# Yapay Zekâ Dönüşümünde Şirketin Hafızası Olan Çalışanları Korumak

> Yapay zekâ odaklı yeniden yapılanmalarda deneyimi, kurumsal hafızayı ve çalışan güvenini korumak neden işletmenin geleceği için önemlidir?

Bir şirket, yazılım geliştiricilerinden bir bölümünü AI modellerini geliştiren ekiplere aktarabilir. Bu ekiplerde geliştirici, modele bir yazılım görevi verir, üretilen kodun doğru çalışıp çalışmadığını sınar ve eksiklerini belirler. Yazıda model değerlendirme derken bu tür bir çalışmayı kastediyorum. Ancak bu örneğin yalnızca yazılım dünyasına özgü olduğunu düşünmemek gerekir. Chatbotlar devreye girdi diye bir satışçıyı destek ekibine almak ya da otomasyon kapasitesi arttı diye finans ekibinin bir bölümünü satışa kaydırmak da benzer ölçekte radikal değişikliklerdir.

AI modellerini geliştirmek de yazılım bilgisi ve muhakeme gerektirir. Ancak bir ürünü geliştirmekle bir modelin gelişimine katkıda bulunmak, çalışanın günlük işi ve mesleki hedefleri açısından farklı deneyimlerdir. Şirket yeni yatırımına insan kaynağı ayırırken bu farkı, çalışanın beklentilerini ve eski ekibinde bıraktığı sorumlulukları da hesaba katmalıdır.

Gergely Orosz, [Meta’daki yeniden yapılanma sonrasında yaşanan ayrılıklara ilişkin yazısında](https://blog.pragmaticengineer.com/the-pulse-metas-self-inflicted-resignation-wave/), bazı deneyimli mühendislerin istemedikleri AI görevlerine aktarılmalarının ardından başka işlere yöneldiğini aktarıyor. Görüştüğü çalışanlardan bazıları, kalmaları için sunulan ek hisse tekliflerine rağmen ayrılmış. Bu anlatım çalışan görüşmelerine ve yazarın doğruladığını belirttiği örneklere dayanıyor. Şirket genelindeki ayrılma oranını veya her ayrılığın nedenini gösteren kapsamlı bir ölçüm değil.

## Görev değişikliği, mesleki geleceği de değiştirir

Yıllarca bir ürünün geliştirilmesinde çalışmış bir kişi, AI modelini sınama işini ilgi çekici bulabilir. Bir başkası ise ürünle ilgili kararlardan uzaklaştığını düşünebilir. Aynı göreve aktarılmaları, ikisi için aynı mesleki fırsat anlamına gelmez.

Pascal Bornet, [otomasyon sonrasında rolü daralan deneyimli bir banka ilişki yöneticisiyle yaptığı konuşmada](https://pascalbornet.substack.com/p/efficient-and-empty-a-conversation) benzer bir gerilimi aktarıyor. Çalışan yeni teknolojiyi kullanmakta zorlanmıyor; yaptığı işin hangi bölümünün hâlâ kendisine ait olduğunu anlamakta zorlanıyor. Bu örnek, verimlilik artışının çalışanın katkı ve mesleki yön duygusuyla aynı şey olmadığını gösteriyor.

Çalışan, yeni görevinde birikimini nasıl kullanacağını, ne öğreneceğini ve nasıl değerlendirileceğini bilmek ister. Bu rolün mesleki geleceğindeki yeri de önemlidir. Bunlar belirsiz kaldığında, maaşının korunması bütün kaygıları ortadan kaldırmaz.

Şirketin öncelikleri değiştiğinde çalışanlardan yeni sorumluluklar beklenebilir. Fakat neden o kişinin seçildiği ve geçişin nasıl yürütüleceği açıklanmalıdır. İşin ne kadar süreceği henüz belli değilse, bu belirsizlik de paylaşılmalıdır.

Yeni beceriler öğrenmesini istemek makuldür. Öğrenme süresini ve destek ihtiyacını çalışanın tek başına çözmesini beklemek ise geçişin maliyetini ona bırakır.

