Veriye Dayalı, Üretken Yapay Zekâ Destekli Kaynak Yönetimiyle Öngörülebilir Büyümenin Kilidini Açma

Transkripti Okuyun:

Podcast'lerimizin transkripsiyonunu bir yazılım programı kullanarak deniyoruz. Bot her zaman yüzde 100 doğru olmadığı için lütfen olası yazım hatalarını mazur görün.

Galen Low: Verileri ve yapay zekâyı kaynak planlamanızda kristal küre olarak kullanma konulu panel tartışmamıza hoş geldiniz. Bunu abartmamak için konuyu tartışacağız, derinlemesine inceleyeceğiz ve ne hakkında olduğunu birlikte keşfedeceğiz. Üyelerimiz ve VIP konuklarımızla her ay yapmayı sevdiğimiz şeylerden biri bu.

Digital Project Manager'da bizimle birlikte katkıda bulunan ve iş birliği yapan uzmanlarla doğrudan etkileşim kurmanın bir yolu. Beni tanımayanlar için adım Galen. Digital Project Manager'ın kurucusu ve eş kurucusuyum; bugün aynı zamanda sunucunuzum. Bir süre benimle berabersiniz, ancak yanımda tanıdığım en iyi ajans operasyonları uzmanlarından bazılarını içeren harika bir ekip de var: Ann Campea, Marcel Petitpas ve Grant Hultgren.

Kaynak planlama ajans dünyasında ve açıkçası birçok kuruluşta son derece popüler bir konu. Bunun iyi bir nedeni olduğunu düşünüyorum: temel programları ve girişimleri hayata geçirmek için doğru kaynaklara sahip olmamak, hedeflerinize ulaşmanızı tehlikeye atabilecek büyük bir risk oluşturur; hatta kuruluşunuzdaki sizin ve çalışma arkadaşlarınızın işlerini bile tehlikeye atabilir.

Bence kaynak planlamanın bir kuruluş içinde bu kadar farklı düzeyde gerçekleşmesinin nedeni de bu. Projelerinizde doğru ekip üyelerine sahip olmaktan, işin yürümesini sağlayacak doğru organizasyon tasarımına ve yeteneğe sahip olmaya kadar birçok unsur söz konusu. Ancak geleceği tahmin etmeye geldiğinde biz insanlar en iyi ihtimalle tahminde bulunuyor, en kötü ihtimalle de pembe gözlüklerle aşırı iyimser varsayımlar yapıyoruz.

Bazen Surrender'ın, beklenmedik bir hastalık izninde olmasaydı Kathy'nin yapacağı kadar hızlı bir görevi tamamlayacağını varsayıyoruz. Bazen Kelvin'in bağlam değiştirme nedeniyle hiç zaman kaybetmeden günde sekiz saat boyunca sekiz farklı projede çalışabileceğini düşünüyoruz. Bazen de Elena ve Leila'nın aynı iş unvanına sahip oldukları için aynı çalışma tercihlerine, bilgi seviyesine ve iş anlayışına sahip olmaları gerektiğini varsayıyoruz.

Günün sonunda kaynak planlama zordur; çünkü genellikle kontrol edemediğimiz değişkenleri, yani insanları, içerir. Ancak kaynak planlamaya yaklaşımımız son birkaç on yılda, en azından benim bakış açıma göre, büyük ölçüde değişmemiş olsa da teknoloji değişti. Bu nedenle kendime şu soruyu sormaya başladım: Kullandığımız tüm araçlar ve topladığımız tüm veriler göz önüne alındığında, kaynaklarımız ve projelerimizde, girişimlerimizde ve hedeflerimizde gelecekte neler olacağı hakkında daha iyi tahminler yapmak için bunlardan yararlanamaz mıyız? Bugün inceleyeceğimiz konu bu.

Açıkçası, tüm panelistlerime yönelteceğim en büyük ve en kapsamlı soruyla başlamak istiyorum: Tüm bu kuruluşlar çok daha fazla veri merkezli hâle gelirken ve üretken yapay zekâ devreye girmişken kaynak planlama ve kaynak yönetimi neden hâlâ otomatik olarak gerçekleşmiyor?

Belki önce Marcel'e sorayım. Seni biraz zor durumda bırakacağım.

Marcel Petitpas: Elbette. Basit cevap şu: Veriler karmaşık, insanlar öngörülemez. Üretken yapay zekânın verilerden değer elde etmemize ve onları yorumlamamıza yardımcı olma konusunda yapabilecekleri son derece heyecan verici. Ancak temel varsayım şu ve üretken yapay zekâ şirketlerinin her demosunda beni rahatsız eden şey de bu: “Bakın, raporlamanızı otomatikleştirebilirsiniz” deniyor.

Kritik varsayım, ona tamamen temiz, tutarlı biçimde yapılandırılmış, açık bir şemaya ve tutarlı adlandırma kurallarına sahip, hatasız ve aykırı değerler içermeyen veriler vermeniz. O zaman elbette üretken yapay zekâ verilerle ilgili bir soruyu yanıtlayabilecek ve verileri bir insandan daha hızlı işleyebilecek. Bence asıl heyecan verici olan, verilerle etkileşim kurma biçimimizin kesinlikle dönüşecek olması.

Bundan on yıl sonra geriye dönüp, istediğim görselleştirmeye ulaşmak için bir tabloyu tıklayarak filtreler uygulamanın ve sıralama yapmanın bize arkaik geleceğini söyleyeceğimizi düşünüyorum. Ancak ortadan kalkmayacak sorun, yapay zekânın size bu tür çıktıları sunabilmesi için iyi ve temiz verilere ihtiyaç duymanız. Talihsiz gerçek şu ki ürün ve operasyon yöneticileri olarak insanlar tarafından oluşturulan veri kümeleriyle çalışıyoruz; dolayısıyla bu verilerin kusurlu olması kaçınılmaz. Süreçlerimizi ve veri sistemlerimizi tasarlarken bunu hesaba katmamız gerekecek.

Galen Low: Harika. Verilerin temizliği konusundaki bu açıklamayı sevdim. Daha sonra veri okuryazarlığına, bunun günümüzde ne anlama geldiğine ve kimin buna sahip olması gerektiğine geliriz. Küçük bir ipucu: Muhtemelen herkesin.

Ann, sahip olduğumuz tüm teknolojiye rağmen kaynak planlamanın bugün neden hâlâ zor olduğuna eklemek istediğin bir şey var mı?

Ann Campea: Öncelikle Marcel'in söylediğinden devam edeyim: İyi veri elde etmek gerekiyor. Bunu yakalamaya çalışmanın arkasında da insani bir unsur var. Deneyimlerime göre araçlar oluşturuyoruz, doğru raporlamaya sahip olduğumuzu ve doğru metrikleri izlediğimizi düşünüyoruz; sonra verilere geri dönüyorsunuz. İyi veri elde etmek, yıldırımı bir şişede yakalamaya çalışmak gibi.

Zor ve bazen güvenilmez; çünkü insan faktörü bunun içine işliyor. İnsanlar harika, ama aynı zamanda harika derecede öngörülemezler. Açılışta verdiğin örnekte Susie bir hafta içinde tamamlamaya çalıştığı 50 projeye sahip olabilir, ancak Joe kendini iyi hissetmediği için üç gün ücretli izin almak zorunda kalmış olabilir.

