İstemlerin Ötesinde: Daha Akıllı Proje Yönetimi İçin Yapay Zekâ Nasıl Kullanılır?

Transkripti okuyun:

Podcast'lerimizin dökümlerini bir yazılım programı kullanarak oluşturmaya çalışıyoruz. Bot her zaman yüzde 100 doğru çalışmadığı için lütfen olası yazım hatalarını mazur görün.

Galen Low: Üretken yapay zekâyla yolculuğunuzda yaklaşık 11 ayı geride bıraktınız ve üç sonuca ulaştınız.

Birincisi, ÜYZ'nin yetenekleri gerçekten de eşi benzeri görülmemiş düzeyde. Amcanız Rastin bunun gerçekten büyücülük olduğunu düşünüyor.

İkincisi, Üretken Yapay zekâ küresel bir olgu. İnsanlar yakın zamanda bunun hakkında konuşmayı bırakmayacak; ne yemek davetlerinizde ne de kesinlikle LinkedIn akışınızda.

Üçüncüsü ise, üretken yapay zekânın etrafındaki tüm hayranlık ve coşkuya rağmen şu ana kadar onu yalnızca not almak ve biraz yemek planlamak için kullanıyorsunuz.

Yapay zekâ sohbet robotlarıyla kendini bir çıkmazda sıkışmış hisseden bir proje profesyoneliyseniz ya da böyle birini tanıyorsanız bu bölüm sizin için. “Sırf ÜYZ kullanmış olmak için ÜYZ kullanmaktan” kaçınmak amacıyla üretken yapay zekâya ilişkin zihniyetimizi ve reflekslerimizi nasıl şekillendirebileceğimizi ele alacağız. Yapay zekânın istem mühendisliğinin ötesindeki geleceğinin neler barındırdığını konuşacağız. Ayrıca yapay zekâya ve yapay zekâ projelerinin nasıl yürütüldüğüne ilişkin anlayışınızı genişletmenin, hiç farkında olmadığınız yepyeni bir kariyer alanının kapısını nasıl açabileceğini inceleyeceğiz. Hazır mısınız?

Herkese merhaba, yayını dinlediğiniz için teşekkürler. Ben The Digital Project Manager'dan Galen Low. Dijital profesyonellerden oluşan bir topluluğuz ve birbirimizin yetkinleşmesine, özgüven kazanmasına ve bağlantılar kurmasına yardımcı olma misyonuyla çalışıyoruz. Böylece dijital dünyada proje yönetiminin değerini artırabiliyoruz. Bu konu hakkında daha fazla bilgi edinmek isterseniz thedpm.com/membership adresini ziyaret edin.

Bugün, sürpriz olmayacağı üzere, üretken yapay zekâdan söz ediyoruz. Bunun yanı sıra istem mühendisliğini ve bizim gibi profesyonellerin, yani proje yöneticilerinin, ayı gösteren Bruce Lee'nin meşhur parmağına bakıyor olup olmadığını tartışacağız. ÜYZ'nin sohbet tabanlı arayüzlerin ve istemlerin ötesinde proje yönetimi mesleğine neler sunabileceğiyle ilgili soruları ele almak üzere önemli bir konuğum var.

Bugünkü konuğum, Project Management Institute'ta Yapay Zekâ Etkileşimi ve Öğrenme Direktörü, aynı zamanda tanınmış bir yapay zekâ düşünce lideri ve eğitmeni olan Kathleen Walch.

Kathleen, bugün bana katıldığın için teşekkürler.

Kathleen Walch: Beni davet ettiğin için çok teşekkür ederim. Bu sohbeti gerçekten sabırsızlıkla bekliyorum.

Galen Low: Programa yeniden katılmana çok sevindim. Kathleen daha önce Ron Schmelzer'la birlikte yapay zekâ hakkında konuşmak üzere programımıza katılmıştı. Sanırım iki yıl önceydi, belki de iki yıl olmuştur?

Kathleen Walch: Olabilir. Zaman gerçekten uçup gidiyor, değil mi?

Galen Low: Çok hızlı ilerliyor. O konuşmayı düşünüyordum da, o zamandan bu yana çok şey değişti. Gerçekten çok şey değişti. O zamanlar neredeyse marjinal bir konuydu.

Yapay zekâ ve proje yönetimi gibiydi. Evet, tamam. Şimdi ise ana akım oldu. Her şeyin içine yerleşti. Herkes kendini yapay zekâya kaptırmış durumda. Ondan kaçamıyorsunuz. Bugün uzmanlığını programımıza taşıdığın için çok mutluyum.

Seni tanımayanlar için söyleyelim: Bir süredir yapay zekâ dünyasının içindesin ve profesyonel bağlamda yapay zekâya ilişkin mevcut anlayışımızın son yedi veya sekiz yılda nasıl geliştiğini gördün. Yapay zekâya yeni adım atan bizlere bu değişim ne kadar hızlı görünse de merak ediyorum: Sence profesyonellerin çoğu, teknolojinin neler yapabileceğine dair büyük resmi görmeden günlük istemler üzerinde takılıp kalıyor olabilir mi?

Kathleen Walch: Bu harika bir soru, çünkü haklısın, uzun süredir bu alanın içindeyim.

Üretken yapay zekâ onu popüler hâle getirmeden önce de yapay zekâ alanında olduğumu söylüyorum. Biliyorum. Ayrıca ona her zaman “en eski yeni teknoloji” diyorum, çünkü bu terim resmî olarak 1956'da ortaya atıldı. Yani 70 yıldan daha yaşlı, ancak hâlâ çok yeniymiş gibi görünüyor. Peki neden? Daha önce iki yapay zekâ kışı yaşadık; bunlar yatırımların ve popülerliğin azaldığı dönemlerdi.

Bunun başlıca nedenlerinden biri, teknolojinin yapabilecekleri konusunda fazla söz verip yetersiz sonuç üretmemiz. Bu nedenle yapay zekâyı bir araç olarak anlamamız gerekiyor. Her konuda iyi değil, ancak belirli konularda iyi. Dolayısıyla onu bu şekilde kullandığınızdan emin olmalısınız. Üretken yapay zekâyı bu kadar heyecan verici yapan şey ise onu herkesin kullanımına sunmuş olması.

Yedi veya sekiz yıl önce de yapay zekâyı oldukça düzenli biçimde kullanıyorduk; yalnızca öyle hissettirmiyordu. E-postalarımızdaki tahminli metinler, istenmeyen posta filtreleri, GPS, Waze veya Google Haritalar üzerinden rota optimizasyonu gibi özellikler yapay zekâ kullanıyordu.

