Yapay Zekâ Becerileri Açığı: Kuruluşlar ve Liderler Bu Açığı Nasıl Kapatıyor?
Kültürel Dönüşüm: Yapay zekâ becerileri açığını kapatmak yalnızca eğitim sağlamak yerine kültürel sorunları ele almayı gerektirir.
Özel Talimatlar: Etkili yapay zekâ talimatları, başarılı benimseme için iş akışlarını ve sorumlulukları ayrıntılı biçimde tanımlayan operasyonel netlik gerektirir.
Uyarlanmış Öğrenme: Acil uygulamalara odaklanan, role özgü eğitim, ekiplerde yapay zekâ benimsenmesini ve davranış değişikliğini güçlendirir.
Yetkinleştirmeye Odaklanma: Yapay zekâ, mevcut rollerin yerine geçmekten ziyade verimliliği artıran bir yetkinleştirme işlevi olarak görülmelidir.
Sonuç Ölçümü: Yapay zekâ benimsenmesini değerlendirirken yalnızca kullanım ölçümleri yerine üretilen işin kalitesine öncelik verilmelidir.
Sektörler genelinde kuruluşlar aynı rahatsız edici gerçekle boğuşuyor: yapay zekâ araçlarına yatırım yaptılar, bunların kullanılmasını zorunlu kılan talimatlar yayımladılar ve yine de yapay zekâ benimsemesinin durduğunu gördüler.
Sorun teknoloji değil. Sorun, erişim ile gerçek yetkinlik arasındaki boşluk ve bu boşluğu kapatmanın bir talimattan daha fazlasını gerektirdiğinin giderek daha fazla kabul edilmesi.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Bu çalışmanın ön saflarında yer alan liderler, becerilerin nasıl geliştirildiğini, benimsemenin nasıl ölçüldüğünü ve yapay zekâyı ekiplerin çalışma biçimine gerçekten yerleştirmenin ne anlama geldiğini yeniden düşünüyor. Kuruluşların bu konuyu uygulamada nasıl ele aldığını anlamak için operasyon ve proje yönetimi alanlarındaki liderlerle, iş gücünün hazırlık düzeyindeki bu eşi benzeri görülmemiş boşluğu kapatma yaklaşımları hakkında görüştüm.
Asıl Sorun Yalnızca Eğitim Değil, Kültür
Yapay zekâ becerileri açığını bir bilgi sorunu olarak ele alma eğilimi anlaşılabilir, ancak uygulayıcılar bunun temel nedeni gözden kaçırdığını söylüyor. eCopier Solutions CIO'su Moe Rosenfeld bunu doğrudan ifade ediyor: "Benimseme, temelde eğitim sorunu kılığına bürünmüş bir kültür sorunudur."
Beceri eksikliği gibi görünen şey çoğu zaman psikolojik güvenlik eksikliği, belirsiz beklentiler veya çelişkili sinyaller gönderen bir liderlik ortamıdır. Rosenfeld şöyle devam ediyor: "Bununla zorlanan şirketler genellikle üst yönetimden yapay zekâyı zorunlu kılarken insanların onu kullanma konusunda kaygılanmasına neden oluyor. İkisini birden yapamazsınız." Benimseme, desteklenen bir uygulamaya dönüşmeden önce performans ölçütü hâline geldiğinde insanlar farklı çalışmayı öğrenmek yerine meşgul görünmeyi öğrenir.
SEOTakeoff Kurucusu Graham Mann bunu pekiştiriyor: "Kuruluşlar yapay zekâ bilgi açığını araç eğitimi olarak ele aldığında bu açık daha da büyür. Yararlı olan eğitim, iş akışı eğitimidir." Birine bir platformu nasıl kullanacağını öğretmek, bunun işini yapma biçimine nerede uyduğunu öğretmekle aynı şey değildir.
Kuruluşlar yapay zekâ bilgi açığını araç eğitimi olarak ele aldığında bu açık daha da büyür. Yararlı olan eğitim, iş akışı eğitimidir.
