İK için Yapay Zeka: İnsan Kaynaklarını Güçlendirmek İçin Kapsamlı Kılavuz

İK işini hızlandırmak için mi yapay zeka kullanıyorsunuz, yoksa asla tek başına vermemesi gereken kararları bir algoritmaya mı devrediyorsunuz? İşte tam da burada İK için Yapay Zeka tartışması ciddileşiyor. İtalyan KOBİ'lerinde sorun, yapay zekanın faydalı olup olmadığını anlamak değil. Zaten faydalı. Sorun, nerede gerçek değer yarattığını ve nerede belirsizlik, önyargı ve yasal riskler doğurduğunu anlamak.

Bir girişimci olarak, en zahmetli adımları otomatikleştirmenin ne kadar cazip olduğunu gördüm. Okumanız gereken yüzlerce özgeçmiş, özetlemeniz gereken şirket içi anketler ya da tatil ve şirket politikaları hakkında sürekli aynı soruları soran çalışanlarınız varsa, yapay zeka size hemen zaman kazandırır. Ancak bunun diğer yönünü de gördüm. Bir model tarafından üretilen bir uyumluluk puanı objektif görünür ve tam da bu nedenle, açıkça öznel olan bir insan değerlendirmesinden daha tehlikeli olabilir.

Doğru okuma “evet AI” ya da “hayır AI” değildir. Otomasyon ile insan sorumluluğu arasındaki doğru dengeyi bulmaktır. KOBİ'ler için çok pratik bir bakış açısı isteyenlere AI in HR for SMEs yazısını da öneririm.

Giriş

Doğru soru, yapay zekanın İK'ya yardımcı olup olamayacağı değildir. Doğru soru, süreci çarpıtmadan gerçekten bir sonraki yeteneğinizi seçip seçemeyeceğidir.

Somut olarak, günümüzde yapay zeka halihazırda özgeçmiş taramaları, şirket içi sohbet robotları, anket analizleri, işe alım süreçleri ve belge oluşturma gibi alanlarda kullanılmaktadır. Bu teknoloji, özellikle iş yükünün yüksek olduğu ve hızın anında değer kazandığı durumlarda oldukça yararlıdır. Ancak insan kaynakları alanında her seçim, gerçek kişileri, gerçek kariyerleri ve gerçek hakları ilgilendirir. Bu nedenle, yapay zekanın benimsenmesi, e-posta yazmak veya toplantı özetleri hazırlamak için bir yardımcı kullanmaya başlarken uygulanan yaklaşımdan farklı bir disiplinle ele alınmalıdır.

Verimlilik önemlidir. Ancak insanlarla ilgili kararlarda hızlı olmak yeterli değildir.

İtalyan pazarında bu konu daha da hassastır. GDPR ve Avrupa Yapay Zeka Yasası, otomatik bir sistem işe alım, değerlendirme ve personel yönetimini etkilediğinde hata payını ciddi şekilde daraltır. İK için Yapay Zeka'yı değerlendiriyorsanız, size basit bir kural gerekiyor: mekanik işi otomatikleştirin, karar verme işini insan elinde tutun.

Günümüzde yapay zeka insan kaynakları alanında gerçekte ne gibi bir rol oynuyor?

İnsan kaynakları alanında yapay zeka, bilim kurgu değildir. Zaten günlük işlerin bir parçasıdır. Günümüzde birçok şirket, tekrarlayan işleri hafifletmek, süreçleri hızlandırmak ve İK ekibine bağlam ve muhakeme gerektiren işlere daha fazla zaman ayırmak için yapay zekayı kullanmaktadır.

Yomly'nin İK fonksiyonlarında yapay zeka benimsenmesi üzerine verilerine göre, şirketlerin %44'ü işe alım süreçlerinde yapay zekayı zaten kullanıyor. Yapay zeka araçları işe alım süresini yaklaşık %50 oranında azaltabilir ve tekrarlayan görevlerin neredeyse %40'ını otomatikleştirebilir.

İşe alım ve ilk eleme

En yaygın kullanım örneği, adayların ilk eleme aşamasıdır. Bir LLM, özgeçmişleri ve iş tanımlarını okur, becerileri, deneyimleri ve anlamsal ipuçlarını karşılaştırır, ardından sıralı bir aday listesi oluşturur.

