Algoritmik İşe Alımda Önyargı Nasıl Önlenir? AI Bias Denetimi Rehberi (2026)

Algoritmik işe alımda önyargı tam olarak nereden kaynaklanır?

Algoritmik önyargı, kötü niyetli bir mühendisten değil, neredeyse her zaman geçmiş veriden doğar. Bir model, “başarılı çalışan” tanımını şirketin geçmişte işe aldığı kişilerden öğrenir. Eğer bu geçmiş kadrolar belirli bir cinsiyete, yaşa, okula veya mahalleye yoğunlaşmışsa, model bu örüntüyü “başarı kriteri” sanır ve sessizce yeniden üretir. Yani sistem tarafsız değildir; ona öğrettiğiniz tarihin aynasıdır.

Bunun en bilinen örneği Amazon’un yaşadığı vakadır. Reuters’ın 2018 tarihli haberine göre Amazon, geliştirdiği yapay zekâ destekli işe alım aracını, sistemin “kadın” kelimesini içeren özgeçmişleri (örneğin “kadın satranç kulübü kaptanı”) sistematik olarak düşük puanladığı ortaya çıkınca tamamen rafa kaldırdı. Modelin verdiği teknik kararların görünüşte nesnel olması, sonucun adil olduğu anlamına gelmiyordu. Bu mantığı daha derinlemesine merak edenler için bilinçsiz önyargıyı azaltmanın yolları başlıklı yazımız konuyu model düzeyinde ele alıyor.

Sorunun ölçeği küçük değildir. Harvard Business School ve Accenture’ın 2021 tarihli “Hidden Workers: Untapped Talent” raporunda işverenlerin %88’i, nitelikli adayların otomatik özgeçmiş tarama sistemleri (ATS) tarafından yalnızca katı kriter eşleşmesi tutmadığı için elendiğini kabul etti. Yani önyargı yalnızca etik bir sorun değil; doğrudan yetenek havuzunu daraltan bir verimlilik kaybıdır.

Algoritmik model geleneksel işe alımdan daha mı risklidir?

Aslında algoritmik modelin tek başına “daha önyargılı” olduğunu söylemek doğru değildir; mesele riskin nasıl davrandığıdır. İnsan önyargısı dağınık ve tutarsızdır; bir önyargılı yönetici yalnızca kendi gördüğü adayları etkiler. Algoritmik önyargı ise ölçeklenir: tek bir kusurlu model, saniyeler içinde on binlerce adayı aynı hatayla eleyebilir. Bu yüzden işe alım süreçlerinde algoritma kullanımının avantajları kadar, kontrol mekanizması da konuşulmalıdır.

Tablodan da görüleceği gibi algoritma, doğru kurulduğunda tutarlılık ve izlenebilirlik avantajı sunar; yanlış kurulduğunda ise riski büyütür. Bu nedenle olgun bir AI destekli işe alım analitiği yaklaşımı, modeli bir “kara kutu” değil, sürekli denetlenen bir süreç olarak ele alır.

AI bias denetimi 6 adımda nasıl kurgulanır?

Önyargı denetimi tek seferlik bir kontrol değil, tekrarlayan bir döngüdür. Aşağıdaki sıralama, İK ve veri ekibinin birlikte yürütebileceği uygulanabilir bir çerçeve sunar:

