Kırılma Noktaları: Yapay Zekanın Nerede Çalıştığı, Nerede Yanılttığı.
Yapay zeka işe alım dünyasına 2010'ların ortasında girdi. Bugünün üretici yapay zekasından farklıydı. Daha çok klasik makine öğrenmesi: sınıflandırma, skorlama, eşleştirme şeklinde çalışıyordu. O dönem için de sorduğumuz soruyu sormak mümkündü: hangi karar makineye ait, hangi karar insanın? Unilever ve Amazon, bu sorunun iki uç cevabını verdi.
Unilever, 2016'da işe alım sürecini kökten değiştirdi. Pymetrics ve HireVue ile geliştirilen makine öğrenmesi tabanlı sistem, yıllık 1.8 milyon başvuruyu işleyecek, oyunlaştırılmış değerlendirmeler ve video mülakatlarla aday havuzunu daraltacaktı. The Case Centre tarafından belgelenen bağımsız vaka çalışmasına göre dönüşüm üç somut sonuç üretti: işe alım süresinde %75 azalma, aday çeşitliliğinde belirgin artış ve 1 milyonun sterlinin üzerinde yıllık tasarruf.⁽1⁾
Aynı yıllarda Atlantik'in öte yakasında Amazon farklı bir yola gidiyordu. Şirket 2014'ten beri geliştirdiği makine öğrenmesi tabanlı özgeçmiş tarama aracını 2017'de sessizce rafa kaldırdı; bu karar 2018'de Reuters muhabiri Jeffrey Dastin'in araştırmacı haberiyle kamuoyuyla paylaşıldı. Habere göre sistem, on yıllık işe alım verisinden öğrenmişti; o veri çoğunlukla erkek adaylara aitti. Algoritma bu örüntüyü içselleştirdi ve mükemmelleştirdi. Özgeçmişlerde "kadın" kelimesi otomatik puan kaybına yol açıyordu.⁽2⁾
Her iki şirket de aynı teknoloji ailesini kullandı.
Biri başarı hikâyesi yazdı. Diğeri uyarı.
Fark nerede? Bu sorunun yanıtı, yapay zekanın insan kaynaklarına nasıl entegre edileceğini belirleyecek en kritik mimari karar olacak.
Verimliliğin gerçek testi.
Yapay zeka, işe alımın tekrarlayan ve hacimli boyutlarında insandan üstün performans gösteriyor.
Chipotle, Ekim 2024'te Paradox'un Conversational AI sistemi 'Ava Cado'yu 3.500'ün üzerindeki restoranında devreye aldı. Şirketin CHRO'su Ilene Eskenazi, basın bültenindeki açıklamasında sistemi "tüm restoranlarımıza ek bir idari destek getirmiş gibi çalışan, yöneticilere ekip üyelerini destekleyebilmeleri için zaman kazandıran" bir araç olarak tarifledi. Şirket aynı bültende, sistemin restoran içi pozisyonlardaki işe alım süresini %75'e kadar azaltmasının beklendiğini açıkladı. CEO Scott Boatwright, Haziran 2025'te Fortune COO Summit'te yaptığı açıklamada bu hedefin gerçekleştiğini doğruladı: sistemin uygulamaya alınmasından bu yana işe alım süresi gerçekten %75 azaldı.⁽3⁾
General Motors'un Global Head of Candidate Experience pozisyonundaki Eileen Kovalsky'nin 2021'de masaya yatırdığı sorun farklı bir sahneydi: yıllık yaklaşık bir milyon başvuru, beş günü bulan mülakat planlama süreçleri, 50'nin üzerinde planlama uzmanı. Josh Bersin Company tarafından yayımlanan vaka çalışmasına göre Paradox'un 'EV-e' sistemi devreye alındıktan sonra planlama süresi 5 günden 29 dakikaya indi; sistem 6 ay içinde 2 milyon doların üzerinde tasarruf üretti.⁽4⁾
Rakamlar tartışılmaz. Yapay zeka; hacim yönetiminde, hızda ve tutarlılıkta gerçek bir kazanım sunuyor.
Ama bu kazanım sınır içinde geçerli. Aynı sistem, sınır dışındaki kararlara taşındığında: performans, gelişim, terfi başka bir hikâye başlıyor.
Hız ile doğruluk aynı şey değil.
