Yetenek yönetiminde yapay zekâya yöneltilen itirazların çoğu ciddidir. Belirsiz hedefler, eksik veri, tarihsel önyargı, kapalı kararlar, otomasyon yanlılığı, yanlış başarı ölçütleri ve zayıf değişim yönetimi; terfiden ücrete, gelişim fırsatından işten ayrılmaya kadar insanların hayatını etkileyebilir. Bu riskleri “teknoloji karşıtlığı” diye küçümsemek hem etik hem de yönetsel bir hata olur.
Fakat tartışma çoğu zaman hatalı bir karşılaştırma üzerine kuruluyor: Bir tarafta kusurları tek tek sayılan yapay zekâ, diğer tarafta ise sanki tutarlı, tarafsız, bütün bilgiyi hatırlayan ve her kararını gerekçelendiren ideal bir insan yönetici var. Gerçek hayattaki insan kararları da kusursuz bir karşılaştırma ölçütü değildir. Yönetici performans notlarında değerlendiriciler arası uyum sınırlı olabilir ve işe alımda ayrımcı sonuçlar saha deneylerinde belgelenmiştir. Bu nedenle karşılaştırma, ideal bir yönetici ile kusurlu bir model arasında değil, ölçülmüş mevcut süreç ile denetlenebilir bir insan+yapay zekâ süreci arasında yapılmalıdır.
Dolayısıyla doğru soru, “Yapay zekâ hata yapar mı?” değildir. Elbette yapar. Doğru soru, denetlenebilir bir yapay zekâ destekli sistemin bugün fiilen kullanılan yalnızca-insan sürecinden daha iyi olup olamayacağıdır. Böyle bir sistemin ölçütleri yazılı, verisi denetlenmiş ve çıktısı kaydedilmiş olmalıdır. Sonuçları gruplar bazında izlenmeli; hem insan tarafından gerçekten sorgulanabilmeli hem de çalışan tarafından itiraz edilebilmelidir. Mevcut kanıtlar, iyi yönetişimli bir insan+yapay zekâ düzeninin bazı yapılandırılmış ve tekrarlanan görevlerde yalnızca insanla yürütülen süreci aşabileceğini gösteriyor. Ancak bu üstünlük yetenek yönetiminin bütünü için kanıtlanmış değildir; her kullanım alanında ayrı pilot, grup bazlı etki analizi ve önceden belirlenmiş durdurma eşiği gerekir.
Mekanik veri birleştirmeyi serbest uzman yargısıyla karşılaştıran bir meta-analiz, iş performansı tahmininde açık kurallar lehine kayda değer bir fark buldu. Bu fark, tahminde yüzde 50’yi aşan iyileşmeye karşılık geliyordu. Yapılandırılmış görüşmelerin yapılandırılmamış görüşmelerden daha geçerli olması da aynı temel ilkeyi destekliyor: İnsan muhakemesi ortadan kaldırılmadan, ortak ölçütler ve tekrarlanabilir bir süreçle güçlendirilebilir. Bu çalışmalar güncel üretken yapay zekâyı kanıtlamaz. Fakat “insanın doğal kararı”nın tarafsız bir altın standart olmadığını gösterir.
Savunulması gereken şey otomatik hüküm değildir. Savunulması gereken; psikometrik ölçümleri tek hakikat saymadan kullanan, çok kaynaklı profilde veri çelişkisini gösteren, gelişim önerilerini kişiselleştiren, konuşmalı geri bildirimi uzman denetimine açan, eşleştirme gerekçesini açıklayan ve çalışana düzeltme ile itiraz hakkı tanıyan denetlenebilir insan+yapay zekâ sistemidir.
- Teknoloji yönetim sorununu tek başına çözmez; ancak sorunu görünür ve sınanabilir kılabilir
Belirsiz bir performans sistemi, kapalı terfi ölçütleri veya geri bildirim vermeyen yöneticiler yalnızca bir yazılım alınarak düzeltilemez. “Yüksek potansiyel” tanımlanmamışsa model de sağlıklı bir yüksek potansiyel tahmini üretemez. Bu eleştiri doğrudur: Belirsiz süreç artı otomasyon, daha hızlı belirsizliktir.
