Kazanç neden sürece geçmiyor, karar neden insanda kalmalı ve endüstri mühendisleri bu tartışmada nerede duruyor
Bu yazı, İTÜ Endüstri Mühendisliği Bölümü’nün Sektörden Sesler seminer serisindeki “İnsan ve Zekâ” oturumu (3 Kasım 2026) için Halil Kılıç’la birlikte hazırladığımız konuşmanın teknoloji bölümünden genişletildi. Veriler 31 Ekim 2026 itibarıyla kaynaklarından kontrol edildi. Reflektif’te yönetim kurulu başkanı ve teknik sorumlu olarak görev yapıyorum, NETZ Informatique’in de başkanıyım; yazının sonlarında bu şirketlerle ilgili bir örnek verdiğim için bunu baştan belirtiyorum.
Bir iş ilanı düşünelim: tedarik zinciri analisti. İlanda genel not ortalamasının 3,00 ve üzeri olması, SAP deneyimi ve Python bilgisi isteniyor. Başvurulardan biri, endüstri mühendisliğinden bu yıl mezun olan Deniz’e ait. Ortalaması 2,91. CV’de SAP geçmiyor. 2025’te dokuz aylık bir boşluk var ve yanında “aile bakımı” yazıyor. Aynı CV’de bir hastane acil servisinde bekleme süresini simülasyonla azaltmaya çalışan bir bitirme projesi ve deprem bölgesinde üç ay boyunca yardım malzemesi dağıtımını koordine ettiği bir gönüllülük deneyimi de var.
Anahtar kelime eşiğiyle çalışan ya da geçmiş işe alım kararlarından öğrenen bir tarama sistemi Deniz’i büyük olasılıkla ilk turda eler. Ortalama eşiğin altında, aranan kelime yok, boşluk da geçmişte işe alınmayan profillere benziyor. Aynı dil modeline başka bir görev de verilebilir: “Bu ilan için aktarılabilir beceri gösteren adayları bul ve gerekçesini yaz.” Bu kez sistem, gönüllü dağıtım koordinasyonunu baskı altında yürütülmüş gerçek bir lojistik işi olarak, simülasyon projesini de analitik yetkinliğin kanıtı olarak öne çıkarabilir.
Deniz gerçek bir kişi değil; soruyu somutlaştırmak için kurulmuş bir örnek. Ama gösterdiği ayrım gerçek. Aynı model huniyi daraltmak için de kullanılabilir, genişletmek için de. Aradaki farkı modelin büyüklüğü belirlemiyor. Modele hangi görevin verildiği, çıktısının hangi karara bağlandığı ve son sözün kimde kaldığı belirliyor.
İnsan kaynaklarında yapay zekânın ürettiği değer de verdiği zarar da büyük ölçüde modelin çevresine kurulan düzenden gelir: hangi işin makineye bırakıldığı, hangi kararın insanda kaldığı, kazanılan zamanın sürece nasıl aktarıldığı ve neyin hiç ölçülmeyeceği. Bu yüzden İK’daki yapay zekâ sorusu, en az bir yazılım sorusu kadar bir süreç tasarımı sorusudur. Bu yazıda bu iddiayı savunuyorum. İddianın sınırını da baştan çizeyim: Model kalitesi önemsiz değil. Kötü bir model iyi bir süreçte de kötü sonuç üretir. Fakat iyi bir model, kötü kurulmuş bir süreçte ya hiçbir şeyi değiştirmez ya da var olan hatayı daha hızlı ve daha geniş ölçekte tekrar eder.
1. Kronometreden algoritmaya
Endüstri mühendisliğinin kuruluş hikâyesinde bir kronometre vardır. Frederick W. Taylor 1911’de yayımladığı The Principles of Scientific Management kitabında işi küçük parçalara ayırmayı, her parçayı ölçmeyi ve en verimli yöntemi standart hâline getirmeyi önerdi. 1 Bugün derslerde okutulan iş etüdü, zaman etüdü ve standart süre kavramlarının kökü bu yaklaşımdadır.
Aynı bölümün ikinci dersi birkaç yıl sonra geldi. 1924–1932 yılları arasında Western Electric’in Hawthorne fabrikasında yapılan çalışmalar, aydınlatma gibi fiziksel koşulların verimliliğe etkisini ölçmek için başladı; ama sonunda insanların fark edilmesinin, grup normlarının ve yöneticiyle ilişkinin de sonucu etkilediği tartışmasını açtı. 2 Bulguların nasıl yorumlanacağı sonradan çok tartışıldı. Geriye kalan soru ise hâlâ yerinde duruyor: Ölçülen insan ölçüldüğünü bilir ve davranışını buna göre değiştirir.
Bugün elimizdeki ölçüm aracı kronometreden çok daha güçlü. Bir yazılım bir adayın CV’sini saniyeler içinde puanlayabiliyor, bir çalışanın e-posta trafiğinden, takviminden, yazdığı koddan, müşteriyle konuşma süresinden örüntü çıkarabiliyor. Taylor’ın kronometresiyle aradaki fark yalnızca hız ve ölçek değil. İki fark daha var.