Ancak bu yapay zekâ gibi hissettirmiyordu, çünkü zaten kullandığımız bir uygulamanın içine yerleştirilmişti. Ardından üretken yapay zekâ, özellikle de ilk çıkanlardan biri olan ChatGPT, onu herkesin kullanımına sundu. Böylece benim “artırılmış zekâ” dediğimiz şeyi kullanmam mümkün oldu. Bu, insanın yerini almak yerine işini daha iyi yapmasına yardımcı olan bir yaklaşım.

Bunu her gün hissedebiliyordunuz. Daha iyi bir e-posta yazmanıza, beyin fırtınası yapmanıza, çeviri gerçekleştirmenize veya PowerPoint sunumunuz için görseller oluşturmanıza yardımcı olabiliyordu. Bu iş birliğini ve doğrudan faydayı gerçekten hissediyordunuz. Bütün dünyanın yöneldiği nokta bu oldu ve bu gerçekten harika. Ancak aynı zamanda insanların bunun bir araç olduğunu, yapay zekâyı ne zaman kullanmaları ve ne zaman kullanmamaları gerektiğini anlamaları gerekiyor.

Galen Low: Yapay zekânın arka planda çalışması fikrini seviyorum. Şimdi ise yapay zekâ, her gün etkileşim kurduğunuz ve herkesin erişebildiği bir kişi gibi. Yeni popüler çocuk bu. ÜYZ'nin yapay zekâyı popüler hâle getirdiğini söylemeni sevdim, fakat yapay zekâ kışları fikrini de çok beğendim.

Yapay zekâ kışı, fazla söz verip yetersiz sonuç üretmemizden kaynaklanıyor. Ayrıca teknoloji o dönemde bu vaatleri yerine getirecek noktaya ulaşmamıştı. Şimdi belki de ulaştı. Evet, ChatGPT'den ve şu anda ortamı yöneten büyük büyük dil modellerinden söz ediyoruz; fakat Şubat 2025'te DeepSeek'ten de bahsediyoruz.

Belki de kendisine atfedildiği kadar fazla teknolojiye ihtiyaç duymayan, akıllara durgunluk veren bir teknolojiden söz ediyoruz. Konudan biraz uzaklaşıyorum ama bunun ortaya çıkardığı ihtimali seviyorum. İnsanların bundan söz etmesini ve onu benimsemesini seviyorum. Ancak herkes işin içine girdiğinde işler karmaşıklaşabiliyor. Herkesin bir fikri var. Herkes ne yaptığını bildiğini düşünüyor ve herkes onun her şey için kullanılabileceğine inanıyor. Belki de öyle değildir.

Proje yönetimi perspektifinden bakarsak, proje yönetiminde yapay zekâ sohbet tabanlı arayüzleri için en sevdiğin kullanım alanlarından bazıları neler?

Kathleen Walch: Harika bir soru.

Project Management Institute'ta üyeler için ücretsiz, üye olmayanlar içinse oldukça uygun fiyatlı birçok öğrenme kursumuz var. Bu kurslarda farklı kullanım alanlarını ele alıyoruz. Ben bunu her zaman şöyle açıklıyorum: Sahip olduğunuz tüm sorun noktalarını, yardıma ihtiyaç duyduğunuz veya iyileştirme görebildiğiniz alanları listeleyin.

Ardından bunlardan hangilerinin üretken yapay zekâ sistemiyle kolayca çözülebileceğini belirleyin. Proje yöneticilerini düşündüğümüzde aklımıza her zaman toplantı tutanakları gelir. Bu, bize verilen basmakalıp örnektir. Sizin için bir sorun noktasıysa bunu nasıl çözebilirsiniz? Yapay zekâdan nasıl yardım alabilirsiniz?

Bunu zaten yapabilen pek çok araç var. Ancak ben her zaman şunu da söylerim: Bir kez size yardımcı olacak bir şeyin bulunması harika. Örneğin proje sözleşmesi hazırlama konusunda yardım alabiliriz. Bu harika. Fakat bir proje sırasında bunu kaç kez yapıyorsunuz? Muhtemelen bir kez. Bir proje sözleşmesini her hafta yeniden ele almıyorsunuz.

Size düzenli olarak, günlük veya haftalık olarak yardımcı olacak şey nedir? Belki paydaş katılımı ya da daha iyi iletişimdir. E-postaları veya belgeleri farklı seviyelere nasıl uyarlayabilirim? Bazen üst düzey bir yönetici özeti hazırlamam, bazen paydaşlara göre uyarlamam, bazen de iç ve dış müşterilere göre farklılaştırmam gerekebilir.

Bu sorun noktalarının neler olduğunu belirleyin ve onları ele almaya çalışın; gerçek, kademeli iyileşmeyi burada göreceksiniz. Ayrıca pratik yapın. Çünkü zaman içinde ancak pratik yaparak gelişebilirsiniz. İstem mühendisliği söz konusu olduğunda başarısızlık oranı gerçekten çok düşük, çünkü istediğiniz sonucu alamazsanız yeniden deneyebilirsiniz.

Ancak bu konu PMI'ın “güç becerileri” olarak adlandırdığı becerileri de gündeme getiriyor. Bunlar sosyal becerilerdir: eleştirel düşünme, iş birliği ve iletişim. Her zaman şunu sorarım: Güç becerilerinize yardımcı olması için ÜYZ'yi nasıl kullanabilirsiniz ve güç becerileriniz istem yazma konusunda daha iyi olmanıza nasıl yardımcı olabilir? Örneğin iletişim konusunda daha iyi bir iletişimci olmanıza yardımcı olabilir.

Çünkü söylediğim gibi e-posta yazmanıza, farklı tonlar kullanmanıza, metinleri kısaltmanıza veya özetlemenize yardımcı olabilir. Peki iletişim becerileriniz daha iyi bir istem yazarı olmanıza nasıl yardımcı olur? İsteminizi ince ayarlamanız, uzunluğunu değiştirmeniz veya zaman içinde düzenlemeniz gerekebilir.

Bu nedenle bunun iki yönünü görmeyi seviyorum: Yapay zekânın güç becerilerinize nasıl yardımcı olabileceği ve güç becerilerinin istem mühendisliğinde daha iyi olmanıza nasıl katkı sağlayacağı.

Galen Low: Buna daha sonra dönmek istiyorum. Ancak önce biraz uzaklaşabilir miyiz diye merak ettim, çünkü ben bağlama sahibim ama dinleyicilerimizin tamamı sahip değil.

Cognilytica'da Yönetici Ortak olduğun dönemde, uzmanlar için bir proje yönetimi çerçevesi olan CPMAI sertifikasını birlikte geliştirdin. Bunu yazmıştım; doğru mu yanlış mı söyle, ancak benim yorumum bunun yapay zekâ projelerinde çalışan veri bilimcileri ve analistler gibi uzmanlar için tasarlandığı yönündeydi.

