Yapay Zekâ Dönüşümü Sırasında Karar Netliği Nasıl Oluşturulur

Galen Low: RACI matrisi, insanların ya sevdiği ya da nefret ettiği şeylerden biridir; çoğunlukla da nefret ederler. Kullanışlı olmadığı için değil, işin yapılmasını sağlamak yerine işletmenizin her yönü için kimin sorumlu, yetkili, danışılan veya bilgilendirilen kişi olduğunu belgelemeye kendimizi kaptırmak çok kolay olduğu için. Ancak kuruluşlar yapay zekâ dönüşümü yolculuklarında ilerledikçe ve işin içinde var olduğu yapıların kendisini yeniden tasarlamaya başladıkça, roller, sorumluluklar ve karar alma konusundaki netlik biraz daha önemli hâle geliyor.

Bu nedenle bugün, RACI öncülüğünde karar netliği konusunda uzman olduğunu bildiğim ve aynı zamanda işletmeler ile devlet kurumlarının yapay zekâ dönüşümü üzerinde çok yakın çalışan bir kişiyi konuğum olarak ağırladım. Birlikte RACI'nin yalnızca kararların bugün nasıl alındığını kaydetmek için kullanılan bir araç olarak değil, geleceğin kuruluşlarını tasarlamak için bir dil ve zihniyet olarak da kullanılıp kullanılamayacağını inceleyeceğiz. Bölümü beğeneceğinizi umuyorum.

Yapay zekâ çağında teslimat liderlerinin daha akıllı çalışmasına, daha sorunsuz teslimat yapmasına ve ekiplerini güvenle yönetmesine yardımcı olan program Digital Project Manager Podcast'e hoş geldiniz. Ben Galen'im ve her hafta gerçek dünyadan stratejilere, gelişen trendlere, kanıtlanmış çerçevelere ve proje cephelerinden ara sıra bir savaş hikâyesine göz atıyoruz.

İster büyük dönüşüm projelerini yönetiyor, ister yapay zekâ iş akışlarıyla uğraşıyor, isterse kaosu kontrol altında tutmaya çalışıyor olun, doğru yerdesiniz. Son zamanlarda bizden duyduklarınızı beğendiyseniz, lütfen bizi bulduğunuz platformlarda takip etmeyi ve hatta bize bir değerlendirme bırakmayı düşünün. Pekâlâ, başlayalım.

Bugün yapay zekâdan, karar almadan ve roller ile sorumluluklar konusundaki netliğin neden her zamankinden daha önemli olduğundan bahsediyoruz. Bugünkü konuğum, podcast'in dostlarından biri olan The New Group'un başkanı ve CEO'su Cassie Solomon. Cassie, başarılı değişime liderlik etme konusunda uzman, ödüllü bir yazar ve kurumsal danışmandır.

Twitter, Pandora, Bayer Pharmaceuticals, Penn Medicine, Geisinger Health Systems ve ChristianaCare Health Systems gibi kuruluşlarda üst düzey yöneticilerin operasyonlarını dönüştürmelerine yardımcı olmuştur. Ayrıca Wharton School of Business'ta yöneticilere ders vermektedir. Leading Successful Change: Eight Keys to Making Change Work adlı kitabı, pek çok liderin günümüzün hızlı değişim ortamında yolunu bulmasına yardımcı olan bir kılavuz olmaya devam etmektedir.

Ancak yıllardır bu podcast'i takip edenler için Cassie, kuruluşların dönüşüm hızlarını artırabilmeleri amacıyla rolleri, sorumlulukları ve karar alma süreçlerini netleştirmek üzere RACI'nin hem araç hem de dil olarak kullanılması söz konusu olduğunda başvurulacak kişidir.

Cassie, bugün benimle olduğun için çok teşekkürler.

Cassie Solomon: Beni davet ettiğin için çok teşekkür ederim Galen. Seninle konuşmak her zaman gerçekten eğlenceli.

Galen Low: Öncelikle, dinleyicilerimin görüşünü merak edeceği biraz kışkırtıcı bir soruyla başlamak istiyorum. Ardından bunu, projelerde yapay zekâ kaynaklı rol ve sorumluluk karmaşasından ve genel olarak kurumsal karar alma sorunlarından kaçınmaya yönelik bazı pratik önerilere dönüştürebileceğimizi umuyorum.

Son olarak da yapay zekânın kuruluşların içine yerleştiği bir gelecekte karar alma, ekip çalışması ve organizasyon yapılarının nasıl görüneceğine ve bunun olumlu bir şey olmasını sağlamak için bugün neyi doğru yapmamız gerektiğine bakabiliriz. Nasıl olur?

Cassie Solomon: Harika olur.

Galen Low: O hâlde biraz kışkırtıcı bir soruyla başlayayım. Şu anda konuştuğum neredeyse her kuruluş yapay zekâ aracısı oluşturmaya ve bunları işletim modellerine dâhil etmeye çalışıyor. Bu aracılar, özellikle kendileri adına karar almak da dâhil olmak üzere, büyük ölçüde özerk şekilde çalışacak şekilde tasarlanıyor.

Sen de benim gözümde, iş birliği süreci boyunca alınan kararlar etrafında kimin sorumlu, yetkili, danışılan ve bilgilendirilen kişi olduğuna dair ortak bir anlayış oluşturmak için RACI'yi bir dil olarak kullanma konusunda uzmansın. O hâlde sorum şu: Yapay zekâ çağında RACI hâlâ geçerli mi?

Cassie Solomon: Bence evet.

Leading Successful Change kitabından söz ettiğin için teşekkür ederim. Bu kitap bir sistemi tanımlama biçimi. Sekiz kaldıraçtan biri karar alma ve bu modeli öğretirken vurgulamayı sevdiğim noktalardan biri, bunun kurumsal hayatımızın büyük ölçüde görünmez olan bir yönü olmasıdır.

