Yapay zeka araçlarına yatırım yapan kurumların yönetim kurullarında sorulan soru artık "Kaç kişi kullanıyor?" değil, "Bu yatırım ne getirdi?" sorusudur. Bu soruya cevap ararken çoğu kurum iki veri kaynağından birine yaslanır: Ya çalışanlara anket yapıp ne kadar zaman kazandıklarını sorar ya da sistemlerden kullanım ve verimlilik verisi çeker. İki yaklaşım da tek başına eksik, hatta yanıltıcı sonuçlar verebilir.
- Yapay zeka yatırımının getirisini tek bir veri kaynağıyla ölçmek yanıltıcıdır. Çalışan anketi algıyı, deneyimi ve nedenleri; gözlenen iş verisi ise davranışı ve çıktıyı gösterir.
- Çalışanların beyan ettiği zaman kazancı, gerçek kazançtan sistematik olarak farklı olabilir. Bu yüzden "Yapay zeka size ne kadar zaman kazandırdı?" sorusu tek başına ROI hesabının temeli olmamalıdır.
- Gözlenen iş verisinin de kör noktaları vardır: kaliteyi, yeniden yapılan işi, resmi olmayan araç kullanımını ve kazanılan zamanın nereye gittiğini göstermez.
- En güvenilir yaklaşım; başlangıç ölçümü, karşılaştırma grubu, gözlenen iş göstergeleri ve çalışan anketini birlikte kullanan bir ölçüm modelidir.
Bu yazıda yapay zeka yatırımının getirisini ölçerken çalışan anketi ile gözlenen iş verisinin neyi gösterip neyi göstermediğini, beyan edilen zaman kazancının neden dikkatli okunması gerektiğini ve iki veriyi birleştiren bir ölçüm modelini anlatıyoruz. Yapay zeka kullanımının çalışan deneyimine etkisini ölçmek için örnek sorular arıyorsanız yapay zeka etkinliğini çalışan anketiyle ölçmek yazımıza bakabilirsiniz.
Yapay zeka ROI'si neden zor ölçülür?
Yapay zeka yatırımının getirisini hesaplamanın formülü basittir: (Fayda − Maliyet) / Maliyet. Zorluk, formülün iki tarafını da doğru doldurmaktadır.
Maliyet tarafı genellikle eksik hesaplanır. Lisans bedeli görünür bir kalemdir; ancak entegrasyon, veri hazırlığı, eğitim, çalışanların araçları öğrenmek için harcadığı zaman, güvenlik ve yönetişim süreçleri ile yapay zeka çıktılarının kontrol edilmesi için harcanan süre de maliyetin parçasıdır.
Fayda tarafı ise üç nedenle zor ölçülür:
- Fayda dağınıktır. Yapay zeka tek bir süreci değil, yüzlerce küçük işi etkiler: bir e-postanın taslağı, bir raporun özeti, bir kod parçası.
- Fayda başka etkilerle karışır. Aynı dönemde yeni bir süreç, yeni bir ekip yapısı ya da mevsimsel bir iş yükü değişimi de verimliliği etkiler.
- Zaman kazancı kendiliğinden para kazancı değildir. Kazanılan zaman daha değerli işe aktarılmıyorsa, finansal bir getiriye dönüşmez.
Çalışan anketi neyi gösterir, neyi göstermez?
Çalışan anketi, yapay zekanın çalışanlar tarafından nasıl deneyimlendiğini gösterir. Bu bilgiye başka hiçbir yoldan ulaşamazsınız:
- Hangi işlerde yapay zekanın gerçekten yardımcı olduğu, hangilerinde olmadığı,
- Çalışanların araçları kullanmaktan alıkoyan engeller: yetkinlik eksikliği, güvensizlik, belirsiz kurallar,
- Yapay zeka çıktısının kalitesine duyulan güven ve ne kadar düzeltme gerektirdiği,
- Kazanılan zamanın nereye gittiği,
- Kurumun sağlamadığı araçların resmi olmayan kullanımı.
Ancak anketin önemli bir sınırlılığı vardır: Çalışanların algıladığı kazanç ile gerçek kazanç aynı olmayabilir.