Joe, Susie'den biraz daha az proje tamamlamıştır. Zaman takibi, projelerin karmaşıklığı ve çalışanlarınızın üretim yapabilme kapasitesi söz konusu olduğunda, neler olup bittiğinin bu insani boyutunu verilerle nasıl yakalayabilirsiniz? Herkes biraz farklı çalışıyor.

Bu nedenle Marcel'in söylediklerine katılarak şunu söyleyebilirim: İyi veriyi elde edin, ardından bunun etrafında teknolojiyi ve yapay zekâyı oluşturun. Bir örnek daha vereyim: Eski teknolojiyle yeni teknolojiyle aynı anda uğraştığınız kuruluşlarda bulundum. Şimdi bunların üzerine yapay zekâ da ekleniyor.

Bütün bu unsurların birlikte iyi çalışmasını nasıl sağlayacaksınız? Aynı zamanda insanı da sürecin içinde nasıl tutacaksınız?

Galen Low: Bunu sevdim.

Başta söylediğin şeye de dönüyor Grant. Araç sihirli mermi çözüm değil. Başka değişkenler de var. Belki bu, “Tamam, bu karmaşık. Neden daha kolay değil?” sorusundan çıkmak için iyi bir geçiş olur.

Çünkü veri temizliği ve insanlar var. Bence bu da şu soruyu gündeme getiriyor: Hangi verileri toplamalıyız? Muhtemelen çok büyük bir küme var ama Grant, senin bakış açına göre bir ajansın ya da herhangi bir kuruluşun daha doğru kaynak planlaması yapmak için yakalaması gereken veri noktaları neler?

Bu verilerden hangisi geleneksel olmayabilir veya tartışmalı olabilir?

Grant Hultgren: Bence geçiş yapmak için temel soru şu: Neye güveniyorsunuz? Ajans sahipleri olarak bu yolculuğa başladığınızda ya da bir ajansa katıldığınızda, ajansın kendi kendini yönetmesi gerektiğini düşünürsünüz.

Çoğu zaman “Bunu geldiğim şirketten veya daha önce birlikte çalıştığım kişiden daha iyi yapabilirim” dersiniz. Ancak bu genellikle onu biraz farklı tanımlayacağınız anlamına gelir. Birdenbire farklı veri noktalarını farklı biçimde tanımlamaya başlarız.

Marcel'in söyleyeceği gibi, bunu farklı tanımlamamız gerekmiyor. Kendi terminolojinizi kullanabilirsiniz, ancak aslında aynı şeylerden söz ediyoruz. Temel KPI'lara baktığınızda kesinlikle katılırım. Bizim açımızdan, SaaS şirketleri tarafında; faturalandırılabilir çalışan başına gelire, tüm çalışanlar başına gelire, proje düzeyindeki kâr marjlarına ve üç aylık ve yıllık bazda kâr-zarar tablosuna, genel giderlere ve tam maliyetlere bakarsınız.

Bunların birçok ortak noktası var. Ancak özellikle dijital proje yönetimi tarafına baktığımızda, tüm bunlar daha üst düzey KPI'lara katkıda bulunan bir ekosistemin parçası.

Ann'in söylediği gibi birden fazla araç var; bazıları 1990'lardan kalma, bazıları çok daha modern. Zorluk da burada ortaya çıkıyor. Her şeyden çok şunu sormalıyız: Bu iç sistemlere, yapay zekâ modellerinin karar alması ve en iyi sonuçları üretmesi için güvenilir olacak kadar güveniyor muyuz?

Bence henüz o noktada değiliz. İnsanlar bu yüzden çok önemli. Hiç kimse bir proje marjının kaçırılmasından dolayı yapay zekâyı sorumlu tutmayacak. Hepimiz proje yöneticisine bakıp “Burada ne oldu? Verileri bizim için yorumla” diyeceğiz.

Ann'in belirttiği gibi, biri hastaydı. Peki neden hiçbir şey yapmadık? Yapay zekâ bunu fark etmedi. Bu kabul edilebilir değil. Belki bir gün o noktaya geliriz, ancak metriklerin çok fazla değişeceğini düşünmüyorum. Değişecek olan, bunların ortak bir temada nasıl bir araya getirileceği.

Marcel, başını salladığını görüyorum. Katılıyor musun?

Marcel Petitpas: Evet. Parakeeto'da birini tahmin sistemine dahil ederken yaptığımız şeyden ve bunu nasıl yapılandırdığımızdan söz edeyim. Çok basit.

Kuruluşlarında kapasiteyi nasıl düşündüklerini anlayarak başlıyoruz. Bu, bir kuruluştan diğerine değişir. Bazı kuruluşlar bunu beceri setleriyle düşünür: Bu kişinin tasarım, proje yönetimi, geliştirme ve metin yazarlığı becerileri var.

Bazen de görev setleri üzerinden düşünürler: Bu kişi şu tür işleri yapar. Görev kategorileri, rol kategorileri veya iş unvanları olabilir. Bu firmanın kapasitesini zihinsel olarak hangi modelle düşündüğünü ve işe alım kararlarını neye göre verdiğini anlamamız gerekir.

Genellikle bireysel katkı sağlayanlarla onları gruplandırabileceğimiz daha büyük kategoriler arasında basit bir soyutlama katmanı oluşturmaya çalışırız.

Burada çokça söz edeceğim bir fikri tanıtmak istiyorum: kesinlik ve doğruluk. Bunlar farklı kavramlardır. Bence çoğu proje yöneticisinin yanılgısı, bunları yalnızca aynı değil, aynı zamanda birbiriyle ilişkili sanmalarıdır. Oysa çoğu zaman birbirleriyle çelişirler.

Birçok proje yöneticisinin, sürdürülmesi imkânsız hâle gelen çok kesin sistemler oluşturmaya çalıştıkları için kendilerini başarısızlığa hazırladıklarını gördüm. Bu da sürekli olarak karmaşık verilerle boğuşmalarına ve bunlardan değer elde edememelerine yol açıyor.

Bu nedenle ilk aşamada yapmaya çalıştığımız şeyin önemli bir bölümü şu: Kapasiteyi düşündüğümüz, basit ve beş ila sekiz kategori arasında değişen bir model nasıl geliştiririz? Ardından planlanan işe de aynı şekilde bakalım. Aynı adlandırma kurallarını kullanalım ve tahmini süreyi aynı biçimde kategorilere ayıralım.

Sonra zaman takibine geçip her zaman girişinin, onu bu kategorilerden birine bağlayabileceğimiz bir üst veri parçasına sahip olmasını nasıl sağlayacağımızı soralım. Zaman içinde bu formatta yapılandırılmış veriler oluşturabilir ve buna işin türü, müşterinin türü, hizmet teklifi veya ürün gibi birkaç nesne daha ekleyebilirsek doğrusal cebir gerçekten kolaylaşır.

“Her bir web sitesi bütçesi lirası için ortalama ne kadar tasarım zamanı planlamamız gerekir?” gibi bir soruya yanıt vermek için çok büyük bir veri kümesine gerek yoktur. Bize bunun nasıl görüneceği konusunda oldukça iyi bir doğruluk sağlayan ilginç bir en uygun doğruyu bulmaya başlayabilir, ayrıca hangi işlerin öngörülebilir, hangilerinin çok öngörülemez olduğunu belirleyebiliriz.