Ne var ki sorun teknolojiye aktarıldığında başlamaz. Aynı belirsizlik, yapılandırılmamış süreçlerde yöneticiden yöneticiye değişen ağırlıklarla zaten uygulanabilir. On beş firmadaki düşük vasıflı hizmet sektörü işe alımlarını inceleyen bir çalışmada, benzer aday havuzları karşılaştırıldığında test önerisine karşı işe alım yapan yöneticilerin ortalama işe alım sonuçları daha kötüydü.2 Bu bulgu bütün rollere ve kurumlara doğrudan genellenemez. Ancak önemli bir ilkeyi destekler: İstisnalar ancak öneri, gerekçe ve sonuç birlikte kaydedildiğinde sınanabilir.
İyi tasarlanmış bir yapay zekâ sistemi bu nedenle politika yerine geçmez; politikanın gerçekten uygulanıp uygulanmadığını gösterir. Önce rolün başarı tanımı, kullanılacak ve kesinlikle kullanılmayacak ölçütler, hata maliyetleri ve makul istisnalar yazılır. Ardından sistem örüntüleri, departman farklarını, yöneticiler arası sapmayı ve açıklanamayan istisnaları görünür kılar. Nihai karar insanda kalır; fakat “içime sinmedi” yerine işle ilgili kanıt ve gerekçe gerekir.
Güvenlik önlemi nettir: Devreye almadan önce AI’sız taban çizgisi ölçülmelidir. Aynı tür vakalarda yönetici kararlarının ne kadar değiştiği, hangi gerekçelerin kullanıldığı, itirazların kaçı kabul edildiği ve sonuçların gruplar arasında nasıl dağıldığı kayda alınmalıdır. Yapay zekâ ancak bu gerçek taban çizgisine karşı daha tutarlı ve geçerli sonuç üretiyorsa değer yaratır. Teknoloji yönetim sorumluluğunu kaldırmamalı; sorumluluğun verisini üretmelidir.
- Veri kusurludur; insan hafızası ve yönetici notları da kusurludur
“Kötü veri, kötü çıktı üretir” uyarısı tartışmasız doğrudur. Eksik kariyer geçmişi, eski yetkinlik kaydı veya bağlamından koparılmış performans puanı; nesnel görünen ama temeli zayıf bir öneriye dönüşebilir. Daha çok veri de otomatik olarak daha iyi veri değildir. Amaç dışı mesaj, toplantı veya davranış verilerini toplamak kişiselleştirme değil, gözetim olabilir.
Ancak klasik İK kararı da verisiz değildir; yalnızca verisi çoğu zaman dağınık ve örtüktür. İnsan yönetici hafızasını, son dönemdeki olayı, görünürlüğü ve kişisel gözlemini birleştirir. Üstelik “gerçek performans” diye kullanılan yönetici notları da kusursuz değildir. 224 örneklemli bir meta-analizde genel performans puanlarının değerlendiriciler arası güvenilirliği, idari amaçlı değerlendirmelerde 0,45 olarak bulunmuştur. Bu, notların değersiz olduğu anlamına gelmez; onları değişmez hakikat etiketi olarak kullanmanın sakıncalı olduğunu gösterir.
İyi yönetişimli AI’nın avantajı, veri kusurunu yok etmek değil görünür kılmaktır. Çok kaynaklı profil; öz değerlendirme, yapılandırılmış yönetici gözlemi, iş örneği, doğrulanmış beceri göstergesi ve çalışanın kariyer tercihlerini ayrı kaynaklar olarak tutabilir. Kaynağın tarihi, eksikliği ve güven düzeyi gösterilebilir. Veriler çeliştiğinde sistem kesin skor vermek yerine dosyayı insana yönlendirebilir. Psikometrik ölçüm bir kader etiketi değil, diğer kanıtlarla birlikte yorumlanan sınırlı bir sinyal olur.
