2026 Şubat itibarıyla üniversitelerde iki eğilim netleşti, bir yanda sürdürülebilirlik hedefleri, diğer yanda yapay zeka tabanlı çözümler. Tam adıyla yeni lisans bölümleri her yerde karşına çıkmasa da, kampüslerde kulüpler, kısa programlar ve disiplinlerarası dersler hızla çoğalıyor.
Bu yazıda hangi bölüm ve program türlerinin öne çıktığını, derslerde nelerle karşılaşacağını ve mezun olunca hangi işlere yönelebileceğini açıkça göreceksin. Ayrıca seçim yaparken (müfredat, proje imkanı, staj ağı, laboratuvar ve sektör bağlantısı gibi) nelere bakman gerektiğini de netleştireceğiz.
Konu soyut değil, günlük hayata dokunuyor; örneğin enerji tasarrufu için AI ile tüketim tahmini yapmak, atık yönetiminde veri analiziyle rota ve ayrıştırma kararlarını iyileştirmek mümkün. Kısacası amaç, "trend" peşinde koşmak değil, sürdürülebilirlik ve yapay zekayı somut bir kariyer planına çevirmek.
Üniversiteler neden sürdürülebilirlik ile yapay zekayı tek çatı altında topluyor?
Sürdürülebilirlik bir hedef seti, yapay zeka ise bu hedeflere daha hızlı ve ölçülebilir şekilde gitmeni sağlayan araç kutusu gibi düşün. Üniversiteler bu ikisini aynı programda birleştirince, öğrenciler hem çevresel etkiyi okuyor hem de o etkiyi azaltacak modelleri kurmayı öğreniyor. Böylece mezun, "ne yapılmalı" ile "nasıl yapılır" arasında köprü kurabiliyor.
Bu yaklaşım aynı zamanda dünyadaki programlaşma rüzgarıyla da uyumlu. 2026 itibarıyla Avrupa'da 70'ten fazla yeni yapay zeka bölümünün açılması, AI'nin sadece yazılım değil, farklı disiplinlerle birlikte öğretilmesini hızlandırdı. Sonuçta iklim, enerji, şehircilik, tarım ve lojistik gibi alanlar, kampüste tek tek değil, ortak projelerle ele alınır hale geldi.
Kısa özet: Üniversiteler, sürdürülebilirliği "neyi optimize edeceğiz" sorusu, yapay zekayı da "nasıl optimize edeceğiz" cevabı olarak görüyor.
Gerçek hayattaki kullanım alanları: enerji, şehirler, tarım ve tedarik zinciri
Bu birleşimin en ikna edici yanı, gerçek dünyada hemen karşılığını bulması. Aşağıdaki dört örnekte aynı şablon çalışır: önce sorun tanımlanır, sonra veri toplanır, ardından AI bir çıktı üretir ve karar destek başlar.
- Enerji şebekelerinde talep tahmini
- Sorun: Talep dalgalanınca üretim planı şaşar, maliyet artar, gereksiz emisyon oluşur.
- Veri kaynağı: Akıllı sayaç tüketim verileri, hava durumu, takvim (tatil, mesai), bölgesel yük geçmişi.
- AI çıktısı: 15 dakika, 1 saat, 1 gün sonrası için talep tahminleri, risk bandı (örneğin "yüksek pik olasılığı"). Bu çıktı, üretim ve satın alma planını daha isabetli yapar.
- Akıllı binalarda tüketim optimizasyonu
- Sorun: Isıtma, soğutma ve aydınlatma sabit kurallarla yönetilince konfor düşer, enerji boşa gider.
- Veri kaynağı: Bina otomasyon sensörleri (sıcaklık, nem, CO2), doluluk bilgisi, ekipman çalışma saatleri, enerji faturası kalemleri.
- AI çıktısı: "Şu saat aralığında şu bölgeyi şu set değerinde tut" gibi otomasyon önerileri; ayrıca anomali uyarısı (örneğin arızalı cihazın gereksiz tüketimi). Böylece konfor korunurken tüketim düşer.
- Tarımda sulama ve hastalık tahmini
- Sorun: Fazla sulama suyu tüketir, az sulama verimi düşürür; hastalık geç fark edilirse kayıp büyür.
- Veri kaynağı: Toprak nem sensörleri, meteoroloji verileri, uydu veya drone görüntüleri, çiftlik operasyon kayıtları.
- AI çıktısı: Parsel bazlı sulama planı (ne zaman, ne kadar), erken hastalık riski skoru ve "kontrol listesi" önerisi. Çiftçi, sezgiyi veriyle destekler.
- Tedarik zincirinde rota ve stok planlama
- Sorun: Yanlış rota daha fazla yakıt yakar; yanlış stok kararı hem atık hem de kayıp satış demektir.