Daha yakın zamanda Cognilytica, Project Management Institute ile güçlerini birleştirdi ve CPMAI, PMI'ın oldukça prestijli proje yönetimi sertifikaları portföyünün resmî bir parçası hâline geldi. Kurslardan ve PMI'ın öğrenme olanaklarından söz etmişken, sertifikanın günümüzde kimler için olduğunu ve PMI'ın üyeler için sunduğu ücretsiz istem mühendisliği kursu gibi bir kursu almaktan ne açıdan farklı olduğunu anlatabilir misin?

Ya da Udemy'deki bir kurstan. CPMAI sertifikasını önemli ve farklı kılan nedir?

Kathleen Walch: Harika bir soru. CPMAI sertifikasından her zaman madalyonun iki yüzü olarak söz etmeyi seviyorum. Konuşmaların yüzde 95'i, işimi daha iyi yapmama yardımcı olması için yapay zekâ araçlarını nasıl kullanabileceğime odaklanıyor.

Dışarıda çok sayıda farklı araç olduğunu konuşuyoruz. İnsanlar bana her zaman en iyi aracın hangisi olduğunu soruyor. Ben de bunun ne yapmaya çalıştığınıza bağlı olduğunu söylüyorum. Her gün kelimenin tam anlamıyla yeni araçlar ortaya çıkıyor. Dolayısıyla ne yapmaya çalışıyor olursanız olun, bunun için bir araç olduğundan eminim. Onu nasıl kullanacağınızı ve nasıl daha iyi hâle gelebileceğinizi anlamanız gerekiyor.

Konuşmaların yüzde 95'i bu noktada kalıyor. PMI'ın sunduğu e-öğrenme içeriklerinin çoğu da burada devreye giriyor. Üretken yapay zekâya genel bakış, yapay zekâ için veri ortamı ve istem mühendisliği kurslarımız var. Ayrıca yapay zekâ uygulamaları kursumuz da bulunuyor. Bu kurs, tüm bu farklı araç ve uygulamaların bir proje yöneticisi ve proje profesyoneli olarak nasıl kullanılacağını ele alıyor.

Bu harika, ancak işinizi daha iyi yapmanıza yardımcı oluyor. Ardından bir proje yöneticisi, proje profesyoneli veya sözünü ettiğin veri bilimcisi, veri mühendisi, yapay zekâ ve makine öğrenmesi mühendisi gibi proje bağlantılı bir profesyonel olarak bir yapay zekâ projesini yürütmek ve yönetmekle görevlendirildiğinizde ne olacağını düşünmemiz gerekiyor.

Yapay zekâ projelerinin veri projeleri olduğunu anlamalıyız. Bu nedenle veri merkezli yöntemler kullanmanız gerekir. Projeyi geleneksel yazılım uygulaması geliştirme tarzında yürütemezsiniz; aksi hâlde bunun doğru yaklaşım olmadığını ve projenizin başarısızlık oranının daha yüksek olduğunu kısa sürede fark edersiniz.

Birkaç yıl önce CPMAI yöntemini bu nedenle geliştirdik. Kuruluşlar bize geliyor ve şunu söylüyordu: Üretken yapay zekâdan çok önce, yedi veya sekiz yıl önce, bu sistemleri sıfırdan oluşturmamız, hangi algoritmaya ihtiyacımız olduğunu belirlememiz ve tüm veri gereksinimlerimizi ortaya koymamız gerekiyor.

Bunlardan birini kullansak bile çoğu şey hâlâ aynı. Ancak nereden başlayacaklarını soruyorlardı. Araştırdık ve gerçekten adım adım bir yaklaşım olmadığını gördük. Bu nedenle büyük bir banka ve büyük bir devlet kurumuyla birlikte, adım adım ilerleyen CPMAI yöntemini oluşturduk. Eylül 2024'te resmen PMI'a katıldık; PMI, Cognilytica'yı satın aldı.

Artık CPMAI resmî bir PMI sertifikası. Proje yöneticileri, proje profesyonelleri ve ürün yöneticileri için her zaman olağanüstü bir sertifikaydı; ancak bunun ötesinde, proje bağlantılı profesyoneller için de geçerli. Her zaman şu örneği veriyorum: Eşim yaklaşık yirmi yıldır yazılım mühendisi.

Bazen projeleri yürütmesi ve yönetmesi gerekiyor. Bir yapay zekâ projesini yürütmek ve yönetmekle görevlendirildiğinde kendisini proje yöneticisi olarak tanımlamıyor ve hiçbir zaman da böyle tanımlamayacaktır. Çünkü kendisini yazılım mühendisi olarak görüyor. Ancak kendisini o konumda buluyor. Giderek daha fazla, özellikle yapay zekâ projelerinde, geleneksel olarak proje yöneticisi olarak tanımlanmayan insanların proje yönetimi rolüne getirildiğini görüyoruz.

Dolayısıyla bu sertifika, bu farklı kategorilere giren herkes için.

Galen Low: Söylediğin şeyin gerçekten önemli olduğunu düşünüyorum. Buna bir devlet kurumu ve bankayla başladığını bilmiyordum. Bir yazılım projesi ile veri projesi arasındaki farktan ve bir bankanın veya devletin sahip olabileceği verilerden söz ettiğinde bunun ne kadar ciddi bir iş olduğu daha net ortaya çıkıyor. Evet, bunu normal bir proje gibi yürütemezsiniz. Dikkate alınması gereken şeyler var. Artık tüm ekibin bu hassasiyete sahip olmasını istemenin giderek daha önemli olduğunu düşünüyorum, çünkü işlerin etik açıdan ters gittiğini gördük.

Bir hedefe, tam olarak bilmediğimiz bir teknolojiyle çok hızlı ilerlerken işlerin ters gittiğini gördük. Teknoloji çok hızlı değişiyor ve insanların benimseme biçimleri, duyguları ve endişeleri kültürel açıdan dönüşüyor. Yapay zekâ veya makine öğrenmesi içeren bir veri projesinin başarıyla yürütülmesi için ne gerektiğini anlamak fikrini gerçekten seviyorum. Çünkü geleneksel yaklaşım, yani yazılım geliştirme yaklaşımı, doğru sonucu vermeyebilir.

Bir çıkmaza veya önceden düşünülmüş olsaydı muhtemelen kaçınabileceğiniz engellere çarpabilirsiniz.

Kathleen Walch: Yazılım geliştirmede en önemli bölüm koddur. Kodunuzu asla başkasına vermezsiniz, çünkü en önemli parçanız odur.

Ancak bir yapay zekâ projesinde en önemli bölüm veridir. Bu nedenle onu asla başkasına vermezsiniz. Kod bunun çok küçük bir parçasıdır ve en kritik parça değildir. Özgün olan verinizdir. Bu projeyi başarıya ulaştıracak veya başarısız kılacak olan veridir. “İçeriye çöp girerse dışarıya çöp çıkar” deriz.

