İnsan Kaynaklarında Yapay Zekâ: Fırsatlar ve Riskler

İnsan kaynaklarında yapay zekâ nasıl kullanılır?

İK'daki kullanım alanlarını kararın çalışan üzerindeki etkisine göre ayırmak yararlıdır.

1. İş ilanlarının hazırlanması

Üretken yapay zekâ modelleri bir pozisyonun sorumlulukları, gerekli yetkinlikleri ve çalışma koşulları verilerek iş ilanı taslağı oluşturmak için kullanılabilir.

Örneğin İK uzmanı sisteme:

• pozisyonun görevlerini,
• zorunlu teknik yetkinlikleri,
• deneyim seviyesini,
• çalışma modelini,
• şirket tarafından onaylanmış işveren dili kurallarını

sağlayabilir.

Model ilk taslağı oluşturur; İK uzmanı doğruluk, ayrımcı ifadeler, gereksiz şartlar ve şirket politikaları açısından kontrol ederek ilanı yayımlar.

Burada yapay zekâ karar veren değil, içerik üreten yardımcı araç konumundadır. Bu nedenle adayları otomatik olarak elemekten genellikle daha düşük operasyonel risk taşır.

2. Özgeçmiş ve başvuruların işlenmesi

Yapay zekâ özgeçmişlerden yapılandırılmış bilgi çıkarmak için kullanılabilir.

Örneğin sistem:

• teknik yetkinlikleri,
• iş deneyimini,
• eğitim bilgilerini,
• sertifikaları,
• kullanılan teknolojileri,
• yabancı dil bilgilerini

belirli alanlara dönüştürebilir.

Böylece yüzlerce farklı CV formatı ortak bir veri yapısına getirilebilir.

Ancak “CV'deki bilgileri çıkarmak” ile “bu adayı işe alma” kararı arasında önemli bir fark vardır. İkinci kullanım çalışan açısından çok daha yüksek etkiye sahiptir.

3. Aday eşleştirme ve ön değerlendirme

Bir sonraki aşama, aday bilgilerinin pozisyon gereksinimleriyle karşılaştırılmasıdır.

Sistem örneğin:

Python deneyimi var mı?

İstenen yabancı dil seviyesi belirtilmiş mi?

Pozisyon için zorunlu sertifika bulunuyor mu?

gibi açık kriterleri kontrol edebilir.

Daha riskli kullanım ise adaylara otomatik puan verilmesi veya adayların işe alınma olasılığına göre sıralanmasıdır.

AB Yapay Zekâ Tüzüğü (AI Act), işe alım veya seçim amacıyla iş ilanlarının hedeflenmesi, başvuruların analiz edilmesi ve filtrelenmesi ya da adayların değerlendirilmesinde kullanılan belirli AI sistemlerini yüksek riskli sistemler kapsamında ele almaktadır [3].

Bu ayrım önemlidir: yapay zekâ ile CV'den “Java deneyimi: 4 yıl” bilgisini çıkarmak ile kişinin “uygun aday: %82” şeklinde değerlendirilmesi aynı risk seviyesinde değildir.

İK chatbotları ve çalışan asistanları

İK departmanlarının önemli iş yüklerinden biri tekrarlanan çalışan sorularıdır.

Örneğin:

• yıllık izin politikası nedir?
• özel sağlık sigortası hangi hizmetleri kapsıyor?
• seyahat masrafı nasıl giriliyor?
• uzaktan çalışma prosedürü nedir?
• yan haklar nelerdir?
• eğitim bütçesine nasıl başvurulur?

gibi sorular kurumsal bir yapay zekâ asistanı tarafından yanıtlanabilir.

Bu sistemlerde Retrieval-Augmented Generation (RAG) yaklaşımı kullanılabilir. Modelin yalnızca genel eğitim verisine dayanması yerine şirketin güncel İK prosedürleri, politikaları ve dokümanlarından bilgi getirilerek cevap oluşturması sağlanabilir.

Ancak burada da erişim kontrolü gereklidir. Her çalışan her İK belgesine erişememelidir. Örneğin genel izin politikası şirket çapında erişilebilirken kişisel ücret, performans değerlendirmesi veya disiplin kayıtları yalnızca yetkili kişiler tarafından görüntülenebilmelidir.

Eğitim ve çalışan gelişiminde yapay zekâ

Yapay zekâ çalışan eğitiminde içerik üretimi ve öğrenme desteği için kullanılabilir.

