İK'da yapay zeka Unilever'e özgü bir şey değil. KOBİ'lere özgü bir şey

Her hafta, Avrupa'daki şirketlerle konuşurken aynı cümleyi duyuyorum:
“İK'da yapay zeka büyükler içindir. Biz Unilever değiliz.”

Bu maliyetli bir efsane.

Gerçek şu: kurumsal şirketlere milyonlar kazandıran aynı kalıplar, bugün bir KOBİ tarafından ayda 100-500€ ile, freemium araçlar, biraz otomasyon ve zaten sahip olduğu verilerle çoğaltılabilir.

Kurumsal vs KOBİ: fark göründüğünden çok daha küçük

Unilever yılda 250.000 başvuruyu yapay zeka ile işliyor ve 1M€ tasarruf ediyor.
50 kişilik bir startup, şirket içinde küçük bir otomatik iş akışı uyguluyor ve ayda 100-200€ yatırımla haftada 10-15 saat tasarruf ediyor.

Kurumsal teknolojiye gerek yok. Gereken şey mantık: otomatikleştirmek, standartlaştırmak, öngörmek.

(Bunlar DIY uygulama için yazılım lisans maliyetleridir. Kurulum, karmaşıklığa bağlı olarak tek seferlik 20-100 saatlik iç çalışma gerektirir.)

Veriler bunu doğruluyor

Mastercard, yapay zeka destekli yetenek pazarı ile 21 milyon dolar üretti.
Ancak bir KOBİ de ayda 20€'luk Zapier otomasyonlarıyla eleme süresinde %75 azalma elde edebilir.
Açık kaynak modeller (Random Forest, XGBoost), yalnızca HRIS verilerini kullanarak işten ayrılma öngörüsünde %85-95 doğruluk oranına ulaşıyor.

Giriş maliyeti: çöktü

Bugün İK'da yapay zeka 0€'dan başlıyor:

• CV ayrıştırma → ücretsiz
• Öngörü modelleri → açık kaynak
• Otomasyonlar → Zapier/Make, ayda 20€'dan başlıyor
• ATS → freemium

20-40 saatlik iç kurulum ile bir KOBİ şunları yapan bir sistem kurabilir:

• haftada 15-20 saatlik manuel işi ortadan kaldırır
• işten ayrılma riski taşıyan çalışanları onlar ayrılmadan önce tespit eder
• işe alım süresini %40-60 hızlandırır

Karmaşıklık azalıyor. Fırsatlar artıyor.

📊 Gerçek vaka: Lombardiya'da bir imalat KOBİ'si (120 çalışan)

DIY bir öngörü modeli, İK'nın radarında olmayan yüksek riskli 3 çalışanı tespit etti. Bunlardan 2'sine müdahale edilerek şirket 90 bin € işten ayrılma maliyetinden kaçındı. 1. yıl toplam yatırım: 5.000€. ROI: %1.700.

Somut kurulum (3 hafta):

• HRIS geçmiş verisi dışa aktarımı (3 yıl): Fazla mesai, Maaş, Son Terfi, Memnuniyet anketi, Ayrılış verisi
• 180 geçmiş ayrılış + 300 aktif çalışan üzerinde Random Forest model eğitimi
• Ortaya çıkan en öngörücü değişkenler: Haftada 12 saatten fazla fazla mesai, 3 yıldan uzun terfi durgunluğu, 6/10'un altında memnuniyet skoru

Sonuç: model, 6 ay içinde %85+ ayrılma olasılığına sahip 3 çalışanı işaretledi.
Bunlardan ikisi hiçbir belirgin risk sinyali vermemişti (“8+ yıldır istikrarlı, hoşnutsuzluk belirtisi yok”).

İşaretleme sonrası manuel analiz:

• Çalışan A: sürekli fazla mesai (haftada 15 saat) + 4 yıldır terfi yok → dışarıdan iş teklifi almış
• Çalışan B: piyasa maaşının %18 altında + memnuniyet 5/10 → aktif olarak LinkedIn'de arayış içindeydi
• Çalışan C: yeni bir kariyer yoluna girmek için iş değiştirmeye zaten karar vermişti → karar, işten ayrılma görüşmesinde teyit edildi

Müdahale: ücret artışı +%12 (A ve B) + yazılı kariyer planı + fazla mesai azaltımı.
A ve B elde tutuldu. C elde tutulabilir değildi.