Belirsiz Yapay Zekâ Talimatları Neden Başarısız Olur ve Operasyonel Olanlar Nasıl Görünür?
Yapay zekâ benimsemesine gerçekten bağlı olan kuruluşlar bile çoğu zaman uygulamaya konamayacak kadar geniş talimatlarla kendi çabalarını baltalıyor. Mann tam olarak buna karşı uyarıyor: "'Herkes yapay zekâ kullanmalı' gibi kapsamlı yapay zekâ talimatlarından kaçınırdım. Bunlar göstermelik kullanım yaratır." Nitekim Meta, kısa süre önce sızdırılan dahili "token sıralama tablosu" nedeniyle gündem olduğunda göstermelik yapay zekâ kullanımını görünür hâle getirdi.
Standart belirsiz olduğunda insanlar, anlamlı hiçbir şeyi değiştirmeden onun lafzına uyar. Stratejik Yapay Zekâ ve Veri İş Akışı Danışmanı Ilya Margolin, gerçek bir talimatın ne gerektirdiğini şöyle açıklıyor: "Yapay zekâ talimatlarının operasyonel bir dil kullanması gerekir. 'Yapay zekâ kullanın' çok belirsizdir. Ciddi bir talimat; iş akışlarını, izin verilen araçları, kısıtlı verileri, inceleme standardını ve sorumlu kişiyi açıkça belirtir." Bu tür bir özgüllük, talimatı insanların gerçekten uygulayabileceği bir şeye dönüştürür.
Yelpazenin diğer ucunda ise Go X Kurucusu ve CEO'su Alexander Debelov, talimatı mümkün olan en açık hâline indirmiş bir kuruluşu anlatıyor: "Talimat basit: Bir görev bir aracı tarafından yapılabiliyorsa yapılmalıdır." Bazı kuruluşlar hâlâ yapay zekâyı benimseyip benimsememeyi tartışırken, diğerleri onun kullanılacağı varsayımını temel almış ve çalışmalarını bunun üzerine kuruyor.
Yapay zekâ talimatlarının operasyonel bir dil kullanması gerekir. 'Yapay zekâ kullanın' çok belirsizdir.
Teşvik olup da yapının bulunmadığı orta yolun tehlikesi, Margolin'in yönetilmeyen denemelerin sessiz riski olarak işaret ettiği şeydir: "Gizli bireysel denemeler tutarsız kaliteye ve veri ifşasına yol açar. Paylaşılan çalışma standartları, yapay zekâyı tekrarlanabilir bir yetkinliğe dönüştürür."
Role Özgü, Karara Yakın Öğrenme
Yapay zekâ eğitiminin başarılı olduğunu gören liderler arasındaki en belirgin örüntülerden biri, eğitimin özgül olmasıdır: role özgü, karara özgü ve iş akışına özgü.
Stein Janssen, Poki Operasyon Direktörü, bunun uygulamada nasıl göründüğünü şöyle açıklıyor: "Örneğin, bir Proje Yöneticisinin bilmesi gereken, yapay zekânın kapsam belirleme faaliyetlerine, devir süreçlerine ve sorun takibine nasıl uygulanacağıdır; Operasyon Liderinin bilmesi gereken ise süreç tasarımının tamamında tutarlılık sağlamak için yapay zekânın nasıl kullanılacağıdır."
Genel yapay zekâ okuryazarlığı programları farkındalık oluşturabilir, ancak insanların gerçekte çözmeye çalıştığı sorunlara dayandırılmadıkları için davranışları nadiren değiştirirler. Janssen, yakınlığın neden önemli olduğunu doğrudan açıklıyor: "Bu tür bir öğrenme, kararların alındığı yere çok yakın olmalıdır; çünkü bu karar alma süreçlerinden fazla uzak olursa öğrenme teorik hâle gelir ve davranışlarda hiçbir değişiklik yaratmayabilir."