Ücretlendirme planımı, organizasyon şemamı veya teknolojimi gösterebilirim; ancak karar alma biçimimi göstermek çok zordur. Oysa bu, sistemin çok önemli bir parçasıdır. Bu nedenle yapay zekâ dönüşümüne bakmak için çok ilginç bir mercek sunuyor. Çünkü karar alma uygulamalarımızı gerçekten dönüştürecek bir değişim türüne girmek üzereyiz ve çoğu zaman bunun hakkında nasıl konuşacağımızı bile bilmiyoruz.

Galen Low: Dönüşümden, özellikle de yapay zekâ dönüşümünden söz etmeni iki nedenle sevdim. Birincisi, sana katılıyorum. Bunlar her zaman yazıya döktüğümüz şeyler değil. Pek çok açıdan gayriresmî ve görünmezler; çok sınırlı ölçüde belgeleniyorlar. Bu da iki açıdan kötü.

Birincisi, yapay zekâ açısından kötü. Çünkü onu bu bilgilerle eğitmediysek, yapay zekâ bunları bilmiyorsa ve bilgiyi bulamıyorsa, biz söyleyene kadar öğrenemeyecek. İkincisi, dönüşüm netlik gerektiriyor. Herkes hızlı hareket ediyor, işleri çabuk yapmaya ve rekabetçi kalmaya çalışıyor. Karar alma, roller, sorumluluklar ve değişim hâlindeki diğer unsurlar hakkında konuşulması ve bunların yazıya dökülmesi gereken an bu. Böylece hızlı ilerlemeye devam edebilir ve karar alma arafta ya da büyük bir belirsizlik içinde sıkışıp kalmayız.

Mesele, onun hakkında nasıl konuştuğumuz.

Cassie Solomon: Evet. Popüler basında yapay zekâdan söz edildiğinde çoğu zaman şöyle düşünüyorsunuz: “Bu, birinin işini ortadan kaldırmakla mı ilgili? Artık ona ihtiyacım olmadığı için bu çalışanın yerine yapay zekâyı mı koyacağım?” Sonra başka bir kelime ortaya çıkıyor: Yargı. Peki ya insan yargısı?

Yargı kelimesi aslında uzmanlık ve yetki anlamına geliyor. Yargı genellikle birinin “Bu iyi bir karar” ya da “Bu kötü bir karar” veya “Bir dakika, bu kararı benim vermem gerek; bu konuda 25 yıllık deneyimim var” dediği noktada devreye giriyor. Bence yargı kelimesinin içinde zaten bizi doğru yöne yönlendiren bir şey var. Bize “Buraya bakın. Burası karar alma alanı” diyor.

Ayrıca Ajay Agrawal, Josh Gans ve Avi Goldfarb'ın Power and Prediction kitabından da söz etmek istiyorum. Kitap 2022'de yayımlandı; yani ChatGPT'nin kullanıma sunulmasından önce çıktı. Ancak yapay zekâyı bir tahmin motoru ve daha iyi kararlar almanın bir yolu olarak anlamamıza yardımcı oluyor.

Şu anda tüm bu yapay zekâ projeleri ve yapay zekâ konuşmaları arasında adeta boğuluyoruz. 2025'te yapılan çok iyi bir araştırma, yapay zekâ projelerinin yaklaşık yüzde 80'inin verimlilik artışı sağlamadığını gösterdi. Bu bir MIT araştırmasıydı. McKinsey'nin 2026 tarihli bir araştırması da temelde aynı şeyi söyledi.

Bu araştırmacıların, ne tür bir yapay zekâ projesinden bahsettiğimizi anlamamıza yardımcı olan bir modeli var. Çerçeveleri oldukça basit. İlk olarak, insanların eskiden yaptığı tek bir işi alıp artık yapay zekâyla gerçekleştirdiğiniz nokta çözümü var. Bunu bireysel düzeyde, yapay zekâdan haftalık yemek planımı hazırlamasını istemem veya makalem için araştırma yapmasını istemem gibi düşünüyorum.

Bu gerçekten iyi bir şey, ancak kapsamı sınırlı. Bir üst düzeye uygulama çözümü adını veriyorlar. Burada aynı anda birden fazla şeyi değiştiriyorsunuz ve yapay zekâ aracılarının kullanımıyla artık bu düzeye yaklaşıyor olabiliriz. En üst düzey ise sistem uygulamaları. Burada geri çekilip “Bu teknolojiyi kullanarak bütün sistemi nasıl dönüştürebilirim?” diye soruyorsunuz.

Bunları gerçekleştirmek çok daha zor ve örnekleri daha az. Ancak teorileri, ki ben de katılıyorum, gerçek etkinin kârlılık üzerinde toplam dönüşüm düzeyine ulaşabildiğimizde görüleceği yönünde.

Galen Low: Bu çerçeveyi gerçekten seviyorum; çünkü bize tüm yapay zekâ dönüşüm projelerinin veya tüm yapay zekâ uygulamalarının aynı olmadığını düşündürüyor.

Bir aracı ChatGPT ile değiştirmenin ya da bir iş akışına aracı eklemenin kolay olduğunu düşünebiliriz. Ancak etkilerin, tasarım zorluklarının ve problemin daha büyük olduğu başka bir düzey de var ve bu düzey hakkında farklı düşünmemiz gerekebilir.

Bu bizi, senin de söylediğin gibi, artık havuzun kenarına tutunmadığımız bir alana taşıyor. Geri dönebileceğimiz bir konfor alanımız yok. Daha önce sahip olduklarımıza göre değil, tamamen yeni bir şeye göre çözmemiz gereken, henüz keşfedilmemiş bir alandayız.

Cassie Solomon: Bence önce nokta çözümleriyle başlamak mantıklı; çünkü bunları hayal etmek daha kolay. Bu da “Artık bu işi yapmak için 8.000 kişilik iş gücüne ihtiyacım yok” diye düşünmemize neden oluyor. Bu işin yerini yapay zekâ alabilir. Ancak bu hafta çok ilginç bir araştırmayı inceliyordum.

Geçen yıl Birleşik Krallık'ta yapılan araştırmaya göre, yapay zekâ uygulayacakları için çalışanlarını işten çıkaran kuruluşların yaklaşık yüzde 30'u sonunda onları yeniden işe alıyor. Aynı kişiler tarafından yapılmayan ikinci bir araştırma da yeniden işe aldıklarında bu çalışanların daha pahalıya mal olduğunu gösterdi.

