Geçen hafta paylaştığım makalede yapay zekayı organizasyona sorumlu biçimde yaygınlaştırma görevinin İK'da olduğunu yazmıştım. Hala aynı fikirdeyim. Bu işin bir yazılım kurulumu meselesi olmadığını, bir insan ve kültür meselesi olduğunu düşünüyorum ve bu görevi üstlenecek fonksiyonun önce kendisinin akıcı olması gerektiğini de.
Şimdi size madalyonun diğer yüzünü de göstermenin önemli olduğunu düşünüyorum.
Yapay zeka kullanımı yaygınlaşırken iki şey eş zamanlı gerçekleşmektedir. Bir yandan insan gücü ihtiyacı azalıyor; bu tarafı zaten konuşuyoruz, sayılarla, kadro planlarıyla, verimlilik hesaplarıyla. Öte yandan, çalışan insanların becerileri ise aynı seviyede kalmayıp düşüş gösterme eğilimine giriyor. Açıkçası, İkincisinin ne bir raporu var ne bir göstergesi.
Bu yazıda cevabını aradığım soru "Yapay zeka ile tam olarak hangi beceri eriyor, nasıl eriyor ve buna karşı ne yapabiliriz?"
Eski bir teknoloji vakasıyla devam edelim.
Finlandiya'da bir muhasebe firması, yıllardır kullandığı otomasyon sistemini mimarisinden çıkarma kararı aldı. Sistem kapandığında firma, muhasebecilerinin artık o sürecin temel işini yapamadığını gördü. Aalto Üniversitesi'nden bir araştırma ekibi bu vakayı yıllara yayarak inceledi ve bulgularını Bilişim Sistemleri Derneği'nin akademik dergisinde yayımladı.
Bu vakadaki sistem bugünkü anlamda bir yapay zeka değildi; kural tabanlı, sınırlı bir işi yapan bir otomasyon yazılımıydı. Vakayı buraya almamın sebebi de beceri erozyonunun yapay zekayla başlamadığını aktarmaktır; teknolojiye iş devrettiğimiz her yerde işleyen eski bir mekanizma. Yapay zekayı farklı kılan şey, aynı mekanizmanın artık çok daha geniş bir iş kümesinde ve çok daha akıllı ve hızlı çalışması. O firmada eriyen tek bir sürecin becerisiydi. Bugün konuştuğumuz şey, düşünerek yapılan işlerin neredeyse tamamı.
Bir de şu var: kayıp yaşandığı sırada bu net olarak farkedilmedi – fark edilememektedir. Sistem ortadan kalkınca ortaya çıktı. Bu ayrıntıya yazının sonunda döneceğim.
Erozyona uğrayan beceri hangisi?
Önce eriyeni tarif edelim, çünkü bu karıştırılabilen kavramlar olabilir.
Öncelikle; Eriyen şey "bilgi" değil. Bilgiyi zaten uzun zamandır kullandığımız araç ve gereçlerde tutuyoruz; kitapta, dosyada, telefonda. Artık bir şeyin formülünü hatırlamamak kimsenin sorunu olmadı.
Eriyen şey, işi "kendi elimizle yaparken kazandığımız türden bir beceri". Kavramı netleştirmek adına "bir problemi doğru çerçeveleyebilme, eksik bilgiyle bir karara varabilme, bir varsayımı test edebilme, dağınık parçalardan bir sentez kurabilme ve önünüze gelen bir çıktının iyi mi kötü mü olduğunu anlayabilme" olarak belirtebiliriz.
Bunların ortak özelliği, anlatılarak öğrenilememeleri. Kimse size muhakemeyi ders olarak veremiyor. Muhakeme şöyle kuruluyor: eksik bilgiyle bir karar veriyorsunuz, sonucunu görüyorsunuz, zihninizdeki modeli güncelliyorsunuz ve bir dahakine biraz daha isabetli karar veriyorsunuz. Yani tekrarla ve zorlanmayla.
Harold Jarche bu becerileri elle yapılan işler olarak tarif ediyor ve şöyle diyor:
"Anlamlandırma elle yapılan bir beceridir; çeşitli araçlarla desteklenebilir, ama en önemli araç zihnimizdir. Elle yapılan beceriler, insan becerileridir."
