<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by V. Tuğçe Soner on Medium]]></title>
        <description><![CDATA[Stories by V. Tuğçe Soner on Medium]]></description>
        <link>https://medium.com/@v.tugcesoner?source=rss-3d1f793bdc51------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*5kAtMfOhVOyFraUMnXu74Q.png</url>
            <title>Stories by V. Tuğçe Soner on Medium</title>
            <link>https://medium.com/@v.tugcesoner?source=rss-3d1f793bdc51------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 12:36:39 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@v.tugcesoner/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Yapay Zekâyı İK’ya Aldık, Peki Sorumluluğu Kime Verdik?]]></title>
            <link>https://medium.com/@v.tugcesoner/yapay-zek%C3%A2y%C4%B1-i%CC%87kya-ald%C4%B1k-peki-sorumlulu%C4%9Fu-kime-verdik-f9cd122eb546?source=rss-3d1f793bdc51------2</link>
            <guid isPermaLink="false">https://medium.com/p/f9cd122eb546</guid>
            <category><![CDATA[hrtech]]></category>
            <category><![CDATA[human-resources]]></category>
            <category><![CDATA[people-analytics]]></category>
            <category><![CDATA[ai-ethics]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[V. Tuğçe Soner]]></dc:creator>
            <pubDate>Mon, 26 Oct 2026 08:13:22 GMT</pubDate>
            <atom:updated>2026-10-26T08:13:22.327Z</atom:updated>
            <content:encoded><![CDATA[<p><em>AI kararlarımızı kolaylaştırırken, o kararların sorumluluğunu da fark etmeden ona bırakıyor olabilir miyiz?</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JewYn0rU5WTf50AYwk44cQ.png" /></figure><p>Son zamanlarda İnsan Kaynakları tarafında oldukça tanıdık bir durum yaşanıyor. Bir süreci iyileştirmek istiyoruz, elimizde çok fazla veri var, bunları tek tek incelemek zaman alıyor ve bir noktada aklımıza aynı fikir geliyor: “Acaba bunu AI ile yapabilir miyiz?” Açıkçası bu soruyu sormak için artık teknoloji konusunda çok ileri düzeyde bilgi sahibi olmamız da gerekmiyor. Birkaç doğru araç, biraz merak ve çözmek istediğimiz bir problemle daha önce oldukça karmaşık görünen analizleri yapabilir hale geldik.</p><p>CV’leri değerlendiren, çalışan yorumlarını sınıflandıran, performans verilerinden içgörü çıkaran, hatta çalışanların işten ayrılma olasılığını tahmin etmeye çalışan sistemlerden bahsediyoruz. Daha hızlı analiz, daha az operasyonel iş, daha fazla veriyle karar verme imkânı… Üstelik uzun zamandır İK’nın konuştuğu bir mesele vardı: Kararlarımızı yalnızca sezgilerimize göre değil, veriye dayanarak almalıyız. Şimdi elimizde bunu yapmamızı kolaylaştıran oldukça güçlü araçlar var. Peki, AI bize bir sonuç verdiğinde o sonucun doğru olduğundan kim emin olacak? Daha da önemlisi, o sonuca dayanarak yanlış bir karar verdiğimizde sorumluluk kimin olacak?</p><h3>Bir algoritmanın fikri ne zaman bizim kararımız oluyor?</h3><p>Diyelim ki işe alım sürecinde AI destekli bir değerlendirme sistemi kullanıyoruz. Sisteme yüzlerce CV yükleniyor, pozisyonun gereklilikleri tanımlanıyor ve AI adayları belirli kriterlere göre sıralıyor. Sonuçta önümüze oldukça düzenli bir liste geliyor: En uygun 10 aday, değerlendirme puanları, yetkinlik eşleşmeleri, eksik görülen alanlar… Normal şartlarda saatler sürebilecek bir ön değerlendirme birkaç dakika içerisinde tamamlanmış oluyor. Buraya kadar gerçekten etkileyici.</p><p>Ama listenin ilk sıralarındaki adayları görüşmeye çağırıp alt sıralardakileri değerlendirmeye almadığımızı düşünelim. AI’ın düşük puan verdiği adaylardan biri aslında pozisyona oldukça uygun olsaydı? Belki farklı bir sektörden geliyordu, belki CV’sinde doğru anahtar kelimeler yoktu ya da geçmiş deneyimi sistemin değerlendirme kriterlerine tam olarak uymuyordu. Teknik olarak kararı AI vermedi, son kararı biz verdik. Ancak kararımızın sınırlarını AI’ın oluşturduğu sıralama belirledi. Yani insan hâlâ karar mekanizmasının içerisinde olsa bile hangi seçenekleri göreceğini algoritma belirliyor olabilir.</p><p>Bence asıl mesele burada başlıyor. Çünkü AI’ı kararlarımızı destekleyen bir araç olarak konumlandırırken farkında olmadan karar verme sürecimizin önemli bir bölümünü de ona bırakabiliyoruz. Üstelik bu geçiş her zaman büyük bir teknolojik dönüşüm projesiyle gerçekleşmiyor. Bazen yalnızca sistemin önerilerini sorgulamayı bıraktığımız noktada gerçekleşiyor.</p><h3>Veriye dayalı karar vermek, verinin tarafsız olduğu anlamına gelmiyor</h3><p>İK’da uzun zamandır veri odaklı karar vermenin önemini konuşuyoruz. Bunun oldukça haklı nedenleri var. İnsan değerlendirmeleri öznel olabiliyor, yöneticilerin algıları farklılaşabiliyor ve aynı davranış farklı kişiler tarafından bambaşka şekillerde yorumlanabiliyor. Veri, bu öznelliği azaltmamıza yardımcı olabilir. Ancak verinin kendisinin de bir geçmişi olduğunu bazen unutuyoruz.</p><p>Örneğin geçmişte belirli üniversitelerden mezun olan adayları daha fazla işe alan bir organizasyon düşünelim. Bu organizasyonun işe alım geçmişinden beslenen bir AI sistemi, söz konusu üniversiteleri başarılı işe alımlarla ilişkilendirebilir. Böylece geçmişte insanların yaptığı bir tercih, sistemin içerisinde güçlü bir değerlendirme kriterine dönüşebilir. Bir süre sonra da bu kriter bize oldukça objektif bir analiz gibi sunulabilir. Oysa başlangıçta objektif olmayan bir tercih, yalnızca daha sistematik hale gelmiştir.</p><p>Üstelik bunun mutlaka bilinçli bir ayrımcılık olması da gerekmiyor. Bazen problem sistemin hangi verilerle eğitildiğinde değil, hangi bilgilerin hiç bulunmadığında ortaya çıkıyor. Bu nedenle AI’ın verdiği bir sonucun sayısal olması, o sonucun mutlaka adil olduğu anlamına gelmiyor. Hatta belki de sayılarla ifade edildiğinde ona daha kolay güveniyoruz. Çünkü yüzde 87 uyum skoru gördüğümüzde bunun arkasındaki varsayımları sorgulamak yerine ölçülmüş bir gerçeklikle karşı karşıya olduğumuzu düşünebiliyoruz.</p><p>Ama yüzde 87 neyin ölçüsü? Başarı olasılığının mı, geçmiş çalışanlara benzerliğin mi, CV’deki anahtar kelimelerin mi? Bunlar birbirinden oldukça farklı şeyler. Dolayısıyla AI’ın ürettiği bir değerlendirmeyi anlamak için yalnızca sonucu değil, o sonucun nasıl oluşturulduğunu da bilmemiz gerekiyor. Özellikle insanlarla ilgili kararlar verirken bu ayrımın çok daha önemli olduğunu düşünüyorum.</p><h3>Peki, AI çalışanlar hakkında yorum yapmaya başladığında?</h3><p>İşe alım örneği işin yalnızca bir tarafı. Asıl hassas alanlardan biri, AI’ın mevcut çalışanlarla ilgili analizlerde kullanılmaya başlanması. Çalışan bağlılığı anketleri, 1:1 görüşme notları, performans değerlendirmeleri, geri bildirimler… Bütün bu kaynaklarda organizasyon hakkında oldukça değerli bilgiler bulunuyor ve AI sayesinde bu bilgileri geçmişe göre çok daha kapsamlı analiz edebiliyoruz.</p><p>Örneğin yüzlerce çalışan yorumunu belirli temalara ayırabilir, memnuniyetsizliklerin yoğunlaştığı konuları belirleyebilir veya tekrar eden organizasyonel problemleri görünür hale getirebiliriz. Ben de çalışan görüşme notlarını AI ile anlamlandırmaya yönelik bir çalışma yaparken teknolojinin bu tarafının ne kadar güçlü olabildiğini görmüştüm. Ancak süreç içerisinde üzerinde düşündüğüm konulardan biri, AI’ın bir metni sınıflandırabiliyor olmasının o metnin arkasındaki insanı gerçekten anladığı anlamına gelmemesiydi.</p><p>Bir çalışan yöneticisiyle yaşadığı bir sorunu anlatırken olumsuz ifadeler kullanmış olabilir. Sistem bunu negatif sentiment olarak işaretleyebilir ve bu, belirli bir analiz amacı için anlamlıdır. Ancak buradan hareketle çalışanın genel bağlılığının düşük olduğu, ayrılmayı düşündüğü veya performansının etkilenebileceği sonucuna varmak çok daha farklı bir değerlendirmedir. Çünkü çalışanların söyledikleri kadar içinde bulundukları koşullar ve organizasyonel bağlam da önemlidir. Bir çalışanın belirli bir konudaki memnuniyetsizliği, organizasyonun tamamıyla ilgili hislerini açıklamayabilir.</p><p>Burada çalışan deneyimi analitiği ile çalışanları değerlendirme arasındaki sınırın dikkatli çizilmesi gerektiğini düşünüyorum. Organizasyondaki ortak problemleri görünür hale getirmek için kullandığımız bir analiz yöntemi, farkında olmadan bireyler hakkında hüküm vermemizi sağlayan bir mekanizmaya dönüşebilir. Üstelik analizlerin teknik olarak başarılı olması bu riski ortadan kaldırmaz. Çünkü sistemin doğru sınıflandırdığı bir ifade üzerinden bizim yanlış bir çıkarım yapmamız da mümkün.</p><h3>Bir de kimsenin çok konuşmak istemediği taraf var: Çalışan verileri</h3><p>Diyelim ki elimizde çalışanların yöneticileriyle yaptıkları görüşmelere ait notlar var. Bu notlarda iş yükü, motivasyon, kariyer beklentileri, ekip içi ilişkiler, hatta kimi zaman oldukça kişisel konular bulunabiliyor. Biz bu verileri analiz etmek istiyoruz ve bunun için bir AI aracı kullanmayı düşünüyoruz. Ancak burada teknolojinin ne kadar başarılı analiz yapabildiğinden önce cevaplamamız gereken başka sorular ortaya çıkıyor.</p><p>Kullandığımız AI sistemi bu bilgileri nasıl işliyor? Veriler nerede tutuluyor, başka sistemlerle paylaşılıyor mu, hizmet sağlayıcı bu verileri kendi modellerini geliştirmek için kullanabiliyor mu? Analiz sonuçlarına kimler erişebiliyor ve çalışanlar bilgilerinin hangi amaçlarla kullanılacağını biliyor mu? Bunlar ilk bakışta teknoloji veya bilgi güvenliği ekiplerinin cevaplaması gereken sorular gibi görünebilir. Oysa çalışanlarla kurduğumuz güven ilişkisini doğrudan ilgilendiriyor.</p><p>Örneğin bir çalışan, İK ile yaptığı görüşmede yaşadığı bir sorunu çözmek amacıyla bilgi paylaşmış olabilir. Bu görüşmenin daha sonra AI ile analiz edilerek kişinin işten ayrılma riski hakkında bir değerlendirmeye dönüştürülmesi, başlangıçtaki amaçla aynı şey değil. Kaldı ki her veri, yalnızca elimizde bulunduğu için her amaçla kullanılabilir hale gelmiyor. Türkiye’de KVKK, kişisel verilerin işlenmesinde belirli ilkelere ve hukuki şartlara uyulmasını gerektiriyor. Ayrıca kişilerin, yalnızca otomatik sistemler aracılığıyla yapılan analizler sonucunda kendi aleyhlerine ortaya çıkan sonuçlara itiraz etme hakkı bulunuyor. Avrupa Birliği’nin AI Act düzenlemesi de işe alım ve çalışan yönetimindeki belirli yapay zekâ uygulamalarını yüksek riskli sistemler kapsamında değerlendiriyor.</p><p>Dolayısıyla çalışan verilerini AI ile analiz etmek yalnızca teknik olarak neyin mümkün olduğu üzerinden ele alınabilecek bir konu değil. Hangi veriyi, hangi amaçla, hangi hukuki dayanakla ve hangi sınırlar içerisinde kullanabileceğimizi de düşünmemiz gerekiyor. Bence burada İK’nın rolü özellikle önemli. Çünkü veri analizinin sağlayacağı faydayı değerlendirirken çalışanların haklarını ve organizasyonla kurdukları güven ilişkisini de gözetmek durumundayız.</p><h3>“Son kararı insan veriyor” demek gerçekten yeterli mi?</h3><p>AI sistemleriyle ilgili konuşmalarda sıkça duyduğumuz bir yaklaşım var: “Merak etmeyin, son kararı yine insan veriyor.” İlk bakışta oldukça güven verici bir açıklama. Ancak bunun pratikte nasıl çalıştığını biraz düşünmek gerekiyor.</p><p>Bir yöneticiye AI tarafından hazırlanmış bir performans değerlendirme özeti geldiğini varsayalım. Sistem çalışanın güçlü yönlerini, gelişim alanlarını ve performans eğilimlerini analiz etmiş. Yönetici bu raporu okuyor ve genel olarak mantıklı buluyor. Peki, raporun oluşturulmasında kullanılan verileri kontrol ediyor mu? AI’ın hangi bilgileri dikkate almadığını biliyor mu? Yanlış bir yorumla karşılaştığında bunu fark edebilecek kadar sürecin içinde mi, yoksa sistemin hazırladığı sonucu yalnızca onaylıyor mu?