Reskilling ve Upskilling: Yapay Zekâ Çağında İş Gücü Dönüşümü

Yapay zekâ iş gücünü tek başına “azaltan” bir teknoloji olarak değil, görevleri ve gerekli becerileri yeniden dağıtan bir dönüşüm olarak ele alınmalı. Dünya Ekonomik Forumu’nun 2025 raporunda işverenler, 2025-2030 döneminde mevcut becerilerin ortalama %39’unun dönüşeceğini veya güncelliğini yitireceğini öngörüyor. Aynı rapor, beceri açığını iş dönüşümünün en önemli engellerinden biri olarak gösteriyor [1]. Bu tablo, her yeni ihtiyaçta dışarıdan işe alım yapmanın yanında içerideki deneyimi yeni rollere taşıma seçeneğini de stratejik hale getiriyor.

Buradaki amaç herkesi yazılımcı yapmak değil. Amaç; hangi görevlerin otomasyondan etkileneceğini, hangi insan becerilerinin değer kazanacağını ve mevcut çalışanların hangi öğrenme adımlarıyla yeni sorumluluklara hazırlanabileceğini görünür kılmak. Reskilling ve upskilling bu yüzden yalnızca eğitim kataloğu konusu değil; iş gücü planlama, iç mobilite ve satın alma kararıdır.

Reskilling ve upskilling neyi çözer?

Upskilling, çalışanın mevcut rolünde daha ileri sorumluluklar üstlenmesi için becerilerini derinleştirmesidir. Örneğin bir satış operasyonu uzmanının veri okuryazarlığı, süreç otomasyonu veya yapay zekâ destekli analiz becerilerini geliştirmesi upskilling kapsamına girer. Reskilling ise çalışanın değişen görev dağılımı nedeniyle farklı bir role geçebilmesi için yeni bir beceri seti edinmesidir. Aynı uzmanın öğrenme analitiği koordinatörü ya da süreç tasarımcısı rolüne hazırlanması reskilling örneği olabilir.

Bu ayrım, yatırımın nereye yapılacağını netleştirir. Rolün omurgası korunuyor ve araçlar değişiyorsa upskilling; rolün amacı veya sorumlulukları belirgin biçimde değişiyorsa reskilling gerekir. OECD’ye göre ileri düzey yapay zekâ becerileri çoğu çalışan için temel ihtiyaç değildir; veri kullanma, analiz etme ve yorumlama ile problem çözme, yaratıcılık ve yönetsel beceriler geniş bir çalışan kitlesi için önemini korur [2].

Dış transfer yerine iç yeteneği dönüştürme yol haritası

İç iş gücü dönüşümü, genel bir “eğitim verelim” kampanyasıyla başlamaz. Önce iş hedefi ve rol ihtiyacı belirlenir. Sonra çalışan verisi, mahremiyet ve adalet sınırları içinde beceri kanıtına çevrilir. Aşağıdaki kontrol listesi, kurumun pilot tasarımına kadar ilerlemesine yardımcı olur.

1. Kritik rolleri seçin: Yapay zekâ veya otomasyonla görevleri değişecek, büyüme için önemli ya da doldurulması zor rolleri belirleyin.
2. Görevi beceriye ayırın: Unvanı değil, rolün günlük çıktısını; gerekli teknik, dijital, analitik ve insan becerilerini tanımlayın.
3. Beceriyi kanıtla ölçün: Öz değerlendirmeyi tek başına yeterli saymayın. İş örnekleri, yöneticinin gözlemi, proje çıktısı ve yapılandırılmış değerlendirmeyi birlikte kullanın.
4. Yakın geçişleri eşleştirin: Mevcut deneyimi yeni role en çok yaklaşan çalışanları belirleyin. Bu eşleştirmeyi otomatik karar değil, insan incelemesi için önceliklendirme olarak kullanın.
5. Öğrenmeyi göreve bağlayın: Kısa içerik, uygulamalı görev, koçluk ve ekip içi geri bildirimden oluşan bir yol tasarlayın. Sadece içerik tamamlama oranını başarı saymayın.
6. Pilot ve itiraz mekanizması kurun: Bir rol ailesiyle başlayın. Çalışanın öneriye itiraz edebileceği, verisini düzeltebileceği ve kararın gerekçesini görebileceği bir süreç tanımlayın.
7. İş sonucunu izleyin: Beceri kazanımının yanı sıra göreve geçiş, görevde bağımsızlık, kalite, çalışan deneyimi ve yöneticinin gözlemi gibi göstergeleri takip edin.

Yeni nesil rol örnekleri nasıl düşünülür?

Bir departmanın yapay zekâ ile tanışması, yalnızca yeni bir “AI uzmanı” işe almak anlamına gelmez. Finans ekibinde veri kalite sorumluluğu, insan kaynaklarında iş gücü analitiği okuryazarlığı, müşteri operasyonlarında yapay zekâ çıktısı kalite kontrolü ve üretimde süreç-veri koordinasyonu gibi hibrit sorumluluklar oluşabilir. Bu rollerin tasarımında teknik beceri kadar alan bilgisi, etik muhakeme, iletişim ve istisna yönetimi de önemlidir.