“Verileri yıllardır HRIS'te tutuyorduk. CSV'yi çıkarıp Python scriptini çalıştırmak bir veri analistinin 8 saatini aldı. Değer sofistike teknolojide değil, zaten sahip olduğumuz verilere bakmaktaydı.” — İK Müdürü

Soru “buna gücümüz yeter mi?” değil. Soru şu: uygulamak için 20-40 saatiniz var mı? Cevap evetse, getiri hemen hemen garantidir — her ölçekte.

KOBİ'ler enterprise AI'ı nasıl kurumsal bütçe olmadan tekrarlayabilir

Unilever iş akışı parça parça: her adımda gerçekte ne oluyor

Unilever'in Future Leaders Programme için AI recruiting süreci, sektörün altın standardıdır. 2016'da başlatılan bu süreç, 30.000 pozisyon için yıllık 1,8 milyon başvuruyu işleyerek işe alım süresini 4-6 aydan 4 haftaya indirdi.

Adım 1 → LinkedIn üzerinden Başvuru (10-15 dakika)

Aday, geleneksel bir özgeçmiş olmadan doğrudan LinkedIn profilini bağlar. Bu seçim, temsil edilen üniversite sayısını 840'tan 2.600'e çıkararak yetenek havuzunu genişletti.

Adım 2 → Pymetrics Oyunları (20-30 dakika)

12 nörobilim tabanlı oyun, 91 bilişsel ve duygusal özelliği ölçer: dikkat, karar verme, risk toleransı, duygu tanıma, dayanıklılık. Sistem, profili en yüksek performans gösterenlerin benchmark'ıyla karşılaştırır. Adayların %98'i bu aşamayı tamamlıyor (geleneksel yöntemlerde %50).

Adım 3 → HireVue Video Mülakat (30 dakika)

Asenkron video. 2021'den itibaren yüz analizi kaldırıldı: düşük tahmin gücü (%0,25-%4) ve önyargı.
AI yalnızca anlamsal içeriği ve konuşma kalıplarını analiz ediyor. %80'e varan oranda eleme yapıyor.

Adım 4 → Discovery Center Günü

250.000 başvurudan 3.500 finalist. Yıllık 800 işe alım.

Belgelenmiş sonuçlar:
Recruiter zamanında -%75, yılda 1M £ tasarruf, işgücü çeşitliliğinde +%16, cinsiyet eşitliğine ulaşıldı, teklif kabul oranı %64'ten %82'ye ✅

Yapay zeka, hiçbir manuel sürecin ortaya çıkaramayacağı bağlantıları, fırsatları ve yolları gün yüzüne çıkarır. Gizli olan görünür hale gelir.

2. Kurum içi yetenek pazaryerlerinin arkasındaki teknoloji

Internal Talent Marketplace, iç mobilite için en gelişmiş AI biçimidir.
Gloat, dinamik bir ontolojiyle kendi bildirimi, iş geçmişi ve pazar sinyallerinden beceri verisi toplar.

Mastercard "Unlocked" Vakası
Sonuçlar: 21M$ tasarruf, 900.000 saat serbest bırakıldı, %62 adoption, +%80 memnuniyet, +%30 elde tutma.

Schneider Electric "Open Talent Market" Vakası
2 ayda %60 adoption, 360.000 saat serbest bırakıldı, 15M$+ tasarruf, NPS 60.

3. İşten ayrılma oranını gerçekten öngören değişkenler

IBM Watson modeli 35 değişken kullanıyor.