Yapay zeka bir şeyi çok iyi yapıyor: geçmiş verilerden örüntü çıkarmak. Bu, verimlilik anlamına geliyor. Aynı zamanda şu anlama da geliyor: geçmişteki hatalar, bugünkü kararların içine sinmiş olabilir.
Algoritma adil olmak için tasarlanmaz; optimize etmek için tasarlanır.
Optimizasyonun neyi temel aldığı her şeyi belirler.
Pew Research Center'ın Nisan 2023'te yayımladığı araştırma, ABD'deki yetişkinlerin %66'sının işe alım kararlarında yapay zekanın rol oynadığını bilseler o pozisyona başvurmayacaklarını söylediğini gösteriyor.⁽5⁾
Bu bir iletişim sorunu değil. Bu, kurumsal güvene dair bir sinyal.
Daha düşündürücü olanı şu: Avrupa Komisyonu Ortak Araştırma Merkezi'nin (JRC) Almanya ve İtalya'da 1.400 İK ve bankacılık profesyoneliyle yürüttüğü 2025 deneyi, insan denetçilerin adil ve önyargılı yapay zeka tavsiyelerini eşit olasılıkla takip ettiklerini ortaya koydu. Araştırmacıların kendi ifadesiyle, 'döngüdeki insan' modeli, jenerik yapay zekanın kullanıldığı durumlarda ayrımcılığı engellemiyor.⁽6⁾
Buna ek olarak, Harvard Business School ile Boston Consulting Group'un 758 BCG danışmanıyla yürüttüğü 'Jagged Technological Frontier' deneyi farklı bir gerçeği gösteriyor. Araştırmacılar AI'ın yetenek alanını 'tırtıklı bir sınır'a benzetiyor: bazı görevlerde mükemmel, hemen yanındaki benzer görevlerde şaşırtıcı şekilde başarısız. Sınırın içinde kalan 18 görevde danışmanlar %12.2 daha fazla iş tamamladı, %25.1 daha hızlı çalıştı ve anlamlı şekilde daha yüksek kalitede sonuçlar üretti; sınırın dışındaki görevlerde AI'a güvenenler insanlardan daha kötü performans sergiledi.⁽7⁾
Birinci bölümde aynanın olanı görünür kıldığını söyledik. Ama aynanın bir kuralı var: o da sadece üzerine ışık düşen yüzeyi göstermek. Karanlıkta kalan, aynanın da göremediğidir.
Yapay zeka da öyle çalışıyor: ölçülebilen her şeyde parlıyor, ölçülemeyen her şeyi karanlıkta bırakıyor.
Gelişimde daha karmaşık bir tablo.
İşe alımdan çalışan gelişimine geçtiğimizde, tablo değişiyor. Buradaki başarılar daha kırılgan, hayal kırıklıkları daha sessiz.
Eğitim teknolojisinin en başarılı örneklerinden biri, kavramsal bir uyarı da içeriyor. Duolingo'nun kurucusu Luis von Ahn, bir TED konuşmasında öğrenmeyi sosyal medya kadar bağımlı yapan bir yöntem geliştirdiklerini açıklıyor: streakler (günlük seriler), ödüller, sıralamalar, küçük dopamin atışlarının sürekli bir akışı.⁽8⁾
Eğitim bilimci Pedro De Bruyckere bunu "fascinating paradox" (çarpıcı bir paradoks) olarak tanımlıyor: motivasyon devreye giriyor; ama öğrenme yüzeyde kalıyor.⁽8⁾ Computer Assisted Language Learning dergisinde yayımlanan sistematik derleme bu örüntüyü doğruluyor. Kullanıcılar temel kelime hazinesinde ilerleme sağlıyor, ama gerçek bir iletişim becerisi inşa edemiyor.⁽9⁾
Yapay zeka destekli kurumsal öğrenme platformları için risk burada başlıyor. Anthropic'in 2025-2026 Economic Index raporları, Claude.ai konuşmalarının yaklaşık yarısının 'otomasyon' modunda; yani işin tamamen modele devredildiği biçimde gerçekleştiğini gösteriyor. Bu oran yıl boyunca %45 ile %49 arasında salınmakta.⁽10⁾
Eğitim alınıyor. Streakler işliyor. Sertifikalar düzenleniyor. Ama gerçek öğrenmenin gerektirdiği zihinsel sürtünme; bir konuyu yanlış anlayıp yeniden yapılandırma, bir kavramı kendi sözcüklerinle ifade etme, bir başkasıyla tartışarak sınama algoritmanın etrafında dolaşıp gidiyor.