Bu da başarısızlığa zemin hazırlayan bir süreç sorunumuzun nerede olabileceğini düşünmenin ilginç bir yoludur. Çünkü işleri tutarlı biçimde yapmıyorsak, verilerimiz ne kadar iyi olursa olsun geleceği tahmin etmek uygulamadaki işleyiş nedeniyle zor olacaktır.

Bilgiyi nasıl yapılandıracağımızı düşündüğümüzde veri noktaları kapasitedir. Bunun için modelimiz nedir? Şemayı nasıl düşünürüz? Planlanan iş için modelimiz nedir? Şemayı nasıl düşünürüz? Ardından gerçekleşen zamanı aynı şemayla eşleştiririz; böylece bir soruyu yanıtlamak için üç farklı veri yapısını çevirmek zorunda kalmayız.

Bu gereksiz bir sürtünmedir ve çoğu zaman bu sürece başladığımızda yanıtlamayı hedeflediğimiz soruları gerçekten yanıtlayamayacağımız anlamına gelir.

Galen Low: Öngörülebilir şeyler ve öngöremeyeceğiniz şeyler olduğu fikrini sevdim. Sadece bu bakış açısının bile gerçekten önemli olduğunu düşünüyorum; çünkü kaostan ve planlanamayan şeylerden söz ediyoruz.

İnsanlar olarak arzumuz bunları çözmek, ancak belki de çözemeyiz. Söylediklerinde bana çok anlamlı gelen diğer şey ise iyi ve temiz verilere sahip olmamız gerektiği, fakat teknolojinin devreye girdiği yerin de burası olduğu.

Çalıştığım ajansta çalışanlar için bir beceri matrisi oluşturduğumu hatırlıyorum. “Drupal geliştirmede birden ona kadar ne kadar iyisin?” diye soruyorduk. “On galiba” diyorlardı. Bunları bir araya getirmek ve Google E-Tablolar'da düzenlemek çok zahmetliydi ve tam bir karmaşaydı.

Niyetimiz iyiydi. “Nasıl çalışmayı seviyorsun? Neredesin? Kariyer yol haritanda ne tür projeler var?” gibi sorular soruyor ve her şeyi planlamaya çalışıyorduk. Ancak insanlar olarak dikkate almamız gereken veri hacmi çok fazlaydı.

Sen bunları anlatırken “Bu çok fazla model ve çok fazla sınıflandırma” diye düşünüyorum. Bununla ne yapacağız? Sanırım bu bizi şu fikre götürüyor: Teknoloji burada yardımcı olabilir.

Grant Hultgren: Her şeyi tasarlayabilir ve kurabilirsiniz, değil mi? Ama bir saat içinde değişecektir. Müşteri iş tanımını imzalayacak, değişiklik talebi gelecek, kapsamını daraltacak. COVID çıkacak. Şimdi ofise ihtiyacımız var mı? Bu sahip olmamız gereken bir genel gider mi?

Marcel'in söylediği gibi, sistemi kurarsınız ve sonra ritmi belirlemeniz gerekir. Ön saflarda bulunan ve bu verileri en iyi şekilde bilgilendirebilecek bireysel katkı sağlayanları, kademeli değişiklikler yapabilmeleri için nasıl hizalayacağız?

Marcel'in anlattığı her şey, açıkçası şirketimizin neden var olduğunu açıklıyor. O tarafsız olabilir, ama bizim bu verilerde kodlamaya çalıştığımız şey tam olarak aynı düşünce yapısıdır. Farklı girdileri farklı çözümlere dönüştüren unsurları ölçme biçimi de aynıdır.

Bunun için Marcel gibi danışmanlar veya Ann gibi “Bunu ekibinizle şöyle yaparım” diyecek kişilerden yardım alabilirsiniz. Ancak sorunlar hâlâ ortada: Bunu sahibinden en alt kademeye kadar her katmana nasıl ulaştıracağız? Hepimiz aynı çizgide olduğumuzu, kesinliğin nerede devreye girdiğini, doğruluğun nerede bulunduğunu ve değerin nerede olduğunu anlamalıyız.

Galen Low: Buradan devam edelim; çünkü gerçekten ilginç bir soru. Temiz veri, muhtemelen veri veya sınıflandırma açısından değil, insan açısından bir efsane gibi görünüyor. Ann, insan bileşenine odaklanabilir miyiz? İnsanları daha fazla veri takip ettiklerinde bundan fayda sağlayacaklarına nasıl ikna ederiz?

İnsanlar zaten zaman takibinden nefret ediyor. Marcel, geçen gün LinkedIn'de kullanım oranı hakkında paylaşım yaptın; bunlar insanların zihnini karıştıran ve morallerini gerçekten bozabilen konular. Şimdi onlardan daha fazla şey kaydetmelerini istiyoruz. Onları bu fikrin faydalı olduğuna nasıl ikna edersin?

Ann Campea: Bu çok yüklü bir soru, ama gerçekten zor. Tüm katmanları hizalamak güç. Marcel'in paylaştığı, paydaşların kaynakları ve kapasiteyi ölçmek için kabul edebileceği sihirli formülü bulma fikrine değinmek istiyorum.

Grant, her şeyin sürekli değiştiğini söyledin. Bu değişkeni nasıl kontrol edeceksiniz? Marcel'in söyledikleriyle hizalanmak önemli. Diğer ajansların yaptıklarından çok farklı olsa bile bir yapıya yönelik ortak kabul sağlayabilirseniz ve liderlik ekibinizle kuruluş kültürünüz bu formülün arkasında birleşirse, en azından verileri yakalamak için gerekli desteğe sahip olursunuz.

Bu destek, karşılaşabileceğiniz en büyük engellerden birini ortadan kaldırır. Araçlarımızı geliştirmek, raporlar oluşturmak, zaman takibini toplamak ve çalışanlara farklı karmaşıklıktaki projelerin ne kadar sürdüğünü sormak için ne kadar zaman harcarsak harcayalım, gerekli kabul yoksa en büyük engeliniz bu olur.

Yine insan unsuruna dönüyoruz. Paydaşların kabulünü sağlamaya çalışırken, bazen çok nesnel ve nicel veriler sunduğunuzu düşündüğünüz varsayılır.

Ancak veriler konusunda gerçekçi ve dürüst olursak, iyi ve temiz verilere geri dönersek, paydaşların elinizde ne olduğunu anlaması gerekir. Verilerimi her zaman şöyle sunarım: “Bu bir zaman çalışması ve verileri insanların girmesini istediğiniz için bu çalışmada bir değişkenlik olacak.”

Topladığınız nicel verilerde bile belirli bir öznellik olacağını her zaman hesaba katın. Verileri kabul etmeleri için paydaşlarınıza sunduğunuzda bunu gerçekçi biçimde açıklamanız gerekir. “Bu veridir, temizdir ve buna göre hareket ediyoruz; yüzde 100 doğrudur” diyemezsiniz. Hepimizin söylediği gibi bu hiçbir zaman mümkün olmayacaktır, ancak yaklaşabilirsiniz.

Bence bu, paydaşlarınıza bu formülü kabul ettirmenin ilk adımıdır.

Galen Low: Bu yaklaşımı sevdim; çünkü iş birlikçi. Söylediğin şey, bunu yukarıdan aşağıya gönderip insanların boğazına tıkmamak gerektiği.