Bunun için veri envanteri, köken kaydı, güncellik süresi, eksiklik ve temsil testleri gerekir. Veri sayfaları; verinin neden toplandığını, kimi temsil ettiğini, nasıl işlendiğini ve hangi amaçlarla kullanılmaması gerektiğini belgelemek için uygulanabilir bir çerçeve sunar. NIST’in gönüllü risk yönetimi çerçevesi de belirsizliğin, geçerliğin, kullanım bağlamının ve dağıtım sonrası izlemenin belgelenmesini önerir. Kişisel veri işlenen ve Genel Veri Koruma Tüzüğü kapsamına giren kullanımlarda doğruluk, erişim ve düzeltme hükümleri ayrıca dikkate alınmalıdır. Kişi kendi verisini görebilmeli, hatayı düzeltebilmeli ve eksik bağlamı ekleyebilmelidir.
Bir AI sistemi bu testleri geçemiyorsa kullanılmamalıdır. Fakat aynı soru yalnızca modele değil, yüksek etkili kararı tek bir yöneticinin hafızasına bırakan mevcut sürece de sorulmalıdır.
- Geçmiş önyargı algoritmaya taşınabilir; ancak algoritma önyargıyı ölçülebilir de kılabilir
Tarihsel kararlarla eğitilen bir model geçmiş ayrımcılığı yeniden üretebilir. Görünürlüğü başarı, kesintisiz kariyeri bağlılık veya belirli bir eğitim geçmişini potansiyel sanabilir. Korunan özellikler çıkarılsa bile posta kodu, kurum adı, kariyer boşluğu veya dil kullanımı vekil değişken işlevi görebilir. Sistematik bir derleme, eksik ve temsilsiz girdilerin işe alım ile çalışan gelişiminde ayrımcılığı yeniden üretebildiğini açıkça gösteriyor.
Fakat insan-only taban çizgisi de nötr değildir. ABD’deki 28 saha deneyini ve 55.842 başvuruyu birleştiren meta-analizde, beyaz adaylar eşdeğer nitelikteki Afrikalı Amerikalı adaylardan ortalama yüzde 36, Latin adaylardan yüzde 24 daha fazla geri dönüş aldı. Bu bulgu başka ülkelere ve bütün yetenek kararlarına doğrudan genellenemez. Yine de önemli bir gerçeği ortaya koyar: Önyargı algoritmayla icat edilmemiştir; çoğu zaman insan kararında sessizce yaşar.
AI lehine sav, makinenin doğuştan adil olduğu savı değildir. Sav şudur: Aynı işle ilgili ölçütlerin herkese uygulanması, kimlik işaretlerinin gerektiğinde körlenmesi, seçim ve hata oranlarının alt gruplarda karşılaştırılması, eşdeğer profillerde yalnızca korunan özelliği değiştirerek karşı-olgusal test yapılması ve sorunlu sürümün geri alınması teknik olarak mümkündür. Güncel adalet araştırmaları da tek bir “önyargısızlık puanı”nın yetmediğini; sonuç, hata, süreç ve etki ölçülerinin birlikte ele alınması gerektiğini vurgular. Büyük ölçekli saha verisi üzerinde yapılan karşı-olgusal denetim çalışmaları, standart ölçütlerin saklayabildiği farkları daha görünür kılabilecek yöntemler sunuyor.
Koruma mekanizması üç katmanlı olmalıdır. Önce başarı etiketi iş analiziyle doğrulanmalı; geçmişte seçilmiş olmak başarıyla eşitlenmemelidir. Sonra her sürümde seçilme oranları ve erişilebilirlik sonuçları incelenmelidir. Güvenilir bir sonuç etiketi varsa yanlış olumlu, yanlış olumsuz ve kalibrasyon ölçümleri de raporlanmalıdır. Kesişimsel analizler ancak yeterli örneklemle yapılmalı ve belirsizlik güven aralıklarıyla gösterilmelidir. Korunan özelliklere ilişkin veriler ise yalnızca geçerli bir hukuki dayanak ve uygun mahremiyet güvenceleriyle işlenmelidir. Son olarak, olumsuz etkilenen kişinin erişilebilir bir insan incelemesine ve alternatif değerlendirme yoluna ulaşması sağlanmalıdır.
Tutarlılık adaletin tamamı değildir. Ancak ölçütlerin ve sonuçların kayda geçmediği bir süreçte adaleti kanıtlamak da zordur. İyi sistem geçmişi taklit etmez; geçmişin hangi noktalarda savunulamaz olduğunu test eder.