</p><p>İnsanın karar sürecinde bulunması ile kararı gerçekten değerlendirmesi aynı şey değil. Bir sistemin ürettiği sonuca, yalnızca sistem tarafından oluşturulduğu için fazla güvenme eğilimi <em>automation bias</em> olarak adlandırılıyor. Bu durum, özellikle zaman baskısı altında veya çok sayıda değerlendirme yapılması gereken süreçlerde önemli bir risk oluşturabiliyor. Çünkü insan denetimi kâğıt üzerinde devam ederken gerçekte kararlar büyük ölçüde algoritmanın önerileri doğrultusunda ilerleyebilir.</p><p>Bu nedenle insan denetimini yalnızca kararın son aşamasına bir onay mekanizması eklemek olarak değerlendirmemek gerekiyor. O insanın AI’a itiraz edebilecek bilgisi, yetkisi ve zamanı var mı? Sistem bir değerlendirme yaptığında bunu sorgulaması bekleniyor mu, yoksa süreç mümkün olduğunca hızlı tamamlansın mı isteniyor? Açıkçası organizasyonun bu sorulara verdiği yanıtlar, AI’ın ne kadar sorumlu kullanıldığını anlamak açısından oldukça belirleyici olabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wV_hhH6sWvpspn0ks26hUQ.png" /></figure><h3>Teknolojiyi satın aldık ama sorumluluk da pakete dahil miydi?</h3><p>Şirketlerde yeni bir İK teknolojisi kullanılmaya başlandığında genellikle birkaç konuya odaklanıyoruz. Sistem mevcut altyapıyla entegre oluyor mu, kullanımı kolay mı, ne kadar zaman kazandırıyor, raporlama yetenekleri nasıl, lisans maliyeti ne kadar? Bunlar elbette önemli değerlendirme kriterleri. Ancak AI söz konusu olduğunda bu soruların yanına bazılarını daha eklememiz gerekiyor.</p><p>Sistemin yanlış sonuç üretmesi durumunda ne olacak? Bir adayın haksız şekilde elenmesi, çalışanın hatalı bir risk kategorisine alınması veya performansının yanlış yorumlanması halinde kim devreye girecek? Teknoloji sağlayıcısı mı, sistemi satın alan İK ekibi mi, veriyi hazırlayan ekip mi, yoksa AI’ın önerisini kullanarak karar veren yönetici mi? Aslında bu soruların tek bir cevabı yok. Çünkü bir AI sisteminde veri işleme, teknik geliştirme, uygulama, denetim ve nihai karar verme farklı tarafların sorumluluğunda olabilir. Hukuki sorumluluk da tarafların rollerine, kullanım biçimine ve geçerli mevzuata göre değişebilir.</p><p>Ancak organizasyonel açıdan burada önemli bulduğum şey, sorumlulukların paylaşılmasının sorumluluğun ortadan kalktığı anlamına gelmemesi. Örneğin İK bir analiz sistemini kullanmaya karar veriyorsa hangi iş problemini çözmek istediğini, hangi verileri kullanacağını ve sonuçların hangi kararlara etki edebileceğini tanımlamalı. Teknoloji ekipleri sistemin güvenliği, entegrasyonu ve teknik kontrollerinde rol alırken hukuk ve veri koruma ekipleri de uygulamanın mevzuata uygunluğunu değerlendirmeli. Yöneticiler ise AI’ın önerilerini sorgulamadan uygulamak yerine bunları karar sürecinin bir girdisi olarak ele almalı.</p><p>Aksi halde oldukça tanıdık bir organizasyonel problemle karşılaşabiliriz. Herkes sürecin bir bölümünden sorumludur ama bir sorun çıktığında kimse bütünün sahibi değildir. Aslında bu yalnızca AI’a özgü bir mesele de değil. Organizasyonlarda sorumlulukların belirsizleştiği pek çok süreçte benzer durumları görebiliyoruz. AI ise bu belirsizliğin etkisini artırabilecek yeni bir katman ekliyor.</p><h3>Belki de AI’dan önce karar verme kültürümüzü konuşmalıyız</h3><p>Burada biraz da organizasyonların kendisine bakmak gerekiyor. Çünkü AI’ın tek başına iyi veya kötü bir karar verme kültürü oluşturduğunu düşünmüyorum. Eğer bir organizasyonda çalışan değerlendirmeleri zaten yeterince şeffaf değilse, karar kriterleri belirsizse ve yöneticiler değerlendirmelerini açıklamakta zorlanıyorsa AI kullanmaya başlamak bu sorunları kendiliğinden çözmeyecektir. Hatta mevcut belirsizliklerin üzerine yeni bir katman ekleyebilir.</p><p>Eskiden bir kararın neden alındığını yöneticiye sorabiliyorduk. Şimdi aynı sorunun cevabı “Sistem böyle önerdi” haline gelebilir. Bu açıklama ilk bakışta teknik olarak güçlü görünse de aslında hiçbir şeyi açıklamıyor olabilir. Çünkü bir kararın sistem tarafından önerilmiş olması, o kararın neden doğru olduğunu veya hangi kriterler doğrultusunda verildiğini tek başına göstermiyor.</p><p>Bence iyi tasarlanmış bir AI uygulamasının yalnızca doğru sonuç üretmesi yetmez. O sonucun nasıl kullanılacağını, hangi durumlarda dikkate alınmayacağını ve gerektiğinde nasıl sorgulanacağını da bilmemiz gerekir. Bir aday neden elendiğini sorduğunda, bir çalışan neden belirli bir risk kategorisine alındığını öğrenmek istediğinde veya bir yönetici sistemin önerisine katılmadığında sürecin nasıl ilerleyeceği önceden düşünülmüş olmalı.</p><p>Bu noktada AI yönetişimi dediğimiz kavram biraz daha somut hale geliyor. Çünkü yönetişim yalnızca bir politika dokümanı hazırlamak ya da teknoloji kullanımına ilişkin genel ilkeler belirlemek değil. Bu ilkelerin gündelik iş akışlarında nasıl uygulanacağını, kararların nasıl denetleneceğini ve hataların nasıl düzeltileceğini tasarlamak da gerekiyor.</p><h3>Peki, bütün bunlar AI kullanmamamız gerektiği anlamına mı geliyor?</h3><p>Bence kesinlikle hayır. Tam tersine, AI’ın İK için oldukça büyük bir potansiyeli olduğunu düşünüyorum. Özellikle büyük veri setlerini anlamlandırmak, tekrar eden örüntüleri görmek, operasyonel işleri azaltmak ve daha önce analiz edilmesi çok zor olan bilgileri kullanılabilir hale getirmek açısından önemli fırsatlar sunuyor. Ancak burada biraz beklentimizi değiştirmemiz gerektiğine inanıyorum.</p><p>AI’ın bize her zaman doğru cevabı vermesini beklemek yerine, daha iyi sorular sormamıza yardımcı olmasını sağlayabiliriz. Örneğin AI bir departmanda çalışan memnuniyetsizliğinin yükseldiğini gösterdiğinde bunu nihai bir değerlendirme olarak almak zorunda değiliz. Araştırılması gereken bir sinyal olarak görebilir, farklı veri kaynaklarıyla karşılaştırabilir ve çalışanların deneyimlerini daha iyi anlamaya çalışabiliriz. Sistem belirli bir yetkinlik açığı tespit ettiğinde doğrudan eğitim kararı almak yerine, bu sonucun hangi verilerden kaynaklandığını inceleyebiliriz. Benzer şekilde bir adayın düşük uyum puanı alması, o adayla görüşmemek için tek başına yeterli bir gerekçe olmak zorunda değil.</p><p>Aslında AI’ın değerini insan kararını tamamen ortadan kaldırmasından çok, insanın normal şartlarda fark edemeyeceği bağlantıları görünür hale getirmesinde görüyorum. Ancak bunun için teknolojinin önerilerini anlayabilecek, sorgulayabilecek ve gerektiğinde reddedebilecek bir İK yaklaşımına ihtiyacımız var. Sadece AI araçlarını nasıl kullanacağımızı öğrenmek değil, bu araçların hangi noktalarda yanıltıcı olabileceğini de anlamak zorundayız.</p><h3>İK için küçük bir kontrol listesi: AI kullanmadan önce neyi sorgulamalıyız?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KTT95SLV9uuYqGy-juuKuQ.png" /></figure><p>Buraya kadar AI’ın sunduğu fırsatlardan ve beraberinde getirdiği sorumluluklardan bahsettik. Peki, bütün bunları günlük İK süreçlerimize nasıl yansıtabiliriz? Açıkçası her AI uygulaması için çok kapsamlı bir yönetişim modeli oluşturmak her organizasyonda mümkün olmayabilir. Ancak bu, kullanmaya başladığımız araçlarla ilgili bazı temel soruları sormamıza engel değil.</p><p>Ben bir İK sürecinde AI kullanmadan önce aşağıdaki kontrollerin yapılmasını önemli buluyorum.</p><h3>1. Amaç ve kullanım sınırları</h3><ul><li>AI ile çözmek istediğimiz iş problemini açıkça tanımladık mı</li><li>AI’ın yalnızca analiz mi yapacağını, öneri mi sunacağını, yoksa bir kararı mı etkileyeceğini belirledik mi?</li><li>Sonuçların hangi amaçlarla kullanılmayacağını da netleştirdik mi?</li></ul><h3>2. Veri güvenliği ve çalışan hakları</h3><ul><li>Kullanacağımız verilerin bu amaçla işlenmesi için uygun hukuki dayanağı kontrol ettik mi?</li><li>Gerçekten gerekli olmayan kişisel verileri ayıkladık mı?</li><li>Verilerin nerede tutulduğunu, kimlerle paylaşıldığını ve ne kadar süre saklandığını biliyor muyuz?</li><li>Çalışanların gerekli şekilde bilgilendirilmesini ve haklarını kullanabilecekleri mekanizmaları sağladık mı?</li></ul><h3>3. Analizlerin doğruluğu ve tarafsızlığı</h3><ul><li>AI’ın sonuçlarını örnek veriler üzerinden insan değerlendirmesiyle karşılaştırdık mı?</li><li>Kullanılan verilerin belirli çalışan grupları veya adaylar açısından sistematik olarak yanıltıcı sonuçlar üretip üretmediğini test ettik mi?</li><li>Sistemin hangi durumlarda hata yapabileceğini biliyor muyuz?</li></ul><h3>4. İnsan denetimi ve karar mekanizması</h3><ul><li>AI’ın önerilerinden bağımsız olarak nihai değerlendirmeyi kimin yapacağını belirledik mi?</li><li>Bu kişinin AI sonuçlarını sorgulama, değiştirme veya reddetme yetkisi var mı?</li><li>Çalışanları etkileyen önemli kararların gerekçelerini açıklayabiliyor ve kayıt altına alabiliyor muyuz?</li></ul><h3>5. Sorumluluk ve sürekli kontrol</h3><ul><li>Sistemin kullanımından sorumlu bir İK süreç sahibi belirledik mi?</li><li>Hatalı analizler veya çalışan itirazları için bir inceleme ve düzeltme süreci oluşturduk mu?</li><li>Sistemin performansını, veri güvenliğini ve sonuçlarını belirli aralıklarla yeniden değerlendirecek miyiz?</li></ul><p>Bu soruların tamamına olumlu yanıt vermek, AI kullanımının tüm risklerini ortadan kaldırmıyor. Ayrıca uygulamanın niteliğine ve faaliyet gösterilen ülkeye göre daha kapsamlı hukuki ve teknik değerlendirmeler gerekebilir. Ancak en azından teknolojiyi kullanmaya başlamadan önce neyi kontrol ettiğimizi, hangi riskleri kabul ettiğimizi ve sorumluluğu nasıl paylaştığımızı görünür hale getiriyor.</p><p>Bence burada önemli olan, AI kullanımını gereksiz yere zorlaştırmak değil; kolaylaşan teknoloji kullanımının yanında karar verme disiplinimizi de geliştirmek. Çünkü bir sistemi kullanabiliyor olmamız, onu doğru amaçla ve doğru şekilde kullandığımız anlamına gelmiyor.</p><h3>Asıl sorumluluk belki de burada başlıyor</h3><p>AI artık yalnızca teknoloji ekiplerinin konusu değil. İK profesyonelleri de kendi iş problemlerini çözmek için AI araçlarını kullanabiliyor, analiz sistemleri geliştirebiliyor ve daha önce mümkün olmayan çalışmaları hayata geçirebiliyor. Bence bu oldukça değerli bir dönüşüm. Ancak teknolojiye erişimin kolaylaşması, onu nasıl kullanacağımızla ilgili sorumluluklarımızı azaltmıyor. Hatta bazı açılardan artırıyor.</p><p>Çünkü artık mesele yalnızca bir sistemin ne yapabildiği değil, bizim o sistemle ne yapmayı seçtiğimiz. Hangi verileri analiz edeceğimiz, hangi sonuçlara güveneceğimiz, hangi kararları otomatikleştireceğimiz ve hangi noktada insan değerlendirmesini vazgeçilmez göreceğimiz bizim tasarımımızın bir parçası. Bu nedenle AI’ın İK süreçlerine entegrasyonunu yalnızca teknolojik bir gelişim olarak değil, aynı zamanda karar verme yaklaşımımızı yeniden düşünmek için bir fırsat olarak görüyorum.</p><p>Belki de İK’da AI kullanımını değerlendirirken sormamız gereken ilk soru artık sadece “Bunu AI ile yapabilir miyiz?” olmamalı. Bunun yanına “Bunu AI ile yaptığımızda ortaya çıkan sonucun sorumluluğunu almaya hazır mıyız?” sorusunu da eklemeliyiz. Çünkü yapay zekâ bize bir karar önerebilir, daha önce göremediğimiz bir örüntüyü gösterebilir veya oldukça karmaşık bir analizi birkaç dakika içerisinde tamamlayabilir. Ancak bu sonuçların bir insanın kariyerinde, çalışma hayatında veya geleceğinde yaratacağı etkiyi değerlendirme sorumluluğunu yalnızca bir algoritmaya bırakamayız.</p><p>Sanırım İK’da AI kullanmanın en önemli meselesi de burada. Teknolojinin ne kadar geliştiğinden bağımsız olarak, o teknolojiyi hangi amaçla ve nasıl kullandığımızın sorumluluğu bize ait olmaya devam ediyor.</p><p>Okuduğun için teşekkürler.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f9cd122eb546" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Bir İK’cı 1:1 Görüşme Notlarını AI ile Analiz Etmeye Kalkarsa Ne Olur?]]></title>