Ayrıca bunun çerçevelenmesi de önemli. Özellikle kaynak yönetiminde “Bu kesin sonuçtur, herkesin haftası 40 saat eder ve her şey kusursuz olacak” deme eğilimimiz var. Oysa bunu değişkenlikle sunarsak daha gerçekçi olur.

Marcel, bunun kesinlik ve doğruluk konusuyla bağlantılı olup olmadığını bilmiyorum.

Marcel Petitpas: Evet, bağlantılı. Bu konuda iki şey söyleyeceğim. Sektörde uyumu artırmak için çeşitli taktiklerden çok söz ediyoruz. Bunu oyunlaştırabilir misiniz? İnsanları ekipler hâline getirip uyumu gösteren bir Slack botu kullanabilirsiniz. Bilgisayarda yaptıklarına göre zamanı takip eden ve zaman çizelgelerini doldurmalarına yardımcı olan bir araç kullanabilirsiniz.

Zaman çizelgelerini kaynak planına göre önceden doldurabilirsiniz. Bunların hepsi faydalıdır. Ancak bana göre temel sorun, Ann'in söylediği gibi kabul meselesidir. Bunun yanında çoğu zaman geri bildirim döngüsünün kapatılmadığını görüyorum.

Özellikle zaman girmesi istenen bireysel katkı sağlayanlar, bunun sonucunda oluşturulan konuşmalara, kararlara veya raporlara hiçbir zaman erişemiyor. Bu nedenle zamanlarının nasıl kullanıldığı hakkında zihinlerinde kendi hikâyelerini oluşturuyorlar. Bu hikâye nadiren olumlu oluyor.

Onlara bunu ne kadar iyi niyetle kullandığınızı anlatırsanız anlatın, inanmak için görmeleri gerekir. Ann'in söylediği gibi, bu konuşmaya dâhil edilmelerinin değeri var.

Yönetim ekiplerinin bu döngüyü kapatmak ve verileri ekiplerine göstermeye başlamak konusunda çekingen davrandığını görüyorum; çünkü “Verilerin henüz iyi olmadığını biliyoruz” diyorlar. Böylece tavuk-yumurta problemi ortaya çıkıyor.

Benim önerim, toplantıyı yapıp verilerin kötü olduğunu bilmiyormuş gibi davranmanız. Ekiple ölçtüğünüz KPI'ları bilinçli biçimde belirlememenin hangi teşvikleri oluşturduğunu ve bunların nasıl istediğinizin tersine sonuç verebileceğini görmeye başlarsınız. Kullanım oranına aşırı odaklanmak çoğu zaman arzu edilmeyen bir tepki yaratır.

Örneğin müşteri bütçesine odaklandığınızı varsayalım. Toplantıya girip “Her projede bütçenin altında kaldık. Müşterilerimiz çok memnun. Zaten çok yoğun değilsiniz; gelecek ay iki katı iş satabilirim ve yine de kapasitenizi dolduramazsınız” dersiniz. Herkes mutlu olur. Sonra ekip “Bir dakika, zamanımızın tamamı zaman çizelgelerine girmemiş olabilir. Gelecek ay iki katı işi kesinlikle kaldıramayız” der.

Bu, geleceği planlamak için kullandığınız bilginin doğru olması gerektiğini ve insanların üzerine çok fazla iş yüklememeniz gerektiğini anlamanızı sağlar. Daha sonra sarkacın diğer yöne gittiğini ve bütçeyi çok aştığınızı konuştuğunuzu görebilirsiniz.

Verileri doğru kullandığınız ve konuşmayı samimi biçimde, merak ederek yaptığınız sürece sarkacın gerçeğe doğru hareket edeceğini ve ekibin bunun kendilerine nasıl hizmet ettiğini ve onları nasıl koruduğunu anlamaya başlayacağını düşünüyorum.

Kesinlik ve doğruluk konusunda eklemek istediğim son şey şu: Ekibinizden görev içindeki alt görevin, kilometre taşı içindeki görevin, teslimat kaleminin, fazın ve projenin en küçük alt seviyesine kadar zamanı takip etmesini isterseniz bu çok fazladır. Çok fazla sürtünme yaratır.

Bunu basitleştirin. Daha anlamlı olan daha büyük zaman kategorilerine sahip olursunuz, içgörüleriniz için istatistiksel anlamlılığa daha hızlı ulaşırsınız ve genel uyumunuz daha yüksek olur. Aynı şey kaynak planlama için de geçerlidir.

Bireysel tahsisler altı aylık tahminin yolu değildir. Bu işe yaramaz. Yüzey alanı çok geniştir ve sürekli değişen çok fazla şey vardır. Bu nedenle yöntemi yanıtlanan sorunun amacına göre eşleştirin.

Galen Low: Kafamda bunun biraz kurnazca olduğunu düşünüyorum, ama nitel boyutu nasıl ortaya çıkardığını anlıyorum.

Ann, söylediğin şeye dönersek, verilerle başlamalı ama verilerde bitirmemeliyiz. Veriler, verilerde yer almayan şeyler hakkında bir konuşmayı yönlendiriyor. İnsanları baskıdan uzaklaştıran bir kültür oluşturabilirseniz bu fikri seviyorum. Çünkü herkesin karşı tarafa karşı kullanması için mermi vermek gibi.

“Ne? Kullanım oranınız yalnızca yüzde 70 mi? Beş saatlik görevi yapmanız yedi saat mi sürdü?” Hiç kimse bu verileri gönüllü olarak paylaşmak istemez. Bu nedenle zaten dezavantajlı durumdalar. Ancak basit olmanın sorun olmadığını, basit bir yaklaşımın verileri kusursuz hâle getirmeye çalışmaktan daha iyi olduğunu düşünüyorum.

Belki biraz hikâye anlatımına geçebiliriz. Başta başarı ve korku hikâyelerini ayrı ayrı soracaktım ama bu serbest bir tartışma. Bizi geride tutan şeylerden ve kuruluşu ileri taşıyan şeylerden söz ettik.

Hikâye zamanına geçelim. Bir kuruluşta bu kabulü sağlayıp veri okuryazarlığı düzeyini yükselterek kaynak planlamayı ve geleceğe bakmayı iyileştirdiğiniz bir başarı hikâyesi var mı? Diğer taraftan, “Keşke bunu yapsalardı” dediğiniz ancak bir engelle karşılaştıkları için kaynak planlamasıyla ilgili sorunları ortadan kaldıramadıkları korku hikâyeleri de anlatabilirsiniz.

Grant Hultgren: Sanırım bir başarı hikâyem var. Çalıştığım dijital ajansla kendi yolumdan çekildim ve Ann ile Marcel'in söyledikleri doğrultusunda ilerledim: Ekibinize güvenmeniz, onları eğitmeniz ve bunun neden önemli olduğunu anlamalarına yardımcı olmanız gerekiyor.

Projelerde marjı neden hesapladığımızı ve bunun rol başına maliyet anlamına geldiğini anlattık. İnsanlara ne kadar ödeme yaptığımızı açıklamıyorduk, ancak genel ifadeler kullanarak kıdemli bir geliştiriciyle kıdemsiz bir geliştirici arasındaki farkı ve kaynak planlamasında bunun neden önemli olduğunu gösterdik.