- Yapay zekâ kararı açıklanamaz olmak zorunda değildir; insan kararı da kendiliğinden şeffaf değildir
“Algoritma böyle söyledi” kabul edilebilir bir açıklama değildir. Bir çalışan neden gelişim fırsatına eşleşmediğini veya hangi bilginin terfi değerlendirmesini etkilediğini anlayamıyorsa, teknik doğruluk güven sorununu çözmez. Karmaşık modelin sonradan üretilmiş, gerçeğe sadık olmayan açıklaması ise şeffaflık değil, yeni bir risk yaratır.
Buna karşılık insan kararını doğal olarak açıklanabilir saymak da gerçekçi değildir. Serbest görüşmenin, kapalı kurul konuşmasının veya yöneticinin zihinsel ağırlıklarının tam karar izi olmayabilir. Yapılandırılmış görüşmelerin daha yüksek geçerlik göstermesi, insan kararlarının kendiliğinden açıklanabilir olduğunu değil; ortak soruların, puanlama kurallarının ve kanıt kaydının karar izlenebilirliğini güçlendirdiğini destekler.
İyi tasarlanmış AI destekli süreçte hangi veri kaynağının, hangi model sürümünün ve hangi işle ilgili ölçütün öneriyi etkilediği kaydedilebilir. Model kartları amaçlanan kullanımı, performans sınırlarını ve farklı gruplardaki sonuçları görünür kılar. Karar düzeyinde ise “puan düşük” gibi döngüsel bir ifade yerine, doğrulanabilir gerekçe kodları sunulabilir. Açıklanabilir eşleştirme, çalışana yalnızca neden elendiğini değil, hangi beceri kanıtının eksik olduğunu ve hangi gelişim adımının ilgili olabileceğini gösterebilir. Konuşmalı geri bildirim arayüzü de kesin hüküm vermek yerine kaynak gösterebilir, belirsizliği açıklayabilir ve uzman görüşüne geçiş sağlayabilir.
Bu kayıtların varlığı kararın doğru olduğunu tek başına kanıtlamaz. Ancak karar zincirini denetlenebilir yapar. AB Yapay Zekâ Tüzüğü, kapsama giren belirli istihdam kullanımlarını yüksek riskli sayarak teknik dokümantasyon, kayıt, şeffaflık ve insan gözetimi yükümlülükleri getirir. GDPR ise tamamen otomatik işleme dayanan ve hukuki ya da benzer ölçüde önemli etki doğuran kararlar bakımından, uygulanabilir koşullarda insan müdahalesi isteme, görüş bildirme ve karara itiraz etme gibi güvenceler sağlar. New York’taki düzenleme de önyargı denetimi, kamuya açık özet ve bildirim şartlarının hukuki yükümlülüğe dönüştürülebildiğini gösterir; bu şartların tek başına etkili sonuç ürettiğini kanıtlamaz.
Somut güvenlik standardı şudur: Her önemli karar için veri ve model sürümü, çıktı, güven uyarısı, insan incelemesi, geçersiz kılma gerekçesi ve itiraz sonucu kaydedilmelidir. Çalışan bu kaydı anlaşılır bir özetle görebilmeli, yanlış veriyi düzeltebilmeli ve kararı değiştirme yetkisi olan bir insana başvurabilmelidir. İtiraz bir düğme değil, sonucu değiştirebilen bir süreçtir.
- İnsan denetimi göstermelik kalabilir; ancak bu risk iş akışıyla azaltılabilir
Otomasyon yanlılığı gerçektir. AI önerisi ekranda önce gösterildiğinde yönetici onu başlangıç noktası kabul edebilir. İş yükü ve zaman baskısı arttıkça “son kararı insan verdi” cümlesi yalnızca biçimsel kalabilir. 106 deneyi kapsayan bir meta-analiz, insan+AI birleşiminin ortalamada insan-only’den daha iyi olabildiğini, fakat en iyi tek aktörden geride kaldığını; özellikle karar görevlerinde sinerjinin negatif olabildiğini gösterdi. Profesyonel işe alımcılarla yapılan ön-kayıtlı saha deneyi de yüksek kaliteli önerinin insan çabasını azaltabildiğini buldu.