Uygulamada, rol yeterince standartlaştırılmış olduğunda bu yöntem iyi sonuç verir. Aklıma idari pozisyonlar, müşteri desteği, iç satış ve tanımlanmış bir yazılım yığınına sahip yazılım geliştirme gibi profiller geliyor. Gereksinimleri iyi bir şekilde tanımlarsanız, bu model ilk aşamayı büyük ölçüde hızlandırır.

Özgeçmişten çıkarılması zor unsurlar söz konusu olduğunda bu yöntem o kadar iyi sonuç vermez.

• Doğrusal olmayan deneyimler çok önemli olsalar bile cezalandırılabilir.
• Özerklik, liderlik veya uyum sağlama gibi yumuşak beceriler otomatik olarak değerlendirilmesi zor kalmaya devam eder.
• Şirket kültürüyle uyum basit bir metin analizinden neredeyse hiç ortaya çıkmaz.

Pratik kural: 500 özgeçmişten daha yönetilebilir bir listeye geçmek için yapay zekayı kullanın. Kim son mülakatı hak ediyor kararını tek başına vermesi için kullanmayın.

Çalışanlara destek ve İK operasyonları

İkinci kullanım örneği daha az göze çarpan ama genellikle daha faydalı olanıdır. İK ekipleri zamanlarının büyük bir kısmını tekrarlayan taleplere harcıyor. Tommaso Maria Ricci'nin İK'da yapay zeka üzerine analizine göre, İK ekipleri zamanlarının %40 ile %60'ını izin, bordro ve şirket politikaları gibi taleplere ayırıyor. İK chatbot'ları daha stratejik faaliyetler için günde 2-3 saate kadar zaman kazandırabilir.

Burada değer hemen ortaya çıkıyor. Şirket içi bir chatbot, kalan izin günleri, belgeler, prosedürler, masraf raporları, yönetmelikler ve idari oryantasyon ile ilgili soruları yanıtlıyor. Bunun avantajı sadece İK ekibinin zaman kazanması değil; aynı zamanda, e-posta beklemek yerine hızlı bir yanıt alan çalışanın deneyim kalitesidir.

Anket, işe alım süreci ve yetkinlik haritalama

Yapay zekanın gerçekten şaşırtıcı olduğu alan, uzun ve dağınık metinlerin analizidir. Şirket içi anketler bunun mükemmel bir örneğidir. Model, yüzlerce açık uçlu yanıtı manuel olarak okumak yerine, tekrarlanan temaları, duygusal eğilimleri, ortaya çıkan sorunları ve daha derinlemesine incelenmesi gereken kalıpları tespit eder.

KOBİ’lerde en yararlı bulduğum uygulamalar şunlardır:

1. İş tanımları ve politikalar
   Yapay zeka tutarlı bir ilk taslak oluşturur, İK ekibi de bunu hukuki ve kültürel açıdan düzeltir.
2. Kişiselleştirilmiş işe alım süreci (onboarding)
   İçerikleri, materyalleri ve sıralamaları role veya departmana göre uyarlayabilir.
3. Yetkinlik haritalama
   Özellikle veriler özgeçmişler, değerlendirmeler ve yönetici notları arasında dağınık olduğunda, mevcut yetkinlikleri ve eğitim açıklarını haritalamaya yardımcı olur.
4. İklim analizi
   Yapılandırılmamış metni, nerede müdahale edileceğini anlamak için faydalı sinyallere dönüştürür.

Genel amaçlı modeller ile dikey modeller arasında da giderek artan bir ayrım söz konusudur. Dikey tarafta, Wisq, HRLM’yi İK’ya özgü bir model olarak geliştirmiştir. Genel amaçlı tarafta ise GPT, Claude ve Gemini, iyi tasarlanmış komutlarla birçok şirkette İK’nın operasyonel görevleri için halihazırda kullanılmaktadır. Ancak aradaki fark sadece çıktının kalitesinde değil, yönetişimde yatmaktadır.