            <link>https://medium.com/@v.tugcesoner/bir-i%CC%87kc%C4%B1-1-1-g%C3%B6r%C3%BC%C5%9Fme-notlar%C4%B1n%C4%B1-ai-ile-analiz-etmeye-kalkarsa-ne-olur-a12d2d69c44a?source=rss-3d1f793bdc51------2</link>
            <guid isPermaLink="false">https://medium.com/p/a12d2d69c44a</guid>
            <category><![CDATA[interview]]></category>
            <category><![CDATA[hr]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[V. Tuğçe Soner]]></dc:creator>
            <pubDate>Tue, 15 Sep 2026 06:00:04 GMT</pubDate>
            <atom:updated>2026-09-15T06:00:04.066Z</atom:updated>
            <content:encoded><![CDATA[<h3>Birkaç analiz kolonu oluşturmak için başladığım çalışma, nasıl bir Employee Experience Analytics projesine dönüştü?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*rf04WNK6auN0CyUJYtA9Kw.png" /></figure><p>Bu yazıya en başta bir itirafla başlayabilirim: Ben bir yapay zekâ uzmanı değilim. Data scientist ya da machine learning engineer da değilim; İnsan Kaynakları alanında çalışıyorum ve bu projeye başlarken aklımda “AI ile güzel bir proje geliştireyim” gibi bir fikir de yoktu. Aslında çok daha tanıdık ve operasyonel bir problemim vardı: Elimizde çalışanlarla yapılan yüzlerce 1:1 görüşmeden gelen oldukça değerli bir veri vardı ama bu verinin büyük bölümü serbest metin olduğu için, onu organizasyon seviyesinde anlamlandırmak oldukça zordu.</p><p>Bir çalışanın görüşme notunu açıp okuduğunuzda ne söylediğini anlamak kolay. On çalışanın notunu da okuyabilirsiniz, elli çalışanınkini de. Ancak sayı yüzlere çıktığında ve her ay yeni görüşmeler eklenmeye devam ettiğinde mesele artık “notları okumak” olmaktan çıkıyor. Çünkü benim asıl merak ettiğim tek tek çalışanların ne söylediğinden çok, bütün bu görüşmeler bir araya geldiğinde bize nasıl bir hikâye anlattığıydı. Çalışanlar en çok hangi konulardan bahsediyordu, nerelerde memnuniyetsizlik yoğunlaşıyordu, hangi ekiplerde benzer problemler tekrar ediyordu, bazı yorumların içerisinde olası bir ayrılma sinyali var mıydı ve en önemlisi, İK olarak hangi konularda gerçekten aksiyon almamız gerekiyordu?</p><p>Bugün geriye dönüp baktığımda bu soruların beni getireceği noktayı tahmin etmediğimi rahatlıkla söyleyebilirim. Çünkü başlangıçtaki talebim aslında son derece basitti: <strong>“Bu görüşme notlarını AI’a okutabilir ve çalışanların duygusunu sınıflandırabilir miyim?”</strong></p><h3>Her şey sentiment analiziyle başladı</h3><p>İlk düşündüğüm yapı bugünkü sistemin yanında oldukça basit kalıyor. SAP’den gelen 1:1 görüşme notlarını alıp yapay zekâya verecek, modelden metni pozitif, negatif veya nötr olarak sınıflandırmasını isteyecek ve sonucu Excel’de yeni bir kolona yazacaktım. Teoride birkaç prompt, birkaç yeni kolon ve biraz Excel çalışmasıyla çözülebilecek bir iş gibi görünüyordu.</p><p>İlk denemelerimi ChatGPT ile yaptığımda sonuçlar gerçekten etkileyiciydi. Normalde tek tek okunması gereken yüzlerce serbest metin kaydı çok daha kısa sürede işlenebiliyor ve ilk bakışta oldukça mantıklı görünen sınıflandırmalar üretilebiliyordu. Bu noktada insanın “Tamam, mesele çözüldü” demesi çok kolay. Ben de ilk çıktılarda benzer bir heyecan yaşadım; ancak kayıtları tek tek kontrol etmeye başladığımda, projenin asıl kısmının AI’a veriyi okutmak değil, <strong>AI’ın okuduğu şeyi bizim İK bağlamımız içerisinde doğru yorumlamasını sağlamak</strong> olduğunu fark ettim.</p><p>Çünkü model metni okuyabiliyordu, fakat bir cümlenin dilbilimsel olarak ne söylediğini anlamak ile o cümlenin çalışan deneyimi açısından ne anlama geldiğini bilmek her zaman aynı şey değildi.</p><p>Örneğin çalışan yeni bir göreve geçtiğinden ve bu yeni döneme alışmaya çalıştığından bahsediyorsa model bunu gayet makul bir şekilde “Rol ve Sorumluluk” başlığı altında değerlendirebiliyordu. Fakat benim İK perspektifimden baktığımda burada asıl konu rolün belirsiz olması değil, çalışanın terfi ya da yeni role geçiş sonrasındaki deneyimiydi. Dolayısıyla bunu <strong>Kariyer ve Gelişim &gt; Terfi / Yeni Role Geçiş</strong> altında görmek istiyordum. Buna karşılık “Görev tanımım net değil, farklı işler sürekli bana geliyor” diyen bir çalışan gerçekten <strong>Rol ve Sorumluluk &gt; Rol Netliği</strong> altında değerlendirilmeliydi.</p><p>Bu ayrım küçük görünebilir ama yüzlerce görüşmeyi bir araya getirip dashboard üzerinde “Çalışanlarımız en çok hangi konuda problem yaşıyor?” diye sormaya başladığınız anda oldukça önemli hale geliyor. Yanlış sınıflandırılmış birkaç kayıt Excel’de çok dikkat çekmeyebilir; ancak aynı hata sistematik biçimde tekrarlandığında yönetimin önüne koyduğunuz içgörünün kendisi değişmeye başlıyor.</p><h3>Asıl iş prompt yazmak değil, kalibrasyon yapmakmış</h3><p>Projede benim için kırılma noktası tam olarak burası oldu. İlk aşamada ChatGPT’ye görev veriyordum; bir süre sonra ise verdiği sonuçları sorgulamaya, hataların nedenlerini anlamaya ve her hatadan yeni bir sınıflandırma kuralı üretmeye başladım.</p><p>Örneğin çalışan bir sayım sonucunda yaşanan kesintiden bahsediyorsa ve metinde OMS ya da başka bir sistem adı geçiyorsa model zaman zaman konuyu teknoloji veya sistem problemi olarak yorumlayabiliyordu. Oysa çalışan açısından problemin kaynağı sistemin kendisi değil, gelirinde oluşan etkiyse bunun <strong>Ücret ve Ödüllendirme</strong> altında değerlendirilmesi gerekiyordu. Eğer şikâyetin merkezinde “Bize bunun nasıl hesaplandığı anlatılmadı” gibi bir ifade varsa bu kez mesele ücret seviyesinden çok süreç ve bilgilendirme tarafına kayabiliyordu.</p><p>Benzer şekilde hibrit çalışma, ofise dönüş, ofisin kalabalık olması ve fiziksel çalışma koşulları başlangıçta birbirine çok yakın kategoriler gibi görünüyordu. Ancak zamanla “çalışma modeli” ile “çalışma ortamı”nın ayrı şeyler olduğunu netleştirmem gerekti. Bir çalışan haftanın beş günü ofise gelmekten şikâyet ediyorsa kök neden çalışma modeli olabilirken, “Ofis çok kalabalık olduğu için odaklanamıyorum” diyen başka bir çalışanın problemi fiziksel çalışma ortamıydı.</p><p>Her benzer örnekte önce AI’ın verdiği sonucu inceliyor, ardından “Ben bunu neden yanlış buluyorum?” sorusunun cevabını bir kurala dönüştürüyordum. Böylece zaman içerisinde sadece tema isimlerinden oluşan bir liste değil, temaların hangi koşullarda seçileceğini tarif eden bir <strong>İK taksonomisi ve karar mantığı</strong> ortaya çıkmaya başladı.</p><p>Bu süreç bana AI ile çalışmak konusunda beklemediğim bir şey öğretti: İyi sonuç almak yalnızca iyi bir prompt yazıp Enter’a basmakla ilgili değil. Özellikle şirketinize veya uzmanlık alanınıza özgü bir problemi çözmeye çalışıyorsanız, modelin genel bilgisini sizin iş bilginizle sürekli kalibre etmeniz gerekiyor.</p><h3>ChatGPT’den cevap almak yerine onunla sistemi kurmaya başladım</h3><p>ChatGPT’nin projedeki rolü de bu noktadan sonra değişmeye başladı. İlk günlerde onu doğrudan metinleri analiz etmek için kullanırken, ilerleyen aşamalarda yanlış sonuçları birlikte değerlendirdiğim, taksonomiyi tartıştığım, birbirine fazla benzeyen alt temaları birleştirdiğim ve oluşturduğum kuralların başka örneklerde nasıl davranacağını test ettiğim bir çalışma aracına dönüştürdüm.</p><p>Bazen farklı çalışan yorumlarını verip oluşturduğumuz kurallarla sınıflandırmasını istiyor, ardından sonuçları tek tek kontrol ediyordum. Hatalı bulduğum bir sınıflandırmada yalnızca doğru cevabı söylemek yerine neden yanlış olduğunu tarif etmeye çalışıyordum; çünkü aynı hatanın sonraki yüz kayıtta tekrarlanmaması benim için tek bir kaydı düzeltmekten daha önemliydi.</p><p>Bu sırada sınıflandırma yapısı da sürekli değişiyordu. İlk başta yalnızca sentiment istediğim çalışma, bir süre sonra ana tema ve alt tema üretmeye başladı. Ardından yalnızca “negatif” demenin hiçbir anlam ifade etmediğini fark ettim; çünkü İK’nın asıl ihtiyacı çalışanın negatif olduğunu bilmek değil, <strong>neden negatif olduğunu ve bununla ilgili bir şey yapması gerekip gerekmediğini anlamaktı.</strong></p><p>Böylece sentiment’ın yanına tema ve alt tema, ardından olası risk sinyalleri, güvenilirlik skoru ve aksiyon ihtiyacı gibi katmanlar eklenmeye başladı. Başlangıçta Excel’e bir sentiment kolonu eklemeyi düşünürken, farkında olmadan serbest metni adım adım yapılandırılmış veriye dönüştüren bir analiz akışı tasarlıyordum.</p><h3>Claude’u neden işin içine kattım?</h3><p>Bir süre sonra başka bir şeyi de merak etmeye başladım: <strong>Acaba oluşturduğum sistem gerçekten iyi miydi, yoksa ChatGPT ile uzun süre çalıştığım için ikimiz aynı mantığın içerisinde dönüp duruyor muyduk?</strong></p><p>Burada Claude’u ikinci bir göz gibi kullanmaya başladım. Aynı sınıflandırma kurallarını ve bazı örnek kayıtları farklı bir modele verdiğimde nasıl yorumladığını görmek, özellikle gri alanlarda oldukça faydalı oldu. Bazı durumlarda ChatGPT’nin yaptığı sınıflandırmayı Claude’a sorgulatıyor, bazı durumlarda Claude’un önerdiği yaklaşımı tekrar ChatGPT ile tartışıyordum.</p><p>Buradaki amacım “ChatGPT mi daha iyi, Claude mu?” karşılaştırması yapmak değildi. Asıl fayda, iki farklı modelin aynı probleme farklı açılardan yaklaşmasını sağlayabilmekti. Modellerden biri benim oluşturduğum sınıflandırma sistemindeki bir tutarsızlığı fark ettiğinde, bunu diğer modelle test edebiliyor ve sonunda İK açısından hangi yaklaşımın doğru olduğuna ben karar verebiliyordum.</p><p>Bu da projedeki çalışma şeklimi ciddi biçimde değiştirdi. Yapay zekânın ürettiği cevabı artık doğrudan “sonuç” olarak değil, <strong>değerlendirilmesi gereken bir öneri</strong> olarak görmeye başladım. Çünkü iki model de teknik olarak son derece ikna edici bir açıklama yapabiliyor, ancak bizim organizasyonumuzdaki bir ifadenin ne anlama geldiğini, hangi ayrımın yönetim açısından önemli olduğunu veya hangi sinyalin İK aksiyonu gerektirdiğini belirleyen şey hâlâ domain bilgisi oluyordu.</p><h3>Bir sentiment kolonundan Employee Experience Analytics’e</h3><p>Projenin belki de en ilginç tarafı, kapsamını baştan tasarlamamış olmamdı. Bir aşama çalıştığında bir sonraki soru kendiliğinden ortaya çıktı.</p><p>Sentiment’ı bulduktan sonra “Peki çalışan neden böyle hissediyor?” diye sormaya başladım ve ana tema ortaya çıktı. Ana tema yeterli olmayınca alt temaya indim; sınıflandırmalar çoğaldıkça modelin verdiği karardan ne kadar emin olduğumuzu görmek istedim ve güvenilirlik skoru eklendi. Ardından bazı kayıtların yalnızca çalışan deneyimini anlamak için değerli olduğunu, bazılarının ise gerçekten İK aksiyonu gerektirdiğini fark edince aksiyon ihtiyacını ayrıca değerlendirmeye başladım. Son olarak çalışanların kullandığı bazı ifadelerin olası ayrılma eğilimine işaret edip etmediğini anlamak için risk sinyallerini de yapıya dahil ettim.</p><p>Böylece ilk başta oldukça basit görünen süreç zaman içerisinde <strong>metni anlama → duygu → ana tema → alt tema → risk → güvenilirlik → aksiyon</strong> şeklinde ilerleyen çok katmanlı bir analiz yapısına dönüştü.