Örneğin:

• eğitim dokümanlarını özetleme,
• eğitim materyallerinden soru üretme,
• çalışan sorularını cevaplama,
• farklı deneyim seviyelerine göre açıklamalar oluşturma,
• teknik dokümanları eğitim materyaline dönüştürme,
• öğrenme içeriklerini kategorize etme

gibi görevler otomatikleştirilebilir.

Daha ileri uygulamalarda sistem çalışanların yetkinlik profilleriyle pozisyon gereksinimlerini karşılaştırarak eğitim önerileri sunabilir.

Ancak “öneri” ile “çalışanın kariyer fırsatını belirleyen otomatik karar” arasındaki sınır korunmalıdır.

Performans yönetiminde yapay zekâ

Yapay zekânın en hassas İK kullanım alanlarından biri performans değerlendirmesidir.

Bir sistem:

• proje verilerini,
• hedef gerçekleşmelerini,
• müşteri geri bildirimlerini,
• görev tamamlama verilerini,
• yöneticilerin değerlendirmelerini

analiz ederek karar desteği sağlayabilir.

Fakat çalışan performansının yalnızca kolay ölçülebilen dijital göstergelere indirgenmesi önemli sorunlar yaratabilir.

ILO'nun 2025 tarihli çalışması, İK yapay zekâ sistemlerinde kullanılan hedeflerin, verilerin ve programlama tercihlerinin sistem sonuçlarını doğrudan şekillendirdiğine; yanlış veya indirgemeci hedeflerin çalışan yönetiminde hatalı sonuçlara yol açabileceğine dikkat çekmektedir [2].

Örneğin yazılım geliştiricilerin performansını yalnızca yazılan kod satırı, commit sayısı veya tamamlanan görev sayısıyla ölçen bir model; kod kalitesi, mentorluk, mimari katkı veya karmaşık problemlerin çözümü gibi değerleri yeterince temsil etmeyebilir.

Bu nedenle performans yapay zekâsı kullanılıyorsa önce şu soru cevaplanmalıdır:

İş gücü planlaması ve people analytics

İnsan kaynaklarında yapay zekânın daha analitik kullanım alanlarından biri iş gücü planlamasıdır.

Şirketler çalışan sayıları, açık pozisyonlar, yetkinlik dağılımları, departman büyüklükleri ve iş yükü gibi verileri analiz ederek:

• hangi yetkinliklerde açık bulunduğunu,
• hangi departmanların büyüdüğünü,
• eğitim ihtiyaçlarını,
• işe alım planlarını,
• kapasite problemlerini

daha sistematik biçimde değerlendirebilir.

OECD algoritmik yönetimi, geleneksel olarak yöneticiler tarafından gerçekleştirilen görevlerin yazılım aracılığıyla tamamen veya kısmen otomatikleştirilmesi olarak tanımlamaktadır [1].

Burada amaç yöneticiyi ortadan kaldırmak değil; çok sayıda değişken içeren kararları daha görünür hâle getiren bir analiz katmanı oluşturmaktır.

İnsan kaynaklarında yapay zekânın başlıca kullanım alanları

İnsan kaynaklarında yapay zekânın sağlayabileceği faydalar

Operasyonel iş yükünün azaltılması

Yapay zekâ özellikle yüksek hacimli metin işlerinde faydalıdır.

Özgeçmişlerden veri çıkarılması, dokümanların sınıflandırılması, toplantı notlarının özetlenmesi ve çalışan sorularının cevaplanması gibi görevler İK ekiplerinin manuel iş yükünü azaltabilir.

Bu zamanın aday deneyimi, çalışan gelişimi veya organizasyon tasarımı gibi insan değerlendirmesi gerektiren alanlara aktarılması mümkündür.

Büyük veri kümelerinin analiz edilmesi

İnsanların yüzlerce veya binlerce çalışan kaydındaki örüntüleri manuel olarak incelemesi zordur.

AI destekli analitik sistemleri büyük veri kümelerini sınıflandırabilir ve karar vericilerin inceleyebileceği göstergeler oluşturabilir.

Ancak bulunan korelasyonların neden-sonuç ilişkisi olarak yorumlanmaması gerekir.

Kurumsal bilgiye erişim

İK politikalarının farklı dokümanlarda dağınık olması çalışanların bilgiye erişimini zorlaştırabilir.

Kurumsal bilgi tabanına bağlı bir yapay zekâ asistanı çalışanların doğal dilde soru sorarak ilgili prosedürü bulmasını sağlayabilir.

