Yapay Zekanın Tek Başına Çözemeyeceği Bilgi Sorunu

Yapay zekanın iş hayatındaki kullanımına dair tartışmaların çoğu, cevabın geldiği anda bitiyor. Benim asıl ilgilendiğim yer orası.

2008'de şirketlerin bilgiyi nasıl ürettiği ve bunu yeni ürünlere nasıl dönüştürdüğü üzerine bir doktora çalışmasını tamamladım. Bir bulgu o günden beri aklımda. O veride biçimsel kurallar, şirketin halihazırda yazılı hale getirdiği bilgiyi daha iyi kullanmakla, ancak insanların yalnızca deneyimlerinden bildiklerini sözcüklere dökmekte daha fazla güçlük yaşamasıyla ilişkiliydi. Aynı yapı, sürecin bir parçası için yararlı, diğeri için engelleyici görünüyordu.

Yapay zekayı her düşündüğümde bu bulguya dönüyorum. Bir şirket, kayıt altındaki bilgiyle çalışmakta çok iyi hale gelirken çalışanlarının bildiklerinden çok az şey öğreniyor olabilir.

Büyük dil modelleri bunu daha az değil, daha acil bir mesele yapıyor. Bir analizi hazırlamamıza, seçenekleri karşılaştırmamıza ve sağlam bir ilk taslak üretmemize yardım ediyorlar. Bunların hiçbiri organizasyonun öğrenip öğrenmediğini söylemiyor.

Veriden bilgiye

Terimleri netleştirmek için basit bir örnek.

Bu son adım, sayıların veremeyeceği kanıtları gerektirir: çıkış görüşmeleri, terfi geçmişleri, yöneticilerin fark ettikleri. Bunlara sahip olduğumuzda neyi değiştireceğimize karar verebilir, sonra da değişikliğin işe yarayıp yaramadığını öğrenebiliriz.

Örgütsel öğrenme burada gerçekleşir: insanlar yorumlar, tartışır, harekete geçer ve sonucu görür. Bunun bir kısmı yazıya dökülebilir. Bir kısmı orada bulunanların deneyiminde kalır.

Verinin gösterdikleri

Çalışmam, Türkiye'deki 93 bilişim şirketinden 294 profesyonelin anket yanıtlarına dayanıyordu. Ikujiro Nonaka'nın bilgi yaratma modeli ile Heeseok Lee ve Byounggu Choi'nin çerçevesi üzerine kuruldu; güven, öğrenme, biçimsel kurallar ve bilgi teknolojileri gibi uygulamaya dönük koşulları, yeni ürün geliştirme yetkinliği ve algılanan şirket performansıyla birlikte inceledi.

Burada üç sonuç önemli.

Birincisi, öğrenme ve bilgi teknolojileri dört bilgi yaratma sürecinin tamamıyla olumlu ilişkiliydi: deneyimi paylaşmak, deneyimi sözcüklere dökmek, yazılı olanı birleştirmek ve kullanarak öğrenmek.

İkincisi, nihai modelde bu dört süreçten yalnızca birinin yeni ürün geliştirme yetkinliğine uzanan doğrudan yolu istatistiksel olarak anlamlıydı: kombinasyon, yani halihazırda yazılı olan bilginin düzenlenmesi ve birleştirilmesi (0,34). Sosyalleşme ise bunun yerine kalitatif performansla ayrı ve doğrudan bir ilişki gösterdi. Bilgi yaratmanın iki yüzü, karşılığını farklı kanallardan veriyor görünüyordu.

Üçüncüsü, biçimselleşme bu süreçlerden ikisiyle zıt yönlerde ilişkiliydi: kombinasyonla olumlu (0,28), deneyimi sözcüklere dökmeyle olumsuz (−0,12). Bu, toplam etkinin yararlı olup olmadığını söylemez. Her prosedürün insanlara neyi kolaylaştırdığına ve neyi zorlaştırdığına bakmamız gerektiğini söyler.