</p><p>Tam bu aşamada projenin neye dönüştüğünü ben de daha net görmeye başladım. Aslında yaptığım şey AI ile Excel’e birkaç kolon doldurtmak değildi; çalışanların doğal dilde anlattıkları deneyimleri, organizasyon seviyesinde analiz edilebilecek yapılandırılmış bir veri setine dönüştürmeye çalışıyordum.</p><p>Ve bundan sonra önümde başka bir problem vardı: Artık elimde analiz edilmiş yüzlerce çalışan görüşmesi vardı ama bunları nasıl okuyacaktım?</p><h3>Excel sonuçtu ama içgörü değildi</h3><p>İlk çıktıyı Excel’de görmek oldukça tatmin ediciydi. Bir tarafta SAP’den gelen orijinal görüşme notları, diğer tarafta AI tarafından oluşturulan analiz kolonları vardı. Teknik olarak aradığım şeyi elde etmiştim.</p><p>Ancak dosyaya baktığımda başka bir şey fark ettim: Yüzlerce satırın her birinin tema, sentiment ve risk bilgisini taşıması, benim yüzlerce satırı artık okumama gerek olmadığı anlamına gelmiyordu. Sadece okunacak şeyi biraz daha düzenli hale getirmiştim.</p><p>Oysa benim başlangıçtaki problemim zaten buydu.</p><p>Dolayısıyla soruyu yeniden değiştirdim. Artık “AI bu notları analiz edebilir mi?” değil, <strong>“Bu analizlerden organizasyon hakkında ne öğrenebilirim?”</strong> diye düşünmeye başladım.</p><p>Burada Power BI devreye girdi.</p><p>Veriyi Power BI’a taşıdığımda, daha önce tek tek satırlarda duran bilgiler ilk kez toplu bir hikâyeye dönüşmeye başladı. Artık toplam kaç görüşme yapıldığını, çalışanların hangi temalardan daha sık bahsettiğini, negatif duygu yoğunluğunun nerelerde arttığını, hangi alt temaların belirli ekiplerde tekrar ettiğini ve hangi kayıtlarda daha güçlü risk sinyalleri bulunduğunu aynı yapı içerisinde görebiliyordum.</p><p>Daha önemlisi, veriyi iş birimi, departman, HRBP veya dönem gibi farklı kırılımlarla inceleyebiliyordum. Örneğin organizasyon genelinde çok büyük görünmeyen bir problem belirli bir departmana indiğimde ciddi şekilde yoğunlaşabiliyordu. Ya da genel sentiment dağılımı tek başına çok şey söylemezken, sentiment ile tema birlikte değerlendirildiğinde “negatif çalışan deneyiminin kaynağı neresi?” sorusu çok daha anlamlı hale geliyordu.</p><p>İşte bu noktada serbest metnin değeri benim için tamamen değişti. Daha önce SAP içerisinde duran ve çoğunlukla bir çalışan özelinde okunan 1:1 notları, artık toplu çalışan deneyimini anlamaya yarayan bir veri kaynağı haline geliyordu.</p><h3>Dashboard’u yapmak da işin sonu değilmiş</h3><p>Power BI ekranlarını oluşturunca projenin biteceğini düşünmek de başka bir yanılgıydı. Çünkü görselleştirme yaptığınız anda veri kalitesiyle ilgili hatalar çok daha görünür hale geliyor.</p><p>Bir tema beklediğinizden fazla görünüyorsa “Çalışanlarımız gerçekten bu konudan bu kadar çok mu bahsediyor, yoksa model bazı kayıtları yanlış mı sınıflandırıyor?” diye düşünmeye başlıyorsunuz. Negatif sentiment oranı yüksek çıktığında “Gerçekten negatif mi, yoksa kısa ve bağlamı sınırlı metinleri model yanlış mı yorumladı?” sorusu geliyor.</p><p>Bu nedenle Power BI yalnızca projenin sunum katmanı olmadı; aynı zamanda AI analizini kontrol ettiğim başka bir kalite mekanizmasına dönüştü.</p><p>Dashboard’da garip gördüğüm bir dağılım olduğunda tekrar Excel’e, oradan orijinal görüşme notuna dönüp kaydı inceliyor, gerekirse sınıflandırma kuralını değiştiriyor ve sistemi yeniden test ediyordum. Yani süreç düz bir çizgide ilerlemedi.</p><p><strong>Veri → AI analizi → kontrol → kalibrasyon → yeniden analiz → Power BI → yeniden kontrol</strong></p><p>şeklinde dönen bir yapı oluştu.</p><p>Bence projenin en değerli kısmı da tam olarak bu iterasyonlar oldu. Çünkü ilk promptumla aldığım sonucu kabul etmiş olsaydım, muhtemelen birkaç saat içerisinde “AI ile sentiment analizi yaptım” diyebileceğim bir çalışma ortaya çıkardı. Fakat o çalışma benim gerçek hayatta karar verirken güvenebileceğim bir araç olmazdı.</p><h3>Bir başka problem: Her ay bunu yeniden mı yapacağım?</h3><p>Proje çalışmaya başladıktan sonra bu kez çok pratik bir soru ortaya çıktı. İlk yüzlerce kaydı analiz etmek güzeldi ama her ay yeni 1:1 görüşmeleri gelmeye devam edecekti. Eğer her ay dosyaları yeniden hazırlamak, promptları yeniden oluşturmak, eski kayıtları tekrar analiz etmek ve Power BI yapısını tekrar düzenlemek gerekiyorsa aslında yeni bir manuel operasyon yaratmış olacaktım.</p><p>Bu yüzden tasarımın önemli kriterlerinden biri sürdürülebilirlik haline geldi. SAP’den gelen ana veri yapısını mümkün olduğunca bozmadan korumak, eski analiz edilmiş kayıtları değiştirmemek, yalnızca yeni veya analizi eksik kayıtları aynı metodolojiyle işlemek ve Power BI’ın aynı veri yapısından beslenmesini sağlamak gerekiyordu.</p><p>Bu ayrıntı kulağa AI kadar heyecan verici gelmeyebilir ama kurumsal hayatta bence bir projenin demo olmaktan çıkıp kullanılabilir hale gelmesini sağlayan şey tam olarak burası. Bir çözümün bir kez çalışması başka, her ay çalışmaya devam edebilmesi başka bir şey.</p><h3>AI’ın en fazla işe yaradığı yer düşündüğümden farklı çıktı</h3><p>Bu projeye başlamadan önce AI’ın asıl değerinin hız olduğunu düşünüyordum. Yüzlerce metni bir insandan çok daha hızlı okuyabilmesi doğal olarak en görünür avantajıydı.</p><p>Projenin sonunda ise fikrim biraz değişti.</p><p>Hız hâlâ önemliydi ama benim için daha ilginç olan şey, <strong>yapabildiğim işlerin sınırını genişletmesiydi.</strong></p><p>Normal şartlarda NLP tabanlı bir sınıflandırma sistemi kurmak istediğimde nereden başlayacağımı bilmiyor olabilirdim. Bir data scientist ile konuşmadan önce gereksinimlerimi teknik olarak tarif etmekte zorlanabilirdim. Power BI tarafında bir ölçüye ihtiyacım olduğunda DAX’ı sıfırdan yazamayabilirdim.</p><p>AI bütün bunlarda aradaki mesafeyi ciddi şekilde kısalttı.</p><p>Bir İK profesyoneli olarak çalışan deneyimini, 1:1 görüşmelerin nasıl yapıldığını, hangi ifadenin organizasyon içerisinde ne anlama gelebileceğini ve yöneticinin hangi içgörüye ihtiyaç duyacağını biliyordum. AI ise bu bilgiyi bir analiz sistemine dönüştürürken teknik taraftaki boşlukları çok daha hızlı kapatmamı sağladı.</p><p>Bu nedenle bugün projeyi “AI benim yerime çalışan notlarını analiz etti” şeklinde tarif etmek bana eksik geliyor.</p><p>Daha doğru tanım sanırım şu:</p><p><strong>Ben problemi ve İK bağlamını biliyordum; AI ise bunu daha önce tek başıma yapamayacağım bir forma dönüştürmemi sağladı.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*-2Zr1CaxanGBNhJJo2Am5g.jpeg" /></figure><h3>Peki AI’a güveniyor muyum?</h3><p>Evet ve hayır.</p><p>Yüzlerce serbest metni analiz etmek konusunda inanılmaz faydalı olduğunu gördüm. Ancak aynı zamanda son derece ikna edici şekilde yanlış olabileceğini de gördüm.</p><p>Özellikle çalışan deneyimi gibi bağlamın önemli olduğu alanlarda, modelin ürettiği bir sınıflandırmayı sırf kendinden emin göründüğü için doğru kabul etmenin riskli olduğunu düşünüyorum. Bu nedenle projeye güvenilirlik skoru eklemek, düşük güvenilirlikteki kayıtları ayrı değerlendirmek ve kritik risk sinyallerinde insan kontrolünü korumak benim için önemli hale geldi.</p><p>Ayrıca bu tür projelerde veri gizliliği, çalışan verisinin hangi ortamda işlendiği, hangi verilerin modele gönderildiği, erişim yetkileri ve AI çıktısının hangi kararlar için kullanılacağı gibi konular teknik doğruluk kadar önemli. Bir modelin “ayrılma riski” dediği bir çalışan hakkında otomatik bir karar vermek ile bu sinyali HRBP’nin incelemesi gereken bir gösterge olarak kullanmak aynı şey değil.</p><p>Benim yaklaşımım ikincisi oldu.</p><p>AI burada karar veren taraf değil; <strong>insanın dikkatini nereye yöneltmesi gerektiğini gösteren bir yardımcı.</strong></p><h3>Bu proje bana aslında AI hakkında ne öğretti?</h3><p>Belki de en büyük öğrenimim teknik değildi.</p><p>AI kullanmaya başlamak için AI uzmanı olmanız gerekmiyor; fakat iyi bir AI çözümü oluşturmak için <strong>problemi çok iyi bilmeniz gerekiyor.</strong></p><p>ChatGPT’nin de Claude’un da benden çok daha fazla teknik bilgisi var. Fakat hiçbirinin bizim çalışanlarımızı, organizasyonumuzun dilini veya bir İK profesyonelinin neden bazı ayrımları önemsediğini kendiliğinden bilmesi mümkün değil.</p><p>Ben de onların bildiği pek çok teknik şeyi bilmiyorum.</p><p>Sanırım güç tam olarak bu iki taraf birleştiğinde ortaya çıkıyor.</p><p>Bu projeye başlarken “NLP projesi yapacağım” demedim. “Sentiment modeli geliştireceğim” de demedim. Sadece yüzlerce çalışanın bize anlattığı şeyi daha iyi anlamanın bir yolu olup olmadığını merak ettim.</p><p>Sonra bir soru başka bir soruyu doğurdu.</p><p>Sentiment tema oldu, tema alt temaya indi, alt tema risk ve aksiyon ihtiyacını getirdi; Excel Power BI’a bağlandı, ChatGPT’nin yanına Claude geldi, promptlar kurallara, kurallar bir taksonomiye dönüştü.</p><p>Başlangıçta istediğim şey ile sonunda ortaya çıkan şey arasında oldukça büyük bir mesafe oluştu.</p><p>Ve bütün bu sürecin sonunda zaman zaman gerçekten şunu düşünüyorum:</p><p><strong>Ben bir İK profesyoneli olarak, kod yazmadan ve AI konusunda akademik bir geçmişim olmadan bir iş problemini buraya kadar taşıyabildiysem, bu teknolojiyi gerçekten bilen insanların domain uzmanlarıyla birlikte çalıştığında neler yapabileceğini hayal etmek zor.</strong></p><p>Ama belki de mesele “AI master’ları neler yapar?” sorusundan biraz daha farklı.</p><p>Çünkü bu proje bana başka bir ihtimali gösterdi:</p><p>Geleceğin en ilginç AI projelerinin tamamı AI ekiplerinden çıkmayabilir.</p><p>Bazıları İK’dan, finanstan, pazarlamadan, operasyondan ya da yıllardır belirli bir problemi yaşayan başka bir ekipten çıkabilir. Çünkü AI uzmanları teknolojinin neler yapabileceğini biliyor; işin içindeki insanlar ise <strong>hangi problemin çözülmeye değer olduğunu</strong> biliyor.</p><p>Belki de bundan sonraki asıl yetkinlik herkesin data scientist olması değil.</p><p><strong>Kendi alanını çok iyi bilip AI ile ne yapabileceğini keşfetmek.</strong></p><p>Benim için bu proje tam olarak böyle başladı.</p><p>Bir Excel dosyası, yüzlerce 1:1 görüşme notu ve oldukça basit bir soru:</p><p><strong>“Acaba AI bunları okuyabilir mi?”</strong></p><p>Cevabın beni bu kadar uzağa götüreceğini tahmin etmiyordum.</p><p>Beni dinlediğin için teşekkürler :)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a12d2d69c44a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Quiet Hiring: Kimseyi Almadan Büyümeye Çalışan Şirketler]]></title>
            <link>https://medium.com/@v.tugcesoner/quiet-hiring-kimseyi-almadan-b%C3%BCy%C3%BCmeye-%C3%A7al%C4%B1%C5%9Fan-%C5%9Firketler-ef416a33a7b5?source=rss-3d1f793bdc51------2</link>
            <guid isPermaLink="false">https://medium.com/p/ef416a33a7b5</guid>
            <category><![CDATA[human-resources]]></category>
            <dc:creator><![CDATA[V. Tuğçe Soner]]></dc:creator>
            <pubDate>Fri, 17 Apr 2026 08:08:49 GMT</pubDate>
            <atom:updated>2026-04-17T08:08:49.038Z</atom:updated>