Buradaki önemli tasarım ilkesi, modelin mümkün olduğunda cevabın kaynağını göstermesi ve emin olmadığı durumlarda bunu açıkça belirtmesidir.

İnsan kaynaklarında yapay zekânın riskleri

İK yapay zekâsının en önemli özelliği, sonuçlarının doğrudan insanlar üzerinde etkili olabilmesidir.

Ayrımcılık ve önyargı

Bir yapay zekâ sisteminin eğitim verisinde geçmiş kararlar bulunuyorsa model bu kararların içerisindeki mevcut örüntüleri öğrenebilir.

Geçmiş işe alım süreçlerinde belirli grupların daha az temsil edilmiş olması durumunda geçmiş verinin “başarılı aday” modeli oluşturmak için doğrudan kullanılması mevcut eşitsizlikleri yeniden üretebilir.

ILO, İK yapay zekâsında yanlı veya eksik verilerin ve hatalı hedeflerin ayrımcılık ve hukuki risk oluşturabileceğini vurgulamaktadır [2].

Bu nedenle “AI insanlardan daha objektiftir” varsayımı güvenilir bir başlangıç noktası değildir.

Objektiflik kullanılan:

• veri,
• etiket,
• optimizasyon hedefi,
• özellikler,
• karar eşikleri

ile doğrudan ilişkilidir.

Açıklanabilirlik problemi

Bir adayın neden elendiğinin açıklanamaması hem yönetişim hem çalışan güveni açısından ciddi bir problemdir.

Örneğin:

“Model aday için 0,43 puan üretti.”

tek başına anlamlı bir açıklama değildir.

Karar vericinin hangi kriterlerin değerlendirildiğini ve çıktının nasıl kullanılacağını anlayabilmesi gerekir.

NIST'in AI Risk Management Framework yaklaşımı da yapay zekâ risklerinin sistemin yaşam döngüsü boyunca yönetilmesini; güvenilirlik, şeffaflık ve hesap verebilirlik gibi özelliklerin sistematik biçimde ele alınmasını amaçlamaktadır [4].

Otomasyon yanlılığı

İnsan denetimi bulunması tek başına yeterli değildir.

Bir İK uzmanı yapay zekânın önerisini hiçbir gerçek değerlendirme yapmadan sürekli kabul ediyorsa sistem teknik olarak “insan denetimli” olsa bile pratikte otomatik karar mekanizmasına dönüşebilir.

Bu nedenle insan denetiminin gerçek olması gerekir.

Karar verici:

• AI çıktısını anlayabilmeli,
• sorgulayabilmeli,
• değiştirebilmeli,
• gerektiğinde tamamen reddedebilmelidir.

KVKK açısından İK yapay zekâsı

İK süreçlerinde kullanılan verilerin önemli bölümü kişisel veri niteliğindedir.

Özgeçmişler, iletişim bilgileri, eğitim geçmişi, performans kayıtları ve benzeri bilgiler yapay zekâ sistemlerine gönderildiğinde yalnızca teknik bir API çağrısı yapılmış olmaz; kişisel veri işleme faaliyeti de gündeme gelebilir.

6698 sayılı Kişisel Verilerin Korunması Kanunu kapsamında kişisel verilerin hukuka ve dürüstlük kurallarına uygun, doğru ve gerektiğinde güncel, belirli-açık-meşru amaçlarla ve işlendikleri amaçla bağlantılı, sınırlı ve ölçülü şekilde işlenmesi gerekir [5].

KVKK'nın yapay zekâya ilişkin tavsiyeleri de insan müdahalesi, veri minimizasyonu, ayrımcılığın önlenmesi, şeffaflık ve veri güvenliği gibi konuların önemine dikkat çekmektedir [6].

Bu nedenle bir İK yapay zekâ projesi başlamadan önce en az şu sorular cevaplanmalıdır:

• Hangi kişisel veriler işlenecek?
• Verinin işlenme amacı nedir?
• Hukuki işleme şartı nedir?
• Veriye kim erişebilir?
• Veri hangi ülkede işleniyor?
• Model sağlayıcısı girdileri saklıyor mu?
• Veriler model eğitimi amacıyla kullanılabiliyor mu?
• Verilerin saklama süresi nedir?
• Silme prosedürü var mı?
• Özel nitelikli kişisel veri sisteme girebilir mi?