Bunun çerçeveyi anlamaya da yardımcı olduğunu düşünüyorum. Proje bağlantılı, geleneksel bir proje yöneticisi olmayan birinin zihniyetini değiştirmesi gerekir: Bunun kodla değil veriyle ilgili olduğunu ve bu nedenle veri merkezli bir yönteme ihtiyaç duyduğunu anlamalıdır.

Galen Low: Bununla ilgili gitmek istediğim çok fazla yer var ama konuyu takip etmeye çalışacağım. Veri projesinden çıkan önemli şeyin veri olması, kodun ise neredeyse ikincil kalması gerçekten şaşırtıcı. Dijital alandan geldiğim için bu bana tuhaf geliyor, fakat fikri gerçekten sevdim.

Kariyer ve sertifikalara dönmek istedim. Topluluğumdaki birçok kişinin PMP'nin harika bir yeterlilik olduğunu ve sektörde büyük bir ağırlığa sahip olduğunu düşündüğünü biliyorum. Birçok insan, bir süre proje yöneticisi olarak çalıştıktan veya proje yönetimi saatleri biriktirdikten sonra PMP'ye yöneliyor.

PMP, özgeçmişinizde, profilinizde ve iş görüşmelerinde insanlara “ciddi olduğunuzu” söylemek için ulaşılacak en üst noktadır. Bu seviyede çalıştığınızı, aranan biri olduğunuzu ve muhtemelen daha yüksek ücret almanız gerektiğini gösterir. CPMAI de artık işin içindeyken merak ediyorum: Yapay zekâ destekli yazılım alanındaki veya belki herhangi bir sektördeki işverenler şimdiden CPMAI sertifikasını arıyor mu?

Yoksa bunu daha çok yapay zekâ ve veri projelerinde çalışan birinin iş başında kullanacağı pratik beceriler olarak mı görüyorsun? Bir proje yöneticisinin öne çıkmasını sağlayabilir mi? Sertifika bunun için mi?

Kathleen Walch: Evet, kesinlikle. Bunu görüyoruz. Haklısın, PMP zirvedir.

PMI'daki altın standart sertifikamızdır. Bu nedenle diğer sertifikaları da altın standart hâline getirmek için çalışıyoruz. Peki bu ne anlama geliyor? Son derece kapsamlı bir süreçten söz ediyoruz. Altın standart olması için birçok farklı adım ve gereklilik var.

CPMAI'yi de altın standart hâline getirmek için çalışıyoruz. Bu sertifika işverenlere yapay zekâ projelerini yürütmeyi ve yönetmeyi bildiğinizi gösteriyor. Terminoloji konusunda ortak bir seviyeye geldiniz. Yapay zekânın neler yapabileceğini ve yapamayacağını öğrendiniz. CPMAI'nin altı aşamasını biliyorsunuz ve projelerinizi veri projesi olarak, bu adım adım yaklaşımı izleyerek yürütmeyi öğreniyorsunuz.

Kuruluşların çok sık bir plana sahip olmadığını gördük. Bunun farklı nedenleri var. Sektör gerçekten hızlı ilerliyor. İnsanlar fırsatı kaçırma korkusu yaşıyor. Rakiplerimiz bunu yapıyor, bizim de yapmamız gerekiyor diye düşünüyorlar. İlerleyebiliriz, ancak bir planımız olsun.

CPMAI'nin yaptığı şey bu. Adım adım ilerleyen bir yaklaşım sunuyor. Birinci aşamayla, iş anlayışıyla başlıyoruz. Çözmeye çalıştığımız problem nedir? Bunun kulağa çok basit geldiğini biliyorum, ancak birçok proje bu adımı atlıyor. Hangi problemi çözmeye çalışıyoruz? Yapay zekâ doğru çözüm mü?

Ardından veri fizibilitesini, iş fizibilitesini ve uygulama fizibilitesini ele alan bir yapay zekâ “devam/devam etme” değerlendirmesinden geçiyoruz. Bunları trafik ışıkları gibi düşünüyoruz. Hepsi yeşilse projenin başarı şansı oldukça yüksek. Sarı veya kırmızıysa başarısızlık ihtimali artıyor. Bu ilerleyemeyeceğiniz anlamına gelmiyor; ancak dikkatli ilerlemeniz, bazı engellerle karşılaşabileceğinizi veya projenizin beklediğiniz gibi başarılı olmayabileceğini bilmeniz gerekiyor.

Bunlardan biri projenizin yatırım getirisi, yani ROI'sidir. Birçok kuruluş başlangıçta bunu düşünmüyor veya hiç ölçmüyor. Bu mutlaka finansal bir getiri olmak zorunda değil, ancak bir getiriniz olmalı. Bunu ölçmüyorsanız projenin kendisi başarılı olabilir; teknik olarak yapması gerekeni yapmıştır, ancak aşırı yüksek bir maliyetle. Bu durumda aslında negatif bir sonuç elde etmiş olursunuz.

Ölçmüyorsanız bunu bilemezsiniz. “Bu başarılı oldu” dersiniz, fakat sonra neden zarara geçtiğinizi merak edersiniz. Bunun nedeni yatırım getirinizin pozitif olmamasıdır.

CPMAI bu konuda yardımcı olur. İşverenlere bir yapay zekâ projesini yürütmek ve yönetmek için gereken becerilere sahip olduğunuzu, kapsamlı bir eğitim ve sertifikasyon sürecinden geçtiğinizi ve PMI sertifikasıyla yetkilendirildiğinizi gösterir.

Galen Low: Dinleyenler için komik olabilir; Zoom veya Google Meet'teki alkış tepkisini arıyormuş gibi sürekli faremi hareket ettiriyorum ve “evet” diyorum.

CPMAI ile ilgilenen ve bir iş görüşmesinde CPMAI yeterliliğini, bu sertifikanın ne olduğunu bilmeyen birine anlatmak isteyen biriyseniz, Kathleen'in az önceki açıklamasını alın ve yazıya dökün. Görüşmede kullanın, çünkü bu sertifikanın neden önemli ve farklı olduğunu çok net biçimde açıkladı.

Bazı şeyler sağduyu gibi görünebilir veya başka çerçevelerde de ele alınabilir. Ancak veri, teknolojinin hızı ve işletmelerin rekabetçi kalmak için hemen harekete geçme baskısı söz konusu olduğunda, yapay zekâya neden ihtiyaç duyduklarını bile bilmeyebilirler. Bunun etrafında bir çerçeve bulunmasını seviyorum.

Proje yöneticileri çerçevelerimizi, yöntemlerimizi ve sertifikalarımızı seviyoruz. Sonra bunlar hakkında büyük tartışmalara giriyoruz. Bazen kamplar ve taraflar oluşturuyoruz. Rakip olmaları amaçlanmasa bile onları birbirleriyle karşılaştırıyoruz. Bir kuruluşa gittiğinizde “projeleri böyle yürütüyoruz” diyorlar.