BCG'nin 70 üst düzey yöneticiyle yaptığı çalışma da aynı listeye varıyor. En yüksek erozyon riski taşıyan yetkinlik muhakeme ve karar alma; kurumsal performans için en kritik görülen yetkinlik ise problemi anlama ve çerçeveleme. Şirketin en çok ihtiyaç duyduğu beceriler ile en hızlı eriyen beceriler aynı sepette diyebiliriz.
Buna karşılık empati, aktif dinleme, merak ve liderlik etkisi görece korunaklı bölgede kalıyor. Yani insan ilişkisine ve bedensel deneyime dayanan beceriler ayakta duruyor.
Peki nasıl eriyor?
Jarche'nin kuralı basit: kullanmazsanız kaybedersiniz. "Bir zamanlar beceriyle yapılan bir süreci otomatikleştirin, o beceri geriler."
Mekanizmanın çalışma şekli aslında, Yukarıda saydığım beceriler, işi bizzat yaparken aktif kullanılıyordu. Bir analizi baştan sona kendiniz kurarken, bir raporun iskeletini sıfırdan çıkarırken, bir problemi parçalara ayırırken. Bugün yapay zekaya ilk devrettiğimiz işler de tam olarak bunlar. Yani en kolay devredilen iş ile beceriyi inşa eden iş aynı.
Bir analizi kendiniz yaptığınızda sıkılıyorsunuz, tıkanıyorsunuz, yanlış yoldan dönüyorsunuz ve bu sıkıntı dışarıdan verimsizlik gibi görünüyor. Oysa öğrenmenin gerçekleştiği yer orası. L&D alanında yazan Ross Stevenson, beceri erozyonu üzerine yazısında bunu şöyle anlatıyor:
"İnsanlar büyük ölçüde en az direnç gösteren yolu seçmek ve zorlanmak yerine anlık tatmini tercih etmek ister. Sorun şu ki gerçek öğrenme ve dolayısıyla gelişen performans, zorlukların içinden geçmekle ilgilidir. Zorlanmayı yaşamadan nasıl, ne ve neden sorularını öğrenmek gerçekten çok zor."
Burada görünmeyen tuzak; sürecin öğrenme gibi hissettirmesi. Yapay zeka ile çalışırken ekranda iyi bir çalışma sonucu ve çıktı görüyorsunuz, siz onu okuyor ve onaylıyorsunuz. Zihniniz bunu bir başarı olarak kaydediyor. Stevenson'ın bir yıl önceki yazısında koyduğu uyarı tam da bu: bir şeyi yapmayı öğrendiğimize kendimizi ikna etmek çok kolay, oysa işi yapan yapay zeka.
Aynı yazıdaki ikinci uyarı da önemli: yapay zeka bu becerileri tek başına almıyor, onu kullanma biçimimiz aslında onu yapılandırmaktadır. Bunu somutlaştırmak adına; Aynı araçla iki farklı şey yapılabilir. Birincisinde araca "bu raporu yaz" diyorsunuz, çıkanı okuyup düzeltiyorsunuz; bu kullanımda çerçeveleme, sentez ve karar adımlarının hepsi araçta kalıyor. İkincisinde önce kendi taslağınızı ve argümanınızı kuruyorsunuz, sonra araca "bunu güçlendir, zayıf yerlerini göster" diyorsunuz; bu kullanımda o adımlar sizde kalıyor, araç yalnızca hızlandırıyor. Aynı araç, aynı süre, iki farklı sonuç. Fark, aracın nasıl kullanıldığında saklı diyebilirim.
İkinci mekanizma, bu araçlara güvenin yavaşça artması. Hong Kong Üniversitesi İşletme Fakültesi'nden Yulin Fang'ın otomasyon yanlılığı olarak tarif ettiği eğilim: çıktının kalitesi yükseldikçe kullanıcı onu doğrulamak için gittikçe daha az çaba harcıyor. Aalto ekibinin modeli bunun kurumsal karşılığını da gösteriyor; artan güven rehavet ve konfor alanı yaratıyor, rehavet beceriyi ayakta tutan mekanizmaları gevşetiyor ve döngü kendini tekrar ediyor.
