Yapay zekâ araçlarınız teknoloji kötü olduğu için başarısız olmuyor — kuruluşunuz hazır olmadığı için başarısız oluyor. Asıl sorun model değil. Sorun, makinelerin çalışma biçimiyle insanların çalışma biçimi arasındaki uyumsuzluk. Bunun sonucu ne mi? Kullanılmayan, güven kazanmayan veya karmaşıklığı azaltmak yerine sessizce artıran araçlara gömülen milyonlar.
Machine Leadership Journal'ın kurucusu David Swanagon ile gerçekleştirdiğimiz bu söyleşide, işlerin neden ters gittiğini nihayet açıklayan üç boyutlu bir modeli ele alıyoruz. Geleneksel liderlik özelliklerinin yapay zekâ inovasyonuna neden karşılık gelmediğini, CHRO'nuzun yapay zekâ stratejisi masasında neden yer alması gerektiğini ve yapay zekânın asıl zorluğunun teknik değil kültürel olduğunu inceliyoruz. Yapay zekâ benimsemesini bir teknoloji kullanıma sunma süreci gibi ele alıyorsanız yeniden düşünmenin zamanı geldi — hem de hemen.
Öğrenecekleriniz
- En büyük engelinizin algoritma değil — kuruluşunuzun onu etkili bir şekilde kullanıp kullanamayacağı olduğunu.
- Makine özerkliği, insan güveni ve kurumsal yetkinlik arasındaki uyumsuzluğun, düşündüğünüzden çok daha büyük gizli maliyetler oluşturduğunu.
- Üst yönetimin “bu CIO'nun projesi” bakış açısının neden sınırlayıcı olduğunu — ve CHRO'nun yapay zekâ benimseme sürecinde neden sorumluluk üstlenmesi gerektiğini.
- Gerçekte yapay zekâ geliştiren kişilerin bilişsel ve liderlik özelliklerinin nasıl göründüğünü (ipucu: farklılar).
- “İnsanları makinelere daha çok benzetelim” yaklaşımından “makinelerin insanlarla daha iyi çalışmasını sağlayalım” yaklaşımına nasıl geçileceğini.
Temel Çıkarımlar
- Kullanıma sunmayı benimsemeyle karıştırmayın. Gelişmiş LLM'niz olabilir, ancak insanlar onu kullanmıyor, güvenmiyor veya yeterli beceriye sahip olmadığı için kullanamıyorsa, rafta bekleyen yazılımlara ödeme yapmaya devam edersiniz.
- Özerklik, güven ve yetkinlik dengesine odaklanın. Güven veya yetkinlik olmadan daha fazla özerklik (düşünen araç) = kaos. Özerklik olmadan daha fazla güven = yetersiz kullanım. Bir boyutu aşırı öne çıkarırsanız yatırım getirinizi küçültürsünüz.
- CHRO yapay zekâ masasında yer almalıdır. Yapay zekâ çalışmalarınız yalnızca CIO veya teknoloji ekibi tarafından yönetiliyorsa, bunu başka bir teknoloji kullanıma sunma süreci gibi ele alıyorsunuz demektir. Oysa benimseme insanlarla ilgilidir. Bu nedenle hazırlık, değişim yönetimi ve kültürün sorumluluğunu İK üstlenmelidir.
- Yapay zekâ mühendisleri tipik yöneticiler değildir — farklı düşünürler. Daha güçlü kısa süreli belleğe, uzamsal zekâya ve ıraksak yaratıcılığa sahiptirler — bunlar her zaman üst yönetim kalıbıyla örtüşen özellikler değildir. Onları kalıba zorla uydurmaya çalışmak yerine bu farkı kabul edin.
- Yapay zekâyı yalnızca maliyet verimliliği için değil, büyümeyi desteklemek için kullanın. Yalnızca raporları veya e-postaları otomatikleştiriyorsanız, kâr paydasını küçültme yolundasınız. Yapay zekâya, gelirlerinizi artırmak için yatırım yapmalısınız — yeni ürünler, yeni deneyimler, yeni pazarlar.
- İnsanlar insandır; makineler makinedir. Yeni bir melez tür yaratmaya çalışmıyorsunuz. Her ikisinin de güçlü yönlerini ortaya koyabileceği sistemler kurmaya çalışıyorsunuz.
Bölümler
- 00:00 – Yapay zekâ benimsemesi neden başarısız olur?