Özellikle yurt dışındaki bulut veya AI sağlayıcıları kullanılıyorsa yurt dışına veri aktarımı ayrıca değerlendirilmelidir. KVKK'nın 9. maddesinde 2024'te yapılan değişikliklerle standart sözleşmeler ve bağlayıcı şirket kuralları gibi uygun güvence mekanizmaları düzenlenmiştir [7].

Dolayısıyla çalışan CV'lerinin kontrolsüz biçimde genel amaçlı bir üretken yapay zekâ aracına kopyalanması doğru bir kurumsal kullanım modeli değildir.

AB AI Act İK uygulamalarını nasıl etkiliyor?

AB Yapay Zekâ Tüzüğü 1 Ağustos 2024'te yürürlüğe girdi ve düzenlemenin önemli bölümü 2 Ağustos 2026 itibarıyla uygulanmaya başladı [8].

İstihdam ve çalışan yönetimi düzenlemenin özellikle hassas kabul ettiği alanlardan biridir.

AI Act'in Ek III'ünde işe alım veya aday seçimi için kullanılan; özellikle hedefli iş ilanı sunan, başvuruları analiz edip filtreleyen veya adayları değerlendiren belirli AI sistemleri yüksek riskli kullanım alanları arasında yer almaktadır [3].

Benzer şekilde çalışanlarla ilgili sözleşme koşullarını, terfiyi veya iş ilişkisinin sona ermesini etkileyen kararlar; kişisel davranış veya özelliklere göre görev dağıtımı ile çalışan performansının veya davranışının izlenmesi ve değerlendirilmesi için kullanılan belirli sistemler de bu kapsamda değerlendirilmektedir [9].

Bununla birlikte her İK AI uygulaması otomatik olarak yüksek riskli değildir. Kullanım amacı ve sistemin karar üzerindeki etkisi önemlidir.

Ayrıca AI Act kapsamında iş yerlerinde kişilerin duygularını çıkarsamaya yönelik AI sistemlerinin kullanımı, tıbbi veya güvenlik gerekçelerine ilişkin istisnalar dışında yasaklanan uygulamalar arasındadır [10].

Bu durum özellikle video mülakat analizi gibi sistemlerin değerlendirilmesinde önem taşır.

AB'de faaliyet gösteren veya düzenlemenin kapsamına girebilecek şirketler bu nedenle İK yazılımını yalnızca fonksiyon listesine göre değil, AI Act kapsamındaki kullanım amacı ve risk sınıflandırmasına göre değerlendirmelidir.

Bir İK yapay zekâ projesi nasıl uygulanmalı?

1. Problemi tanımlayın

“İK'ya AI kuralım” yeterli bir proje tanımı değildir.

Bunun yerine:

İK ekibinin haftalık zamanının önemli bölümü şirket politikalarıyla ilgili tekrarlanan çalışan sorularını cevaplamaya gidiyor.

gibi ölçülebilir bir problem tanımlanmalıdır.

2. En düşük riskli kullanım alanından başlayın

İlk proje olarak çalışanların işe alınmasına veya işten çıkarılmasına karar veren bir sistem seçmek gereksiz risk yaratabilir.

Bunun yerine:

• doküman arama,
• politika asistanı,
• ilan taslağı oluşturma,
• eğitim içeriği üretme

gibi karar yetkisi düşük uygulamalar pilot için daha yönetilebilir olabilir.

3. Veri envanteri çıkarın

Sisteme girecek tüm veri kategorileri belirlenmelidir.

Örneğin:

• çalışan kimlik bilgileri,
• CV,
• performans verileri,
• ücret bilgileri,
• sağlık verileri,
• iletişim kayıtları.

Gereksiz veri sisteme hiç gönderilmemelidir.

4. İnsan ve AI yetkisini ayırın

Sistem için açık bir yetki matrisi oluşturulmalıdır.

Örneğin:

AI yapabilir:

• CV'den yetkinlik çıkarabilir.
• İş ilanı taslağı hazırlayabilir.
• İK politikasını bulabilir.

AI tek başına yapamaz:

• adayı reddedemez,
• çalışanı düşük performanslı ilan edemez,
• terfi kararı veremez,
• işten çıkarma kararı veremez.

Bu ayrım hem teknik hem organizasyonel kontrollerle uygulanmalıdır.

5. Test veri seti oluşturun

Sistem gerçek çalışanlar üzerinde doğrudan devreye alınmamalıdır.

Önce temsil edici bir test veri seti hazırlanmalıdır.