Optimum noktayı bulmak için yapay zekanın Laffer eğrisi

İK alanında yapay zekayı benimsemenin en kötü yolu, mutlak kategorilerle düşünmektir. Otomasyonun hiç olmaması, yavaş süreçlere, operasyonel iş yüküne ve eksik bilgilere dayalı kararların alınmasına yol açar. Tam otomasyon ise sizi tam tersi bir hataya sürükler: insanları ve adayları sınıflandırılması gereken biletler gibi ele almak.

Aşırılıklar sorunu

Laffer eğrisi metaforu burada da işe yarıyor. Başlangıçta, yapay zeka benimsemesinin her noktası verimlilik yaratır. İç SSS'leri, belge ilk taslaklarını, metin analizini, ön özgeçmiş sıralamasını otomatikleştirirsiniz. Değer artar.

Sonra bir eşik noktası gelir. Algoritmaya giderek daha hassas görevler vermeye devam ederseniz, değer düşmeye başlar. Bunun nedeni modelin işe yaramaz olması değil, riskin faydaya göre daha hızlı artmasıdır.

Workday'in İK'da yapay zeka üzerine genel bakışına göre, benimsemenin başlıca nedenleri karar verme sürecinin iyileştirilmesi (%41), tekrarlayan süreçlerin otomasyonu (%35) ve elde tutma ve çalışan deneyiminin iyileştirilmesi (%32)'dir. Bu veriler, yapay zekanın İK'yı neden bu kadar cezbettiğini iyi açıklıyor. Ama nerede durulması gerektiğini söylemiyorlar. Tartışmalarda çoğunlukla eksik olan nokta da tam olarak bu.

Maksimum değer İK ekibinin yerini almakta değildir. Doğru işler üzerinde onu daha net görüşlü ve daha hızlı yapmaktadır.

Küçük ve orta ölçekli işletmenizde imleci nasıl konumlandırabilirsiniz?

En uygun noktayı bulmak için mekanik görevler ile karar verme görevleri arasında basit bir ayrım kullanıyorum.

KOBİ'niz varsa, en uygun nokta genellikle teknik değildir. Organizasyoneldir. AI'nin nerede önerdiğini, nerede sıraladığını, nerede özetlediğini ve nerede karar vermemesi gerektiğini net bir şekilde belirlemelisiniz.

Üç soru bu konuda çok yardımcı olur:

• Hata geri döndürülebilir mi? Bir SSS'de hata yaparsanız, düzeltirsiniz. Doğru adayı elerseniz, zarar kalıcıdır.
• Görev tekrarlayan mı? Ne kadar tekrarlayan olursa, AI o kadar iyi performans gösterme eğilimindedir.
• Karar bir kişinin haklarını veya kariyerini etkiliyor mu? Evet ise, insan müdahalesi opsiyonel değildir.

Önyargı, gizlilik ve yasal uyumluluk arasında gizli riskler

İK için AI'nin en tehlikeli yanı teknoloji değildir. Sahte tarafsızlık aurasıdır. Bir işe alım uzmanı bir adayı değerlendirdiğinde, herkes bu değerlendirmenin bir miktar öznellik içerdiğini bilir. Bir sistem puan atadığında, birçok kişi soru sormayı bırakır.

Nesnel algoritma efsanesi

Bu, algoritmik önyargı sorununun merkezidir. Bir sistemi geçmiş işe alım verileri üzerinde eğitir veya yapılandırırsanız, sistem verilerde zaten var olan mantıkları tekrarlama eğilimindedir. Şirket geçmişi belirli profilleri kayırıp diğerlerini cezalandırdıysa, algoritma aynı şeyi daha hızlı ve daha az görünür bir şekilde yapabilir.

Amazon örneği tam da bu nedenle sembolik bir hale geldi. Şirket, kadın adayları dezavantajlı duruma düşüren bir özgeçmiş tarama sistemini geri çekmek zorunda kaldı. Bu, sıradan bir istisna değildir. Geçmişi liyakat modeli olarak kullanan bir yaklaşımın öngörülebilir bir sonucudur.

İtalya'da tablo hiç de rahatlatıcı değil. Electe tarafından bu konuda yayınlanan verilere göre, AI sistemlerine sahip İK şirketlerinin sadece %12'si sistematik önyargı denetimleri uygulamış.