            <content:encoded><![CDATA[<p>Son zamanlarda şirketlerde garip bir durum var. İşler artıyor ama ekipler pek büyümüyor. Hatta bazı yerlerde küçülüyor. Buna rağmen kimse “yetişemiyoruz” demiyor, herkes bir şekilde yetiştiriyor.</p><p>Bunun da adı konmuş: <em>Quiet Hiring.</em></p><p>Kulağa baya stratejik geliyor. Sanki planlı bir şeymiş gibi ama çoğu zaman oldukça basit ilerliyor.</p><p>Birisi ayrılıyor, yerine kimse alınmıyor.<br>Yeni bir iş çıkıyor, “bir süre sen bakar mısın?” deniyor sonra o “bir süre” kalıcı oluyor.</p><p>Organizasyon içinde küçük kaymalar başlıyor. Unvanlar aynı kalıyor ama yapılan iş değişiyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/450/1*IXD9wGIT9pXhIDOpsmuPZA.jpeg" /></figure><h3>Şirket açısından bakınca tablo güzel</h3><p>Dürüst olalım, şirket tarafında bu model oldukça cazip:</p><ul><li>İşe alım maliyeti yok</li><li>Adaptasyon süreci yok</li><li>“Doğru kişi mi?” riski yok</li></ul><p>Bir de içerideki insanlar zaten işi biliyor. “Zaten yapar” güveni var.</p><p>Kısa vadede gerçekten işe yarıyor.</p><p>Bir de Türkiye gerçekliği var. Bugünün ekonomik koşullarında her rolü yeniden açmak, bütçe almak, onay süreçlerinden geçmek zaten başlı başına zor. Bu yüzden birçok şirket için bu artık sadece bir tercih değil, biraz da zorunluluk.</p><p>Yani bazı yerlerde bu model “strateji” olduğu kadar “mecburiyet”.</p><h3>Ama çalışan tarafında işler o kadar net değil</h3><p>Çünkü bu modelde değişim çoğu zaman açık açık konuşulmuyor.</p><p>Kimse “rolün değişti” demiyor ama rol değişiyor. Kimse “sorumluluğun arttı” demiyor ama artıyor.</p><p>Ve bu genelde bir fırsat gibi değil, daha çok şöyle hissettiriyor:</p><p><em>“Sen zaten yaparsın.”</em></p><p>Bu cümle Türk iş hayatının en tehlikeli motivasyon araçlarından biri olabilir.</p><p>Bir süre sonra insan ister istemez şunu düşünmeye başlıyor: Ben gerçekten gelişiyor muyum, yoksa sadece boşluk mu dolduruyorum?</p><h3>Asıl mesele burada başlıyor</h3><p>Quiet hiring doğru kurgulandığında gerçekten işe yarayabilir. İnsanlara yeni deneyimler kazandırabilir, organizasyon içinde esnekliği artırabilir.</p><p>Ama genelde eksik olan şey şu:</p><ul><li>Bu değişim konuşulmuyor</li><li>Beklenti net değil</li><li>Karşılığı belirsiz</li></ul><p>Yani iş var ama çerçevesi yok.</p><p>Bu yüzden insanlar ne zaman “fazla” yapmaya başladığını fark etmiyor ama bir noktada yorulduklarını çok net hissediyorlar.</p><p>Ve genelde o noktada herkes aynı şeyi söylüyor: “Çok yoruldum ama tam olarak neye yorulduğumu anlatamıyorum.”</p><p>Sonuç olarak şirketler için bu model kısa vadede oldukça mantıklı ama çalışan tarafında görünmeyen işlerin görünmeyen bir limiti var.</p><p>Ve o limit aşıldığında kimse “biz quiet hiring yapıyorduk” demiyor. Herkes sadece “çok yoğun bir dönemdi” deyip geçiyor.</p><p>Bir de işin şu tarafı var, o da biraz komik.</p><p>Yıllardır olan bir duruma yeni bir isim bulmuş olmamız.<br>Eskiden buna “idare etmek” diyorduk. Şimdi <em>quiet hiring</em> diyoruz.</p><p>İngilizce olunca biraz daha stratejik hissettiriyor tabii.</p><p>Bir de dürüst olalım, bugüne kadar kimsenin çıkıp “biz burada quiet hiring yapıyoruz” dediğini pek sanmıyorum.</p><p>Daha çok şöyle ilerliyor:</p><ul><li>“Bu rolü bir süre böyle götürelim”</li><li>“Şimdilik içeriden çözelim”</li><li>“Zaten ekip halleder”</li></ul><p>Sonra bir bakıyorsun, modelin adı konmuş ama uygulaması hâlâ aynı.</p><p>Benim kafama takılan kısım şu:<br>Bu gerçekten yeni bir yaklaşım mı, yoksa zaten yaptığımız bir şeyi biraz daha iyi anlatmanın yolu mu?</p><p>Ve daha önemlisi, bunu bir fırsat olarak mı yaşıyoruz, yoksa fark etmeden üstümüze eklenen bir yük olarak mı?</p><p>Çünkü aradaki farkı belirleyen şey modelin kendisi değil.<br>Nasıl uygulandığı.</p><p>Gerisi zaten hepimizin bildiği hikâye. 😌</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ef416a33a7b5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Aynı İnsan, Farklı Lider: Şirketler Liderliği Nasıl Şekillendiriyor?]]></title>
            <link>https://medium.com/@v.tugcesoner/ayn%C4%B1-i%CC%87nsan-farkl%C4%B1-lider-%C5%9Firketler-liderli%C4%9Fi-nas%C4%B1l-%C5%9Fekillendiriyor-4aeee299adb2?source=rss-3d1f793bdc51------2</link>
            <guid isPermaLink="false">https://medium.com/p/4aeee299adb2</guid>
            <category><![CDATA[hr]]></category>
            <category><![CDATA[leadership]]></category>
            <dc:creator><![CDATA[V. Tuğçe Soner]]></dc:creator>
            <pubDate>Mon, 23 Mar 2026 05:07:39 GMT</pubDate>
            <atom:updated>2026-03-23T05:07:39.183Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*njM3dMwqEwEsJ5imQEh1Vw.jpeg" /></figure><p>Fark etmişsindir.</p><p>Aynı kişi, farklı şirketlerde bambaşka bir yöneticiye dönüşebiliyor.<br>Bir yerde oldukça empatik, dinleyen, geliştiren bir liderken; başka bir yerde daha sert, daha sonuç odaklı, hatta bazen mesafeli bir profile bürünebiliyor.</p><p>İlk bakışta bu durum çelişkili gibi duruyor.<br>Ama aslında oldukça mantıklı.</p><p>Çünkü liderlik sandığımız kadar sabit değil.<br>Aynı kişi, farklı ortamlarda bambaşka bir versiyonunu ortaya koyabiliyor.<br>Bu da bize şunu gösteriyor: Liderlik sadece karakterle açıklanamaz.</p><p>Bir organizasyona girdiğinde aslında sadece işe başlamıyorsun.<br>Bir süre sonra şunu hissetmeye başlıyorsun:</p><p>Burada ne gerçekten değerli?</p><p>Hız mı önemli, yoksa ilişki mi?<br>Sonuç mu ödüllendiriliyor, yoksa süreç mi?<br>Sorgulamak mı destekleniyor, yoksa uyum mu bekleniyor?</p><p>Bu soruların cevapları çoğu zaman yazılı değildir ama herkes tarafından hissedilir.</p><p>Ve insanlar düşündüğümüzden çok daha hızlı adapte olur.</p><p>Eğer bir organizasyonda sadece sonuçlar görünürse, yöneticiler de doğal olarak sonuç odaklı davranır.<br>Eğer iletişim ve ekip gelişimi gerçekten takdir ediliyorsa, bu davranışlar daha fazla ortaya çıkar.</p><p>İnsanlar öğrendiklerine göre değil, ortamın gerçekten ödüllendirdiği şeye göre hareket eder.</p><p>Bu yüzden bir yöneticinin geçmişte benimsediği yaklaşımlar, yeni bir organizasyonda birebir devam etmeyebilir.<br>Çünkü sistem farklı şeyler ister.</p><p>Aslında burada “değiştin” demek tam doğru değil.<br>Daha doğru ifade şu:</p><p>İnsan, içinde bulunduğu yapıya göre davranışlarını yeniden şekillendirir.</p><p>Bu bazen çok iyi bir şey.<br>İnsan esnemeyi öğrenir, farklı bakış açıları kazanır.<br>Ama bazen de daha önce işe yarayan davranışlar geri planda kalır.</p><p>Ve burada asıl soru ortaya çıkar:</p><p>Şirketler gerçekten nasıl liderler yetiştiriyor?</p><p>Çünkü liderlik gelişimi sadece eğitimlerle olmaz.<br>Günlük iş yapış şekliyle oluşur.</p><p>İnsanlar anlatılanı değil, gördüğünü ve işe yaradığını düşündüğünü tekrar eder.</p><p>Eğer bir organizasyonda belirli bir liderlik tarzı sürekli öne çıkıyorsa, bu tesadüf değildir.<br>Sistem o davranışı besliyordur.</p><p>Bu yüzden liderliği sadece bireysel bir yetkinlik olarak görmek eksik kalır.<br>Liderlik aynı zamanda organizasyonun bir çıktısıdır.</p><p>Belki de mesele insanların değişmesi değil.</p><p>İçinde bulundukları sistemin, onları nasıl birine dönüştürdüğü.</p><p>— — — —</p><p>Bayramdan sonraki ilk pazartesi.<br>Bir süredir yazmıyordum.<br>Tekrar yazmak iyi geldi, özlemişim.</p><p>Görüşmek üzere…</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4aeee299adb2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Top Yere Düşmesin Diye Koşarken Kim Yoruluyor?]]></title>
            <link>https://medium.com/@v.tugcesoner/top-yere-d%C3%BC%C5%9Fmesin-diye-ko%C5%9Farken-kim-yoruluyor-bbe6b68b1a34?source=rss-3d1f793bdc51------2</link>
            <guid isPermaLink="false">https://medium.com/p/bbe6b68b1a34</guid>
            <dc:creator><![CDATA[V. Tuğçe Soner]]></dc:creator>
            <pubDate>Thu, 29 Jan 2026 12:03:46 GMT</pubDate>
            <atom:updated>2026-01-29T12:09:19.629Z</atom:updated>
            <content:encoded><![CDATA[<p>Son yıllarda iş hayatında adı konmamış ama herkesin bildiği bir refleks var:<br>Top yere düşmemeli.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/612/1*UGAjTljGit10evIWQepeWg.jpeg" /></figure><p>Kimse bunu resmi bir beklenti olarak söylemiyor. Performans hedeflerinde yazmıyor, iş tanımlarında geçmiyor. Ama gündelik iş akışında hissediliyor. Bir iş sahipsiz kalmasın diye biri mutlaka devreye giriyor. Sorumluluk net olmasa da biri “ben hallederim” diyor. Çoğu zaman bu bir görev değil, sessiz bir içgüdü.</p><p>Bu refleks ilk bakışta oldukça olumlu. Hatta pek çok organizasyonda övgüyle karşılanıyor. Sahiplenen, inisiyatif alan, boşlukları dolduran insanlar “iyi çalışan” olarak tanımlanıyor. Belirsizliğin yüksek, hızın önemli olduğu bir dünyada bu tavır gerçekten işleri ileri taşıyabiliyor.</p><p>Ama bu hikâyenin konuşulmayan bir tarafı var.</p><p>Doğru zeminde olduğunda “top yere düşmesin” yaklaşımı ekipler için büyük bir güçtür. Roller genel olarak bellidir, sorumluluklar anlaşılmıştır. İşler sıkıştığında insanlar geçici olarak esner, birbirinin alanına destek olur. Bu esneklik karşılıklıdır ve görünürdür. Kimse sürekli aynı yükü taşımaz, kimse de bu çabayı fark edilmeden sürdürmez.</p><p>Bu ortamda sahiplenme bir zorunluluk değil, bilinçli bir tercihtir.<br>Ve tam da bu yüzden değerlidir.</p><p>Sorun, bu davranışın istisna olmaktan çıkıp norm haline gelmesiyle başlar.</p><p>Bir noktadan sonra insanlar inisiyatif aldıklarını değil, sistemdeki boşlukları kapattıklarını hissetmeye başlar. “Birisi yapmazsa kalacak” düşüncesi giderek daha sık tekrar eder. Ekstra işler geçici olmaktan çıkar, kalıcı hale gelir. Rol sınırları bulanıklaşır ama bu bulanıklık açıkça konuşulmaz.</p><p>Burada kritik olan şey şudur:<br>Kimse bu durumdan yüksek sesle şikâyet etmez.</p><p>Çünkü çoğu zaman bu yük, kişinin kendi tercihi gibi görünür. “Kimse zorlamadı”, “ben aldım”, “herkes böyle yapıyor” gibi cümlelerle durum normalleştirilir. Oysa bu sessiz normalleşme, zamanla ciddi bir stres kaynağına dönüşür.</p><p>Bu stres kendini hemen göstermez. İlk etapta performans düşmez, işler aksmaz. Hatta bazı dönemlerde sonuçlar oldukça iyi bile olabilir. Ama içeride başka bir şey olur. Enerji azalır, odak dağılır, yapılan işin karşılığının görülmediği hissi güçlenir. İnsanlar yorgun olduklarını kabul etmekte bile zorlanır.</p><p>Bu noktada sıkça karıştırılan bir kavram devreye girer: esneklik.</p><p>Esneklik değerlidir. Ancak rol ve sorumluluklar net değilse, esneklik bir avantaj olmaktan çıkar. Sistem boşluklarını kapatan bir tampon mekanizmaya dönüşür. Yani organizasyonlar sorunlarını çözmek yerine, insanların iyi niyetine yaslanır.</p><p>Bu da sürdürülebilir değildir.</p><p>Çünkü “top yere düşmesin” refleksi genellikle herkeste eşit dağılmaz. Aynı kişiler tekrar tekrar devreye girer. Aynı insanlar sorumluluğu üstlenir. Zamanla bu durum görünmez bir rol haline gelir: her şeyi toparlayan, her açığı kapatan ama tanımı olmayan bir rol.</p><p>Bu noktada bazı sinyaller ortaya çıkar:</p><ul><li>İnsanlar “hayır” demekte zorlanır</li><li>İş yükü konuşulmaz ama hissedilir</li><li>Performans değerlendirmeleri bu emeği yakalayamaz</li><li>Sahiplenme beklenen bir davranışa dönüşür</li></ul><p>Ve en önemlisi, bu yükü taşıyanlar kendilerini zamanla yalnız hisseder.</p><p>Burada HR’ın ve organizasyonların sorması gereken temel soru şudur:<br>Sahiplenme gerçekten bilinçli bir kültür tercihi mi, yoksa sistemsel belirsizliklerin doğal sonucu mu?</p><p>Eğer roller düzenli olarak gözden geçirilmiyor, görünmeyen emek konuşulmuyor ve sorumluluk paylaşımı net değilse, sorun kişilerin dayanıklılığında değildir. Sorun yapının kendisindedir.</p><p>Çözüm sahiplenmeyi azaltmak değildir. Kimsenin “inisiyatif alma” refleksini kırmak istemeyiz. Asıl mesele, bu refleksin tek çözüm yolu haline gelmesini engellemektir. Sağlıklı ekipler, sürekli açık kapatan değil; sorumluluğu adil, net ve bilinçli şekilde paylaşabilen ekiplerdir.</p><p>Top yere düşmesin diye koşmak bazen gerçekten gerekir.<br>Ama sürdürülebilir olan, <strong>aynı kişilerin sürekli koşmadığı</strong> bir düzen kurabilmektir.</p><p>Asıl mesele şudur:<br>Top yere düşmesin diye koşarken kimlerin yorulduğunu görmek ve bu yorgunluğu konuşulabilir hale getirebilmek.</p><p><strong>Ve küçük bir not:</strong><br> Ha tabii, bazen de top aslında yere düşmezken, düşüyormuş gibi yapıp “ben olmasam işler yürümüyor” algısı yaratanlar vardır.<br> İşin ilginci, o insanlar yokken de işler yürür. Sadece kimse bunu yüksek sesle ilan etmez.<br>Ama bu, başka bir yazının konusu 🙂</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bbe6b68b1a34" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Liderlik Nedir, Ne Değildir?]]></title>
