Dürüst olalım: ChatGPT öğrenmek için en sık yapılan hata, önce prompt koleksiyonu kurmak ve süreç, veri sınırı, insan-onayı gibi temel kararları sonra düşünmektir.
- Neden şimdi? İşe alım, performans değerlendirme ve eğitim içerik üretimi gibi İK süreçleri tekrar eden dil ve karar noktaları içerir. ChatGPT bu işleri hızlandırır; ama hız yanlış veriyle birleşince insan maliyeti ve itibar riski yaratır.
- Checklist:
- Hangi süreçler tekrarlıyor ve otomasyona uygun?
- Gizlilik düzeyi ne? PII/ÖKH var mı?
- Pilot için hangi metrikler kullanılacak?
- Kullanım senaryosunu netleyin. Ön eleme özetleri, eğitim içerik taslakları, işe alım e-postası taslakları gibi spesifik senaryolar tanımlanmalı. Her senaryo için modelden beklenen çıktı, kullanılacak veri türü ve gerekli insan-onayı açıkça yazılmalı. İK ekipleri ChatGPT'yi sadece promptlarla değil; kullanım senaryosu, veri sınırı ve ekip eğitim tasarımıyla yönetmelidir.
- Checklist:
- Her senaryo için çıktı örneği var mı?
- Hangi veri kaynakları kullanılacak?
- Onay süreçleri belirlenmiş mi?
Eğitimlerde en sık gördüğüm hata: ekip sadece “hangi prompt iyi?” ile yetiniyor; süreç tasarımı ve veri sınıflaması atlanıyor. Bu hatayı düzeltmeden yapılan her eğitim kısa süreli, güvenilmez sonuç verir.
- Veri sınırı ve gizlilik çerçevesi. Kişisel verinin (isim, TC no, sağlık bilgisi, adli bilgi vb.) otomatik modele verilmesi tehlikelidir. Anonimleştirme ve maskelenmiş örnek akışları kurun. Basit bir kural: insan kimliğini ortaya çıkaran veri doğrudan modele gönderilmez.
- Checklist:
- Hangi alanlar PII/ÖKH olarak sınıflandı?
- Anonimleştirme adımları belgelenmiş mi?
- İnsan onayı gerektiren durumlar listelendi mi?
- Ekip eğitimi tasarımı: rol-temelli ve uygulamalı. Yöneticiler risk yönetimi ve performans metriklerini anlamalı; operatörler prompt yazımı, girdileri temizleme, model çıktısını doğrulama becerisi edinmeli. Eğitimler slayt değil, canlı senaryo ve kırmızı takım testleri içermeli.
- Checklist:
- Rollere göre öğrenim hedefleri belirlendi mi?
- Canlı senaryo/çalıştay takvimi hazır mı?
- Başarı kriterleri ölçülebilir mi?
- Denetim ve insan-onayı (human-in-the-loop). Model öneri üretir; karar insan onayıyla nihai hale gelmeli. Metrikler; yanlış öneri oranı, onay reddi oranı, düzeltme süresi olmalı. Bu metrikler haftalık takip edilmeli.
- Checklist:
- Onay akışı tanımlı mı?
- Hangi hata eşiğinde insan müdahalesi tetiklenir?
- Raporlama frekansı belirlendi mi?
Kötü örnek (otomasyona teslim):
Aday filtresi: Otomatik sistem, düşük puanlı adayları doğrudan eliyor; insan onayı yok; tüm özgeçmiş verisi modele gidiyor.
İyi örnek (kontrollü akış):
Aday filtresi: Model anonimleştirilmiş veriyle ön eleme yapar; düşük puanlı adaylar insan değerlendirmesine gönderilir; model çıktılarına düzeltme notu eklenir.
- Şeffaflık ve iletişim. Adaylara ve çalışanlara hangi süreçte AI kullanıldığını açıkça bildirin. Bu sadece etik değil, güven inşa eder; Bir de kurum içindeki direnç azalır.