Üçüncüsü, kullanım biçiminin doğrusal olması. Görevi anlat, cevabı al, çıktıyı düzelt. BCG'nin tespitine göre bu kalıp muhakemeyi inşa eden bilişsel adımı tamamen boşa çıkarıyor. Görüşülen bir yöneticinin ifadesi net:
"Ekipler yapay zeka çıktısını 'yeterince iyi' saymaya başlıyor ve eleştirel düşünme adımını tamamen atlıyor. Zamanla kimse analizde açık aramıyor; hatalar ve kör noktalar fark edilmeden geçiyor."
Dördüncüsü ve belki en gizli ve sinsi yaklaşan mekanizma ise, kaybın gecikmeli görünmesi. Aalto'dan Esko Penttinen'in röportajında altını çizdiği nokta: sistem çalıştığı sürece ortada bir problem görünmüyor, çünkü iş yapılıyor ve çıktı geliyor. Erozyona uğrayan beceri, ancak sistem devreden çıktığında ya da alışılmışın dışında bir durum ortaya çıktığında görünür olmaktadır. O anda insanların işi kendi başına yapamadığı anlaşılıyor. Finlandiya vakasında da olan tam olarak buydu.
Penttinen'in aynı röportajdaki bir başka cümlesi, verimlilik argümanının zayıf halkasını gösteriyor. Otomasyonun klasik vaadi: sıkıcı işleri makineye verelim, insan daha katma değerli düşünme işine odaklansın. Penttinen bu vaadin eksik yerini işaret ediyor; o katma değerli düşünce, ayrıntıya girmeden edinilemiyor. Muhasebeci fatura verisiyle uğraşırken sürecin ince ayrıntılarına gömülüyor ve içgörü aslında bu ayrıntılara gömülmekte oluşuyor. Yani detaylarına hakim olmadığınız bir süreç ve beceri kapsamında katma değer de yaratamayabilirsiniz.
Peki ya bu beceriler gerçekten gereksizleşiyorsa?
Buraya kadar tek bakış açısından yazdım. Ama karşı tarafın da bakış açısını incelememiz araştırma ve ortaya koyduğum yaklaşımı desteklemek adına önemli olacaktır, çünkü ciddiye alınmayı hak ediyor.
Hesap makinesi yaygınlaştığında da benzer şeyler söylendi. Bugün kimse dört işlemi elde yapabilme becerisinin kaybına yas tutmuyor. Navigasyon çıktı, harita okuma öldü; bunun bir maliyeti olduğunu düşünen pek yok. Her nesil bir beceriyi bıraktı ve dünya daha kötü bir yer olmadı. Belki muhakeme de böyle olacak; belki on yıl sonra "analizini kendin kur" demek, bugün "logaritma cetvelini kendin kullan" demek gibi tuhaf duracak.
Bu ihtimali yok saymıyorum. Ama üç noktada farklı olduğunu düşünüyorum.
Önceki araçlar tek bir işi devralıyordu ve sınırı belliydi. Hesap makinesi çarpmayı yapar, neyi neyle çarpacağınıza siz karar verirdiniz. Bugünkü araç o karar adımını da alabiliyor; devrettiğiniz şey işlem olmaktan çıkıp muhakemenin kendisi haline gelmektedir.
Önceki araçlarda çıktıyı kontrol edecek zemin elinizdeydi. Hesap makinesi yanlış sonuç vermezdi. YZ Modelleri verebilir ve o yanlışı fark edebilmek için tam da erimekte olan beceri gerekecektir. Burası kapalı bir döngü gibi gözüküyor, değil mi?
Kontrol için gereken şey, kontrol etmediğiniz için eriyor.
Üçüncüsü Penttinen'in kendi sorusu.
"Hangi beceri korunmalı, hangisi bırakılabilir?" Bu çizgiyi bugünden çekmek zor, çünkü bugün gereksiz görünen bir yetkinlik ortam değiştiğinde kritik hale gelebiliyor. Hesap makinesinde bahsin bedeli düşüktü; burada bahsin konusu şirketin karar kalitesi.