- 01:47 – ABD'deki hazırlık açığı
- 05:22 – Özerklik, güven, yetkinlik
- 09:26 – Özerkliğe aşırı odaklanmak
- 15:02 – Yapay zekâ mühendislerinin özellikleri
- 23:43 – Liderlik gelişimini yeniden düşünmek
- 26:14 – CHRO'ların artık ihtiyaç duyduğu beceriler
- 32:04 – İK ile teknoloji arasında köprü kurmak
- 40:25 – Otomasyon değil, dönüşüm olarak yapay zekâ
- 45:06 – Liderler nereden başlamalı?
- 50:47 – Son düşünceler
Konuklarımızla Tanışın
David Swanagon, yapay zekâ liderliği, stratejisi ve benimsenmesi alanlarında araştırma ve uygulamaları ilerleten, ISSN ile indekslenen bir yayın olan Machine Leadership Journal'ın kurucusu ve baş editörüdür. Petrol ve gaz, kimya, teknoloji, konaklama ve siber güvenlik sektörlerindeki küresel çok uluslu şirketlerde 25 yılı aşkın deneyime sahip, deneyimli bir İK, öğrenme ve insan analitiği yöneticisidir. Ayrıca yönetim alanında yardımcı profesör olarak görev yapmakta, Vanderbilt Üniversitesi ve Harvard Üniversitesi mezuniyet derecelerine sahip olmakta ve gençlere güvenli yapay zekâ eğitimi vermeye odaklanan Global AI Playground gibi girişimlere liderlik etmektedir.
İlgili bağlantılar:
- People Managing People topluluk forumuna katılın
- AI Signal bültenimize abone olun
- David ile LinkedIn üzerinden bağlantı kurun
- Machine Leadership'a göz atın
İlgili makaleler ve podcast'ler:
David Rice: Şirketiniz yapay zekâ araçlarına yüz binlerce, hatta muhtemelen milyonlarca dolar harcıyor. Çalışanlarınız bunları kullanmıyor ve kullandıklarında da çözdüğünden daha fazla sorun yaratıyor. Bu size tanıdık geliyor mu? Bunu daha önce söylediğimi muhtemelen duydunuz, ancak bu bir teknoloji sorunu değil. Bu, hazırlık sorunu. Yapay zekâ yatırımlarınızın işe yaramamasının araçların kendisiyle hiçbir ilgisi yok. Bunun, makine özerkliği, insan güveni ve yetkinlik arasındaki temel uyumsuzlukla her şeyi ilgisi var ve bu uyumsuzluk size fark ettiğinizden çok daha fazlasına mal oluyor.
Ben David Rice. Bugün People Managing People’da, yapay zekânın benimsenmesi hakkında size anlatılan birçok şeye meydan okuyan bir sohbet gerçekleştireceğiz.
Konuğum Machine Leadership Journal’ın kurucusu ve baş editörü David Swanagon. Yapay zekâ hazırlığında ABD’nin en iyi araçlara sahip olmasına rağmen neden geride kaldığını anlamak için yüzlerce yapay zekâ mühendisi ve lideriyle yıllarca röportaj yaptı. Bu bölümde, yapay zekâ benimsemenizin tam olarak nerede aksadığını teşhis etmenize yardımcı olacak üç boyutlu bir çerçeveyi öğreneceksiniz; CIO’nuzun bu dönüşümün sorumluluğunu üstlenen tek yönetici olmaması gerektiğini ve CHRO’nuzun muhtemelen henüz fark etmediği şekillerde neden öne çıkması gerektiğini anlayacaksınız. En önemlisi de yapay zekâyı bir teknoloji devreye alma süreci gibi görmekten vazgeçip onu gerçekte olduğu gibi insani sistemler meselesi olarak ele almaya nasıl başlayacağınız konusunda netlik kazanacaksınız.
People Managing People Podcast’e hoş geldiniz; yapay zekâ çağında liderlerin işi insani tutmasına yardımcı olduğumuz program. Benim adım David Rice ve sunucunuzum. Bugün Machine Leadership Journal’ın kurucusu ve baş editörü David Swanagon ile birlikteyim. Tahmin ettiğiniz gibi yapay zekâ çağında liderlikten, hazırlığın nasıl göründüğünden ve harika liderlerin özelliklerinden bahsedeceğiz.
David, hoş geldin!