Beyan edilen zaman kazancı neden yanıltabilir?
Yapay zeka araçları işi daha akıcı ve daha az yorucu hale getirebilir. Bu his, çoğu zaman işin daha hızlı yapıldığı hissiyle karışır. 2025'te METR adlı araştırma kuruluşunun deneyimli yazılımcılarla yaptığı randomize kontrollü bir çalışma bu farkı çarpıcı biçimde gösterdi: Katılımcılar yapay zeka araçlarıyla işlerini yaklaşık %20 daha hızlı bitirdiklerini düşündükleri halde, ölçülen süreler bu araçlarla görevlerin daha uzun sürdüğünü gösterdi.
Bu sonuç her rol ve her araç için genellenemez; birçok işte yapay zeka ölçülebilir zaman kazancı sağlar. Ancak önemli bir uyarıdır: Çalışanlara "Yapay zeka size haftada kaç saat kazandırdı?" diye sorup cevabı saat ücretiyle çarpmak, sağlam bir ROI hesabı değildir.
Anket sorularını daha güvenilir hale getirmek
Anketin zaman kazancı konusundaki güvenilirliğini artırmak için:
- Tahmin yerine somut davranış sorun. "Ne kadar zaman kazandınız?" yerine "Geçen hafta [görev] için kaç saat harcadınız?" diye sorun ve aynı soruyu araç devreye alınmadan önce de sorun.
- Belirli görevlere odaklanın. Genel bir verimlilik algısı yerine yapay zekanın kullanıldığı belirli görevleri (rapor hazırlama, müşteri talebine cevap verme, kod yazma) ayrı ayrı sorun.
- Düzeltme süresini de sorun. "Yapay zeka çıktısını kullanmadan önce ne kadar düzeltmeniz gerekiyor?" sorusu, kazancın net değerini anlamaya yardımcı olur.
- Anonimliği koruyun. Çalışanlar, yapay zekanın işlerini kolaylaştırdığını söylerlerse iş yüklerinin artacağından ya da pozisyonlarının sorgulanacağından endişe edebilir. Bu endişe cevapları her iki yönde de çarpıtabilir. Ayrıntılar için çalışan anketlerinde anonimlik yazımıza bakabilirsiniz.
Gözlenen iş verisi neyi gösterir, neyi göstermez?
Gözlenen iş verisi, çalışanların işlerini yaparken sistemlerde bıraktığı izlerdir: işlem süreleri, tamamlanan iş sayısı, müşteri taleplerinin çözüm süresi, hata ve iade oranları, yazılım teslim süreleri ve yapay zeka araçlarının kullanım kayıtları. Bu veri, anketin zayıf olduğu noktada güçlüdür: Algıyı değil, gerçekleşen davranışı ve çıktıyı gösterir.
Ancak gözlenen iş verisinin de kör noktaları vardır:
- Kaliteyi her zaman göstermez. Daha hızlı kapatılan müşteri talepleri, daha sık yeniden açılıyor olabilir. Daha fazla yazılan kod, daha fazla hata içeriyor olabilir.
- Resmi olmayan kullanımı görmez. Çalışanlar kurumun sağladığı araç yerine kendi buldukları bir aracı kullanıyorsa, bu kullanım sistem verisinde görünmez.
- Nedeni göstermez. Bir ekipte verimlilik artmadıysa, bunun nedeni aracın uygunsuzluğu mu, eğitim eksikliği mi, yoksa kurallardaki belirsizlik mi? Sistem verisi bu soruyu cevaplamaz.
- Ölçülen şey hedefe dönüşebilir. Kullanım oranı bir performans hedefi haline geldiğinde, çalışanlar araçları değer üretmek için değil, göstergeyi doldurmak için kullanmaya başlayabilir.
- Her iş ölçülebilir çıktı üretmez. Strateji, yönetim, ilişki yönetimi ve yaratıcı işlerde gözlenebilir çıktı sınırlıdır.
