Yetenek liderlerinin yüzde elli dördü artık yapay zekâ üretimi özgeçmişlerin, başvuruların ve mülakat hazırlığının bir adayın gerçek yetkinliğini değerlendirmeyi zorlaştırdığını söylüyor — ve bunu, yüzde 90'ından fazlasının tüm kaynak bulma ve elemede yapay zekâ kullandığını bildirdiği, ancak yüzde 5'ten azının sonuçları dönüştürücü olarak nitelediği aynı nefeste söylüyorlar (ManpowerGroup, 2026). Bu üç sayıyı birlikte okuyun, anlattıkları "yapay zekâ işe alımda bize yardımcı oluyor" değildir. Şunu anlatırlar: huninin bir tarafını otomatikleştirmek için iki yıl harcadınız, adaylarınız da aynı iki yılı diğerini otomatikleştirmekle geçirdi ve gerçekten önemli olana — işi kimin yapabileceğini okumaya — net etki geriye gitti.
Orta ölçekli pazarın çoğu işe alım operasyonunun şu anda içinde oturduğu tuzak budur. Eleme bozuk göründüğünde içgüdü, daha iyi bir aday takip sistemi satın almak veya bir yapay zekâ filtresi daha eklemektir. ManpowerGroup ve Everest Group verileri bu içgüdünün yanlış katmanı hedeflediğini söylüyor. Bu bir araç boşluğu değil. Bu bir sinyal sorunu ve hiçbir miktarda eleme otomasyonu, geniş ölçekte sahtelenebilir hale getirilmiş bir sinyali onarmaz.
Huninin iki tarafı da aynı anda otomatikleşti
Simetriden başlayın, çünkü neredeyse hiç kimsenin hesaba katmadığı kısım budur. Kaynak bulmak, sıralamak ve elemek için yapay zekâ konuşlandırdığınızda, diğer taraftaki girdilerin sabit kaldığını varsaydınız — bir özgeçmişin aşağı yukarı 2022'deki bilgiyi taşıdığını. Taşımıyor. Aday artık sizinle aynı sınıf araca sahip. Üretken yapay zekâ özgeçmişi yazıyor, ön yazıyı ilanınıza göre uyarlıyor, eleme sorularınıza yanıtları taslak haline getiriyor ve mülakatı prova ediyor.
ManpowerGroup/Everest Group çalışması — ABD ve Birleşik Krallık'ta 80 C düzeyi yönetici, CHRO ve kıdemli yetenek edinme liderine yapılan bir anket — sonuca bir sayı koyuyor: %54, yapay zekâ destekli aday davranışının gerçek yetkinliği doğru değerlendirmeyi zorlaştırdığını bildiriyor (ManpowerGroup, 2026). Bu, girdinin bozulduğunu size söyleyen kıdemli işe alım liderlerinin çoğunluğu. İki taraf birlikte otomatikleşti ve silahlanma yarışı, silahlanma yarışlarının genellikle bittiği yerde bitti — iki tarafta da çok daha fazla harcama ve hiç kimseye kalıcı bir avantaj yok.
Sinyal daha gürültülü olmadı — sahtelenebilir oldu
Burada ne yapılacağını değiştiren kritik bir ayrım var. Sorun hunide daha fazla gürültü olması değil. Sorun, özgeçmiş ve başvuru katmanının artık yapay zekâ ile şişirilebilir olması — ve bir sinyal ucuza üretilebildiğinde, adayları buna göre sıralamak sizin önemsediğinizi ölçmeyi bırakır.
Eleme yapay zekânızın gerçekte neyi optimize ettiğini düşünün. Adayları yazılı başvurularının gücüne göre puanlar ve sıralar: anahtar kelimeler, ifade biçimi, iş tanımıyla görünürdeki eşleşme. O yazılı katman adayın kendi çabasıyla üretildiğinde, gayret ve uyumun zayıf ama gerçek bir vekiliydi. Bir modelin dokuz saniyede ürettiği durumda, sıralama giderek komut istemi akıcılığını — adayın (veya aracının) ilanınızı ne kadar iyi tersine mühendislik ettiğini — role uygunluk yerine ödüllendirir. Yine de net, kendinden emin bir sıralı liste alırsınız. Sadece yanlış değişkeni ölçmektedir. Bu, seçimdeki en tehlikeli başarısızlık biçimidir: görünür şekilde bozulan bir sistem değil, ölçtüğü şey sessizce anlamsızlaştıktan sonra kendinden emin çıktılar üretmeye devam eden bir sistem.