Düşüncelerimizi genişletip çözümlere ve dönüşüme yönelirsek daha iyi sorular sormaya başlayabiliriz. Bu çalışanlar artık bu işi yapmak için zaman harcamıyorsa başka ne yapabilirler? Çoğumuzun hatırladığı klasik örnek ATM'lerin ortaya çıkmasıdır. İnsanlar “Artık banka görevlileri olmayacak çünkü makine bize para verebiliyor; bu işin tamamen sonu” diyordu.

Ancak bu doğru çıkmadı. İşin tamamen sonu olmadı. Sadece “Görevliler hâlâ önemli; çünkü müşterilerimizle sohbet edebilirler. Onlarla daha fazlasını yapalım” diye düşündüler. Bu kişiler iş geliştirmeye daha yakın rollere geçti. Bence bu tür bir düşünce, iş gücü ve yapay zekânın tüm işleri ortadan kaldırıp kaldırmayacağı konusunda yaşadığımız korkuları azaltmamıza yardımcı olacak.

Galen Low: Neredeyse en korkutucu olanın nokta çözümü olması fikrini gerçekten seviyorum; çünkü bu yalnızca bir değiş tokuş gibi görünüyor ve “Artık işimi bir robot yapıyor” diyorsunuz. Bunu tarihte, özellikle de yakın tarihte gördüğümüz dönüşüm örneklerine bağlaman çok iyi oldu.

Sistem düzeyinde uzaklaştığımızda ne olduğunu görmek önemli. Uygulama düzeyine baktığımızda “Herhâlde tüm banka görevlilerini işten çıkarmamız gerekiyor” diyoruz. Sonra “Bir dakika, onları geri almamız gerekiyor” diye düşünüyoruz; çünkü sisteme daha geniş açıdan baktığımızda hâlâ yaratılabilecek bir değer olduğunu görüyoruz.

Cassie Solomon: Bu tamamen zihniyetle ilgili. Arkadaşlarımın benimle dalga geçtiği bir konuya takıntılıyım: Dünyanın buhar makinesinden elektrik motoruna geçişi. Bu geçiş 20-25 yıl sürdü.

İnsanları geride tutan şeylerden biri, yeni teknolojinin neler yapabileceğini hayal etmekte çok zorlanmalarıydı. Bunu anlayan kuruluşlar başarılı oldu ve gelişti; anlayamayanlar ise zamanla geride kaldı.

Beni en çok etkileyen nokta, elektrik motoru benimsendikten sonra yeni fabrikalar inşa etmelerine rağmen motorları eski dev buhar makinesini koydukları aynı merkezi yere yerleştirmeleriydi. Çünkü fabrika için farklı bir yerleşim düzeni hayal edemiyorlardı.

Bunun büyük bir bölümü zihniyetle ilgili: Neyi farklı hayal edebiliriz?

Galen Low: Buna bayıldım ve bugün de çok geçerli olduğunu düşünüyorum. Yeni motoru nereye koyacağız? Her zaman koyduğumuz yere. Kararların nerede alındığı konusunda da pek çok benzerlik var. Yeni modelde onu nereye koyacağız? Daha önce olduğu yere.

Bilmediğimizi bilmiyoruz ve “Bunu her zaman yaptığımız gibi yapalım; yeterli olmalı” demek çok insani. Ancak bazen daha büyük düşünmemiz gerektiğini fark ettiğimiz bir an geliyor. Artık bunun burada olmasına gerek yok.

Cassie Solomon: Konuyu karar almaya geri getirdiğin için teşekkürler. Şu anda üzerinde çalıştığımız bir makalede McKinsey'den, Blackstone adlı büyük bir şirketle ilgili çok iyi bir örnek kullanacağız.

Blackstone, büyük bir hacim artışı beklediği için hukuk ve uyum çalışmalarını dönüştürmek istedi. Her şeyi manuel olarak işliyorlardı ve çalışan sayısını yüzde 25 artırmayı karşılayamıyorlardı. McKinsey'ye gelip “Bunu yapay zekâyla yapabilmeliyiz” dediler.

McKinsey ise “Bir dakika, bu teknolojiyi eski sürecinizin üzerine öylece yerleştirmeyeceğiz; bu sizi fazla ileri götürmez” dedi. Bunun sonucunda insanlar “Yapay zekâ kullandım ama hiçbir şey değişmedi, kârlılığımı etkilemedi” diyebiliyor.

McKinsey'nin önerisi şuydu: “Birden fazla onay katmanınız var. Süreci hantal hâle getiren bir çalışma biçiminiz var. Önce bu süreci temizlemeli ve karar almayı sadeleştirmelisiniz. Kural tabanlı kararların mümkün olduğunca çoğunu otomatikleştirin. Yeni otomasyonun sonucundan biri memnun değilse bir üst makama taşıma yolu oluşturun. Ardından yapay zekâyı bu yapının üzerine ekleyin.”

Hantal süreci temizleyip yapay zekâyı uyguladıktan sonra yüzde 30 daha yüksek üretkenlik gibi inanılmaz kazanımlar elde ettiler. Kıdemli çalışanlar birden fazla inceleme yapmak zorunda kalmadı ve başka işlere yönlendirilebildi. Pek çok fayda ortaya çıktı. Şimdi yeniden RACI'ye dönüyoruz.

RACI'yi mevcut süreci görselleştirmek için kullanabilir misiniz? Kaç onaydan geçmek zorunda kaldığınızı ve sürecin ne kadar hantal olduğunu görebilir misiniz? Benimsemeye geçmeden önce bu süreci sadeleştirebilir misiniz?

Galen Low: Karar alma etrafındaki bazı şeyler için “işkence” gerçekten güçlü, iyi ve uygun bir kelime.

Şu anda bir RACI sertifikasyon programı başlatıyorsun; benim bildiğim kadarıyla bu ilk program. Amaç, kuruluşların farklı düzeylerindeki çalışanların tüm operasyon boyunca kararların nasıl alındığını uyumlu hâle getirmesine yardımcı olmak.