- Veri kaynağı: GPS ve teslimat geçmişi, trafik yoğunluğu, depo giriş çıkış kayıtları, satış tahminleri, ürün raf ömrü bilgisi.
- AI çıktısı: En düşük maliyet ve emisyon için rota önerisi; mağaza veya depo bazlı stok önerisi (güven aralığıyla). Böylece "hız" ile "israf" arasında daha dengeli bir plan kurulur.
Bu dört örneğin ortak noktası şu: Sürdürülebilirlik hedefi, iyi niyetle değil, ölçüm ve optimizasyonla tutar. Yapay zeka da bu optimizasyonu sürekli hale getirir.
Bu alanın büyümesini hızlandıran iki baskı: iklim hedefleri ve veri ekonomisi
Birinci baskı iklim hedeflerinden geliyor. Şirketler artık "çevreye duyarlıyız" demekle yetinemiyor, çünkü paydaşlar ölçülebilir sonuç istiyor. Karbon raporlaması, verimlilik hedefleri ve tedarik zinciri etkisi gibi konular, yönetim masasının gündemine yerleşti. Ayrıca enerji fiyatları ve kaynak maliyetleri oynak oldukça, verimlilik işi bir "tasarruf projesi" olmaktan çıkıp işin çekirdeğine oturuyor. Üstüne itibar baskısı da biniyor; yanlış veri, zayıf raporlama veya tutarsız hedefler markaya zarar veriyor.
İkinci baskı veri ekonomisi. Sürdürülebilirlik artık sadece çevre dersi değil, aynı zamanda veri kalitesi, izlenebilirlik ve model doğruluğu konusu. Çünkü ölçemediğin şeyi yönetemiyorsun. Sahadaki sensörlerden gelen veri, uydu görüntüleri, sayaç kayıtları, satın alma ve lojistik verileri tek başına değer üretmez. Değer, bu veriyi temizleyip bir araya getirince ve doğru modelle karar üretince çıkar.
İşte bu yüzden üniversiteler programları iş dünyasının ihtiyacına göre güncelliyor. Şirketler, hem sürdürülebilirlik dilini konuşan hem de veriyle çalışan mezun istiyor. Bu talep netleşince, kampüslerde tek bir bölüm yerine disiplinlerarası ders havuzları, ortak laboratuvarlar ve sektör projeleri öne çıkıyor. Bu birleşim, mezunun "rapor yazabilen" değil, sonuç üretebilen bir profile dönüşmesini sağlıyor.
Yeni gözde programlar ve bölümler: isimleri değişse de öğrettikleri benzer
Üniversite kataloglarında son yıllarda iki şey sık görülüyor: Program adları hızla çoğalıyor, içerikler ise belli bir çekirdekte buluşuyor. Bir yerde "AI for Sustainability", başka bir yerde "Sustainable Data Science" yazıyor. Hatta kimi okul "sürdürülebilir inovasyon" derken, kimi "kalkınma" kelimesini seçiyor. İsim ne olursa olsun, senden beklenen beceriler çoğu zaman aynı: veriyle çalışmak, model kurmak, etkiyi ölçmek, sonra da doğru kararları desteklemek.
Bu yüzden seçim yaparken başlığa değil, program türüne ve derslerin dağılımına bakmak daha güvenli. Örneğin University of Birmingham'ın AI and Sustainable Development yüksek lisansı, yapay zeka ile sürdürülebilir kalkınmayı açıkça bir araya getiriyor ve tez projesiyle kapanıyor. Öte yandan "Tomorrow University 'MSc in AI for Sustainable Innovation'" gibi isimler de aramalarda karşına çıkabilir, ama burada kritik olan programın sayfasını açıp dersleri tek tek görmen, çünkü aynı başlık iki okulda bambaşka anlama gelebilir.
Program türleri: mühendislik odaklı, veri ve iş odaklı, disiplinler arası
Program adlarını üç aileye ayırırsan kafan netleşir. Aşağıdaki mini şablonlar, "Bu bölüm bana uygun mu?" sorusuna hızlı cevap verir.
- Mühendislik odaklı (AI/ML mühendisliği, bilgisayar mühendisliği içinde AI izi, AI engineering vb.)
Kimlere uygun: Matematik ve kodlamayı seven, sistem kurmak isteyen, "modeli üretime alırım" diyenler.
Hangi dersler ağır basar: Programlama, veri yapıları, makine öğrenmesi, derin öğrenme, optimizasyon, bulut ve MLOps gibi "kurulum ve ölçekleme" konuları.