Bir de şunu söylemem lazım, bu alandaki kanıt henüz erken dönem kanıtı, on yıllık izleme verisi kimsede yok. Elimizde bir vaka incelemesi, bir saha deneyi, bir laboratuvar çalışması ve bir yönetici anketi var. Yöntemleri birbirinden bağımsız ve hepsi aynı yöne işaret ediyor. Kesin hüküm için yeterli olmasa da, bir risk değerlendirmesi için fazlasıyla yeterli.
Türkiye'deki bir lisede yapılan deney
Şimdiye kadar anlattığım her şeyi tek bir deney ölçmüş durumda ve deneyin Türkiye'de yapılmış olması bence ayrıca dikkat çekici.
Pennsylvania Üniversitesi ve The Wharton School'dan bir araştırma ekibi, Türkiye'deki bir lisede yaklaşık bin matematik öğrencisiyle kontrollü bir deney yürütmüş. Elimizde 3 grup var:
Birinci grup, GPT Base adı verilen ve ChatGPT'ye benzeyen bir arayüz kullanmış; bu arayüz çözüm adımlarını ve cevabı doğrudan vermekte. İkinci grup, GPT Tutor adı verilen ve öğretmen girdisiyle sınırlandırılmış bir arayüz kullanmış; bu arayüz her kritik adımda yalnızca ipucu vermekte, ama cevabı vermiyor. Üçüncü grup ise kontrol grubu; hiçbir yapay zeka aracı kullanmamış, yalnızca ders kitabı ve notlarla çalışmış.
Alıştırma seansında ipucu grubu kontrol grubundan %127, cevap grubu %48 daha iyi performans göstermiş. Buraya kadar iki grup da kazançlı görünüyor.
Dikkat çekici sonuçların göründüğü diğer araştırmada, Yapay zeka olmadan girilen sınavda cevap grubu, hiç yapay zeka kullanmamış kontrol grubundan %17 daha kötü performans göstermiş. İpucu grubu ise sınavda kontrol grubuyla aynı seviyede kalmış; yani olumsuz etki ortadan kalkmış.
Bu sonuçlar üzerinde biraz durmak isterim. Aynı okul, aynı ders, benzer öğrenciler ve aynı temel model. Değişen tek şey, aracın cevabı verip vermemesi. Cevabı alan grup alıştırma sırasında iyi görünüyor ve tek başına kaldığında hiç yapay zeka kullanmamış olmaktan daha kötü duruma düşmüş.
Araştırmanın bir başka bulgusu, yukarıda anlattığım tuzağı doğrulamaktadır: yapay zeka kullanan öğrenciler kendi öğrenme düzeyleri konusunda fazla iyimserdi. Yani yalnızca daha az öğrenmiyorlar; daha çok öğrendiklerini sanıyorlardı.
Bunun bir kurumdaki karşılığını düşünün. Aynı ekipte iki analist var. Biri raporu modele yazdırıp üstünden geçiyor, diğeri önce kendi taslağını kurup sonra modele geliştiriyor. O çeyrek dönemin sonunda ikisinin çıktısı arasında fark olmadığını söyleyebiliriz; ikisi de işi zamanında ve düzgün teslim etmiş. Ama 2 yıl sonra aralarında ciddi bir fark oluştuğunu görürken o farkı hiçbir performans aracı göstermeyecektir. Çünkü performans formu çıktıya bakıyor, çıktı ise ilk günden beri aynı kalmaktadır.
Mesuliyet nerede?
Aalto araştırmasının özetinde geçen şu cümle, bence tartışmanın merkezinde duruyor:
"Gereksizleşen becerilerin erimesini kabul etmek, teknolojinin faydalarını almak için gereklidir. Ancak temel insan uzmanlığının erimesi, çalışanlar yeterince anlamadıkları işlerden sorumlu tutulmaya devam ediyorsa sorunludur; otomasyon başarısız olduğunda karşılık verebilecek durumda kalmazlar."