Ölçülebilecek metrikler kullanım alanına göre değişebilir:

• bilgi çıkarım doğruluğu,
• yanlış pozitif oranı,
• yanlış negatif oranı,
• kaynak gösterme doğruluğu,
• cevap doğruluğu,
• insan müdahalesi oranı,
• farklı gruplardaki hata dağılımları.

6. Pilot uygulayın

Sistem sınırlı kullanıcı ve sınırlı veriyle denenmelidir.

Pilot sırasında yalnızca “çalışıyor mu?” sorusu değil:

Hangi durumlarda yanlış çalışıyor?

sorusu özellikle araştırılmalıdır.

7. İzleme mekanizması kurun

Model performansı zaman içinde değişebilir.

İş tanımları, şirket politikaları, veri dağılımı veya kullanılan model değiştiğinde önceki test sonuçları geçerliliğini kaybedebilir.

Bu nedenle sistemin yaşam döngüsü boyunca düzenli test ve risk değerlendirmesi yapılmalıdır. NIST'in AI RMF ve üretken yapay zekâ profili de risk yönetimini tek seferlik bir kontrol yerine sistem yaşam döngüsüne yayılan bir süreç olarak ele almaktadır [4][11].

Temsili senaryo: İK bilgi asistanı

Aşağıdaki örnek gerçek bir şirket veya proje değildir; yöntemin uygulanmasını göstermek amacıyla hazırlanmış temsili bir senaryodur.

1.500 çalışanı bulunan bir şirketin İK departmanı, çalışanlardan sürekli benzer sorular almaktadır.

Soruların önemli bölümü izin, seyahat, yan haklar ve şirket politikalarıyla ilgilidir.

Şirket önce tüm İK dokümanlarını sınıflandırır.

Belgeler:

• genel erişilebilir,
• departmana özel,
• yöneticiye özel,
• kişisel

olarak ayrılır.

Genel İK dokümanları bir kurumsal arama/RAG sistemine aktarılır.

Çalışan:

“Doğum izni prosedürü nedir?”

diye sorduğunda sistem ilgili şirket politikasını bulur ve kaynağıyla birlikte cevap üretir.

Sistem cevaptan emin değilse:

“Bu konuda yeterli bilgi bulamadım. İK ekibine yönlendirebilirim.”

şeklinde yanıt verir.

Pilot sırasında şirket üç metriği takip eder:

• doğru belgeyi bulma oranı,
• İK tarafından doğrulanan cevap oranı,
• insan desteğine yönlendirme oranı.

Yanlış cevapların nedenleri analiz edilir ve ancak kabul edilen performans seviyesine ulaşıldıktan sonra kullanıcı kapsamı genişletilir.

Buradaki temel tasarım tercihi yapay zekâya çalışan hakkında karar verme yetkisi vermek yerine kurumsal bilgiye erişimi kolaylaştırmaktır.

İK yapay zekâ projelerinde sık yapılan hatalar

“AI objektiftir” varsayımı

Model geçmiş verilerden öğreniyorsa geçmişteki önyargıları da öğrenebilir.

Çok fazla veri toplamak

Daha fazla veri her zaman daha iyi model anlamına gelmez. Özellikle kişisel verilerde yalnızca amaç için gerekli verilerin işlenmesi gerekir.

İnsan denetimini göstermelik bırakmak

Karar verici AI çıktısını değiştiremiyorsa gerçek anlamda insan denetiminden söz etmek güçleşir.

Tedarikçiyi yeterince değerlendirmemek

Bir SaaS ürününün “AI destekli” olması güvenli veya mevzuata uygun olduğu anlamına gelmez.

Verinin nerede işlendiği, ne kadar saklandığı, alt işleyenler, güvenlik kontrolleri ve model eğitimi politikaları incelenmelidir.

Başarı metriğini yalnızca hız olarak belirlemek

Bir işe alım sistemi adayları iki kat hızlı değerlendirebilir ancak nitelikli adayları yanlış eliyorsa süreç iyileşmiş değildir.

Hızın yanında hata ve adalet metrikleri de izlenmelidir.

Hangi İK süreçlerinde yapay zekâ kullanılmamalı?

Yapay zekâ özellikle aşağıdaki koşullarda karar verici hâline getirilmemelidir:

• karar kriterleri açık biçimde tanımlanamıyorsa,
• yeterli ve temsil edici veri bulunmuyorsa,
• sistem çıktısının nedeni açıklanamıyorsa,
• hata çalışan üzerinde ciddi sonuç yaratıyorsa ve etkili itiraz mekanizması bulunmuyorsa,
• kullanılan verinin hukuki işleme şartı net değilse,
• insan denetimi fiilen uygulanamıyorsa,
• performansın yalnızca kolay ölçülebilen vekil değişkenlerle değerlendirilmesi planlanıyorsa.

