’ünü yapıyor. Çalışanların bir yılda ürettiği çıktıyla eşleşmenin robotlarla maliyeti 166.000 dolar olurdu. Posta dağıtıcılarının ortanca toplam ücret ve yan hakları 82.000 dolar olduğundan, maliyet %54 düşerse robotlar maliyet açısından rekabetçi olur (166.000 $ × %46 < 82.000 $ × %94). Toplam ücret ve yan haklar, BLS verileriyle (OEWS 2025, ECEC 2026) hesaplanıyor.

İnsanlarla robotlar arasında maliyet eşitliği olması da mutlaka yüksek işsizlik veya hızlı ekonomik büyüme anlamına gelmez. Çalışanların hâlâ yaptığı görevler darboğaza dönüşebilir ve bu robot maliyeti tahminleri sıklıkla insanların gözetim, istisnai durumları yönetme veya onarım işlerini içerir. Acemoglu ve Restrepo (2019) ile Jones ve Tonetti’nin (2026) vurguladığı gibi otomasyon, maliyet eşitliği sağlandığında değil, makineler insanlardan çok daha ucuz hâle geldikten sonra verimliliği artırır.

Bu maliyet tahminlerini iki ek analizde kullanıyoruz. Ek D.2, hem robotların neler yapabildiğini hem de bunları ne kadar ucuza yapabildiğini hesaba katan alternatif bir mesleki maruziyet ölçümü hesaplıyor. Maliyetin hesaba katılması, yeteneklere odaklanan ana ölçümümüzle karşılaştırıldığında çok benzer bir meslek sıralaması üretiyor (0,95 sıra korelasyonu).

Ek E, robotların daha ucuz ve daha üretken hâle gelmesi durumunda benimsenmelerine ilişkin basitleştirilmiş senaryolar da sunuyor. Bu senaryolar, 1990’lardan bu yana endüstriyel robotlarda yaşanan yenilik ve benimsenme dönemlerinden ve insansı robotlara ilişkin analist tahminlerinden yararlanıyor. Görevleri ve ücretleri sabit tutup, tarihsel maliyet düşüşü ve yetenek artışı hızlarının robotları ne kadar sürede maliyet açısından rekabetçi hâle getireceğini soruyoruz.

Robotların zaman içinde yeni işleri nasıl üstlendiğini modellemek için, 1977’deki iş görevlerinin maruziyetini bugünkü robotlarla puanlıyor ve 1977 itibarıyla robotlara maruziyetle karşılaştırıyoruz. 1977’de robotlar fiziksel görevlerin %62’sini yapamıyordu. Bugünün robotları aynı görevlerin %24’ü dışında tamamını yapabiliyor. Bu, zaman içinde robotların her yıl daha önce yapamadıkları görevlerin %2’sini yapabilir hâle geldiği anlamına geliyor (bkz. Ek B.4).

Yılda %3 maliyet düşüşü de eklendiğinde robotlar, bugün yapılan fiziksel işlerin yarısında ancak 2085’te maliyet açısından rekabetçi hâle geliyor. Ancak robotikteki hızlı ilerlemeler bu süreleri kısaltabilir. Kaliteye göre düzeltilmiş maliyetlerin dört kata kadar daha hızlı düştüğü ve robotların yeni görevleri yapabilir hâle gelme hızının iki katına çıktığı hızlı benimsenme senaryosunda, robotlar fiziksel işlerin yarısında 2050’ye kadar maliyet açısından rekabetçi oluyor. Bugün yapılan fiziksel işlerin %90’ını otomatikleştirmek yine de 53 yıl sürüyor.

Bir çekince, senaryolarımızın her göreve aynı maliyet düşüşünü veya yetenek artışını uygulamasıdır. Bu nedenle görevler, maliyetlerin çalışan ücretlerine göre bugünkü sıralamasını izleyerek maliyet açısından rekabetçi hâle geliyor. Bu sıralama genel ekonomik teşvikleri yansıtıyor; ancak robotik şirketleri başka nedenlerle de önce belirli yetenekleri hedefleyebilir. Örneğin insansı robot gösterimleri bazen ev işlerini sergilerken, robot üreticileri kendi operasyonlarında yararlı fabrika işlerine öncelik verebilir; tıpkı yapay zekâ şirketlerinin kodlama ajanlarına öncelik vermesi gibi.⁴⁶

Genel olarak robotların, fiziksel otomasyonu hızlandırabilmek için önümüzdeki on yıllarda fiyat düşüşlerini ve kalite iyileşmelerini rekor hızlarda sürdürmesi gerekir. Buna rağmen bu maliyet projeksiyonlarında işlere etkiler daha belirsizdir; çünkü tercihler ve düzenlemeler gibi etkenlerin yanı sıra ücretlerin düşmesi gibi geri besleme etkilerini dışarıda bırakırlar.

Tartışma

İşlerin robotlara maruziyetini ölçen yeni bir yöntem sunuyoruz. Robotlar bir işin görevlerini yerine getirebildiğinde o iş maruz kalıyor. İnsanlar gibi çalışan robotlar, fabrika robotları gibi iş yerinin yeniden kurulmasını gerektiren robotlara kıyasla maruziyete daha fazla katkıda bulunuyor.

Otonom araçlar nedeniyle en yüksek maruziyetin sürücülük işlerinde olduğunu buluyoruz. Günümüz robotlarının çoğu sürücüsüz otomobiller gibi değil; yalnızca kontrollü ortamlarda çalışıyorlar. Ancak robotlar, aynı işler için insanlardan birkaç kat pahalı olsalar da fiziksel işlerin çoğunu bir ölçüde yerine getirebilir. Robotlara maruz kalan işler, LLM’lere maruz kalan işlerden oldukça farklı. Daha düşük ücretli ve fiziksel olarak daha zorlayıcılar.

Yapay zekâ robotların yapabileceklerini genişletirken, bu ölçümlerin fiziksel otomasyonun analizine yardımcı olmasını umuyoruz. Bugünkü maruziyet örüntüleri, daha yetenekli robotların yarın hangi işleri dönüştüreceğine ilişkin bilgi verebilir. Bu çalışmanın düzenli olarak güncellenmesi de robotların yeteneklerini izlemeyi sağlayabilir.

Maruziyet ölçeğimiz, günümüz robotları bir işi bazı ortamlarda zaten yapıyorsa o işin daha fazla risk altında olduğu düşüncesine dayanıyor. Robotları bu şekilde değerlendirmenin, tarihsel iş gücü piyasası etkilerini öngördüğünü buluyoruz. Ancak yapay zekâ destekli robotlar ölçeğimizdeki basamakları atlayıp, örneğin merdivene çıkmayı veya kollarını ve tutucularını daha ustaca kullanmayı öğrenerek bugün yapamadıkları işleri yapabilir.

Robotların ve yapay zekânın ekonomiyi nasıl yeniden şekillendirebileceği konusunda pek çok belirsizlik sürüyor. Yapay zekâya ilişkin büyüme tahminleri sıklıkla, robotların hafifletebileceği fiziksel darboğazların bilişsel işlerin otomatikleştirilmesinden elde edilen kazanımları yavaşlatacağını varsayıyor. Ayrıca yapay zekânın, örneğin fabrika makinelerinin ne zaman bakıma ihtiyaç duyacağını daha iyi öngörerek, robotlar olmadan fiziksel işleri nasıl etkileyebileceğini de ele almadık.

Daha yakın vadede, yapay zekânın etkilerini izlemeye yönelik çalışmalar değişimin ilk işaretlerini görmek için sürücüler ve depo paketleme çalışanları gibi maruz kalan meslekleri takip edebilir. Daha uzun vadede ise temel bir soru, robotlar ve yapay zekâ ilerledikçe işin kendisinin nasıl değişeceği; belki de daha sosyal ve kişiler arası etkileşime daha fazla dayalı hâle gelip gelmeyeceğidir.

Ek

Buradan erişilebilir.

