Yazar Andrew Marble, yapay zekanın beyaz yakalı işleri neden tamamen değiştiremeyeceğini, problem çözme yaklaşımlarını iki ana kategoriye ayırarak açıklıyor: işlemsel (transactional) ve ilişki temelli (relationship-based). İlk örnekte, bilmediği bir kelimenin anlamını bir şefe sormak istemesini, ancak sözlükten bakmanın ilgisini kaybettirdiğini belirtiyor. Burada önemli olan, saygı duyduğu birinin deneyimini ve düşüncesini öğrenmek, sosyal bir etkileşim kurmaktı. İkinci örnekte ise, bir Python programlama sorusuna (None değerlerinin pandas DataFrame'e dönüştürülmesi) bir yapay zeka sohbet robotundan hızlıca yanıt alıp sorunu çözdüğünü anlatıyor.
Bu iki örnek, farklı soru yanıtlama türlerini ortaya koyuyor. İkinci tür, yani işlemsel sorular, acil bir cevaba ihtiyaç duyan ve doğrudan bilgi edinmeye yönelik sorulardır. Sözlükler, ansiklopediler ve günümüzde büyük dil modelleri (LLM'ler) bu tür sorulara referans bilgileri sağlayabilir. Ancak birinci tür, ilişki temelli sorular, sosyal etkileşim kurma, görüş paylaşma ve başkalarının bakış açılarından öğrenme amacı taşır. Yazar, beyaz yakalı işlerin büyük bir kısmının, özellikle de strateji ve danışmanlık gibi alanların, bu ilişki temelli soru türüne dayandığını savunuyor.
Yapay zekanın insan iş gücünü ikame etme tartışmaları bağlamında, bu ayrım giderek daha kritik hale geliyor. Çalışırken yanıtladığımız "soruların" önemli bir yüzdesi, işlemsel olmaktan ziyade insan etkileşimi gerektiren, ilişki temelli sorulardır. Strateji danışmanlığı gibi alanlar, müşterilerin "doğru cevabı" değil, güvendikleri ve görüşlerine saygı duydukları birinden tavsiye aradığı, tamamen güven ve ilişki üzerine kurulu işlerdir. Bu nedenle, yapay zeka her ne kadar bilgiye erişimi hızlandırsa da, insan etkileşiminin ve güvene dayalı ilişkilerin yerini alamayacağı için beyaz yakalı işleri tamamen ortadan kaldıramayacaktır.
Yapay zekanın beyaz yakalı işleri tamamen değiştiremeyeceği argümanı, problem çözme türleri arasındaki temel farka dayanıyor.