En öngörücü olanlar:

• OverTime
• JobSatisfaction
• YearsSinceLastPromotion
• MonthlyIncome
• JobInvolvement

📊 Tipik doğruluk:

• Random Forest: %84-87
• XGBoost/CatBoost: %85-95
• Logistic Regression: %75-80

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

# IBM HR Analytics veri setini yükle (Kaggle'da ücretsiz)
df = pd.read_csv('IBM-HR-Attrition.csv')
y = df['Attrition'].map({'Yes': 1, 'No': 0})
X = pd.get_dummies(df.drop('Attrition', axis=1))

# Train model
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
rf = RandomForestClassifier(n_estimators=40)
rf.fit(X_train, y_train)

# En etkili 5 tahmin değişkeni
importances = pd.Series(rf.feature_importances_, index=X.columns)
print(importances.nlargest(5))

Bu kod Google Colab'da ücretsiz olarak çalışır. Tipik çıktı: MonthlyIncome, OverTime, Age, TotalWorkingYears, YearsAtCompany en önemli tahmin edicilerdir.

Araçların ekonomisi: 0€'dan 500€/aya (DIY)

İK'da AI için araç ekosistemi demokratikleşti. Giriş seviyesi yatırım 50.000€+'dan 0-500€/aya düştü içeride uygulayanlar için. Bunlar anahtar teslim hizmetler değil, kurulması gereken yazılım araçlarının maliyetleridir.

Freemium yığın (0€/ay - bağımsız kurulum):

• ATS: Breezy HR (ücretsiz katman 1 aktif pozisyon)
• Video mülakat: myInterview (temel ücretsiz)
• Değerlendirme: TestGorilla (uzatılmış ücretsiz deneme)
• CV ayrıştırma: pyresparser (açık kaynak)
• Tahmin modeli: Python + scikit-learn (açık kaynak)
• Analitik: Google Sheets + şablon

10-50 çalışanlı KOBİ yığını (100-300€/ay - içeride uygulama):

• LinkedIn Recruiter Lite: 170€/ay
• Zapier/Make: 20€/ay (iş akışı yapılandırması gerektirir)
• pyresparser: ücretsiz
• Python modeli: ücretsiz (temel Python becerisi gerektirir)

50-200 çalışanlı KOBİ yığını (500-1.500€/ay - iç ekip):

• Eksiksiz ATS: 200-400€/ay (yapılandırma + bakım)
• Değerlendirme platformu: 150-300€/ay
• Analitik gösterge paneli: 100-200€/ay
• Gelişmiş otomasyonlar: 50-100€/ay

Kritik açıklama: bu bütçeler yazılım lisans maliyetleridir, uygulama süresini içermez. Temel beceriler gerekir (Zapier'i yapılandırmak, Python script'leri çalıştırmak, API dokümantasyonu okumak). 10-50 çalışanlı şirketler için: ilk kurulum için 20-40 saat iş. 50-200 çalışanlı şirketler için: 4-8 hafta boyunca dağıtılan 60-100 saat.

Avantajı: bir kez uygulandığında, bakım minimaldir (ayda 2-5 saat) ve ROI kalıcıdır.

Hızlı kazanım #1: 1 günde otomatik CV tarama

CV'lerin otomatik ayrıştırılması, no-code araçları (Zapier) minimal bir Python script'iyle birleştirerek 6-8 saatte uygulanabilir.

Seçenek A: Sadece Zapier (kodlama yok, 2-3 saat)

Kod yazmadan eksiksiz pipeline:

1. Tetikleyici: hr@electe.net adresine alınan ekli yeni e-posta
2. Eylem: Zapier Parser, CV'den verileri otomatik olarak çıkarır (name, email, phone, skills)
3. Eylem: Çıkarılan verilerle Google Sheet'te satır oluşturur
4. Eylem: İşe alım uzmanına Slack bildirimi: "Yeni CV alındı: [isim] - [beceriler]"
5. Eylem: Adayı e-posta dizisine ekle (örn. "Teşekkürler, sizinle tekrar iletişime geçeceğiz")

Maliyet: Zapier Professional 20€/ay
Kurulum süresi: 2-3 saat tıkla-yapılandır
Gerekli beceriler: Sıfır kodlama, sadece web arayüzlerine aşinalık

Seçenek B: Zapier + Code by Zapier (satır içi Python/JS, 4-5 saat)