Veriler, kriterler veya organizasyonel bağlam çarpık kaldığı sürece, daha iyi bir model sorunu ortadan kaldırmaz.

İtalya bağlamında GDPR ve AI Act

Avrupa’da faaliyet gösterenler için bu sadece etik bir mesele değildir. Bu bir hukuk meselesidir. GDPR’nin 22. maddesi, adaylara, kendileri üzerinde önemli etkiler doğuran ve yalnızca otomatik işleme dayalı kararlara tabi tutulmama hakkını tanır. İK kararları, bu hassas alana tam olarak girer.

Ayrıca, Avrupa AI Yasası işe alım ve personel yönetimini yüksek riskli kullanımlar arasına yerleştiriyor. Bu, bireysel üretkenlik için genel bir AI kullanımına kıyasla çok daha katı belgeleme, şeffaflık, kontrol ve risk yönetimi yükümlülükleri anlamına gelir.

Bir İtalyan şirketi için pratik sonuçlar açıktır:

• İşe alım, terfi veya eleme kararlarını tek başına vermesi için kara kutular kullanmayın.
• Süreçteki insan rolünü belgeleyin.
• Kişisel verilerin işlenmesini ve hukuki dayanağı değerlendirin.
• Sistem üzerinde yapılan kontrolleri ve kullanılan kriterleri kaydedin.

Bu konularda ciddi şekilde çalışanların şirketlerin AI Yasası'na uyumu konusunu da derinlemesine incelemesi gerekir.

Genel amaçlı araçlar ve dikey modeller: Hangisini seçmeli?

Pazar, birbirinden çok farklı iki gruba ayrılıyor. Bir tarafta GPT, Claude ve Gemini gibi genel amaçlı LLM'ler var. Diğer tarafta ise Wisq'in HRLM'si gibi özellikle insan kaynakları için tasarlanmış dikey modeller geliyor.

Genel amaçlı bir LLM'nin yeterli olduğu durumlar

Bir KOBİ için genellikle genel amaçlı bir model yeterlidir. Eğer şunlara ihtiyacınız varsa:

• bir iş tanımı taslağı oluşturmak,
• açık uçlu geri bildirimleri özetlemek,
• dahili SSS'ler oluşturmak,
• özgeçmişlerin ilk sıralamasını yapmak,
• işe alım sürecini ve dahili iletişimleri desteklemek,

İyi yazılmış komutlarla donatılmış iyi bir LLM, oldukça iyi sonuçlar verebilir.

Bunun avantajı pratikliktir. Hemen başlayabilirsiniz, daha az harcama yaparsınız ve hızlı bir şekilde test edersiniz. Küçük İK ekipleri veya süreçleri çok karmaşık olmayan şirketler için bu yaklaşım, genellikle başlamak için en mantıklı yoldur.

Ancak bir sınır vardır. Genel amaçlı modeller, sırf güçlü oldukları için ne bir İK mantığıyla, ne de sizin bağlamınıza özgü politikalarla, ne de dolaylı uyum garantileriyle tasarlanmış değildir.

Dikey bir model ne zaman uygun olur?

Daha yüksek hacimlerle, daha hassas süreçlerle veya çok sayıda yetki kademesi içeren bir yapıyla çalışıyorsanız, dikey modeller mantıklıdır. Bunun nedeni, “her şeyi daha iyi anladıkları” için değil, daha dar bir kapsam için tasarlanmış olmalarıdır.

Genellikle şu durumlarda tercih edilirler:

• daha kesin İK taksonomileri,
• iç sistemlerle entegre iş akışları,
• denetlenebilirlik ve yönetişim üzerinde daha iyi kontroller,
• izlenebilirlik ve açıklanabilirlik konusunda daha katı standartlar.

50 çalışanlı bir KOBİ için amaç en gelişmiş sistemi satın almak değildir. Amaç, ekibin kullanmayı, kontrol etmeyi ve hata yaptığında sorgulamayı bildiği sistemi seçmektir.

Asıl soru, hangi modelin daha gelişmiş olduğu değildir. Asıl soru, hangi modelin sizin operasyonel riskinize uygun olduğudur. Görev düşük etki ve yüksek hacimliyse, genel amaçlı model tercih edilmelidir. Süreç hassas kararları içeriyorsa ve yapılandırılmış kontrol gerektiriyorsa, dikey modele dikkat etmek gerekir.