Yapay zekâ çağında RACI kullanımının temelde farklı olan yönü nedir? İş liderlerinin ve proje profesyonellerinin, eski zihniyetlerin ilerlemeyi sınırlamasını önlemek için neyi anlaması gerekiyor?

Cassie Solomon: Harika bir soru. RACI sertifikasyon kursu şu anda beta aşamasında. İlk gerçek uygulama ekim ayında yapılacak. Pek çok kişi “RACI çok basit bir araç; neden sertifikaya ihtiyacım olsun? İnternete girip birkaç YouTube videosu izlerim ve biter” diyor. Buna tamamen katılıyorum.

Araç olarak RACI oldukça basit. Ancak biz onu bir beceri veya yetkinlik olarak öğretmeye çalışıyoruz. Çünkü katılım ve yüksek performanslı ekipler oluşturma açısından çok sayıda uygulaması var.

Şirketler bazen “Çalışan bağlılığı anketimizin sonuçları geldi ve insanlar karar alma süreçlerimizden çok rahatsız. Hiçbir şey yapamıyorlar. Yardım edebilir misiniz?” diye bize başvuruyor. Elbette yardım edebiliriz.

Bu kursa bir beceri olarak eklediğimiz şeylerden biri, geri çekilip bir karar denetimi yapmayı öğrenmek. Karar alma uygulamalarınıza nasıl bakarsınız ve bunları bir iş akışını haritalandırır gibi nasıl haritalandırırsınız?

Oysa karar alma süreçlerimizi neredeyse hiç haritalandırmıyoruz. Ne yaptığımıza veya nasıl yaptığımıza büyük önem veriyoruz; gücün ve yetkinin nerede olduğuna, bunları kuruluşta nasıl kullandığımıza çok az dikkat ediyoruz. Önce mevcut durumunuzu görmeniz gerekir; bu da bir RACI yetkinliğidir.

Sonra “Bu neden bu kadar yavaş?” diye sormalısınız. PMI uzun zaman önce her proje için yalnızca bir A olması gerektiğini söyledi. Ancak ben bunun pek gerçekçi olmadığını düşünüyorum. Hız kazanmak istiyorsak kararları kuruluş içinde daha alt düzeylere taşımamız gerekir.

Hepimiz oldukça hiyerarşik ve komuta-kontrol odaklı eski sistemlerden geliyoruz. Dünyanın son birkaç on yıldır daha yatay, daha az hiyerarşik ve daha az komuta-kontrol odaklı hâle geldiğini görebilirsiniz. Bu kuruluşlar daha çevik ve daha hızlıdır.

Birinci adım, karar alma açısından şu anda neye sahip olduğunuzu teşhis etmektir. İkinci adım geri çekilip buna bakmaktır. Üçüncü adım ise insanları güçlendirmeye odaklanarak sistemi yeniden tasarlamaktır. Kararları, orduda söyleneceği gibi, sınır noktalarına daha yakın hâle getirmek gerekir.

Galen Low: Bunun çeviklik açısından önemini seviyorum. PMI'dan söz ettin. Muhtemelen RACI'nin ilk dönemlerinde “Tek bir A, yani tek bir sorumlu kişi, en verimli yaklaşım olur” diye düşündüler. Ancak bugün bunun aslında bir darboğaz olduğunu görüyoruz.

Tek bir karar vericinin her şeye karar vermesi her zaman en iyi yaklaşım değil. Bu kişi kararı verecek donanıma veya bilgiye sahip olmayabilir. Kimin karar verici olduğu net değilse ya da bir bekleme süreci varsa her şey yavaşlar.

Buna karşılık, karar alma yetkisi verilen ve değerin yaratıldığı yere daha yakın karar alabilen ekiplerin çok sayıda örneği var. Bu da daha çevik bir yapıyı destekliyor.

RACI sertifikası “Bana beş dakikada bir kısaltma öğretecek ve sonra bitecek” demek değil. RACI'yi yüksek performanslı ekiplerin kararların nerede alındığını anlamasını sağlayan bir araç, çerçeve ve zihniyet olarak kullanmak demek.

Ayrıca RACI'yi bir tasarım aracı olarak da ele alabiliriz. Mevcut durumda neye sahip olduğumuzu anlamakla kalmıyoruz. Yeni dünyada, yeni çağda ve yeni çerçevede yetkinin nerede olduğunu, kimin karar verebileceğini anlamaya ve sistemi oluşturmaya çalışıyoruz. Bu, modelindeki üçüncü düzey, sistem düzeyindeki dönüşüm.

Cassie Solomon: Ancak tek karar verici yaklaşımının yeni kurulan şirketlerde çok iyi çalıştığını da söylemek istiyorum. Genellikle RACI'ye ihtiyaç duymazlar. “Ben kurucuyum, kararları ben veriyorum; darboğaz değilim. Küçük bir ekibimiz var. Çevik bir ekip gibi bir araya geliyoruz, danışıyoruz, herkes net ve hızlı ilerliyoruz” derler.

Sonra şirket başarılı olur ve büyümeye başlar. Tek karar verici o noktada acı vermeye başlar. Kurucu ekip her karara dokunmaya alışmıştır, geçmişe dair bilgileri vardır ve birbirlerini iyi tanırlar. Ardından kendi deneyimleri olan 350 yeni kişi eklenir. Hepsi harikadır, sonra kaos başlar.

Karar haklarıyla ilgili sorunlar ve sıkıntı noktaları genellikle bu aşamada ortaya çıkar. Daha önce konuştuğumuz elektrik motorunun dağıtık hâle gelmesi benzetmesi de kuruluşları nasıl yataylaştırdığımızı anlamak için iyi bir metafordur.

Ancak kuruluşları yataylaştırmamızın nedeni bilgiye erişimdir. Bu, dikkat edilmesi gereken çok önemli bir sinyaldir. Ukrayna-Rusya savaşının insansız hava aracı savaşına dönüşümüyle ilgili bir New York Times makalesi vardı. Makine karar vermeye ne zaman başlayacak, herkesin merak edeceği soru bu.

