Çalışanların yapay zekâ okuryazarlığı nasıl ölçülür?

Ölçmeden önce: okuryazarlık neyi kapsar?

İK ya da L&D tarafında çalışan birçok kişi, eğitim talebi geldiğinde ilk olarak “hangi aracı kullanalım?” diye sorar. Ben ise önce mevcut durumu ölçmeyi öneriyorum. Çünkü seviyeyi bilmeden verilen eğitim, hedefi belli olmayan bir kampanya gibi kalır.

Yapay zekâ okuryazarlığı, sadece araç isimlerini bilmekten ibaret değildir. Çalışanın bu sistemlerin ne olduğunu anlaması, risklerini kavraması ve iş senaryolarında bilinçli kullanması anlamına gelir. Burada hem kavramsal bilgi hem de pratik uygulama becerisi devreye girer.

Bu kavramı daha somut görmek için üç bileşeni ayrı düşünmek faydalı olur.

• Temel kavrayış: yapay zekâ, makine öğrenmesi ve üretken model gibi terimleri anlamak
• Uygulama becerisi: işiyle ilgili senaryolarda doğru araç seçip çıktı üretebilmek
• Etik ve risk bilinci: veri güvenliği, yanlılık ve şeffaflık konularında asgari farkındalık

Bu üç alanın her biri farklı derinlikte ölçüm ister. Okuryazarlığı ölçeği tasarlarken, sadece teknik bilgiyi değil, karar verme kalitesini de hesaba katmak gerekir. Nitekim zekâ okuryazarlığı kavramı, klasik dijital yetkinlikten daha geniş bir çerçeve sunar. Kurumlar bu çerçeveyi rol bazlı seviyelerle eşleştirdiğinde, kurumsal yapay zekâ okuryazarlığı eğitimi yatırımı çok daha anlamlı hâle gelir.

Yapay zekânın tanımı

Yapay zekâ, insan zekâsına benzer bilişsel görevleri yazılım ve algoritmalar üzerinden gerçekleştirme çabasıdır. Burada amaç, makinelerin örüntü tanıma, tahmin, karar verme ve üretim gibi süreçleri üstlenmesidir. Güncel uygulamalarda üretken modeller; metin, görsel ve kod üretimiyle öne çıkar. Ancak her akıllı görünen sistem, tam anlamıyla zekâ sayılmaz.

Okuryazarlık kavramı

Okuryazarlık, klasik anlamda okuma ve yazma becerisinden çok daha geniş bir çerçeve taşır. Bugün “literacy” kavramı, bir alanı anlayıp eleştirel değerlendirebilme ve bilinçli seçim yapma yeteneğini anlatır. Zekâ okuryazarlığı da bu çizgiyi izler. Kişi, sadece terimleri bilmez; bağlamı okur, riskleri tartar ve karar verir. Ölçüm tasarlarken bu çok katmanlı yapıyı dikkate almak önemlidir.

Yapay zekâ okuryazarlığını ölçmenin yolları

Kurumsal tarafta en sık gelen soru, “Bu konuyu pratikte nasıl ölçeceğiz?” oluyor. Ben üç ayrı kanalı bir araya getiren bir yapı kurmayı tercih ediyorum. Çünkü tek bir okuryazarlığı ölçeği genellikle tüm boyutları yakalamaz. Farklı yöntemleri bir araya getirdiğinizde hem öz algıyı hem gerçek performansı görme şansınız artar.

İlk adımda, öz-bildirim anketleri ile algılanan yetkinliği ölçebilirsiniz. Ardından kısa bilgi ya da uygulama testleri ile temel kavrayışı ve pratik beceriyi görürsünüz. Son aşamada ise iş çıktıları üzerinden gözlem yaparak, gerçek hayata yansıyan kullanım seviyesini değerlendirirsiniz.

Bu üç yöntemi birlikte düşünmek, özellikle yöneticilere daha dengeli bir tablo sunar.