İK departmanınıza yapay zekayı entegre etmek için pratik bir yol haritası

En başarılı uygulamalar, öngörülü işe alımdan başlamaz. Günlük sorunlardan başlar. İşte tam da bu noktada yapay zeka, kurum içinde güven yaratır ve ekibin onu yönetmeye gerçekten hazır olup olmadığını gösterir.

Doğru görevlerden başla

İlk adım yalnızca görünüşte basittir. Yüksek hacimli ve düşük riskli faaliyetlerden başlamalısın. Oradan başlarsan avantajı hemen görür ve maruziyeti sınırlarsın.

Mantıklı üç örnek:

1. İç İK chatbotları, izin, politika ve prosedürlerle ilgili sık sorulan sorular için.
2. Yardımcı belge oluşturma, iş tanımları, işe alım e-postaları, iç politikalar gibi.
3. Otomatik anket analizi, temaları ve sorunlu noktaları çıkarmak için.

Bu yaklaşım olumlu bir etki yaratır. İK ekibi, yapay zekayı artık soyut bir tehdit olarak görmez ve onu operasyonel bir destek aracı olarak değerlendirmeye başlar.

Yönetişim ve denetimleri tanımlayın

İkinci adım birincisinden daha önemlidir. AI'nın nerede tavsiye ettiğini ve insanın nerede karar verdiğini açıkça yazmalısın.

KOBİ’lerde asgari yönetişim şunları içermelidir:

• Karar sınırı
  AI sınıflandırabilir, özetleyebilir, işaretleyebilir. Yönetici veya işe alım uzmanı onaylar, reddeder veya derinlemesine inceler.
• İnceleme süreci
  Yüksek etkili her çıktı, sorumlu bir kişi tarafından kontrol edilmelidir.
• Yayından önce önyargı testi
  Sistem işe alım veya personel değerlendirmesine giriyorsa, temsili veri setleriyle ve belgelenmiş kontrollerle test edilmelidir.
• İç şeffaflık
  Çalışanlar ve adaylar, AI'nın süreçte destek olarak kullanıldığını bilmelidir.

Kontrolleri atlayan bir KOBİ hızlanmıyor. Sadece riski ileriye taşıyor.

Üçüncü adım, kademeli olarak genişletmektir. Tek bir İK sürecinde görev alan bir pilot, genel bir uygulamadan daha fazla deneyim kazanır. Önce görevi, ardından ekibin davranışını, sonra da düzenleyici kapsamı değerlendirirsiniz.

Çalışmayı düzenli bir şekilde kurmak isteyenler için, dağınık denemeler yerine gerçek bir AI entegrasyonu için yol haritası ile düşünmek faydalıdır.

Başarıyı somut örneklerle ölçmek

İK alanında yapay zekanın başarısını ölçmek için sadece hıza bakmak yeterli değildir. Risk, hata veya şeffaf olmayan aşamalar yaratmadan karar kalitesini artırıp artırmadığını anlamak gerekir.

KOBİ’lerde en yararlı kriter basittir: Yapay zeka, İK ekibini Laffer eğrisinin doğru noktasına mı yönlendiriyor, yoksa hâlâ insan yargısı gerektiren faaliyetleri çok erken mi otomatikleştiriyor? Tasarruf edilen zaman artarken, sürecin doğruluğuna ilişkin itirazlar, yeniden incelemeler veya şüpheler de artıyorsa, bu kazanç sadece görünüşte kalır.

Doğru kullanım

Somut bir örnek, iç memnuniyet anketlerinin analizidir. Birçok şirkette, İK departmanı yüzlerce açık uçlu yanıtı elle inceler ve ana temaları belirler; bu süreç uzun sürer ve kişiden kişiye belirli farklılıklar gösterir. İyi yapılandırılmış bir LLM ile tematik kümeler, tekrarlanan işaretler ve anomaliler daha çabuk ortaya çıkar.

Buradaki gerçek fayda sadece operasyonel değildir. Ekip, özetlemeyle zaman kaybetmekten kurtulur ve önceliklere, takip işlemlerine ve yöneticilerle ilgili müdahalelere odaklanabilir.

