Daha Hızlı At: Ekibiniz Yapay Zekayla Hızlandı. Peki İşler?

Danışmanlık ve eğitmenlik işimi tek başıma yürütüyorum. Toplantılara giriyorum, ihtiyacı karşılayacak içeriği araştırıyor ve hazırlıyorum, sunumu ve yönetici özetini çıkarıyor, karşı tarafa aktarıyorum. Eskiden bu adımların her birini tek tek yapardım. Bugün iki, bazen üç ayrı yapay zeka modeli kullanarak işi çok daha hızlı hazırlıyorum. Eksiklerimi de kontrol ettirerek karşı tarafa daha kapsamlı ve farklı açılardan gözden geçirilmiş bir çalışma iletiyorum.

Ama hazırlık sürem kısaldığı ölçüde kurumların geri dönüş süreleri kısalmadı. İçerik kurumun içinde yazışmadan yazışmaya, toplantıdan toplantıya, onaydan onaya adım adım ilerliyor.

Sorun karşı taraftaki insanlar değil. Kendi işimde araştırma, hazırlama ve kontrol adımlarını tek başıma bir arada yönetebiliyorum. Kurumlarda ise aynı işi farklı ekiplerin ve karar sahiplerinin birlikte düzenlemesi gerekiyor. Ben de yıllarca o kurumların içindeydim ve aynı döngüyü yönettim.

Bu deneyim bana şunu söylüyor: Yapay zeka işi yapan kişiyi hızlandırıyor. Ama karar verme yapısı olduğu gibi kalmışsa, bireysel hız işin tamamlanma süresine aynı ölçüde yansımıyor.

Treni kaçırma korkusu

Bugün pek çok üst düzey yöneticinin zihninde aynı soru var: Yapay zekayı kullanmada rakiplerimizin gerisinde mi kalıyoruz?

Bu kaygı yersiz değil, yaygın da. IBM'in 2025'te 2.000 CEO ile yaptığı araştırmada, CEO'ların yüzde 64'ü geri kalma riskinin onları bazı teknolojilere değerini tam anlamadan yatırım yapmaya ittiğini kabul ediyor.1

Kaygı hızlı ve görünür bir aksiyon arar. Gözlemlediğim kadarıyla ilk adımlardan biri, ekiplere prompt eğitimi aldırmak. Bu değerli bir başlangıç. İyi tasarlanmış bir eğitim, çalışanların ihtiyacını açık tarif etmesine, gerekli bağlamı vermesine, çıktıyı sorgulamasına ve doğrulamasına yardımcı olur. Bu beceriler, yapay zekayla nitelikli çalışmanın temelidir.

Ama kaygının sorduğu soru ile asıl soru aynı değil. Biri yapay zekayı kullanıp kullanmadığımızı sorar, diğeri kullanımın sonuca dönüşüp dönüşmediğini. Bu dönüşüm, eğitimle birlikte ele alınması gereken bir yönetim işi. Yeni beceriler hangi süreçte kullanılacak? Kazanılan zaman nasıl değerlendirilecek? Yetki ve başarı ölçütleri nasıl düzenlenecek? Eğitim planının yanında bu soruların da bir sahibi olmalı.

Eğitim takviminde çalışanlara yer var. Yönetimin neyi değiştireceği hangi takvimde?

Bu tabloyu daha önce de gördük. CRM, ERP, robotik süreç otomasyonu: Her dalgada kurumların bir kısmı treni kaçırma korkusuyla furyaya katıldı. Teknolojiyi bir moda gibi benimseyenler çoğu zaman hayal kırıklığı yaşadı. İş yapış biçimini teknolojiyle birlikte yeniden düşünenler ise kalıcı kazanç elde etti. Yapay zeka da bu döngünün dışında değil.

Daha hızlı at

Henry Ford'a atfedilen bir söz var: Müşterilerime ne istediklerini sorsaydım, daha hızlı bir at isterlerdi. Ford'un bunu gerçekten söylediğine dair güvenilir bir kanıt yok.2 Ama söz, doğru bir şeyi anlattığı için dilden dile dolaşıyor: Yeni bir imkanla karşılaştığımızda, onu önce bildiğimiz işi hızlandırmak için kullanırız.