Birincisi görünürlük. Kronometreyi tutan mühendis atölyede görünürdü; işçi kimin, neyi, ne zaman ölçtüğünü biliyordu. Algoritmik ölçüm çoğu zaman görünmezdir. Aday CV’sinin hangi ölçütle elendiğini bilmez. Çalışan, hangi verisinin hangi panoya aktığını çoğu zaman öğrenmez.
İkincisi, ölçümün karara bağlanma biçimi. Taylor’ın ölçümü bir standart süre üretiyordu; o standarda göre karar veren yine insandı. Bugünkü sistemler ölçümü doğrudan bir puana, sıralamaya ya da elemeye çevirebiliyor. Ölçüm ile karar arasındaki mesafe kısaldıkça “Ölçebildiğimiz her şeyi ölçmeli miyiz?” sorusu bir yöntem sorusu olmaktan çıkıp yetki sorusuna dönüşüyor.
2. Bireyler koşuyor, kurumlar yürüyor
Türkiye’den başlayalım. TÜİK’in ekim başında açıkladığı 2026 verilerine göre üretken yapay zekâ kullandığını beyan eden bireylerin oranı bir yılda yüzde 19,2’den yüzde 37,6’ya çıktı. 3 Bu oran 16–24 yaş grubunda yüzde 64,9, yükseköğretim mezunlarında yüzde 62,7. Herhangi bir yapay zekâ teknolojisi kullanan girişimlerin oranı ise 2021’de yüzde 2,7 iken 2025’te yüzde 7,5’e, 2026’da yüzde 14’e yükseldi. 4
Bu iki oran aynı şeyi ölçmüyor. Biri bireylerin beyanı, diğeri girişimlerin kurumsal kullanımı. Yan yana koyduğumuzda ortaya çıkan şey bir “benimseme oranı” farkı değil, bir yön farkı: Yapay zekâ kurumlara çoğunlukla politika ve süreç üzerinden değil, çalışanların kendi alışkanlıkları üzerinden giriyor.
Aynı veride, yapay zekâ kullanmayı düşünüp kullanmayan girişimlerin gösterdiği engeller de var. Başta yüzde 72,3 ile uzmanlık eksikliği geliyor; ardından yüzde 66,4 ile hukuki belirsizlik, yüzde 65,4 ile veri koruma kaygısı ve yüzde 65 ile maliyet. 4 Bunlar belirli bir alt grubun beyan ettiği nedenler; engellerin gerçek ağırlığını değil, şirketlerin onları nasıl gördüğünü gösteriyor. Yine de dikkat çekici bir ayrıntı var: Listenin başında teknoloji değil, insan ve kural var.
Kişisel Verileri Koruma Kurumu da mart ayında yayımladığı iş yerinde üretken yapay zekâ kullanımı metninde aynı noktaya dikkat çekti: Kullanım çoğu durumda kurumsal bir strateji ya da politika olmadan, bireysel tercihlerle şekilleniyor ve bu da izlemeyi ve yönetimi zorlaştırıyor. 5 İK açısından bunun pratik anlamı şu: Bir aday CV’sinin ya da bir çalışanın performans notunun kamuya açık bir sohbet aracına yapıştırılıp yapıştırılmadığını kurum çoğu zaman bilmiyor.
İK’nın kendi içinde ise yapay zekâ en çok, yanlış kullanıldığında en çok zarar verebileceği yerde kullanılıyor. SHRM’in aralık 2025’te 1.908 İK profesyoneliyle yaptığı araştırmada, İK’da yapay zekâ kullanan kurumlarda en yaygın kullanım alanı yüzde 27 ile işe alım. Kapsayıcılık ve etik gibi alanlarda kullanım yüzde 2 ve altında kalıyor. 6
3. Sohbet kutusundan ajana
2023’te çoğumuz yapay zekâyı bir sohbet kutusu olarak tanıdık: Soru sorulur, cevap gelir. 2026’da konuşulan şey ajanlar. Ajan, kendisine bir hedef verildiğinde onu adımlara bölen, her adımda bir araç kullanan, sonucu kontrol eden ve gerektiğinde insana danışan bir yazılım. Endüstri mühendisliğinin diliyle söylersek ajan, karar noktaları olan bir iş akışını belirli bir özerklikle yürütebilen bir sistem.
