Yapay zekâ eğitiminin etkisi, eğitimden önce seçilen iş görevlerinde başlangıç değerleri ölçülüp aynı göstergeler eğitimden sonra belirli aralıklarla aynı yöntemle yeniden ölçülerek değerlendirilir. Kirkpatrick modelinin tepki, öğrenme, davranış ve sonuç düzeyleri bu ölçüm için yaygın bir çerçeve sunar. Güvenilir bir değerlendirme; gerçekten ölçülmüş görev süresini, benimseme, kalite ve hata göstergelerini, veri güvenliği ve politika uyumu göstergelerini birlikte izler. Katılımcı sayısı veya memnuniyet puanı tek başına etkinin kanıtı sayılmaz.
Yapay zekâ eğitiminin etkisi, eğitimin çalışanların bilgi ve becerisinde, iş yapma biçiminde ve kurumun izlediği iş sonuçlarında yarattığı ölçülebilir değişimdir. Bu etkinin ölçülmesi, eğitimden önce belirlenen başlangıç değerlerinin eğitimden sonra aynı yöntemle yeniden ölçülmesine dayanır.
Birçok kurumda eğitim değerlendirmesi, son oturumun ardından dağıtılan memnuniyet anketiyle ve katılım listesiyle sınırlı kalmaktadır. Bu veriler eğitimin nasıl karşılandığını gösterir; çalışanların yapay zekâ araçlarını işte doğru, güvenli ve verimli biçimde kullanıp kullanmadığını ise göstermez. Hızlanan bir işin kalitesi düşmüş veya gizli bir bilgi harici bir hizmete aktarılmış olabilir.
Bu yazıda DRM Yayın Kurulu, eğitim etkinliği ölçümünün yapay zekâ eğitimlerine nasıl uyarlanacağını; başlangıç ölçümünden yönetime raporlamaya kadar ele almaktadır.
Yapay zekâ eğitiminin etkisi neden ölçülmelidir?
Ölçüm, eğitim bütçesini savunmanın ötesinde bir karar aracıdır. Kurum, sonuçlara bakarak hangi ekiplerin tamamlayıcı oturuma ihtiyaç duyduğuna, hangi kullanım senaryolarının yaygınlaştırılacağına ve hangilerinin durdurulacağına karar verir. Ölçüm yapılmayan programlarda bu kararlar izlenime dayanır.
Yapay zekâ eğitimlerinde ölçümün üç ayrı amacı vardır:
- Değer: Eğitimin seçilen iş görevlerinde süre, kalite veya kapasite açısından fark yaratıp yaratmadığını göstermek.
- Risk: Kullanım arttıkça kişisel veri, gizli bilgi ve doğrulanmamış çıktı risklerinin kontrol altında kalıp kalmadığını izlemek.
- Belgelendirme: Hangi çalışanın hangi içerikte eğitim aldığını ve bu eğitimin işe nasıl yansıdığını kayıt altına almak.
Ölçmenin daha geniş dönüşüm planı içindeki yeri, şirketlerde yapay zekâ dönüşümüne ilişkin sekiz aşamalı yol haritasında açıklanmaktadır.
Ölçüme başlamadan önce başlangıç değerleri nasıl belirlenir?
Başlangıç ölçümü (baseline) yapılmamış bir programda eğitim sonrasında elde edilen hiçbir değer karşılaştırılamaz. Bu nedenle ölçüm planı, eğitim içeriğiyle birlikte ve eğitim başlamadan önce hazırlanmalıdır. Programın kapsamı ve içeriği tasarlanırken izlenecek adımlar eğitimin planlanmasına ilişkin YazılımaOrg rehberinde ele alınmaktadır; ölçüm açısından ise aşağıdaki adımlar önerilir:
- Hedef sonuçların seçilmesi: Eğitimin katkı sağlaması beklenen iki veya üç kurumsal sonuç (ör. teklif hazırlama süresi, müşteri yanıtlarının kalitesi, raporlama hataları) yazılı olarak belirlenir.
- Görevlerin tanımlanması: Her sonuç için tekrar eden ve benzer zorlukta görevler seçilir; "rapor yazmak" yerine "aylık satış özetini hazırlamak" gibi somut tanımlar kullanılır.