Sınırlar da var. Bu, tek bir sektörde, tek bir ülkede yapılmış kesitsel bir anketti ve performans katılımcıların kendi beyanına dayanıyordu. Kabul edilen model, uyum vermeyen bir ilk kurgunun revize edilmesiyle elde edildi; bu nedenle doğrulanmış bir nedensellik yapısından çok keşfedici bir çalışma olarak okunmalı. Üstelik bugün tartıştığımız araçların hiçbiri ortada yokken yapıldı.

Yine de bu bulgular yararlı bir hareket noktası sunuyor. Teknoloji önemliydi. İnsanların onu kullandığı koşullar da öyle. İkisi de yapay zeka konuşmasının içinde olmalı.

Yapay zekanın kolaylaştırdıkları

Bu araştırmadan çok önce, hızla büyüyen ve tedarikçilerle sürekli görüşen bir bankanın ilk yıllarında çalışıyordum. Tedarikçilerden biri bize bir platform gösterdi. Yakından inceledik, bize uygun olmadığına karar verdik ve nedenini yazdık.

Birkaç ay sonra operasyondan sorumlu yönetici ayrıldı. Yerine gelen kişi aynı tedarikçiyle görüştü, etkilendi ve olası bir iş birliğini değerlendirip kendisine rapor etmemi istedi.

Kimse yanlış bir şey yapmamıştı. Not duruyordu. O toplantıda bulunanların dosyalarında duruyordu. Şirket bir yargıya varmış, sonra bu yargıyı bir sonraki karara taşıyacak bir yol bulamamıştı.

Yapay zekanın gerçekten iyi olduğu sorun tam olarak budur. O not, katılımcıların kendi dosyaları yerine paylaşılan ve aranabilir bir sistemde olsaydı ikinci değerlendirme zaten bildiğimiz yerden başlayabilirdi. Diğer tarafı savunmadan önce bunu açıkça teslim etmek istiyorum.

Verimlilik bulguları da aynı yöne işaret ediyor. 2023 tarihli Generative AI at Work çalışma metninde araştırmacılar, müşteri destek temsilcilerinin kullandığı bir aracı inceledi ve ortalama yüzde 14'lük bir verimlilik artışı bildirdi; artış, deneyimi ve beceri düzeyi daha düşük çalışanlarda daha büyüktü.1 Yapay zeka, eskiden yıllar süren deneyime bağlı olan pratikleri yayabiliyor.

Kendi alanımın diliyle söylersem bu, kombinasyonun ucuzlaması ve hızlanmasıdır. Kombinasyon ise araştırmamın verilerinde ürün geliştirme yetkinliğine doğrudan bağlanan tek süreçti. Bunun üzerinde durmaya değer. Biçimselleşmenin aynı süreçle aynı yönde, diğeriyle ters yönde ilişkili olması da öyle.

Yapay zekanın tek başına ulaşamadıkları

Yıllar sonra bir ödeme şirketine katıldım; bana bağlı ekiplerin birçoğu neredeyse tümüyle yeniden kurulmuştu. POS tarafında en uzun süredir çalışan kişi bile şirkette yalnızca sekiz aydır bulunuyordu. Kart direktörü, ben başladıktan kısa süre sonra ayrıldı.

Ortak markalı kart sözleşmeleri sistemdeydi. Elimizde olmayan şey, o sözleşmelerin arkasındaki müzakereydi: partnerlerimizin ne istediği, neyi reddettiğimiz ve nedeni. O görüşmeler sırasında bilgi teknolojileri ve sahtekarlık önleme ekiplerindeki arkadaşlarımız endişelerini odada sesli olarak dile getirmişti. Bu endişelerin bir kısmı hiç kayda geçmedi.

Bunların tamamını taşıyan tek bir kişi kalmıştı. Benzer bir proje geldiğinde, şirketin çoktan kapattığı bir soruyu yeniden açmamamızın ve bazı riskleri bize ulaşmadan önce görmemizin nedeni oydu. Yalnızca sözleşmeler ve ürün tanımlarıyla çalışsaydık şartlara sahip olur, gerekçeye sahip olmazdık. O kavrayış ondan başka hiçbir yerde yoktu.

