Yapay Zekâ Akıllandıkça En Kötü Hatalarını Fark Etmek Zorlaşıyor

Araştırma çalışmalarımın yanında, uzun yıllar matematik eğitmeni ve mentor olarak görev yaptım. Doktoramı tamamladıktan sonra, yapılandırılmış programlar oluşturarak ve daha karmaşık eğitim projelerinin tasarımını dikkatle düşünerek bu çalışmaları daha bilinçli bir şekilde ölçeklendirmeye başladım. Aynı dönemde yatırım ve altyapıyla ilgili projelere dâhil oldum; bu projeler gerçek karar verme baskısını deneyimlememi sağladı ve belirsizlik altında uygulama konusundaki düşünce biçimimi geliştirdi.

Bugün, genç bir eğitim ve danışmanlık girişimi olan Cantabrium Scholars'ın kurucu ortağı ve genel müdürüyüm (Ürün ve Etkileşim). Bu girişim, büyük ölçüde kuruluş aşamasında. Rolüm; akademik tasarımdan mentor kalitesine, ebeveyn iletişimlerinden elde tutmaya kadar programlar genelinde ürünün ve öğrenci deneyiminin sorumluluğunu üstlenmeye ve bunları geliştirmeye odaklanıyor. Ayrıca ekipler ve coğrafyalar arasında çok aşamalı teslimatı yürütmeyi ve karmaşık projeler geliştikçe bunların bütünlüğünü korumayı da kapsıyor. Büyürken ortaklıklar kurma, kuruluşun akademik yönünü ve genel teslimat yaklaşımını şekillendirme süreçlerine de yakından dâhil oluyorum.

Yapay zekânın teslimat döngüsünde en değerli olduğu noktalar

Yapay zekâ, yalnızca araştırma odaklı ortamlardan daha hızlı uygulama, işlevler arası koordinasyon ve gerçek dünyada karar verme gerektiren rollere geçerken benim için özellikle faydalı oldu.

Mevcut çalışmalarımda yapay zekâ, teslimat döngüsünün iki noktasında en değerli hâle geldi:

Başlangıçta, kararlar henüz şekillenirken yeni alanları hızlıca öğrenmenin ve fikirleri sınamanın bir yolu olarak hizmet ediyor. Dâhil olduğum eğitim ve yatırımla ilgili projelerin birçok boyutu, alışılmadık konularla hızlı bir şekilde ilgilenmeyi gerektiriyor. Yapay zekâ, varsayımları sorgulamak için yavaşlamadan önce seçenekleri hızla keşfetmeme yardımcı oluyor. Somut olarak bu, yapay zekâyı bir alanın yapısını netleştirmek, tipik ödünleşimleri öne çıkarmak ve kendi düşüncelerimi geliştirirken bir fikir alışverişi ortağı olarak kullanmak anlamına geliyor. Uygulamada bu, çoğu zaman en çok hataları azaltma açısından önem taşıyor: zayıf varsayımları veya iç çelişkileri bir proje boyunca yayılmadan önce tespit etmek.

Ardından, ana yön netleştiğinde yapay zekâ, uygulama ve koordinasyon maliyetlerini azaltmada özellikle etkili oluyor. Artık aynı materyalin tekrarlanan sürümlerini hazırlamaya çok daha az zaman harcıyorum: içeriği farklı formatlara çevirmek, farklı kitlelere veya ülkelere uyarlamak ya da paralel belgeleri eş zamanlı tutmak gibi. Önceki kararların ve bağlamın net bir şekilde hatırlanması, projeler geliştikçe amacı kaybetmeden materyallerin yeni sürümlerini hızlıca oluşturmayı da çok daha kolay hâle getiriyor.

Yapay zekâ, müzakerenin yoğun olduğu bağlamlarda da beklenmedik ölçüde faydalı oldu: her iki tarafın pozisyonlarını hızla haritalandırmak, olası kısıtları ve vazgeçilmez koşulları ortaya çıkarmak ve nerede taviz verebileceğimi, nerede itirazların ilkesel olduğunu sınamak. Uygulamada, görüşmeye girmeden önce ondan iki veya üç “adil takas” paketi taslağı hazırlamasını istiyor, ardından bunları kırmızı çizgilerime göre sağduyu kontrolünden geçiriyorum. Bu, görüşmelere net kırmızı çizgiler, inandırıcı tavizler ve adil bir takasın gerçekte nasıl göründüğüne dair daha sakin bir anlayışla girmeyi kolaylaştırıyor.