Bir marj hedefinden sorumlu tutulacaksanız bunun önemi daha iyi anlaşılıyor. Çoğu zaman “Bu bana geri döner mi?” diye düşünürsünüz. Özellikle yönetimdeyseniz bunu yapmamanız için birçok neden vardır. Bir yıl içinde en büyük başarımız tek bir KPI değildi.

Hedeflerimize ulaştık, bütün bunları yaptık; bu harika. Ancak üç kişi aile kurdu, iki kişi ev aldı. O dönemde sahibi ve CEO'suyla oturduğumu hatırlıyorum; “Bu, yaşadığım en tatmin edici yıl. Ekip için yapmak istediğim şey buydu” dedi.

Çoğu zaman üç ay sonra işimiz olup olmayacağı konusunda endişeleniyoruz. Bu endişe hiçbir zaman ortadan kalkmayacak. Bence bu, liderliğin sorumluluğunun bir parçası. En büyük kazanımlarımız, ekip üyelerinin hayat kararlarıyla bulundukları yere güvendiklerini göstermesiydi.

Belki başka rollere geçtiler, ancak bunu doğru yaptığınızda oturup “O an için doğru yaptım” diyebileceğiniz anlar oluyor. Ertesi gün doğru yapmamış olabilirsiniz; belki o veriye ihtiyacınız vardı. Ancak yapay zekâ hakkında konuşmamızın nedeni bu: Sorun çözülmüş değil.

Çözülmesi kolay olsaydı şimdiye kadar herhangi birimiz çözmüş olurduk. Çok çaba gerektiriyor. Ben kötümser olabilirim, ancak o anda ekip olarak yaptıklarımızla gurur duyabildim. Aldığım kararlarla ve gösterebildiğim güvenle gurur duydum.

Temel anlayışın bu olduğunu düşünüyorum. Veriler ve süreç üzerinde her zaman çalışmamız gerekecek. Büyüyeceğiz, küçüleceğiz, 2024 boyunca yalın ve güçlü hâle geleceğiz ve 2025'te geliştirmekte olduğumuz hizmet tekliflerini genişletmeyi umacağız. Bunların hepsi çaba gerektiriyor.

Dijital ajans sahipleri veya katılımcıları için bu yolda kestirme yok. Ancak bence kabul ettiğimiz şey bu. Birlikte iş birliği yaptığımızda birbirimiz için yolu kolaylaştırabiliriz. Proje yöneticilerimiz için bunu neden yaptığımızı düşünmeliyiz.

Kıdemli geliştiricimizi tükenmişliğe sürüklemeyelim. Kıdemsiz geliştiricilerimizin veya tasarımcılarımızın nerede gelişmeye ihtiyaç duyduğuna kör kalmayalım. Marcel'in söylediği gibi işletmeyi kesinlikle doğrulukla, kesinlikle değil, bilgilendirelim.

Tek bir veri noktasına baktığınızda dar bir bakış açısına sahip olursunuz. Hepsini bir araya getirmeye başladığınızda stratejik davranabilir ve işletmenin yol haritasını bilgilendirebilirsiniz. Bu da bireylere fayda sağlar ve onlara profesyonel gelişim ve yaşamlarında tatmin sağlayacak büyüme yolları sunmanıza olanak tanır.

Bu çok idealist gelebilir, ancak o kısa anı yaşamış biri olarak geriye dönüp bakıyorum. Nerede hata yaptığımı anlatabileceğim korku hikâyelerim de var, ama o an benim için gerçekten özeldi.

Galen Low: Bu hikâyeyi sevdim; çünkü ben “Veri okuryazarlığını nasıl geliştirebiliriz?” diye başladım, ama konu veriyi daha iyi anlamaktan çok, bu verileri neden topladığımızı anlamaya geldi.

Nedeni yalnızca ajansın büyümesi değil; kişisel gelişim, kariyer gelişimi ve çalışma arkadaşlarınızın gelişimi. Hepimiz bir şey yapmak için buradayız. Geçimimiz güvence altında ve umarız daha iyiye gidiyor. Bu oldukça sağlam bir neden.

Her çalışma kültüründe işe yaramayabilir. İzleyicilerden bazıları “Bu bizde asla karşılık bulmaz” diyebilir. Tamamen katılıyorum. Gerçekçi olmanız gerekiyor. Ancak hikâyeyi ve bu çerçeveyi sevdim.

Grant Hultgren: Büyüme doğrusal değildir. “Bunu yaparsanız bunu elde edersiniz” diye bir kural yok. Neyin başarılı olup olmadığını piyasa belirler.

Bu nedenle ister veri okuryazarlığı ister veri uygulaması olsun, uyarlanabilir ve yinelemeli olmak önemli. Her gün üzerinde çalıştığımız şeyi bilgilendirmeye çalışıyor muyuz? Bu bir zaman çizelgesi veya proje görevi olabilir. Süreç içinde kendimizi tüketmemek için verimlilikler de var.

Galen Low: Harika.

Ann Campea: Grant'ın hikâyesinin ardından konuşmak zor, ancak çok spesifik olmadan şunu söyleyebilirim: Bazen bu rolde kendinizi kahraman gibi hissettiğiniz anlar oluyor. Verileri alıp izleyiciye bir hikâye anlattığınızda ve ulaşmaya çalıştığınız hedefi benimsemelerini sağladığınızda.

Benim durumumda çoğu zaman ekibimin tükenmesini önlemek ve ek kaynak ile personel ihtiyacını konuşmak söz konusu. Kuruluş olarak işin karmaşıklığını, bunun çalışanlarımız üzerindeki etkisini ve dengeyi nasıl daha iyi sağlayabileceğimizi anlamamız gerekiyor.

Bu küçük kazanımlarda ve günlük konuşmalarda, yeterince iyi verileri kullanarak liderlik ekibinize işin ve çalışanların durumunu, herkesin aynı hedefler için çalıştığını gösterebilirsiniz. Bir işletme olarak kârlı olmak, müşterilerimize hizmet verebilmek ve kaliteli işler ortaya koymak istiyoruz. Kaynaklarınızla neler olduğunu veriler size anlatacaktır.

Galen Low: Marcel, senin bir hikâyen var mı?

Marcel Petitpas: Evet. Uzun süre birlikte çalıştığımız bir müşterinin dönüşüm hikâyesini paylaşayım. Dışarıdan bakıldığında ve bu gerçekten çok yaygın, birçok ajansın son derece başarılı göründüğü bir durumdu.

Web sitelerinde etkileyici logolar vardı. İşleri inanılmaz derecede yaratıcıydı. Ödüller kazanıyorlardı. Ancak içeri baktığınızda çok yaratıcı ama tükenmiş insanlardan oluşan bir kültür görüyordunuz. Yüzde 150 kullanım oranına ulaşıp herkesin hafta sonları ve akşamları çılgınca çalıştığı dönemlerden, hiç iş olmayan ve insanları işten çıkarmak zorunda kaldıkları uzun dönemlere uzanan bir bolluk ve kıtlık döngüsündeydiler.

Ajanslarda sık duyduğunuz sorunların tamamı vardı: Proje yöneticileri satış ekibini kendilerini başarısızlığa hazırlamakla suçluyor, satış ekibi de yaratıcı ekiplerin egolarını kontrol edemediğini ve her işte bütçeyi aştığını söylüyordu. Beklentiler tamamen uyumsuzdu. Kapsam belirleme ve fiyatlandırma açısından zaman ile para arasında sorunlu bir ilişki vardı; sanki birini değiştirebilmenin tek yolu diğerini değiştirmekti.