Tarihte bunun bir örneği var. Elektrik fabrikalara girdiğinde pek çok işletme buhar makinesinin yerine elektrik motoru taktı, ama fabrikanın düzenini aynı bıraktı. Ekonomi tarihçisi Paul David'in çalışmasına göre verimlilikteki büyük sıçrama on yıllar sürdü ve fabrikaların yeni teknolojiye göre yeniden düzenlenmesi bunda önemli rol oynadı.3

Bugün yapay zeka o elektrik motoruna benziyor; prompt eğitimi ise motoru kullanmayı öğrenmek. Motor daha iyi, fabrika aynı. Çalışanın bireysel becerisini geliştirmek, kurumun yetki dağılımını, başarı ölçütlerini ve işleyişini kendiliğinden değiştirmiyor.

Bu filmi daha önce izledim

Aynı deseni yapay zekadan önce de yaşadım, ama farklı bir katmanda.

Çalıştığım bir ödeme kuruluşunda hangi müşterilerin bizimle çalıştığını, hangilerinin çalışmadığını biliyorduk. Ama veriye erişimde sorunumuz vardı ve aktif, pasif, donuk müşteri tanımları net değildi. Yönetim toplantıları raporun ne söylediğinden çok, hangi rakamın esas alınacağıyla geçiyordu. Aynı müşteri tabanı için finansın, pazarlamanın ve operasyonun getirdiği sayılar birbirini tutmuyordu. Raporları ne kadar hızlı hazırlarsak hazırlayalım, toplantı aynı yerde tıkanıyordu.

Ham veriyi alıp analizi kendimiz yapmak durumunda kaldık. Önce tanımları netleştirdik: Aktif müşteri kimdir, hangisi pasife düştü, hangisi donuk statüsüne geçti? Analiz, hesap açmış olmanın müşteriyle çalışan bir ilişki kurduğumuz anlamına gelmediğini gösterdi. POS başvurusu yapmış, hesabı açılmış ama fiyatta anlaşamadığı için tek bir işlem bile geçirmemiş müşteriler vardı.

Bu ayrım önemliydi. Daha önce işlem yapmış, sonradan kullanımı durmuş bir müşteriyle, henüz ilk işlemini yapmamış bir müşteriye aynı şekilde yaklaşamazdık. Birinde neden bıraktığını, diğerinde neden başlayamadığını anlamamız gerekiyordu.

Analizi yönetime sunduktan sonra kararlar ve aksiyonlar geldi. Satış ekibinin önceliği mevcut müşterileri aktive etmek oldu ve güncel fiyatlandırma bilgileri yeniden paylaşıldı. Pazarlama faaliyetlerinde de öncelik mevcut müşterilere, özellikle işlem yapmayanlara verildi.

Bu deneyim, açılıştaki gözlemimin diğer yüzü. Orada hazırlık hızlanmış ama onay döngüsü aynı kalmıştı. Burada rapor hızlıydı, ama veri kullanılabilir değildi ve hangi sayının ne anlama geldiğinde uzlaşamıyorduk. İkisinin ortak dersi şu: Bir çıktının daha hızlı hazırlanması, kararın da daha hızlı ya da daha isabetli alınacağını garanti etmiyor.

İki deneyimi üç katmanda okuyorum:

Karar mimarisi derken kastettiğim, bu üç katmanın birlikte tasarlanması. Amaç her kararı hızlandırmak değil; uygun hızda, yeterli kanıtla ve sorumlusu belli kararlar almak.

Yapay zeka bu katmanların her birinde yardımcı olabilir. Analizi hızlandırabilir, tutarsızlıkları gösterebilir, “aktif müşteri” için farklı tanımlar önerip sonuçlarını karşılaştırabilir. Ama hangi tanımın işin amacına uygun olduğuna, nerede kullanılacağına ve sonucundan kimin sorumlu olacağına kurum karar verir. Yapay zeka öneri üretir; bağlayıcı ölçütü kurum benimser.