Her eğitimin sınaması, bir kişinin sonraki pazartesi işini nasıl yaptığına yansıyıp yansımadığıdır — bu da eğitim, kişinin zaten aldığı kararlar etrafında oluşturulduğunda çok daha olasıdır.
Kuruluşlar Yapay Zekâ Eğitim Programlarını Nasıl Yapılandırıyor?
Kuruluşlar yapay zekâ yetkinliğini geniş ölçekte geliştirmek için farklı yaklaşımlar benimsiyor ve en etkili yaklaşımlar, temel okuryazarlığı daha derin ve kişinin kendi yönlendirdiği gelişimle katmanlandırma eğiliminde oluyor.
Amazon'da Kıdemli Tedarik Zinciri Müdürü olan Aniket Ghonge, temel düzeyi şöyle açıklıyor: "Kuruluşun her seviyesinde bir tür yapay zekâ tabanlı eğitim veriliyor. Bu, farklı yapay zekâ türlerinin ne olduğunu açıklamak gibi oldukça temel bir eğitim. Herkesin erişimine açık ve zorunlu." Bu ortak anlayış düzeyi önem taşıyor — ortak bir sözlük oluşturuyor ve hiç kimsenin yapay zekâ konuşmalarına tamamen hazırlıksız başlamamasını sağlıyor.
Kuruluşun her seviyesinde bir tür yapay zekâ tabanlı eğitim veriliyor. Bu, farklı yapay zekâ türlerinin ne olduğunu açıklamak gibi oldukça temel bir eğitim. Herkesin erişimine açık ve zorunlu.
Daha ileri gitmek isteyenler için Amazon bir yol oluşturdu: Ghonge, "Amazon ayrıca Amazon çalışanlarına makine öğrenimi üniversitesi sertifikaları ve kursları ücretsiz olarak sunmaya başladı," diyor. "Ben de bu kurslardan birine kaydoldum; kendi hızınıza göre ilerleyebileceğiniz bu ortamda makine öğrenimi ve farklı kavramlar hakkında bilgi edinebiliyorsunuz."
Ekip düzeyinde liderler de kendi altyapılarını oluşturuyor. Frederick County Hükûmeti Geniş Bant Hizmetleri ve PMO Müdürü Jeff Chamberlain, tabandan gelen bir yaklaşım benimsemiş: "Ekibimde, yapay zekâ yöntemlerimizi geliştirmeye devam etme konusunda gerçekten tutkulu olan, dünyanın farklı yerlerinden bir grup proje yöneticisinden oluşan küçük bir yapay zekâ çalışma grubu kurdum." Bu tür iç topluluklar — kendilerine söylenmesini beklemeden çalışmayı ileriye taşımaya yetecek kadar önemseyen insanlar — tek başına yukarıdan aşağıya uygulanan programlardan daha hızlı ve daha güvenilir ilerleme kaydetme eğilimindedir.
Ekibimde, yapay zekâ yöntemlerimizi geliştirmeye devam etme konusunda gerçekten tutkulu olan, dünyanın farklı yerlerinden bir grup proje yöneticisinden oluşan küçük bir yapay zekâ çalışma grubu kurdum.
Yapay Zekâ Yerine Koyma Değil, Güçlendirme Aracı Olarak — Uygulamada Bu Nasıl Görünüyor?
Uygulayıcılardan gelen en tutarlı yeniden çerçevelemelerden biri, yapay zekânın kendisinin nasıl sınıflandırıldığıyla ilgili bir değişimdir. Chamberlain, çalışma grubunun sürekli olarak üzerinde durduğu noktayı şöyle ifade ediyor: "Yapay zekâ bir araç değil. Bir yöntem de değil. Bir güçlendirme işlevidir. Özünde, işleri daha hızlı, daha iyi ve daha güçlü yapmamızı sağlayan bir güçlendirme yöntemidir. Hiçbir şeyin yerini almak için tasarlanmamıştır. Hız ve kaliteyi artırmayı amaçlar. Ancak bunun için hâlâ insanlara ihtiyaç vardır."