Bazı süreçlerde doğru çözüm daha gelişmiş bir model değil, hiç AI kullanmamaktır.

İK yapay zekâ projesi kontrol listesi

Projeyi üretime almadan önce aşağıdaki soruların her biri açık biçimde cevaplanmalıdır:

• AI'nın çözeceği problem yazılı olarak tanımlandı mı?
• AI kullanılmadan mevcut sürecin performansı ölçüldü mü?
• Sistemin kullandığı veri kategorileri listelendi mi?
• Her kişisel veri için işleme amacı ve hukuki dayanak değerlendirildi mi?
• Gereksiz kişisel veriler sistemden çıkarıldı mı?
• Verinin hangi ülkelerde işlendiği biliniyor mu?
• Tedarikçinin verileri model eğitimi için kullanıp kullanmadığı doğrulandı mı?
• AI'nın hangi kararları veremeyeceği tanımlandı mı?
• İnsan karar verici AI çıktısını değiştirebiliyor veya reddedebiliyor mu?
• Sistem farklı çalışan/aday grupları açısından test edildi mi?
• Yanlış pozitif ve yanlış negatif sonuçlar ölçülüyor mu?
• Model çıktılarının kayıt ve denetim mekanizması var mı?
• Çalışan veya adayların itiraz edebileceği bir süreç bulunuyor mu?
• Model veya sağlayıcı değiştiğinde yeniden test prosedürü var mı?
• Güvenlik ihlali veya ciddi performans bozulması durumunda sistemi kapatma prosedürü tanımlandı mı?

Başarı nasıl ölçülmeli?

İK yapay zekâ projelerinde yalnızca maliyet veya zaman tasarrufu ölçülmemelidir.

Üç metrik grubu birlikte takip edilmelidir.

Operasyonel metrikler

• işlem süresi,
• manuel işlem sayısı,
• İK destek talebi sayısı,
• kullanıcı başına işlem maliyeti.

Model kalite metrikleri

• doğruluk,
• yanlış pozitif,
• yanlış negatif,
• kaynak doğruluğu,
• halüsinasyon oranı,
• insan tarafından düzeltilen çıktı oranı.

Risk metrikleri

• farklı gruplar arasındaki hata farkları,
• kişisel veri olayları,
• yetkisiz erişim vakaları,
• çalışan itirazları,
• insan tarafından geçersiz kılınan AI kararları.

Bu metrikler birlikte değerlendirilmediğinde hızlı çalışan fakat güvenilir olmayan bir sistem yanlışlıkla başarılı kabul edilebilir.

Ölçekleme kararı nasıl verilmelidir?

Pilot tamamlandıktan sonra üç seçenek bulunmalıdır:

Ölçekle: Sistem kalite ve risk kriterlerini karşılıyorsa daha fazla kullanıcıya açılır.

İyileştir: Kullanım alanı değer yaratıyor fakat belirli hata veya güvenlik sorunları varsa pilot devam eder.

Durdur: Sistem güvenilir biçimde çalışmıyor, hukuki gereksinimleri karşılamıyor veya oluşturduğu risk sağladığı faydadan yüksekse proje sonlandırılır.

Bir AI projesini durdurabilmek başarısızlık değil, yapay zekâ yönetişiminin doğal parçasıdır.

Sonuç

İnsan kaynaklarında yapay zekâ; belge işleme, çalışan destek hizmetleri, işe alım operasyonları, eğitim ve iş gücü analitiği gibi alanlarda önemli operasyonel faydalar sağlayabilir.

Ancak çalışan ve adaylar hakkında alınan kararların doğrudan insanların kariyerlerini etkilemesi, İK'yı aynı zamanda yapay zekânın en hassas kurumsal kullanım alanlarından biri hâline getirir.

Bu nedenle doğru yaklaşım mümkün olan en fazla İK kararını otomatikleştirmek değildir. Yapay zekânın hangi görevlerde yardımcı araç, hangi görevlerde karar destek sistemi olacağı ve hangi kararların tamamen insan sorumluluğunda kalacağı açıkça belirlenmelidir.

Başarılı bir İK yapay zekâ uygulamasının temelinde model seçiminden önce problem tanımı, veri kalitesi, kişisel verilerin korunması, insan denetimi, ölçülebilir performans kriterleri ve sürekli risk yönetimi bulunur.