Siz de “Ben böyle yürütmek istiyorum” diyorsunuz ve büyük bir kavga çıkıyor. Bu programdan geçen kişilerde de bunu görüyor musun? Dışarı çıkıp artık veri, makine öğrenmesi ve yapay zekâ odaklı bir projeyi nasıl yürüteceklerini bildiklerini düşünüyorlar; ancak ekipleri bu şeyleri yapmak istemiyor. Onlara bunu anlatmaya çalışıyorlar ama ekip “Hayır, biz böyle yapıyoruz” diyor.

İnsanları, ekipleri ve kuruluşları çerçevenin aşamalarını ve adımlarını benimsemeye ikna etmekte zorlanıyor musunuz?

Kathleen Walch: Bu eğitimi alanlar ışığı görüyor ve bunun harika olduğunu anlıyor. Ardından öğrendiklerini kuruluşlarına taşımaları gerekiyor.

Bunun farklı olduğunu anlıyorum. Öngörücü, şelale, hibrit, çevik gibi pek çok terim var. Projeyi nasıl yürütürsünüz? Genellikle sonuç hibrit olur; çevik yaklaşımın bir nedeni var. Yapay zekâ projenizi yazılım uygulaması projesi gibi yürüttüğünüzde bunun işe yaramadığını görür ve farklı beceriler ile farklı bir adım adım yaklaşım getirmeniz gerektiğini anlarsınız.

Bunu çevik biçimde yürütebilirsiniz. Küçük, yinelemeli sprintler olmalı. Öngörücü şelale yaklaşımıyla yürütmemeliyiz. İnsanlar bu yönteme, daha önce denedikleri yaklaşımların başarısız olması ve başka bir şey yapmaları gerektiğini anlamaları nedeniyle yöneliyor.

Bazı insanlar da bunun önüne geçiyor ve bu alana geçmek istiyorum, bunu anlamam gerekiyor diyor. Biz kapsamlı bir eğitim sunuyoruz. Herkes katılabilir. Başlamak için tamamlanmış bir projenizin olması gerekmiyor. Şu anda herhangi bir ön koşul da bulunmuyor.

PMP'nin oldukça kapsamlı gereklilikleri olduğunu biliyorum ve altın standart sertifikamız için bunun üzerinde çalışıyoruz. Ancak şu an için herhangi bir koşul gerekmiyor; bu da herkesin katılabilmesi açısından güzel. Eğitim sizi her şeyin içinden geçiriyor. Önce terminolojide ortak bir seviyeye getiriyor. İnsanlar terimleri bildiklerini düşünüyor ve “Buna ihtiyacım yok” diyor. Sonra eğitime girip “Bilmediğimi bilmiyormuşum” diyorlar.

Ekipler için de aynı şey geçerli. Ekibin ortak bir anlayışa sahip olmasını istersiniz. PMP almanızın ve PMP sahibi kişileri işe almanızın nedeni de budur: İstediğiniz ortak terminolojidir. Herkes aynı sayfada olur, aynı terimleri kullanır ve aynı temel anlayış düzeyine sahip olur. CPMAI açısından da durum farklı değil.

Galen Low: Bunu gerçekten sevdim. Aslında çerçevelemeni de beğendim, çünkü bunun bir yöntem gibi görünmesine neden olduğumu fark ettim. Doğru anlıyorsam, mevcut çalışma biçiminizin üzerine ekleniyor; dikkate alabileceğiniz unsurları ve içine yerleştirebileceğiniz adımları sunuyor.

Kathleen Walch: Buna yöntem diyoruz, ancak insanlar bu terimde takılıp kalıyor. Bu nedenle “Terminolojiye takılmayın” diyoruz. Başarı için bir şeyi takip etmeniz gerekiyor. Buna çerçeve, adım adım yaklaşım veya yöntem diyebilirsiniz; ancak bunun altı aşamadan oluştuğunu anlamalısınız.

Yinelemelidir. Gerekirse bir, iki veya üç aşama geriye dönebilirsiniz. İş anlayışıyla başlıyoruz. Ardından veri anlayışına geçiyoruz: Hangi verilere ihtiyacımız var, bu verilerin kaynakları neler, içeriden mi dışarıdan mı geliyor ve bu verilere erişimimiz var mı? Sonra verilerimizi temizlememiz gerektiğini biliyoruz; veri temizleme bir sonraki adımdır.

Ne yazık ki veriler hiçbir zaman temiz ve düzenli değildir. Özellikle yapılandırılmamış veriler her zaman karmaşıktır. Ardından model geliştirmeye geçiyoruz. Asıl eğlenceli işe şimdi başlıyoruz. Bunu tırnak içinde söylüyorum, çünkü insanlar genellikle burada başlıyor ve başlangıçtaki kritik adımları atlıyor.

Sonra modeli test etmemiz ve beklendiği gibi çalıştığından emin olmamız gerekiyor. Bu da insanların bazen atladığı kritik bir adım. Ardından işler ters gidiyor, model halüsinasyon görüyor veya kötü sonuçlar veriyor ve nedenini merak ediyorlar.

Son olarak modeli operasyonel hâle getiriyoruz; onu gerçek dünyaya taşıyoruz. Bunları küçük, yinelemeli aşamalar ve adımlar hâlinde gerçekleştirmeliyiz. CPMAI'nin her yinelemesi yaklaşık iki hafta sürmeli; bir sprint gibi. Yedi veya on iki ay sürmemeli. Bu daha çok şelale ve öngörücü yaklaşımdır. Dünyanın yedi ay içinde ne kadar değiştiğini düşünün.

Genellikle insanlar veri aşamasında takıldığı için bu kadar uzun sürüyor. Verilere erişimleri olmuyor ve bu erişimi elde etmek haftalar veya aylar alıyor. Biz “Büyük düşün, küçük başla ve sık yinele” diyoruz.

Daha küçük bir veri seti seçerek başlayın veya kapsamı gerçekten kontrol edip büyük ölçüde daraltın. Yapabileceğim en küçük şey nedir? Kademeli bir değer ve pozitif yatırım getirisi sağlayacak şey nedir? Başarıları gösterin. Sonra ilerlemeye devam edebiliriz.

Çünkü çoğu zaman bunun çok uzun sürdüğünü görüyoruz. İnsanlar ikinci aşamada veriye erişemedikleri için projeden vazgeçiyor.

Galen Low: Bu, Proje Kışı gibi.

Kathleen Walch: Evet. İyi şeylerin çoğu böyle sonuçlanabiliyor.