Bu cümledeki denge önemli. İş devredilir, mesuliyet devredilmez. Çıktının altında hala sizin adınız duruyor; onu üretme beceriniz ise yavaştan eriyor.
Stevenson aynı meseleyi bireysel tarafından şöyle soruyor:
"Peki ya kaybetme sebebiniz yapay zekanın işinizi sizden daha iyi yapması olmazsa? Ya size verdiği geçici güce fazla yaslandığınız için kaybederseniz? O zaman kendi sonunuzun mimarı siz olursunuz."
Kimse bir sabah kalkıp muhakemesini devretmeye karar vermiyor. Bir taslağı YZ aracına yazdırmak, bir analizi doğrulamadan geçmek, bir sunumun akışını modele kurdurmak vb gibi… Stevenson'ın hatırlattığı gibi hayat bir dizi ödünleşmeden ibaret; bir şeye evet derken başka bir şeye hayır demiş olursunuz. Tek tek bakıldığında hiçbiri bir karar gibi durmuyor. Yüzlerce kez tekrarlandığında bir kariyerin yönünü belirliyor.
BCG'nin görüştüğü bir yöneticinin gözlemi, mesuliyetin nasıl kaydığını iyi anlatıyor:
"Çalışanların sahiplenme duygusunun düştüğünü görebiliyorum. Sonuç olumlu olmazsa, sorumluluk yapay zekaya yükleniyor."
Peki bunun bireysel karşılığı ne olur? Üç yere bence dikkat etmemiz lazım:
Birincisi, iş alışılmışın dışına çıktığı anda. Standart durumlarda araç yeterli sonuç verirken beklenmedik bir durumda ise cevabı kimse veremiyor ve sorumlu olarak sizin adınızın kalması.
İkincisi, kariyer ilerledikçe. Kıdem arttıkça sizden beklenen iş değişiyor; artık kendiniz çıktı üretmekten ziyade ekibinizin ürettiği çıktının doğru olup olmadığını değerlendirirsiniz. Bir işin doğru yapılıp yapılmadığını anlayabilmek için ise o işi bir zamanlar kendi elinizle yapmış olmanız gerekir. O tecrübe yoksa, yönetici olarak neyi onayladığınızdan emin olamazsınız.
Üçüncüsü, piyasa değerinde. Stevenson'ın kullandığı benzetme burada çok anlaşılır olur: yapay zeka size bir dış iskelet veriyor, onu giydiğinizde normalde yapamayacağınız işleri yaparsınız oysa ki aynı dış iskelet herkeste var ve çıkardığınızda kendi bedeninizle kalırsınız. Herkesin aynı araca eriştiği bir piyasada sizi ayıran şey, aracın üretemediği muhakeme ve deneyim – tecrübe olacaktır.
Üçünün ortak tarafı, bedelin çok sonra ödenmesi. Bugün bir işi araca devrederken kazandığınız şey somut ve anında: birkaç saat zaman. Kaybettiğiniz şey ise soyut ve çok yavaş biriken bir tecrübe. Aradaki mesafe yıllarla ölçülebilir ve bu süre boyunca hiçbir uyarı almazsınız. Fark ettiğinizde ise kaybı telafi etmek, ilk baştan öğrenmekten daha uzun sürecektir.
Önce kapsamı daraltalım
Buraya kadar okuyunca yanlış bir çıkarım yapılabilir: yapay zekada kısıtlayıcı olun ya da yavaşlayın gibi anlaşılabilir ama benim amacım biraz bunun uzağında.
Bir şirkette yüzlerce farklı iş var ve büyük bölümü tekrar eden, kuralı belli, muhakeme kurmayan işler. Fatura eşleştirme, veri girişi, rutin raporlama, format düzeltme. Buralarda sonuna kadar hızlanın; erozyon tartışmasının oraya bir katkısı bence yok. Korunması gereken küçük bir küme; belki her on işten biri. Stratejik bir kararın nasıl kurulduğu, bir sorunun kök nedeninin nasıl bulunduğu, bir analizin hangi varsayıma dayandığı. Bundan sonraki her öneri o alanda uygulanır.