Evgeny'nin notları

Yapay zekâ, müzakerenin yoğun olduğu bağlamlarda da beklenmedik ölçüde faydalı oldu: her iki tarafın pozisyonlarını hızla haritalandırmak, olası kısıtları ve vazgeçilmez koşulları ortaya çıkarmak ve nerede taviz verebileceğimi, nerede itirazların ilkesel olduğunu sınamak.

Sonuç olarak, dikkatimin daha büyük bir bölümü muhakeme gerektiren çalışmalara yöneliyor: hangi soruların gerçekten önemli olduğuna karar vermek, projelerin başlangıçtaki yapısını oluşturmak ve teslimatın insani boyutunu, yani uyumu, bağlılığı ve güveni yönetmek. Kapsamı tanımlamak, ödünleşimleri değerlendirmek, anlaşmazlıkları çözmek ve bir yön belirlemek gibi görevler kesin biçimde insanlara ait olmaya devam ederken yapay zekâ, teslimat süreci boyunca sentez, tutarlılık ve hatırlama konularında destek sağlıyor.

Yapay zekâyı giderek daha fazla düşünmenin ilk aşamalarında bir iş ortağı, sonraki aşamalarda ise güvenilir bir hızlandırıcı olarak görüyorum; ancak henüz özgün muhakemenin veya sıfırdan gerçekten yaratıcı bir uygulamanın yerini alabileceğini düşünmüyorum. Bu sınır değişiyor, fakat şimdilik çalışmalarımda en büyük katkı, güçlü insan muhakemesini seçici ve iyi formüle edilmiş yapay zekâ desteğiyle bir araya getirmekten geliyor.

Yapay zekâ destekli sunumun en önemli unsuru neden daha güçlü insan yargısıdır?

İlginç bir şekilde, yapay zekâ çıktıları daha ikna edici hâle geldikçe insan yargısının rolü azalmak yerine daha da zorlayıcı oluyor.

Mevcut aşamada işin büyük bir bölümü yalnızca yapay zekâyı kullanmaktan ibaret değil; aynı zamanda onu aktif biçimde kontrol etmeyi gerektiriyor: soruları dikkatlice çerçevelemek, varsayımları açık hâle getirmek ve yapay zekânın belirtilmemiş sonuçlara çok erken atlamasını önlemek.

Pratikte bu, insanın süreçte bir istikrar merkezi olarak hareket etmesi gerektiği anlamına geliyor. Çalışmalarımızda yapay zekâ, iç tutarlılığı olan temiz ve zarif yapılara genellikle hızla yakınsıyor. İşler "fazla temiz" göründüğünde, süreci yavaşlatmak, öğrencilerin geçmişi, motivasyonu ve iş yüküne ilişkin varsayımları yeniden değerlendirmek ve kâğıt üzerinde çekici görünen ancak pratikte kırılgan olan bir şeyi kesinleştirmekten kaçınmak için bilinçli insan müdahalesi gerekiyor.

Zamanında insan müdahalesini özellikle zorlaştıran şey, hataların nadiren bariz yanlışlıklar olarak ortaya çıkmasıdır. Projeler geliştikçe yapay zekâ halüsinasyonları daha incelikli ve ikna edici olma eğilimindedir; çoğu zaman eksik veya örtük varsayımlar üzerine kurulmuş, kendi içinde tutarlı anlatılar şeklinde ortaya çıkarlar. Eğitim çalışmalarımda bu durum, başlangıçta sağlam görünen ancak erken fark edilmezse uyumsuz iş yüklerine veya gerçekçi olmayan geçmiş beklentilerine yol açacak program yapıları şeklinde kendini gösterdi. Çevredeki metin akıcı ve iyi yapılandırılmış olduğunda, biri bilinçli olarak müdahale etmezse bu sorunlar sessizce yayılabilir.