Sık Sorulan Sorular

İnsan kaynaklarında yapay zekâ hangi alanlarda kullanılabilir?

Yapay zekâ iş ilanı hazırlama, CV bilgilerinin yapılandırılması, çalışan sorularının yanıtlanması, eğitim içeriği oluşturma, iş gücü analitiği ve bazı karar destek süreçlerinde kullanılabilir. Kullanımın risk seviyesi, AI çıktısının çalışan veya aday hakkında verilen kararı ne kadar etkilediğine göre değişir.

Yapay zekâ işe alım kararını tek başına verebilir mi?

Teknik olarak adayları puanlayan veya filtreleyen sistemler geliştirilebilir. Ancak işe alım insanların kariyerini doğrudan etkileyen yüksek riskli bir süreçtir. Bu nedenle hukuki gereksinimler, ayrımcılık riski, açıklanabilirlik ve gerçek insan denetimi dikkate alınmalıdır.

Yapay zekâ CV elemek için kullanılabilir mi?

CV'den yetkinlik veya deneyim gibi yapılandırılmış bilgiler çıkarmak mümkündür. Adayları otomatik olarak sıralamak veya elemek ise daha yüksek risk taşır ve kullanılan kriterlerin, verilerin ve karar mekanizmasının ayrıca değerlendirilmesini gerektirir.

ChatGPT gibi üretken yapay zekâ araçlarına çalışan CV'si yüklenebilir mi?

Kurumsal politika, kullanılan hizmetin veri işleme koşulları ve KVKK gereksinimleri değerlendirilmeden kişisel verilerin genel amaçlı AI araçlarına aktarılması uygun bir yaklaşım değildir. Veri saklama, yurt dışına aktarım, model eğitimi ve erişim koşulları önceden incelenmelidir.

Yapay zekâ çalışan performansını ölçebilir mi?

Yapay zekâ performans verilerini analiz ederek yöneticilere karar desteği sağlayabilir. Ancak performansın yalnızca kolay ölçülebilen dijital göstergelere indirgenmesi yanıltıcı olabilir. Sistemin neyi ölçtüğü ve bu ölçümün gerçek performansı temsil edip etmediği test edilmelidir.

İnsan kaynaklarında yapay zekâ ayrımcılığı azaltır mı?

Otomatik olarak azaltmaz. Modelin kullandığı geçmiş veriler veya optimizasyon hedefleri mevcut önyargıları içerebilir. Bu nedenle farklı gruplardaki hata oranları ve karar sonuçları ayrıca test edilmelidir.

İK chatbotu oluşturmak riskli midir?

Risk seviyesi sistemin eriştiği verilere bağlıdır. Yalnızca genel şirket politikalarını kullanan bir asistan görece sınırlı bir kullanım olabilirken kişisel ücret, performans veya sağlık verilerine erişen sistem çok daha sıkı erişim ve veri güvenliği kontrolleri gerektirir.

AB AI Act insan kaynakları sistemlerini kapsıyor mu?

Evet. İşe alım ve aday seçimi ile çalışan yönetimindeki belirli AI uygulamaları AI Act kapsamında yüksek riskli sistemler arasında yer alabilmektedir. Ayrıca iş yerinde kişilerin duygularını biyometrik veriler üzerinden çıkarsayan belirli AI uygulamaları, tıbbi veya güvenlik amaçlı istisnalar dışında yasaklanmıştır [3][10].

Kaynaklar

[1] OECD — “Algorithmic management in the workplace: New evidence from an OECD employer survey” — 6 Şubat 2025
Doğrudan URL: https://doi.org/10.1787/287c13c4-en
Erişim tarihi: 28 Eylül 2026
Desteklediği konu: Algoritmik yönetimin tanımı, iş yerindeki AI tabanlı yönetim sistemleri ve bunların kullanım alanları.

[2] Janine Berg & Hannah Johnston, International Labour Organization — “AI in human resource management: The limits of empiricism” — 11 Kasım 2025
Doğrudan URL: https://www.ilo.org/publications/ai-human-resource-management-limits-empiricism
Erişim tarihi: 28 Eylül 2026
Desteklediği konu: İşe alım, ücretlendirme, çalışma planlaması ve performans yönetimindeki AI uygulamalarında hedef, veri kalitesi, önyargı ve şeffaflık sorunları.