Bence çoğu şirketin bugünkü asıl sorunu, bu ayrımı hiç yapmamış olmak. Ayrım yoksa iki uçtan birine savrulursunuz: ya her yerde temkinli davranıp hızdan oluyorsunuz, ya hiçbir yerde soru sormayıp erozyona açık kalıyorsunuz.
Ayrımı yapmak, bu yazıdaki en uygun maliyetli hamle.
Birey olarak ne yapabiliriz?
Kendi cevabınızı önce yazın. YZ Modeline sormadan önce iki dakika ayırıp kendi hipotezinizi not edin, sonra çıktıyla karşılaştırın ve farkın nereden geldiğini kendinize açıklayın. Frankfurt'ta radyoloji uzmanlarıyla yapılan bir çalışma, yapay zeka desteğiyle çalışan hekimlerin kendi teşhisleriyle sistemin çıktısını karşılaştırırken bir düşünme süreci yaşadığını ve bunun mesleki birikimi güçlendirdiğini göstermiş.
Cevap yerine ipucu isteyin. Lise deneyinin bireysel karşılığı bu. Modelden hazır çözümü istemek yerine bir sonraki adımı sorun, kendi yolunuzu kurun, tıkandığınızda tekrar sorun. Aynı araç, iki farklı sonuç.
Aracı bir eleştirmen gibi kullanın. Çoğumuz modelden daha iyi bir çözüm istiyoruz. BCG'nin derlediği tekniklerden biri bunun tersini öneriyor: modelden çözümü çürütmesini isteyin. "Bu yaklaşım hangi durumda başarısız olur?", "Bu analizin en zayıf varsayımı hangisi?", "Bu fikrin çalışmayacağını savun" gibi sorular, düz bir istemde hiç görünmeyen kırılma noktalarını ortaya çıkarır. Buradaki fikir: "YZ aracını size cevap veren bir uzman gibi değil, sizi zorlayan bir muhalif gibi konumlandırın". Cevabı yine siz üretirsiniz, ama daha sağlam üretirsiniz.
Sahipliğinizi test edin. MIT Media Lab'in katılımcıları EEG ile izlediği bir deneyde, büyük dil modeli (LLM) kullanan grup dört ay boyunca nörolojik, dilsel ve puanlama düzeylerinde araç kullanmayan gruptan geride kaldı. Araştırmanın sonucuna göre; bu gruptakiler, birkaç dakika önce kendi yazdıkları metinden alıntı yapmakta zorlandılar. Kendinizi böyle bir teste tabi tutabilirsiniz. Teslim ettiğiniz bir metni kapatıp ana argümanını kendi cümlelerinizle anlatabiliyor musunuz? Anlatamıyorsanız o işe henüz hakim olmamışsınız demektir.
Yapay zeka kullanmadığınız bir blok koruyun. Haftada bir kez, sentez gerektiren bir işi baştan sona kendiniz yapın. Kasın çalıştığı bir yer olmazsa, kasın hala var olup olmadığını da bilemezsiniz.
Şirketler neye dikkat etmeli?
Bireysel disiplin tek başına yetmez, çünkü organizasyon bunun tersini teşvik ederse disiplin kalıcı ve uzun ömürlü olmaz. BCG'nin araştırmasında her on şirketten yalnızca birinin bu konuda bir stratejisi var. İK'nın bu konuda odağa alması gereken yedi başlık olacaktır.
Yetkinlik mimarisi. Yetkinlik setlerinin erozyon riskine göre yeniden tasarlanması gerekir. Davranış göstergesi düzeyinde de öyle: "karmaşık problemleri analiz eder" ifadesi bugün hem gerçekten analiz yapanı hem çıktıyı kopyalayanı aynı hizaya taşıyor. Gözlenebilir bir alternatif, çıktının varsayımlarını sorgulama ve gerektiğinde kendi çerçevesini üretme davranışını tarif etmeli. Bir sonraki güncellemeyi beklemeden, mevcut sözlükte hangi maddenin açıkta olduğunu işaretleyerek başlanabilir.