- Checklist:
- Aday/çalışan bilgilendirme mesajı hazır mı?
- Geri bildirim mekanizması etkin mi?
- Operasyonel karar rehberi — hızlı scorecard. Hassasiyet sınıfına göre nasıl hareket edeceğiniz net olsun:
- Düşük hassasiyet, tekrarlayan: model otomatik öneri + örnek doğrulama.
- Orta hassasiyet: model öneri + zorunlu insan onayı.
- Yüksek hassasiyet: model kullanımı sınırlı; insan kararı şart.
- Checklist:
- Her görev için hassasiyet sınıfı atandı mı?
- Onay sorumluları tanımlandı mı?
- Denetim sıklığı belirlendi mi?
- Uygulama tablosu ve pilot planı. 0–30 gün: risk sınıflaması, pilot senaryolar, temel eğitim. 30–90 gün: pilot, performans ölçümü, politika revizyonu. 90+ gün: genişleme ve düzenli denetim.
- Checklist:
- Pilot başlangıç tarihi belirlendi mi?
- KPI’lar tanımlandı mı?
- Sorumlu ekip atandı mı?
Kullanım Matrisi (paylaşılabilir):
| Görev | Veri Hassasiyeti | İnsan Onayı |
|---|---|---|
| CV ön eleme (ilk tur) | Düşük/Orta (anonim) | Gerekli (düşük puanlar) |
| Referans kontrolü | Yüksek | Zorunlu |
| Eğitim materyali taslağı | Düşük | İsteğe bağlı |
| Maaş/teklif önerisi | Yüksek | Zorunlu |
(Bu matrisi kurum içi politika ile eşleştirerek kullanın.)
- Kısa politika örneği.
- AI yalnızca tanımlı ve sınıflanmış veri ile kullanılacak.
- İnsan onayı olmayan karar üretimine izin verilmeyecek.
- Girdi verileri 30 gün içinde anonimleştirilecek veya silinecek.
- Checklist:
- Politikalar yazılı mı?
- Hukuk ve BT ile uyum sağlandı mı?
Tek CTA: İK ekibi için kurum içi AI eğitim planı — başlamak için bu hizmet sayfasına gidin: /chatgpt-egitimi/insan-kaynaklari-icin-chatgpt-egitimi/. Destekleyici kaynaklar: /kurumsal-yapay-zeka-egitimi/ ve /prompt-muhendisligi-nedir-temel-kavramlar-ve-uygulama-alanlari/.
- İzleme, geri besleme ve sürekli iyileştirme. İK süreçlerinde model kullanımının canlıya alınması, bitmiş bir iş değil; düzenli izleme ve geri besleme gerektiren döngüsel bir iştir. İzleme planı; hangi metriklerin, hangi frekansta ve hangi sahiplerle takip edileceğini netleştirir. Teknik ekip model sürümünü, prompt değişikliklerini ve veri kaynaklarını sürüm kontrolünde tutmalı; İK ekipleri ise çıktıların iş değeri ve aday/çalışan deneyimi üzerindeki etkisini izlemelidir. Önerilen metrik seti:
- Performans: işe alım döngü süresi, ilk eleme doğruluk oranı, eğitim materyali üretim süresi.
- Güvenlik/uyumluluk: PII sızıntı tespiti, insan-onayıyla düzeltilen hataların oranı.
- Deneyim: aday memnuniyeti, işe başlamış çalışan dönüş oranı. Geri besleme mekanizması açık olmalı: her reddedilen/ayrıştırılan model çıktısı kısa bir düzeltme notu ile kaydedilmeli, aylık veri havuzuna eklenerek model kullanım kılavuzunda güncelleme gerektirip gerekmediği değerlendirilmelidir. Kırmızı takım (red-team) testleri en az üç aylık döngülerle planlanmalı; yeni zararlı örnekler, jenerik bias ya da yanlış yönlendirici çıktılar tespit edilip politika ve prompt şablonlarına işlenmelidir.