Müşterinin bütçesi düşükse işin gerçekte süreceğinden daha kısa süreceğini varsayıyorlardı. Müşterinin bütçesi yüksekse işin gerçekte süreceğinden daha uzun süreceğini varsayıyorlardı. Oysa bu iki fikrin bağlantılı ama ayrı olduğunu kabul etmek gerekir. Fiyatlandırma konuşması müşteriyle, kapsam konuşması ise bizimle ilgilidir.

Kuruluşa geldiğimizde daha önce sözünü ettiğim şeyleri yaptık. Önce bu unsurları birbirinden ayırdık. Veri yapısının nasıl görüneceğini netleştirdik. Gerçekte neler olduğunu takip etmeye başladık. Zaman içinde hangi işlerin daha yüksek, hangilerinin daha düşük risk taşıdığını belirledik.

Özellikle bir hizmet teklifinin, yani video prodüksiyonunun, onlar için son derece düzensiz olduğunu gördük. Video prodüksiyonunda çalışmış herkes projelerin çok düzensiz olduğunu bilir. Prodüksiyon ve çekim günleri çılgınca geçer. İnsanlar günde 18 saat çalışır, tükenir ve bu iş yaptıkları en düşük marjlı iş olur. İşletmede inanılmaz stres, tutarsızlık ve risk yaratır.

Buna karşılık marka, web sitesi tasarımı ve strateji gibi daha kârlı işleri vardı. Bu içgörüyle birkaç şey yapabildik. Öncelikle satış ekibi için doğrusal cebir oluşturduk; böylece kapsam ve fiyatlandırma sürecindeki öznellik ortadan kalktı.

Müşteriden aldıkları girdileri bir hesap makinesine girdiler ve yön gösterici biçimde doğru bir sonuç elde ettiler. Sonra bunu yukarı veya aşağı doğru ayarlamak yeterliydi. Belirli müşteri için bir “baş belası vergisi” uyguladık; bu, proje yönetimi ekibinin zaten desteklediği gerçekçi beklentiler oluşturdu.

Sonuç olarak tüm bu zorlukları yaşayan bir firma, yıllık bazda önce yüzde 60, ardından yüzde 90 büyüdü ve aynı anda kâr marjını yüzde 500'den fazla artırdı. En çok gurur duyduğum şey ise ekibin süreç içinde önemli ölçüde daha az akşam ve hafta sonu çalışmasıydı.

İnsanların birbiriyle çeliştiğine inandığı şeylerin aslında birlikte mümkün olduğunu gördük. Proje yöneticileri ve operasyon yöneticileri bu yüzden çok önemli. Sahip olduğunuz güç bu. Ajans operasyonları, gerçeklikle ilgili varsayımlarımızı alıp geleceğe yansıtmaktan ibaret.

Sonuçta iki soru var: Gerçeklikle ilgili varsayımlarımız ne kadar sağlam ve öznelliği ortadan kaldırıp bunları daha tutarlı hâle getirmek için verileri kullanabilir miyiz? Ardından bunu geleceğe ne kadar etkili yansıtabiliriz? Bu iki unsuru birleştirebildiğimiz ölçüde şirketimizdeki tüm paydaşlar için çok iyi işler yapabiliriz.

Galen Low: Benim kısa hikâyem şu: Birkaç hafta önce yükseköğretimden ve ajanslardan bazı kişilerle aynı masadaydım. Zaman takibinin ne kadar sorunlu olduğunu konuşuyorduk. Hepsi “Zamanınızı gerçekten takip ediyor musunuz?” dedi.

Bunun harika olduğunu söylediler; çünkü şu anda yöneticilerine kapasiteyi aştıklarını anlatmalarının tek yolu kişisel gözlemleriydi. Böylece yalnızca “Bunu nasıl yapacağız?” değil, “Bunu yapmalı mıyız? İnsanları tüketen ve düşük marjlı bu işi sürdürmeli miyiz?” soruları da ortaya çıkıyor. Verilere sahip olduğumuzda bu konuşmayı başlatabiliriz.

Sorulara ve yanıtlara geçmek istiyorum. Üretken yapay zekâ, veri, etik ve veri güvenliği hakkında bir soru var. Soruyu okuyup üzerine ekleme yapacağım.

Proje verilerini üretken yapay zekâ aracına koyuyorsak bu verilerin güvenliğini nasıl sağlayacağız? Örneğin, birlikte çalıştığımız şirketin ücretini ödediği bir aracı mı kullanmalıyız, yoksa başka bir şey kullanabilir miyiz? Ayrıca insanların çalışma tercihleri, beceri düzeyleri ve benzer bir projede benzer bir şeyi en son ne kadar sürede yaptıkları gibi bilgileri en iyi niyetlerle toplamaya başladığımızda etik sınır nerede çiziliyor?

Bu verilerin nereye gittiği ve nasıl kullanıldığı açısından ne zaman bunun fazla müdahaleci olduğunu söylemeliyiz? İki büyük soruyu birleştirdim, ancak veri güvenliği, kurumsal politika ve uyum açısından bunu sormak istiyorum. Grant, sana yöneltebilir miyim?

Grant Hultgren: Elbette. Birlikte çalıştığım bir pazarlama ajansı vardı. Üretken yapay zekânın üretim düzeyindeki pazarlama girdilerini, blog yazılarından sosyal medya paylaşımlarına kadar nasıl etkilediğine baktığınızda bunu giderek daha fazla görüyoruz.

Kalite yerinde mi? Belki değil, ancak hacim artıyor. İlk yaptığımız şey, bunu kullanıp kullanmadığımızı açıklayıp açıklamadığımızı ve bunun ne anlama geldiğini sorgulamak oldu. Ekip olarak oturup “Bunu kullanacak mıyız? Bununla rahat mıyız? Kalite yeterli mi?” diye konuştuk.

Eğer iyiyse bunu avantajımıza kullanalım; araç setimizdeki başka bir araç olsun. Ancak özellikle müşterinin adına pazara giriyorsanız kurum içinde mutlaka bu konuşma yapılmalı. İç veriler söz konusuysa en azından benim görüşüme göre durum biraz daha güvenli; yine de uyumlu olduğunuzdan emin olmanız gerekir.

Biz güvenlik ve uyum standartlarına uyuyoruz, GDPR gerekliliklerini karşılıyoruz. Bu nedenle bazı sınırlamalarımız var. Müşteri verileriyle ilgili bazı şeyleri yapamayız ve bazı verilerde yapay zekâ kullanamayız. Bu, kabul ettiğimiz koşulların parçası.

Verileri anonimleştirebileceğimiz alanlar da var. Böylece belirli müşterilerin adlarını veya verilerin nereden geldiğini açıkça göstermeden analiz yapabiliriz.

Ajans dünyasındaki herkese şunu öneririm: Müşteriniz açıkça izin vermediyse izin vermediğini varsayın. Bence ilişkiyi riske atmaya değmez. Bugün birçok anlaşma kişisel ilişkilere dayanıyor. Bu nedenle bu konularda her zaman ihtiyatlı davranırım.