• Öz-bildirim: kişinin kendini nasıl gördüğünü yansıtır, motivasyon sinyali verir
• Bilgi/uygulama testi: asgari kavramsal düzeyi ve pratik beceriyi gösterir
• İş çıktısı gözlemi: gerçek projelerdeki zekâ kullanım kalitesini ortaya çıkarır

Örneğin, satış ekibinde çalışan biri ankette kendini yüksek puanlayabilir. Fakat uygulama testinde veri gizliliğiyle ilgili kritik bir soruyu kaçırdığında, eğitim tasarımını buna göre revize edersiniz. Böyle bir karma yaklaşım, hem İK hem de bölüm yöneticileri için daha güvenilir bir referans sağlar.

Öz-bildirim ölçekleri

Öz-bildirim ölçekleri, çalışanların kendi yapay zekâ okuryazarlığı algılarını puanladıkları anketlerdir. Bu tür formlar, algılanan özgüveni ve öğrenmeye açıklığı görmenizi sağlar. Ancak tek başına yeterli değildir. Bazı kişiler kendini olduğundan yüksek, bazıları da düşük değerlendirebilir. Bu nedenle öz-bildirimi mutlaka başka veri kaynaklarıyla birlikte okumak gerekir.

Bilgi/uygulama testleri

Bilgi ve uygulama testleri, çalışanların temel kavramları gerçekten anlayıp anlamadığını ortaya koyar. Kısa senaryolar, çoktan seçmeli sorular veya mini görevler kullanabilirsiniz. Burada önemli olan, testi doğrudan iş bağlamına oturtmaktır. Örneğin, pazarlama ekibine veri seti mahremiyetiyle ilgili senaryolar sunmak daha anlamlı sonuç verir.

İş çıktısı gözlemi

İş çıktısı gözlemi, zekâ okuryazarlığı ölçeğinin en sahici bileşenidir. Çalışanların gerçek projelerde yapay zekâ araçlarını nasıl kullandığını incelersiniz. Söz gelimi, bir ürün yöneticisi, prompt tasarlarken veri sınıflandırmasını doğru yapıyor mu diye bakarsınız. Bu yöntem daha fazla zaman ister fakat davranış düzeyinde güçlü içgörü sunar.

Akademik ölçeklerin kurumsal kullanımı

Literatürde zekâ okuryazarlığı ölçeğinin farklı versiyonları yer alıyor. Bir kısmı Türkçeye uyarlanmış, hakemli dergilerde yayımlanmış ölçeklerdir. Ben bu tür araştırma temelli ölçekleri değerli buluyorum, ancak kurumsal ortama birebir aktarmayı doğru görmüyorum. Çünkü akademik bağlam ile şirketin günlük iş dinamikleri arasında ciddi farklar bulunur.

Akademik çalışmalarda ölçeğin yapısı istatistiksel yöntemlerle sınanır; bu süreç ölçeğin teorik temelini güçlendirir. Kurum tarafında ise ben daha çok pratik ayrımlara odaklanıyorum. Diyelim ki, roller, iş süreçleri ve regülasyon baskısı gibi faktörler, soruların dilini etkiler.

Bu nedenle akademik bir okuryazarlığı ölçeği gördüğümde, onu doğrudan kopyalamak yerine uyarlanması gereken bir çerçeve olarak ele alıyorum.

• Önce: ölçeğin hangi boyutları ölçtüğünü ve varsayımlarını incelerim
• Sonra: kurumun sektörünü, risk düzeyini ve veri tipini analiz ederim
• En son: soruları sadeleştirip rol bazlı hale getirir, pilot uygularım

Bu yaklaşım, hem akademik birikimi kullanmanızı sağlar hem de çalışanların gerçekten anlayacağı bir dil kurmanıza yardım eder. Türk iş ortamında, fazlaca akademik ifade içeren maddeler genellikle yanıt kalitesini düşürüyor. Bu yüzden uyarlama adımını atlamayı ciddi bir risk olarak görüyorum.

