Performans yönetiminde yapay zeka: hedeften yetenek kararına

Performans yönetimi döngüsünde yapay zekanın yeri

Performans yönetimi, yılda bir yapılan değerlendirmeden ibaret değildir; hedef belirleme, süreç içi geri bildirim, değerlendirme, gelişim planı ve ödüllendirme kararlarını kapsayan bir döngüdür. Yapay zeka bu döngüde en çok yazı ve veri yükünün ağır olduğu noktalarda işe yarar: hedef metinlerini netleştirmek, geri bildirimleri özetlemek, değerlendirme taslakları hazırlamak, yetenek verisini analiz etmek.

İlk kural, işi ve kararı ayırmaktır. Yapay zeka taslak, özet ve içgörü üretir; bir kişinin performansı hakkında hüküm vermek, ücret ya da terfi kararı almak insanın görevidir. Bu ayrım hem adalet hem hukuki sorumluluk açısından temeldir.

Bir diğer kural, performans yönetiminin amacını unutmamaktır: kişiyi ve ekibi geliştirmek, kurumun hedeflerine uyum sağlamak. Eğer yapay zeka uygulamaları çalışanda 'beni izliyor ve puanlıyor' hissi yaratıyorsa, süreç amacından uzaklaşmış demektir.

Bu alanda yapay zeka kullanımı katmanlardan oluşur: yazım desteği (hedef, geri bildirim), analiz desteği (yetenek ve performans verisi) ve karar desteği (öneri, risk işareti). Risk, katman ilerledikçe artar; denetim de buna paralel sıkılaşmalıdır.

Hedef belirleme ve sürekli geri bildirim

İyi performans yönetimi, net hedeflerle başlar. Hedefler çoğu zaman belirsiz yazılır: 'müşteri memnuniyetini artır'. Yapay zeka hedefi netleştirmeye yardımcı olabilir.

Hedef taslağı. Yöneticinin yazdığı hedefi modele verip 'bu hedef ölçülebilir mi, zaman sınırı var mı, çalışanın kontrolünde mi' diye sorgulatabilirsiniz. Model, belirsiz noktaları işaretler ve daha net alternatifler önerir. Nihai hedef yönetici ile çalışan arasında konuşularak belirlenir.

Hedef hizalama. Birim hedefleriyle bireysel hedefler arasındaki bağı kontrol etmek mümkündür: bireysel hedefler birim hedeflerine hizmet ediyor mu, çakışan ya da eksik alan var mı?

Geri bildirim hazırlığı. Yönetici, görüşme öncesi notlarını modele vererek geri bildirimin yapısını netleştirebilir: gözlem, etki, beklenti. Model dili yumuşatabilir, ama içerik yöneticinin kendi gözleminden gelmelidir; uydurma örnek eklenmesine izin vermeyin.

Geri bildirim özetleme. Çok kaynaklı geri bildirimlerde (çok kaynaklı değerlendirme uygulaması gibi) serbest metin yorumların temalara ayrılması zaman kazandırır. Kişiyi tanımlayabilecek ayrıntılar çıkarılmalı, anonimlik korunmalıdır.

Sürekli geri bildirim kültürü araçla değil, yöneticinin alışkanlığıyla kurulur; yapay zeka bu alışkanlığı kolaylaştırır, yerine geçmez.

Yetenek analitiği: ne yapılır, neye dikkat edilir?

Yetenek analitiği (talent analytics), yetenek verisini kurumun kararlarına dönüştüren çalışmadır: kimler hangi yetkinliklere sahip, hangi roller için hazır, hangi alanlarda boşluk var, kritik rollerde halefiyet durumu nedir?

Yapay zekanın katkıları: • Yetkinlik profili çıkarma: görev tanımı, eğitim kaydı ve proje deneyimi metinlerinden yetkinlik etiketleri üretmek. • Yetenek havuzu analizi: kritik rollerde adayların hazır olma durumunu özetlemek. • Boşluk analizi: mevcut yetkinlikler ile gelecekte ihtiyaç duyulacak yetkinlikler arasındaki farkı göstermek. • Kalibrasyon desteği: değerlendirme sonuçlarının yöneticiler ya da birimler arasında tutarlı olup olmadığını izlemek. Örneğin bir yöneticinin sistematik olarak çok yüksek ya da çok düşük puan vermesi görünür olur. • Gelişim önerisi: kişinin yetkinlik boşluğuna uygun eğitim ve proje atamaları.

Dikkat edilmesi gereken sınırlar: • Veri kalitesi. Güncel olmayan ya da yöneticiden yöneticiye değişen yetkinlik kayıtları, yanlış sonuç üretir. • Önyargı. Geçmiş değerlendirme verisi önyargı içeriyorsa model onu çoğaltır. Farklı gruplar için sonuçları düzenli karşılaştırın. • Etiketleme riski. Bir kişiyi 'yüksek potansiyel' ya da 'düşük potansiyel' diye modele bırakmak, kariyer fırsatlarını daraltabilir; insan değerlendirmesi ve itiraz yolu şarttır.

Adil ve şeffaf kullanım için ilkeler

Performans yönetimi, çalışan açısından en hassas İK sürecidir. Yapay zeka kullanımı bu hassasiyeti artırır. Uygulamayı kurarken şu ilkeleri yazılı hale getirin.