Eğitim alınıyor. Öğrenme gerçekleşmiyor.
Silikon Tavan. Kimsenin adını koymadığı uçurum.
Az konuşulan ama belki en kalıcı kırılma noktasına gelelim.
Microsoft ve LinkedIn'in 31 ülkede 31.000 çalışanla yürüttüğü 2025 Work Trend Index araştırması, AI agent'larıyla aşinalık konusunda liderlerin %67'sinin, çalışanların ise sadece %40'ının kendini yeterli hissettiğini ortaya koyuyor.⁽11⁾
Aynı kuruluşların 2024 Work Trend Index araştırması ise eğitim açığını sayısallaştırıyor: işyerinde yapay zeka kullanan profesyonellerin yalnızca %39'u şirketlerinden eğitim almış; şirketlerin sadece %25'i o yıl içinde eğitim sunmayı planladığını söylüyor.⁽12⁾
Ama bu uçurum sadece kim AI'ı kullanabiliyor sorusuyla sınırlı değil.
University of Washington'ın 2024'te yayımladığı araştırma, üç farklı büyük dil modelini özgeçmiş taramada test etti. Bulgu çarpıcıydı: sistemler, eşit niteliklere sahip adaylar arasından tipik beyaz erkek isimlerine kıyasla tipik Siyah erkek isimlerini hiçbir zaman tercih etmedi. Tipik beyaz erkek isimleri vakaların %85'inde sıralamanın üstüne yerleşti.⁽13⁾
AI çağında tavan iki katmanlı: bir tarafta kim aracı kullanabiliyor, diğer tarafta araç kimi seçiyor.
Bu bir benimseme hızı farkı değil. Bu, organizasyon içinde derinleşen yapısal bir uçurum.
Yapay zeka, onu kullanabilenleri güçlendiriyor. Kullanamayanlara ek bir dezavantaj katıyor.
Eğer bu fark yönetilmezse, AI kurumsal eşitsizliğin hem aracı hem de büyüteci hâline gelebilir. Kimse bunu kasıtlı olarak planlamıyor olabilir. Ama plansızlık da maalesef bir plan.
Kırılma noktasını tanımak.
Mühendislikte kırılma noktası, bir malzemenin baskıya dayanabildiği sınırı ifade eder. O sınırın altında esner, üstünde kırılır. İyi bir mühendis bu sınırı bilir; yapıyı o sınırın içinde tutar.
İK liderliği için kırılma noktası şu soruyla başlar: bu kararı bir algoritmaya devrettiğimde ne kaybediyorum?
Hacimli, tekrarlayan ve hız gerektiren süreçlerde: CV tarama, mülakat planlaması, soru setleri muhtemelen kaybedilen çok az şey var. Unilever'in ve Chipotle'ın sonuçları bunu kanıtlıyor.
Nüans, bağlam ve güven gerektiren süreçlerde: bir çalışanın kariyer dönüm noktası, bir performans değerlendirmesi, bir gelişim planı o sınıra çok daha yakın duruyoruz. Harvard-BCG araştırması da tam bunu söylüyor: AI'ın 'sınır içinde' (hacim, hız, tekrar) işlerde insanı yükselttiğini, 'sınır dışında' (nüans, bağlam, yargı) işlerde ise performansı düşürdüğünü gösteriyor.
Birinci bölümde söylediğimiz gibi, yapay zeka bir aynaysa, mimar da bu aynanın gösterdiğini yeniden inşa eden kişi olmalı. Çünkü bu inşada hangi kararın algoritmaya, hangi kararın insana ait olduğuna karar verilen yer, kırılma noktasının çizildiği yer olacak.
Ayna geçmişin ışığını yansıtır; mimarın görevi geleceğin yapısını tasarlamak.
Aradaki fark teknoloji değil. Mimari tercih.
Sıradaki soru.
Bölüm 1'de şunu söyledik: yapay zeka dönüşümünün yüzde yetmişi teknoloji değil, insan ve organizasyon tasarımı meselesi.
Bölüm 2'de bu tezi somutlaştırdık. İşe alımda kazanımlar gerçek; ama önyargı riski de gerçek. Gelişimde hız var; ama derinlik kaybı da var. Ön hat ile liderlik arasındaki uçurum, kimsenin adını koymamasına rağmen büyüyor.
Peki bu mimari kararları kim alıyor? Kim kırılma noktalarının haritasını çıkarıyor?