- Somut iş akışı örnekleri (kötü ve iyi uygulama). Kötü uygulama örneği — otomasyonun teslim ettiği sorumluluk:
İş Akışı (kötü):
1. Aday verileri doğrudan ATS'ten modele gönderilir (isim, doğum tarihi, önceki iş yeri).
2. Model puanlama yapar; 50/100 altındaki adaylar otomatik elenir.
3. İnsan onayı yok; elenen adaylara otomatik ret e-postası gönderilir.
4. Periyodik olarak hata analizi yapılmaz; aday şikayetleri beklenir.
Risk: PII sızıntısı, yanlış elenme, yasal itiraz riski, kötü aday deneyimi.
İyi uygulama örneği — kontrollü ve denetlenebilir akış:
İş Akışı (iyi):
1. ATS verisi anonimleştirilir (ad, TC gibi kimlik bilgiler maskeleme ile gizlenir).
2. Model anonimleştirilmiş veriye göre ön eleme puanı üretir; 0–100 arası etiketlenir.
3. 0–30 arası adaylar 'insan incelemesi' kuyruğuna gider; 31–70 arası adaylar 'gözden geçir' etiketi alır; 71+ adaylar 'özel değerlendirme' için işaretlenir.
4. İnsan değerlendirenler modelin neden verdiği puanla ilgili kısa düzeltme notu girer.
5. Haftalık raporda yanlış elenme ve düzeltme nedenleri analiz edilir; hatalar prompt kütüphanesine geri beslenir.
Avantaj: izlenebilirlik, daha az PII paylaşımı, insan sorumluluğu korunur.
- Eğitim sonrası başarı ölçümü ve ölçek kararı. Eğitim tamamlandıktan sonra uygulanacak başarı kriterleri (örnek eşiklerle): kritik hataların oranı %5’in altında; insan-override oranı %25’in altında; aday memnuniyet puanı (ANKET) ikna edici artış göstermeli; işe alım süresi hedeflenen azalmayı sağlamalı. Bu eşikler kurum risk iştahına göre ayarlanır; amaç tek bir rakam değil, riskin sistematik olarak azaldığını ve operasyonun güvenilirleştiğini göstermektir. Ölçeğe geçiş kararı için önerilen kapılar:
- Kapı 1 (Pilot Tamamlandı): Pilot 30–90 gün boyunca hedeflenen metriklerin en az %70’ini karşılıyor.
- Kapı 2 (Uyum Onayı): Hukuk ve BT onayı alındı; veri yaşam döngüsü (retention, anonimleştirme, silme) süreçleri işliyor.
- Kapı 3 (Genel Yayılım): Kullanıcı kabulü (operatör memnuniyeti) ve maliyet-fayda analizi olumlu. Her kapıda alınan notlar ve düzeltme planı dokümante edilmeli; eğer kritik göstergeler eşiklerin üzerinde kalırsa ölçekleme ertelenmeli.
Uygulama için kısa kontrol listesi:
- Pilot senaryolar anonimleştirilmiş veriyle yürütüldü mü?
- İnsan-onayı akışları net ve işletilebilir mi?
- Hata sınıflandırma ve düzeltme notu mekanizması aktif mi?
- Model sürüm ve prompt değişiklikleri kayıt altına alınıyor mu?
- Kırmızı takım testleri planlı ve raporlanıyor mu?
- Hukuk/BT/İK arasında onay zinciri tanımlı mı?
- KPI’lar haftalık ve aylık raporlamayla izleniyor mu?
- Eğitim sonrası kuruma özgü prompt kütüphanesi oluşturuldu mu?
Bu ek bölümler, İK ekiplerinin ChatGPT'yi yalnızca bir hız aracı değil; izlenebilir, denetlenebilir ve sürekli gelişen bir süreç olarak kurgulamasına yardımcı olacak pratik yapı taşları sunar.
AI işe yarar; doğru kurallar, insan denetimi ve veri disiplini olmadan zararlı olur.