Bu kanıt insan denetiminden vazgeçmeyi değil, onu ciddiye almayı gerektirir. Çünkü insan-only süreç de ilk izlenim, benzerlik, yakın dönem etkisi ve otorite baskısından muaftır denemez. Asıl mesele, AI’nın ve insanın hatalarının birbirini doğrulamasını engelleyecek bir iş akışı kurmaktır.
Bunun umut veren yollarından biri bağımsız ilk değerlendirmedir. Adalet bağlamındaki iki deneyde, katılımcılar hatalı AI önerisini kendi yargılarından önce gördüklerinde doğruluk daha fazla düştü. Bu bulgu, yöneticinin önce işle ilgili ölçütlere dayalı puanını ve dosya kanıtını kaydetmesi, AI önerisinin daha sonra ikinci görüş olarak açılması fikrini destekler; fakat yöntemin etkisi yetenek yönetimi bağlamında ayrıca sınanmalıdır. İnsan ile model uyuşmuyorsa, özellikle yüksek etkili olumsuz kararlarda, dosya bağımsız ikinci inceleyiciye gitmelidir.
Denetçinin gerçek yetkisi olmalıdır: Öneriyi reddedebilmeli, sistemi durdurabilmeli, ek bağlam isteyebilmeli ve itirazı karara bağlayabilmelidir. Kabul ve geçersiz kılma için kısa ama yapılandırılmış gerekçe gerekir. Otomatik onay oranı, inceleme süresi ve uyuşmazlık sonuçları da sistem performansının parçası sayılmalıdır. AI Tüzüğü’nün insan gözetimi yaklaşımı; kapasite ve sınırlılıkları anlama, otomasyon yanlılığının farkında olma, çıktıyı yok sayma veya tersine çevirme ve sistemi durdurma yetkisini açıkça sayar.
Üstelik AI’nın insanı desteklediği düşük riskli alanlarda somut fayda kanıtı vardır. 265 çalışanlı bir saha deneyinde, gerçekte AI tarafından üretilen geri bildirim insan geri bildirimine göre performansı yüzde 12,9 artırdı. Buna karşılık geri bildirimin AI’dan geldiğinin söylenmesi, gerçek üreticiden bağımsız olarak performansı yüzde 5,4 düşürdü. Bu sonuç AI kullanımını gizlemeyi değil, kişiselleştirilmiş rehberliğin şeffaf devreye alma, güven ve geçiş tasarımıyla birlikte yürütülmesini gerektirir. İnsan denetiminin panzehiri daha çok onay kutusu değil; bağımsız hüküm, gerçek yetki, ikinci göz ve sonuç denetimidir.
- Yanlış başarı ölçütü yapay zekâyı da bozar; doğru ölçüt karşılaştırmayı mümkün kılar
Kullanım oranı, işlem süresi veya üretilen öneri sayısı gerçek başarı değildir. Çok kullanılan bir sistem çalışanların becerisini geliştirmeyebilir; hızlı bir eşleştirme yanlış kişiyi yanlış fırsata yönlendirebilir. Bu eleştiri tamamen yerindedir.
Fakat yalnızca insanla yürütülen süreçte de başarı çoğu zaman ölçülmez. Bir yöneticinin “yüksek potansiyel” dediği kişinin iki yıl sonra ne yaptığı, reddedilen çalışanın başka ekipte gösterdiği performans veya fırsatların kimlere dağıldığı kararın ilk gerekçesiyle ilişkilendirilmeyebilir. AI destekli sürecin olası avantajı, AI’ya özgü bir özellikten değil, ölçekli kayıt ve düzenli yeniden değerlendirmeyi daha düşük işlem maliyetiyle yürütebilmesinden doğar. Bu avantaj ancak kararları sonuçlara bağlayan aynı ölçüm disiplini mevcut insan sürecinde sağlanamıyorsa ve AI destekli kol karşılaştırmada daha iyi sonuç veriyorsa vardır.
