Yapay zekâ, işe alım ve iş yeri yönetimini hızla dönüştürürken, ILO Kıdemli Ekonomisti Janine Berg, insan kaynaklarında yapay zekânın ardındaki karmaşık gerçekleri inceliyor ve bu yeni sistemlerin karar verme süreçlerini gerçekten iyileştirip iyileştirmediğini veya yalnızca kusurlu süreçleri büyük ölçekte otomatikleştirip otomatikleştirmediğini araştırıyor.
Janine Berg (Uluslararası Çalışma Örgütü Kıdemli Ekonomisti)/ 15 Mayıs 2026
İşyerinde insanları etkili bir şekilde işe almak ve yönetmek hiçbir zaman kolay olmamıştır. İşe alımda, çevrimiçi başvurular ve daha yakın zamanda üretken yapay zeka, başvuru sayısındaki artışa yol açtığı için görev daha da karmaşık hale gelmiştir. Sonuç olarak, adayları elemek daha zahmetli hale gelmiş ve işverenlerin süreci kolaylaştırmak için giderek daha fazla teknolojiye güvenmesine yol açmıştır. Bu nedenle işe alım, teknolojinin çözmeye çalıştığı her sorunun çözülmesi gereken yeni bir sorun yarattığı “otomasyon paradoksunun”[i] en önemli örneklerinden biridir.
Bu ihtiyaç, yapay zekâ destekli araçlara yapılan milyarlarca dolarlık yatırımla birleşince, insan kaynakları yönetiminde bir dönüşüme yol açtı. Ancak insan kaynakları işlevlerini otomatikleştirme telaşı, bu sistemlerin gerçekten işe yarayıp yaramadığını anlamamızın önüne geçiyor.
Uluslararası Çalışma Örgütü’nün (ILO) yakın tarihli bir çalışma belgesinde , ortak yazarım Hannah Johnston ile birlikte, dört temel insan kaynakları işlevi olan işe alım, ücretlendirme, planlama ve performans yönetimi alanlarında farklı yapay zeka uygulamalarının etkinliğini değerlendirdik. Bu alanlarda uygulanan yapay zeka araçlarını değerlendirmek için, aşağıdaki üç parametreye dayalı bir çerçeve kullandık:
- Amaç – sistem neyi başarmaya çalışıyor ?
- Eğitiminde kullandığı ve eğitildiği veriler ve
- nasıl programlanıyor
Bu parametrelerin her birinin kalitesi, iyi çalışan sistemleri çalışmayan sistemlerden ayıran en önemli faktördür.
Hedefi tanımlamak kolay değil.
Bir sistemin amacını tanımlamak basit görünse de, pratikte öyle değildir. İki konum arasındaki en kısa yolu belirlemek gibi tarafsız ve basit amaçlar için, tanımlanabilir ve ilgili değişkenlere güvenmek kolaydır ve bulguları yorumlamak da kolaydır. Ancak çoğu insan kaynakları işlevi, pratik zorluklar yaratan “günlük hayatın somut, karmaşık, belirsiz unsurları”nı[ii] içerir. Elbette, bir iş için en iyi adayı işe almak istiyoruz, ancak iyi bir adayı nasıl tanımlarız? Evet, çok çalışan, ilgili ve yetkin çalışanlar istiyoruz, ancak bir yapay zeka sisteminin performansı etkili bir şekilde değerlendirmesi için gereken verileri nasıl belirleriz?
Yapay zekayı işe alım için kullanmaya karar veren bir kuruluş, amacını “gelişim odaklı zihniyete” sahip adayları seçmek olarak tanımladı. Sonuç olarak, yapay zeka sistemi, adayların mülakat sırasında ‘gelişim’, ‘gelişim’ ve ‘öğrenme’ gibi kelimeleri kullanmalarına göre adayları belirlemek ve puanlamak üzere programlandı. Bu karmaşık insan niteliği böylece kelime sıklığı sayımına indirgendi ve sistemin gerçekten anlamlı bir şey ölçüp ölçmediği konusunda temel sorular ortaya çıktı.
Veri kalitesi ve uygunluğu çok önemlidir.
Yapay zekâya yönelik eleştirilerin büyük bir bölümü, veri sınırlamalarına odaklanmaktadır ve bu konuda üç önemli endişe öne çıkmaktadır. Birincisi, veri kalitesi sorunudur. Yapay zekâ sistemleri, kararların alındığı temeli oluşturan bağlantıları ve kalıpları öğrenmek için eğitim verilerine güvenir. Bu veriler düşük kalitede olduğunda, yapay zekâ sistemleri düşük kaliteli çıktılar üretir. Atasözünde de denildiği gibi: “Çöp girerse, çöp çıkar”.
İkinci bir sorun ise verilerin uygunluğuyla ilgilidir. Kurum içinde geliştirilen özel yapay zeka sistemlerinde, eğitim verileri kuruluşun geçmiş faaliyetlerinden oluşur. Buna karşılık, üçüncü taraflara satılmak üzere geliştirilen “hazır” sistemler, bazen büyüyen veri pazarından satın alınanlar da dahil olmak üzere, mevcut kaynaklardan derlenen verileri kullanır. Bu veriler genellikle satın alan kuruluşun özelliklerini yansıtmaz ve temsil edilebilirlik konusunda endişelere yol açar.