Dipnotlar

1. Patlayıcı ekonomik büyüme senaryolarında zayıf halkaların ve tamamlayıcılıkların rolü üzerine örneğin Aghion ve diğerleri (2019), Davidson ve diğerleri (2026) ile Jones ve Tonetti’ye (2026) bakınız. Yapay zekânın çoğu zaman dijital işleri fiziksel işlerden daha fazla etkilediği düşünülür; örneğin Cazzaniga ve diğerlerine (2024) bakınız.
2. Fiziksel otomasyonun önündeki bir engel olarak “çevrenin kontrol altında tutulması” üzerine örneğin Autor’a (2015) bakınız. Ayrıca Link ve diğerlerinin (2016) 6’ncı bölümüne bakınız. Bu konuyu “Maruziyetin ölçülmesi” bölümünde daha ayrıntılı ele alıyoruz.
3. Robotlar için yapay zekâ temel modelleri üzerine Firoozi ve diğerlerine (2025) bakınız. Rivière ve Denain (2026), yapay zekânın sağladığı robot yeteneklerini tartışıyor. Depolama ve sürüşte yapay zekâ destekli robotlar üzerine Agaskar ve diğerleri (2025) ile Hwang ve diğerlerine (2025) bakınız. Yapay zekâ, robotikteki yenilik hızını da artırabilir; Cockburn ve diğerleri (2019), Wang ve diğerleri (2023) ile Davidson ve diğerlerine (2026) bakınız.
4. Robotikte olası bir “ChatGPT anı” üzerine Baptista ve diğerleri (2026) ile Goldman’a (2026) bakınız. Morgan Stanley Research (2024) ve McKinsey & Company’nin (2026) tahminlerine de bakınız.
5. Robot yatırımı verileri, 2022 Yıllık Sermaye Harcamaları Araştırması’ndan alınmıştır (U.S. Census Bureau, 2024). Yotzov ve diğerlerinin (2026), Kasım 2025’te ABD’deki yöneticilerle yaptığı anketler, istihdamla ağırlıklandırıldığında şirketlerin %13’ünün bugün robotik kullandığını, %22’sinin ise anketten sonraki üç yıl içinde kullanmayı beklediğini gösteriyor. Beklenen kullanım Birleşik Krallık, Almanya ve Avustralya’da da genel olarak benzer.
6. İnsansı robotik girişimlerine yapılan yatırımlar üzerine Robbins’e (2026), büyük otomobil üreticilerinin insansı robot kullanma çalışmaları üzerine ise Ewing’e (2026) bakınız.
7. Örneğin bazı robotlar yalnızca kamera kullanırken diğerleri dokunma sensörleri kullanıyor. Bu yaklaşımlar üzerine Brooks’a (2025), görsel algı ve dokunma algısı kullanan robotlara ilişkin araştırmalar için de Andrychowicz ve diğerleri (2020) ile Suresh ve diğerlerine (2024) bakınız.
8. İnsansı robot pazarına genel bir bakış için Counterpoint Research’e (2026) bakınız; günümüzde insansı robotların çoğu eğlence ve veri toplama amacıyla kullanılıyor. Bir otomobil fabrikasındaki insansı robot uygulaması için BMW Group’a (2026) bakınız.
9. Sınıflandırmamız, emek ekonomisi ve mesleki analizdeki uzun bir geleneğe dayanıyor. O*NET’in öncülü olan Dictionary of Occupational Titles, işleri “Veriler/İnsanlar/Nesneler” bakımından sınıflandırıyordu. Fine (1955), Fine ve Wiley (1971), Autor ve diğerleri (2003), Acemoglu ve Autor (2011) ile Deming’e (2017) bakınız.
10. Robotun kesin tanımları farklılık gösteriyor. Robotları maruziyet istemimizde (Ek F.3) tanımlıyor ve hangi makinelerin bu ölçütü karşıladığına karar vermek için Claude’a dayanıyoruz. Uluslararası Standardizasyon Örgütü, robotu “yer değiştirme, nesne kullanımı veya konumlandırma yapmak için belirli bir özerklik derecesine sahip, programlanmış ve tahrik edilen mekanizma”; özerkliği ise “mevcut durum ve algılamaya dayanarak amaçlanan görevleri insan müdahalesi olmadan yerine getirme yeteneği” olarak tanımlıyor (ISO 2021).
11. Günümüz robotlarının neler yapabildiğine odaklanmamız, yapay zekâ maruziyetini LLM’lerin 2023 itibarıyla hangi görevleri hızlandırabileceğine göre ölçen Eloundou ve diğerlerinin (2024) yaklaşımına benziyor. Diğer yapay zekâ maruziyet ölçümleri Massenkoff ve McCrory’de (2026) açıklanıyor.
12. Otomasyonda bir darboğaz olarak “çevrenin kontrol altında tutulması” üzerine Autor’a (2015), entegrasyonun robotların benimsenmesini nasıl yavaşlattığı üzerine Autor ve diğerlerine (2020) bakınız. Ulusal Standartlar ve Teknoloji Enstitüsü için hazırlanan, robotiğin ekonomik etkilerine ilişkin bir rapor, robotların yapılandırılmamış ortamlardaki yeteneklerini vurguluyor; Link ve diğerlerinin (2016) 6’ncı bölümüne bakınız. Kober ve diğerleri (2013), Ibarz ve diğerleri (2021) ile Kim ve diğerleri (2025), robot performansının yeni görevlere ve ortamlara nasıl genellenebildiğini tartışıyor. Robotik temel modeller ile özel robot kontrol sistemlerinin karşılaştırılması için Firoozi ve diğerlerine (2025) bakınız. Robotların nesne kullanımı becerilerindeki ilerlemelere ilişkin taramalar için Kemp ve diğerleri (2007) ile Kroemer ve diğerlerine (2021) bakınız. Nesne kullanımı değerlendirme ölçütleri için Pumacay ve diğerlerine (2024) bakınız. Karmaşık ortamlardaki robot yeteneklerinin envanteri için Rivière ve Denain’e (2026) bakınız.
13. Örneğin Mason (2018) ve Tedrake (2026), robotların nesneleri kullanmak için ihtiyaç duyduğu karmaşık becerileri tartışıyor.
14. Eski bir hava kuvvetleri üssündeki yapay kasaba için örneğin Madrigal’a (2017), benzer bir tesis olan Mcity için University of Michigan’a (2015) bakınız.
15. Puanlamalarımız bu göreve bugün gerçekten E3, ölçümümüzün maruziyeti 2008 itibarıyla değerlendiren sürümünde ise E1 puanı veriyor (Ek B). Değerlendirme ölçeğimizde olduğu gibi, yapılandırılmamış ortamlardaki performans, otonom araç performansı standartlarında da dikkate alınıyor; SAE International’a (2021) bakınız.
16. Moravec (1988) bu noktayı özellikle vurgular. Ayrıca Polanyi’ye (1966) ve bu görüşün otomasyona uygulanması için Autor’a (2015) bakınız.
17. Ek A.4, maruziyet ölçümümüzün farklı sürümlerini sunuyor; bunlar işleri maruziyete göre benzer biçimde sıralıyor.
18. Built Robotics Exosystem’e (2026) bakınız.
19. Meslekler arasında 2020–2024 Amerikan Toplum Araştırması’ndaki olağan haftalık çalışma saatleriyle de ağırlıklandırma yapıldığında sonuçlar benzer.
20. İnsanlar da kontrollü ortamlarda çalışıyor: “İlaçları veya eczacılık malzemelerini hastalara, hemşire istasyonlarına ya da ameliyathaneye ulaştırmak” gibi görevler hastanelerde ve kliniklerde yapılıyor. Ek A.4’te robotlara maruziyeti, robotların bir görevi yapabildiği ortamlarla insanların o görevi yaptığı ortamlar arasındaki farkla ölçüyoruz. Bu, maruziyete göre neredeyse aynı meslek sıralamasını üretiyor.
21. The Robot Report (2024).
22. Boston Dynamics Stretch’e bakınız.
23. Pallottino’ya (2026) bakınız.
24. Şekil 4’teki istihdam verileri BLS OEWS’den alındığından, uygulama üzerinden yolculuk hizmetleri veren bağımsız yükleniciler taksi sürücüsü istihdamına dâhil edilmiyor.
25. İlk bulgular, otonom yolculuk çağırma hizmetlerine maruz kalan sürücülerin ücretlerinde düşüşlere işaret ediyor. Gridwise (2025) ile Yu ve diğerlerine (2026) bakınız.
26. Amazon’un Vulcan robotuna bakınız.
27. Badger Marty ve Simbe Tally’ye bakınız.
28. Telexistence TX SCARA’ya bakınız.
29. Canvas alçıpan robotuna bakınız.
30. AMP Cortex’e bakınız (Waste360, 2023).
31. Yalnızca fiziksel işlerle sınırlandığında da (çalışma süresinin en az yarısı fiziksel olan işler), maruz kalan çalışanlar daha düşük ücretli, daha düşük eğitimli, daha az sıklıkla kadın, daha çok sıklıkla Hispanik ve daha çok sıklıkla işsiz olmaya devam ediyor; ancak farkların çoğu bir miktar daha küçük.
32. Örneğin Massenkoff ve McCrory’ye (2026) bakınız.
33. Deming (2017) ve Frey ve Osborne (2017).
34. Son birkaç on yılda otomasyon ve iş gücü piyasasına ilişkin analizler genellikle fiziksel otomasyondan çok bilgisayarları ve yazılımları vurguluyor. Bilgisayarlaşma üzerine örneğin Autor ve diğerlerine (2003), robotların ABD’deki işler üzerindeki bugüne kadarki sınırlı toplam etkisi üzerine Acemoglu ve Restrepo’ya (2020) bakınız. Svanberg ve diğerleri (2024), bilgisayarlı görü görevlerini otomatikleştirmenin maliyetini tahmin ediyor.
35. Claude’dan robotun kendisinin, aksesuarların, entegrasyon ve kurulumun, bakım ve servisin, yazılımın, enerji ve diğer işletme girdilerinin, gözetim ve işletmenin, sigortanın, kullanım ömrü sonunda devreden çıkarmanın ve diğer tüm maliyetlerin dâhil edilmesini istiyoruz. Claude, tahmini bir sermaye maliyetiyle sabit maliyetleri yıllıklaştırıyor.
36. BLS meslek ücretlerini, BLS Employer Costs for Employee Compensation araştırmasında meslek grubu düzeyinde toplam ücret ve yan hakların, ücretler artı ücretli izne oranıyla çarparak toplam ücret ve yan hakları tahmin ediyoruz. Toplam ücret ve yan haklar; ücretli izin, ek ödemeler, sigorta, emeklilik ve tasarruf katkıları ile FICA ve işsizlik sigortası gibi yasal olarak zorunlu işveren ödemelerini içeriyor.
37. Görev modellerinde otomasyon üzerine örneğin Zeira (1998), Acemoglu ve Autor (2011) ile Acemoglu ve Restrepo’ya (2018) bakınız.
38. Bu karşılaştırmalarda robotlar çalışanlardan daha ucuz olabilir, ancak görevlerinin yalnızca birkaçını yapabilir. Örneğin arşivciler iki fiziksel görev yerine getiriyor; robotlara maruz kalan tek görevleri “Gerektiğinde kayıtları film, video kaset, ses kaseti, disk veya bilgisayar formatlarına kopyalayarak kayıtları, belgeleri ve nesneleri korumak.” Robotların bu görevi yapmasının yılda 5.500 dolara mal olduğunu tahmin ediyoruz. Arşivciler sürelerinin yaklaşık %8’ini buna ayırıyor ve ortanca toplam ücret ve yan hakları 85.000 dolar. Dolayısıyla bu görevin iş gücü maliyeti yılda 6.800 dolar. Robotlar bu görevde maliyet açısından rekabetçi, ancak tek bir görevi otomatikleştirmenin arşivcilerin yerine geçmesi pek olası değil.
39. Atıf yapılan robotlar ve sistemler arasında Douglas üstten yüklemeli koli paketleme makinesi (paketleme), Boston Dynamics Stretch ve Agility Robotics Digit (malzeme elleçleme), makine görüşü denetim istasyonları (denetim), Combi farklı boyutlu kutular için robotik koli kurma makinesi (kutu montajı), etiket basıp uygulayan makineler (etiketleme) ve 3M-Matic farklı boyutlu koliler için kapatma makinesi (kapatma) yer alıyor.
40. Örneğin Honerkamp (2026) ve Lung’a (2026) bakınız.
41. BLS Employment Projections programının 2025–2035 dönemi için Ağustos 2026 tahminleri, Tablo 1.6. Paketleme ve ambalajlama çalışanları, infaz koruma ve cezaevi görevlileri ile satış ve büro alanlarındaki 9 mesleğin (41 ve 43 gruplarının SOC “üst düzey toplulaştırma” adı) ardından istihdam kaybında 11’inci sırada. İstihdam verileri 2015 ve 2025 için BLS OEWS’den alınmıştır.
42. Örneğin Path Robotics AW-3 otonom kaynak hücresine bakınız.
43. Temizlik robotları daha uzun saatler çalışabilse de insanlardan 10 kata kadar daha yavaşlar. Rivière ve Denain’e (2026) bakınız.
44. Bu sayı, lastik üretim çalışanları ile paketleme ve ambalajlama çalışanlarını içeriyor. Bu mesleklerde çalışma süresine göre görevlerin en az %95’i robotlara maruz kalıyor ve çalışanların bir bölümü için robot maliyetleri toplam ücret ve yan hakların altına düşüyor.
45. Davidson ve Hadshar (2025) ile Denain ve Rivière’e (2026) bakınız.
46. Eloundou ve diğerlerindeki (2024) LLM maruziyetini, bilgisayar programcıları (insan değerlendiricilere göre en çok maruz kalan 25’inci, LLM değerlendiricisine göre 6’ncı) ile şairler, şarkı sözü yazarları ve yaratıcı yazarlar (insanlara göre 11’inci, LLM’ye göre 14’üncü) için karşılaştırınız. İki meslek benzer biçimde maruz kalıyordu, ancak yapay zekâ geliştiricileri o zamandan bu yana çalışmalarını yaratıcı yazımdan çok kodlamaya yöneltti.