Başarı çerçevesi dağıtımdan önce yazılmalıdır. İş kalitesi, beceri kazanımı, gelişim fırsatına erişim, iç hareketlilik, elde tutma, çalışan deneyimi, yanlış yönlendirme ve gruplar arası farklar birlikte izlenmelidir. Tek bir adalet ölçütü yeterli değildir; sonuç, doğruluk, süreç ve sonraki etkiler farklı soruları yanıtladığı için birlikte değerlendirilmelidir. Hangi ölçütlere öncelik verildiği, rolün ve kararın bağlamına göre açıkça gerekçelendirilmelidir.
A/B testi veya kademeli pilot değerlidir, fakat nihai hüküm değildir. Kısa dönem ortalama kazanç başka ekiplerde veya zaman içinde tekrarlanmayabilir. Buna rağmen ölçüm yapılmadan ilerlemekten daha iyidir. Yetenek yönetimi dışındaki işyeri kanıtları, desteğin etkisinin görev ve çalışan grubuna göre değişebildiğini gösteriyor: 5.172 müşteri destek çalışanını izleyen çalışmada üretken AI desteği saat başına çözülen sorun sayısını ortalama yüzde 15 artırdı; kazanımlar daha az deneyimli çalışanlarda yoğunlaşırken en deneyimli grupta küçük kalite kayıpları görüldü. Bu sonuç, “herkese aynı araç” yaklaşımını değil, kişiselleştirilmiş ve segment bazında doğrulanan gelişim yolculuğunu destekler.
Çevrim içi işgücü piyasasındaki iki ayrı deneyde ise algoritmik işçi önerileri pozisyon doldurma oranını yüzde 20 artırdı; üretken olmayan özgeçmiş yazım yardımı işe alınmayı yüzde 8, ücreti yüzde 10 yükseltti. Bu çalışmalar nihai kariyer hükümlerini veya bütünsel AI yetenek yönetimini değil, arama ve ifade desteği gibi sınırlı görevleri destekler. Tam da bu nedenle yüksek etkili otomatik elemeden daha savunulabilir bir başlangıç noktası sunarlar.
Güvenlik önlemi, insan-only, AI-only ve insan+AI kollarını aynı ölçütlerle karşılaştırmaktır. Net yarar yoksa sistem sınırlandırılmalı veya kaldırılmalıdır. AI’nın başarısı, ne kadar kullanıldığıyla değil; kime ne fayda ve ne zarar ürettiğinin kanıtlanabilmesiyle ölçülür.
- Değişim yönetimi ihmal edilebilir; çalışan katılımı bu riski azaltabilir
Dar bir ekibin tasarladığı, çalışanlara son anda duyurulan ve yöneticilere yalnızca kısa eğitimle bırakılan sistem güvensizlik üretir. Bu risk AI’da daha keskin hissedilebilir; çünkü çalışan yalnızca yeni bir arayüzle değil, geçimini etkileyebilecek bir sınıflandırmayla karşı karşıyadır.
Ancak değişime direnç AI’ya özgü değildir. Bir sistematik derleme, çalışan tepkilerinin değişimin nasıl sunulduğu, beklenen iş yükü, belirsizlik, uygulama hızı ve yönetimle etkileşim gibi etkenlerle ilişkili olduğunu bildiriyor. Dönüşümcü liderlik değişime açıklık ve hazırlıkla pozitif, direnç ve sinizmle negatif ilişkilidir. Buna rağmen tek başına otomatik destek yaratmaz. Yani “iyi anlattık, kabul ettiler” yaklaşımı da yetersizdir.
Çalışan katılımı lansman iletişimi değil, karar hakkına bağlı bir geri besleme düzeni olmalıdır. Dijital dönüşüm araştırmalarına göre katılımın derecesinden çok bağlama uygun format önemlidir. Çalışanlara yeterli zaman ve bilgi verilmeli; önerilerinin gerçekten uygulanıp uygulanmadığı da görünür olmalıdır. Üç Alman imalat firmasında yürütülen bir laboratuvar deneyinde çalışan, yönetici ve çalışan temsilcisi danışması, katılımcıların verimlilik kazanımını korurken iş kalitesini iyileştireceğini düşündükleri bir tasarım üzerinde uzlaşmalarına katkı sağladı. Bu sınırlı bağlam örgüt çapında etkiyi kanıtlamaz; ancak katılımın sınanabilir bir yönetişim mekanizması olduğunu gösterir. Şeffaflık ise gerekli ama yeterli değildir. Deneysel kanıt, şeffaflığın etkinlik algısıyla güveni artırırken AI kaynaklı rahatsızlık yoluyla azaltabildiğini gösteriyor.