Kullandığımız pratik önlemlerden biri şu: "temiz" görünen veya çok hızlı yakınsayan her yapay zekâ üretimi yapı, varsayılan olarak şüpheli kabul edilir. Bir karara bağlamadan önce, varsayımları açıkça yeniden ifade eden, hata senaryolarını araştıran ve yapıyı alternatif kısıtlar altında test eden en az bir turu zorunlu kılıyoruz. Bu, ince ancak etkisi yüksek hataları yayılmadan önce yakalamanın en güvenilir yolu oldu.

İleriye baktığımda bu gerilimin artmasını bekliyorum. Modeller geliştikçe, kendi içinde tutarlı ve yüzeyde ikna edici olan mimarilere itiraz etmek zorlaşacak. İnsan rolünü korumak, doğru anlarda süreci yavaşlatmak, varsayımları sorgulamak ve kararların sorumluluğunu üstlenmek, profesyonel hizmetlerin otomasyonu ve sunumunda yapay zekânın en önemli ve en zorlayıcı yönlerinden biri hâline gelebilir.

Yapay zekâ, karşıt görüşlü bir değerlendirici olarak nasıl kullanılır?

Basit bir değişiklik bu konuda yardımcı olabilir: Konuşmaya dayalı yapay zekâyı içerik üreticisi yerine karşıt görüşlü bir değerlendirici olarak kullanın.

Yapay zekâdan tamamlanmış çıktılar üretmesini istemek yerine, onu önerilen yapıları sorgulamak için kullanıyorum: gizli varsayımları ortaya çıkarmak, kararları alternatif senaryolar altında stres testine tabi tutmak ve tek bir öncülün yanlış çıkması durumunda bir planın nasıl başarısız olabileceğini açıklamak için. Bu yaklaşım, erken alınan kararların uzun vadede birçok sonucu olduğu ve yersiz güvenin maliyetli olduğu tasarım ağırlıklı ve yatırımla ilgili çalışmalarda özellikle değerli oldu.

Bu şekilde kullanıldığında yapay zekâ, incelikleri ortadan kaldırmadan düşünme döngülerini kısaltır. Yarı şekillenmiş fikirlerin hızla dışa vurulmasına, sorgulanmasına ve geliştirilmesine olanak tanır; böylece bilişsel yük azalırken karar kalitesi artar. Pratikte bu, zayıf varsayımların daha erken belirlenmesini, geç aşamadaki geri dönüşlerin azalmasını ve bir yön seçildikten sonra daha bilinçli bir bağlılık kurulmasını sağladı.

Bu kullanım alanının değeri, modelin kendisinden çok etkileşimin nasıl yapılandırıldığına bağlıdır. İstemlerdeki küçük değişiklikler, yapay zekânın düzenli bir çözüme vaktinden önce yakınsayıp yakınsamayacağını veya anlamlı ödünleşimleri ve hata senaryolarını ortaya çıkarıp çıkarmayacağını belirleyebilir. Bir projenin aşamaları boyunca aynı sorgulama çizgilerine geri dönerek ve bağlam geliştikçe varsayımları yeniden test ederek bu etkileşim, sunum sürecinin kendisinin bir parçası hâline gelir. Zamanla bu tekrar birikimli bir etki yaratır: kararlar uyumlu kalır, önceki akıl yürütme görünür olmaya devam eder ve projeler arasındaki genel tutarlılık azalmak yerine gelişir.

İşte küçük ama açıklayıcı bir örnek. Yapay zekâya “Bu kısıtlar göz önüne alındığında hangi seçenek en iyi?” diye sormak, temiz ve kendinden emin, hızla yakınsayan öneriler üretme eğilimindeydi. İstemi “Bu seçenek hangi koşullar altında başarısız olur ve bunun gerçekleşmesi için hangi varsayımların yanlış olması gerekir?” şeklinde yeniden çerçevelemek ise önemli ölçüde farklı bir çıktı üretti: operasyonel darboğazları, iş ortaklarıyla koordinasyon risklerini ve ilk çerçevelemede belirgin olmayan zaman çizelgesi hassasiyetlerini ortaya çıkardı. Bu ifade değişikliği, hangi riskleri erken ele aldığımızı ve bazı durumlarda hangi seçenekleri tamamen elediğimizi defalarca değiştirdi.