Galen Low: Hayal kırıklığına uğrayıp projeyi bir kenara bırakıyorlar. Aslında sana işlerin ne zaman ters gittiğini sormak üzereydim, ancak bunu halüsinasyonlar üzerinden çok iyi açıkladın. Küçük veri setleri bile aslında oldukça büyük olabilir. Çözümünüz istediğiniz gibi çalışmadığında nedenini merak edersiniz ve başlangıçta bir yerlerde neyin yanlış gittiğini bulmak için bütün ip yumağını çözmeniz gerekir.

Muhtemelen veri temizliğiyle ilgilidir, değil mi?

Kathleen Walch: Muhtemelen veriye erişim, verinin ne kadar temiz olduğu ve ne kadar veriye sahip olduğunuzla ilgilidir. Bazı insanlar daha fazla verinin daha iyi olduğunu düşünüyor. Bu her zaman doğru değil, çünkü gürültüyle eğitim yapıyor olabiliriz. Veri ücretsiz değildir. Veriyi temizlemenin ve işlemenin bir maliyeti vardır. Bu nedenle bazen daha fazlası daha iyi değildir.

Galen Low: İlginç. Bu konuşmaya istem mühendisliğinin ötesinde ne var sorusuyla başladık; ancak bence büyüleyici olan, birçok proje yöneticisinin kendini henüz görmediği koca bir dünyanın olması. Yazılım, dijital alan, teknoloji veya bilişim sektöründe olabilirler ya da bu sektörlerin hiçbirinde olmayabilirler.

“Proje yönetimi hâlâ var olacak mı?” diye düşünüyor olabilirler. Birazdan buna geleceğiz. Ancak şu anda veri projeleri ve makine öğrenmesi projeleriyle dolu, her dakika çok sayıda projenin yürütüldüğü koca bir dünya var. Bunlar bazen kendini proje yöneticisi olarak tanımlamayan, ancak proje yönetimine yakın kişiler tarafından yönetiliyor.

Topluluğumdaki herkesin bu konu hakkında çok şey bildiğini sanmıyorum. Bu gerçekten ilham verici.

Kathleen Walch: Eğitimin maliyeti düşüktür, başarısızlığın maliyeti ise yüksektir. CPMAI yöntemini öğrenmek ve CPMAI sertifikası almak, bununla karşılaştırıldığında oldukça ucuzdur. İnsanları her zaman teşvik ediyoruz: Bu “ya o ya bu” değil, “hem o hem bu” yaklaşımıdır. PMP'niz ve CPMAI'niz olsun. Farklı yöntemleri öğrenin ve CPMAI'yi öğrenin.

Bu ya biri ya diğeri değildir. Kuruluşlar her zaman bunu yapar. Bir şey öğrenir ve kendilerine uyarlarlar. Yüksek seviyedeki adım adım yaklaşımı takip ettiğiniz sürece bunu kuruluşunuza uyarlayın, ancak öğrenin.

Galen Low: Buna bayıldım. İstem konusuyla başladık. ChatGPT, Gemini, Copilot, Claude, Perplexity, DeepSeek ve diğerleri gibi sohbet tabanlı arayüzleri içeren kullanım alanlarını düşündüm. Ancak bunun ötesinde büyük bir dünya var.

Proje yöneticileri olarak profesyonel yaşamlarımızda yapay zekâ için sırada ne var? Benim gibi bir proje yöneticisi nasıl ayak uydurabilir?

Kathleen Walch: Bu harika bir soru, çünkü “Yapay zekâ işinizin yerini almayacak, ancak yapay zekâyı bilen biri işinizin yerini alacak” şeklinde bir söz var.

Bu nedenle yapay zekâ burada kalıcı. Eşiği aştığımızı ve başka bir yapay zekâ kışına düşmeyeceğimizi umuyoruz. Ancak onu nasıl kullanacaksınız? Artırılmış zekâ fikrini düşünmeyi seviyorum. Beni değiştirmesi için değil, yaptığım herhangi bir şeyi daha iyi hâle getirmesi için onu nasıl kullanabilirim?

Bir görevin veya belirli bir rolün yerini alabilir, ancak insan olarak benim yerimi alamaz. Birçok proje profesyonelinin bundan endişe duyduğunu biliyorum. Ancak birçok proje yapay zekâ projelerine yöneliyorsa proje yöneticilerine ve bu becerilere sahip insanlara ihtiyaç duymaya devam edeceğiz.

Öğrenmeye nasıl devam edebilirsiniz? Daha önce söylediğim şeye dönüyoruz. Sizi rahatsız eden her şeyin bir listesini yapın. Bu herkes için farklıdır. Sevdiğiniz şeylerin yerine yapay zekâyı koymadığınızdan, nefret ettiğiniz şeyleri ise kendinize bırakmadığınızdan emin olun; aksi hâlde oldukça mutsuz olursunuz.

Sevdiğiniz şeyleri bir sütuna, sevmediklerinizi başka bir sütuna yazın. Sonra topluluklara yönelin. PMI'ın başvurabileceğiniz birçok öğrenme kaynağı var. Ayrıca kurum içinde gruplar oluşturulmasını savunun. Özellikle istemleriniz varsa bunlar özel mülk gibi saklanmamalı. İstemleri paylaşmalı, öğrenmeli ve iş birliği yapmalıyız. Kuruluşunuz içinde bir istem kütüphanesi oluşturun.

Hangi platformda ve ne zaman kullandığınızı belgeleyin, çünkü sonuç almaya devam etmek için istemlerinizin zaman içinde değiştirilmesi ve yinelemeli olarak geliştirilmesi gerektiğini biliyoruz. İstemleri test etmeniz gerekiyor. Bazen beklendiği gibi çalışmayacak ve tek bir kelimeyi değiştirmek bile büyük fark yaratabilecek.

Bir topluluğunuz varsa ve birbirinizle fikir alışverişi yapabiliyorsanız bu gerçekten yardımcı olur. Bazı kuruluşlar yapay zekâyı benimseyip “yapay zekâ öncelikli” hâle geliyor. Ancak kuruluşunuz böyle değilse, yinelemeli ve adım adım yaklaşımlarla nasıl başlayabileceğinizi düşünün.

PMI üyesiyseniz topluluğa ulaşın. Birçok bölümümüz de var. Kurum içinde kaynaklar oluşturabilirsiniz. Grubunuzun dışına da bakabilirsiniz; önemli olan iş birliği yapabilmeniz. Çünkü öğrenmiyorsanız büyümüyorsunuzdur. Giderek geride kalırsınız; bu araçları kullanmaktan korkarsınız veya nasıl kullanacağınızı bilmezsiniz. Yardım istemekten çekinmeyin.

Öğrenmenin en iyi yolu budur.

Galen Low: İstem deposu ve paylaşım fikrini çok sevdim. Bizi ileriye taşıyan şey paylaşmaktır. Teknoloji hızlı ilerleyecek; insanların da hızlı hareket etmesi gerekiyor. Bunu yapmanın en iyi yolu bilgiyi paylaşmak.