- Mevcut durumun ölçülmesi: Seçilen görevlerin tamamlanma süresi, düzeltme turu ve hata sayısı eğitimden önce belirli bir dönem boyunca kaydedilir.
- Yetkinlik ön testi: Katılımcıların bilgi ve beceri düzeyi kısa, uygulamalı bir değerlendirmeyle ölçülür. Rol bazlı hedef düzeylerin belirlenmesinde DRM Kurumsal Yapay Zekâ Yetkinlik Çerçevesi başvuru metni olarak kullanılabilir.
- Risk göstergelerinin kaydı: Yapay zekâ araçlarıyla ilişkili bildirilen olaylar, onaylı ve onaysız araç kullanımı ile politika bilinirlik düzeyi kayda alınır.
- Veri kaynaklarının ve sorumluların belirlenmesi: Her gösterge için verinin nereden, kim tarafından ve hangi sıklıkla toplanacağı yazılır.
Kirkpatrick modelinin dört düzeyi yapay zekâ eğitimine nasıl uygulanır?
Eğitim değerlendirmesinde yaygın olarak başvurulan çerçevelerden biri, 1950'lerde Donald Kirkpatrick tarafından geliştirilen ve sonraki dönemde Kirkpatrick Partners tarafından güncellenen dört düzeyli modeldir. Modelin güncel uygulama yaklaşımı, planlamanın Düzey 4'ten başlamasını, yani önce hedeflenen kurumsal sonucun belirlenmesini ve programın bu sonuçtan geriye doğru tasarlanmasını önerir.
| Düzey | Yanıtlanan soru | Yapay zekâ eğitiminde örnek gösterge | Ölçüm yöntemi |
|---|---|---|---|
| 1. Tepki | Katılımcılar eğitimi işleriyle ilgili ve ilgi çekici buldu mu? | Senaryoların kendi işine uygunluğuna ilişkin puan, oturum içi katılım | Oturum içi kısa yoklamalar, eğitim sonu anketi |
| 2. Öğrenme | Bilgi, beceri, tutum, özgüven ve uygulama kararlılığı kazanıldı mı? | Çıktı doğrulama adımlarının uygulanması, veri sınıflandırma kurallarının doğru seçilmesi | Ön ve son test, uygulamalı görev, öğrenileni başkasına anlatarak gösterme |
| 3. Davranış | Kritik davranışlar işte uygulanıyor mu? | Onaylı aracın düzenli kullanımı, şablon kullanımı, çıktının gönderilmeden önce kontrol edilmesi | Yönetici gözlemi, iş örneği incelemesi, kullanım kayıtları |
| 4. Sonuç | Hedeflenen kurumsal sonuçlar gerçekleşiyor mu? | Görev süresi, hata oranı, iç müşteri memnuniyeti, olay sayısı | Kurumun mevcut süreç ve kalite verileri |
Modelin doğru okunması için iki nokta önemlidir. Birincisi, düzeyler arasında kendiliğinden bir geçiş yoktur: yüksek memnuniyet puanı öğrenmenin, iyi bir son test sonucu ise davranış değişikliğinin kanıtı değildir. İkincisi, öğrenilenin işe aktarıldığı Düzey 3 çoğu zaman belirleyicidir. Bu aktarım yönetici takibine, iş yardımcılarına (kontrol listeleri, onaylı prompt şablonları) ve hesap verebilirliğe bağlıdır; bu nedenle davranış ölçümüne eğitimden kısa süre sonra başlanması önerilir. Düzey 4'te ise gecikmeli sonuçlar ortaya çıkmadan önce öncü göstergelerin (ör. pilot ekipte düzeltme turunun azalması) izlenmesi, zamanında yön düzeltmeye imkân verir.
Hangi metrikler izlenmelidir?
Metrikler, Kirkpatrick düzeyleriyle eşleştirilebilen dört grupta toplanabilir. Her gruptan az sayıda ama düzenli ölçülebilen gösterge seçilmesi önerilir.
