Yapay Zekâ Araçları Fazlalığı mı? Seçeneklerinizi Yönetme Rehberi
Araç Fazlalığı: Her gün yeni yapay zekâ araçlarının piyasaya sürülmesi proje yöneticilerini bunaltıyor ve akıllı satın alma kararlarını zorlaştırıyor.
Önce Kullanım Alanları: Verimsiz çözümlerden kaçınmak için araçları benimsemeden önce belirli yapay zekâ ihtiyaçlarını anlamaya öncelik verin.
Karşılaştırmalı Test Edin: Yapay zekâ araçlarını tek başlarına değil, birden fazla platformdaki sonuçları karşılaştırarak değerlendirin.
Değiştirmeyin, Geliştirin: Platformları aceleyle değiştirmek yerine mevcut araçları yapay zekâ etmenleriyle geliştirmeyi değerlendirin.
Stratejik Benimseme: Yapay zekâ araçlarının benimsenmesini uzun vadeli kurumsal stratejiler ve süreç iyileştirmeleriyle uyumlu hâle getirmeye odaklanın.
Artık her gün 500 ile 1.000 arasında yeni yapay zekâ aracı piyasaya sürülüyor. Proje yöneticileri ve PMO liderleri için bu sayı heyecan verici değil — yorucu. Her hafta durum raporlarınızı otomatikleştirmeyi, risklerinizi öngörmeyi ve kaynak tahsisinizi optimize etmeyi vaat eden yeni bir platform ortaya çıkıyor. Her hafta kuruluşlar, tanıtım videolarına ve satış sunumlarına dayanarak beş ve altı haneli satın alma kararları veriyor.
Project Managers Africa'nın Kurucusu Emmanuels Magaya, 100'den fazla yapay zekâ aracını test etti ve kuruluşların benimseyecekleri araçlar hakkında daha akıllı kararlar almalarına yardımcı olmak üzere bir danışmanlık şirketi kurdu.
Yakın zamanda DPM podcast sunucusu Galen Low'a katılarak mevcut abartı döngüsünün tersine bir bakış açısını paylaştı: yavaşlayın, net ve spesifik olun ve stratejiyi aracın yönlendirmesine izin vermeyi bırakın.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
İşte aynı şeyi yapmanıza yardımcı olmak için programda ortaya koyduğu kesin çerçeve.
Araçlarla Değil, Kullanım Alanlarıyla Başlayın
Kuruluşların yaptığı en yaygın hata yanlış aracı seçmek değil — ne yapmasını istediklerini bilmeden önce bir araç seçmek. Magaya bu konuda doğrudan konuşuyor. "İlk adım, yapay zekânın sizin için tam olarak ne yapmasını istediğinizi anlamaktır," diyor. "Yapay zekâyı her şey için kullanmaya çalışmayın. Günlük işlerinizde yaptığınız, rutin olan, zihinsel emek gerektiren ve zaman alan basit işlerden bazılarına bakın."
Yapay zekâyı her şey için kullanmaya çalışmayın. Günlük işlerinizde yaptığınız, rutin olan basit işlerden bazılarına bakın.
Bu kulağa basit geliyor, ancak çoğu ekip bu adımı atlıyor. Bir rakibin yeni bir platform kullandığını görüyorlar ya da yöneticilerden biri bir makale okuyor ve birdenbire bir şeyi hızla benimseme baskısı oluşuyor. Sorun şu ki netlik olmadan duyulan aciliyet, Magaya'nın danışmanlık çalışmalarının çoğunda düzeltmeye çalıştığı tam duruma yol açıyor.
Diğer uyarısı da aynı derecede önemli: sırf araç hazır diye süreçlerinizin yapay zekâya hazır olduğunu varsaymayın. "Araca koşmayın," diyor. "Önce şunu sorun: Sürecim yapay zekâyı destekliyor mu? Gördüğümüz şu ki, ortada bozuk süreçler var ve yapay zekâyı bunlara eklemek yalnızca daha da bozulmalarına yardımcı oluyor." Kaynak planlamanız tutarsızsa veya proje verileriniz dağınıksa, bir yapay zekâ katmanı bunları temizlemez — yalnızca dağınıklığın daha hızlı ilerlemesine neden olur.
Yapay Zekâ Araçlarını Nasıl Değerlendirip Karşılaştırabilirsiniz?