Kathleen Walch: Paylaşmak önemsemektir.

Galen Low: Kesinlikle. Bu bölümü bitirmek için iki sorum var.

Konuştuğumuz bazı şeylerde can sıkıcı şeylerin listesini yapın diyoruz. Üretken yapay zekâ aracınızla sohbet ederek kişisel ve profesyonel yaşamınızı destekleyebilirsiniz. Bazı insanlar, ben de dâhil, bunun harika olduğunu düşünüyor.

Bu olağanüstü bir teknoloji. Benim onu kullanma biçimim temelde şu: Sekme tabanlı arayüzler benim için doğal dil işlemenin birkaç on yıl öncesine göre en ileri seviyeye ulaşmış hâli. Sonra düşünüyorum: Bu, dili yeniden düzenleyip bize geri veren gösterişli bir numaradan mı ibaret? Biz de “Aman Tanrım, yaşayan, nefes alan, bilinçli bir varlık” diyoruz.

Aslında yaptığı şey dili yeniden karıştırmak. Yeterince yapay zekâ kullanmayarak kendimizi sınırlıyor olabilir miyiz? Öte yandan yapay zekânın gerçekten sihirli şeyler yaptığını ve her şeyi yapabileceğini düşünme, belirli bir konuda iyi olduğunu anlamama riski var mı? Bu tehlikeli mi, yoksa ilham verici mi?

Kathleen Walch: Tehlikeli, çünkü fazla söz verip yetersiz sonuç üretiyor. Yapay zekâ çok geniş bir şemsiye terim olduğu için ve üretken yapay zekâ ile büyük dil modelleri ortaya çıktığı için insanlar her şeyi yapabileceğini düşünüyor ve ondan her şeyi yapmasını istiyor. Sonuç alamadıklarında da “Bu matematik problemini neden çözemiyor? İnsan bunu yapabiliyor” diyorlar.

Yapay zekânın neleri yapıp neleri yapamayacağını anlamamız gerekiyor. Bir seviye daha aşağı inip neyi başarmaya çalıştığımızı sormalıyız. Ardından yapay zekânın bunun için doğru çözüm olup olmadığını değerlendirmeliyiz.

Yüzlerce, hatta binlerce kullanım alanına baktık ve bunları yapay zekânın yedi örüntüsüne ayırdık. Bunlardan biri hiper kişiselleştirmedir. Her bireye birey olarak davranmak anlamına gelir. Bunu bir pazarlamacının hayali olarak düşünebilirsiniz; ancak hiper kişiselleştirilmiş eğitim, sağlık hizmetleri veya finans alanında da kullanılabilir.

Özellikle yaşam boyu öğrenme açısından eğitimde çok önemli bir konu. K-12'nin ötesinde eğitimi, insanların öğrenme biçimlerine göre nasıl uyarlayabiliriz? Ardından tanıma gelir. Bu, yapılandırılmamış veriyi anlamlandırmaktır. Burada görüntü tanımayı düşünürüz; ancak ses tanıma ve el hareketi tanıma da buna dâhildir.

Tahmine dayalı analiz ve karar desteği, geçmiş ve mevcut verileri kullanarak insanların daha iyi kararlar almasına yardımcı olur. Örüntüler ve anormallikler de büyük miktarda veriye bakıp eğilimleri ve aykırı değerleri bulmayı sağlar. Dolandırıcılık tespiti buna örnektir.

Hedef odaklı sistemler pekiştirmeli öğrenme ve optimizasyonla ilgilidir. Otonom örüntüde amaç insanı döngüden çıkarmaktır. İnsanı döngüden çıkarmaya çalıştığınızda bu açıkça zordur. Bu nedenle yapay zekânın en zor örüntüsü olduğunu söylüyoruz.

Donanım veya yazılım tabanlı otonom sistemler olabilir. Örneğin otonom araçlar veya otonom teslimat robotları. Ayrıca otonom iş süreçleri de olabilir. Sistemlerin iş akışlarımızda otonom biçimde hareket etmesini ve insanlara ihtiyaç duymamasını nasıl sağlayabiliriz?

Bu otomasyondan farklıdır, çünkü otomasyon zekâ değildir. Bir şeyi tekrar tekrar yaparız. Bu son derece faydalıdır ancak zekâ değildir. İstisnalar ortaya çıktığında insanın devreye girip bunları ele alması gerekir. Alanlar değiştiğinde insanın girip alanların değiştiğini belirtmesi gerekir.

Robotik süreç otomasyonunu burada düşünebiliriz. Peki özellikle bu yıl ve önümüzdeki yıllarda etmenli yapay zekâ nasıl görünecek? Birbirleriyle çalışan daha fazla otonom etkene nasıl sahip olabiliriz?

Yapay zekânın yedi örüntüsünü düşündüğümüzde, yapay zekânın neyi iyi yaptığını ve neyi iyi yapmadığını, onu ne zaman kullanmamız ve ne zaman kullanmamamız gerektiğini anlamak kolaylaşıyor. Bunu CPMAI'nin birinci aşaması olan iş anlayışında ele alıyoruz.

İnsanların yapay zekâyı nerede ve nasıl uygulayacaklarını anlamasına yardımcı oluyor. Yapay zekânın konuşma örüntüsünde insanlar ve makineler insanların diliyle birbirleriyle konuşuyor. Büyük dil modelleri ve yapay zekâ destekli sohbet robotları burada yer alıyor. Ancak bu, yapay zekânın yalnızca bir örüntüsü. Büyük dil modellerinden hiper kişiselleştirilmiş teklifler sunmasını beklememeli veya bir aracı sürmesini istememeliyiz.

Galen Low: Bunu sevdim. Bu hızlı eğitim için gerçekten teşekkürler. Her şeyi büyük ölçüde perspektife oturttu. Tahmin edin ne oldu?

Son soruma mükemmel bir geçiş yaptık. Yapay zekânın günlük işlerinize yardımcı olmasından söz ediyoruz.

Kathleen Walch: Artırılmış zekâ.

Galen Low: Artırılmış zekâ, teşekkürler. Ancak otonom ve etmenli sistemlerden de söz ettin. Herkes şu anda bunları konuşuyor. Evet, sistemin çoğu şeyi kendi başına yaptığı bir dünya. Belki sizin yönlendirmenizle, ancak sohbet edip “Benim için bunu yapabilir misin?” dediğiniz biçimde değil.

Bunun proje yönetimi dünyasında veya genel olarak dünyada nereye gideceği konusunda bir görüşün var mı? İnsanların endişeleri haklı mı? Yoksa insanlar bunun temel yapay zekâ olduğunu düşünüp kıyamete atlayabileceğimizi mi sanıyor? Oysa aslında bu örüntülerle sınırlı mı?