Bu değişim artık pilot aşamasında değil. BCG’nin haziranda yayımladığı, on ikiden fazla pazarda yaklaşık on iki bin çalışan, yönetici ve liderle yapılan araştırmasında kurumlarının yapay zekâ ajanlarını iş akışlarına entegre ettiğini söyleyenlerin oranı bir yılda yüzde 13’ten yüzde 30’a çıktı; yüzde 50’si de deneme ya da pilot çalışma yürütüldüğünü söylüyor. Katılımcıların yüzde 61’i ajanların üç yıl içinde işlerinin en az yarısını yapabileceğine inanıyor. Aynı araştırmada katılımcıların yarısı, insanlardan ve yapay zekâdan oluşan ekiplerin nasıl yönetileceğine dair net bir yönetişimin olmadığını söylüyor. Bunlara yakın bir oran da yapay zekâ kaynaklı hesap verebilirliği gelecekle ilgili ilk üç kaygısı arasında sayıyor. 7 Microsoft da kendi kurumsal platformunda aktif ajan sayısının bir yılda on beş kat arttığını açıkladı. 8
Yani “Bir ajanın yöneticisi kim, hatası kimin sorumluluğu?” sorusu artık teorik değil. Benim bu soruya önerdiğim cevap teknik bir kuraldan çok bir organizasyon kuralı: Her ajanın adı belli bir insan sahibi olmalı. Ajanın hangi kararı kendi başına verebileceği, hangisinde durup sahibine danışacağı ve hangi işlemleri hiç yapamayacağı yazılı olmalı. Bir ajanın yaptığı hatayı “sistem öyle yaptı” cümlesiyle kapatabildiğimiz bir düzende, hesap verebilirlik ortadan kalkmış olur.
4. Kazanç neden sürece geçmiyor?
Yapay zekânın bireysel görevlerde zaman kazandırdığına dair veri çok. BCG’nin araştırmasında yapay zekâyı düzenli kullanan saha çalışanlarının yüzde 42’si haftada sekiz saat, yani yaklaşık bir iş günü kazandığını söylüyor; bu oran İK fonksiyonunda yüzde 50. Ama aynı araştırmada yüzde 66, kazanılan zamanla ne yapacağına dair hiç ya da çok az rehberlik aldığını; yarıdan fazlası da bu zamanı daha stratejik işlere aktarmadığını söylüyor. 7 Gartner’ın 114 İK lideriyle yaptığı ölçümde ise kurumların yalnızca yüzde 7’si yapay zekânın kazandırdığı zamanın nasıl kullanılacağına dair bir rehber veriyor. 10
Gallup’un şubatta 23.717 ABD’li çalışanla yaptığı ölçüm aynı boşluğu başka bir açıdan gösteriyor. Yapay zekâyı benimsemiş kurumlarda çalışanların yüzde 65’i verimliliklerinin arttığını söylüyor; ama yalnızca yaklaşık onda biri, yapay zekânın kurumda işin yapılış biçimini dönüştürdüğüne kesinlikle katılıyor. 9
Bu iki bulgu, bir endüstri mühendisine tanıdık gelmesi gereken bir durumu tarif ediyor. Bir uzman raporunu artık yarım saatte yazıyor; ama rapor yine aynı onay zincirinden üç günde geçiyorsa, sürecin toplam süresi neredeyse hiç değişmez. Darboğaz değişmediyse, darboğaz olmayan bir istasyonu hızlandırmak sistemin çıktısını artırmaz. Kısıtlar teorisinin en eski dersi bu. Yapay zekâ kazancı bugün büyük ölçüde darboğaz olmayan istasyonlarda birikiyor.
Üstelik kazanılan zamanın bir kısmı yeni bir işe dönüşüyor. BCG’nin araştırmasında katılımcıların yarıya yakını ya da daha fazlası, yapay zekâ çıktısını gözden geçirmeye ve düzeltmeye ya da yapay zekâyı yönlendirmeye daha fazla zaman harcadığını söylüyor. Katılımcıların yüzde 41’i zihinsel yükün arttığını bildiriyor; düzenli kullanıcıların üçte ikiden fazlası ise iş tatmininin de arttığını söylüyor. 7 İnsanlar aynı anda hem daha memnun hem daha yorgun. Bu çelişki, kazancın kendiliğinden “boş zaman” olarak ortaya çıkmadığını, işin içinde yeniden dağıldığını gösteriyor.
Kazancı sürece taşıyan şey ne? BCG’nin verisinde, yapay zekâyı uçtan uca iş akışlarını yeniden tasarlamak ya da yeni iş modelleri kurmak için kullanan kurumların oranı bir yılda yüzde 22’den yüzde 42’ye çıkmış. Bu kurumlar, yalnızca araç dağıtmaya odaklananlara göre hem yakalanan değerde hem de çalışanların güveninde daha iyi sonuç alıyor. Araştırmanın önerisi de açık: Kullanım oranını değil, üretilen değeri ölçün. 7
Microsoft’un on ülkede yirmi bin yapay zekâ kullanıcısıyla yaptığı araştırma ise kazancın neye bağlı olduğuna dair bir ipucu veriyor: Çalışanların bildirdiği yapay zekâ etkisini açıklayan payın yüzde 67’si kurumsal faktörlerden (kültür, yönetici desteği, yetenek uygulamaları), yüzde 32’si bireysel faktörlerden geliyor. 8 Bu bir ilişki, nedensellik kanıtı değil; Türkiye de araştırmanın kapsadığı pazarlar arasında değil. Ama yön, oturumda Halil Kılıç’ın savunduğu tezle uyumlu: Aynı araç iki farklı kurumda iki farklı sonuç üretiyor ve farkın büyük kısmı aracın dışında.