Artık uydu görüntülerini kullanarak Ukrayna'daki cephe hatlarına bilgi ulaştırıyor, araziyi inceliyor ve hedefleri belirliyorlar. Teknoloji ve erişim gelişti. Bu teknolojiyi sahadaki kişilere, onların telefonlarına veya tabletlerine ulaştırıyorlar.

Kararları hâlâ merkezî komutada alsalardı, istihbaratın artık sahada, uçlarda bulunmasından yararlanamazlardı. Bu yüzden karar alma süreci oraya taşındı.

Ancak henüz insansız hava araçlarının karar vermesini istemiyorlar. İnsan hâlâ sürecin içinde olmalı. Yapay zekâ ile gelişimimizin bu aşamasında bunun çok önemli olduğunu düşünüyorum. Örneğin klinik bakımda en önemli kararların çoğunda yapay zekâ kullanılıyor olabilir; ancak insan yargısı ve insanın süreçte yer alması olmadan değil.

Galen Low: Söylediklerin gerçekten ilginç. İstihbaratı yalnızca işi yapan, değeri yaratan veya görevi yerine getiren insanlara yaklaştıran teknoloji değil. Bunun yanında güven ve eğitim de var.

Birinin doğru bilgiye sahip olması, iyi karar verebilmek için gerekli eğitime veya büyük resmi görme becerisine sahip olduğu anlamına gelmez. Buna nasıl çözüm bulacağız? Proje ekiplerimize veya müşterilerle doğrudan çalışan destek ekiplerine bilgi aktarabiliriz. Ancak bu bilgiye sahip olduklarında iyi kararlar vermelerine yardımcı olan şey nedir? Kuruluşlar, doğru bilgiyi insanlara vermenin gerçekten daha iyi kararlar sağlayacağına nasıl güvenebilir?

Cassie Solomon: Yıllar süren RACI danışmanlığına dayanarak bir güçlendirme modeli oluşturduk. Bu kelime ve kavram çok geniş; mikro yönetici olmak istemiyorum, ekibimi güçlendirmek istiyorum, bu nedenle kararlardan geri çekilmeliyim gibi normatif düşüncelere yol açıyor.

Sonra işler iyi gitmeyince yeniden müdahale ediyorum. Böylece herkesi cesaretsiz ve tüm sistemi demoralize etmiş oluyorum. Modelimizin bileşenlerinden biri beceri kavramı. Bu kavram, 1980'lerin ortalarında yapılan Dreyfus araştırmasından geliyor.

Dreyfus ve Dreyfus insanların nasıl beceri geliştirdiğini inceledi. Acemiyseniz, her şey adım adım kontrol listeleriyle başlar. Size tam olarak ne yapacağınızı söyleriz; çünkü bunu daha önce hiç yapmadınız ve adım adım gelişmeniz gerekir.

Ben çok deneyimli bir aşçıyım ama kötü bir pastacıyım. Bir şey pişireceksem tarife defalarca dönmem gerekir. Arkadaşım Laurie ise onlarca yıldır pasta yaptığı için bir pasta yapma dehasıdır. “Ne yapıyorsun?” diye sorduğumda, her şey onun için sezgiseldir.

Deneyim kazandıkça Dreyfus modelinde ilerler ve deneyiminiz yargıya dönüşmeye başlar. Merdivenin en üstüne ulaşıp uzman olduğunuzda kontrol listesini bile hatırlayamazsınız. Tüm adımları ve başlangıçta öğrendiklerinizi o kadar içselleştirmişsinizdir ki yeni insanlara öğretme konusunda kötüleşirsiniz. Genellikle “Bu zaten sağduyu, bunu neden bilmiyorsun?” dersiniz.

1980'lerin ortasında bunun bilgisayarların asla zekâya ulaşamayacağını kanıtladığı söyleniyordu; çünkü bilgisayarlar yalnızca kuralları takip edebiliyordu. Sonra makine öğrenmesi ortaya çıktı. Bilgisayarlar da insanlar gibi kendilerini eğitmeye ve deneyim kazanmaya başladı.

Model hâlâ çok faydalı. Cephede çalışan bir kişi varsa ve New York Times makalesinde söylendiği gibi insanı sürecin içinde tutuyorsanız, deneyimsiz askerlerin kararları tek başına vermesini istemezsiniz. Soru şu: İnsansız hava aracı kararı kendi başına ne zaman verebilir?

Bu tıp için de ilginç bir soru. Klinik yapay zekâlarımızı uzman klinisyenlerle karşılaştırarak test ediyoruz; ancak yapay zekâlar kıdemsiz çalışanlardan çok daha iyi performans gösteriyor. Güven söz konusu olduğunda “Bir tıbbi kararı benim için yapay zekânın vermesine güvenir miyim, yoksa bu doktora mı güvenirim?” diye sorarsınız. İlk sorum doktorun ne kadar deneyimli olduğu olurdu.

Galen Low: Makine öğrenmesinden söz etmen ilginç. Deneyimden bahsediyoruz; işe ve karar almaya maruz kalıyor, karar alırken destekleniyor ve yanlış kararı defalarca verme fırsatı buluyorsunuz. Böylece deneyim kazanıyorsunuz.

Makine öğrenmesi çok daha hızlı gerçekleşiyor. Yapay zekâya bir kediyi köpekten ayırmayı öğretmek, onu defalarca yanılttıktan sonra doğruyu bulmasını sağlamakla oluyor. Bu açıdan karar alma konusunda daha fazla deneyim kazanabilir.

Ancak bunun insanın rahatlık düzeyiyle de ilgili olduğunu düşünüyorum. Yapay zekânın her zaman doğru karar vereceğini söylemiyorum. İnsanlar da her zaman doğru karar vermiyor. Mesele neyle rahat ettiğimiz.