İki veri kaynağını karşılaştırmak
| Karşılaştırma | Çalışan anketi | Gözlenen iş verisi |
|---|---|---|
| Neyi ölçer? | Algı, deneyim, güven, engeller, nedenler | Davranış, çıktı, süre, kullanım |
| Güçlü yanı | "Neden?" ve "kimin için?" sorularını cevaplar | Algı yanılgılarından etkilenmez |
| Zayıf yanı | Beyan edilen kazanç gerçek kazançtan farklı olabilir | Kaliteyi, nedenleri ve resmi olmayan kullanımı göstermez |
| Hangi işler için uygun? | Tüm roller | Çıktısı ölçülebilir, süreç tabanlı roller |
| Gizlilik riski | Anonim yapıldığında düşük | Bireysel izleme algısı yaratabilir; dikkatli yönetilmeli |
Tablonun gösterdiği gibi iki kaynak birbirinin alternatifi değil, tamamlayıcısıdır. Doğru soru "anket mi, iş verisi mi?" değil, "hangi soruyu hangi veriyle cevaplayacağım?" sorusudur.
İki veriyi birleştiren bir ölçüm modeli
Yapay zeka yatırımının getirisini güvenilir biçimde ölçmek için aşağıdaki adımları öneririz:
- Kullanım senaryolarını tanımlayın. "Yapay zekanın getirisi" yerine belirli işlere odaklanın: müşteri taleplerine ilk cevap, aylık raporların hazırlanması, sözleşme incelemesi. Her senaryo için başarının neye benzediğini önceden yazın.
- Başlangıç ölçümü yapın. Araçlar devreye alınmadan önce hem iş verisini (süre, hacim, kalite) hem de anket verisini (iş yükü, görevlere ayrılan süre, deneyim) toplayın. Başlangıç ölçümü olmadan yapılan her değerlendirme tahmindir.
- Mümkünse karşılaştırma grubu oluşturun. Araçları önce bazı ekiplerde devreye alın ve benzer işleri yapan diğer ekiplerle karşılaştırın. Bu, aynı dönemdeki diğer değişikliklerin etkisini ayırmanın en güvenilir yoludur.
- Gözlenen göstergeleri kalite göstergeleriyle eşleştirin. Her hız göstergesinin yanına bir kalite göstergesi koyun: çözüm süresinin yanına yeniden açılma oranı, rapor hazırlama süresinin yanına düzeltme sayısı.
- Anketle nedenleri ve deneyimi ölçün. Hangi senaryoların işe yaradığını, hangi engellerin olduğunu ve kazanılan zamanın nereye gittiğini anketle sorun.
- İki veriyi karşılaştırın. Anketin gösterdiği algılanan kazanç ile iş verisindeki gözlenen kazanç uyumlu mu? Büyük farklar, hem ölçümün hem de uygulamanın gözden geçirilmesi gereken yerleri gösterir.
- Finansal değere temkinli çevirin. Zaman kazancını yalnızca daha değerli işe aktarıldığını gösterebildiğiniz ölçüde finansal getiri olarak hesaplayın. Kalan kısmı "potansiyel kapasite" olarak ayrı raporlayın.
Anket ile iş verisi uyuşmazsa
İki veri kaynağının farklı sonuçlar vermesi, bir ölçüm hatası değil, çoğu zaman en değerli bulgudur:
| Anket | İş verisi | Olası yorum |
|---|---|---|
| Yüksek kazanç algısı | Belirgin değişim yok | Araç işi kolaylaştırıyor ama hızlandırmıyor ya da kazanç başka işlere dağılıyor |
| Düşük kazanç algısı | Belirgin iyileşme | Çalışanlar faydayı fark etmiyor ya da artan hız beklentisi baskı yaratıyor |
| Yüksek kazanç algısı | Hız artıyor, kalite düşüyor | Çıktılar yeterince kontrol edilmeden kullanılıyor |
| Düşük kazanç algısı | Düşük kullanım | Engeller var: yetkinlik, güven, kurallar ya da uygunsuz araç |
Ölçüm takvimi
Yapay zeka getirisini çok erken ölçmek, öğrenme süresinin maliyetini yakalayıp faydayı kaçırır. Önerilen takvim şudur:
- Devreye almadan önce: Başlangıç ölçümü (iş verisi ve anket).
- 3. ay: İlk ölçüm. Bu dönemde getiriden çok engelleri ve benimsemeyi okuyun.