Yapay zekâ kullanım alanlarınızı tanımladıktan sonra sıradaki adım test etmektir — Magaya'nın bunun için belirli bir yöntemi var. İnsanların araçları değerlendirirken yaptığı en büyük hata, araçları tek başına test etmek ve birini doğrudan rakibine göre değil, soyut bir standarda göre değerlendirmektir.
Çözümü basit: "Yapay zekâ sonuçları elde etmek için asla tek bir araç kullanmayın. Aynı istemi Gemini'de, Claude'da ve erişiminiz olan diğer araçlarda yazmayı deneyin, ardından ikisini karşılaştırın." Birden fazla araç ve yapay zekâ modeli üzerinde aynı istemleri çalıştırmak, belirli kullanım alanınız açısından kalite, derinlik ve uygunluk farklarını ortaya çıkarır.
Bu makale, Yeni Bir AI PM Aracına İhtiyacınız Yok – Elinizdekini Düzeltmeniz Gerekiyor başlıklı bir DPM podcast bölümünden uyarlanmıştır. Daha fazla DPM podcast'ine buradan ulaşabilirsiniz.
Ancak çıktınızın kalitesi yalnızca girdinizin kalitesi kadar iyidir. Magaya, "İstem oluşturma konusunda iyi değilseniz, doğru araçla bile iyi bir sonuç alamayabilirsiniz," diyor. "Bu nedenle istem oluşturma becerinizi geliştirmeniz gerekir." Bu, çoğu değerlendirme çerçevesinin tamamen göz ardı ettiği bir değişkendir — ekipler bir aracı test eder, vasat bir sonuç alır ve asıl sorun istemdeyken aracı gözden çıkarır.
Ayrıca bir aracı ilk izlenime göre değerlendirmemeleri konusunda da uyarıyor. "Araçlarınızı kurcalayın, farklı özellikleri deneyin. Başlangıçta o kadar iyi olmadığını düşündüğünüz aracın aslında belirli bir amacı çok iyi yerine getirebildiğini göreceksiniz."
Çoğu platform, kullanıcıların hiç keşfetmediği yerleşik özelliklerle birlikte gelir; çünkü kullanıcılar doğrudan temel arayüze gider ve daha fazlasını keşfetmez.
Yapay Zekâ Aracınız Uygun Olmadığında Ne Yapmalısınız?
Kapsamlı bir değerlendirme sürecine rağmen kuruluşlar bazen bir uygulamanın altıncı ayına geldiklerinde aracın vaat edilenleri sunmadığını fark edebilir. Böyle bir durumda Magaya, sonraki adımlarla ilgili herhangi bir karar vermeden önce yapılandırılmış bir teşhis süreci öneriyor.
"Öncelikle araçtan ne beklediğinizi anlayın," diyor. "Ardından bizim boşluk analizi olarak adlandırdığımız şeyi yaparsınız. Beklentiyle ilgili bir boşluk analizi yaparsınız — aracın yapmasını beklediğim şey ile aracın gerçekte sunduğu şey arasındaki farkı incelersiniz." Bu boşluk analizi her şeyi belirler: sorunun çözülebilir olup olmadığını, aracı kullanmaya devam etmeye değip değmeyeceğini ve ayrılmanın gerçekte ne kadara mal olacağını.
Bu maliyet önemli olabilir. Magaya, "Yanlış bir seçim yapmanın etkisi çok büyük olabilir. Müşteri memnuniyeti, müşteriye teslimat, ürün kalitesi ve benzeri alanlarda kendini göstererek milyonlara bile mal olabilir," diyor. Kötü bir sözleşmenin mali açıdan yarattığı zarar açıktır; ancak teslimat kalitesi ve ekip morali üzerindeki zincirleme etkiler çoğu zaman asıl can yakan unsurlardır.
Yanlış bir seçim yapmanın etkisi çok büyük olabilir – müşteri memnuniyeti, müşteriye teslimat, ürün kalitesi ve benzeri alanlarda kendini gösterebilir.
Magaya'nın sürtüşme noktalarını belirledikten sonra en önemli husus olarak işaret ettiği ve hafife alınması kolay olan bir faktör de proje verileridir. "Bu araca ne kadar veri aktarmıştık? Sürtüşme noktasından sonra muhtemelen en önemli konu bu," diyor.