Kaynakça

Abraham, Katharine G. and James R. Spletzer, “Are the New Jobs Good Jobs?,” in Katharine G. Abraham, James R. Spletzer, and Michael J. Harper, eds., Labor in the New Economy, University of Chicago Press, 2010, 101-143.

Acemoglu, Daron and David Autor, “Skills, Tasks and Technologies: Implications for Employment and Earnings,” in Handbook of Labor Economics, Vol. 4B, Elsevier, 2011, 1043-1171.

Acemoglu, Daron, David Autor, David Dorn, Gordon H. Hanson, and Brendan Price, “Import Competition and the Great US Employment Sag of the 2000s,” Journal of Labor Economics, 2016, 34 (S1), S141-S198.

Acemoglu, Daron, Andrea Manera, and Pascual Restrepo, “Does the US Tax Code Favor Automation?,” Brookings Papers on Economic Activity, Spring 2020, 231-300.

Acemoglu, Daron and Pascual Restrepo, “The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment,” American Economic Review, 2018, 108 (6), 1488-1542.

Acemoglu, Daron and Pascual Restrepo, “Automation and New Tasks: How Technology Displaces and Reinstates Labor,” Journal of Economic Perspectives, 2019, 33 (2), 3-30.

Acemoglu, Daron and Pascual Restrepo, “Robots and Jobs: Evidence from US Labor Markets,” Journal of Political Economy, 2020, 128 (6), 2188-2244.

Acemoglu, Daron and Pascual Restrepo, “Tasks, Automation, and the Rise in U.S. Wage Inequality,” Econometrica, 2022, 90 (5), 1973-2016.

Agaskar, Ameya, Sriram Siva, William Pickering, Kyle O’Brien, Charles Kekeh, Alexandre Ormiga Galvao Barbosa, Ang Li, Brianna Gallo Sarker, Alicia Chua, Mayur Nemade, Charun Thattai, Jiaming Di, Isaac Iyengar, Ramya Dharoor, Dino Kirouani, Jimmy Erskine, Tamir Hegazy, Scott Niekum, Usman A. Khan, Federico Pecora, and Joseph W. Durham, “DeepFleet: Multi-Agent Foundation Models for Mobile Robots,” arXiv:2508.08574, 2025.