Kullanım senaryosu bazlı metrikler
Görev süresi, en sık başvurulan ve en sık yanlış hesaplanan göstergedir. Süre, çalışan tahminiyle değil gerçekten ölçülerek kaydedilmelidir: aynı görev türü, benzer zorluktaki örneklerle, eğitim öncesinde ve sonrasında aynı yöntemle zamanlanır. Çıktının okunması, doğrulanması ve düzeltilmesi için harcanan süre de yapay zekâ destekli süreye dahil edilir. Mümkünse eğitime henüz katılmamış benzer bir ekip karşılaştırma grubu olarak kullanılır. Ölçülen süre farkı, kazanılan zamanın ne için kullanıldığı belirtilmeden maliyet tasarrufu olarak raporlanmamalıdır.
Benimseme metrikleri
- Onaylı araçlara erişimi olan çalışanlar içinde aracı düzenli kullananların oranı
- Eğitimde işlenen senaryolardan işte fiilen uygulananların oranı
- Kurum içi şablon ve prompt kütüphanesine yapılan katkılar ile yeni senaryo önerileri
- Kullanımın birkaç gönüllü çalışanda mı kaldığı yoksa ekip geneline mi yayıldığı
Kalite ve hata metrikleri
- Yapay zekâ destekli çıktılardan ilk gözden geçirmede kabul edilenlerin oranı
- Bir çıktının onaylanana kadar geçirdiği düzeltme turu sayısı
- Gözden geçirmede tespit edilen olgusal hatalar ve var olmayan kaynak gösterme örnekleri
- Kaynak kontrolü gibi doğrulama adımlarının uygulanma düzeyi
Risk ve uyum metrikleri
- Yapay zekâ araçlarıyla ilişkili kişisel veri ihlali veya ihlal şüphesi bildirimlerinin sayısı
- Onaysız araç kullanımı tespitleri ve onaylı araca geçiş talepleri
- Kullanım politikası bilinirlik testi sonuçları
- Reklam ve pazarlama içeriklerinde yapay zekâ kullanımının belirtilmesine ilişkin iç denetim bulguları
Bu göstergeler, ölçülecek kuralları tanımlayan bir yapay zekâ kullanım politikası olmadan anlam taşımaz. Eğitimden sonra bildirilen olay sayısının artması kötüleşmeyi değil farkındalık artışını da gösterebilir; risk göstergeleri bu nedenle eğilim olarak yorumlanmalıdır. Kişisel verilerin üretken yapay zekâ araçlarıyla işlenmesine ilişkin çerçeve için Kişisel Verileri Koruma Kurumu'nun Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi esas alınabilir.
30-60-90 gün ölçüm planı nasıl kurulur?
Tek seferlik bir ölçüm, eğitimin kalıcı etkisini göstermez. Aşağıdaki plan, ölçümü eğitimin bitiminden sonraki üç aya yayar ve her aşamayı bir karara bağlar.
| Dönem | Odak düzey | Ölçülen göstergeler | Veri kaynağı | Alınacak karar |
|---|---|---|---|---|
| Eğitim öncesi | Başlangıç | Görev süresi, hata ve düzeltme turu, ön test, risk göstergeleri | Süreç kayıtları, ön test, olay kayıtları | Hedef değerlerin onaylanması |
| 30. gün | Tepki ve öğrenme | Uygunluk puanı, son test, uygulamalı görev sonucu, politika bilinirliği | Anket, değerlendirme, görev çıktıları | Tamamlayıcı oturum gereken konuların belirlenmesi |
| 60. gün | Davranış | Düzenli kullanım oranı, senaryo uygulama oranı, ikinci görev süresi ölçümü, kalite göstergeleri | Yönetici gözlemi, iş örneği incelemesi, kullanım kayıtları | Destek ve iş yardımcılarının güncellenmesi |
| 90. gün | Sonuç (öncü göstergeler) | Başlangıca göre görev süresi ve hata değişimi, olay eğilimi, karşılaştırma grubu farkı | Süreç ve kalite verileri | Yaygınlaştırma, düzeltme veya durdurma |
Ölçüm planının teklif aşamasında eğitim sağlayıcısıyla paylaşılması, eğitimde çalışılan görevlerin ölçümde kullanılacak görevlerle uyumlu olmasını sağlar. Bu uyuma bir örnek, DRM akreditasyonuna sahip YazılımaOrg'un şirketler, kurumlar ve teknokentler için sunduğu kurumsal yapay zeka eğitimi programlarıdır: içerik kurumun kendi senaryoları üzerinden işlenir ve programı tamamlayan katılımcılara doğrulama kodlu dijital sertifika verilir. Bu yapı, Düzey 2 kanıtlarının ölçülen görevlerle ilişkilendirilmesini kolaylaştırır. Kurumsal eğitim iletişimi: omerfaruk@yazilima.org · +90 546 457 21 03.