"Bunları kurtarmanız bile mümkün olmayabilir." Dışa aktararak başka bir yere alabileceğiniz bir elektronik tablonun aksine, bir yapay zekâ aracının ekibinizin davranışlarından, proje geçmişinizden ve kuruluşunuzun örüntülerinden öğrendikleri aktarılabilir değildir. Bir araçla ne kadar ilerlerseniz, rotayı tersine çevirmenin maliyeti de o kadar yükselir.
Mevcut Aracınızı Yapay Zekâ Etmenleriyle Nasıl Güçlendirebilirsiniz?
Yapay zekâ araçlarıyla ilgili çoğu konuşmanın tıkandığı nokta burasıdır: seçim, aracı kullanmaya devam etmek ya da bırakmak şeklinde çerçevelenir. Magaya, daha fazla kuruluşun değerlendirmesi gereken üçüncü bir seçenek sunuyor — güçlendirme. Eksikleri olan bir aracı değiştirmek yerine, mevcut platformunuzu korurken bu eksikleri tamamlayan etmenler ve otomatik iş akışları oluşturabilirsiniz.
Etmenleri Tek Parçalı Değil, Modüler Olarak Düşünün
Etmen tabanlı yapay zekânın modüler yapısı bunu göründüğünden daha uygulanabilir kılıyor. Magaya, "Etmen tabanlı yapay zekâ ile bunun güzel yanı, ihtiyacınız olmayan veya iyi çalışmayan etmenleri kaldırıp yerlerine yenilerini koyabilmenizdir," diye açıklıyor. "Örneğin etmen tabanlı bir PMO kurarsanız, risk tahmini yapan bir etmeniniz olur. Kapasite planlaması yapan bir yapay zekâ etmeniniz olur. Yalnızca zamanlama veya takvim yönetimi yapan bir etmeniniz olur." Her etmen ayrı bir işlevi yerine getirir; bu da tüm teknoloji yığınınızı baştan yapılandırmadan yetenek ekleyip kaldırabileceğiniz ve her birini ilgili göreve göre optimize edebileceğiniz anlamına gelir.
Etmen tabanlı yapay zekâ ile bunun güzel yanı, ihtiyacınız olmayan veya iyi çalışmayan etmenleri kaldırıp yerlerine yenilerini koyabilmenizdir.
Mevcut Aracınızın İçinde Küçük Başlayın
Başlangıç noktasının karmaşık olması gerekmez. Magaya, "Zaten sahip olduğunuz bir aracınız varsa, öncelikle yapay zekâyı destekleyip desteklemediğine bakın," diyor. "Monday.com, Asana ve Jira gibi yaygın araçları kullanıyorsanız, bunlar genellikle yapay zekâ özelliklerini etkinleştirme konusunda güncel kalmak için iyi işler yapıyor. Oradan başlayabilirsiniz. Yani küçük başlıyorsunuz. Belki de yalnızca toplantılardan sonra notları kontrol eden bir yapay zekâ etmenidir — dökümü alalım, eylem maddeleri oluşturalım ve ardından bir e-posta gönderelim." Bu, tüm mimariyi baştan yapılandırmayı gerektirmeyen, düşük riskli ve yüksek değer sunan bir başlangıç noktasıdır.
Oluşturmadan Önce Planlayın
Daha ileri gitmesi gereken ekipler için — daha gelişmiş iş akışları oluşturmak üzere n8n, Make veya Zapier gibi araçları birbirine bağlamak — Magaya, teknolojinin kolay kısım olduğunu vurguluyor. Zor olan, oluşturmaya başlamadan önce ne oluşturmak istediğinizi bilmektir. "Bir evi plan olmadan inşa etmeye başlayamazsınız; yapay zekâ konusunda birçok kişi hatayı burada yapıyor," diyor.
"İnsanlar n8n, Make ve Zapier'i duyduklarında hemen iş akışları oluşturmaya başlar. Ancak iş akışınızın amacı ne? Önce NotebookLLM gibi araçlarda bir zihin haritası oluşturun." Planlama adımı isteğe bağlı değildir — oluşturduğunuz iş akışının gerçekten sorunu çözüp bilgi akışını anlayıp anlamayacağını veya yalnızca daha fazla karmaşıklık ekleyip eklemeyeceğini belirleyen şey budur.
Bir plan olmadan ev inşa etmeye başlayamazsınız ve birçok insanın yapay zekâ konusunda hata yaptığı nokta da budur.