Aghion, Philippe, Benjamin F. Jones, and Charles I. Jones, “Artificial Intelligence and Economic Growth,” in Ajay Agrawal, Joshua Gans, and Avi Goldfarb, eds., The Economics of Artificial Intelligence: An Agenda, University of Chicago Press, 2019, 237-282.

Airbus, “Airbus Concludes ATTOL with Fully Autonomous Flight Tests,” press release, June 29, 2020. https://www.airbus.com/en/newsroom/press-releases/2020-06-airbus-concludes-attol-with-fully-autonomous-flight-tests

Airbus, “Airbus Tests New Technologies to Enhance Pilot Assistance,” press release, January 12, 2023. https://www.airbus.com/en/newsroom/press-releases/2023-01-airbus-tests-new-technologies-to-enhance-pilot-assistance

Amazon, “Introducing Vulcan: Amazon’s First Robot with a Sense of Touch,” About Amazon, May 7, 2025. https://www.aboutamazon.com/news/operations/amazon-vulcan-robot-pick-stow-touch

Andreassen, Dag, “A Robotic Success from Jæren,” The Norwegian Museum of Science and Technology, September 3, 2024. https://www.tekniskmuseum.no/en/stories/a-robotic-success-from-the-fighter

Andrychowicz, Marcin, Bowen Baker, Maciek Chociej, Rafal Józefowicz, Bob McGrew, Jakub Pachocki, Arthur Petron, Matthias Plappert, Glenn Powell, Alex Ray, Jonas Schneider, Szymon Sidor, Josh Tobin, Peter Welinder, Lilian Weng, and Wojciech Zaremba, “Learning Dexterous In-Hand Manipulation,” International Journal of Robotics Research, 2020, 39 (1), 3-20.

Arantes, Ana P., Nadja Bressan, Ludymila R. Borges, and Chris A. McGibbon, “Evaluation of a Novel Real-Time Adaptive Assist-as-Needed Controller for Robot-Assisted Upper Extremity Rehabilitation Following Stroke,” PLOS ONE, 2023, 18 (10), e0292627.

Atalay, Enghin, Phai Phongthiengtham, Sebastian Sotelo, and Daniel Tannenbaum, “The Evolution of Work in the United States,” American Economic Journal: Applied Economics, 2020, 12 (2), 1-34.

Autor, David H., “Why Are There Still So Many Jobs? The History and Future of Workplace Automation,” Journal of Economic Perspectives, 2015, 29 (3), 3-30.

Autor, David, Caroline Chin, Anna Salomons, and Bryan Seegmiller, “New Frontiers: The Origins and Content of New Work, 1940-2018,” Quarterly Journal of Economics, 2024, 139 (3), 1399-1465.

Autor, David H. and David Dorn, “The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market,” American Economic Review, 2013, 103 (5), 1553-1597.

Autor, David H., David Dorn, and Gordon H. Hanson, “The China Syndrome: Local Labor Market Effects of Import Competition in the United States,” American Economic Review, 2013, 103 (6), 2121-2168.

Autor, David H., Lawrence F. Katz, and Alan B. Krueger, “Computing Inequality: Have Computers Changed the Labor Market?,” Quarterly Journal of Economics, 1998, 113 (4), 1169-1213.

Autor, David H., Frank Levy, and Richard J. Murnane, “The Skill Content of Recent Technological Change: An Empirical Exploration,” Quarterly Journal of Economics, 2003, 118 (4), 1279-1333.

Autor, David, David Mindell, and Elisabeth Reynolds, “The Work of the Future: Building Better Jobs in an Age of Intelligent Machines,” MIT Task Force on the Work of the Future, 2020.

Autor, David H. and Neil Thompson, “Expertise,” Journal of the European Economic Association, 2025, 23 (4), 1203-1271.

Badger Technologies, “Badger Technologies and Stop & Shop Stores Upgrade Marty the Robot at 300+ Locations to Improve Customer Shopping Experiences,” press release, September 18, 2023. https://www.badger-technologies.com/news/press-releases/stop-and-shop-upgrade-marty-the-robot.html

Bank of America, “Humanoid Robots 101,” BofA Global Research, April 29, 2025.

Bank of Japan, “Producer Price Index, 2020 Base: Robots [PRCG20_2201350029],” Time-Series Data Search, 2026. https://www.stat-search.boj.or.jp/

Baptista, Eduardo, Ju-min Park, and Laurie Chen, “Robots Poised for ‘ChatGPT Moment,’ Unitree CEO Says,” Reuters, August 20, 2026. https://www.reuters.com/world/asia-pacific/robots-poised-chatgpt-moment-unitree-ceo-says-2026-08-20/

Billard, Aude and Danica Kragic, “Trends and Challenges in Robot Manipulation,” Science, 2019, 364 (6446), eaat8414.

Binder, Damon, “AGI Will Set Off an Industrial Explosion,” AI Frontiers, August 11, 2026. https://ai-frontiers.org/articles/agi-will-set-off-an-industrial-explosion

Bishop, Todd, “Amazon Tops 1 Million Robots: Here’s What They Do,” GeekWire, July 1, 2025. https://www.geekwire.com/2025/amazons-robot-workforce-hits-1-million-heres-what-they-all-do/

BMW Group, “BMW Group Advances the Use of Physical AI in Production with Figure 03 Project in Spartanburg,” press release, June 25, 2026. https://www.press.bmwgroup.com/global/article/detail/T0458778EN/bmw-group-advances-the-use-of-physical-ai-in-production-with-figure-03-project-in-spartanburg?language=en

Boston Consulting Group, “The Robotics Revolution: The Next Great Leap in Manufacturing,” report, September 2015. https://www.bcg.com/publications/2015/lean-manufacturing-innovation-robotics-revolution-next-great-leap-manufacturing

Boston Dynamics, “Stretch,” product page, 2026. https://bostondynamics.com/products/stretch/

Brooks, Rodney, “Why Today’s Humanoids Won’t Learn Dexterity,” rodneybrooks.com, September 26, 2025. https://rodneybrooks.com/why-todays-humanoids-wont-learn-dexterity/

Built Robotics, “The World’s First Fully Autonomous Trenching Solution,” Exosystem product page, 2026. https://www.builtrobotics.com/solutions/trenching

Canvas, “Drywall Finishing Robot,” product page, JLG Industries, 2026. https://www.jlg.com/en/canvas

Cazzaniga, Mauro, Florence Jaumotte, Longji Li, Giovanni Melina, Augustus J. Panton, Carlo Pizzinelli, Emma J. Rockall, and Marina Mendes Tavares, “Gen-AI: Artificial Intelligence and the Future of Work,” IMF Staff Discussion Note SDN/2024/001, 2024.

Chaparro-Rico, Betsy D. M., Daniele Cafolla, Paolo Tortola, and Giuseppe Galardi, “Assessing Stiffness, Joint Torque and ROM for Paretic and Non-Paretic Lower Limbs during the Subacute Phase of Stroke Using Lokomat Tools,” Applied Sciences, 2020, 10 (18), 6168.

Chen, Jiafeng and Jonathan Roth, “Logs with Zeros? Some Problems and Solutions,” Quarterly Journal of Economics, 2024, 139 (2), 891-936.

Cleveland Clinic, “da Vinci Robotic Surgery,” Health Library, last updated April 29, 2025. https://my.clevelandclinic.org/health/treatments/16908-da-vinci-surgery

Cockburn, Iain M., Rebecca Henderson, and Scott Stern, “The Impact of Artificial Intelligence on Innovation: An Exploratory Analysis,” in Ajay Agrawal, Joshua Gans, and Avi Goldfarb, eds., The Economics of Artificial Intelligence: An Agenda, University of Chicago Press, 2019, 115-146.