Bu çerçeve önemlidir çünkü kuruluşların neyi hedeflediğini değiştirir — yerini alma değil, kapasiteyi artırma. Debelov, yapay zekâyı tam anlamıyla kullanma izni gerçekten verildiğinde bunun nasıl göründüğüne dair somut bir örnek sunuyor. Kuruluşu, 100'den fazla yerel işletmeye yapay zekâ destekli sesli aramalar yapmak üzere dokuz dijital ajan devreye aldı: "[Ajanlar] 15 iş ortağı toplantısı ayarladı ve bunların 15'i sahada yeni iş ortaklarına dönüştü. Ajan aramalarının toplam maliyeti yaklaşık 50 dolardı. Aynı toplantı sayısını ayarlamak için insanlarla aynı erişim çalışmasını en son yaptığımızda, bunun maliyeti yaklaşık 1.500 dolar olmuştu."
Teknoloji yeni değildi. Yeni olan, onu kullanma kararıydı. Debelov'un çoğu kuruluşu gerçekte geride tutan şey hakkındaki değerlendirmesi net: "Eksiklik teknik değil. Eksiklik izin."
Benimsemeyi Doğru Şekilde Ölçmek
Amaç görünür uyum değil, gerçek bir yetkinlikse ölçümün bunu yansıtması gerekir. Margolin kendi standardını şöyle açıklıyor: "Yapay zekânın benimsenmesini, komutların veya araç girişlerinin sayısıyla değil, üretilen işin kalitesiyle ölçüyorum." Giriş sayıları ve kullanım ölçümleri kolayca manipüle edilebilir ve yapay zekânın işi gerçekten daha iyi hâle getirip getirmediği hakkında çok az şey söyler.
Yapay zekânın benimsenmesini, komutların veya araç girişlerinin sayısıyla değil, üretilen işin kalitesiyle ölçüyorum.
Mann de benzer şekilde sonuç odaklı bir test öneriyor: "Kaliteyi düşürmeden süreç daha hızlı, daha anlaşılır veya hataya daha az açık hâle geldi mi? Gelmediyse yapay zekâ katmanı muhtemelen yalnızca gürültüden ibarettir." Soru, yapay zekânın kullanılıp kullanılmadığı değil. Önemli olan, işin iyileşip iyileşmediği. İlgi gösterdiklerini iddia ettikleri ikinci unsuru değil de ilkini ölçen kuruluşlar aynı sonucu üretmeye devam edecek — gerçek bir yetkinliğe dönüşmeyen yüzeysel benimseme.
Aradaki Farkı Doğru Şekilde Kapatmak
Yapay zekâ becerileri arasındaki farkı kapatmak öncelikle teknik, hatta eğitimle ilgili bir zorluk değildir. Bu, bir liderlik meselesidir. Gerçek ilerleme kaydeden kuruluşlar, en gelişmiş araçlara veya en sert zorunluluklara sahip olanlar değil — benimsemenin yerleşmesi için gereken kültürel koşullar konusunda dürüst olan, yapay zekâ kullanmanın her rolde gerçekte ne anlama geldiğini net biçimde tanımlayan ve faaliyet yerine sonuçları ölçme konusunda disiplinli davranan kuruluşlardır.
Aradaki fark gerçek, ancak ileriye giden yol da gerçek. Yapay zekâ kullanma kararı zaten verildi. Geriye, bu kararı gerçekten kalıcı hâle getiren kültürü, netliği ve ölçüm standartlarını oluşturmak gibi daha zor bir iş kalıyor. Daha fazla bu tür içgörü mü istiyorsunuz? Ücretsiz bir DPM hesabı oluşturun ve bu uzmanlar gibi daha fazla uzmandan bilgi alın.