Mimari netleştiğinde uygulama önemli ölçüde daha yönetilebilir hâle gelir. "Aracınızı kullanmaya devam edebilirsiniz; ancak iş akışlarını otomasyon süreçlerini anlayan birinin oluşturduğundan emin olun. Böylece düzgün şekilde entegre edilirler."
Yapay Zekâ Ajanlarına Ekibinizin Üyeleri Gibi Davranın
Benimseme yalnızca teknik bir karar değildir — ekibinizin yapısına ilişkin düşünce biçiminizde bir değişiklik gerektirir. Magaya, PMO liderlerinin ajanları personel sayısına dâhil etmeye başlaması gerektiğini savunuyor. "Burada aynı zamanda bir değişim yönetimi unsuru da var," diyor.
"Ekibin, yapay zekânın ekibin bir parçası olmasına uyum sağlaması gerekiyor. Bundan sonra bir PMO olarak personel sayınızı hesaplarken, diyelim ki ekibiniz 50 kişiden oluşuyor — artık yapay zekâ ajanlarını da ekibin bir parçası olarak saymanız gerekiyor. Diyelim ki 10 yapay zekâ ajanınız var; o hâlde aslında 60 kişilik bir ekipsiniz. Çünkü RACI çizelgesinde — kimin sorumlu olduğu, kimin hesap verebilir olduğu, kime danışıldığı ve kimin bilgilendirildiği — yapay zekânın belirli işlevleri yerine getirdiği bir bölüm bulunuyor."
Bundan sonra bir PMO olarak personel sayınızı hesaplarken, yapay zekâ ajanlarını da ekibin bir parçası olarak saymanız gerekiyor.
Bu çerçeve önemlidir çünkü netliği zorunlu kılar. Bir ajanın RACI'de tanımlanmış bir rolü olduğunda ekip, ajanın tam olarak neyden sorumlu olduğunu, denetimin nasıl gerçekleşeceğini ve insanlara devrin hangi noktada yapılacağını bilir. Ayrıca hangi ajanların iş akışının hangi bölümlerinde düşük performans gösterdiğini belirlemeyi de kolaylaştırır.
Tepkisel Yaklaşımdan Öngörücü Yaklaşıma
Ajanlara ekip üyeleri gibi davranmak, Magaya'nın proje yönetiminde yapay zekânın en az kullanılan avantajlarından biri olarak gördüğü bir yeteneğin önünü açar. "Yapay zekâ destekli bir PMO'da yapay zekâ ajanları ve asistanlar uyum içinde çalıştığında, ajanlar e-posta ve Microsoft Teams gibi yerlerde toplanan verilere dayanarak sizi riskler hakkında bilgilendirebilir," diyor.
Bu, çoğu PMO'nun alışık olduğu çalışma modelinden temelde farklıdır. Magaya, "Daha önce geleneksel PMO'lar riskleri tepkisel olarak yönetiyordu — bir şey olmak üzere, tamam, bunu düzeltelim," diyor. "Ancak yapay zekâ ile yapay zekâ, yalnızca verilere dayanarak 12 ay sonra ne olabileceğini size söyleyebilir." Bunu iyi yapan ekipler, yapay zekâyı yalnızca idari işlerde zaman kazanmak için kullanmıyor. Daha önce mümkün olandan daha ileriyi görebilmek için kullanıyorlar.
Yapay zekâ, yalnızca verilere dayanarak 12 ay sonra ne olabileceğini size söyleyebilir.
Araçların Değil, Stratejinin Yol Göstermesine İzin Verin
Yapay zekâdan en fazla yararlanacak kuruluşlar en çok aracı benimseyenler değil — bu araçları nasıl ve neden benimsedikleri konusunda en bilinçli davrananlar olacak. Bu bilinç, tek bir araç satın alınmadan önce başlar ve süreçlerinizin nasıl göründüğüne ve kuruluşunuzun nereye yöneldiğine dair net bir tabloyla şekillenir.
Magaya'nın ifade ettiği gibi: "12 ay sonra yapay zekâyı etkili bir şekilde kullandığınızı hayal edin. Kuruluşunuz nasıl görünürdü? Müşterileriniz ne hissederdi? Buna bu şekilde bakmanız gerekiyor." Buradan başlayın, geriye doğru ilerleyin ve araçların stratejiyi takip etmesine izin verin — bunun tersini yapmayın.
Bunun gibi daha fazla içgörü mü istiyorsunuz? Daha fazla uzmanı dinlemek için ücretsiz bir DPM hesabına kaydolun.