## Şirketin bilgisi, belgelerinden daha geniştir

Model değerlendirme görevine geçen geliştirici örneğine dönelim. Kimse işten ayrılmadığı için şirketin çalışan sayısı aynı kalır. Ama bu kişi eski ekibine zaman ayıramıyor ve sorumluluklarını başka biri devralmamışsa, o ekip bazı işleri yapmakta zorlanabilir.

Bir sistemin nasıl çalıştığını koddan ve dokümanlardan öğrenebilirsiniz. Neden o şekilde kurulduğunu anlamak daha zor olabilir.

Örneğin bir yazılım ekibinde deneyimli bir kişi, gereksiz görünen bir kontrolün geçmişte hangi müşteri sorununu önlediğini biliyor olabilir. Bir başkası, teknik olarak temiz görünen bir değişikliğin operasyon ekibine neden ek iş çıkaracağını fark eder. Bu bilgi her zaman ayrı bir belge hâlinde durmaz. Günlük kararların içine yerleşmiştir.

Kıdemli geliştiricinin katkısını değerlendirirken yazdığı kodun yanında bu muhakemeye de bakmak gerekir. Yanlış problemi çözmeye başlamadan durdurmak, bir değişikliğin başka bir sistemi etkileyeceğini fark etmek veya genç bir çalışma arkadaşına doğru soruyu öğretmek de işin parçasıdır.

Benzer birikim yazılım ekipleriyle sınırlı kalmaz. Deneyimli bir müşteri temsilcisi hangi itirazın standart yanıtla çözülemeyeceğini bilir. Bir üretim çalışanı, sıradan görünen bir sapmanın daha büyük bir sorunun habercisi olabileceğini fark eder.

Bu insanların görevleri değişirken bilgiyi kullanma ve aktarma imkânları da korunmalıdır. Devir süreci yalnızca dosyaların tesliminden oluşuyorsa, kararların gerekçeleri kaybolabilir. Dokümanlara erişen bir AI sistemi de kayda hiç geçmemiş gerekçeleri kendiliğinden geri getiremez.

![Deneyimli çalışan, dosyaların ötesindeki karar bağlamını yeni sorumluya birlikte aktarıyor](/images/inline-organizational-memory/tacit-knowledge-handover.avif)

Üstelik bu kayıp için çalışanın şirketten ayrılması gerekmez. Artık kimse ona danışmıyorsa veya yeni görevi buna zaman bırakmıyorsa, şirket o bilgiden yararlanamaz hâle gelebilir.

## Belirsizlik, kalan ekibin çalışma biçimini etkiler

Yeniden yapılanmanın etkisi, görev değiştirenler ve işten ayrılanlarla sınırlı değildir. Kalan çalışanlar da gördüklerinden kendi gelecekleri hakkında sonuç çıkarır.

Bir çalışan, yaptığı işin gerekçesi açıklanmadan değersizleşebildiğini düşünürse uzun vadeli sorumluluk almaya daha temkinli yaklaşabilir. Bir sonraki değişiklikte nerede olacağını bilmeyen kişi için başka iş seçeneklerini araştırmak makul hâle gelir. Böylece şirket, korumak istediği insanları da kaybetme riskiyle karşılaşır.

Burada çalışanların kaygısını yalnızca verimlilik üzerinden okumamak gerekir. İş güvencesi, gelir ve mesleki gelecek insanların hayatını doğrudan etkiler. Yönetimin bunu ciddiye alıp almaması, verdiği sözlere duyulan güveni de belirler.

Güven azaldığında günlük işin niteliği değişebilir. İnsanlar sorunları erkenden dile getirmek, başkasına zaman ayırmak veya sonucu belirsiz bir iyileştirmeyi sahiplenmek yerine kendilerini korumaya odaklanabilir.

Çalışanı şirkette tutmak ile onun bilgisinden ve katkısından yararlanmak bu nedenle ayrı ayrı değerlendirilmelidir. Ek ücret ilkine yardımcı olabilir. İkincisi için anlamlı sorumluluk, adil değerlendirme ve sözünün dikkate alınması da gerekir.

## Azalan maaş gideri, toplam maliyeti anlatmaz

AI bazı görevler için gereken emeği azaltabilir. Bunun kadro ihtiyacına yansıması da mümkün. Sağlam bir hesap, geride kalan işin nasıl yürütüleceğini de kapsamalıdır.