Bu boşluk kapatılmadığında kurumlar bazen onu en kolay görünen yoldan kapatmaya çalışıyor: kadro azaltarak. Gartner 28 Ekim’de yayımladığı tahminde, yapay zekâ gerekçesiyle işten çıkarılan çalışanların yüzde 30’unun 2029’a kadar, çoğu zaman daha yüksek maliyetle, yeniden işe alınacağını öngördü. Gartner’ın Temmuz 2026’da 297 İK direktörüyle yaptığı ankette, iş gücü planlamasının işin nasıl değiştiğini ve yapay zekânın etkisini etkili biçimde hesaba kattığını söyleyenlerin oranı yalnızca yüzde 19. 11 Bu bir tahmin; gerçekleşip gerçekleşmeyeceğini 2029’da göreceğiz. Ama Gartner’ın teşhisi tahminden bağımsız olarak değerli: Kurumlar kararları yanlış sırayla veriyor. Önce kaç kişinin çıkarılacağına karar verip işin nasıl değişeceğini sonra düşünüyorlar.
Gartner’ın önerdiği çözüm, “işler” yerine “iş” üzerinden düşünmek. Kritik yetkinlikleri belirlemek, iş talebini tahmin etmek, insan ve yapay zekâ kapasitesini birlikte planlamak, boşluğu maliyet, risk ve hız açısından değerlendirmek ve bütün bunları bir yönetişime bağlamak. 11 Bu tarif bir endüstri mühendisliği öğrencisine yabancı gelmemeli. İş etüdü, talep tahmini, kapasite planlama ve darboğaz analizi. Taylor’ın kronometresiyle başlayan araç setinin yapay zekâ çağındaki karşılığı bu.
İK süreçlerine indirgediğimde kullandığım basit bir ayrım var: Yapay zekâya taslak, insana karar. İşe alımda yapay zekâ ilan metnini yazabilir, adayların sorularını yanıtlayabilir, görüşme planlayabilir ve gözden kaçan adayları önerebilir; eleme ve seçme kararı insanda kalır. Öğrenme ve gelişimde içerik kişiselleştirebilir, pratik senaryoları üretebilir; kariyer konuşması ve geri bildirim insanda kalır. İK hizmetlerinde izin, bordro ve politika sorularını yanıtlayabilir; şikâyet, kriz ve hassas durumlar insanda kalır. İş gücü planlamasında talep tahmini ve senaryo modeli kurabilir; kimin neyi yapacağına dair son karar insanda kalır. Bu liste kusursuz değil, ama her kurumun kendi süreçleri için yazması gereken listenin iskeletini veriyor.
5. Veri geçmişin aynasıdır
İşe alımda yapay zekânın en çok tartışılan riski, geçmişteki kararları geleceğe taşıması. 2018’de Reuters, Amazon’un 2014’ten beri geliştirdiği deneysel bir işe alım modelinden vazgeçtiğini haberleştirdi. Model, şirkete on yıl boyunca gelen CV’lerle eğitilmişti ve bu CV’lerin çoğu erkeklerden geliyordu. Sonuçta model, içinde “women’s” kelimesi geçen ifadeleri, örneğin “kadın satranç kulübü kaptanı” gibi satırları olumsuz puanlamayı öğrendi. Amazon, aracın adayları değerlendirmek için işe alım uzmanlarınca hiç kullanılmadığını açıkladı. 12 Kimse modele kadınları elemesini söylemedi. Model geçmişi öğrendi ve onu tekrar etti.
İkinci örnek hâlâ sürüyor. ABD’de Mobley – Workday davasında, Workday’in yapay zekâ destekli tarama araçlarının 40 yaş üstü adayları dezavantajlı duruma düşürdüğü iddia ediliyor. Mahkeme Mayıs 2025’te davanın 40 yaş üstü adaylar adına ülke çapında toplu dava olarak ilerlemesine izin verdi. Dava dosyalarına yansıyan bilgiye göre ilgili dönemde 1,1 milyar başvuru yazılım araçlarıyla reddedilmiş. 13 Dava sonuçlanmadı ve bir hüküm yok; iddiaların doğru olup olmadığını mahkeme belirleyecek. Ama dava, aracı geliştiren şirketin olduğu kadar aracı kullanan işverenin de sorumluluk tartışmasının içinde olduğunu şimdiden gösteriyor.