İnsan kararı. Puan, terfi, ücret ve işten çıkarma kararları yapay zekaya devredilmez. Model yalnızca girdi sunar; karar gerekçesi insan tarafından yazılır.

Şeffaflık. Çalışan, hangi verinin nerede ve nasıl kullanıldığını bilir. Yapay zekanın değerlendirme sürecinde hangi aşamada rol aldığı açıklanır.

İtiraz hakkı. Çalışan, sonuç ya da sürece itiraz edebilir ve bu itirazı insan değerlendirir.

Önyargı denetimi. Sonuçlar cinsiyet, yaş, görev grubu gibi boyutlarda düzenli izlenir, anlamlı farklar araştırılır.

Veri asgarisi. Yalnız performans amacına gerekli veriler kullanılır; ilgisiz kişisel veriler sürece sokulmaz.

Gizlilik. Değerlendirme metinleri ve geri bildirimler kurumun onayladığı araç dışında yapay zeka sistemlerine yüklenmez; kişisel veri mevzuatı için hukuk ve bilgi güvenliği ekiplerinden görüş alınır.

Açıklanabilirlik. Bir öneri veya işaret nedeni anlatılamıyorsa karar sürecine girmemelidir.

Bu ilkeler uygulamadan sonra değil, tasarım aşamasında belirlenmelidir.

Örnek iş akışı: dönem sonu değerlendirme hazırlığı

Örneğin bir İK iş ortağı, dönem sonu değerlendirme sürecinde yöneticilere destek sağlıyor.

Önce, yöneticilerden değerlendirmelerini kendi gözlem notlarıyla yazmaları istenir. Yapay zeka asistanı, yöneticinin notlarını yapılandırılmış bir taslağa çevirir: güçlü yönler, gelişim alanları, örnek olaylar. Asistan, notlarda olmayan örnekler eklememesi için bu yönde kısıtlanır.

Sonra yöneticiler taslaklarını gözden geçirir. Dili belirsiz ya da etiketleyici ifadeler (örneğin 'tembel', 'agresif') tespit edilip davranışa dayalı ifadelere çevrilir; model bu tür dil kontrolünde faydalıdır.

Kalibrasyon toplantısı öncesi İK, yöneticiler arasındaki puan dağılımını ve değerlendirme dilindeki tutarsızlıkları analiz eder. Bir yöneticinin ekibinin tamamına aynı yüksek puanı vermesi gibi örüntüler görünür olur ve toplantıda tartışılır.

Görüşme aşamasında yönetici, çalışanla değerlendirmeyi konuşur. Çalışan karşı görüş ekleyebilir. Gelişim planı, yetkinlik boşluklarına göre hazırlanır; model, eğitim ve proje önerileri taslağı sunar, çalışan ve yönetici birlikte seçer.

Süreç sonunda İK, uygulamanın adalet açısından nasıl çalıştığını gruplara göre gözden geçirir ve bir sonraki döngü için iyileştirme listesi çıkarır.

Sık yapılan hatalar

Performans yönetiminde yapay zeka kullanırken yinelenen hatalar şunlardır: • Puanı modele bırakmak. Otomatik puanlama, hesap verebilirlik sorunu ve hukuki risk yaratır. • Yalnız üretkenlik verisiyle değerlendirmek. Faaliyet sayıları (yazılan e-posta, açık kalınan süre) iş değerini yansıtmaz ve davranışı çarpıtır. • Gizli izleme. Çalışanın bilgisi olmadan veri toplamak güveni zedeler. • Önyargı denetimini atlamak. Geçmiş değerlendirme verisi önyargı taşıyabilir. • Uydurma örnek riski. Modelin geri bildirimde olmayan olay uydurması mümkündür; çıktı mutlaka yöneticinin gözlemleriyle karşılaştırılmalıdır. • Hedefi kalibre etmeden uygulamak. Farklı birimlerde hedef zorluğu eşit değilse sonuçlar kıyaslanamaz. • Geri bildirimi yılda bire sıkıştırmak. Araç ne kadar gelişmiş olursa olsun, yıllık tek görüşme gelişimi desteklemez. • Süreci tek seferlik kurmak. Model ve veri değiştikçe uygulamanın etkisi yeniden gözden geçirilmelidir.

Sağlıklı yaklaşımın özeti: yapay zeka yazıyı ve analizi hızlandırır, insan kararı ve ilişkiyi taşır.

Mindset programlarında nerede çalışılır?

Yapay Zeka ile İnsan Kaynakları: İK Uzmanlık Programı'nın 'Performans Yönetimi ve Yetenek Analitiği' modülü bu başlığın doğrudan karşılığıdır. 'Kişiselleştirilmiş Öğrenme ve Gelişim' ve 'İK Analitiği, Etik ve Kapanış Projesi' modülleri ise gelişim planı, etik çerçeve ve genel dönüşüm bağlamını tamamlar.

İçerik, İK iş ortakları, performans ve yetenek yönetimi ekipleri ile süreci yürüten yöneticiler için uygundur; performans sürecini ortak ilkelerle yeniden tasarlamak isteyen kurumlar için ekip programı olarak planlanabilir.