Evgeny'nin Notları

Yapay zekâya “Bu kısıtlar göz önüne alındığında hangi seçenek en iyi?” diye sormak, hızla yakınsayan temiz ve kendinden emin öneriler üretme eğilimindedir. İstemi “Bu seçenek hangi koşullar altında başarısız olur ve bunun gerçekleşmesi için hangi varsayımların yanlış olması gerekir?” şeklinde yeniden çerçevelemek ise önemli ölçüde farklı bir çıktı üretti.

Yapay zekâ, karar kalitesine odaklanmak için sunum ritüellerini nasıl değiştiriyor?

Yapay zekâ, sunum ritüellerimizi faaliyetleri raporlamaktan karar kalitesini geliştirmeye doğru kaydırdı.

• Kapsamı tanımlamak hem daha açık hem de daha geçici hâle geldi. Yapay zekâ makul görünen planları hızlıca oluşturmayı kolaylaştırdığı için, bu aşamayı hızlandırmak yerine yavaşlatmayı öğrendik. İlk çıktılar, uygulanacak teklifler olarak değil, sorgulanması gereken hipotezler olarak ele alınıyor. Kapsam konusunda taahhütte bulunmadan önce seçenek alanını haritalamak, kısıtları ortaya çıkarmak ve belirsizliğin hâlâ nerede bulunduğunu belirlemek için yapay zekâyı kullanıyoruz.
• Ekipleri hizalamak artık ortak çıktılardan ziyade ortak akıl yürütmeye odaklanıyor. Özenle hazırlanmış belgeleri hemen paylaşmak yerine, tartışmalardan önce varsayımların, ödünleşimlerin ve çözümlenmemiş soruların kısa özetlerini oluşturmak için sıklıkla yapay zekâyı kullanıyoruz. Bu, bağlamı eşitliyor ve hizalanma görüşmelerinin yorumlamadan ziyade muhakemeye odaklanmasını sağlıyor.
• Çalışmayı doğrulamak daha erken bir aşamaya taşındı. Çıktıları bir kontrol listesine veya zaman çizelgesine göre incelemek yerine, varsayımları stres testine tabi tutmak için yapay zekâyı kullanıyoruz: bir yapının nasıl başarısız olabileceğini, hangi varsayımların en fazla riski taşıdığını veya uç durumlarda nelerin değiştiğini soruyoruz. Bu, doğrulama görüşmelerini daha nitelikli hâle getirdi ve son aşamadaki sürprizleri azalttı.
• Yürütmeyi yönetmek daha yalın, ancak daha bilinçli hâle geldi. Düzenli kontrol toplantıları durum güncellemeleri yerine, verilmesi gereken kararlara, ortaya çıkan ödünleşimlere ve insan muhakemesinin gerekli olduğu noktalara odaklanıyor. Yapay zekâ arka planda sürekliliği ve sentezi destekliyor, ancak sahiplik ve hesap verebilirlik açıkça insanlarda kalıyor.

Genel olarak yapay zekâ, teslimat ritüellerine duyulan ihtiyacı ortadan kaldırmadı — onları daha amaçlı hâle getirdi. Vurgu, ilerlemeyi takip etmekten daha iyi kararları daha erken ve daha net bir sahiplikle almaya kaydı.

Proje teslimatında esneklik sağlayan bir yapay zekâ teknoloji yığını nasıl görünür?

Proje teslimatı teknoloji yığınım, araç ağırlıklı olmaktan ziyade bilinçli olarak yalın, metin öncelikli ve yapay zekâ ile güçlendirilmiş durumda. Bu, ölçekli yürütmeden ziyade yüksek belirsizlik ve tasarım odaklı olma eğilimindeki işimin doğasını yansıtıyor.

Temelinde Google Workspace üzerinden paylaşılan belgeler ve elektronik tablolar yer alıyor. Paylaşılan belgeler varsayımlar, kararlar, sahiplik ve gelişen yapılar için temel doğruluk kaynağı görevi görürken, elektronik tablolar özellikle yatırım ve konum planlama bağlamlarında maliyet modelleri, zaman çizelgeleri ve senaryo karşılaştırmaları için kullanılıyor. Slack ve WhatsApp, ayrıntılı görev takibi için değil, hızlı hizalanma ve karar alma için kullanılıyor.