Burada bilgisayarsız İK analojisi yararlıdır. Bugün bordroyu, aday kayıtlarını veya çalışan geçmişini yalnızca kâğıtla yönetmek çoğu kurumda düşünülemez. Bu dönüşüm bir gecede ve risksiz gerçekleşmedi; veri güvenliği, erişim ve süreç tasarımı sorunları doğurdu. AI için de benzer bir kurumsal öğrenme beklenebilir. Ancak analojinin sınırı açıktır: Bir veri tabanı kaydı saklarken, AI davranış tahmini yapabilir ve fırsat dağılımını etkileyebilir. Bu nedenle geçmiş dijitalleşme, bugünkü riskleri hafife alma gerekçesi değildir.
Yine de tarihsel HRIS araştırmaları, teknolojinin ve İK süreçlerinin birbirini uyarlayarak geliştiğini gösteriyor. E-İK üzerine meta-analiz de yararlılık, örgütsel kaynak ve kullanıcı bilgisinin benimsemeyi; dijital İK’nın ise özellikle operasyonel performansı destekleyebildiğini bildiriyor. Güçlü çıkarım şudur: AI’sız kalmak bir anda imkânsız olmayacaktır. Fakat rakip kurumlar güvenli biçimde kişiselleştirilmiş rehberlik, beceri eşleştirme ve denetim izi ürettikçe, aynı hizmet düzeyini bütünüyle manuel süreçle sürdürmenin fırsat maliyeti artacaktır.
Çözüm geri alınabilir pilot, temsilî kullanıcı grubu, erişilebilir açıklama, çalışan ve temsilci katılımı, bağımsız itiraz kanalı ve önceden belirlenmiş durdurma eşiğidir. OECD’nin altı ülkedeki araştırmasında algoritmik yönetim kullanan yöneticilerin yaklaşık üçte ikisi güvenilirlik endişesi bildirmiş; buna karşı firmaların çoğunda en az bir yönetişim önlemi bulunduğu raporlanmıştır. ILO’nun uyardığı insan temasındaki azalma da ayrıca izlenmelidir. AI, yöneticinin dinleme ve makul uyarlama görevini ikame etmemelidir.
Daha Sağlıklı Bir Yaklaşım Mümkün
Evet, kötü tasarlanmış yapay zekâ yetenek yönetimindeki sorunları hızlandırabilir. Yanlış başarı etiketi, eksik veri, temsil sorunu, vekil değişken, göstermelik denetim ve çalışan katılımının yokluğu; otomasyonu savunulamaz hâle getirir. Bazı bağlamlarda en doğru karar AI kullanmamak, kullanım alanını daraltmak veya yalnızca düşük riskli rehberlik işlevleriyle sınırlamaktır.
Fakat bundan “teknoloji yönetim sorunlarını çözemez” sonucu çıkmaz. İnsan yönetimi zaten bir ölçüm ve karar sistemidir; yalnızca çoğu zaman modeli yazılı değildir. Ağırlıkları zihinde tutulur, sürümü bilinmez, gerekçesi düzensiz kaydedilir ve hata oranı hesaplanmaz. İyi yönetişimli AI’nın üstün olabileceği nokta insanın yerini alması değil, insan kararını tutarlı, tekrarlanabilir, kapsayıcı ve itiraz edilebilir bir altyapıya bağlamasıdır.
Daha sağlıklı yaklaşım yedi ilkeye dayanır:
- Önce gerçek insan taban çizgisini ölçün. Mevcut karar farklarını, gerekçeleri, sonuçları ve grup etkilerini kaydetmeden AI başarısı ilan etmeyin.
- Amacı ve sınırı yazın. İşle ilgili ölçütleri, kullanılmayacak verileri ve AI’nın veremeyeceği kararları önceden belirleyin.