"%5'ten az dönüştürücü"nün, bir çeyrek daha benimseme ile çözülecek bir olgunluk sorunu olmamasının nedeni de budur (ManpowerGroup, 2026). Sinyali içi boşaltılmış bir katmandan dönüştürücü bir sonuç çıkaramazsınız. Sahtelenebilir bir girdiye uygulanan daha fazla eleme gücü, yalnızca gürültünün daha hızlı ve daha kendinden emin sıralanmasını verir.
Altında gizlenen hacim sorunu
Sinyal sorunu bir hacim sorununun üzerine biner ve ikisi birikir. Başvurmak artık neredeyse bedava olduğundan, başvuru sayısı gerçek ilgiden koptu. Bir işe alım uzmanı, tarihsel olarak 100 ila 150 başvuru çekecek bir iş analisti pozisyonunun bu kez 2.000'den fazla başvuru topladığını bildirdi — tek bir pozisyon için 13 ila 20 kat sıçrama (The Irish Times, 2026). Bu nitelikli bir ilgi dalgası değil. Sizinle aynı otomasyonu çalıştıran adayların mekanik çıktısıdır.
Maliyet ekibinizin zamanına biner. Aynı haberde, bir Greenhouse anketi işe alım uzmanlarının %38'inin artık çabalarının yarısını çöp, spam ve tamamen niteliksiz başvuruları elemekle geçirdiğini buldu (The Irish Times, 2026). Bunu sinyal sorununun üzerine yığın, tam tabloyu elde edersiniz: her zamankinden fazla başvuru, her biri her zamankinden zayıf bir gösterge ve kapasitesinin yarısını makine üretimi hacmi insan niyetinden ayırmaya yakan bir işe alım ekibi. Bunu daha hızlı işlemek için daha fazla eleme yapay zekâsı satın almak sorunu küçültmez. Onu sanayileştirir.
Neden daha iyi bir ATS bunu çözmeyecek
Cazip yanıt — daha akıllı bir ATS, daha keskin bir özgeçmiş ayrıştırma modeli, "yapay zekâyı tespit eden" bir yapay zekâ — tasarımı gereği silahlanma yarışını kaybeder. Konuşlandırdığınız her dedektör, üretim araçlarının kendilerini karşısında optimize ettiği bir hedeftir ve bu araçlar daha hızlı yineler ve milyonlarca aday tarafından kullanılır. Bütçenizi tam da zaten ele geçirilmiş katmanı savunmaya adamış olursunuz.
Başarısızlığın daha derin nedeni, bozuk bir öncülü kabul etmesidir: yetkinliğin özgeçmişte yaşadığı. Hiçbir zaman tam olarak öyle değildi — ve şimdi kanıtlanabilir biçimde değil. Çözüm, sahtelenebilir katmanı daha zekice okumak değil. Çözüm, sahtelenebilir katmana bu kadar ağırlık vermeyi bırakmak ve karar ağırlığını bir adayın geniş ölçekte ucuza üretemeyeceği girdilere kaydırmaktır. Bu, nasıl elediğinizde bir tasarım değişikliğidir, bir satın alma değil.
Silahlanma yarışında kalmanın daha sessiz bir maliyeti de vardır: hatalı redler. Sıralamanız komut istemi akıcılığını ödüllendirdiğinde, gerçekten güçlü ama kendini pazarlamada vasat olan aday — ya da başvurusunu bir optimize ediciden geçirmeyi reddeden aday — bunu yapanın altına batar. Yalnızca şişirilmiş başvuruları yakalamakta başarısız olmuyorsunuz; katmanı oynamaya zahmet etmeyen gerçek yetkinliği aktif olarak alt sıraya itiyorsunuz. Tek bir pozisyonun artık binlerce başvuru çektiği bir pazarda, bu yanlış olumsuzlar görünmez ve geri alınamazdır. Sahtelenebilir sinyalinizin hangi nitelikli kişiyi gömdüğünü asla öğrenemezsiniz.