Mezun ne yapar: ML mühendisi, veri mühendisi, AI yazılım geliştirici; ayrıca enerji, mobilite, üretim gibi alanlarda sürdürülebilirlik odaklı modelleme projelerine teknik omurga sağlar. - Veri ve iş odaklı (data science for sustainability, business analytics, sustainability analytics, AI in business vb.)
Kimlere uygun: "Tek başıma ürün yazmam ama veriyi anlarım" diyen, iş hedefi ve etki metriğiyle düşünenler.
Hangi dersler ağır basar: İstatistik, veri analizi, görselleştirme, deney tasarımı, raporlama, karar destek, etki metrikleri. Genelde vaka çalışması ve proje dersi daha görünür olur.
Mezun ne yapar: Veri analisti, sürdürülebilirlik analitiği uzmanı, ürün analitiği; karbon raporlama, tedarik zinciri izlenebilirliği ve verimlilik projelerinde "içgörüden aksiyona" giden yolu hızlandırır. - Disiplinler arası (AI + sürdürülebilir kalkınma, iklim teknolojileri, çevre politikası + veri, sürdürülebilir inovasyon vb.)
Kimlere uygun: Tek bir alana sıkışmak istemeyen, teknoloji ile toplum arasındaki bağlantıyı kuran, "kuralları ve etkileri de konuşalım" diyenler.
Hangi dersler ağır basar: Teknik dersler daha sade olabilir, ama etik, kamu politikası, iklim temelleri ve sosyal etki daha görünürdür. University of Birmingham'ın AI and Sustainable Development örneğinde olduğu gibi yönetişim ve etik boyutu sık öne çıkar.
Mezun ne yapar: Sürdürülebilirlik odaklı ürün ve proje yöneticiliği, danışmanlık, kamu ve STK projeleri, ESG veri ekipleri; teknik ekip ile paydaşlar arasında çeviri yapan kişi olur.
İpucu: Program adı ne kadar havalı olursa olsun, "Kimlere uygun?" ve "Mezun ne yapar?" net değilse risk artar.
Ders planında neler görmeyi beklemelisin?
Ders adı okuldan okula değişir, ama beceriler aynı kapıya çıkar. Müfredatı incelerken şu başlıkları ararsan, programın gerçekten seni iş dünyasına hazırlayıp hazırlamadığını hızlıca anlarsın.
- Veri toplama ve temizleme: Sürdürülebilirlik verisi çoğu zaman dağınık gelir. Sayaç, sensör, fatura, uydu görüntüsü, ERP kayıtları aynı masaya oturmaz. Bu dersler sana birleştirme, eksik veri, aykırı değer ve veri kalitesi mantığını kazandırır.
- Temel makine öğrenmesi: Sınıflandırma, regresyon, model değerlendirme, hata analizi gibi konular beklenir. Amaç, "modeli ezberlemek" değil, doğru soruya doğru modeli seçmektir.
- Optimizasyon: Kaynak kısıtları varken en iyi planı bulma işidir. Rota planlama, enerji planı, üretim çizelgesi gibi konularda karşına çıkar.
- Coğrafi veri ve uzaktan algılama temelleri: Basitçe, dünyayı bir tablo gibi değil, harita gibi okumayı öğrenirsin. Uydu görüntülerinden arazi kullanımı, ısı adası etkisi veya tarımsal stres gibi sinyaller çıkarma mantığı işlenir.
- Yaşam döngüsü ve karbon muhasebesi temelleri: Bir ürünün ya da hizmetin etkisini "sadece kullanımda" değil, ham maddeden bertarafa kadar hesaplama yaklaşımıdır. Karbon ayak izi, kapsam (scope) mantığı ve raporlama dili genelde burada tanıtılır.
- Etik ve sorumlu AI: Adalet, açıklanabilirlik, önyargı, veri mahremiyeti ve yönetişim konuları bu başlığın omurgasıdır. Disiplinler arası programlarda bu kısım daha geniş yer kaplar.
Son bir kontrol daha yap: Program sayfasında ders adları "Sustainable AI", "Green Data Science" ya da "AI for Social Good" diye geçebilir. İsim farklı olabilir, beceri aynı kalır. Bu bakış açısı, seni marka gibi görünen başlıklardan korur, gerçek kazanıma yönlendirir.
Kariyer fırsatları: mezun olunca hangi rollere daha hızlı girersin?
Sürdürülebilirlik ile yapay zekayı birlikte okuduğunda, mezuniyet sonrası "tek bir unvan" yerine farklı kapılar açılır. Çünkü şirketler hem etkiyi ölçmek istiyor, hem de bu ölçümü otomatik ve denetlenebilir hale getirmek zorunda. Bu yüzden en hızlı girilen roller genelde iki yerde kümelenir: veri toplama ve raporlama tarafı, bir de tahmin ve optimizasyon tarafı.