Mentorluk. Gartner'ın yapay zekaya kilitlenme üzerine yayınladığı analize göre 2028'de yeni bir role geçen çalışanların %40'ı yapay zeka tarafından eğitilecek ve koçlanacak; bugün bu oran %5'in altında. Hızlı onboarding vaadinin karşılığı, deneyimli meslektaştan öğrenme fırsatının azalması. Salesforce'un yazılımdaki eşli programlama fikrinden uyarladığı yapı basit bir panzehir sunmaktadır: araçları rahat kullananla çekingen olanı aynı işte eşleştirmek. Ölçmek isteyen için bir gösterge de var; bir junior çalışan ayda kaç saatini kıdemli biriyle aynı iş üzerinde geçiriyor?
Performans yönetimi. Fransa'nın veri koruma kurumu CNIL'de yöneticiler, çalışanları yapay zeka çıktısına itiraz edebilme becerisi üzerinden değerlendirmekte; aracı kullanabilmek tek başına bir gösterge değil. Küçük bir değişiklik gibi görünüyor, oysa organizasyonda kültür oluşturacak bir uygulama: burada sorgulamak işin bir parçası. Sistemin bir de ayırt etme sorunu var. Yapay zeka ortalama bir çalışanın çıktısını iyi çalışanın seviyesine yaklaştırdığı için, herkesin performansı birbirine benzeyebilir ve gerçek kabiliyet farkı değerlendirme formunda görünmez. Bu yüzden ölçümün, teslim edilen işin yanına o işin nasıl üretildiğini de koyması gerekiyor.
Yetenek yönetimi ve norm kadro. BCG'nin çalışmasında yöneticilerin %53'ü junior yeteneğin gelişiminin yavaşladığını söylüyor. Kariyer merdiveninin ilk basamağı hep aynı işlerden oluşurdu: araştırma, taslak, veri temizleme, problemi parçalara ayırma. Muhakemeyi inşa eden tekrarlar tam olarak bunlardı ve bu basamak artık YZ'e devredildi. Bir rolü kaldırdığınızda yalnızca bir maliyet kalemi kalkmaz; o rolün beslediği bir sonraki rolün yetişme zemini de kalkar. Norm kadro çalışmalarında sorulacak ek soru: bu rolü kaldırırsak, bir üstündeki rolü kim yedekleyecek – kim yetişecek?
Eğitim ve gelişim. Sertifikasyon oranları yükselirken kabiliyetin yükseldiğine dair bir kanıt gözünmüyor. Aalto ekibinin önerdiği yaklaşım otomasyonsuz öğrenme ortamları kurmak, çalışanların karmaşık vakaları birlikte çözdüğü düzenli atölyeler yapmak ve çıktıyı gerekçelendirmeye zorlayan periyodik denetimler koymak yönünde. Bir Hint bankası bunu her ayın ilk cuması tüm fonksiyonlarda yaptığı araçsız oturumla uyguluyor. Bazı şirketler ise eğitim modüllerine kasıtlı halüsinasyonlar ve tuzak sorular yerleştiriyor; kontrollü koşullarda hatayla karşılaşan çalışan, çıktıyı sorgulama refleksini doğrudan kazanıyor.
İşe alım ve seçme. Eğer erozyon bir risk ise, girişte ölçtüğümüz şeyin de değişmesi gerekir. Adayın araca ne kadar hakim olduğu artık kolay ayrışan bir kriter olmaktan çıkmıştır. Ayrıştıran şey, önüne konan bir çıktıyı değerlendirebilmesi ve problemi kendi başına çerçeveleyebilmesi. Vaka mülakatlarını buna göre kurmak mümkün; adaya hazır bir yapay zeka analizi verip içindeki hatalı varsayımı bulmasını istemek, klasik problem çözme sorusundan daha çok şey söyler.
İş tasarımı. Bu başlık genellikle İK'nın gündemine geç giriyor, ve bana kalırsa bu en belirleyicisi. Hangi işin araca, hangisinin insana kalacağı kararı bir kez verildiğinde, geri kalan her şey onun üzerine kurulur. Buradaki kural, muhakeme kuran iş dizilerini insanda tutmak. Yapay zeka aracıları artık çok adımlı işleri baştan sona yapabildiği için, beceriyi inşa eden döngüler farkında olmadan sıkışıp yok olabilir. İş akışı tasarlanırken verimliliğin yanına ikinci bir kriter koymak gerekiyor: bu akış, insanı hangi noktada düşünmeye zorluyor?