PM için gerektiğinde Notion ve Linear kullanıyor, ağır görev panoları yerine karar günlüklerine ve dönüm noktalarına odaklanıyorum.

Uygulamada bu, geçtiğimiz yıl paylaşılan belgelere ve yapay zekâ destekli senteze daha fazla ağırlık verirken, daha net karar günlükleri ve daha yalın koordinasyon lehine kapsamlı proje yönetimi araçlarından uzaklaştığım anlamına geliyor.

Artık daha az belgem, daha net karar günlüklerim ve daha açık varsayımlar var. Büyük dil modelleri artık bu yığının üzerinde bir sentez ve süreklilik katmanı olarak yer alıyor. İşler değiştikçe kararları, varsayımları ve paralel belgeleri uyumlu tutmama yardımcı oluyorlar. Seçenekleri keşfetmek, tasarımları baskı testine tabi tutmak, önceki kararları özetlemek ve projeler akademik, operasyonel ve ortaklık boyutlarında geliştikçe bağlamı korumak için bunları kullanıyorum. Ayrıntılar şöyle:

• ChatGPT (GPT-4 sınıfı modeller): Açık uçlu akıl yürütme, seçenekleri keşfetme, ödünleşim analizi, tasarımları baskı testine tabi tutma ve belgeler arasındaki uzun vadeli bağlamı koruma.
• Claude: Ton ve kısıtları koruyan temiz, yapılandırılmış taslaklar ve özenli yeniden yazımlar.
• Gemini (ara sıra): Özellikle farklı belge türleriyle çalışırken büyük girdilerin hızlı özetlenmesi veya alternatif çerçeveler oluşturulması.

Son projelerde bu yaklaşım, uygulanabilir program yapılarında daha hızlı uzlaşma, son aşamada daha az geri dönüş ve akademik ve operasyonel iş akışları arasında daha net karar devirleri sağladı. Pratik açıdan bu, tuttuğumuz paralel belgelerin sayısını azalttı, taslaklar arasındaki yineleme döngülerini kısalttı ve akademik, operasyonel ve ortaklara yönelik materyalleri uyumlu tutmanın koordinasyon yükünü düşürdü.

İletişim ve tasarım tarafında, tasarımcımızla hızlıca hizalanmak için Midjourney kullandım. Özellikle tonu ve görsel yönü erken aşamada aktarmada etkili oldu ve estetik muhakemeyi yalnızca kelimelerle açıklamaya çalışmaktan kaynaklanan karşılıklı gidip gelmeleri azalttı.

İleriye dönük olarak, malzeme hacmi arttıkça Obsidian gibi bağlantılı bir bilgi tabanı anlamlı olacaktır; özellikle projeler arasındaki uzun vadeli kurumsal hafıza açısından. Ancak mevcut aşamada paylaşılan belgeler, yapay zekâ destekli özetleme ve hatırlama ile bir araya geldiğinde, ek araç yükü getirmeden bu ihtiyacın büyük bölümünü karşılıyor.

Genel olarak bu yığın işe yarıyor, çünkü şu anda açıklık, uyarlanabilirlik ve muhakeme süreç optimizasyonundan daha önemli. Ölçek arttıkça yığının bazı bölümleri muhtemelen resmileşecek, ancak şimdilik esneklik kesinlikten daha değerli oldu.

Yüksek belirsizlik içeren, yapay zekâ destekli projelerde yalın teslimat sistemleri neden daha iyi çalışır?

Bu nedenle, görev ağırlıklı ve zaman çizelgesini merkeze alan proje yönetiminden uzaklaşıp varsayımları, bağımlılıkları ve karar noktalarını öne çıkaran sistemlere yöneldik. Belirsizliğin yüksek olduğu, tasarım odaklı çalışmalarda görevler ve son teslim tarihleri konusunda erken aşamada gösterilen kesinlik, çoğu zaman hâlâ yanıtlanması gereken asıl soruları gizlerken sahte bir ilerleme hissi yaratır.