Code of Federal Regulations, “Composition of Flight Crew,” 14 CFR 121.385, retrieved September 21, 2026. https://www.ecfr.gov/current/title-14/section-121.385

CORDIS, “Automated System for Packaging Fresh Meat with Reduced Waste/Giveaway, Processing Time, Human Involvement and Contamination (AUTOMEATIC),” European Commission, grant agreement 775913, periodic reporting summary, 2018. https://cordis.europa.eu/project/id/775913

Counterpoint Research, “Global Humanoid Robot Shipments Soar Nearly 300% YoY in H1 2026, Driven by Commercial Deployments,” August 20, 2026. https://counterpointresearch.com/en/insights/global-humanoid-robot-shipments-soar-nearly-300-percent-yoy-in-h1-2026

Davidson, Tom and Rose Hadshar, “The Industrial Explosion,” Forethought Research, May 2025. https://www.forethought.org/research/the-industrial-explosion

Davidson, Tom, Basil Halperin, Thomas Houlden, and Anton Korinek, “When Does Automating Research Produce Explosive Growth?,” EconTAI Working Paper, January 2026. https://www.econtai.org/research/AutomatingAIResearch.pdf

Deming, David J., “The Growing Importance of Social Skills in the Labor Market,” Quarterly Journal of Economics, 2017, 132 (4), 1593-1640.

Denain, Jean-Stanislas and Yann Rivière, “How Fast Could Robot Production Scale Up?,” Epoch AI, April 2026. https://epoch.ai/publications/how-fast-could-robot-production-scale-up

Drankhan, Holly, “Developments in Robotic Teat Sprayers Cut Costs and Labor,” Progressive Dairy, September 30, 2016. https://www.agproud.com/articles/28362-developments-in-robotic-teat-sprayers-cut-costs-and-labor

Dürr Group, “See and Drive Perfectly with x-light and x-wheel,” duerrmore magazine, November 13, 2018. https://www.durr-group.com/en/duerrmore/2019/autonomous-driving/x-light-and-x-wheel

Eloundou, Tyna, Sam Manning, Pamela Mishkin, and Daniel Rock, “GPTs are GPTs: Labor Market Impact Potential of LLMs,” Science, 2024, 384 (6702), 1306-1308.

Epiroc, “Autonomous Material Handling: A Crucial Step Toward the Mine of the Future,” customer story, April 17, 2024. https://www.epiroc.com/en-me/customer-stories/2024/autonomous-material-handling-a-crucial-step-toward-the-mine-of-the-future

Ewing, Jack, “Robots That Walk and Talk Are Coming to Car Factories,” The New York Times, August 11, 2026. https://www.nytimes.com/2026/08/11/business/humanoid-robots-car-factories.html

Fabrico, “Maintenance Cost as Percent of RAV: The Benchmark That Cuts Through Excuses,” blog, June 26, 2026. https://www.fabrico.io/blog/maintenance-cost-as-percent-of-rav/

Federal Aviation Administration (FAA), “Safety Framework for Aircraft Automation,” September 2025. https://www.faa.gov/aircraft/air_cert/step/safety_framework_aircraft_automation

Fine, Sidney A., “A Structure of Worker Functions,” Personnel and Guidance Journal, 1955, 34 (2), 66-73.

Fine, Sidney A. and Wretha W. Wiley, An Introduction to Functional Job Analysis, Kalamazoo, MI: W.E. Upjohn Institute for Employment Research, 1971.

Firoozi, Roya, Johnathan Tucker, Stephen Tian, Anirudha Majumdar, Jiankai Sun, Weiyu Liu, Yuke Zhu, Shuran Song, Ashish Kapoor, Karol Hausman, Brian Ichter, Danny Driess, Jiajun Wu, Cewu Lu, and Mac Schwager, “Foundation Models in Robotics: Applications, Challenges, and the Future,” International Journal of Robotics Research, 2025, 44 (5), 701-739.

Fori Automation, “Toe Tool Systems,” product page, 2025. https://foriauto.com/our-products/end-of-line/alignment-systems/wheel-alignment-systems/toe-tool-systems

Frey, Carl Benedikt and Michael A. Osborne, “The Future of Employment: How Susceptible Are Jobs to Computerisation?,” Technological Forecasting and Social Change, 2017, 114, 254-280.

Friedel, William C., Jr., Thomas S. Bettencourt, and Daniel L. Freeman, “Tomato Harvesting Employing Electronic Sorting,” U.S. Patent 4,033,099, issued July 5, 1977. https://patents.google.com/patent/US4033099A/en

Friedel, William C., Jr. and Charles F. Dietz, “Tomato Harvesting Sorting System,” U.S. Patent 4,118,311, issued October 3, 1978. https://patents.google.com/patent/US4118311A/en

Goldman, Sharon, “A Year Ago, Nvidia’s Jensen Huang Said the ‘ChatGPT Moment’ for Robotics Was Around the Corner. Now He Says It’s ‘Nearly Here.’ But Is It?,” Fortune, January 6, 2026. https://fortune.com/2026/01/06/nvidia-jensen-huang-chatgpt-moment-for-robotics/

González Huarte, Javier, Maite Ortiz de Zarate, and Aitor Ibarguren, “CAD-Based Robot Programming Solution for Wire Harness Manufacturing in Aeronautic Sector,” Robotics, 2023, 12 (5), 130.

Graetz, Georg and Guy Michaels, “Robots at Work,” Review of Economics and Statistics, 2018, 100 (5), 753-768.

Gridwise, “How Are Robotaxis Affecting Driver Pay in AV Cities?,” blog, August 2025. https://gridwise.io/blog/how-are-robotaxis-affecting-driver-pay-in-av-cities

Hirsch, Barry T., David A. Macpherson, and William E. Even, “Union Membership, Coverage, and Earnings from the CPS” [dataset], Unionstats.com, 2026. https://unionstats.com/

Honerkamp, Paxton, “Within Uber-Waymo Split, a Key Labor Battle over AVs Is Being Waged in the Nation’s Capital,” CNBC, August 1, 2026. https://www.cnbc.com/2026/08/01/uber-waymo-autonomous-vehicle-regulation.html

Huffman, Wallace E., “The Status of Labor-Saving Mechanization in U.S. Fruit and Vegetable Harvesting,” Choices, 2012, 27 (2). https://www.choicesmagazine.org/choices-magazine/theme-articles/immigration-and-agriculture/the-status-of-labor-saving-mechanization-in-us-fruit-and-vegetable-harvesting

Humlum, Anders, “Robot Adoption and Labor Market Dynamics,” Rockwool Foundation Research Unit Study Paper 175, 2021.

Hwang, Jyh-Jing, Runsheng Xu, Hubert Lin, Wei-Chih Hung, Jingwei Ji, Kristy Choi, Di Huang, Tong He, Paul Covington, Benjamin Sapp, Yin Zhou, James Guo, Dragomir Anguelov, and Mingxing Tan, “EMMA: End-to-End Multimodal Model for Autonomous Driving,” Transactions on Machine Learning Research, 2025.

Ibarz, Julian, Jie Tan, Chelsea Finn, Mrinal Kalakrishnan, Peter Pastor, and Sergey Levine, “How to Train Your Robot with Deep Reinforcement Learning: Lessons We Have Learned,” International Journal of Robotics Research, 2021, 40 (4-5), 698-721.

Ingenia, “Fruit-Picking Robots,” Issue 93, December 2022. https://www.ingenia.org.uk/articles/fruit-picking-robots/

International Organization for Standardization (ISO), “Robotics — Vocabulary,” ISO 8373:2021, Geneva, 2021.

Jarrett, Cosette, “12 Cool Facts About the AI-Powered Robots That Help Deliver Your Amazon Packages,” About Amazon, December 11, 2023. https://www.aboutamazon.com/news/operations/amazon-robotics-cool-facts

Jones, Charles I. and Christopher Tonetti, “Past Automation and Future A.I.: How Weak Links Tame the Growth Explosion,” working paper, Stanford University, 2026. https://web.stanford.edu/~chadj/JonesTonetti_Automation.pdf

Jurkat, Anne, Rainer Klump, and Florian Schneider, “Tracking the Rise of Robots: A Survey of the IFR Database and its Applications,” MPRA Paper 111812, Munich Personal RePEc Archive, October 2021. https://mpra.ub.uni-muenchen.de/111812/

Katz, Lawrence F. and Kevin M. Murphy, “Changes in Relative Wages, 1963-1987: Supply and Demand Factors,” Quarterly Journal of Economics, 1992, 107 (1), 35-78.

Kawasaki Robotics, “At the Forefront of FRP Automation: Spray-Up and Cutting Process Innovations Pioneered by KADO × IEC,” case study, 2026. https://kawasakirobotics.com/case-studies/at-the-forefront-of-frp-automation-spray-up-and-cutting-process-innovations-pioneered-by-kado-x-iec/

Kemp, Charles C., Aaron Edsinger, and Eduardo Torres-Jara, “Challenges for Robot Manipulation in Human Environments,” IEEE Robotics & Automation Magazine, 2007, 14 (1), 20-29.