Kathleen Walch: Yapay zekânın neleri yapıp neleri yapamayacağını anlarsak ve hâlâ dar yapay zekâ aşamasında olduğumuzu bilirsek, bir veya daha fazla örüntüyü uyguladığımızı görürüz. Ancak insan olan ve her şeyi yapabilen bir sistemin bulunduğu genel yapay zekâ aşamasında değiliz. Çünkü hâlâ makine muhakemesine sahip değiliz.

DIKUW piramidinden söz etmeyi seviyorum. En altta temel olarak veri bulunuyor. Ancak veri tek başına pek bir şey yapamaz. Ona bir şey uygulamamız gerekir. Böylece bilgi düzeyine ulaşırız; panolar ve benzeri şeyler burada bulunur. Ardından bilgi düzeyine geçeriz; makine öğrenmesi burada devreye girer.

Sonra anlayış düzeyi gelir. Bu makine muhakemesidir ve henüz o noktada değiliz. En üstte ise bilgelik bulunur. Genel yapay zekâdan hâlâ çok uzaktayız ve bunu anlamak önemli.

Ne kadar uzakta olduğumuza dair medyada farklı görüşler var. Bazıları bir on yıl uzakta olduğumuzu düşünüyor. Bazıları bir yıl, bazıları yüz yıl diyor. Bazıları da hiçbir zaman ulaşamayacağımızı düşünüyor. Sektördeki uzmanlar bile bu konuda anlaşamıyor.

Ancak şu anki sınırlamalarımızı anlamak ve yapay zekâyı anlamlı olduğu yerde uygulamak önemli. Etmenli yapay zekâ 2025'in en sıcak konusu. Yıl boyunca da böyle kalacak.

PMI'da Infinity adlı yapay zekâ aracımız var. Burada etmenli yapay zekâ yeteneklerine sahip olacağız. Ancak kabul edilmiş ortak bir yapay zekâ tanımımız bulunmadığı için etmenli yapay zekânın ne olduğu konusunda da sektörde ortak bir tanımımız yok. Gerçekten otonom mu? Artırılmış mı? Otomatik mi? Hâlâ bu yöne ilerliyoruz ve bu heyecan verici.

Her şey inanılmaz hızlı değişiyor. Şubat 2025'te bunu dinleyenler için Şubat 2026'da nasıl görünecek? Haziran 2025'te nasıl görünecek? Değişimler sürüyor. Tek bir büyük atılıma veya tek bir farklı platforma uzaktasınız. Daha önce DeepSeek'ten söz ettin; bir ay önce ortada yoktu.

Bu gelişmeler nasıl devam edecek ve proje profesyonelleri etmenli yapay zekâyı nasıl benimseyecek? Bunu iş akışlarına nasıl dâhil edecekler? Bunlar daha geniş tartışmalar. Kuruluşunuz bunu nasıl hayata geçiriyor? Bu araç ve teknolojileri nasıl benimsiyor?

Bunu güvenilir, etik ve sorumlu biçimde yaptığımızdan emin olmalıyız. Veri gizliliği, yönetişim sorunları ve güvenilirlik gibi konularda çok sayıda endişe var. Bu sistemlere güveniyor muyuz? Onları kurum içinde mi kullanıyoruz? Dış sistemleri kullanabilir miyiz?

Bu nedenle çok heyecan verici bir dönemden geçiyoruz. Bu araçlar her gün daha iyi hâle geliyor ve her gün yeni araçlar ortaya çıkıyor. Bu da bunaltıcı olabilir. Nereden başlayacaksınız? Nasıl ayak uyduracaksınız?

Her gün öğrenmeniz ve uygulama yapmanız gerekiyor. Pratik yapmalısınız. Bu bir reflekse dönüşmeli. Onu günlük yaşamınızın bir parçası hâline getirmelisiniz. Artık asla boş bir sayfayla başlamayın. Boş bir sayfayla başlıyorsanız yanlış bir şey yapıyorsunuz.

Beyin fırtınasında size yardımcı olmasını sağlayın veya ilk taslağı yazmasını isteyin. Sonra düzenleyebilirsiniz. Önemli olan alışmanız gereken bu refleks. Bunu nasıl yapacaksınız? Pratik yapmaya devam ederek.

Galen Low: Zihniyet ve refleks fikrini sevdim. Kathleen, bu gerçekten ilham verici bir sohbetti.

Sanırım bir bölümde hiç bu kadar çok not almamıştım. Bunu olumlu anlamda söylüyorum; sonradan düzenlenecek şeyleri değil, kendim için bilgiyi kaydetmek anlamında. PMI'ın sana sahip olduğu için şanslı olduğunu düşünüyorum. Bundan sonra neler olacağını merak ediyorum. Belki Şubat 2026'da, hatta daha önce seni yeniden konuk eder ve 365 gün sonra nerede olduğumuzu karşılaştırırız.

Kathleen Walch: Evet. Her şey çok hızlı değişiyor. İnsanlar bazen bir yıl veya beş yıl sonra nerede olacağımızı soruyor. Ben de bir ay sonra nerede olacağımızı merak ediyorum diyorum.

Galen Low: Buna bayıldım. İnsanlar CPMAI sertifikası hakkında daha fazla bilgiyi nerede bulabilir?

Kathleen Walch: PMI.org adresine gidebilirler. Orada bulabilirler. Ayrıca AI Today adlı bir podcast'im var; CPMAI hakkında konuşuyoruz. Şu anda bir kullanım alanı serisinin ortasındayız. Bu artık resmî bir PMI podcast'i ve bunun için çok heyecanlıyım.

Satın almalar sonrasında her şeyi PMI sistemine taşıyoruz. Satın alma yaşayan herkesin bildiği gibi bu biraz zaman alıyor, ancak ilerliyoruz. Beni LinkedIn'de Kathleen Walch adıyla bulabilirsiniz. PMI Cognilytica da LinkedIn'de yer alıyor.

Galen Low: Harika. Tüm bağlantıları program notlarına da ekleyeceğim.

Kathleen, bugün bana katıldığın için çok teşekkürler. Çok keyifliydi.

Kathleen Walch: Ben teşekkür ederim. Seninle konuşmayı her zaman seviyorum, Galen.

Galen Low: Herkese merhaba, işte böyle. Her zaman olduğu gibi, binden fazla benzer düşüncedeki proje yönetimi savunucusuyla sohbete katılmak isterseniz topluluğumuza katılın. Daha fazla bilgi edinmek için thedpm.com/membership adresini ziyaret edin. Bugün duyduklarınızı beğendiyseniz lütfen abone olun ve thedigitalprojectmanager.com üzerinden iletişimde kalın. Bir sonraki bölüme kadar, dinlediğiniz için teşekkürler.