Dikkat edilmesi gerekenler

Akademik bir zekâ okuryazarlığı ölçeğini kuruma taşırken en kritik nokta, bağlamı doğru okumaktır. Çalışanlar soruyu kendi iş gününde karşılaştığı durumlarla ilişkilendirebilmelidir. Ayrıca ölçeğin başka bir bağlamda geliştirilmiş olması, sizin şirket kültürünüze birebir uyacağı anlamına gelmez. Pilot uygulama yapmadan geniş yayılım planlamak, gereksiz direnç yaratabilir.

Birebir kopyalama sınırları

Birebir kopyalanan ölçekler, çoğu zaman çalışanlarda “bu soru neyi soruyor?” hissi uyandırır. Ben bu noktada net bir tavır alıyorum: akademik metni aynen alıp kurumsal ankete yapıştıranlar yanılıyor. Çünkü iş rolleri, kullanılan araçlar ve risk algısı her kurumda değişir. Soruları sadeleştirmek ve örneklerle zenginleştirmek, yanıtların kalitesini belirgin şekilde yükseltir.

Rol bazlı seviye çerçevesi

Yapay zekâ okuryazarlığını ölçerken herkes için tek bir hedef seviye belirlemek, pratikte işe yaramaz. Ben her zaman rol bazlı bir çerçeve kurmayı öneriyorum. Böylece aynı zekâ okuryazarlığı ölçeği içindeki puanları, farklı beklentilerle yorumlayabilirsiniz. Mesela, temel kullanıcı ile model geliştiren mühendisten aynı derinliği beklemezsiniz.

Rol bazlı çerçeve, eğitim tasarımında da büyük kolaylık sağlar. Tüm çalışanlar için minimum farkındalık seviyesi tanımlarsınız. Yöneticiler için karar alma ve risk yönetimi boyutunu güçlendirirsiniz. Teknik ekipler için ise model mantığı, veri kalitesi ve güvenlik ayrıntılarını derinleştirirsiniz.

Bu yapıyı kurarken, kurumun stratejisini ve regülasyon gerekliliklerini mutlaka masaya yatırmak gerekir.

• Tüm çalışanlar: temel kavrayış, etik çerçeve, günlük iş akışında güvenli kullanım
• Yöneticiler: stratejik kullanım alanları, risk ve fırsat değerlendirmesi, politika sahipliği
• Teknik ekipler: model sınırlılıkları, veri yönetişimi, güvenlik ve entegrasyon bilgisi

Bu ayrımı netleştirdiğinizde, aynı soruları bile farklı ağırlıklarla yorumlayabilirsiniz. Mesela, veri gizliliğiyle ilgili bir madde, finans alanında çalışan bir ekip için daha kritik sayılır. Rol bazlı seviye çerçevesi, bu tür öncelikleri görünür kılar.

Tüm çalışanlar

Tüm çalışanlar için hedef, yapay zekâ kavramını temel düzeyde anlamak ve günlük işte güvenli kullanımı öğrenmektir. Burada karmaşık teknik detaylara girmeye gerek yok. Ben bu grupta özellikle veri mahremiyeti, telif ve gizli bilgi paylaşımı gibi konuları öne çıkarıyorum. Böylece minimum risk bariyerini kurum genelinde sağlamlaştırmış olursunuz.

Yöneticiler

Yöneticilerde aradığım seviye, sadece araçları bilmekten çok daha fazlasıdır. Onların zekâ çözümlerinin iş hedeflerine katkısını okuyabilmesi gerekir. Ayrıca riskleri yönetebilmeli, politika ve sınırları netleştirebilmelidir. Bu gruba özel sorularla, karar kalitesini ve örnek olma düzeyini ölçmek anlamlı sonuçlar verir.

Teknik ekipler

Teknik ekipler için yapay zekâ okuryazarlığı, sistemlerin nasıl çalıştığını kavrama düzeyine kadar iner. Model sınırlılıklarını, veri kalitesinin etkisini ve entegrasyon risklerini anlamalarını beklerim. Bu grupta daha ayrıntılı sorular kullanmak gerekir. Söz gelimi, prompt tasarımının ötesine geçip, loglama ve erişim kontrolü gibi alanları da yoklamak önemlidir.