Geleneksel proje yönetimine bilinçli olarak “başkaldırmadım” — yalnızca yaptığım işin türüne artık uymamaya başladı.

Daha az katı planı ve daha yapılandırılmış görüşmeleri tercih ediyoruz. Ayrıntılı görevleri takip etmek veya yapay kilometre taşlarını zorunlu kılmak yerine, bir projenin başarılı olması için neyin doğru olması gerektiğini, belirsizliğin hâlâ nerede bulunduğunu ve bir sonraki anlamlı karardan kimin sorumlu olduğunu tanımlamaya odaklanıyoruz. Ortak belgeler; varsayımlar, açık sorular, riskler ve sorumluluk için açık bölümler içeren, sürekli gelişen doğruluk kaynakları olarak işlev görüyor. Hafif ve yalın dokümantasyon, gösterge tablolarının; karar noktaları ise sabit zaman çizelgelerinin yerini alıyor.

ChatGPT, zaman içindeki değişiklikleri özetlememize, paralel iş akışları arasındaki tutarsızlıkları ortaya çıkarmamıza ve projeler geliştikçe bağlamı uyumlu tutmamıza yardımcı olarak bu değişimi destekliyor — tek bir iş akışını veya katı bir süreci zorunlu kılmadan.

Sonuç, başlangıçta daha hızlı yakınsama ve ilerleyen aşamalarda daha az sancılı yeniden çalışma oldu. Özellikle problemin kendisinin hâlâ tanımlandığı projelerde, gösteriş amaçlı “ilerlemeyi” daha az, gerçek netliği ise daha fazla görüyoruz.

Ajanik yapay zekâyı dikkatli bir şekilde nasıl deneyebilirsiniz?

Ajanik yapay zekâ, yaptığımız işin doğası gereği muhakeme, hesap verebilirlik ve bağlamsal farkındalığın hâlâ çok açık bir şekilde korunması gerektiğinden genel iş akışlarımızın henüz bir parçası değil — ve bunların insanlarda kalması gerekiyor. Bu ortamlarda erken otomasyon, sahte bir güven duygusu yaratma riski taşıyor. Bu, özenle kaçınmaya çalıştığımız bir risk.

Bu nedenle, uçtan uca otomasyona benzeyen her konuda temkinli davrandık. Yol gösterici sorumuz “Neyi otomatikleştirebiliriz?” yerine “Sorumluluğu belirsizleştirmeden, koordinasyon nerede görünürlüğü artırır veya sürtüşmeyi azaltır?” oldu. Şimdiye kadar bu yaklaşım, denemelerimizi keşif amaçlı, kademeli ve sıkı bir şekilde denetlenen çalışmalar olarak sürdürmemizi sağladı.

Uygulamada bu denemeler; özetleme için yapay zekâ kullanmayı, gelişen belgeler arasındaki tutarlılığı korumayı ve farklı varsayımlar altında seçenekleri veya senaryoları karşılaştırmayı içeriyor. Bunlar, sorumluluğu insanların elinden almadan koordinasyon maliyetlerini azaltabilecek alanlar.

İleriye baktığımızda, özellikle geniş ölçekte koordinasyon ve geri bildirim konusunda daha yapılandırılmış bir orkestrasyonun anlamlı olabileceği alanlar var. Ancak burada bile amaç, muhakemeyi otomatikleştirmek veya insan etkileşiminin yerini almak değil; karmaşıklık arttıkça sürekliliği, düşünsel değerlendirmeyi ve uyumu desteklemek olurdu.

Proje teslimi neden planları uygulamaktan çok karar mimarisiyle ilgili hâle gelecek?

Önümüzdeki beş yıl içinde proje teslimi, görev koordinasyonundan karar mimarisine doğru kayacak. Yapay zekâ seçenekler arasındaki sentezleme, hafıza ve karşılaştırma işlerini giderek daha fazla üstlendikçe, insanların rolü işi yönetmekten ziyade belirsizliği yönetmeye kesin bir biçimde yönelecek.

