İşe alımda tarafsızlık uzun süredir önemli bir hedef. Ancak kararları insanlar verdiğinde de algoritmalar desteklediğinde de tamamen “nötr” bir süreç kendiliğinden ortaya çıkmıyor. Yapay zekâ, doğru tasarlandığında tutarlılığı artırabilir; yanlış veri ve ölçütlerle kullanıldığında ise geçmişteki dengesizlikleri daha hızlı tekrar edebilir.
Bu nedenle asıl soru “Yapay zekâ önyargıyı ortadan kaldırır mı?” değil, “Hangi kontrollerle daha adil ve açıklanabilir kararlar üretmemize yardım eder?” olmalı.
İşe alımda bias nereden doğar?
Bias ya da önyargı, yalnızca bilinçli bir tercih değildir. Pozisyon tanımından mülakat notlarına kadar sürecin farklı noktalarında ortaya çıkabilir. Örneğin belirsiz bir “kültürel uyum” ölçütü, değerlendiricilerin kendilerine benzeyen adayları daha olumlu algılamasına neden olabilir.
Sık karşılaşılan risk alanları şunlardır:
- İşin gerektirmediği diploma, sektör veya şirket geçmişinin eleme ölçütü yapılması
- CV’deki isim, yaş, fotoğraf veya adres gibi işle ilgisiz bilgilere gereğinden fazla ağırlık verilmesi
- Her aday için farklı soruların kullanıldığı yapılandırılmamış mülakatlar
- Değerlendirme kriterlerinin görüşmeden sonra, adaya göre değiştirilmesi
- Geçmiş işe alımları başarı kabul ederek aynı profili tekrar arayan veri setleri
| Süreç adımı | Olası risk | Daha kontrollü yaklaşım |
|---|---|---|
| İş ilanı | Dışlayıcı veya belirsiz dil | Yetkinlik ve iş çıktısı odaklı metin |
| CV tarama | İşle ilgisiz kişisel sinyaller | Rol bazlı, önceden tanımlı kriterler |
| Mülakat | Adaylara farklı soru setleri | Yapılandırılmış soru ve puanlama rubriği |
| Teklif | Tutarsız karar gerekçeleri | Belgelenmiş değerlendirme özeti |
Sorun çoğu zaman modelden önce başlar
Bir sistemin “başarılı çalışan” tanımı yalnızca geçmişte terfi alan kişilere dayanıyorsa, geçmiş organizasyon kararlarını da öğrenebilir. Bu yüzden veri hazırlığı teknik bir temizlik işi olmanın ötesindedir. İK, iş birimi ve veri ekiplerinin birlikte yanıtlaması gereken bir ürün sorusudur.
Yapay zekâ hangi noktada yardımcı olabilir?
Yapay zekânın temel avantajı, aynı kriterleri çok sayıda başvuruya tutarlı biçimde uygulayabilmesidir. Sistem; rol için belirlenen becerileri, deneyimleri ve iş gereksinimlerini aynı sırayla kontrol edebilir. Böylece ilk değerlendirmenin kişiden kişiye değişmesi azalır.
Fayda sağlayabilecek kullanım alanları arasında şunlar bulunur:
- İş ilanındaki belirsiz veya gereksiz koşulları işaretlemek
- CV’leri ortak bir veri yapısına dönüştürmek
- Adayları önceden tanımlanmış yetkinliklerle karşılaştırmak
- Mülakat sorularını rol bazında standartlaştırmak
- Karar dağılımlarındaki olağan dışı farklılıkları görünür kılmak
Bir modelin bütün adaylara aynı işlemi uygulaması, sonucun otomatik olarak adil olduğu anlamına gelmez. Tutarlılık ile adalet aynı şey değildir; sonuçların ayrıca ölçülmesi gerekir.
İnsan denetimi vazgeçilmezdir
Yapay zekâ çıktısı nihai karar değil, değerlendirilebilir bir öneri olarak ele alınmalıdır. İK ekibi bir adayın neden yüksek veya düşük puan aldığını görebilmeli; yanlış ya da eksik bilgi olduğunda sonucu düzeltebilmelidir. Özellikle sınırda kalan adaylarda ikinci bir insan değerlendirmesi önemli bir güvenlik katmanı oluşturur.
Daha adil bir sistem için beş adım
1. Başarı tanımını iş çıktısına bağlayın
“İyi aday” gibi soyut bir hedef yerine ilk altı ayda beklenen somut iş çıktılarını belirleyin. Ardından bu çıktılarla ilişkili becerileri ve gözlemlenebilir davranışları yazın. Modelin değerlendirdiği her sinyalin bu çerçevede bir karşılığı olmalıdır.
2. Korunan veya işle ilgisiz bilgileri ayırın
İsim, fotoğraf, medeni durum ve açık adres gibi bilgilerin karar üzerinde etkili olmamasını sağlayın. Bu alanların model girdisinden çıkarılması tek başına yeterli olmayabilir; okul, posta kodu veya çalışma araları gibi dolaylı sinyallerin de etkisi incelenmelidir.
3. Değerlendirme rubriğini baştan sabitleyin
Puanlama kriterleri adaylar görülmeden önce belirlenmeli. Her kriter için “yetersiz”, “beklentiyi karşılıyor” ve “güçlü” seviyelerinin ne anlama geldiği açıklanmalıdır. Böylece hem insan hem de sistem aynı referansla çalışır.
4. Sonuçları düzenli olarak karşılaştırın
Toplam doğruluk tek başına yeterli değildir. Farklı aday gruplarının süreçte ilerleme oranları, insan değerlendirmesiyle model önerisi arasındaki farklar ve sonradan değiştirilen kararlar izlenmelidir.
Basit bir denetim kaydı bile ekip içinde ortak bir rutin oluşturabilir:
{
"kontrol": "Aşamalar arası ilerleme oranları",
"siklik": "Aylık",
"sorumlu": "İK operasyonları",
"aksiyon": "Belirgin farklarda kriter ve veri incelemesi"
}5. Adaya ve değerlendiriciye açıklama sunun
İK uzmanı bir önerinin hangi kriterlerden oluştuğunu anlayabilmeli. Aday iletişiminde ise kişisel verilerin nasıl işlendiği, otomasyonun süreçteki rolü ve gerektiğinde hangi kanaldan destek alınabileceği açıkça belirtilmelidir.
Hangi metrikler izlenmeli?
İlk sürümde onlarca göstergeye ihtiyaç yoktur. Düzenli takip edilen küçük bir metrik seti daha değerlidir:
- Başvuru, ön eleme, mülakat ve teklif aşamalarındaki ilerleme oranları
- Model önerisinin insan tarafından değiştirilme oranı
- Yanlış veya eksik CV ayrıştırma bildirimleri
- Değerlendiriciler arası puan tutarlılığı
- Adayların süreç açıklığına ilişkin geri bildirimi
Bu göstergelerden biri beklenmedik biçimde değiştiğinde yalnızca modeli değil, ilan metnini, aday havuzunu ve insan kararlarını birlikte incelemek gerekir.
Sonuç: Teknoloji değil, yönetişim fark yaratır
Yapay zekâ işe alımdaki önyargıyı tek başına çözmez. Buna karşın kriterleri görünür kılmak, değerlendirmeyi standartlaştırmak ve sonuçları sürekli ölçmek için güçlü bir araç olabilir. En iyi sonuç; açık başarı tanımları, kaliteli veri, insan denetimi ve düzenli denetim rutini birlikte kurulduğunda ortaya çıkar.
TalentsQube ürünlerinin işe alım sürecini nasıl desteklediğini inceleyin.