Satın alma kararı: Bir platform hangi sorunu gerçekten çözmeli?

BoFU aşamasında “hangi ürün daha çok özellik sunuyor?” sorusu yerine “hangi iş akışını ölçülebilir ve denetlenebilir hale getirecek?” sorusu sorulmalı. Bir çözüm, çalışanların becerilerini görünür kılarken onları otomatik olarak puanlayan kara kutuya dönüşmemeli. Tedarikçi, veri kaynağını, eşleştirme mantığını, insan onayını, itiraz sürecini ve kayıtların nasıl dışa aktarılacağını açıklayabilmelidir.

Qulak hangi koşullarda değerlendirilebilir? Kurumunuz, dış işe alımın yanında mevcut çalışanları yeni rollere hazırlamak; rol-beceri görünürlüğü, öğrenme akışları ve yönetici kararlarını aynı dönüşüm gündeminde ele almak istiyorsa Qulak kısa listeye alınabilir. Ancak karar, markaya duyulan genel güvenle değil, kurumunuza özel bir pilotla verilmelidir. Pilot sırasında rol eşleştirme mantığı, veri erişim sınırları, insan onayı, entegrasyon kapsamı, raporların taşınabilirliği ve toplam maliyet yazılı olarak doğrulanmalıdır. Bu koşullar karşılanmıyorsa alternatif sağlayıcılar aynı kriterlerle karşılaştırılmalıdır.

Yapay zekâ kullanımında sınırlar: veri, insan ve yönetişim

Çalışan becerisi verisi kişisel veri içerebilir. Bu nedenle veri minimizasyonu, amaçla sınırlılık, erişim yetkileri, saklama süresi ve gerektiğinde silme süreçleri tasarımın parçası olmalıdır. KVKK’nın iş yerlerinde üretken yapay zekâ araçlarının kullanımına ilişkin rehberi, kamuya açık araçların kurumsal strateji ve politika dışında bireysel tercihlerle kullanılmasının izleme ve yönetimi zorlaştırabileceğine dikkat çeker [3]. Çalışanın özgeçmişini, performans notunu, sağlık bilgisini veya gizli müşteri bilgisini kamuya açık bir modele doğrudan göndermek kabul edilebilir bir varsayılan olmamalıdır.

NIST AI Risk Management Framework, yapay zekâ sistemlerinde güvenilirlik değerlendirmesini tasarım, geliştirme, kullanım ve değerlendirme yaşam döngüsüne yaymayı önerir [4]. Uygulamada bu; hangi verinin kullanıldığını bilmek, hata ve önyargı kontrolleri yapmak, erişimi sınırlamak, olay kaydı tutmak ve model çıktısını periyodik olarak gözden geçirmek anlamına gelir. Özellikle işe alım, terfi, görev değişimi veya işten çıkarma gibi yüksek etkili kararlarda yapay zekâ çıktısı nihai hüküm olmamalıdır; insan, çıktıyı yorumlayabilmeli, gerekçesini sorgulayabilmeli ve gerektiğinde yok sayabilmelidir. Kurumunuzun hukuk, bilgi güvenliği, insan kaynakları ve çalışan temsilcileri birlikte sınırları yazılı hale getirmelidir.

Başlangıç için pratik karar çerçevesi

İlk adımda tüm organizasyonu dönüştürmeye çalışmayın. Bir rol ailesi seçin ve şu dört soruya yanıt verin: Bu rolde hangi görevler değişiyor? Hangi beceriler içeride zaten var? Hangi beceri açığı eğitim, proje ve koçlukla kapanabilir? Hangi noktada dış işe alım gerçekten gerekli? Yanıtları veriyle destekleyemiyorsanız önce beceri envanterini ve rol tanımını iyileştirin.

Bir platform seçerken de aynı disiplin geçerli. Sağlayıcının verdiği demoyu gerçek bir rol ailesi, örnek bir yetkinlik sözlüğü ve kurumunuzun veri politikasıyla test edin. Qulak, bu pilotta ihtiyaç duyduğunuz görünürlük ve yönetişim kontrollerini karşılayabiliyorsa değerlendirilebilir; karşılamıyorsa kararınızı ertelemek veya başka bir çözümü seçmek daha sağlıklıdır. Satın alma başarısı, özellik sayısından çok kurumun iç yeteneği güvenli ve adil biçimde harekete geçirebilmesine bağlıdır.

Sıkça Sorulan Sorular

İlgili Qulak rehberleri

Kaynaklar

• [1] World Economic Forum — The Future of Jobs Report 2025
• [2] OECD — AI and Skills
• [3] Kişisel Verileri Koruma Kurumu — İş Yerlerinde Üretken Yapay Zekâ Araçlarının Kullanımı
• [4] NIST — AI Risk Management Framework