AI ile İnsan Kaynakları ve İşe Alım

AI ile insan kaynakları otomasyonu nedir?

AI destekli İK (HR tech), işe alım ve çalışan yönetiminin tekrarlı, yüksek hacimli adımlarını makine öğrenmesi ve doğal dil işleme ile otomatikleştirir: yüzlerce CV'yi saniyeler içinde yapılandırmak, adayları ilana anlamsal benzerlikle sıralamak, ön eleme görüşmesini chatbot ile yapmak ve mevcut çalışanlarda ayrılma riskini önceden görmek. Amaç insanı değiştirmek değil, İK ekibinin zamanını yargı gerektiren kararlara ayırmaktır.

İyi kurgulanmış bir akış, ekranlama (screening) süresini belirgin biçimde kısaltabilir. Aşağıdaki oranlar sektöre ve hacme göre değişen örnek/yaklaşık aralıklardır, garanti değildir.

Kullanım alanları

CV parsing (resume parsing)

Resume parsing, serbest metin bir CV'yi yapılandırılmış alanlara (ad, e-posta, telefon, eğitim, deneyim, beceri, sertifika, dil) çevirir. İki katmanlı yaklaşım en sağlamıdır:

• Kural + NER: e-posta/telefon gibi deterministik alanlar regex ile; kişi, kurum, tarih gibi varlıklar spaCy benzeri bir NER modeliyle çıkarılır.
• LLM JSON çıktısı: büyük dil modeli, dağınık ve çok dilli formatları da tutarlı bir JSON şemasına oturtur. Kural katmanı, modelin atladığı kritik alanları tamamlar (fallback).

Sonuç, ATS'e (Applicant Tracking System) doğrudan yazılabilen temiz bir kayıttır; manuel veri girişini büyük ölçüde ortadan kaldırır.

Embedding tabanlı aday eşleştirme

Anahtar kelime eşleşmesi "Python" arayıp "Django" yazan adayı kaçırabilir. Embeddingyaklaşımı ise hem iş ilanını hem aday özetini anlam vektörüne çevirir ve aralarındaki kosinüs benzerliğini skora dönüştürür:

uyum skoru = kosinüs_benzerliği(ilan_embedding, aday_embedding) × 100

Böylece "10 yıl full-stack, Python, mimari deneyimi" olan bir aday, ilanla yüzeysel kelime örtüşmesi düşük olsa bile yüksek uyum alır. Embedding üretimi ucuzdur (metin embedding modelleri milyon token başına birkaç sent aralığında fiyatlanır — yaklaşık/2026), bu yüzden binlerce adayı toplu skorlamak pratik ve düşük maliyetlidir.

Interview chatbot ile ön eleme

Büyük dil modeliyle kurulan bir ön eleme chatbot'u; adayı karşılar, pozisyona özel 5–7 teknik/soft-skill sorusu sorar, yanıtları değerlendirir ve sonda yapılandırılmış bir skor (teknik, iletişim, problem çözme, kültür uyumu) üretir. Bu, insan görüşmecinin zamanını yalnızca ileri tur adaylara ayırmasını sağlar. Kritik ilke: chatbot skoru bir öneridir, otomatik ret kararı değildir.

Attrition (churn) tahmini

Mevcut çalışanlarda ayrılma riskini önceden görmek, işe alımdan daha ucuz bir kazançtır. Bir sınıflandırma modeli aşağıdaki özelliklerle her çalışana ayrılma olasılığı atar ve riske göre aksiyon önerir:

ROI matematiği (örnek senaryo)

Aşağıdaki hesap tamamen hipotetiktir ve yöntemi göstermek içindir:

• Yılda 50 pozisyon, pozisyon başına manuel ekranlama ~30 saat → 1.500 saat.
• AI ile ekranlama varsayımsal olarak %70 kısalırsa → ~450 saat, ~1.050 saat tasarruf.
• İK saat maliyeti 500 TL ise tasarruf ≈ 525.000 TL/yıl.
• ROI = (tasarruf − sistem maliyeti) / sistem maliyeti.

%70, gerçek bir müşteri sonucu değil, illüstratif bir varsayımdır; gerçek etki pilotla ölçülmelidir.

Etik, uyum ve 2026 eğilimleri

• KVKK 6698 / GDPR: aday verisi kişisel veridir; açık rıza, amaçla sınırlılık ve saklama süresi kuralları uygulanır. Otomatik karara itiraz hakkı gözetilmelidir.
• Bias denetimi: cinsiyet, yaş, isim, fotoğraf gibi hassas alanlar modelden çıkarılır; kararlar düzenli olarak ayrımcılık açısından test edilir.
• İnsan onayı: AI ön eleme ve sıralama yapar; nihai işe alım kararı insana aittir.
• LLM görüşme asistanları: yapılandırılmış, açıklanabilir skor üreten görüşme botları yaygınlaşıyor.

İK otomasyonu; NLP ve chatbot yetkinlikleriyle birlikte kurulur. Kurumunuza özel bir çözüm için talep formumuzu kullanabilirsiniz.