Kim, Moo Jin, Karl Pertsch, Siddharth Karamcheti, Ted Xiao, Ashwin Balakrishna, Suraj Nair, Rafael Rafailov, Ethan P. Foster, Pannag R. Sanketi, Quan Vuong, Thomas Kollar, Benjamin Burchfiel, Russ Tedrake, Dorsa Sadigh, Sergey Levine, Percy Liang, and Chelsea Finn, “OpenVLA: An Open-Source Vision-Language-Action Model,” in Proceedings of the 8th Conference on Robot Learning (CoRL 2024), Proceedings of Machine Learning Research, 2025, 270, 2679-2713.

Kober, Jens, J. Andrew Bagnell, and Jan Peters, “Reinforcement Learning in Robotics: A Survey,” International Journal of Robotics Research, 2013, 32 (11), 1238-1274.

Kogan, Leonid, Dimitris Papanikolaou, Lawrence D. W. Schmidt, and Bryan Seegmiller, “Technology and Labor Displacement: Evidence from Linking Patents with Worker-Level Data,” NBER Working Paper 31846, 2023.

Kroemer, Oliver, Scott Niekum, and George Konidaris, “A Review of Robot Learning for Manipulation: Challenges, Representations, and Algorithms,” Journal of Machine Learning Research, 2021, 22 (30), 1-82.

Link, Albert N., Zachary T. Oliver, and Alan C. O’Connor, “Economic Analysis of Technology Infrastructure Needs for Advanced Manufacturing: Advanced Robotics and Automation,” NIST GCR 16-005, National Institute of Standards and Technology, August 2016. https://doi.org/10.6028/NIST.GCR.16-005

Lise, Jeremy and Fabien Postel-Vinay, “Multidimensional Skills, Sorting, and Human Capital Accumulation,” American Economic Review, 2020, 110 (8), 2328-2376.

Ludwig, Jens, Sendhil Mullainathan, and Ashesh Rambachan, “Large Language Models: An Applied Econometric Framework,” NBER Working Paper 33344, 2025.

Lung, Natalie, “New York’s Robotaxi Plan Pulled in Setback to Waymo Expansion,” Bloomberg News, February 19, 2026. https://www.bloomberg.com/news/articles/2026-02-19/new-york-s-robotaxi-plan-pulled-in-setback-to-waymo-expansion

Madrigal, Alexis C., “Inside Waymo’s Secret World for Training Self-Driving Cars,” The Atlantic, August 23, 2017. https://www.theatlantic.com/technology/archive/2017/08/inside-waymos-secret-testing-and-simulation-facilities/537648/

Mason, Matthew T., “Toward Robotic Manipulation,” Annual Review of Control, Robotics, and Autonomous Systems, 2018, 1, 1-28.

Massenkoff, Maxim and Peter McCrory, “Labor Market Impacts of AI: A New Measure and Early Evidence,” Anthropic, March 5, 2026. https://www.anthropic.com/research/labor-market-impacts

Mayekawa, “Deboning Machines,” product page, 2026a. https://mayekawa.com/products/deboning_machines/

Mayekawa, “Reducing Workloads with Reliable Deboning Technology and Stabilizing Production to Meet Market Demands for Pork,” With Mayekawa, 2026b (undated; retrieved September 29, 2026). https://mayekawa.com/with/stories/hamdas/

McKinsey & Company, “The Future of Robotics: Intelligent, Adaptable, and on Your Team,” The Next Normal, 2026. https://www.mckinsey.com/featured-insights/the-next-normal/robotics

Metzger, Jean-Claude, Olivier Lambercy, Antonella Califfi, Daria Dinacci, Claudio Petrillo, Paolo Rossi, Fabio M. Conti, and Roger Gassert, “Assessment-Driven Selection and Adaptation of Exercise Difficulty in Robot-Assisted Therapy: A Pilot Study with a Hand Rehabilitation Robot,” Journal of NeuroEngineering and Rehabilitation, 2014, 11, 154.

Moravec, Hans, Mind Children: The Future of Robot and Human Intelligence, Cambridge, MA: Harvard University Press, 1988.

Morgan Stanley, “Humanoid Robot Market Expected to Reach $5 Trillion by 2050,” May 14, 2025. https://www.morganstanley.com/insights/articles/humanoid-robot-market-5-trillion-by-2050

Morgan Stanley Research, “Humanoids: Investment Implications of Embodied AI,” report, June 26, 2024.

Navas-Reascos, Gabriel E., David Romero, Johan Stahre, and Alberto Caballero-Ruiz, “Wire Harness Assembly Process Supported by Collaborative Robots: Literature Review and Call for R&D,” Robotics, 2022, 11 (3), 65.

Nissyoku Shimbun, “前川製作所が豚もも肉脱骨ロボット「ハムダス」発売” [Mayekawa Launches HAMDAS Pork Ham Deboning Robot], Nihon Shokuryo Shimbun, September 14, 1998. https://news.nissyoku.co.jp/news/nss-8423-0032

Oitzman, Mike, “Pharm Robotics Advances Automated Dairy Cow Healthcare,” The Robot Report, July 13, 2025. https://www.therobotreport.com/pharm-robotics-advances-automated-dairy-cow-healthcare/

Oxmaint, “Food Manufacturing Maintenance Budgeting: Planning, Benchmarks, and Cost Control,” March 28, 2026. https://oxmaint.com/industries/food-manufacturing/food-manufacturing-maintenance-budgeting-benchmarks-cost-control

Pallottino, Lucia, “Robotics for Warehouses and Logistics: Technologies, Challenges, and Future Directions,” Annual Review of Control, Robotics, and Autonomous Systems, 2026, 9, 377-401.

Polanyi, Michael, The Tacit Dimension, Garden City, NY: Doubleday, 1966.

Pumacay, Wilbert, Ishika Singh, Jiafei Duan, Ranjay Krishna, Jesse Thomason, and Dieter Fox, “THE COLOSSEUM: A Benchmark for Evaluating Generalization for Robotic Manipulation,” arXiv:2402.08191, 2024.

Reuters, “Meet SwagBot, the AI-Powered Robot Cattle Herder Preventing Soil Degradation,” Rappler, December 12, 2024. https://www.rappler.com/technology/innovations/swagbot-artificial-intelligence-powered-robot-cattle-herder/

Rivière, Yann and Jean-Stanislas Denain, “Where Autonomy Works: Evaluating Robot Capabilities in 2026,” Epoch AI, 2026. https://epoch.ai/publications/where-autonomy-works-evaluating-robot-capabilities-in-2026

Robbins, Jacob, “Apptronik Raises $520M as VC Funding for Humanoid Robotics Explodes 300%,” PitchBook News, February 11, 2026. https://pitchbook.com/news/articles/apptronik-raises-520m-as-vc-funding-for-humanoid-robotics-explodes-300

The Robot Report, “Path Robotics Raises $100M to Automate Welding,” October 28, 2024. https://www.therobotreport.com/path-robotics-raises-100m-to-automate-welding/

The Robot Report, “Okibo Opens New Jersey HQ and Launches EG7 Robot in U.S. Market,” April 11, 2025. https://www.therobotreport.com/okibo-opens-new-jersey-hq-and-launches-eg7-robot-in-u-s-market/

Rosen, C. A., “Machine Vision and Robotics: Industrial Requirements,” in George G. Dodd and Lothar Rossol, eds., Computer Vision and Sensor-Based Robots, Springer, 1979, 3-22.

SAE International, “Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles,” SAE Recommended Practice J3016_202104, April 2021.