Araştırmalar da aynı yönü gösteriyor

McKinsey'nin 2026 yapay zeka araştırması, yapay zekadan en fazla değeri elde eden ve “yüksek performanslı” olarak tanımladığı şirketleri ayrı bir grup olarak inceliyor. Bu şirketlerin yaklaşık dörtte üçü iş akışlarını yapay zeka için yeniden tasarlıyor; diğer şirketlerde bu oran dörtte bir civarında.4

Bu bulgu tek başına bir neden-sonuç ilişkisi kurmuyor, araçların önemini de dışlamıyor. Ama yeniden tasarımın, değer yaratanları ayıran özelliklerden biri olduğunu gösteriyor.

Kazanılan zaman nereye gidiyor?

Bir soru daha var: Yapay zekanın kazandırdığı zaman nereye gidiyor?

BCG'nin Haziran 2026'da yayımladığı araştırmada, yapay zekayı düzenli kullanan ön saf çalışanların yüzde 66'sı, kazandıkları zamanla ne yapacakları konusunda sınırlı yönlendirme aldıklarını ya da hiç almadıklarını söylüyor.5

Kazanılan zamanı nasıl değerlendireceğimiz de işin tasarımının bir parçası. Daha iyi müşteri hazırlığına mı, öğrenmeye mi, birikmiş işleri azaltmaya mı ayıracağız? Bu öncelikleri yönetici ve ekip birlikte netleştirmeli.

Ölçüt de en az öncelik kadar önemli. Yeni beceriler öğretiyoruz; peki eski başarı ölçütleriyle değerlendirmeye devam mı edeceğiz? Yalnızca çıktı sayısını ölçmek, niteliğin önüne miktarı geçirebilir ve kopyala-yapıştır-gönder alışkanlığını ödüllendirme riski taşır. Düşünmeye ve doğrulamaya ayrılabilecek zaman da böylece tükenebilir.

Pazartesi sabahı

Eğitim planını yaparken, kazanılacak becerilerin kullanılacağı işleyişi de ele alın. Sorulacak soru şu: Bu yeni becerilerle hangi işi farklı yapacağız?

Başlamak için büyük bir dönüşüm programına gerek yok:

1. Bir iş akışı seçin. Sonucu müşteriye ya da karlılığa dokunan ve uçtan uca izlenebilen bir süreç olsun.

2. Düğümü bulun. İş nerede bekliyor? Karar için gereken veriye kim, nasıl ulaşıyor? Hangi tanım herkes için aynı değil?

3. Neyin değişeceğine karar verin. Hangi karar kimde olacak, hangi veri ve tanım esas alınacak, hangi durumda ek kontrol gerekecek?

4. Eğitimi uygulamayla tamamlayın. Temel eğitimle ortak bir dil oluşturun; ardından seçtiğiniz iş akışındaki gerçek görevler üzerinde çalışın.

5. Üç şeyi birlikte izleyin. Bekleme süresi, hata oranı ve iş sonucu. Yalnızca hızı ölçerseniz hızlı ama yanlış kararları ödüllendirirsiniz.

6. İşe yarayanı görünür kılın ve yaygınlaştırın. Başarılı uygulamayı ve sahiplerini ödüllendirin, kurum geneline taşıyın.

Ford'a atfedilen sözün asıl dersi müşterilerle değil, bizimle ilgili. Müşteriler daha hızlı at ister, çünkü bildikleri dünyanın içinden bakarlar. Biz yöneticiler de yapay zekaya çoğu zaman aynı yerden bakıyoruz.

Eğitim, çalışanların yapabileceklerini genişletir. Yönetimin görevi, bu yeni becerilerin kullanılacağı alanı açmaktır.

Danışmanlık ve eğitimi birbirini tamamlayan iki çalışma olarak görüyorum. Birinde insanların becerilerini geliştiriyoruz. Diğerinde bu becerilerin iş sonuçlarına dönüşmesini kolaylaştıran tanımları, yetkileri ve çalışma biçimini ele alıyoruz. Başlangıç için tek bir süreç yeterli: Ekibin o süreçte ihtiyaç duyduğu becerileri geliştirirken, işin nerede beklediğini ve hangi kararların değişmesi gerektiğini birlikte inceleyebiliriz.

Ekibinizin yapay zeka eğitimi bittikten sonra, sizin yönetim biçiminizde ne değişecek?