Bu durumda yararlı olan ölçütler az sayıda ve somuttur: ortalama analiz süresi, örneklem bazında yapılan insan denetimine göre özetlerin tutarlılığı, fiili eyleme dönüşen içgörü sayısı. Yapay zeka hızlı ancak fazla genel özetler üretiyorsa, zaten optimal noktayı aşmışsınız demektir.

Yanlış kullanım

Tersine bir durum ise daha hassas bir konudur. İlk görüşmeyi yürüten ve insan denetimi olmaksızın eleme puanı veren bir sohbet robotu verimli görünebilir, ancak bir İtalyan KOBİ için bu, teknolojiden çok yöntem açısından ciddi bir sorun yaratır.

Risk üç yönlüdür. Belirsiz kriterler nedeniyle uygun adayları eleyebilirsiniz. Kararı şeffaf bir şekilde açıklamayı zorlaştırabilirsiniz. GDPR ile ilgili eleştirilere maruz kalabilirsiniz ve etkisinin büyük olduğu durumlarda, iş yerinde kullanılan sistemler ve istihdama erişim konusunda AI Act’in daha katı hale getirdiği yükümlülüklerle de karşı karşıya kalabilirsiniz.

Şirkette gözlemlediğim kadarıyla, asıl test şudur: Yapay zeka daha iyi kararlar alınmasına yardımcı oluyor mu, yoksa zaten zayıf olan bir kararı sadece daha hızlı hale mi getiriyor? ELECTE’nin yaptığı bir analiz de tam olarak bu noktaya değiniyor. Yalnızca otomasyonla yönetilen seçim süreçleri, kişi ile pozisyon arasındaki gerçek uyumu bozma eğilimindeyken, son aşamada insan tarafından yapılan doğrulama, en maliyetli hataları azaltıyor.

Dolayısıyla, doğru bir şekilde ölçüm yapmak, dört göstergeyi bir arada değerlendirmek anlamına gelir: tasarruf edilen zaman, çıktı kalitesi, insan tarafından yapılan düzeltme oranı ve uyum riski. Bunlardan sadece birini ölçerseniz, genellikle projeyi yanlış değerlendirmiş olursunuz.

Önemli Noktalar

• Operasyonel işlerden başla. İç SSS'ler, belgeler, anketler ve ön eleme en iyi giriş noktalarıdır.
• Nihai kararı otomatikleştirme. İşe alımlar, terfiler ve yüksek etkili değerlendirmeler insanların denetiminde kalmalıdır.
• Yayından önce önyargıyı test et. Sistem adaylıkları veya çalışanları etkiliyorsa, kontrol isteğe bağlı değildir.
• Yönetişim açısından düşün. Roller, sorumluluklar, insan incelemesi ve belgelendirme, model kadar önemlidir.
• Aracı riske göre seç. Basit görevler için genel amaçlı, kesinlik, izlenebilirlik ve daha güçlü kontroller gerekiyorsa dikey bir çözüm.

Sonuç

İK için AI, mekanik işi üstlenip insana en zor görevi bıraktığında gerçekten işe yarar: bağlamı, motivasyonu, potansiyeli ve sonuçları yorumlamak. Optimal nokta budur. Ne sıfır AI, ne de tam otomasyon.

Bir İtalyan KOBİ için öncelik, en göz alıcı yeniliklerin peşinden koşmak değildir. Önemli olan, GDPR, AI Act ve yönetimsel sağduyu ile çelişmeden verimliliği ve kaliteyi artıran bir sistem kurmaktır. Bu mantığı uygularsanız, yapay zeka yararlı bir çarpan haline gelir. Eğer onu muhakeme yeteneğinin yerine kullanırsanız, bir risk haline gelir.

Operasyonel verileri ve organizasyonel sinyalleri daha okunabilir içgörülere dönüştürmek istiyorsan, KOBİ'ler için AI destekli bir veri analitiği platformu olan Electe, karmaşık bilgileri analiz etmene, raporları otomatikleştirmene ve daha iyi kararlar almanı desteklemene yardımcı olur. Pratikte nasıl çalıştığını anlamak için platformu iş başında görebilir ve süreçlerine uyup uymadığını değerlendirebilirsin.