David Swanagon: Teşekkürler. Bu sohbeti sabırsızlıkla bekliyorum.
David Rice: Açıkçası sen de bu konuyu en az bizim kadar inceliyorsun. Bu yüzden şununla başlamak istiyorum: Konuşmadan önce ABD’nin yapay zekâ hazırlığında geride olduğunu söyledin ve büyük ölçüde katılıyorum. Ancak bunun nedeni araç eksikliği değil, insanların hazırlıklı olmaması.
Bunu söylüyoruz ama bu ne anlama geliyor ve liderler neden bunu önemsemeli ya da durumun farklı olmasını beklemeli?
David Swanagon: Bu harika bir soru. Hepimizin evde oturduğu COVID dönemindeki projelerimden biriydi. Yapay zekâya özgü ve standart öğrenmeden farklı olabilecek yetenekleri anlamaya çalışarak yüzlerce yapay zekâ mühendisi ve robotik uzmanıyla röportaj yaptım.
Bulduğumuz şey şu: Yapay zekâ mühendisleri son derece özgün; beyinlerinin çalışma biçimi bakımından diğerlerinden farklılar. Dil modellerini gerçekten inşa eden kişiler bunlar. İster inanın ister inanmayın, dil modelleri onları geliştiren yapay zekâ mühendislerine oldukça benziyor. Kısa süreli bellek ve yaratıcılık gibi ilginç özellikler tespit ettik. Buna muhtemelen daha ayrıntılı değineceğiz. Bir noktadan diğerine ulaşabilme yeteneği olan uzamsal zekâ da bunlardan biri. Yapay zekâ mühendisliğinde çok özgün ve ayırt edici pek çok beceri var; ancak ABD’deki zihniyet bunları geliştirmeye yönelik değil. Zihniyet başka becerilere odaklanıyor.
Geleneksel olarak Büyük Beşli kişilik özelliklerini düşünürsünüz. Dışadönüklük, liderliğin ve liderlik hazırlığının öncü göstergesi olarak görülür. Oysa yapay zekâ mühendisliğini düşündüğünüzde, en çok patent üreten ve yenilik gerçekleştiren kişilerin çoğu içedönüktür. Eğlenceli bir egzersiz arıyorsanız Gemini’ye, Claude’a veya bunlardan herhangi birine gidip Büyük Beşli kişilik özelliklerine göre kişiliklerinin ne olduğunu sorabilirsiniz.
Dil modellerinin her biri önce size zor anlar yaşatacaktır. “Ben bir makineyim,” diyeceklerdir. Ancak soruyu gerçekten yanıtlamalarını sağladığınızda “Biz içedönüğüz. Son derece uyumluyuz. Çok açık fikirli ve yaratıcıyız,” diyeceklerdir. Buradaki ilginç nokta şu: ABD okul sisteminin nasıl işlediğini düşünürseniz ve buradan başlayıp bir şirket içindeki yapay zekâ hazırlığına geçerseniz, lise müfredatında 40 AP dersi var.
Ancak doğrusal cebir üzerine tek bir ders bile yok; bu birçok insanı şaşırtıyor. Oysa doğrusal cebir, makine öğrenimi ve sinir ağları için en temel ve en önemli kavramsal çerçevedir. Noktasal çarpımdan vektörlere ve sinir ağlarının yayılım süreçlerine kadar pek çok konuyu kapsar.
Doğrusal cebiri güçlü biçimde anlamanız gerekir. Ancak ABD okul sistemi bu temel becerileri geliştirecek şekilde bile kurulmamış. Daha sonra kurumsal dünyaya geldiğinizde, bu becerilerin çoğu çalışanların yüzde 1’inden daha azının sorumluluğunda oluyor. Dolayısıyla mesele doğru becerilere öncelik vermemekle ilgili. Bunu kasıtlı olarak yapmadılar; bu makineler geliştiricilerinin kişiliklerini yansıtıyor.
Bu geliştiricilerin çoğu geleneksel yöneticilerden çok farklı. Korn Ferry, AI ve Kiewit gibi kurumlarda bir kör nokta var; çünkü dil modelleri C-suite’te gördükleri liderlik özelliklerini yansıtmadı. Geliştiricilerin liderlik özelliklerini yansıttılar ve bu insanlar tamamen farklı.
Bu nedenle ABD birçok açıdan geride kalıyor.