Ölçüm beklentilerinin teklif ve sözleşme koşullarına nasıl yansıtılacağı ise yapay zekâ eğitimi satın alma rehberimizde ele alınmaktadır.
Sonuçlar yönetime nasıl raporlanır?
Yönetime sunulan rapor, ölçülen ile tahmin edileni açıkça ayırmalı ve her rakamın hangi yöntemle elde edildiğini belirtmelidir. Aşağıdaki şablon, 90. gün raporu için tek sayfalık bir yapı önerir.
| Rapor bölümü | İçerik | Dikkat edilecek nokta |
|---|---|---|
| Yönetici özeti | Üç ana bulgu ve önerilen karar | Bulgu ile yorum ayrı cümlelerde verilir |
| Kapsam | Katılımcı grupları, eğitim içeriği, ölçülen görevler | Ölçüm dışında kalan ekipler belirtilir |
| Sonuç göstergeleri | Başlangıç değeri, 90. gün değeri, değişim | Örneklem büyüklüğü ve ölçüm yöntemi yazılır |
| Davranış ve benimseme | Düzenli kullanım, senaryo uygulama oranı | Kişi bazında değil, ekip bazında raporlanır |
| Kalite ve risk | Düzeltme turu, hata, olay ve onaysız araç eğilimi | Artışların olası nedenleri açıklanır |
| Maliyet | Eğitim, lisans ve çalışan zamanı maliyeti | Hesaba katılan kalemler tek tek listelenir |
| Sınırlılıklar | Karşılaştırma grubu, dönemsellik, eşzamanlı değişiklikler | Eğitim dışı etkenler açıkça yazılır |
| Sonraki adım | Yaygınlaştırma, tamamlayıcı oturum veya durdurma | Bir sonraki ölçüm tarihi belirtilir |
Yatırım getirisi hesaplanmalı mıdır?
Jack Phillips'in ROI Metodolojisi, Kirkpatrick'in dört düzeyine eğitimin parasal getirisini ele alan beşinci bir düzey ekler; getiri, net program faydasının program maliyetine oranı olarak hesaplanır. Bu hesap; güvenilir Düzey 4 verisi, eğitimin etkisinin diğer etkenlerden ayrıştırılması ve sonuçların parasal değere dönüştürülmesi olmadan anlamlı değildir. Bu koşullar sağlanmadan üretilen bir getiri yüzdesi yönetimi yanıltır; parasal değere dönüştürülemeyen faydalar ayrıca raporlanmalıdır.
Ölçümde sık yapılan hatalar nelerdir?
- Gösteriş metriklerine dayanmak: Katılımcı sayısı, toplam eğitim saati, sertifika sayısı, memnuniyet puanı veya satın alınan lisans sayısı faaliyetin gerçekleştiğini gösterir; etkinin kanıtı değildir.
- Kanıtsız verimlilik yüzdeleri kullanmak: Tedarikçi tanıtımlarından, genel raporlardan veya çalışan tahminlerinden alınan yüzdeler kurumun kendi ölçümünün yerine konmamalıdır.
- Başlangıç ölçümünü atlamak: Eğitimden sonra toplanan veriler, karşılaştırılacak bir başlangıç değeri olmadan yorumlanamaz.
- Yalnızca hızı ölçmek: Kısalan görev süresi; hata, düzeltme ihtiyacı ve doğrulama için harcanan süreyle birlikte izlenmezse yanıltıcı olur.
- Eğitim dışı etkenleri yok saymak: Yeni bir aracın devreye girmesi, ekip değişikliği veya dönemsel iş yükü de sonuçları etkileyebilir.