Verilerin anlamlı olması da gerekiyor. Yapay zeka sistemleri verilerle çalıştığı için, modele dahil edilecek daha fazla veri için sürekli bir arayış var. İşe alım için bu, adayların sosyal medya etkinliklerinden elde edilen bilgilerin dahil edilmesi anlamına gelebilir, ancak bilişsel, kişilik veya durumsal yargılama testleri de dahil olmak üzere diğer değerlendirmelerden, genellikle oyun şeklinde, bilgi eklenmesini de içermiştir. Bir oyunda adaylar, bir ödül karşılığında dijital bir balonu şişiriyorlardı; bu da adayların risk alma davranışına yatkınlığını ve tepki süresini ölçmek için yapılmıştı.[iii] Benzer şekilde, tuş vuruşlarını kaydederek, rastgele ekran görüntüleri alarak veya çevrimiçi varlığı izleyerek çalışanların çevrimiçi etkinliğini ölçen uygulamalar, bir çalışanın çevrimiçi olarak aktif olup olmadığını gösterebilir. Ancak ekran süresine ilişkin veriler, bir kişinin işini ne kadar iyi yaptığıyla eşdeğer tutulmamalıdır.
Yapay zekâ sistemlerinin teoriye sahip olmadığını, bunun yerine veriler aracılığıyla kalıplar oluşturup tahminlerde bulunduğunu hatırlamak önemlidir. Bu nedenle, toplanacak verilerin seçimine rehberlik edecek bir “insan kaynakları” teorisine ihtiyaç vardır. Aksi takdirde, sisteme beslenen veriler anlamsızsa, bir insan kaynakları yöneticisi sonuçları nasıl yorumlayacaktır?
Örnekler ayrıca, verilerin temsili nitelikte olmadığı yönündeki sıkça dile getirilen eleştirinin, geçerli olmakla birlikte, tek sorun olmadığını da göstermektedir. Dijital balon oyununda insanların puanlarına ilişkin daha temsili eğitim verileri dahil edilebilir, ancak bu yine de verilerin performansın öngörülebilir bir göstergesi olup olmadığı sorusunu ele almaz.
Karar alma süreçlerinde şeffaflık, sonuçların anlaşılması için kritik öneme sahiptir.
Algoritmalar, yapay zekâ sistemlerinin merkezinde yer alan önemli bir karar alma özelliğidir. Bunlar, belirli bir amaç veya hedef doğrultusunda bilgisayar programlama kodu aracılığıyla yürütülen bir dizi kural olarak tanımlanabilir. En temel algoritmalar yalnızca önceden belirlenmiş bir talimat listesini yürütürken, bu talimatlar yine de onu programlayan kişinin görüşünü ve dolayısıyla kişinin kasıtlı veya kasıtsız önyargılarını yansıtır. Yapay zekâ sistemlerinde kullanılanlar gibi makine öğrenimi algoritmaları da hala insanlar tarafından geliştirilir ve kullanılır, ancak ek bir belirsizlik katmanı içerir. Sistem geliştikçe, kesin özellikleri onu geliştirenlerin bile anlayamayacağı şekilde karmaşık hale gelebilir.
Çarpıcı bir örnekte, araştırmacılar, bir sosyal medya platformunda cinsiyet ayrımı gözetmeyen bir STEM iş ilanının bile orantısız bir şekilde erkeklere gösterildiğini buldular; bunun nedeni açık bir hedefleme değil, platformun algoritmasının erkeklere reklam vermenin daha ucuz olduğunu “öğrenmesi” ve buna göre optimize etmesiydi.[iv]
İnsan kaynakları yöneticileri ne yapmalı?
İnsan kaynakları uygulamaları için kullanılan birçok yapay zekâ sisteminde, sistemler yüksek düzeyde özerklik ve otomasyonla çalışır ve bunları kullananlardan çok az şey gerektirir. İnsan kaynakları uzmanlarının işi esasen hazır, “kullanımı kolay”, önceden paketlenmiş teknolojiye devredilir. Ancak sorun burada yatmaktadır: Sistemler “kullanımı kolay” olabilir, ancak kullanıcılar ne kullandıklarını, nasıl çalıştığını veya sonuçların ne anlama geldiğini yeterince anlamazlar.
Bu eksikliği gidermek için İK yöneticilerinin yapay zeka sistemlerinin tasarımına, uygulanmasına ve denetimine katılması gerekmektedir. Ayrıca, işin nasıl yürütüldüğü ve değerlendirildiğiyle ilgili İK fonksiyonları (örneğin, iş planlaması ve performans yönetimi) için çalışanların kendilerinin de dahil edilmesi gereklidir. Bunun nasıl etkili bir şekilde yapıldığına dair örnekler mevcuttur. Büyük bir çokuluslu şirket, İK profesyonellerini de sürece dahil ederek iki yıl boyunca yapay zeka tabanlı bir işe alım sistemi geliştirdi ve sonunda açıklanabilir sonuçlar veren hibrit bir insan-yapay zeka modeli benimsedi.[v] Başka bir örnekte, bir telekomünikasyon firması, saha teknisyenleriyle birlikte bir planlama sistemi tasarladı ve bu da %10 verimlilik artışına ve ruh sağlığı kaynaklı devamsızlıklarda üçte birden fazla azalmaya yol açtı.[vi]
Yapay zekâ sistemlerinin tasarımına tüm paydaşların dahil edilmesi, yapay zekâ sistemlerinin üç temel unsurunu ele almanın bir yolunu sunar: amacın netleştirilmesi, kullanılan verilerin bu amaç ve bağlam için uygun, temsili ve şeffaf olmasının sağlanması ve programlamanın sistemin karşılaşması muhtemel çeşitli koşulları dikkate almasının sağlanması.
Bu tür anlamlı paydaş katılımı, geliştirme ve uygulama süresini uzatacak ve ayrıca İK profesyonellerinin yapay zekâ konusunda daha kapsamlı ve derin bir anlayış geliştirmelerini gerektirecektir. Bu yatırım hem gerekli hem de değerlidir.
https://www.ilo.org/resource/article/messy-business-managing-people-work-ai-solution