RACI açısından düşünürsek, şimdiye kadar araçlar ve yazılımlar vardı. Karar vermedikleri için RACI'ye dâhil edilmiyorlardı. Photoshop'u, Git'i veya Microsoft Word'ü RACI'ye koymuyorduk; çünkü karar vermiyorlardı. Şimdi durum biraz farklı. Ekip rolleri ve sorumlulukları söz konusu olduğunda yapay zekâ bir ekip üyesi mi, yoksa araç mı kabul edilmeli?

Cassie Solomon: Bunu can sıkıcı bir biçimde hem diye yanıtlayacağım. Nokta çözümü düzeyindeyseniz bu bir araçtır. Bir cevaba, tek bir şeyin en iyi hâle getirilmesine ihtiyacınız vardır ve bunu yapay zekâyla gerçekleştirirsiniz.

Büyük bankaların dolandırıcılık tespiti için yapay zekâyı kullanmasını düşünün. Eskiden bu iş insanlara aitti. Şimdi makineler milyarlarca işlemi tarayıp olağandışı bir örüntü buluyor. “Cassie'nin Brooklyn'de 800 dolarlık pizza aldığı hiç görülmedi; işlemlerinin çoğu Philadelphia'da. Ona mesaj atacağım” diyor.

Bu döngüde insan yok. Müşteriye “Brooklyn'de 800 dolarlık pizza mı aldınız?” diye mesaj atıyor. Müşteri “Hayır, bu bir dolandırıcılık” diyor.

Bunu RACI'ye bağlarsak, R'nin, yani işin ne kadarını çıkarıp otomatikleştirebilirim? Yargı ve kararları temsil eden A konusunda, kararları bir ekip üyesi gibi makinenin içine koymak isteyip istemediğimizi tartışıyoruz.

Dolandırıcılık örneğinde karar gerçekten makinede. Müşteriyle iletişim kuruyor ve kontrol yaptığını söylüyor. Elbette banka dolandırıcılık sistemlerine algoritmalar yerleştirdiğimizde bazen yanlış kişileri yakalıyorlar ve bunu düzeltmek zor olabiliyor. Bunun kusursuz olduğunu söylemiyorum.

Sadece kararların yapay zekâ sistemi tarafından alındığı ve insanın döngüde olmasına gerek kalmadığı örneklerin zaten bulunduğunu söylüyorum. Ancak “Akciğer nakli yapmalı mıyım?” veya “Bu insansız hava aracını ateşlemeli miyim?” gibi daha önemli konularda insanın hâlâ süreçte olması gerektiğini düşünüyorum.

Bu durumda yapay zekâ bir ekip arkadaşından çok araçtır.

Galen Low: Bunu sevdim; çünkü RACI için başından beri geçerli olan şey bu. Proje profesyoneli olarak temel RACI kullandığımızda “Bu ekip normalde birlikte çalışmıyor; kimin ne yaptığını netleştirmemiz gerekiyor” deriz.

İnsanların bana sorduğu soru genellikle “Ne kadar derine inmeliyiz?” olur. Risk kaydı gibi, her şeyi oraya koyabilirim. Bir projede çok sayıda karar alınır. Hepsini yazamayız.

Ben de “Yazmayın. Sonuçları önemli olan, biraz bulanık veya belirsiz kararları yazın” diyorum. Kredi kartı dolandırıcılığı tespiti örneğinde çoğu ekip “Sistemi zaten bu şekilde kurduk” der. Dolandırıcılık tespit edildiğinde müşteriyi kimin bilgilendireceğini ve otomasyonu R'ye koymak zorunda değilim. Bu zaten sistemin parçasıdır.

Ancak dönüşümden bahsettiğimizde, eskiden R olan kişinin yerini artık bir aracının alması, sorumluluktaki değişimi iletişim kurmak açısından yazmaya değer olabilir. Böylece genel sistem içinde kimin R veya A olduğunu ve sorumluluğun nasıl değiştiğini konuşabiliriz.

Yapay zekâ bir RACI'nin A sütununda yer alabilir mi? Teknolojinin gelişiminin bu aşamasında yetkilendirilebilir veya sorumlu tutulabilir mi? Karar veriyor. Bunu yazmalı mıyız?

Cassie Solomon: Bence evet. RACI tablosunun üst kısmında sürece dâhil olacak tüm paydaşlar vardır. Ne kadar paydaşa danışmam gerektiği ve kaç kişinin bilgilendirilmesi gerektiği de buna dâhildir.

Kesinlikle, bir numaralı yapay zekâ aracısı bu grubun parçası olmalıdır. Böylece “İlk A'yı ona veriyor muyuz ve şu koşullar geçerliyse üst makama mı taşıyoruz?” sorusunu konuşabilirsiniz. Karar kolay olduğunda bu, yetkiyi tanımlamanın düşük riskli bir yoludur.

Örneğin Utah'ta bir yapay zekâ sistemi doktor olmadan reçete yenileme hizmeti sunmak üzere pilot olarak uygulanıyor. Bu oldukça tartışmalı. Yapay zekâ ilacı yanlış yenilerse kişiye zarar vermeyecek kadar zararsız olan ilaçların hangileri olduğu tartışılıyor.

Kararı makinenin vermesini istiyor muyuz? Sistemi geliştirmek için karar alanını giderek daralttılar. Belirli koşullar altında, belirli bir kişi için, geçmişte bu ilacı üç kez kullanmışsa yapay zekâ inceleme olmadan karar verebiliyor.

Bunu RACI'de görünür hâle getirmeyi seviyorum; böylece bu konuşmaları yapabilirsiniz. RACI'den nefret eden insanlarla karşılaştığımda bunun nedeni genellikle binlerce satırı RACI'ye dökmek zorunda kaldıkları bir oturuma katılmış olmalarıdır.

Ancak tüm süreci RACI'ye dökmek zorunda olduğumuzu düşünmüyorum. Sürecin bazı bölümleri zaten açık veya sezgiseldir. Yalnızca sorunlu noktaları RACI'ye dökmeliyiz. Süreç nerede net değil? Bazen insanlara “Yalnızca kararları RACI'ye dökün” diyorum.