- Ölçümü bireysel gözetime dönüştürmek: Kullanım kayıtları kişisel veri niteliği taşıyabilir; 6698 sayılı Kanun kapsamındaki aydınlatma yükümlülüğü gözetilmeli, raporlama ekip düzeyinde yapılmalıdır.
Düzenli tutulan eğitim kayıtları AB pazarıyla ilişkili kurumlar için de yararlıdır; Avrupa Komisyonu'nun soru-cevap metni, yapay zekâ okuryazarlığına yönelik eğitim ve girişimlerin kurum içi kayıtlarla belgelenebileceğini belirtmektedir. Ayrıntı, AB Yapay Zeka Yasası kapsamında yapay zekâ okuryazarlığını ele alan yazımızda yer almaktadır.
Sıkça Sorulan Sorular
Yapay zekâ eğitiminin etkisini görmek için ne kadar beklemek gerekir?
Tepki ve öğrenme düzeyindeki sonuçlar eğitimin hemen ardından ölçülebilir. Davranış değişikliği için genellikle birkaç haftalık, iş sonuçlarındaki değişim için ise en az birkaç aylık izleme gerekir; 30-60-90 gün planı bu nedenle önerilir.
Kirkpatrick modeli yapay zekâ eğitimleri için uygun mudur?
Evet. Model belirli bir eğitim konusuna bağlı değildir; her düzeyde araç kullanımı, çıktı doğrulama ve veri güvenliği göstergeleri tanımlanarak uyarlanabilir. Planlamanın Düzey 4'ten, yani hedeflenen kurumsal sonuçtan başlaması önerilir.
Görev süresindeki değişim güvenilir biçimde nasıl ölçülür?
Aynı görev türü, benzer zorluktaki örneklerle eğitimden önce ve sonra aynı yöntemle zamanlanmalıdır. Doğrulama ve düzeltme süresi hesaba katılmalı, mümkünse bir karşılaştırma grubu kullanılmalıdır.
Yapay zekâ eğitiminin yatırım getirisi hesaplanabilir mi?
Hesaplanabilir; ancak iş sonuçlarının ölçülmüş, eğitimin etkisinin diğer etkenlerden ayrıştırılmış ve faydaların parasal değere dönüştürülmüş olması gerekir. Bu koşullar sağlanamıyorsa göstergelerdeki ölçülmüş değişimi raporlamak daha doğrudur.
Çalışanların kullanım kayıtları ölçümde kullanılabilir mi?
Kullanım kayıtları benimsemeyi izlemek için yararlıdır; ancak kişisel veri niteliği taşıyabileceğinden 6698 sayılı Kanun kapsamındaki yükümlülükler gözetilmelidir. Çalışanların önceden bilgilendirilmesi ve ekip düzeyinde raporlama önerilir.
Kaynaklar
- Kirkpatrick Partners — The Kirkpatrick Model — https://www.kirkpatrickpartners.com
- Donald L. Kirkpatrick, James D. Kirkpatrick — Evaluating Training Programs: The Four Levels, 3. baskı, Berrett-Koehler Publishers, 2006
- Jack J. Phillips — ROI Metodolojisi (ROI Institute)
- 6698 sayılı Kişisel Verilerin Korunması Kanunu — Resmî Gazete 07.04.2016, Sayı 29677
- Kişisel Verileri Koruma Kurumu — Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda), 24.11.2025 — https://www.kvkk.gov.tr
- Ticari Reklam ve Haksız Ticari Uygulamalar Yönetmeliği — Resmî Gazete 10.01.2015, Sayı 29232; değişiklik Resmî Gazete 01.07.2026, Sayı 33297 (yürürlük 01.08.2026)
- Regulation (EU) 2024/1689 (AB Yapay Zeka Yasası) — Avrupa Birliği Resmî Gazetesi, 12.07.2024 — https://eur-lex.europa.eu
- Avrupa Komisyonu — AI Literacy: Questions & Answers — https://digital-strategy.ec.europa.eu
- DRM — Kurumsal Yapay Zekâ Yetkinlik Çerçevesi
Hata veya güncelleme bildirimleri için iletişim sayfasını kullanabilirsiniz.