Deneyimli kişiler ekipten çekildiğinde daha fazla kontrol, danışma veya yeniden öğrenme gerekebilir. Önceden kısa bir görüşmeyle çözülen sorun, farklı ekiplerin katıldığı toplantılara dönüşebilir. Hata daha geç fark ediliyorsa düzeltmenin maliyeti de artabilir.

Bunlar her küçülmenin sonucunda mutlaka yaşanacak kayıplar değildir. Kadro azaltımından beklenen tasarrufun içinde sınanması gereken varsayımlardır. Yapay zekânın değerini yalnızca daha fazla iş üretmekle ölçmemek gerektiğini [Şirketler Yapay Zekâdan Nasıl Değer Üretebilir?](/tr/ai-kullanmak-ile-ai-dan-deger-uretmek-arasinda-ne-var) yazısında incelemiştim.

Bu nedenle ölçümde maaş giderinin yanına işin tamamlanma süresi, tekrar yapılan işler ve hizmet kalitesi de konmalıdır. Kritik konuları kaç kişinin bildiği ve onların yokluğunda işin devam edip edemediği ayrıca değerlendirilmelidir.

Bugünkü maliyet düşerken şirketin sorun çözme kapasitesi de düşüyorsa, sonraki dönemin maliyetini henüz hesaba katmamış olabiliriz.

## Geçişi, işi bilen insanlarla tasarlamak

Sorumlu bir dönüşüm, hangi işlerin değişeceği kadar hangi bilgi ve sorumlulukların korunacağını da açıklar. Bu kararlar alınırken işi yapan insanların bilgisine ihtiyaç vardır.

Görev değişikliğinden önce mevcut sorumluluklar görünür hâle getirilebilir. Kritik kararların gerekçeleri kaydedilebilir. Yeni sorumluyla işi bilen kişinin bir süre birlikte çalışması, eksik kalan bilgiyi gerçek işler üzerinde ortaya çıkarabilir.

![İşi bilen çalışan ve yeni sorumlu, AI destekli çalışma düzenini gerçek örnekler üzerinden birlikte tasarlıyor](/images/inline-organizational-memory/transition-designed-with-experts.avif)

Yeni role geçen çalışan için de somut bir geçiş planı gerekir. Beklentiler, öğrenme süresi ve destek açık olmalıdır. Geçiş sırasında yeni iş öğrenirken eski performans ölçütleriyle değerlendirilmesi, kişiyi daha başlamadan zor durumda bırakabilir.

Yönetimin her belirsizliğe anında cevap vermesi mümkün olmayabilir. Hangi kararların kesinleştiğini, hangilerinin henüz açık olduğunu ve ne zaman yeniden değerlendirileceğini dürüstçe söylemesi mümkündür.

Yapay zekâ yatırımı sırasında korunması gereken şeylerden biri, çalışanların şirketin geleceğine katkıda bulunabileceklerine inanmasıdır. İnsanların yalnızca son kontrol noktası değil, öğrenme döngüsünün parçası olması gerektiğini [AI İşi Yaparken İnsan Sürecin Neresinde Olmalı?](/tr/ai-isi-yaparken-insan-surecin-neresinde-olmali) yazısında tartışmıştım. Deneyimli insanların bilgisiyle daha iyi bir çalışma biçimi kurulabilir. Onları kararların dışına itip sonradan aynı bilgiyi yeniden toplamaya çalışmak ise pahalı bir öğrenme yolu olabilir.

Bir dönüşüm planı onaylanırken yeni sistemin ne yapacağını anlatmak yetmez. O sistemi doğru kullanmak, hatasını fark etmek ve geliştirmek için gereken bilginin kimlerde kalacağı da belli olmalıdır.

---

Language: Turkish
License: CC BY 4.0
License URL: https://creativecommons.org/licenses/by/4.0/
Scope: Evren Bal-authored text, unless this article expressly states otherwise.
Excluded: Third-party material, quoted excerpts, logos, and separately marked images retain their own rights.
Attribution: Credit Evren Bal, link to the canonical source and license, and indicate changes.
Source: https://evrenbal.com/tr/yapay-zeka-donusumunde-sirketin-hafizasi-olan-calisanlari-korumak