İki olay farklı boşlukları gösterdi. Bankada gerekçelerimizi kaydetmiştik, ama bir sonraki karara ulaşmadılar. Ödeme şirketinde önemli gerekçeler hiç kaydedilmemişti. Her iki durumda da sonraki ekibin nihai karardan fazlasına ihtiyacı vardı. Nedenini anlaması gerekiyordu.

Yapay zeka sözleşmeleri aramamıza ve karşılaştırmamıza yardım edebilirdi. Ama sözleşmeler tek başına neyi reddettiğimizi ya da arkadaşlarımızın neden endişe duyduğunu gösteremezdi. O gerekçeler konuşulmuş, hiç yazılmamıştı. Yapay zeka bunları kayda geçirmeye bile yardım edebilirdi; hala hatırlayan kişiyle yapılacak bir görüşmeyi destekleyerek. O görüşmenin gerektiğini birinin fark etmesi gerekiyordu.

Bunların hiçbirini prosedüre karşı bir argümana dönüştürmemeye dikkat ederim. Prosedürler insanların aradıklarını bulmasını sağlar, kimin neden sorumlu olduğunu netleştirir ve hataların tekrarlanmasını önlemeye yardımcı olur. Zorluk daha dar bir yerde: bir amaç için kurulmuş prosedür çoğu zaman başka bir amaca uymaz. Standart bir proje şablonu raporları karşılaştırılabilir kılar ve başlıklara sığmayan gözleme yer bırakmaz. Bir onay adımı hesap verebilirliği kurar ve insanları, henüz kanıtlayamadıkları bir endişeyi dile getirmekte isteksiz hale getirir.

Dolayısıyla yöneticiler için soru, ne kadar yapı olacağı değil. Hangi yapıların halihazırda bilinenin kullanılmasına yardım ettiği; hangilerinin henüz belgelenmemiş, üzerinde uzlaşılmamış ya da tam anlaşılmamış olana yer bıraktığıdır.

Daha az düşünme riski

Hazırlığın daha büyük bölümü insanların yerine yapıldığında muhakemenin nasıl gelişeceğini de merak ediyorum.

Bir problem üzerinde çalışmak zaman alır ve bu zamanın bir kısmı boşa gider. Bir kısmı ise zayıf kanıtı fark etmeyi, daha iyi bir soru sormayı ya da cazip görünen bir cevabın müşteriyle ilk temasta neden ayakta kalmayacağını görmeyi öğrendiğimiz zamandır.

Lee ve arkadaşlarının 2025 tarihli çalışması 319 bilgi çalışanıyla yapıldı. Üretken yapay zekaya duyulan yüksek güven, beyan edilen eleştirel düşünmenin azalmasıyla ilişkiliydi; eleştirel düşünmenin kendisi de bilgiyi doğrulama, yanıtları bütünleştirme ve işi denetleme yönünde kaydı.2 Bu, kimsenin muhakemesinin kalıcı olarak zarar gördüğünün kanıtı değil. İşin nasıl değiştiğine yakından bakmak için bir neden.

Beni asıl düşündüren, makul görünen bir cevabın fazla incelenmeden kabul edildiği bir rutin. Çünkü haftanın hiçbir yerinde incelemenin karşılığı yok. Bu normalleşirse daha az deneyimli arkadaşlarımız nerede pratik yapacak? Kabul edilmiş bir açıklamanın yanlış olduğu nasıl ortaya çıkacak?

Yapay zeka bunun tersi bir alışkanlığı da destekleyebilir. Bir ekip ondan bir varsayımı sorgulamasını, alternatif bir görüşü savunmasını ya da eksik kanıtı belirtmesini isteyebilir. İnsanların bunu yapıp yapmaması, organizasyonun onlardan ne beklediğine bağlı. Görünen tek hedef hızsa, atlanması en kolay şey düşünmeye ayrılan zamandır.