Aynı zamanda sohbet robotlarında kullanılan üretken yapay zekâ araçları var. Yakın zamanda ClickUp'a bakıyordum; müşterilerimizden biri de oradan geliyor. Oldukça güçlü, ancak ayrıntılarla beslenmemiş aşamalarda kullanılıyor.

Yöntemin ne olabileceğini anlamak için kullanılıyor. Sonra bunu kendi uzmanlığınız ve deneyiminizle özelleştiriyorsunuz. Bu noktada üretken yapay zekâ yalnızca yolu bilgilendiriyor; müşteriye doğrudan teşhis veya kesin sonraki adımlar sunmuyor.

Bence bunun ahlaki açıdan net ayrım çizgileri var. Zor bir alan. ChatGPT dava ediliyor. Kaynak veri olarak ne kullandıklarını biliyor muyuz? Hepimiz bundan yararlanıyoruz. Henüz çözülmüş bir konu değil.

Galen Low: Bunu uyum olarak adlandırmanı sevdim; çünkü piyasada çok sayıda araç var. Bazıları güvenliği öncelik hâline getirmiş olabilir, bazıları ise yalnızca pazar ve talep olup olmadığını anlamaya çalışan ilk sürüm ürünler.

Grant Hultgren: Kesinlikle. Bunu gördük. Şirket içinde bile ne yapabileceğimiz veya yapmamız gerektiği konusunda çok dikkatli davranıyoruz. Verilere sahip olmanız, onları bu araçlarla paylaşmanız gerektiği anlamına gelmez.

Galen Low: Harika.

Ann Campea: Etik sınır konusuna biraz değinmek istiyorum; çünkü daha önce üretken yapay zekânın kendisinde de belirli bir önyargı bulunduğunu söyledik. Kullanırken çok dikkatli olmalısınız.

Üretken yapay zekâ bir kaynaktan faydalanır. Örneğin ChatGPT, kullanılan kaynaklar nedeniyle tartışmalı bir durumda. Proje yönetimi alanında çalışanlar için Proje Yönetimi Enstitüsü'nün kendi yapay zekâ platformu da var ve kaynak bilgilerinin doğrulanmış proje yönetimi kaynaklarından geldiğini söylüyorlar.

Bence etik sınır, verileri nasıl kullandığınızla ilgili. Bir paydaşa veri sunup “Harika, ama istediğimi elde edebilmem için ihtiyacım olan veri bu değil” dediği durumla karşılaşmış olabilirsiniz.

Bu nedenle, özellikle üretken yapay zekâ kaynağından geliyorsa, verileri kullanırken çok dikkatli olmalısınız. Verilerin sizi bilgilendirmesi gerekir. Ancak sizden bu verilerle ne üretmeniz isteniyor? Belirli bir amacı desteklemek için verileri değiştirmeye çalışarak etik sınırı aşıyor musunuz?

Bu konuda çok dikkatli olun. Verilerin başka amaçlar için kullanılmaya çalışıldığı ve bunun kesinlikle sınırı aştığı durumlar yaşadım.

Galen Low: Veri hikâye anlatımının diğer tarafı olduğunu sevdim. Bir çivi arayan çekiç gibi mi? Sanırım tersi: çivi arayan çekiç.

Bence bu, insanlık ve etik konusuna bağlanan başka bir soruya geçmek için iyi bir nokta. Soru şu: Araçların gelecekte insan unsurunu ve proje karmaşıklığını hesaba katabileceği mi düşünülüyor, yoksa bu her zaman manuel bir müdahale mi olacak?

Marcel Petitpas: Bu konuda bir görüşüm var. Bunun uçtan uca tamamen otomatikleşmesini hayal etmekte zorlanıyorum. Yanıldığımı kanıtlamalarını isterim, ancak bu noktaya ulaşmamızın yıllar alacağını düşünüyorum.

Örneğin otonom araçlara bakın. Yaklaşık on yıl önce otonom araçların gerçeğe dönüşeceğini konuşuyorduk, ancak hâlâ çok uzağız. Bunun nedeni son yüzde ikiye ulaşmanın çok zor olması.

Finans uzun zamandır var olmasına ve QuickBooks onlarca yıldır kullanılmasına rağmen hâlâ muhasebecilerimizin olması da aynı nedenle. Yolun yüzde 98'ini katedebilirsiniz. Özellikle kuruluşunuzda çok bilinçli bir veri yapısı ve veri hattı varsa bu süreci son derece verimli hâle getirebilirsiniz.

Ancak yapay zekânın yerine geçmesinin çok zor olacağı belirli bir yargı düzeyi var. Veri hattınız tamamen otomatik olsa bile gözlemlenebilirlik çok önemli olacak.

ChatGPT veya diğer üretken yapay zekâ araçlarında hepimizin deneyimlediği temel sorunlardan biri şu: Bir istem giriyorsunuz, bir yanıt alıyorsunuz, ancak sonuca nasıl ulaştığı tamamen belirsiz.

Bu, verilerde değişiklik ve dönüşüm yaparken veya karar verirken sorun yaratır. Örneğin bir kişi hafta sonu 99 saatlik bir zaman girişi yaptı. Bu gerçek mi, yoksa zamanlayıcıyı açık mı unuttu? Bir tasarımcı proje yönetimine zaman yazdı. Bu bir hata mı, yanlış görev kategorisini mi seçti, yoksa gerçekten proje yönetimi işine mi çekildi?

Bu tür kararları bir yapay zekâ aracının sürekli olarak doğru biçimde vermesi zor olacaktır. Varsayımlarda bulunsa bile, bazı uç durumlarda son kontrolü bir insanın yapmasını isteyeceğiz: Bu gerçeklikle uyumlu mu?

Grant Hultgren: Kesinlikle katılıyorum. Benim için yapay zekâ ile ilgili espri şu: Yapay zekânın sanat yapmak yerine bulaşıklarımı yıkmama yardım edeceğini düşünmüştüm.

Önce görevleri otomatikleştirmekle başlayalım. Örneğin “Bu görevi ekledin. Bu projede Marcel için daha fazla zaman ayırman gerektiğini düşünüyor musun?” diye sorabilir. Bu iyi bir istem. Verimlilikle başlayalım.

Yapay zekâ zaman içinde bundan öğrenebilir ve modellerini geliştirebilir. Ancak şu anda bir işletmeyi yapay zekâya emanet etmem. COVID'i veya sonuçlarını nasıl tahmin edeceksiniz? Son üç yılda bile gerçekleşen büyük olaylar modeli tamamen değiştirebilir ve karar anlarında yönü kesin biçimde başka yere çevirebilir.

Bunlar sık gerçekleşmeyebilir, ancak proje düzeyinde meydana gelen olaylar var. Verimsiz olduğumuz için bu zamanı silmeli miyiz? Yoksa mali anlaşmanın bir parçası olduğu ve daha iyi bir proje ortaya çıkardığı için faturalandırmalı mıyız?

İnsan ilişkileri ve doğru kararın ne olduğu arasındaki bu ayrımları yapmak çok zor.

Galen Low: İnsanların direksiyonda olması fikrini sevdim. Gri bir alana geçmek istiyorum. Üretken yapay zekâ aracınızdan tavsiye alıyorsunuz ve araç “Tony'yi gerçekten bu projeye istiyor musunuz? Tony yavaş. Sergio müsait ve hızlı” diyor.