[3] European Parliament & Council of the European Union — Regulation (EU) 2024/1689, Artificial Intelligence Act, Annex III — 13 Haziran 2024
Doğrudan URL: https://eur-lex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:32024R1689
Erişim tarihi: 28 Eylül 2026
Desteklediği konu: İşe alım, aday seçimi, başvuruların analiz edilmesi ve aday değerlendirmesinde kullanılan belirli AI sistemlerinin yüksek risk sınıflandırması.

[4] National Institute of Standards and Technology (NIST) — “Artificial Intelligence Risk Management Framework (AI RMF 1.0)” — Ocak 2023
Doğrudan URL: https://airc.nist.gov/airmf-resources/airmf/
Erişim tarihi: 28 Eylül 2026
Desteklediği konu: Yapay zekâ risklerinin yaşam döngüsü boyunca yönetilmesi, güvenilirlik, değerlendirme ve yönetişim yaklaşımı.

[5] Kişisel Verileri Koruma Kurumu — “Kişisel Verilerin İşlenmesine İlişkin Temel İlkeler”
Doğrudan URL: https://www.kvkk.gov.tr/Icerik/4189/Kisisel-Verilerin-Islenmesine-Iliskin-Temel-Ilkeler
Erişim tarihi: 28 Eylül 2026
Desteklediği konu: KVKK kapsamında hukuka uygunluk, doğruluk, amaç sınırlaması ve ölçülülük dahil kişisel veri işlemenin temel ilkeleri.

[6] Kişisel Verileri Koruma Kurumu — “Yapay Zekâ Alanında Kişisel Verilerin Korunmasına Dair Tavsiyeler” — 2021
Doğrudan URL: https://kvkk.gov.tr/SharedFolderServer/CMSFiles/25a1162f-0e61-4a43-98d0-3e7d057ac31a.pdf
Erişim tarihi: 28 Eylül 2026
Desteklediği konu: Yapay zekâ sistemlerinde veri minimizasyonu, insan müdahalesi, ayrımcılığın önlenmesi, şeffaflık ve kişisel verilerin korunması.

[7] Kişisel Verileri Koruma Kurumu — “Yurt Dışına Aktarım” — güncel KVKK bilgilendirme sayfası
Doğrudan URL: https://www.kvkk.gov.tr/Icerik/2053/Yurtdisina-Aktarim
Erişim tarihi: 28 Eylül 2026
Desteklediği konu: KVKK'nın 9. maddesinde 2024 yılında yürürlüğe giren değişiklikler, standart sözleşmeler, bağlayıcı şirket kuralları ve yurt dışına kişisel veri aktarım mekanizmaları.

[8] European Parliament & Council of the European Union — Regulation (EU) 2024/1689, Article 113 — 13 Haziran 2024
Doğrudan URL: https://eur-lex.europa.eu/legal-content/EN/ALL/?uri=OJ:L_202401689
Erişim tarihi: 28 Eylül 2026
Desteklediği konu: AI Act'in yürürlüğe giriş ve kademeli uygulanma tarihleri; düzenlemenin genel olarak 2 Ağustos 2026'dan itibaren uygulanması.

[9] European Parliament & Council of the European Union — Regulation (EU) 2024/1689, Recital 57 ve Annex III — 13 Haziran 2024
Doğrudan URL: https://eur-lex.europa.eu/legal-content/EN/ALL/?uri=CELEX:32024R1689
Erişim tarihi: 28 Eylül 2026
Desteklediği konu: Terfi, iş ilişkisinin sona ermesi, görev tahsisi ve çalışan performansı veya davranışının izlenmesi/değerlendirilmesinde kullanılan belirli AI sistemlerinin yüksek riskli kullanım olarak ele alınması.

[10] European Parliament & Council of the European Union — Regulation (EU) 2024/1689, Article 5 — 13 Haziran 2024
Doğrudan URL: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32024R1689
Erişim tarihi: 28 Eylül 2026
Desteklediği konu: Tıbbi veya güvenlik gerekçeli istisnalar dışında iş yerlerinde insanların duygularını çıkarsamaya yönelik AI sistemlerinin yasaklanması.

[11] National Institute of Standards and Technology (NIST) — “Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1)” — 26 Temmuz 2024
Doğrudan URL: https://doi.org/10.6028/NIST.AI.600-1
Erişim tarihi: 28 Eylül 2026
Desteklediği konu: Üretken yapay zekâ sistemlerinin yaşam döngüsü boyunca risklerin belirlenmesi, değerlendirilmesi ve yönetilmesine yönelik uygulama çerçevesi.