Önyargıyı sonradan temizlemek yerine tasarım aşamasında yakalamak için beş kontrol öneriyorum. İlk olarak eğitim verisinin hangi grupları ne oranda temsil ettiği analiz edilmeli. İkincisi, modelin farklı gruplardaki seçilme oranları düzenli olarak karşılaştırılmalı; bir kez yapılan bir denetim, model ya da aday havuzu değiştiğinde geçerliliğini yitirir. Üçüncüsü, ret kararlarında bir insanın gözden geçirmesi zorunlu olmalı ve bu gözden geçirme gerçek bir değiştirme yetkisi taşımalı; sistemin önerisini sadece onaylayan bir tıklama, insan gözetimi sayılmaz. Dördüncüsü, her kararın hangi gerekçeyle verildiği kaydedilmeli ve itiraz geldiğinde açıklanabilmeli. Beşincisi, araç bir tedarikçiden alınıyorsa bu dört sorunun cevabı tedarikçiden yazılı olarak istenmeli.
Türkiye’de bu kontrollerin bir de hukuki karşılığı var. 6698 sayılı Kanun’un 11. maddesinin (g) bendi, işlenen verilerin münhasıran otomatik sistemler vasıtasıyla analiz edilmesi suretiyle kişinin aleyhine bir sonuç ortaya çıkmasına itiraz etme hakkı tanıyor. 14 Bir adayın yalnızca otomatik bir taramayla elendiği bir süreç, bu hakkın tam ortasında duruyor. İtiraz geldiğinde “model böyle karar verdi” demek bir cevap değil.
Burada adil olmak için bir şeyi eklemem gerekiyor. Deniz’in CV’sini okuyan insan da kusursuz bir okuyucu değil. Aynı gün iki yüz CV okuyan yorgun bir uzman da ortalamaya, okul adına ya da boşluğa bakarak eleme yapabilir. Bu yüzden amaç “insan mı, makine mi” yarışını kazanmak değil, ikisinin birbirinin hatasını yakalayabildiği bir düzen kurmak. Yazının başındaki ayrıma dönersek: Yapay zekâyı okumadığımız adayları elemek için değil, okusaydık kaçıracağımız adayları bulmak için kullanmak. Huniyi daraltan değil, genişleten bir tasarım.
6. İşe alım yeni bir saldırı yüzeyi
Siber güvenlik konuşmadan yapay zekâ ve İK konuşmak eksik kalır. 2024’te İngiliz mühendislik şirketi Arup’un Hong Kong ofisindeki bir çalışan, şirketin finans direktörü ve meslektaşları gibi görünen kişilerle bir video görüşme yaptı ve ardından yaklaşık 25 milyon dolar transfer etti. Görüşmedeki diğer katılımcılar derin sahtecilikle, yani deepfake ile üretilmişti. 15
Bu olay bir işe alım vakası değil, ama İK için doğrudan bir ders taşıyor. İşe alım, bir kurumun dışarıdan birine kapı açtığı andır. Gartner’ın adaylarla yaptığı araştırmada adayların yüzde 6’sı mülakat sahtekârlığına katıldığını kabul ediyor; yani başkasının yerine görüşmeye girdiğini ya da yerine birini soktuğunu. Gartner 2028’e kadar dünyada her dört aday profilinden birinin sahte olacağını tahmin ediyor. 16 Sahte bir aday yalnızca kötü bir işe alım değildir; işe başladığı gün sistemlere erişimi olan bir içeridekidir.
Aynı araştırmanın bir bulgusu güvenlik ile güvenin aynı yöne baktığını gösteriyor. Adayların yalnızca yüzde 26’sı yapay zekânın kendilerini adil değerlendireceğine güveniyor ve yüzde 62’si yüz yüze görüşme şartı olan ilanlara başvurmaya daha istekli olduğunu söylüyor. 16 Yani kimlik doğrulamayı güçlendiren bir adım, adayların büyük kısmı tarafından bir yük olarak değil, bir güvence olarak görülebilir.
Pratikte üç alışkanlık öneriyorum. Kimlik doğrulama işe alım sürecinin tanımlı bir adımı olmalı; son görüşmeden sonra hatırlanan bir formalite değil. Para, sistem erişimi ya da kişisel veriyle ilgili her kritik talepte, talebin geldiği kanaldan farklı ikinci bir kanaldan teyit alınmalı. Aday CV’leri ve çalışan bilgileri kamuya açık yapay zekâ araçlarına yapıştırılmamalı; KVKK’nın üretken yapay zekâ rehberi de kişisel verilerin bu araçlarla işlenmesinin risklerini ayrıntılı biçimde ele alıyor. 17
7. Bireyi değil süreci ölçmek: Kurallar netleşiyor
Yazının başındaki soruya dönelim: Ölçebildiğimiz her şeyi ölçmeli miyiz? Kurallar bu soruya son iki yılda daha net cevaplar vermeye başladı.