            <link>https://medium.com/@v.tugcesoner/liderlik-nedir-ne-de%C4%9Fildir-b8894a72eb12?source=rss-3d1f793bdc51------2</link>
            <guid isPermaLink="false">https://medium.com/p/b8894a72eb12</guid>
            <category><![CDATA[human-resources]]></category>
            <category><![CDATA[leadership]]></category>
            <category><![CDATA[leadership-skills]]></category>
            <dc:creator><![CDATA[V. Tuğçe Soner]]></dc:creator>
            <pubDate>Mon, 17 Nov 2025 08:12:04 GMT</pubDate>
            <atom:updated>2025-11-17T08:12:04.483Z</atom:updated>
            <content:encoded><![CDATA[<p>Onboarding süreçlerini düşünürken sık sık aynı soruya takılıyorum: <em>“Bağlılığı nasıl artırırım?”</em><br>Deneyimi, süreci, akışı tasarlarken bu sorunun peşinden gitmek bana hep doğal geliyor. Ama her seferinde fark ediyorum ki, yol dönüp dolaşıp bir noktada liderliğe çıkıyor. Çünkü kâğıt üzerinde mükemmel görünen süreçler bile, uygulamada bir liderin tutumuna teslim oluyor.<br>Ben de kendi yolumu bulmaya çalışırken liderlik kavramı zihnimde sık sık dolaşıyor; ne zaman gerçekten liderlik oluyor, ne zaman sadece kolay bir yöntem gibi kalıyor, ne zaman bir kişinin gölgesinde daralıyor…</p><p>Bu yazı biraz da bu soruların içinden şekillendi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MSA_3l5v_US8w_XktIKyKg.jpeg" /></figure><p>Liderlik çoğu zaman yüksek sesle anlatılan ama düşük sesle anlaşılan bir kavram. Bir ekibin bütününü görebilmek, potansiyeli yalnızca görünür olanda değil sessiz olanlarda da fark edebilmek, sorumluluğu adilce dağıtmak ve kararları tek bir kişinin etkisine bırakmamak… Bunlar liderliğin temel taşları.</p><p>Fakat iş hayatında sıkça karşılaşılan bir durum var: Zamanla bir çalışan yöneticinin doğal başvuru noktasına dönüşüyor. Çözümler onun üzerinden konuşuluyor, kritik işler onun omzuna bırakılıyor, karar anları onun fikrine göre şekilleniyor. Başlangıçta pratik gibi görünen bu yapı, zamanla ekip içindeki dengeyi bozan bir modele dönüşüyor.</p><p>Ekipler bu değişimi çok hızlı fark ediyor.<br>Kimin sözü daha çok duyuluyor, kim görünmez kalıyor, hangi ilişki profesyonelliğin dışına taşmaya başlıyor… Bunların hiçbiri yüksek sesle konuşulmasa da ekip tarafından çok iyi anlaşılıyor. Adalet duygusu sessizce yerinden oynuyor. İnsanlar içten içe geri çekilmeye başlıyor; daha az konuşuyor, daha az öneri getiriyor, daha az görünür oluyor.<br>Bağlılık çoğu zaman gürültülü bir şekilde kopmuyor; yavaş ve sessizce sönüyor.</p><p>Sürekli öne çıkarılan kişi bile bu düzenden uzun vadede güçlü çıkmıyor. Üzerine yük biniyor, beklenti büyüyor, hata payı küçülüyor. Ekiple bağları zayıfladıkça yalnızlık artıyor. Bir süre sonra yeteneğiyle değil, liderle kurduğu yakınlıkla tanımlanma riski doğuyor. Bu algı hem o kişiyi hem lideri hem de ekibi zor duruma sokuyor. Çünkü profesyonel zeminin hassas dengesi bozuluyor.</p><p>Bir de işin görünmeyen başka bir boyutu var: Bazı çalışanların lideri kendi penceresinden beslemesi. Küçük yorumlar, seçilmiş bilgiler, ince yönlendirmeler…</p><p>Eğer lider objektif kalamazsa, veri yerine fısıltıları yönetmeye başlıyor. Böyle bir yapı, liderin farkında olmadan tek bir kişinin süzgecinden geçmiş algılarla karar vermesine neden oluyor. Bilgi ile dedikodu birbirine karıştıkça ekip içi denge daha da bozuluyor.</p><p>Elbette liderlik çok geniş bir alan ve yapılabilecek hataların sayısı da az değil. İletişimden geri bildirime, delegasyondan adalete kadar pek çok konu tartışmaya değer.<br>Ama bugün özellikle bu noktaya odaklanmak istedim; çünkü ekiplerde en sessiz ama en derin etkiyi bırakan hatalardan biri bu. Üstelik sadece çevremde gördüğüm bir durum değil; kendi liderlik yolculuğumda da zaman zaman içine düşebileceğimi fark ettiğim bir alan. Bu yüzden hem gözlemlemeye hem de <em>“Ben olsam nasıl davranmalıyım?”</em> sorusunu kendime hatırlatmaya değer buluyorum.</p><p>Bu tür dinamikler zamanla ekibin dokusunu bozabiliyor. Güven azalıyor, motivasyon düşüyor, potansiyel geri çekiliyor. Lider fark etmese bile ekip sessizce çözülmeye başlıyor.</p><h3>Gerçek Liderlik Nedir?</h3><p>Benim liderlik anlayışıma göre gerçek liderlik, tek bir kişinin parlamasıyla değil; bütün bir ekibin birlikte güçlenmesiyle anlam kazanır.<br>Gerçek lider:</p><ul><li>Ekibin tamamını duyar; yalnızca yakınında duranları değil.</li><li>Sessiz kalanların da sesini arar; çünkü sessizlik çoğu zaman kaybedilen en büyük potansiyeldir.</li><li>Güveni bir kişiye yaslamaz; güveni kültüre dönüştürür.</li><li>Adaleti “hissettirir”; sadece sözde bırakmaz.</li></ul><p>Bir ekibi büyütmek, bir kişiyi öne çıkarmaktan her zaman daha zor ama çok daha değerlidir.<br>Çünkü gerçek liderlik, herkesin aynı anda parlayabildiği bir düzen kurabilme becerisidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VvmO5lZH-_BwVlRyLabv5A.jpeg" /></figure><p>Sonuç olarak liderlik, büyük söylemlerden çok, küçük ama düzenli seçimlerde ortaya çıkıyor.<br>Bir kişinin üzerinden yürüyen düzenler kısa vadede işlese bile uzun vadede ekip bağını zedeliyor. İş hayatında gördüğüm örnekler bana hep aynı şeyi hatırlatıyor: Liderlik en çok farkında bile olmadığımız anlarda sınanıyor.</p><p>Konu konuyu açtı; liderlikten ekip dinamiklerine, oradan bağlılığa uzandık ve buraya kadar geldik.<br><strong>Okuduğun için teşekkür ederim.</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b8894a72eb12" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Bir Bağlılık Meselesi; Galiba Onboard Olamıyoruz!]]></title>
            <link>https://medium.com/@v.tugcesoner/bir-ba%C4%9Fl%C4%B1l%C4%B1k-meselesi-galiba-onboard-olam%C4%B1yoruz-ea9be4cd8191?source=rss-3d1f793bdc51------2</link>
            <guid isPermaLink="false">https://medium.com/p/ea9be4cd8191</guid>
            <category><![CDATA[onboarding]]></category>
            <category><![CDATA[employees]]></category>
            <category><![CDATA[experience]]></category>
            <category><![CDATA[hr]]></category>
            <category><![CDATA[welcome]]></category>
            <dc:creator><![CDATA[V. Tuğçe Soner]]></dc:creator>
            <pubDate>Mon, 20 Oct 2025 11:34:00 GMT</pubDate>
            <atom:updated>2025-10-20T11:34:00.731Z</atom:updated>
            <content:encoded><![CDATA[<p>Son zamanlarda onboarding sürecine fena halde kafayı taktım.</p><p>Yeni başlayan birinin kendini nasıl daha iyi hissedeceğini, o ilk haftadaki heyecanı nasıl sönümlenmeden sürdürebileceğini ve “bizden biri” hissini nasıl erkenden yakalayabileceğini düşünüyorum.</p><p>Çünkü onboarding yalnızca işe başlama değil; kurumla ilk duygusal temas. O ilk izlenim, değerlerin gerçekten yaşanıp yaşanmadığını ortaya koyuyor; biz onları tanımaya çalışırken onlar da bizi deneyimliyor ve o karşılıklı deneyim uzun vadeli bağlılığın temelini atıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iG_lEEmtvq69H-vOZssjdw.png" /></figure><h3>Peki Biz Ne Yapacağız?</h3><p>İşe başlamadan önce ait hissettireceğiz, başladığında aynı hissi bulmasını sağlayacağız, ilk 90 günde bu bağı güçlendireceğiz.</p><p>İşte bunun için basit bir kaç ipucu;</p><ul><li><strong>Daha başlamadan hissettir.</strong> İnsan işe ilk gün değil, <em>kabul gördüğü an</em> başlar. Onu preboarding’de tanıştır, heyecanını paylaş, henüz adım atmadan o aidiyet duygusunu ver.</li><li><strong>İlk günü öğretme günü değil, bağ kurma günü yap.</strong> Bilgi her zaman verilir ama ilk gün duygunun kurulduğu andır. İnsan kendini merak eden, bekleyen ve değer veren bir ekip gördüğünde öğrenmeye zaten açık olur.</li><li><strong>Yöneticiye rol değil, ilişki ver.</strong> O sadece yöneten değil, yeni çalışanın rehberi. Vakit ayırdığı, sorular sorduğu, ilgisini gösterdiği her an kültürün en görünür yüzü olur.</li><li><strong>Kültürü anlatma, yaşa.</strong> İnsan kaynakları değil, insanlar gösterir kültürü. Söylediğimizle yaptığımız aynıysa güven kendiliğinden oluşur.</li><li><strong>Deneyimi bir an değil, bir yolculuk olarak düşün.</strong> İlk haftada değil, her zaman yanında ol. Geri bildirim ver, kutla, destekle. Çünkü bağlılık süreklilikle güçlenir.</li></ul><p>Hepsi bu. Ne sihir ne formül.<br>Sadece samimiyet, tutarlılık ve insan gibi davranmak.</p><h3>İlk Gün: Duygusal Eşik Noktası</h3><p>Bir çalışanın ilk günü, kurumun nasıl bir yer olduğunu belirler. Kapıda nasıl karşılandığı, ekiple ilk teması, yöneticinin ilk cümlesi…</p><p>Hepsi “burada önemseniyorum” hissini ya büyütür ya boğar.</p><p>Basit bir “Hoş geldin, seni bekliyorduk.” çoğu zaman en kapsamlı oryantasyon sunumundan daha kalıcıdır; insanlar süreçleri değil, kendilerini nasıl hissettiklerini hatırlar.</p><h3>Yönetici: Kültürün İlk Temsilcisi</h3><p>Onboarding’i İK tasarlar ama çalışan önce yöneticisine bağlanır. İlk hafta yöneticinin ayırdığı zaman, merakı ve rehberliği şirketin DNA’sını görünür kılar.</p><p>Yöneticiler bu süreci bir zorunluluk değil, ilişki kurma fırsatı olarak gördüğünde, “hoş geldin” bir nezaket değil, aidiyetin başlangıç sinyaline dönüşür.</p><h3>Kültür Sunumla Değil, Davranışla Öğretilir</h3><p>Kültürü slaytlarda değil, günlük mikro davranışlarda gösteririz: kimin sesi duyuluyor, kim takdir ediliyor, kim görünmez kalıyor.</p><p>“İnsan odaklıyız” diyorsak, bu odak ilk haftadaki karar ve etkileşimlerde görünür olmalı. Söylem ile eylem arasındaki açı ne kadar küçükse, güven o kadar hızlı oluşur.</p><h3>Deneyimi Kişiye Göre Şekillendir</h3><p>Herkes aynı ritimde adapte olmaz. Bazıları net planla güvende hisseder, bazıları gözlemle öğrenir; kimi eğitim modülünden, kimi kahve sohbetinden beslenir. İyi bir onboarding, sistemi kişiye yaklaştırır.</p><p>“Benim için düşünülmüş” hissi doğduğu anda sahiplenme başlar ve bağlılık hedef olmaktan çıkar, yan etkiye dönüşür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/612/1*CW6Ex3AdkEU6kzmMsfuLxw.jpeg" /></figure><h3>İyi Tasarlanmış Bir Deneyim: Spotify’ın “Buddy Programı”</h3><p>Onboarding denince hâlâ en çok başvurulan örneklerden biri Spotify.</p><p>2014’te başlayan “Buddy Program” bugün 2024 itibarıyla “<strong>preboarding–onboarding–belonging</strong>” üçlemesine evrildi.</p><p>Çalışan daha başlamadan bir hafta önce <strong>Welcome Hub</strong>’a davet ediliyor; yöneticiden kısa bir karşılama videosu izliyor, ekip mesajlarını görüyor, kendisiyle ilgilenecek bir <strong>buddy</strong> ile tanışıyor. Buddy artık sadece ilk haftalık bir destek değil; 90 güne yayılan, düzenli check-in’lerle ilerleyen bir öğrenme yolculuğunun parçası.</p><p>Spotify bu süreci metriklerden ziyade duygu skorlarıyla izliyor; 2024 tarihli People Experience paylaşımında yeni başlayanların %90’ının “ilk haftamda gerçekten bağlantı kurdum” hissini yaşadığı belirtiliyor.</p><p>Kısacası güç, pürüzsüz süreçte değil; <strong>erken kurulan bağlantıda</strong>.</p><h3>Sonuç: Bağlılık Ölçülmez, Hissedilir</h3><p>Görülmek, değer görmek ve anlam bulmak…</p><p>Üçü bir araya geldiğinde bağlılık kendiliğinden oluşur. Onboarding’in amacı da tam olarak budur: birini işe değil, hikâyeye dahil etmek. Aidiyet, masaya koyduğun mousepad’le değil, yanına oturup “Hoş geldin, seni bekliyorduk.” dediğin anda başlar; o andan sonra da her günkü tutarlılıkla büyür.</p><p>Çünkü sonunda herkes aynı şeyi ister: göründüğünü, değer gördüğünü ve bir yere ait olduğunu hissetmek. Biz bunu hissettirebiliyorsak, zaten her şeyin en iyisini yapıyoruzdur.</p><p>Buraya kadar geldiysen, seninle aynı derdi paylaşıyoruz demektir.<br>O zaman hoş geldin… bu hikâyeye sen de dahilsin artık. ✨<br>Belki yollarımız bir onboarding sunumunda ya da bir kahve sohbetinde kesişir, kim bilir. <br>Okuduğun, düşündüğün ve ben yazarken beni yalnız bırakmadığın için teşekkür ederim. 💛</p><h3>Kaynaklar</h3><p>Spotify HR Blog — <em>“Human-Centered Onboarding: From Preboarding to Belonging”</em>, Spotify People Experience, 2024</p><p>Deel Blog — <em>“Employee Onboarding at Spotify: How They Keep It Human”</em>, 2024</p><p>Harvard Business Review — <em>“Creating Belonging Through Peer Onboarding: Lessons from Spotify”</em>, 2019</p><p>HR Tech Europe — <em>Employee Experience Excellence Award Archives</em>, 2017</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ea9be4cd8191" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Davranışsal İK Analitiği Nedir, Ne Değildir?]]></title>