Karar mimarisi

Anlattığım şey bir şirketin karar mimarisidir: enformasyonun nasıl değerlendirilip bir yargıya dönüştüğü, bu yargı kesinleşmeden önce kimlerin itiraz edebildiği ve kararın sonuçlarının kararı verenlere geri dönüp dönmediği.

Yapay zeka bunun ilk kısmını hızla değiştiriyor. Geri kalanını kendiliğinden değiştirmiyor.

Yöneticilerden değiştirmelerini isteyeceklerim

Kullanıma değil, kararlara bakın. Yapay zeka kullanan kişi sayısı size yaygınlaştırma hakkında bir şey söyler, işin kalitesi hakkında neredeyse hiçbir şey söylemez. Az sayıda önemli karar için varsayımları, beklenen sonucu ve başlıca belirsizlikleri kaydedin ve geri dönüp bakmak için bir tarih belirleyin. İyi bir sonuç her zaman muhakemenin sağlam olduğu anlamına gelmez; kötü bir sonuç da her zaman tersini göstermez. İkisini de gözden geçirin. Zamanla bu, organizasyonun nasıl düşündüğünün kaydına dönüşür.

Reddettiklerinizi yazın ve bulunabildiğinden emin olun. Yapay zeka destekli bir öneri onaylanmadan önce işe en yakın kişileri dahil edin; analizde neyin eksik olduğunu ve neyi açıklamakta zorlandıklarını sorun. Sonra yalnızca üzerinde anlaşılanı değil, reddedileni ve nedenini de kaydedin. Kaydetmek işin yarısı; diğer yarısı, benzer bir soru geldiğinde bunun toplantıya katılanların dosyalarında kalmayıp ortaya çıkmasını sağlamak. Tamamlanmamış gözleme de yer olmalı: bunu henüz kanıtlayamıyorum ama bir şey farklı. Yanlış olabilir. Bilmeye değer bir şeyin başlangıcı da olabilir. Bir amaca hizmet eden kontrolleri koruyun; kavrayış kazandırmadan evrak üretenleri titizlikle sorgulayın.

Muhakeme pratiğini koruyun. İnsanlardan bir öneriyi neden desteklediklerini, hangi alternatifi elediklerini ve hangi kanıtın fikirlerini değiştireceğini söylemelerini isteyin. Bu en çok daha az deneyimli arkadaşlarınız için önemli: ilk taslağı yapay zeka üretiyorsa, muhakemeyi inceleyip bir karara varacakları bir yer yine de gerekiyor. Yöneticilerin de sonuçları gözden geçirmeye zaman ayırması gerekir; yoksa insanlar haklı olup olmadıklarını hiç öğrenmeden bir bitmiş işten diğerine geçer.

Organizasyonda ne kalıyor?

Araştırmam yalın bir yönetim sorusuyla başlamıştı: bir şirket, bilgiyi üretme ve kullanma biçimini iyileştirmek için sınırlı kaynağını nereye koymalı? Yapay zeka bu soruyu cevaplamadan daha acil hale getirdi. Şirketlere somut bir kapasite kazandırıyor. Güven, yapı, öğrenme ve hesap verebilirlik ise şirketi yönetenlerin işi olmaya devam ediyor.

Bir yapay zeka girişimini, iş bittikten sonra ekipte ne kaldığına bakarak değerlendiririm. Kararı açıklayabiliyorlar mı? Sınırlarını biliyorlar mı? Bir dahaki sefere kullanacakları bir şey öğrendiler mi?

Devir oranı örneğine dönelim. Daha iyi bir elde tutma planı üretmek yararlıdır. İnsanların neden ayrıldığını anlamak, buna yönelik bir uygulamayı denemek ve sonuçlarını aktarmak ise şirkete yeniden kullanabileceği bir şey kazandırır.

Bir yapay zeka yatırımından beklediğim sonuç budur.