Tony sürekli aşağı gidiyor, onun için profesyonel gelişim planı yok. Tony sürekli yedekte, Sergio ise tüm işleri alıyor. Aracın bize tavsiye vermesini isteyeceğimiz alanlardan biri bu mu?

Marcel Petitpas: Bir CEO olarak benim yaklaşımım şu: Bunlar yöneticiler ve yöneticilik görevini üstlenen kişiler olarak bizim vermemiz gereken kararlar ve yapmamız gereken konuşmalar.

Soru şu olmalı: Düşünce süreci nedir? Değerler nelerdir? Standartlar nelerdir? Bir kuruluşu yönetirken bu kararları almaya yarayan süreç nedir?

Verileri, üretken yapay zekâyı veya başka araçları bu süreci desteklemek için kullanabilirseniz bundan çok fayda sağlayabilirsiniz. Bu kararları vermekten sorumlu biri olarak daha fazla nesnelliğe sahip olmak büyük bir armağandır. Duygularınızın gölgelediği bir konuşmaya girmek çok zor olabilir.

İnsan olduğumuz için bu tür sistemleri bilinçli koruyucu sınırlarla kurduğunuz sürece, yapay zekâ sizi duygusal davranıp yapmamanız gereken bir şeyi yapmaktan uzaklaştırabilir veya duygusal görünen ancak kuruluşun çıkarına olan bir karara yönlendirebilir.

Bu, sistem düşünceli biçimde uygulanırsa olumlu bir şey olabilir.

Grant Hultgren: İnsanlar işlerinden ayrılmaz, yöneticilerinden ayrılır. Eğer insanlardan çıkar sağlamaya çalışan bir yönetici, sahip veya COO iseniz umarım tüm ekibiniz istifa eder. Buradaki amaç bu değil.

Teknolojiyi kullanarak süreci daha verimli hâle getiriyorsak, bunun karanlık bir yöne gitmesine izin vermemeliyiz. Her Tony için, umarım başarılı olan, kıdemsiz ve harika bir gelişim potansiyeli gösteren bir Ann vardır. Onu daha fazla projeye yerleştirmek isteriz.

Ancak bu doğru projeler olmalı. Öğrenmeyi nasıl destekleyeceğiz ki insanlar tatmin bulsun? Şirketler bazen satış ekibinin, teslimat ekibinin veya başka bir tarafın hatası olmadan zorlanabilir. Marcel'in söylediği gibi niyetimizi ve değerlerimizi dengelememiz gerekir.

Böylece kararlarımızda adil davranabildiğimiz için insanların bizimle çalışmak istemesini sağlayabiliriz.

Galen Low: Ne kadar teknolojiye sahip olursanız olun bunların zor kararlar olduğu fikrini de sevdim. Ann, buyur.

Ann Campea: Marcel ve Grant'ın söylediklerine eklemek istediğim şu: Üretken yapay zekâ bizimle ortaklık kurmak için burada. Bizi bilgilendirmek için var. İnsanlar olarak bizi yönlendirmek için burada değil.

Proje Yönetimi Enstitüsü'nün her zaman döngüde insan yaklaşımını benimsemesini seviyorum. Üretken yapay zekâyla her etkileşimde kontrol noktası olarak bir insan bulunmalı.

Bu soruyu bir üretken yapay zekâya yönelttim. Konuşmanın bu bölümü için çok değerli olduğunu düşündüğüm iki şey söyledi. İlki, üretken yapay zekâ sıkıcı işlerle ilgilenebilir ve insanların yaratıcı, anlamlı işlere odaklanmasını sağlayabilir.

İkincisi, liderliğin zaman içinde nasıl değiştiğini düşünürsek iyi bir liderin niteliği yöneticiden, empatiyle yol gösteren lidere doğru dönüşüyor. Üretken yapay zekânın söylediği diğer şey de şu: Makineler size sarılamaz veya kötü gününüzü gerçek bir insan gibi anlayamaz.

Bunu söyleyerek bitireyim.

Galen Low: İyi eğitilmiş yapay zekâ. Bir soru için daha zamanım var. Okuyayım, sonra buradan devam ederiz.

Soru şu: Verileri mutlak değer yerine aralık olarak toplamak ve sunmak, insan faktörlerini azaltmanın bir yolu mu? Bu sorudan şunu anlıyorum: “Bu kesin değil” diyorsak, Marcel, doğru kullanıyor muyum bilmiyorum, bu kesinlik değil; bir aralık ve geri kalan insan unsurları. Bu, planlanamayan faktörlerin yanlış anlaşılmasını azaltabilir mi?

Marcel Petitpas: Bu, kesinlik ve doğruluk arasındaki farkın mükemmel bir örneği. Havanın bugün nasıl olacağını soralım.

Size havanın 76,4 derece olacağını söyleyebilirim. Ya da günün büyük bölümünde 72 ila 78 derece arasında olacağını söyleyebilirim. İkinci yanıt daha az kesin, ancak bu soru için daha doğru.

Genellikle kuruluşta yukarı çıktıkça daha fazla belirsizlik ve veriler açısından daha az mükemmellikle karşılaşırsınız. Bu nedenle olasılığa dayalı kararlar alırsınız. Aralıklar bu konuşmayı çok daha iyi yürütür; çünkü karşılaştığınız gerçekliği daha iyi yansıtır.

Parakeeto'da belirli veri noktaları hakkında konuşma ve karar alma biçimimizi bu anlayışla geliştiriyoruz. Bu gerçekten iyi bir fikir. Konuşulan şey için daha doğru bir model gibi görünüyor mu? Öyleyse bunu denemek güvenli bir yaklaşım olur. En önemlisi de bunun konuşmayı nasıl etkilediğini görmek gerekir.

Galen Low: Harika. Bunu sevdim.

Grant Hultgren: İşiniz için dört hafta sonrasına kesin bir tahmin oluşturmaya çalışın ve farkın ne olduğunu görün. Üç ila altı ay sonrasını söylemeye bile gerek yok; beklediğinizden çok farklı olursunuz.

Doğruluk bileşeni ve aralık, en yüksek ve en düşük noktaları anlamak için çok önemlidir. Hangi müşterileri almak istediğimi, hangilerini bırakacağımı ve hangi işin işe yarayıp hangisinin yaramayacağını belirlemek için verileri kullandım.

Bunun liderlik unsurunu, işletmenin nereye gittiğini ve günlük olarak nasıl yardımcı olabileceğimizi anlamak açısından kritik olduğunu düşünüyorum.

Galen Low: Harika. Bunu sevdim. Çok fazla kesinlikle plan yapamazsınız.

Harika. Sanırım süremiz doldu. Grant, Marcel ve Ann, zamanınızı ayırdığınız ve bugün bizimle olduğunuz için tekrar teşekkür ederim.

Her zaman olduğu gibi, binden fazla benzer düşüncedeki proje yönetimi savunucusuyla sohbete katılmak isterseniz topluluğumuza katılın. Daha fazla bilgi için thedigitalprojectmanager.com/membership adresini ziyaret edin. Bugün duyduklarınızı beğendiyseniz lütfen abone olun ve thedigitalprojectmanager.com üzerinden iletişimde kalın. Bir sonraki sefere kadar, dinlediğiniz için teşekkürler.