            <link>https://medium.com/@v.tugcesoner/davran%C4%B1%C5%9Fsal-i%CC%87k-analiti%C4%9Fi-nedir-ne-de%C4%9Fildir-5417f006c6b8?source=rss-3d1f793bdc51------2</link>
            <guid isPermaLink="false">https://medium.com/p/5417f006c6b8</guid>
            <category><![CDATA[dijital]]></category>
            <category><![CDATA[analytics]]></category>
            <category><![CDATA[hr]]></category>
            <category><![CDATA[performance]]></category>
            <category><![CDATA[emotions]]></category>
            <dc:creator><![CDATA[V. Tuğçe Soner]]></dc:creator>
            <pubDate>Thu, 04 Sep 2025 10:23:08 GMT</pubDate>
            <atom:updated>2025-09-04T10:23:08.425Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3CVP0wApvn4rHcvJWDN0GQ.jpeg" /></figure><p>Geçenlerde bir yöneticinin bana anlattığı sahne aklımdan çıkmıyor: Ekibindeki bir çalışan hedeflerini sürekli tutturuyormuş ama ekipte kimse onunla çalışmak istemiyormuş. “Ben bu kişiye yüksek not veriyorum ama içim rahat değil” demişti. Bir başka örnekte ise hedeflerini sadece yüzde 80 oranında gerçekleştiren biri vardı, sistemde “ortalama” görünüyordu. Oysa aynı kişi yeni başlayanların akşam mesaiye kalmaması için kendi işini bölüp onlara destek oluyor, herkesin gözünde “ekibin omurgası” haline gelmişti. İşte tam da bu noktada fark ettim: Performans puanları bize rakamı gösteriyor ama hikâyeyi gizliyor.</p><h3>Neden Ölçmek Yetmiyor?</h3><p>Performans ölçüm sistemleri yıllarca bize “tarafsız” görünerek güven verdi. Çalışanı 1’den 5’e kadar puanladık, yüzdeliklerle sıraladık, kimin “yüksek potansiyel” kimin “ortalama” olduğunu o kutulara sığdırmaya çalıştık. Ama sorun şu ki, bu tablolar aslında bir fotoğraf çekiyor. Fotoğraflar da güzeldir ama gerçeğin bir anını dondurur, hikâyenin tamamını anlatmaz.</p><p>Bir mağaza çalışanını düşünelim. Satış hedefini yakalayamıyor, tabloda kırmızıyla işaretleniyor. Ama aynı dönemde müşteri memnuniyetinde en yüksek puanları o alıyor. Bir başka çalışan sunumlarda fazla görünür olmayabilir, ama proje yönetim araçlarında en çok işi o tamamlıyordur. Yani ölçüm, yüzeye bakıyor; davranış ise derinliği gösteriyor.</p><h3>Davranışsal Analitik Ne Sağlar?</h3><p>Davranışsal analitik, performansı tek bir sayı yerine çok katmanlı bir hikâye olarak okumamızı sağlar. Mesela bir çalışanın toplantılardaki katılımı, fikir önerme sıklığı ya da ekip içindeki gönüllü katkıları, aslında bağlılık ve motivasyonun göstergeleridir. Slack veya Teams mesajlarında sık sık teşekkür eden, destek isteyenlere hızlıca yanıt veren biri, işbirliği kültürünü besliyordur.</p><p>Bir şirkette yaptığım analizde gördüğüm tablo çok çarpıcıydı. En yüksek satış rakamlarını yapan bir çalışan, geri bildirimlerde “ben merkezli, iş paylaşmayan, ekip motivasyonunu düşüren” biri olarak tanımlanıyordu. Tam tersi, rakamları en üstte olmayan ama sürekli diğerlerine destek olan biri vardı ve ekibin bağlılık skorunu yükselten esas güç oydu. İşte davranışsal analitik bu görünmeyen tarafı görünür kılıyor.</p><h3>Ölçümden Anlamaya Geçmek</h3><p>Peki nasıl yapacağız? Öncelikle performans verisini sadece KPI’lardan okumayı bırakmak gerekiyor. Eğitim katılımları, yeni projelere gönüllülük, geri bildirimlerin tonu, işbirliği sıklığı…</p><p>Bunlar tek tek değil, bir arada bakıldığında anlam kazanıyor.</p><p>Mesela bir organizasyonda yazılı geri bildirimlerde en sık geçen kelimeleri analiz ettiğinizde “yardımsever, destek, güvenilir” gibi kavramların bir kişide yoğunlaştığını görebilirsiniz. Yine network analiziyle kimin ekip içinde insanları birbirine bağlayan “gizli lider” olduğunu bulmak mümkün. Bu lider belki unvanında “manager” yazmıyor ama aslında ekip onun etrafında toparlanıyor.</p><p>Bütün bunlar bize sadece “ölçüm” değil, “anlama” fırsatı veriyor.</p><h3>Riskler ve Yanlış Yorumlar ⚠️</h3><p>Ama buraya kadar anlattıklarım çok parlak görünebilir. Gerçekte riskleri de var.</p><p>Birincisi, veriyi yanlış yorumlamak. Sessiz kalan bir çalışana “bağlı değil” demek kolaydır. Oysa belki analitik düşünür ve katkısını yazılı olarak sunar. İkincisi, çalışanların “her hareketim ölçülüyor” kaygısı taşıması. Bu da motivasyon yerine kaygı yaratır. Üçüncüsü ise teknolojiye aşırı güven. “Sistem öyle diyorsa doğrudur” anlayışıyla insan gözlemi devre dışı kalırsa, işin ruhu kaybolur.</p><p>Bu yüzden davranışsal analitiği kullanırken aslında teknikten çok bakış açısı önem kazanıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*adcQMQsVYyoMIT2EVRP4bg.png" /></figure><h3>Sistem mi, Mindset mi?</h3><p>Bence bu ikisinin birleşimi olmadan olmaz. Eğer zihniyet hâlâ “puan düşükse çalışan kötü” seviyesindeyse, en gelişmiş sistem bile işe yaramaz. Öte yandan sadece “biz davranışa odaklanmak istiyoruz” deyip bunu bir sisteme entegre etmezseniz, birkaç güzel niyetli toplantıdan öteye gidemez.</p><p>Yani gerçek dönüşüm hem zihniyette hem de sistemde birlikte gerçekleşmeli. Bir yandan yöneticilerin bakış açısını değiştirmek, diğer yandan da bu bakışı destekleyecek dijital araçları kurmak şart.</p><h3>Gelecek Senaryosu 🚀</h3><p>Biraz hayal edelim. 5 yıl sonra bir çalışanın kendi dashboard’una baktığında sadece satış hedefini değil, ekip arkadaşlarına yaptığı katkıları da görebileceğini düşünün. “Bu ay üç kişiye mentorluk yaptım, dört yeni projeye gönüllü oldum, beş kişiden olumlu geri bildirim aldım” gibi veriler anlık olarak görülecek.</p><p>Yapay zekâ yöneticilere küçük ipuçları verecek: “Ayşe bu hafta toplantılarda sessiz kaldı, motivasyonu düşüyor olabilir, ona teşekkür et.” Ya da “Ali son üç projede gönüllü oldu, bunu takdir etmezsen tükenmişlik yaşayabilir.”</p><p>Şirketlerin yıllık raporlarında sadece finansal tablolar değil, kültürel katkı skorları da yer alacak. Yani performans yönetimi, rakamlardan çıkıp insan hikâyelerine doğru evrilecek.</p><h3>Son Söz</h3><p>Performans yönetiminde artık kritik bir eşikteyiz: Ölçmeye devam mı edeceğiz, yoksa anlamaya mı başlayacağız? Çalışanları gerçekten anlayan kurumlar, sadece daha yüksek performans değil, daha güçlü bağlılık, daha sağlam kültür ve daha sürdürülebilir başarı yaratacak. Çünkü sayılar unutulur, ama insanlar kendilerini anlaşıldıklarını hep hatırlar. 💛</p><p>— — —</p><p>Uzun zaman oldu yazmayalı… Klavyenin başına oturup bu satırları yazarken fark ettim ki, aslında yazmak bana hep iyi geliyor. Bir süre hayatın koşturması araya girdi, “bir gün yazarım” dediğim şeyler hep yarım kaldı. Ama bugün yeniden yazmaya oturunca, sanki uzun zamandır görüşmediğim bir dostumla buluşmuşum gibi hissettim.</p><p>Yazmak benim için sadece düşüncelerimi paylaşmak değil, biraz da kendime ayna tutmak. Belki de bu yüzden bana iyi geliyor. Yeniden başladığım için mutluyum. Umarım bu satırları okurken siz de en az benim yazarken aldığım kadar keyif alırsınız.</p><p>Okuduğunuz için teşekkürler :)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5417f006c6b8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Davranışsal Veriyle Anlamlı Deneyim Tasarımı Mümkün mü?]]></title>
            <link>https://medium.com/@v.tugcesoner/davran%C4%B1%C5%9Fsal-veriyle-anlaml%C4%B1-deneyim-tasar%C4%B1m%C4%B1-m%C3%BCmk%C3%BCn-m%C3%BC-d86b6ae4b287?source=rss-3d1f793bdc51------2</link>
            <guid isPermaLink="false">https://medium.com/p/d86b6ae4b287</guid>
            <category><![CDATA[data]]></category>
            <category><![CDATA[people]]></category>
            <category><![CDATA[analysis]]></category>
            <category><![CDATA[emotions]]></category>
            <category><![CDATA[hr]]></category>
            <dc:creator><![CDATA[V. Tuğçe Soner]]></dc:creator>
            <pubDate>Tue, 10 Jun 2025 08:16:32 GMT</pubDate>
            <atom:updated>2025-06-10T08:16:32.337Z</atom:updated>
            <content:encoded><![CDATA[<h3>Veriyi Topluyoruz, Peki Deneyimi Tasarlıyor Muyuz?</h3><p>İK ekipleri uzun süredir veriyle karar vermeye çalışıyor.<br>Ancak artık sadece karar değil, deneyim de tasarlamak zorundayız. Çünkü sistemlerin performansı, kullanıcıların ne hissettiğiyle ölçülüyor.</p><p>İnsan kaynakları sistemleri bugün neredeyse her adımda veri topluyor.<br>Adaylar, çalışanlar, yöneticiler; herkes dijital sistemlerde iz bırakıyor.<br>Başvurudan eğitime, performanstan çıkış sürecine kadar her hareket takip edilebiliyor.</p><p>Ancak bu kadar veriyle çalışırken şu soruyu yeterince sık sormuyoruz:</p><p><strong>“Topladığımız bu veriler, deneyimi gerçekten temsil ediyor mu?” </strong>Daha önemlisi:</p><p><strong>“Sessiz kalan ya da sistem dışına çıkan kullanıcı davranışlarını anlamlandırabiliyor muyuz?”</strong></p><p>Anket sonuçları, tamamlanma oranları ya da puanlamalar bize bir şeyler söylüyor olabilir.<br>Ama çoğu zaman en kıymetli veriler — kararsızlıklar, yarım kalan süreçler, tekrar eden davranışlar — sistemin dip akıntılarında kalıyor.</p><h3>Davranışsal Veri Neden Önemli?</h3><p>Davranışsal veri, sistem içindeki gerçek eylemleri inceler. Bu veriler, kullanıcıların ne dediğinden çok, ne yaptığına odaklanır.<br>Formu terk etmek, eğitimde takılmak, aynı sayfaya üç kez dönmek gibi davranışlar; geri bildirim kadar değerli olabilir.</p><p>Örneğin:</p><ul><li>Bir çalışanın eğitime kayıt olup ikinci modülde bırakması,</li><li>Bir adayın başvuruyu üçüncü kez yarım bırakması,</li><li>Bir yöneticinin anketi açıp boş bırakması…</li></ul><p>Bunların her biri bir davranışsal sinyaldir.<br>Ve çoğu zaman bir yorum yapmadan çok daha fazlasını anlatır.<br>Yeter ki bu veriyi duymayı ve anlamlandırmayı bilelim.</p><h3>Hubot+ ve Sessiz Sinyallerin Gücü</h3><p>Bu teori sadece bir analiz değil, bizim için de yaşayan bir örneğe dönüştü.</p><p>Kendi geliştirdiğimiz dijital İK destek botu <strong>Hubot+</strong>, başlangıçta süreçleri hızlandırmak için tasarlandı:<br>Belge talepleri, bordro görüntüleme, yan haklar gibi işlemleri kolaylaştırmak temel hedefti.</p><p>Ancak kısa sürede şunu fark ettik:<br>Kullanıcılar bu botla sadece işlem yapmak istemiyor, bağ kurmak da istiyor.