Şirketinizdeki son işe alım, performans veya gelişim kararını düşünün. O karar bir algoritmanın çıktısıyla mı verildi, yoksa bir insanın algoritmaya rağmen verdiği bir karar mıydı?
Cevabınız, sizin kırılma noktanızın nerede başladığını söylüyor.
Serinin üçüncü bölümünde: Mimarın kararları — CHRO'nun üç sorusu ve yapay zeka dönüşümünde İK'nın stratejik liderlik rolünü irdeliyor olacağız.
KAYNAKLAR
[1] The Case Centre. (2024). "Unilever: Transforming Preliminary Hiring Through End-to-End AI-Based Digital Process." Reference no. 424-0126-8. ICFAI Business School. https://www.thecasecentre.org/products/view?id=203369
[2] Dastin, J. (2018, 10 Ekim). "Amazon scraps secret AI recruiting tool that showed bias against women." Reuters. https://www.reuters.com/article/world/insight-amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK0AG/
[3] Chipotle Mexican Grill. (22 Ekim 2024). "Chipotle Introduces New AI Hiring Platform To Support Its Accelerated Growth." Press Release. + CNBC. (28 Temmuz 2025). "Chipotle's AI hiring tool is helping it find new workers 75% faster." https://newsroom.chipotle.com/2024-10-22-CHIPOTLE-INTRODUCES-NEW-AI-HIRING-PLATFORM-TO-SUPPORT-ITS-ACCELERATED-GROWTH
[4] Paradox & The Josh Bersin Company. (2022). "General Motors Hires Top Talent through Interview Scheduling Automation." Case Study Report. https://www.paradox.ai/report/general-motors-hires-top-talent-through-interview-scheduling-automation
[5] Pew Research Center. (20 Nisan 2023). "AI in Hiring and Evaluating Workers: What Americans Think." Rainie, L., Funk, C., Anderson, M., & Tyson, A. https://www.pewresearch.org/internet/2023/04/20/ai-in-hiring-and-evaluating-workers-what-americans-think/
[6] Gaudeul, A., Arrigoni, O., Charisi, V., Escobar Planas, M., & Hupont, I. (2025). "The Impact of Human-AI Interaction on Discrimination." European Commission, Joint Research Centre. Publication no. JRC139127. https://publications.jrc.ec.europa.eu/repository/handle/JRC139127
[7] Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality." Harvard Business School Working Paper No. 24-013. https://www.hbs.edu/faculty/Pages/item.aspx?num=64700
[8] De Bruyckere, P. (25 Ağustos 2025). "A critical look at how to make learning as addictive as social media: A TED Talk about Duolingo." The Economy of Meaning. https://theeconomyofmeaning.com/2025/08/25/a-critical-look-at-how-to-make-learning-as-addictive-as-social-media-a-ted-talk-about-duolingo
[9] Shortt, M., Tilak, S., Kuznetcova, I., Martens, B., & Akinkuolie, B. (2023). "Gamification in mobile-assisted language learning: A systematic review of Duolingo literature from public release of 2012 to early 2020." Computer Assisted Language Learning, 36(3), 517–554. https://doi.org/10.1080/09588221.2021.1933540
[10] Anthropic. (Eylül 2025). "Anthropic Economic Index Report: Uneven geographic and enterprise AI adoption." Bulgu: Claude.ai konuşmalarının yaklaşık %49'u "otomasyon" (görev devri) modunda gerçekleşmektedir. https://www.anthropic.com/research/anthropic-economic-index-september-2025-report
[11] Microsoft & LinkedIn. (Nisan 2025). "2025 Work Trend Index Annual Report: The Year the Frontier Firm is Born." 31 ülkede 31.000 çalışanla yürütülen araştırma. https://www.microsoft.com/en-us/worklab/work-trend-index/2025-the-year-the-frontier-firm-is-born
[12] Microsoft & LinkedIn. (Mayıs 2024). "2024 Work Trend Index Annual Report: AI at Work Is Here. Now Comes the Hard Part." https://www.microsoft.com/en-us/worklab/work-trend-index/ai-at-work-is-here-now-comes-the-hard-part
[13] Wilson, K. & Caliskan, A. (2024). "Gender, Race, and Intersectional Bias in Resume Screening via Language Model Retrieval." University of Washington, Information School. Sunum: AAAI/ACM Conference on AI, Ethics, and Society. https://www.washington.edu/news/2024/10/31/ai-bias-resume-screening-race-gender/
Yorumlar