1. Korumalı özellikleri tanımlayın. Cinsiyet, yaş, etnik köken, engellilik durumu gibi yasal olarak korunan değişkenleri belirleyin; modelin bunları doğrudan ya da dolaylı (örneğin posta kodu üzerinden) kullanıp kullanmadığını haritalayın.
2. Veri setinin temsil dengesini ölçün. Eğitim verisindeki gruplar gerçek aday havuzunu yansıtıyor mu? Dengesizlik varsa modelin “başarı” tanımı baştan sapmıştır.
3. Sonuç farkını test edin. Gruplar arası seçilme oranını karşılaştırın. ABD’de yaygın kullanılan “4/5 (80%) kuralı” gibi eşikler, bir grubun seçilme oranı diğerinin %80’inin altına düştüğünde alarm verir.
4. Açıklanabilirlik (explainability) talep edin. Model bir adayı neden elediğini gerekçelendirebilmeli. Gerekçesini açıklayamayan bir aday skorlama algoritması denetlenemez demektir.
5. Bağımsız denetim yaptırın. Modeli geliştiren ekip dışından, üçüncü taraf bir bias audit uygulayın; sonucu belgeleyin.
6. İnsan onayı katmanını koruyun. Nihai elemeyi tamamen otomatiğe bırakmayın; kritik kararlarda bir İK uzmanının gözden geçirmesini zorunlu kılın.

Bu döngü, özellikle özgeçmiş ön elemesinde kritik önem taşır; AI destekli özgeçmiş tarama sistemleri en çok adayla temas eden ilk filtre olduğu için en küçük önyargı bile en geniş etkiyi burada yaratır.

Yasal çerçeve ne diyor: EU AI Act, KVKK ve yerel düzenlemeler

Algoritmik işe alım artık denetimsiz bir alan değildir. Avrupa Birliği’nin 2024’te yürürlüğe giren AI Act düzenlemesi, işe alım ve aday değerlendirmede kullanılan yapay zekâ sistemlerini açıkça “yüksek riskli” (high-risk) kategoriye almış; bu sistemlere veri yönetişimi, şeffaflık ve insan gözetimi yükümlülükleri getirmiştir. Benzer şekilde New York şehrinde 2023’te yürürlüğe giren Local Law 144, otomatik istihdam karar araçları için yıllık bağımsız bias denetimini zorunlu kılmıştır.

Türkiye açısından temel dayanak 6698 sayılı KVKK‘dır; kişisel verilerin işlenmesinde hukuka uygunluk ve şeffaflık ilkeleri, otomatik aday değerlendirmesini de kapsar. KVKK’nın esin kaynağı olan GDPR’ın 22. maddesi ise kişilere, yalnızca otomatik işlemeye dayalı ve kendilerini önemli ölçüde etkileyen kararlara tabi olmama hakkını tanır. Pratikte bu, “modeli reddetti, biz de reddettik” savunmasının yasal olarak yeterli olmadığı anlamına gelir.

Veri bilimci ve “Weapons of Math Destruction” (2016) kitabının yazarı Cathy O’Neil’in sıkça vurguladığı gibi, “Algoritmalar, koddan ibaret görünseler de, içlerine gömülü görüş ve önceliklerdir.” Bu yüzden bir modelin matematiksel olması, onu otomatik olarak nesnel yapmaz. Harvard Business School profesörü Joseph Fuller da “Hidden Workers” çalışmasında, katı otomatik filtrelerin işverenleri kendi yetenek ihtiyaçlarına karşı çalışır hale getirdiğini belirtir.

İK liderleri için pratik çıkarım nedir?

SHRM’nin 2022 araştırmasına göre kuruluşların yaklaşık dörtte biri işe alım dâhil İK faaliyetlerinde halihazırda yapay zekâ veya otomasyon kullanıyor; bu oranın hızla artması bekleniyor. Dolayısıyla soru “kullanacak mıyız” değil, “denetleyebiliyor muyuz” sorusudur. Önyargı denetimini süreçlerine gömen şirketler, hem yasal riski azaltır hem de daha geniş ve nitelikli bir yetenek havuzuna erişir. Bu dönüşümün bütüncül resmini görmek isteyenler için yapay zekâ ile işe alım süreçlerinin dönüşümü ve aday tarafındaki etkisini ele alan otomatikleştirilmiş işe alım sistemleri yazıları tamamlayıcı bir okuma sunar.

Özetle, algoritmik işe alımın değeri otomasyonun hızında değil, o hızı adaletle dengeleyen denetim disiplinindedir. Modeli kuran ekip kadar, onu sorgulayan ekip de masada olmalıdır.