Avrupa Birliği Yapay Zekâ Yasası, 2 Şubat 2025’ten beri iş yerinde ve eğitim kurumlarında kişilerin duygularını çıkarsamaya çalışan yapay zekâ sistemlerini, tıbbi ve güvenlik amaçlı istisnalar dışında yasaklıyor. 18 Yani bir mülakat videosundan adayın “heyecanlı mı, dürüst mü” olduğunu çıkardığını iddia eden bir araç, AB’de iş yerinde kullanılamaz. Yasa ayrıca işe alım ve seçme, aday değerlendirme, terfi ve fesih kararları, bireysel davranış ya da özelliklere göre görev dağıtımı ve performans izleme için kullanılan sistemleri yüksek riskli sayıyor. 19 Bu sistemlere dair yükümlülüklerin başlangıcı, 27 Temmuz 2026’da yürürlüğe giren (AB) 2026/1744 sayılı değişiklik tüzüğüyle 2 Aralık 2027’ye ertelendi. Aynı değişiklik, yapay zekâ okuryazarlığına dair yükümlülüğü de “sağlamak” yerine “desteklemek” yönünde yumuşattı. 20 Erteleme, yükümlülüğün kalktığı anlamına gelmiyor; hazırlık için verilmiş ek süre anlamına geliyor.
Türkiye’de henüz yapay zekâya özel bir kanun yok. Bugün uygulanan çerçeve KVKK ve iş hukuku. KVKK, Kasım 2025’te üretken yapay zekâ rehberini, Mart 2026’da iş yerinde üretken yapay zekâ kullanımına dair metnini yayımladı. 17 5 Kurul ayrıca 16 Eylül 2026 tarihli ve 2026/2035 sayılı ilke kararıyla, işverenlerin kurumsal e-posta başta olmak üzere işin yürütülmesi için kullanılan iletişim kanallarını denetlerken uyması gereken usul ve esasları belirledi. 21 TBMM Yapay Zekâ Araştırma Komisyonu da mart ayında açıkladığı raporunda bir Türkiye Yapay Zekâ Kurumu kurulmasını ve “yasaklayıcı değil düzenleyici”, risk temelli bir Türkiye Yapay Zekâ Kanunu hazırlanmasını önerdi; raporda algoritmik ayrımcılık ve istihdam dönüşümüne dair başlıklar da yer alıyor. 22 Bu öneriler henüz yasa değil. AB pazarına ürün ya da hizmet sunan, çıktısı AB’de kullanılan Türk şirketleri için ise Avrupa takvimi doğrudan önem taşıyor.
Bunlar hukuki tavsiye değil, genel bir çerçeve. Somut bir uygulama için hukuk biriminin görüşü alınmalı. Ama teknik tarafta bu çerçeveden çıkardığım bir tasarım ilkesi var: Bireyi değil süreci ölçmek. Teknik olarak bugün e-posta trafiğinden, takvimden ve mesajlaşma desenlerinden bir ekibin işleyişine dair sinyaller çıkarmak mümkün. Ama “mümkün” ile “meşru” aynı şey değil. Kimin ne yazdığını izlemek yerine, bir talebin kaç günde ve kaç onaydan geçerek sonuçlandığını ölçmek; bir çalışanın ekran süresine değil, bir sürecin bekleme sürelerine bakmak. Bu yaklaşım hem çalışanın mahremiyetine hem de mühendisliğin asıl sorusuna daha yakın. Çünkü darboğaz çoğu zaman bir kişide değil, süreçte.
8. Neyi bilerek yapmadık
Son olarak kendi çalıştığım üründen bir örnek vereceğim. Yazının başında belirttiğim gibi bu konuda tarafsız değilim; örneği seçmemin nedeni, bu kararları kendimiz verdiğimiz ve gerekçelerini bildiğimiz için.
Reflektif; kişinin ilgi alanlarını (RIASEC), kişilik eğilimlerini (Beş Faktör) ve çalışma değerlerini ölçen ve sonuçları yapay zekâ destekli bir görüşmeyle birlikte açan bir kariyer keşfi ve yetkinlik değerlendirme platformu. 23 Ürünü tasarlarken verdiğimiz en önemli kararların bir kısmı, neyi yapmayacağımıza dair kararlardı.
Kurumlara sunduğumuz sürümü işe alım ya da performans kararı için tasarlamadık; amacı gelişim ve kariyer görüşmelerini yapılandırmak. Sistem bir kişi hakkında otomatik bir karar uygulamıyor; gerekçeli öneri ve rapor metni üretiyor, kararı insan veriyor. Kimin hangi veriyi göreceği role bağlı olarak tanımlanıyor. 24 Yapay zekâ sonucu kişiye okumuyor, sorular sorarak onunla birlikte açıyor. 18 yaşından küçük kullanıcıların yapay zekâ destekli raporu, bir danışman gözden geçirip onaylamadan kullanıcıya açılmıyor. Veriler AB’de barındırılıyor. 23
Bir de ölçmeyle ilgili bir ayrım. Puanlama motorunun hesaplama tutarlılığını, Fransa’da başkanı olduğum NETZ Informatique’in psikometri ve yapay zekâ uzmanlarıyla altmış milyonu aşkın yanıt senaryosu üzerinde sınadık. 23 Bu test, aynı yanıtların her zaman aynı profili ürettiğini gösteriyor. Ama bir ölçeğin bir işteki başarıyı tahmin edip etmediği, yani geçerliliği, başka bir sorudur ve bu testle cevaplanmaz. Ürünü bir başarı tahmini ya da eleme aracı olarak konumlandırmamamızın nedenlerinden biri de bu. Bu ikisini birbirine karıştırmamak, bu alanda ürün geliştiren herkesin sorumluluğu.