Sandvik, “Sandvik Introduces AutoMine AutoLoad 2.0 for Improved Autonomous Bucket Loading,” press release, June 14, 2023. https://www.mining.sandvik/en/news-and-media/news-archive/2023/06/sandvik-introduces-automine-autoload-2.0-for-improved-autonomous-bucket-loading

Schenck RoTec, “Wheel Assembly Lines: Individual & Complete Solutions,” product page, 2025. https://www.schenck-rotec.com/en-us/product/wheel-assembly-lines/

Scoop, “‘Golden Opportunity’ for Scott Technology with Silver Fern Farms,” Scott Technology announcement, September 14, 2022. https://www.scoop.co.nz/stories/BU2209/S00201/golden-opportunity-for-scott-technology-with-silver-fern-farms.htm

Simbe Robotics, “Tally,” product page, 2026. https://www.simberobotics.com/store-intelligence/tally

Statista, “Average Retail Electricity Price for Industrial Consumers in the United States from 1970 to 2025,” April 28, 2026. https://www.statista.com/statistics/190680/us-industrial-consumer-price-estimates-for-retail-electricity-since-1970/

Suresh, Sudharshan, Haozhi Qi, Tingfan Wu, Taosha Fan, Luis Pineda, Mike Lambeta, Jitendra Malik, Mrinal Kalakrishnan, Roberto Calandra, Michael Kaess, Joseph Ortiz, and Mustafa Mukadam, “NeuralFeels with Neural Fields: Visuotactile Perception for In-Hand Manipulation,” Science Robotics, 2024, 9 (96), eadl0628.

Svanberg, Maja, Wensu Li, Martin Fleming, Brian Goehring, and Neil Thompson, “Beyond AI Exposure: Which Tasks Are Cost-Effective to Automate with Computer Vision?,” MIT FutureTech working paper, January 2024. https://futuretech.mit.edu/publication/beyond-ai-exposure-which-tasks-are-cost-effective-to-automate-with-computer-vision

Tamkin, Alex, Miles McCain, Kunal Handa, Esin Durmus, Liane Lovitt, Ankur Rathi, Saffron Huang, Alfred Mountfield, Jerry Hong, Stuart Ritchie, Michael Stern, Brian Clarke, Landon Goldberg, Theodore R. Sumers, Jared Mueller, William McEachen, Wes Mitchell, Shan Carter, Jack Clark, Jared Kaplan, and Deep Ganguli, “Clio: Privacy-Preserving Insights into Real-World AI Use,” arXiv:2412.13678, 2024.

Tamkin, Alex and Peter McCrory, “Estimating AI Productivity Gains from Claude Conversations,” Anthropic, 2025. https://www.anthropic.com/research/estimating-productivity-gains

Tedrake, Russ, Robotic Manipulation: Perception, Planning, and Control, course notes for MIT 6.421, 2026. http://manipulation.mit.edu

Telexistence, “Telexistence to Begin Installing AI Robot ‘TX SCARA’ in 300 FamilyMart Stores,” press release, August 10, 2022. https://tx-inc.com/en/blog/2022/08/10/11737/

Thomas, Charlotte, “Rise of the Robots,” METSTRADE, October 23, 2023. https://www.metstrade.com/news/superyacht/rise-of-the-robots

Trammell, Philip and Anton Korinek, “Economic Growth Under Transformative AI,” Annual Review of Economics, 2026, 18, 589-611.

Transformation Hub Wiring Harness, “Robotics Challenge 2026,” 2026. https://www.leitungssatz-hub.de/en/robotik-challenge/robotik-challenge-2026/

UBS, “Is the World Ready for 1bn Robots?,” UBS Global Research Q-Series, June 17, 2025.

University of Michigan, “U-M Opens Mcity Test Environment for Connected and Driverless Vehicles,” Michigan Engineering News, July 20, 2015. https://news.engin.umich.edu/2015/07/u-m-opens-mcity-test-environment-for-connected-and-driverless-vehicles/

U.S. Bureau of Economic Analysis (BEA), “Price Indexes for Private Fixed Investment in Equipment by Type: Computers and Peripheral Equipment [B935RG3A086NBEA],” NIPA Table 5.5.4, retrieved from FRED, Federal Reserve Bank of St. Louis, 2026. https://fred.stlouisfed.org/series/B935RG3A086NBEA

U.S. Bureau of Labor Statistics (BLS), “A New Methodology for Estimating Hours Worked for U.S. Labor Productivity Measurement,” Office of Productivity and Technology technical note, November 3, 2022. https://www.bls.gov/productivity/technical-notes/labor-productivity-hours-worked-method-using-ces-all-employee-hours-nov-2022.htm

U.S. Bureau of Labor Statistics (BLS), “Occupational Employment and Wage Statistics (OEWS): May 2025 National Occupational Employment and Wage Estimates,” 2025. https://www.bls.gov/oes/tables.htm

U.S. Bureau of Labor Statistics (BLS), “Consumer Price Index for All Urban Consumers: New Vehicles, U.S. City Average, Not Seasonally Adjusted [CUUR0000SETA01],” 2026a. https://www.bls.gov/cpi/

U.S. Bureau of Labor Statistics (BLS), “Employment Level – Agriculture and Related Industries [LNS12034560] and Employment Level [CE16OV],” Current Population Survey, retrieved from FRED, Federal Reserve Bank of St. Louis, 2026b. https://fred.stlouisfed.org/series/LNS12034560

U.S. Bureau of Labor Statistics (BLS), “Occupational Employment and Wage Statistics: Frequently Asked Questions,” 2026c, retrieved September 21, 2026. https://www.bls.gov/oes/oes_ques.htm

U.S. Census Bureau, “Annual Capital Expenditures Survey: Robotic Equipment Expenditures, 2019-2022,” 2024. https://www.census.gov/programs-surveys/aces.html

U.S. Department of Transportation Office of Inspector General, “Enhanced FAA Oversight Could Reduce Hazards Associated with Increased Use of Flight Deck Automation,” Audit Report AV-2016-013, January 7, 2016. https://www.oig.dot.gov/sites/default/files/FAA%20Flight%20Decek%20Automation_Final%20Report%5E1-7-16.pdf

Vitiello, V., K.-W. Kwok, and G.-Z. Yang, “Introduction to Robot-Assisted Minimally Invasive Surgery (MIS),” in Paula Gomes, ed., Medical Robotics: Minimally Invasive Surgery, Woodhead Publishing, 2012, 1-40.

Wallace, Neal, “Butcher Bot Pays Off in Dollars per Carcase,” Farmers Weekly (New Zealand), September 30, 2022. https://www.farmersweekly.co.nz/technology/butcher-bot-pays-off-in-dollars-per-carcase/

Wallace, Neal, “One Giant LEAP for Robo Meatworks,” Farmers Weekly (New Zealand), April 22, 2024. https://www.farmersweekly.co.nz/technology/one-giant-leap-for-robo-meatworks/

Wang, Hanchen, Tianfan Fu, Yuanqi Du, Wenhao Gao, Kexin Huang, Ziming Liu, Payal Chandak, Shengchao Liu, Peter Van Katwyk, Andreea Deac, Anima Anandkumar, Karianne Bergen, Carla P. Gomes, Shirley Ho, Pushmeet Kohli, Joan Lasenby, Jure Leskovec, Tie-Yan Liu, Arjun Manrai, Debora Marks, Bharath Ramsundar, Le Song, Jimeng Sun, Jian Tang, Petar Veličković, Max Welling, Linfeng Zhang, Connor W. Coley, Yoshua Bengio, and Marinka Zitnik, “Scientific Discovery in the Age of Artificial Intelligence,” Nature, 2023, 620, 47-60.

Waste360, “Q&A: AMP’s Matanya Horowitz on Bringing AI to the Recycling World and How the Tech Is Advancing,” November 2023. https://www.waste360.com/waste-recycling/q-a-amp-s-matanya-horowitz-on-bringing-ai-to-the-recycling-and-how-the-tech-is-advancing

WATTAgNet, “The New Generation of Automated Deboning Machines,” October 1, 2018. https://www.wattagnet.com/broilers-turkeys/processing-slaughter/article/15526256/the-new-generation-of-automated-deboning-machines-wattagnet

Webb, Michael, “The Impact of Artificial Intelligence on the Labor Market,” working paper, Stanford University, 2020.