- 6. ay: Getiri hakkında ilk anlamlı değerlendirme.
- 12. ay: Yıllık değerlendirme ve yatırım kararlarının gözden geçirilmesi.
Kurumun yapay zeka yolculuğunda nerede durduğunu ölçmek için yapay zeka olgunluğunu ölçmek yazımıza da göz atabilirsiniz.
Sık yapılan hatalar
- Lisans kullanımını getiri saymak. Aktif kullanıcı sayısı benimsemenin bir göstergesidir, değerin değil.
- Beyan edilen zamanı saat ücretiyle çarpmak. Bu hesap hem algı yanılgısını hem de kazanılan zamanın nereye gittiği sorusunu görmezden gelir.
- Başlangıç ölçümü yapmamak. Araçlar devreye alındıktan sonra "öncesi"ni yeniden kurmak neredeyse imkânsızdır.
- Yalnızca hıza bakmak. Hızlanma kaliteyi düşürüyorsa, getiri sanıldığından düşüktür.
- Bireysel izleme algısı yaratmak. İş verisini bireysel performans takibine dönüştürmek, çalışanların araçları saklamasına ve anketlerde temkinli cevap vermesine yol açar. Analizleri ekip ve senaryo düzeyinde yapın.
Özetle, yapay zeka yatırımının getirisini ölçmek için anket ve gözlenen iş verisi arasında seçim yapmak zorunda değilsiniz; yapmamalısınız da. İş verisi neyin değiştiğini, anket ise neden ve kimin için değiştiğini gösterir. Başlangıç ölçümü, karşılaştırma grubu, kalite göstergeleri ve iki kaynağın karşılaştırılmasıyla kurulan bir model, yönetim kuruluna sunulabilecek güvenilir bir cevabın temelidir.
Sık sorulan sorular
Yapay zeka yatırımının getirisi (ROI) nasıl hesaplanır?
Temel formül, yapay zekanın sağladığı faydadan toplam maliyetin çıkarılıp toplam maliyete bölünmesidir. Maliyete lisanslar yanında entegrasyon, eğitim, öğrenme süresi ve yönetişim de dahil edilmelidir. Fayda ise zaman kazancı, kalite artışı, hata azalması ve gelir etkisi gibi kalemlerden oluşur ve mümkünse karşılaştırma grubuyla ölçülür.
Yapay zekanın sağladığı zaman kazancı anketle ölçülebilir mi?
Anket zaman kazancı hakkında yararlı bir sinyal verir ama tek başına yeterli değildir. Çalışanların algıladığı kazanç gerçek kazançtan farklı olabilir. Daha güvenilir sonuç için "geçen hafta bu işe kaç saat ayırdınız?" gibi somut sorular sorulmalı ve anket sonuçları gözlenen iş verisiyle karşılaştırılmalıdır.
Gözlenen iş verisi nedir?
Çalışanların işlerini yaparken sistemlerde bıraktığı izlerdir: tamamlanan iş sayısı, işlem süreleri, müşteri talebi çözüm süresi, hata ve iade oranları, yazılım teslim süreleri ve yapay zeka araçlarının kullanım kayıtları gibi. Bu veriler davranışı ve çıktıyı gösterir ancak nedenleri ve deneyimi göstermez.
Yapay zeka ROI ölçümünde en sık yapılan hata nedir?
Lisans kullanım oranını ya da çalışanların beyan ettiği zaman kazancını doğrudan finansal getiriye çevirmektir. Kazanılan zaman, daha değerli işe aktarılmadıkça finansal bir getiri anlamına gelmez. Ayrıca başlangıç ölçümü ve karşılaştırma grubu olmadan yapılan ölçümler, yapay zeka dışındaki etkileri de yapay zekaya yazar.
Yapay zeka getirisi ne zaman ölçülmeli?
Araçlar devreye alınmadan önce bir başlangıç ölçümü yapılmalı, ardından ilk öğrenme dönemini geçtikten sonra (genellikle 3. ve 6. aylarda) tekrarlanmalıdır. İlk haftalardaki ölçümler, öğrenme süresi nedeniyle getiriyi olduğundan düşük gösterebilir.