Adayların geniş ölçekte sahteleyemeyeceği girdilere doğru yeniden ağırlıklandırın
Burada araştırma alışılmadık biçimde yerleşmiştir ve yapay zekâ paniğinden onlarca yıl öncedir. Referans noktası, yaklaşık 85 yıllık seçim araştırmasını sentezleyen Schmidt ve Hunter meta-analizidir; iş örneği testlerinin, yapılandırılmış mülakatların ve bilişsel yetenek ölçümlerinin iş performansının en güçlü yordayıcıları arasında olduğunu — özgeçmişe yakın sinyallerin, eğitim ve deneyim yılının ise görece zayıf olduğunu buldu (Schmidt & Hunter, 1998). Yapılandırılmış, işi temsil eden bir değerlendirme, başvuru belgesinden çok daha fazla yordama geçerliliği taşır — ve o belge dürüstçe yazıldığında bile daha iyi araçtı.
Yapay zekâ bunu bir en iyi uygulama argümanından acil bir argümana taşır. Ayakta kalan yöntemler tam da geniş ölçekte sahtelemesi pahalı olanlardır. Bir model saniyeler içinde kusursuz bir özgeçmiş üretebilir; gerçek adayınızı işi temsil eden bir iş örneğine oturtup yapılandırılmış koşullar altında onun gerçek muhakemesini üretemez. Doğrulanmış bir psikometrik değerlendirme, cilalı bir başvurunun basitçe açığa çıkarmadığı özellikleri ve yetenekleri ölçer. Özgeçmiş katmanında kaybettiğiniz sinyal geri kazanılabilir — ama yalnızca ölçümü otomasyonun ulaşamayacağı bir yere taşıyarak.
Somut olarak, "adayların geniş ölçekte sahteleyemeyeceği girdiler" bir orta ölçekli pazar ops ekibinin gerçekten uygulayabileceği iki şey demektir. Birincisi, yapılandırılmış bir iş örneği: tutarlı bir değerlendirme ölçeğine göre puanlanan, işi temsil eden kısa bir görev; böylece kişinin işin bir dilimini yaptığını, bununla ilgili iddiasını okumak yerine izlersiniz. İkincisi, doğrulanmış bir psikometrik değerlendirme: roldeki performansı yordayan yetenek ve özelliklerin, adayın dışarıya devredemeyeceği koşullar altında yapılan ölçülü bir okuması. İkisi de belirleyici sinyali belgeden davranışa taşır — ve ikisi de dikkat çekici biçimde özgeçmiş elemesinden hukuken daha savunulabilirdir çünkü doğrudan işten örnek alırlar.
Bu çeyrek için tek hamle
Bunun için harekete geçmek üzere ATS'nizi söküp atmanıza veya işe alımı yeniden mimarlamanıza gerek yok. Bir roldeki karar ağırlığının nerede durduğunu değiştirmeniz gerekiyor.
Yani somut hamle dar ve test edilebilir: en yüksek hacimli açık pozisyonunuzu — yapay zekâ ile şişirilmiş başvurularda boğulanı — alın ve sürecin erken aşamasına işi temsil eden bir iş örneği artı doğrulanmış bir değerlendirme ekleyin, sonra sıralamanızı bu sonuçlar özgeçmiş puanını geçecek şekilde yeniden ağırlıklandırın. Özgeçmiş katmanını yalnızca açıkça niteliksiz olanları elemek için kullanın; kimin ilerleyeceğine sahtelenemeyen girdiler karar versin. Ardından bunu özgeçmiş öncelikli elemede bıraktığınız karşılaştırılabilir bir role karşı ölçün ve bir çeyrek boyunca iki sayıyı izleyin: uyum hızı ve erken performans gibi işe alım kalitesi sinyalleri ve çöp elemekten geri kazanılan işe alım uzmanı zamanının payı.
Yeniden ağırlıklandırılmış rol, daha az boşa harcanan eleme çabasıyla daha iyi işe alımlar üretirse, kendi huninizin içinde ManpowerGroup verilerinin işaret ettiği şeyi kanıtlamış olursunuz: içi boşaltılmış bir sinyalin yanıtı hiçbir zaman sahtelenebilir katman için daha iyi bir eleyici olmadı. Yanıt, adaylarınızın otomatikleştirmeyi öğrendiği katmana güvenmeyi bırakmak — ve hâlâ yapamadıkları tek şeyi ölçmekti. Yetkinliği artık okuyamadıklarını söyleyen %54, sorun konusunda haklı. Onu, yapay zekânın artık orada olmayacağını garantilediği tek yerde arıyorlar.