Wessling, Brianna, “With New Funding, Monumental Plans to Bring Its Construction Robots to the U.S.,” The Robot Report, July 17, 2026. https://www.therobotreport.com/with-new-funding-monumental-plans-bring-construction-robots-u-s/

Wishart-Smith, Heather, “Built Robotics Unveils Autonomous Pile Driving Robot, Expediting Solar Rollout,” Forbes, March 20, 2023. https://www.forbes.com/sites/heatherwishartsmith/2023/03/20/built-robotics-unveils-autonomous-pile-driving-robot-expediting-solar-rollout/

Yotzov, Ivan, Jose Maria Barrero, Nicholas Bloom, Philip Bunn, Steven J. Davis, Kevin M. Foster, Aaron Jalca, Brent H. Meyer, Paul Mizen, Michael A. Navarrete, Pawel Smietanka, Gregory Thwaites, and Ben Zhe Wang, “Firm Data on AI,” NBER Working Paper 34836, 2026. https://doi.org/10.3386/w34836

Yu, Zhen, Jingyu Wang, Ting Zuo, James Alm, Xun Li, and Xue Li, “Robotaxis Reduce Taxi Drivers’ Income,” Humanities and Social Sciences Communications, 2026, 13, article 629.

Zeira, Joseph, “Workers, Machines, and Economic Growth,” Quarterly Journal of Economics, 1998, 113 (4), 1091-1117.

Ziemerink, Jan, “How to Manage Automatic Calf Feeders Successfully,” Förster-Technik North America presentation, Vita Plus, 2018. https://www.vitaplus.com/wp-content/uploads/2018/06/Successfull-Calfraising_with-Auto-feeders2018_2.pdf

Veri kaynakları

Althobaiti, Shahad, Ahmad Alabdulkareem, Judy Hanwen Shen, Iyad Rahwan, Morgan Frank, Esteban Moro, and Alex Rutherford. “Dictionary of Titles” [dataset]. Harvard Dataverse, 2022. https://doi.org/10.7910/DVN/DQW8IP

Autor, David, Caroline Chin, Anna Salomons, and Bryan Seegmiller. Replication Data for: “New Frontiers: The Origins and Content of New Work, 1940-2018.” Harvard Dataverse, V1.1, 2024. https://doi.org/10.7910/DVN/7RYD2E, retrieved July 30-31, 2026.

Autor, David H. and David Dorn. 2013. “The Growth of Low-Skill Service Jobs and the Polarization of the US Labor Market.” American Economic Review 103 (5): 1553-1597. Occupation crosswalks (occ1990dd) and offshorability measure: https://www.ddorn.net/data.htm.

Bank of Japan. Producer Price Index, 2020 Base: Robots [PRCG20_2201350029]. Time-Series Data Search, retrieved September 16, 2026. https://www.stat-search.boj.or.jp/

Eloundou, Tyna, Sam Manning, Pamela Mishkin, and Daniel Rock. 2024. “GPTs are GPTs: Labor Market Impact Potential of LLMs.” Science 384 (6702): 1306-1308. Task-level exposure labels: https://github.com/openai/GPTs-are-GPTs.

Hirsch, Barry T., David A. Macpherson, and William E. Even. Union Membership, Coverage, and Earnings from the CPS [dataset]. Unionstats.com, 2026. https://unionstats.com/. Described in Hirsch, Barry T. and David A. Macpherson. 2003. “Union Membership and Coverage Database from the Current Population Survey: Note.” Industrial and Labor Relations Review 56 (2): 349-354.

National Academy of Sciences, Committee on Occupational Classification and Analysis. Dictionary of Occupational Titles (DOT): Part I – Current Population Survey, April 1971, Augmented With DOT Characteristics, and Part II – Fourth Edition Dictionary of DOT Scores for 1970 Census Categories. Ann Arbor, MI: Inter-university Consortium for Political and Social Research [distributor], 2006-09-06. https://doi.org/10.3886/ICPSR07845.v2

National Center for O*NET Development. O*NET Database, versions 29.3 (2025), 13.0 (2008), and 4.0 (2002); the O*NET-SOC taxonomy crosswalks; and the DOT to O*NET-SOC 2019 Crosswalk. Washington, DC: U.S. Department of Labor, Employment and Training Administration. https://www.onetcenter.org/database.html; https://www.onetcenter.org/taxonomy.html; https://www.onetcenter.org/crosswalks/dot/

Ruggles, Steven, Sarah Flood, Matthew Sobek, Daniel Backman, Grace Cooper, Julia A. Rivera Drew, Stephanie Richards, Renae Rodgers, Jonathan Schroeder, and Kari C.W. Williams. IPUMS USA: Version 16.0 [dataset]. Minneapolis, MN: IPUMS, 2025. https://doi.org/10.18128/D010.V16.0

U.S. Bureau of Economic Analysis (BEA). Personal Consumption Expenditures: Chain-type Price Index [PCEPI], retrieved from FRED, Federal Reserve Bank of St. Louis. https://fred.stlouisfed.org/series/PCEPI, September 21, 2026.

U.S. Bureau of Economic Analysis (BEA). Table 5.5.4. Price Indexes for Private Fixed Investment in Equipment by Type: Computers and peripheral equipment [B935RG3A086NBEA], retrieved from FRED, Federal Reserve Bank of St. Louis. https://fred.stlouisfed.org/series/B935RG3A086NBEA, September 16, 2026.

U.S. Bureau of Labor Statistics (BLS). Consumer Price Index for All Urban Consumers, U.S. city average, not seasonally adjusted: New vehicles [CUUR0000SETA01]. Washington, DC: U.S. Department of Labor. Retrieved September 16, 2026. https://www.bls.gov/cpi/

U.S. Bureau of Labor Statistics (BLS). Employer Costs for Employee Compensation (ECEC), 2004-2023 and March 2026. Washington, DC: U.S. Department of Labor. https://www.bls.gov/ecec/

U.S. Bureau of Labor Statistics (BLS). Employment Projections, 2025-35: Table 1.6, Occupations with the Largest Job Declines. Washington, DC: U.S. Department of Labor, August 27, 2026. https://www.bls.gov/emp/tables/occupations-largest-job-declines.htm

U.S. Bureau of Labor Statistics (BLS). Occupational Employment and Wage Statistics (OEWS): 2002, May 2008, May 2015, and May 2025 National Occupational Employment and Wage Estimates. Washington, DC: U.S. Department of Labor. https://www.bls.gov/oes/tables.htm

U.S. Bureau of Labor Statistics (BLS). Occupational Requirements Survey (ORS), 2023 and 2025. Washington, DC: U.S. Department of Labor. https://www.bls.gov/ors/

U.S. Census Bureau. 2018 Census Occupation Code List with Crosswalk, and 2018 ACS PUMS and 2018 SIPP Public-Use Occupation Code List [datasets], 2018. https://www2.census.gov/programs-surveys/demo/guidance/industry-occupation/2018-occupation-code-list-and-crosswalk.xlsx; https://www2.census.gov/programs-surveys/demo/guidance/industry-occupation/2018-ACS-PUMS-and-2018-SIPP-Public-Use-Occupation-Code-List.xlsx

U.S. Census Bureau. Annual Capital Expenditures Survey: Capital Expenditures for Structures and Equipment, Tables 1a and 1b, 2019-2022 releases. https://www.census.gov/data/tables/2022/econ/aces/2022-aces-summary.html

U.S. Department of Labor, Employment and Training Administration. Dictionary of Occupational Titles, Fourth Edition. Washington, DC: U.S. Government Printing Office, 1977.

United States Department of Labor, United States Employment Service, and North Carolina Occupational Analysis Field Center. Dictionary of Occupational Titles (DOT): Revised Fourth Edition, 1991. Ann Arbor, MI: Inter-university Consortium for Political and Social Research [distributor], 2026-02-19. https://doi.org/10.3886/ICPSR06100.v2. Missing text from the Department of Labor Office of Administrative Law Judges DOT pages and https://occupationalinfo.org.

Webb, Michael. 2020. “The Impact of Artificial Intelligence on the Labor Market.” Working paper, Stanford University. Robot exposure percentiles and 2010 labor-supply weights: https://web.stanford.edu/~mww/, retrieved July 18, 2026; now at https://www.michaelwebb.co/.

Atıf

@online{legateyang2026robots,
author = {Legate-Yang, Russell and Massenkoff, Maxim},
title = {What work can robots do?},
date = {2026-09-30},
year = {2026},
url = {https://www.anthropic.com/research/what-work-can-robots-do}
}

Yazını orijinalini buradan indirebilirsiniz.