Ön test ve son test kurulumu

Benim programımda ön test – son test modülü isteğe bağlı bir seçenek olarak duruyor. Bazı kurumlar sadece başlangıç ölçümüyle yetinmek istiyor, bazıları ise değişimi net görmek istiyor. Her iki tercih de makul; kritik olan, kullandığınız yapay zeka okuryazarlığı ölçeği ile bu yapının uyumlu olması. Aynı boyutları ölçmeyen testler, karşılaştırmayı anlamsız hale getirir.

Ön testi, eğitimden önce kısa ve odaklı şekilde uygularsınız. Son test ise ya program bitiminde ya da belirli bir süre sonra devreye girer. Burada zamanlama kararı, davranış değişimini mi, yoksa sadece bilgi artışını mı görmek istediğinize bağlıdır.

Ön test – son test kurgusunu planlarken aşağıdaki adımlar işinizi kolaylaştırır.

• Önce: hangi boyutlarda değişim görmek istediğinizi netleştirin
• Sonra: soruların her iki testte de aynı yapıyı koruduğundan emin olun
• En son: sonuçları rol bazlı hedef seviyelerle birlikte yorumlayın

Ben ayrıca, test sonuçlarını katılımcılara bireysel geri bildirim olarak sunmayı faydalı buluyorum. Bu sayede, kişi kendi gelişim yolculuğunu daha somut görür. Katılım belgesini kurum isterse düzenliyorum; belge bir sertifika ya da akreditasyon iddiası taşımıyor.

Ön testin amacı

Ön testin ana amacı, başlangıç noktasını netleştirmektir. Eğitim içeriğini de bu resme göre ayarlarsınız. Diyelim ki, ekip zaten temel kavramları biliyorsa, daha fazla vaka çalışmasına zaman ayırabilirsiniz. Bunun yanı sıra, ön test, çalışanlara “bu alanda benden ne bekleniyor?” sorusunun cevabını da erken verir.

Son testin anlamlılığı

Yanlış ölçme biçimleri ve yan etkileri

Yapay zekâ okuryazarlığını ölçerken en sık gördüğüm hata, anketi performans değerlendirme aracı gibi kullanmak. Ben buna net biçimde karşı çıkıyorum. Çünkü çalışan, zekâ okuryazarlığı ölçeği sonucunun terfi ya da primle ilişkilendiğini düşünürse, yanıtlarını dürüst vermeyebilir. Bu durum, hem veriyi bozar hem de öğrenme kültürünü zedeler.

Bir diğer sorunlu yaklaşım, sadece teknik bilgiye odaklanan uzun testler hazırlamak. Çalışan, günlük işinde kullanmayacağı ayrıntılarla karşılaştığında motivasyonu düşer. Üstelik, sadece bilgi soran formlar, davranış ve tutum boyutunu gözden kaçırır. Bu da risk yönetimi tarafında ciddi boşluk yaratır.

Yanlış kurgulanmış ölçümlerin tipik yan etkilerini üç başlıkta toplayabiliriz.

• Güvensizlik: Çalışanlar, zekâ okuryazarlığı ölçeğinin cezalandırıcı olduğunu düşünmeye başlar.
• Yüzeysel yanıtlar: Katılımcılar, “doğru” olduğunu sandığı seçenekleri işaretler, gerçek seviye görünmez.
• Yanlış yatırım: Yönetim, hatalı veriye bakarak eğitim bütçesini gereksiz alanlara kaydırır.

Benim tavsiyem, ölçümü açıkça “gelişim aracı” olarak konumlandırmanız. Sonuçları bireysel performans notuna bağlamadan, ekip ve kurum seviyesinde gelişim rehberi olarak kullanmak çok daha sağlıklı. Zekâ okuryazarlığı ölçeğinin amacı, insanları elemek değil, birlikte öğrenme alanlarını görünür kılmaktır.

Sık sorulan sorular

Ölçmenin sonucunu bir programa bağlamak için kurumsal yapay zekâ okuryazarlığı eğitimi ve kurumsal yapay zekâ eğitimi sayfalarına, başlangıç kararı için şirkette yapay zekâya nereden başlanır yazısına bakabilirsiniz.