Zapier Parser yeterli olmazsa, doğrudan Zapier'e özel mantık ekleyin:

1. Tetikleyici: Ekli yeni e-posta
2. Eylem: Code by Zapier (Python) - satır içi gelişmiş ayrıştırma:

# Python eseguito direttamente in Zapier
import re
cv_text = input['cv_text']
email = re.findall(r'[\w\.-]+@[\w\.-]+', cv_text)[0]
phone = re.findall(r'\+?\d[\d\s\-\(\)]{8,}', cv_text)[0]
return {'email': email, 'phone': phone, 'text': cv_text}

1. Aksiyon: Google Sheet satırı oluştur
2. Aksiyon: Slack bildirimi
3. Aksiyon: E-posta dizisi

Maliyet: Zapier Professional 20€/ay (Code dahil)
Kurulum süresi: 4-5 saat (özel mantık geliştirme + test)
Gerekli beceriler: Temel Python/JavaScript

Seçenek C: harici sunucuda pyresparser (maksimum parsing, 6-8 saat)

Çok karmaşık CV'ler veya yüksek hacimler için (ayda 500+ CV):

# Özel sunucuda script
pip install pyresparser
from pyresparser import ResumeParser
data = ResumeParser('/path/to/resume.pdf').get_extracted_data()
# Çıktı: name, email, mobile, skills, college, degree, experience

Zapier, webhook üzerinden sunucuyu çağırır, parse edilmiş JSON'u alır, Sheet/Slack/Email ile devam eder.

Maliyet: Zapier 20€/ay + DigitalOcean 5€/ay
Kurulum süresi: 6-8 saat (sunucu kurulumu + deploy)
Gerekli beceriler: Python + deployment YA DA harici geliştirici

⚡ Tipik tasarruf: ayda 200+ CV işleyenler için haftada 15+ saat.

Otomasyonun bileşik etkisi: düşük sabit maliyetler, artan tasarruflar.

10 haftalık playbook (DIY)

Ön koşul: Dahili teknik kaynaklara erişim (geliştirici, veri analisti) veya kurulumu destekleyecek bir freelancer için 2.000-3.000€ bütçe.

1. Hafta: pyresparser + Zapier pipeline ile otomatik CV parsing. İlk ölçülebilir tasarruf: 10-15 saat.

2. Hafta: İK verisi denetimi, Sheets/Airtable'a aktarım, temel metrikler için dashboard kurulumu (time-to-hire, cost-per-hire, headcount).

3. Hafta: Geçmiş veri seti üzerinde işten ayrılma tahmin modeli, mevcut değişkenlerle eğitim, İK yöneticisiyle doğrulama.

4. Hafta: Tekrarlayan iş akışları için Zapier otomasyonları (mülakat planlama, işe alım kontrol listesi, izin talepleri). Nihai ROI hesaplaması.

5-10. Haftalar: İterasyon ve ölçeklendirme. Sadece ROI'nin doğrulandığı yerlerde karmaşıklık ekleyin.

📥 Bu iş akışlarının kendi durumunuza uygulanabilir olup olmadığını keşfetmek ister misiniz?
Burada anlatılan Google Sheet şablonları, Python scriptleri ve Zapier otomasyonları zaten çalışır durumda. Kendi gerçekliğinize uyarlayın.

Sonuç

Yaygın hata, kurumsal bütçelere veya pahalı danışmanlara ihtiyaç olduğunu düşünmektir.
Mantık — taramayı otomatikleştirmek, değerlendirmeyi standartlaştırmak, riskleri tahmin etmek — açık kaynak araçlar ve erişilebilir SaaS'larla tekrarlanabilir.

Değer pahalı araçlarda değil, yöntemde yatıyor.
ROI ilk yılda kolayca %600'ü aşıyor.

Not. Bu makaledeki Python kodu ve Zapier örnekleri zaten çalışıyor. Kopyalayın, kendi gerçekliğinize uyarlayın, uygulayın. Ek şablonlara gerek yok: başlamak için ihtiyacınız olan her şeye zaten sahipsiniz.