Uygulamada bu, zaman çizelgelerini ve görev listelerini sürdürmeye odaklanan daha az kişi, iyi kararlar için gerekli koşulları tasarlamaya odaklanan daha fazla lider anlamına geliyor: varsayımları görünür kılmak, seçenek alanlarını tanımlamak, karar haklarını netleştirmek ve muhakemenin hâlâ gerekli olduğu yerleri belirlemek. Yapay zekâ, teslimatın mekanik yönlerini sıkıştıracak, ancak belirsizliği ortadan kaldırmayacak veya riskin sorumluluğunu üstlenmeyecek.

Hâlâ bilinmeyenlerin neler olduğu, hangi taahhütlerin geri döndürülemez olduğu ve her karardan kimin sorumlu bulunduğu konusunda açık olmak önemlidir. Proje teslimi, planları uygulamaktan çok, anlayış geliştikçe tutarlılığı korumakla ilgili hâle gelecek.

Evgeny'nin Notları

Hâlâ bilinmeyenlerin neler olduğu, hangi taahhütlerin geri döndürülemez olduğu ve her karardan kimin sorumlu bulunduğu konusunda açık olmak önemlidir. Proje teslimi, planları uygulamaktan çok, anlayış geliştikçe tutarlılığı korumakla ilgili hâle gelecek.

Muhakeme ve sorumluluk neden hâlâ insanlara ait?

Şu anda teslimat liderleri açısından en büyük değişim yeni araçları öğrenmek değil, muhakemenin nereye ait olduğunu yeniden öğrenmek. Yapay zekâ ne kadar hızlı düşünebildiğimizi, yineleyebildiğimizi ve koordinasyon sağlayabildiğimizi değiştiriyor — ancak kararlar konusunda kimin hesap verebilir olması gerektiğini değiştirmiyor. Bu ayrımı net tutmak, temel bir liderlik becerisi hâline geliyor.

İşte tavsiyem:

• Yargıyı dış kaynak kullanarak devretmeyin — bilişsel yükü dış kaynak kullanarak devredin. AI, bağlamı koruma, seçenekleri karşılaştırma, tutarsızlıkları ortaya çıkarma ve karmaşık projelerin zihinsel yükünü azaltma konusunda son derece başarılıdır. Onu düşünmeyi desteklemek için kullanın, düşünmenin yerine koymayın. AI kararların tamamlanmış gibi görünmesini sağlamaya başladığı anda liderlerin devreye girip bu güvenin hangi varsayımlara dayandığını ve bu varsayımların haklı olup olmadığını sorması gerekir.
• Uygulamayı optimize etmeden önce varsayımları açıkça ortaya koyun. AI, erkenden gösterişli planlar oluşturmayı kolaylaştırır ve bu da ilerleme yanılsaması yaratır. Bu çekime direnin. Başlangıçta en değerli çalışma görevleri parçalara ayırmak veya zaman çizelgeleri oluşturmak değil, varsayımları görünür kılmaktır: Bunun işe yaraması için neyin doğru olması gerekiyor, belirsizlik hâlâ nerede bulunuyor ve hangi kararlar geri döndürülemez? Projeler, kötü uygulama nedeniyle değil, incelenmemiş öncüller nedeniyle daha sık başarısız olur.
• AI'ı bir düşünme ortağı olarak görün, kestirme yol olarak değil. Çerçevelemedeki küçük değişiklikler, AI'ın ürettiği sonuçları kökten değiştirebilir. İyi istemler yazmayı öğrenmek, sözdiziminden çok daha iyi sorular sormayı öğrenmekle ilgilidir. Bu beceri zaman içinde katlanarak gelişir; çünkü daha net düşünmeyi, daha keskin ödünleşimleri ve daha bilinçli karar vermeyi zorunlu kılar.

Önümüzdeki birkaç yıl içinde başarılı olacak ekipler, en hızlı otomasyon gerçekleştirenler olmayacak. AI'ı daha net görmek, daha bilinçli karar vermek ve gerçekten önemli olan seçimlerin sorumluluğunu üstlenmek için kullananlar olacak.

Takipte kalın

Evgeny Goncharov'u LinkedIn üzerinden takip edebilir ve eğitim alanındaki çalışmalarına Cantabrium Scholars üzerinden göz atabilirsiniz.

Dijital Proje Yöneticisi'nde daha fazla uzman röportajı sizleri bekliyor!