Kararların sayısı çok fazlaysa bu başka bir sorun. Ancak çeşitli kararlara bakan bir RACI oluşturabiliriz. Evet, yapay zekâ tabloda olmalı. Bu, araca hangi parametreleri vermek istediğimizi, hangi kararları verebileceğini ve hangi kararları insanlara bırakacağımızı konuşmamızı sağlar.

Galen Low: Bu gerçekten ilginç. Risk açısından düşündüğümde, bir hekimin dâhil olmadığı ilaç reçetesi kararının riski nedir? Cevap bunun duruma bağlı olduğudur. Ne kadar rahat ettiğimiz de riskin etkisine bağlıdır.

Bu açıdan RACI, risk toleransımızın bir belgesi hâline geliyor. Risk toleransımız değişiyor; bu nedenle zihniyete ve diyaloğa ihtiyacımız var. Bazı şeyler ayaklarımızın altında değişiyor.

Cassie Solomon: İşlevler arası ekip çalışmasının en acı verici tarafı, herkesin kendi departmanından gelmesi ve bu departmanların çoğunun karar alma yetkilerinin bir bölümünü korumak istemesidir. Her şeyi yöneticime götürmem gerekiyorsa ekip nasıl karar verebilir?

Uygun hukuk incelemesini, BT kaynağı incelemesini veya risk toleransı değerlendirmesini alamıyorsam bu ekibi nasıl güçlendirebilirim? Ekipler dönüp durur. Karar alamaz ve ilerleyemezler. Genellikle biri “RACI'ye ihtiyacımız var” der.

Ancak sorun, aracı bu karmaşanın üzerine koymanızdır. Yardım eder ama çoğu zaman yalnızca işlerin ne kadar karmaşık olduğunu kabul etmenize yardımcı olur. RACI'nin becerisi, bundan sonra ne yaptığınızdır. Bununla nasıl başa çıkarsınız? İlerleyebilecek daha sade bir sistemi nasıl müzakere edersiniz?

Galen Low: RACI'nin sistem düzeyinde değişim için bir tasarım aracı olması fikrine dönebilir miyiz? Birisi nereden başlamalı? RACI, neler olduğunu yakalamak için diyaloğu nasıl yönlendirir? Yeni olanın ne olduğuna karar vermek için nasıl kullanılır? Ortaya çıkardığımız şey genellikle güç politikalarıysa bununla nasıl başa çıkarız?

Modelini sevmemin nedenlerinden biri bu. A, sorumlu değil yetkili anlamına geliyor. Sorumlu, bir şey ters gittiğinde hatanın kime ait olacağını düşündürüyor. Yetkili ise kararı kimin verebileceğini gösteriyor. Bu da güç demek.

RACI kullanarak tasarım yapabileceğimiz ince bir örnek üzerinden ilerleyebilir miyiz? Bu yalnızca bir kısaltma veya kâğıt üzerindeki bir matris değil. Yeni bir şeyi tasarlamak ve buhar motorunun yerine elektrik motorunu koymak gibi eski modeli tekrarlamamak için bir diyalog yöntemidir.

Cassie Solomon: Evet, yapabiliriz. Bir müşteriden çok iyi bir teknik ödünç aldım ve şimdi kullanıyoruz. İş akışı üstte, bu iş akışına karşılık gelen RACI tablosu da altta yer alıyor.

Dünyada çok sayıda iş akışı şeması var ve bunlar yalnız. İnsanlarla ve rollerle doldurulmamışlar; yalnızca ne olduğunu açıklıyorlar.

Geçen hafta sertifikasyon beta sınıfımdaki katılımcılardan biri “İşimdeki çalışma biçimini sevmiyorum. Rolleri yeniden tasarlamak için RACI kullanmak istiyorum. Bunu nasıl yapabilirim?” diye sordu. Ona bir şablonumuz olduğunu söyledik.

Şöyle başlayabilirsiniz: “Yapmanızı istediğim tüm işler bunlar. Bunlar sizin R'leriniz. Herhangi bir karar vermenizi istiyor muyum?” Bu harika bir soru. Bunu bildiğimde “Rolünüzün içine hangi karar türleri yerleşecek?” diye sorabilirim.

“Bu işe ve projeye hangi uzmanlığı getirmenizi istiyorum?” Bu noktada kişiyi C sütununa yerleştiririz. Katılımcı şirketindeki rolleri, belirli işlerin yapılması gerektiği ve bunların genellikle bir iş akışında bulunduğu bakış açısıyla yeniden tasarlamaya başladı.

İnsanlar karar sorusunu yeterince sormuyor. Oysa sorunların tamamı çoğunlukla burada yatıyor.

Dönüşümü nasıl tasarlayacağımızı düşündüğümde kitaptaki modele dönüyorum. RACI'nin birkaç kaldıracı, yani karar alma ve insanları, bir araya getirdiğini düşünüyorum. İnsanlar; ne yapabildiğinizi, ne kadar bildiğinizi ve uzmanlığınızı temsil ediyor.

Bunun yanında görev, yani iş akışı var. Teknolojinizin ne olduğu, işi nasıl organize ettiğiniz de önemli. İlginç bir dönemdeyiz; geleceğin nasıl görüneceğini bilmiyoruz. Bunu kabul etmeli ve garip sinyalleri izlemeliyiz.

İstihbaratı cepheye taşıyıp kararın bireysel bir asker veya doktor düzeyinde alınmasını sağlayabiliyorum. Başka neler değişecek? Uzaktan çalışmayı öngörmedik. Bunun için küresel bir salgın gerekti; ancak çok derin bir değişim yarattı. Bu tür değişimleri önceden nasıl hayal edebiliriz?

Galen Low: Konunun becerilere, yetkinliklere ve deneyime gitmesini sevdim. Pek çok kuruluş organizasyonunu bu şekilde yeniden tasarlamayı amaçlıyor. İş unvanlarının insanların kuruluş içinde ne yaptığını tanımlamanın en kötü yollarından biri olduğuna dair bir diyalog var.

Birini bir kutuya koyup “Bu kadar yıllık deneyime sahip tüm hekimler aynıdır; bu nedenle kararın sorumluluğu onlardadır” demek yerine ne yapılması gerektiğini, bunu kimin yapmaya yetkin olduğunu ve hangi beceri setine sahip olduğunu anlamamız gerekiyor.