</p><p>Hubot+’a yazan bazı kişiler yalnızca teşekkür etmek istiyordu.<br>Bazılarıysa basit bir işlem için üç kez geri dönüyordu. Geceleri yazan kullanıcıların bir kısmı sadece soru sormuyor, sessizce bir destek arıyordu.</p><p>İşte o noktada, davranışsal veriyi sadece sistem performansı için değil, duygusal deneyimi anlamak için de kullanmaya başladık.</p><p>Dili değişti.<br>Tonu yumuşadı.<br>Zamanlaması hassaslaştı.</p><p>Ve bu küçük değişimlerle kullanıcı davranışları da değişmeye başladı.<br>Çünkü sistem sadece işlem yapmıyor, aynı zamanda hissediyordu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/392/1*-Fj5yx7bs-vsB9n0TVaV6g.png" /></figure><h3>Davranışsal Veriyi Kullanarak Deneyim Nasıl Tasarlanır?</h3><p>Davranışsal veriyi kullanarak deneyim tasarlamak, sadece sayılarla değil; doğru sorularla, doğru sistem okumalarıyla mümkün.</p><p>Aşağıdaki yapı bu sürecin temel adımlarını gösteriyor:</p><h4>1. Veri Toplarken: Sessiz Davranışları Görünür Kılmak</h4><p><strong>Süreçlerdeki terk noktalarını tespit edin.</strong><br> Örneğin bir başvuru formu en çok hangi adımda bırakılıyor? Eğitim hangi modülde terk ediliyor?</p><p><strong>Davranışları bağlamla birlikte inceleyin.</strong><br> Aynı davranış farklı saatlerde, roller arasında ya da sistemler içinde farklı anlamlar taşıyabilir.</p><p><strong>Görünmeyeni veri kabul edin.</strong><br> Formu hiç açmamak, bir anketi yarıda bırakmak, aynı sayfaya tekrar dönmek gibi davranışlar da deneyimin bir parçasıdır.</p><p><strong>Kullanıcı segmentasyonu yapın.</strong><br> Aday, yeni çalışan, yönetici gibi farklı grupların davranışlarını karşılaştırmak daha doğru analiz sunar.</p><h4>2. Veriyi İşlerken: İçgörü Üretmeye Başlamak</h4><p><strong>Tekil veriler yerine örüntülere bakın.</strong><br> Davranış tekrar ediyorsa, arkasında sistemsel bir problem olabilir.</p><p><strong>Sistemleri birlikte değerlendirin.</strong><br> ATS’te yarım bırakılan başvuru ile chatbot üzerinden gelen destek talebi birlikte okunursa daha güçlü bir anlam üretir.</p><p><strong>Yüzdeleri değil, yolculukları analiz edin.</strong><br> “Yüzde 80 tamamlandı” verisi yetmez. O yüzde 20 neden tamamlanmadı, hangi noktada koptu?</p><h4>3. Anlamlı Kılarken: Deneyim Tasarımına Geçiş</h4><p><strong>Verileri tasarım önerisine dönüştürün.</strong><br> Örneğin bir sürecin terk edilme oranı yüksekse, adım sayısını azaltmayı veya yönlendirmeleri sadeleştirmeyi değerlendirin.</p><p><strong>Geri bildirim döngüsü oluşturun.</strong><br> “Sizden gelen verilerle bu adımı sadeleştirdik” gibi basit mesajlar bile hem katılımı hem güveni artırır.</p><p><strong>Raporlar yerine hikâyeler paylaşın.</strong><br> Yönetimle ya da ekiplerle sadece istatistik değil, “neden” sorusuna dayalı senaryolar konuşun.</p><p><strong>Süreçleri periyodik olarak gözden geçirin.</strong><br> Her çeyrekte davranışsal verilerle sistem iyileştirmesi yapmak, deneyimi dinamik tutar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*_0xet1tuVoSKNlx9jgJLog.jpeg" /></figure><h3>Sonuç: Davranışın Sesi Varken, Sessiz Kalmak Lüksümüz Değil</h3><p>Veri toplamak kolaylaştı.<br>Ama veriyle deneyim tasarlamak hâlâ zor.<br>Çünkü her sayı, bir davranışı; her davranış bir hikâyeyi temsil ediyor.<br>Ve bizim işimiz artık sadece ölçmek değil — duymak, bağ kurmak ve dönüştürmek.</p><p>Eğer sistemlerin içindeki davranışları doğru yorumlarsak, yalnızca veriyi değil, deneyimi yönetmeye başlarız.</p><p>Veriyi yönetmek bir beceri olabilir.<br>Ama davranışı anlamak, deneyimi şekillendirmek — bu artık bir sorumluluk.</p><p>Yazıyı faydalı bulduysan, paylaşman ve üzerine düşünmen çok kıymetli.<br>Çünkü bazen sadece dinlemek değil, <strong>duymak da</strong> dönüşümün ilk adımıdır.</p><p>Okuduğun için teşekkürler…</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d86b6ae4b287" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[9-Box’tan Fazlası Lazım: Yetenek Yönetiminde Smart-Tech Zamanı]]></title>
            <link>https://medium.com/@v.tugcesoner/9-boxtan-fazlas%C4%B1-laz%C4%B1m-yetenek-y%C3%B6netiminde-smart-tech-zaman%C4%B1-a221c8470c3a?source=rss-3d1f793bdc51------2</link>
            <guid isPermaLink="false">https://medium.com/p/a221c8470c3a</guid>
            <dc:creator><![CDATA[V. Tuğçe Soner]]></dc:creator>
            <pubDate>Tue, 20 May 2025 08:47:50 GMT</pubDate>
            <atom:updated>2025-05-20T13:05:16.751Z</atom:updated>
            <content:encoded><![CDATA[<p>Geçenlerde “<a href="https://medium.com/@v.tugcesoner/teknoloji-ile-yetkinlik-haritas%C4%B1-olu%C5%9Fturmak-m%C3%BCmk%C3%BCn-m%C3%BC-98f1a4d8ce43">Teknoloji ile Yetkinlik Haritası Oluşturmak Mümkün mü?</a>” başlıklı bir yazı yazmıştım. Yazının altına en çok şu tarz yorumlar geldi:</p><p>“Tamam da 9-box kullanmıyoruz da yerine ne koyalım?”</p><p>“Elimizde ATS var, LMS var ama neyle neyi birleştireceğimizi bilemiyoruz.”</p><p>“Güzel yazmışsın da biz bunu nasıl yapacağız?”</p><p>Bayağı haklılar. Çünkü çoğu İK profesyoneli şu an şunun farkında:<br><strong>Elimizde çok sistem var ama harita çizmeye çalıştığımız kâğıt hâlâ eski.</strong></p><p>Bu yazı, yeni sistem almanızı önermeye çalışan bir sunum değil.<br>Hatta tam tersi: <strong>elimizde olanla ne yapabiliriz, küçük bir MVP’yi nasıl kurarız ve potansiyeli sadece performans formundan değil, davranış izlerinden nasıl okuruz</strong> onu konuşacağız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ak8BZPykDXaPvIH87c0tXg.png" /></figure><h3>9-box’a Sığmayan Yetenekleri Ne Yapacağız?</h3><p>Yıllardır performans ve potansiyeli analiz etmek için 9-box kullanıyoruz.<br>Ama bir noktada şu oluyor:</p><p><em>“Ya bu kişi o kadar potansiyelli ki, ama o kutuların hiçbirine tam oturmuyor.”</em></p><p>Neden? Çünkü:</p><ul><li>9-box yılda bir kez çalışıyor. Hayat öyle mi?</li><li>Potansiyel o dönemki yöneticiye göre tanımlanıyor.</li><li>Aynı davranışı gösteren iki kişiden biri fark ediliyor, diğeri görünmüyor.</li><li>Üstelik bu kutular gelişimi izlemiyor, sadece etiketliyor.</li></ul><p>Yani aslında kimse o kutuya ait değil. Ama biz ısrarla o kutuya kimin daha uygun olduğunu tartışıyoruz.</p><h3>MVP Düşünelim: Elimizde Ne Var?</h3><p>Yeni sistem satın alalım demiyorum. Zaten çoğumuzun elinde ERP, LMS, ATS, Jira vb. gibi şeyler var.<br>Peki bu sistemler bize ne anlatıyor?</p><p>Biraz böyle bakalım:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/754/1*POCwWzp5iGTOzNyi-Z9XTA.png" /></figure><p>İşte bu sorularla küçük bir MVP oluşturabiliriz. Kimseye ekstra iş yükü çıkarmadan. Sadece izleyerek.</p><h3>X Kişisi Kimdir? Ve Neden Bu Kadar Önemli?</h3><p>Bu hikâyenin merkezinde bir kişi var: X kişisi.</p><p>18 aydır organizasyonda çalışıyor.<br>Başlangıçta sadece “iyi uzman” kategorisindeydi. Yani 9-box’ta “yüksek performans, orta potansiyel” kutusunda.</p><p>Ama elimizdeki veriler başka bir şey söylüyordu:</p><ul><li>Jira’da görev hacmi takımdakilerden %35 fazla.</li><li>Çözüm süreleri %22 daha kısa.</li><li>“Mentorluk”, “Etkili Geri Bildirim” gibi eğitimleri tamamlamış.</li><li>1 ay sonra Slack’te ekibe destek vermeye başlamış.</li><li>3 ay sonra junior çalışanlarla mentorluk görüşmeleri yapmış.</li><li>12. ayda koordinatörlüğe atanılmış.</li><li>360° yorumlarda: “Ön alıcı, çözümleyici, destekleyici” olarak tanımlanmış.</li></ul><p>Yani potansiyelini <strong>gösteren</strong> bir harita vardı.<br>Ama bunu görebilmek için sadece form skoruna bakmak yetmiyordu. Davranış izlerini de izlemek gerekiyordu.</p><p>Peki neden bu kişi başta görünmezdi? Çünkü klasik sistemler genelde sadece atanmış görev ve yöneticiden gelen değerlendirmeyle yetinir. X kişisi ise görünür katkısını zamanla, davranışlarıyla ortaya koymuştu ama bu katkılar sadece ‘form’ üzerinden okunmaya çalışılsaydı fark edilmesi zordu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*gcLNBjHcfF5F8VbM.jpeg" /></figure><h3>Bu Hikâyeyi Tamamlayan Biri Daha Var: Y Kişisi</h3><p>Y kişisi de aynı takımdaydı.<br>O da aynı eğitimleri aldı. Ama farklı bir iz bıraktı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/991/1*7X14LCx06yOUMiX5ui-BZQ.png" /></figure><p>Şu net: <strong>iyi olmak yetmiyor</strong>, gelişimi gösterebilir olmak gerekiyor.<br>Y kişisi’nin verileri “liderliğe hazır” sinyali vermiyor.<br>Eğitim almak değil, onu davranışa dönüştürmek fark yaratıyor.</p><h3>Peki Bu Mini Sistem Neden Bu Kadar İşe Yarar?</h3><p>Çünkü:</p><ul><li>Yoruma değil veriye dayanıyor.</li><li>Skor değil, örüntü okuyoruz.</li><li>“Görünmeyen katkı”ları görünür kılıyor.</li><li>Ve en önemlisi: Adil. Herkes aynı sinyallerden değerlendirilir.</li></ul><p>Geçenlerde bir yöneticinin söylediği bir cümle çok çarpıcıydı: <em>“Ben bu kişiyi hep iyi biliyordum ama bu verilerle neden lider olabileceğini ilk kez bu kadar net gördüm.”</em></p><p>Bu sistem karar vermiyor, <strong>kararı daha bilinçli alman için sana zemin hazırlıyor.</strong></p><h3>“Ben Ne Yapacağım Şimdi?” Diyenlere Mini Yol Haritası</h3><p>✔️ ERP, ATS, LMS gibi sistemlerden veri alabiliyor musun? (Export yeter)<br>✔️ 2–3 çalışan belirle. (Biri yıldız, biri gözden kaçan, biri ortalama)<br>✔️ Hangi verilerden hangi sinyalleri çıkarmak istiyorsun? Tanımla.<br>✔️ Excel, Google Sheet veya Power BI kullan.<br>✔️ 1–2 ay veri topla. Az ama etkili.<br>✔️ Mini dashboard veya sunum hazırla.<br>✔️ Bu kişilerin gelişim planlarına bu verileri ekle.</p><p>🔍 Örnek bir senaryo:<br>Diyelim ki Ayşe, ERP sisteminde iki yıl boyunca aynı pozisyonda kalmış. LMS’de liderlik eğitimi almış ama sonrasında görevlerinde bir değişiklik olmamış. Jira verilerine baktığında görev sayısı ortalama ama kimseye mentorluk yapmamış. Buna karşılık başka bir çalışan, eğitimin hemen ardından ekibe katkı sunmaya başlamış, çözüm süresi kısalmış ve Slack verilerinde daha aktif. Bu senaryo, aynı eğitimi alan iki çalışanın potansiyel haritasının nasıl farklı sinyaller verdiğini ortaya koyar.</p><p>Mükemmel olması gerekmiyor. <strong>Başlaman yeterli.</strong></p><h3>Bu Sistem de Mükemmel Değil Ama Fark Ettiriyor</h3><p>Dürüst olalım:</p><ul><li>Yüksek katkı bazen tükenmişlik olabilir.</li><li>Eğitimden sonra davranış değişmemişse, sebebi ortam da olabilir.</li><li>Slack’te aktif olmak yardımseverlik olmayabilir.</li></ul><p>Yani <strong>veriyi kutsamıyoruz.</strong><br>Ama göremediğimiz bazı gelişimleri görünür kılmak için veri izlerini kullanıyoruz.</p><h3>Son Söz: Harita Çiziyorsan, Hareketi Takip Etmelisin</h3><p>Yetenek haritası bir yol çizgisi.<br>Ama sadece yıllık form verisiyle bu yolun dönemeçlerini fark edemeyiz.</p><p>İnsan sabit bir şey değil.<br>Enerjisi, davranışı, odak noktaları zaman içinde değişir.<br>Bu değişim için <strong>daha hareketli, daha fark eden</strong> bir çerçeve gerekiyor.</p><p>Smart-tech işte tam olarak bu: zor olmayan ama zeki sistemlerle daha iyi gözlem yapmak.</p><p><em>Belki de bundan sonra “liderlik potansiyeli var mı?” yerine<br>“liderliğe doğru harekete geçti mi?” diye sormalıyız.</em></p><p>Peki şimdi sen ne yapacaksın?<br>İstersen bu yazıyı sadece okumuş olursun ya da küçük bir MVP’yi yarın başlatmak için bir süreç başlatabilirsin.<br>Karar senin, ama sinyaller orada onları görmeye başlamak senin kararın…</p><p>Okuduğun için çok teşekkür ederim.<br>Eğer bu yazı sende de “biz bunu aslında yapabiliriz ya” hissi yarattıysa, bu zaten en iyi başlangıç demektir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a221c8470c3a" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>