- Belirsizlikte durun. Eksik, çelişkili veya dağılım dışı veride kesin hüküm yerine uzman incelemesine yönlendirin.
- İnsanı önce düşündürün. Bağımsız ilk değerlendirme, gerekçeli kabul veya geçersiz kılma, ikinci görüş ve gerçek durdurma yetkisi kurun.
- Karar izi oluşturun. Veri ve model sürümünü, öneriyi, insan müdahalesini, itirazı ve sonucu kayıt altına alın.
- Adaleti çok boyutlu ölçün. Genel doğruluğun yanında grup bazlı fırsat, hata, kalibrasyon, erişilebilirlik ve uzun dönem sonuçlarını izleyin.
- Çalışanı özne kabul edin. Bilgilendirme, veri erişimi ve düzeltme, anlamlı açıklama, makul uyarlama ve bağımsız itiraz hakkı sağlayın.
NIST’in yaşam döngüsü yaklaşımı bu ilkeleri yönetişim, bağlamı haritalama, ölçme ve yönetme işlevleriyle somutlaştırır. AB Yapay Zekâ Tüzüğü de istihdamdaki yüksek riskli kullanımlar için asgari tasarım unsurları tanımlar. Bunlar veri kalitesi, teknik dokümantasyon, kayıt, şeffaflık ve yetkili insan gözetimidir. Söz konusu çerçeveler performans üstünlüğü kanıtı değildir; fakat bu iddianın hangi kanıtlarla sınanması gerektiğini belirler.
Bilgisayarsız İK’nın bugün istisnai olması, her dijital aracın iyi olduğu anlamına gelmez. Aynı şekilde AI destekli İK’nın yaygınlaşması da her modelin meşru olacağı anlamına gelmeyecektir. AI’sız süreçlerin bir gün elektronik tablo kullanmamak kadar istisnai hâle geleceği bugün kanıtlanmış bir sonuç değildir. Ancak yüksek hacimli, tekrarlanan, uygun veriye sahip ve denetim yükümlülüğü güçlü işlerde AI desteğini kontrollü biçimde sınama gerekçesi giderek artmaktadır. Bunun nedeni moda değil, ölçeklenen iş yükü, kişiselleştirme beklentisi ve kararların kanıtlanabilir olmasına yönelik taleptir.
Bu gelecek kaçınılmaz bir takvim değildir. Düşük hacimli, ilişki yoğun veya verisi zayıf işlerde AI’sız süreç uzun süre rasyonel kalabilir. Fakat yüksek hacimli başvuru, çok kaynaklı beceri verisi, sık tekrarlanan gelişim konuşmaları ve eşit fırsatı kanıtlama yükümlülüğü bulunan ortamlarda yalnızca insan hafızasına dayanan sistemin sınırları büyüyecektir. Bu nedenle AI desteksiz İK’nın birçok büyük ve veri yoğun kurumda bugünkünden çok daha istisnai hâle geleceği, kesin tarih verilemese de makul bir stratejik öngörüdür.
Sonuç olarak tercih “insan mı, yapay zekâ mı?” değildir. Tercih, AI kullanılsın ya da kullanılmasın, alternatif süreçlerin aynı sonuç, adalet ve itiraz ölçütleriyle karşılaştırılıp karşılaştırılmadığıdır. Yapay zekâ sihirli değnek değildir; iyi tasarımda bir ölçüm cihazı, ikinci görüş ve erken uyarı sistemi olabilir. Yöneticinin sorumluluğunu azaltmamalı; kararın verisini, gerekçesini, istisnasını ve sonucunu hesap sorulabilir hâle getirmelidir.
Yetenek yönetiminde korunması gereken şey belirli bir teknoloji değil; ölçülebilirlik, tutarlılık, çalışan hakları ve hesap verebilirliktir. İyi yönetişimli AI bu değerleri bazı görevlerde daha düşük işlem maliyetiyle ve daha büyük ölçekte sağlayabiliyorsa, onu baştan reddetmek insan merkezlilik değildir. Yapılması gereken, üstünlüğü varsaymak değil, gerçek insan sürecine karşı ölçmek ve kanıtlandığı yerde kullanmaktır.