Belki bir kişi farklı işlerin tamamında R veya A olabilir ve bu yeni bir rol anlamına gelebilir. Bunun, kalıcı organizasyon yapısını düşünmek zorunda olmadığımız proje ekiplerinde çok iyi çalışabileceğini görüyorum.

Ayrıca nokta çözümleri bir grup insanın yerini alacakmış gibi göründüğünde, insanların sorumluluklarının yeni modelde nasıl değişeceği konusunda diyalog kurmak için değerli bir çalışma olabilir.

Cassie Solomon: Çok güzel bir örnek var. Belki bölümü bununla kapatabiliriz. IKEA çalışanlarının büyük bölümünü sohbet robotlarıyla değiştirdi. Bu robotlar müşteri sorularını yanıtlamak gibi çok basit işler yapıyordu.

Ancak geri çekilip gelen soruları incelediklerinde, pek çok kişinin aslında tasarım tavsiyesi istediğini fark ettiler. Sohbet robotu bu konuda yardımcı olamıyordu. Bu nedenle 8.500 kişiyi yeniden eğittiler; böylece çalışanlar temel tasarım tavsiyesi verebildi ve çok büyük miktarda para kazandılar.

Sisteme bakmaya ve yeniden tasarım yapmaya gerçekten istekliysek, yapay zekânın boşlukların nerede olduğunu ortaya çıkaracağını kabul etmeliyiz. İnsanlık tarihinde hiç olmadığı kadar fazla veriye ve zekâya parmaklarımızın ucunda sahibiz.

Bununla ne yapacağız? İnsanları işten mi çıkaracağız? Bu aptalca. Tüm bu zekâyı ve veriyi kullanıp boşlukların nerede olduğunu göreceğiz. İnsanlara her zaman “Sakin olun; bu teknoloji işinizi aşağıdan yukarıya doğru, küçük bir Mario Brothers karakteri gibi yiyecek” diyorum.

Yapay zekâyla angarya işleri ortadan kaldıralım. Ardından bu işlerin oluşturduğu veriyi kullanarak IKEA'nın öğrendiği gibi hangi boşluğu doldurabileceğimizi öğrenelim.

Galen Low: Buna bayıldım. RACI, RACI zihniyeti ve kararların nasıl alındığını ve boşlukların nerede bulunduğunu anlama yaklaşımı sayesinde daha önce hiç hayal etmediğimiz tamamen yeni bir şey oluştururken bu boşlukları görebiliriz.

Cassie Solomon: “Tamamen yeni” ifadesini sevdim. Gerçekten iyi.

Galen Low: Tamamen yeni şeylerden söz etmişken, sence gelecek nasıl görünüyor?

Karar alma açısından düşünürsek, belirli bir ölçekte tek karar vericisi olan kuruluşlardan bahsettik. Merkezî komutanın karar vermesinden, bunun yavaş olabileceğinden ve kararların daha çevik olabilmeleri için uçlara taşınmasından söz ettik. Ayrıca yapay zekânın karar vermesini de konuştuk.

İki veya üç yıl içinde karar alma ve iş birliği sence nasıl görünecek?

Cassie Solomon: Sertifikasyonun amacı, temel düzeyde RACI çalışmasını zaten bildiğinizi söylemek. Ancak rol hakkında konuşma ve rolleri yeniden tasarlama gereksinimi katlanarak arttı.

Bu araçta hepimizin gerçek birer usta olması ve kuruluşun görünmez kısımlarını aydınlatmamıza yardımcı olmasına izin vermemiz gerekiyor. Bu kısımların bizi engellediğini veya yenilikçi bir şey yapmak için fırsat sunduğunu biliyoruz.

Rol dilini ustaca konuşamazsak sıkışıp kalacağız. Geleceği tahmin edemem; ancak gelecekten gelen sinyallerin bugün kendini gösterdiğini söyleyebilirim.

“Kara alma sürecinin değiştiği bir örnek bu” veya “Karar alma bilgiyle birlikte yeni bir yere taşınmış” diyebilirsek, yeni olanın nasıl göründüğüne dair anlayışımızı oluşturmaya başlayabiliriz.

Galen Low: Bunu gerçekten seviyorum. Artık bilgi bolluğu var; ancak karar alma ve işlerin nasıl yürüdüğü hakkında diyalog kurmamızı sağlayan bir dile de sahibiz.

Cassie Solomon: İnanılmaz yeni bir teknolojiyle geleceği tasarlamaya çalışmak hem korkutucu hem de harika bir dönem.

Galen Low: Harika. Cassie, bu gerçekten muhteşemdi. Seninle konuşmayı seviyorum ve çok şey öğrendim. Programa tekrar katıldığın ve görüşlerini paylaştığın için teşekkürler. Seni, RACI çalışmalarını ve RACI sertifikasyonunu daha yakından tanımak isteyenler nereden bilgi alabilir?

Cassie Solomon: RACI Solutions, RACI danışmanlığı uygulamamız için oluşturduğumuz web sitesi. Zamanla sertifikasyon kursuyla ilgili bilgiler de orada yer alacak. Diyaloğa gerçekten önem verdiğimiz için grupları 20 kişiyle sınırlıyoruz. Sertifikasyonun bu aşamasında insanların birbirlerinden öğrenmesini istiyoruz.

İlgilenenlerin bize ulaşmasını çok isterim.

Galen Low: Harika. Profiline program notlarında da yer vereceğim. Cassie, tekrar teşekkürler.

Cassie Solomon: Teşekkürler Galen.

Galen Low: Pekâlâ millet. Digital Project Manager Podcast'in bu bölümü sona erdi. Bu sohbeti beğendiyseniz dinlediğiniz platformda abone olmayı unutmayın.

Daha fazla pratik içgörü, vaka çalışması ve uygulama kılavuzu istiyorsanız thedigitalprojectmanager.com adresinden ücretsiz bir hesap oluşturun. Bir sonraki bölüme kadar, dinlediğiniz için teşekkürler.