Bu bölümden çıkardığım genel ders ürüne özgü değil: Bir sistemin belgelerinde ne yapmadığını yazmak, ne yaptığını yazmak kadar önemli. Çünkü bir aracın kötüye kullanımı çoğu zaman yapması için tasarlandığı işte değil, yapmaması gereken ama kimsenin yasaklamadığı işte başlar.
9. Endüstri mühendisleri için bir alıştırma
Dünya Ekonomik Forumu’nun projeksiyonuna göre 2030’a kadar 170 milyon yeni iş ortaya çıkacak, 92 milyon iş yerinden edilecek ve işlerde gereken becerilerin yaklaşık yüzde 40’ı değişecek. Küresel iş gücünü yüz kişi olarak düşünürsek, 59’unun yeniden beceri kazanması gerekecek. 25 Bunlar tahmin. Ama hangi becerinin değeri artacak sorusuna benim cevabım net: Bir süreci adım adım çizebilen, hangi adımın insanda hangisinin makinede kalacağını ve kontrol noktasının nerede olacağını gösterebilen kişi.
Bu yüzden oturumu dinleyen öğrencilere ve bu yazıyı okuyan herkese küçük bir alıştırma öneriyorum. Stajınızdan, işinizden ya da bir öğrenci kulübünden bir süreç seçin. Adımlarını kâğıda çizin. Her adımın yanına üç işaretten birini koyun: yapay zekâya bırakılabilir, yapay zekâ destekleyebilir, yapay zekâya bırakılmaz. Sonra “bırakılmaz” dediğiniz her adımın yanına nedenini tek cümleyle yazın. Bu cümleleri yazmak düşündüğünüzden zor olacak. Bazılarında nedenin bir hata maliyeti, bazılarında bir hukuki sınır, bazılarında ise sadece alışkanlık olduğunu fark edeceksiniz. Alışkanlık olanları yeniden tartışın. Geriye kalan cümleler, kendi yapay zekâ politikanızın ilk maddeleri.
Bir tavsiye daha: Yapay zekâyı kullanın, ama çıktısını savunabileceğiniz kadar anlayın. Savunamadığınız bir çıktının altına imza atmayın. Bu, bir mühendisin hesap makinesiyle kurduğu ilişkiden farklı değil; sadece hesap makinesi artık cümle kuruyor.
Taylor’ın kronometresi yalnızca ölçüyordu. Bugünkü kronometre ölçtüğünü yorumluyor, sıralıyor ve öneriyor. Neyin ölçüleceğine, ölçülenin hangi karara bağlanacağına ve hangi kararın hiç devredilmeyeceğine ise hâlâ insanlar karar veriyor. Kararı insanda tutmak bir iyi niyet beyanı olarak kalırsa, ilk yoğun işe alım döneminde ortadan kalkar. Süreç şemasına, yetki tablosuna ve tedarikçi sözleşmesine yazılırsa kalır.
Kaynakça
[[1]: https://www.britannica.com/topic/The-Principles-of-Scientific-Management “Encyclopaedia Britannica, “The Principles of Scientific Management””
[[2]: https://www.britannica.com/money/Hawthorne-research “Encyclopaedia Britannica, “Hawthorne research””
[[3]: https://www.aa.com.tr/tr/bilim-teknoloji/turkiyede-uretken-yapay-zeka-kullandigini-beyan-edenlerin-orani-iki-katina-cikarak-yuzde-37-6-oldu/4075769 “Anadolu Ajansı, “Türkiye’de üretken yapay zeka kullandığını beyan edenlerin oranı iki katına çıkarak yüzde 37,6 oldu”, 2 Ekim 2026 (TÜİK Yapay Zekâ İstatistikleri, 2026)”
[[4]: https://www.donanimhaber.com/turkiye-de-yapay-zeka-kullanimi-iki-katina-cikti–211234 “DonanımHaber, “Türkiye’de yapay zeka kullanımı iki katına çıktı”, 4 Ekim 2026 (TÜİK 2026 verilerinin ayrıntılı özeti)”
[[5]: https://www.kvkk.gov.tr/Icerik/8674/is-yerlerinde-uretken-yapay-zeka-araclarinin-kullanimi “Kişisel Verileri Koruma Kurumu, “İş Yerlerinde Üretken Yapay Zekâ Araçlarının Kullanımı”, 5 Mart 2026″
[[6]: https://www.shrm.org/content/dam/en/shrm/research/ai-in-hr_executive-summary.pdf “SHRM, The State of AI in HR 2026, yönetici özeti”
[[7]: https://www.bcg.com/publications/2026/ai-at-work-why-strategy-matters-more-than-tools “Boston Consulting Group, “AI at Work: Strategy Matters More Than Tools”, 3 Haziran 2026″
[[8]: https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization “Microsoft WorkLab, “Agents, human agency, and the opportunity for every organization”, Work Trend Index 2026, 5 Mayıs 2026″