Bilgi yönetimi. Kurumsal hafızanın büyük bölümü hiçbir zaman yazıya dökülmedi; kıdemliden kıdemsize, iş yapılırken aktarıldı. BCG'nin görüştüğü yöneticilerin üçte biri mentorluk ve bilgi paylaşımında düşüş bildirmiş; çalışanlar meslektaşına danışmak yerine doğrudan YZ modeline gidiyor. Bu kanal daraldıkça şirkete özgü bilgi de erimeye başlayacaktır. Model size sektörün genel doğrusunu söyler, sizin şirketinizde neyin neden farklı yapıldığını söylemez.
Sona yaklaşırken.
Başladığım yere dönmem gerekirse, Yapay zekayı organizasyona yerleştirme görevinin İK'da olduğunu düşünüyorum. Bu yazıdan sonra buna bir cümle daha eklemek isterim: o görevin içinde yalnızca yaygınlaştırmak yok. Neyin eridiğini bilmek, nerede erimeye başlayacağını önceden görmek ve daha erimeden önlemini almak da var.
BCG'nin raporundaki bu ifade bence yazıyı da özetler gibi;
"İnsan becerileri sabit bir varlık değildir. Kullanılmadığında körelen, bilinçli pratikle büyüyen yenilenebilir bir kaynaktır."
Bunu en iyi anlatan örnek bence yabancı dil. Bir dili öğrenirsiniz, akıcı konuşursunuz, o dilde düşünürsünüz. Sonra birkaç yıl kullanmazsınız. Dili yapı olarak unutmazsınız kelimeleri hatırlarsınız ve grameri de hatırlarsınız ama o eski akıcılığın olmadığını ve dilediğiniz gibi anlatamadığınızın farkına varırsınız; Cümle kurarken duraksarsınız, aklınıza gelen kelime geç gelir, konuşurken yorulursunuz. Kimse size "dilini kaybettin" demez, siz de bir günde fark etmezsiniz. Tekrar konuşmak zorunda kaldığınız gün anlarsınız.
Muhakeme de böyle. Kullanılmadığında kaybolmuyor, körelmeye başlıyor. Ve o körelmeyi ancak ihtiyaç duyduğunuz gün fark ediyorsunuz.
Burada dikkatli olmamız gereken yer, tükenişi tükenirken görebilmek. Bunun için karmaşık bir sisteme gerek yok; bugün, hiçbir bütçe harcamadan bakabileceğiniz üç şey var.
Araçsız yapılabilirlik. En kritik beş sürecinizi seçin ve her birinin yöneticisine tek soru sorun: bu işi baştan sona, yapay zeka olmadan yapabilecek kaç kişimiz var? Cevap iki kişinin altındaysa orada bir kırılganlık var. Aynı soruyu her yıl tekrarlarsanız elinizde bir trend olur.
Junior maruziyeti. Bir junior çalışan ayda kaç saatini kıdemli biriyle aynı iş üzerinde geçiriyor? Bu sayı düşüyorsa, muhakemenin aktarıldığı kanal zayıflıyor demektir.
Kalibrasyonda tek soru. Bir sonraki kalibrasyon oturumunuza şunu ekleyin: bu sonucu üretirken hangi muhakemeyi ve kontrol noktasını kendisi kurdu? Yöneticilerin bu soruya cevap verebilme oranı, sistemin bugün ne gördüğünü söyler.
Üçü de mükemmel ölçüm sayılmaz. Ama hiç ölçmemekten iyi ve üçü de en kısa sürede devreye alınabilir.
Daha bütünsel bir başlangıç arıyorsanız, IC Consulting'in İK Dijital ve YZ Check-Up çalışması mevcut yetkinlik, performans ve gelişim sistemlerinizin bu riski görüp göremediğine dair bir rapor alabilir ve benimle değerlendirme görüşmesi planlayabilirsiniz.