[[9]: https://www.gallup.com/workplace/704225/rising-adoption-spurs-workforce-changes.aspx “Gallup, “Rising AI Adoption Spurs Workforce Changes”, 12 Nisan 2026″
[[10]: https://www.gartner.com/en/newsroom/press-releases/2026-3-4-gartner-hr-survey-reveals-45-percent-of-managers-report-ai-has-lived-up-to-their-expectations “Gartner, “Gartner HR Survey Reveals 45% of Managers Report AI Has Lived Up to Their Expectations in Improving Their Teams’ Work”, 4 Mart 2026″
[[11]: https://www.gartner.com/en/newsroom/press-releases/2026-10-28-gartner-predicts-30-percent-of-employees-replaced-by-ai-will-be-rehired-by-2029-if-organizations-dont-overhaul-workforce-planning “Gartner, “Gartner Predicts 30% of Employees Replaced by AI Will Be Rehired by 2029 if Organizations Don’t Overhaul Workforce Planning”, 28 Ekim 2026″
[[12]: https://www.reuters.com/article/world/insight-amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK0AG/ “Jeffrey Dastin, Reuters, “Insight: Amazon scraps secret AI recruiting tool that showed bias against women”, Ekim 2018″
[[13]: https://www.outsolve.com/blog/workday-ai-lawsuit-explained-implications-for-hr “OutSolve, “Workday AI Lawsuit Explained: Implications for HR”, 30 Eylül 2026″
[[14]: https://www.mevzuat.gov.tr/mevzuatmetin/1.5.6698.pdf “6698 sayılı Kişisel Verilerin Korunması Kanunu, resmî mevzuat metni”
[[15]: https://www.cnn.com/2024/05/16/tech/arup-deepfake-scam-loss-hong-kong-intl-hnk “CNN, “Arup revealed as victim of $25 million deepfake scam involving Hong Kong employee”, 16 Mayıs 2024″
[[16]: https://www.gartner.com/en/newsroom/press-releases/2025-07-31-gartner-survey-shows-just-26-percent-of-job-applicants-trust-ai-will-fairly-evaluate-them “Gartner, “Gartner Survey Shows Just 26% of Job Applicants Trust AI Will Fairly Evaluate Them”, 31 Temmuz 2025″
[[17]: https://www.kvkk.gov.tr/Icerik/8547/uretken-yapay-zeka-ve-kisisel-verilerin-korunmasi-rehberi-15-soruda “Kişisel Verileri Koruma Kurumu, “Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda)”, 24 Kasım 2025″
[[18]: https://artificialintelligenceact.eu/article/5/ “AB Yapay Zekâ Yasası, Madde 5: Yasaklanan yapay zekâ uygulamaları”
[[19]: https://artificialintelligenceact.eu/annex/3/ “AB Yapay Zekâ Yasası, Ek III: Yüksek riskli yapay zekâ sistemleri”
[[20]: https://www.whitecase.com/insight-alert/eu-ai-omnibus-enters-force-amending-ai-act “White & Case, “EU AI Omnibus enters into force, amending the AI Act”, 4 Ağustos 2026″
[[21]: https://www.kvkk.gov.tr/Icerik/9044/isverenler-tarafindan-calisanlara-tahsis-edilen-kurumsal-e-posta-hesaplari-basta-olmak-uzere-isin-yurutulmesi-amaciyla-kullanilan-iletisim-kanallarinin-denetlenmesinde-uyulmasi-gereken-usul-ve-esaslar-hakkinda-kurulun-16-09-2026-tarihli-ve-2026-2035-sayili-ilke-karari-hk “Kişisel Verileri Koruma Kurulu, 16.09.2026 tarihli ve 2026/2035 sayılı İlke Kararı (işverenlerce iletişim kanallarının denetlenmesi)”
[[22]: https://www.dha.com.tr/politika/komisyondan-turkiye-yapay-zeka-kurumu-onerisi-2843565 “DHA, “Komisyondan ‘Türkiye Yapay Zeka Kurumu’ önerisi”, 26 Mart 2026″
[[23]: https://reflektif.net “Reflektif, kurumsal web sitesi (Ekim 2026 itibarıyla)”
[[24]: https://reflektif.net/hr “Reflektif, “Reflektif Potansiyel: Kurumsal İK””
[[25]: https://www.weforum.org/media/future-of-jobs-report-2025-78-million-new-job-opportunities-by-2030-but-urgent-upskilling-needed-to-prepare-workforces “World Economic Forum, “Future of Jobs Report 2025: 78 Million New Job Opportunities by 2030 but Urgent Upskilling Needed to Prepare Workforces”, Ocak 2025″