Aktif iş arayanların yüzde 63'ü artık bir yapay zekâ mülakatından geçti — altı ayda 13 puanlık artış. Yüzde 70'ine kendilerini bir yapay zekânın değerlendireceği açıkça söylenmedi; yüzde 21'i ise bunu ancak mülakat başladıktan sonra öğrendi (Greenhouse, 2026).
Bu iki sayı, orta ölçekli şirketlerin işe alım hunilerinin çoğunu tarif ediyor. Information Systems Research dergisinde yayımlanan yeni bir çalışma, ikincisinin size neye mal olduğunu açıklıyor.
Nasıl değerlendirildiğini göremeyen adaylar abartır. Yapay zekâ puanı bunu fark edemez. Ve güvence olsun diye eklediğiniz insan değerlendirici puana bakar ve kendi muhakemesini kullanmayı bırakır.
Bu üç ayrı sorun değil. Üç aşamalı tek bir arıza biçimi ve orta aşama sizin panelinizden görünmüyor.
Şeffaflık paradoksu, sekiz çalışmada test edildi
Akshat Lakhiwal (University of Georgia), Che-Wei Liu (Arizona State), Hillol Bala (Indiana) ve Hung-Yue Suen (National Taiwan Normal University), "From Opacity to Transparency: User Behavior and Downstream Effects in Algorithmic Evaluation" başlıklı çalışmayı 30 Temmuz 2026'da Information Systems Research dergisinde yayımladı. İkisi ana deney ve biri yarı-saha replikasyonu olmak üzere sekiz çalışma; tamamı tek yönlü asenkron video mülakatları bağlamında (Lakhiwal vd., Information Systems Research, 2026).
Başlangıçtaki gerilim gerçek ve çoğu işverenin kullandığı araçlar konusunda sessiz kalmasının nedeni de bu. Algoritmanın neyi ölçtüğünü açıklarsanız adayın kaygısını azaltabilirsiniz — ya da ona sınav cevaplarını teslim etmiş olabilirsiniz. Yazarlar buna şeffaflık paradoksu diyor ve ardından hangi tarafın baskın çıktığını ölçmeye gidiyorlar.
Deney I: algoritmik değerlendirme, insan değerlendirmesiyle karşılaştırıldığında, mülakata girenlerin stresini ve aldatıcı izlenim yönetimini (impression management) artırdı. Şeffaflık her iki etkiyi de dengeledi ve onları "insan değerlendirmesiyle yakın biçimde hizaladı".
Bu sonucu üreten bilgilendirme teknik bir brifing değildi. Adaylara, sistemin yüz ifadelerine, sözel duygu tonuna ve belirli anahtar kelimelere bakacağı; onları takım çalışması, işle ilgili yetenekler, çalışma tarzı ve kişilik üzerinden puanlayacağı söylendi. Bu grup sonrasında, kendilerini bir insanın değerlendirdiğine inanan adaylarla aynı düzeyde otantik davranış sergiledi (UGA Today, 2026).
Lakhiwal'ın, opaklığın neden işverenin aleyhine döndüğüne dair açıklaması akılda tutulmaya değer:
"Hayalinizdeki şirkete başvuruyorsanız ve hayalinizdeki şirket sizi yapay zekâyla mülakata almak istiyorsa, gerçekten pek seçeneğiniz yok. Hayır demek istemiyorsunuz, ama nasıl çalıştığını da bilmiyorsunuz."
Adaylar bu boşluğu tahminle dolduruyor. "Çok fazla abartma oluyordu," dedi Lakhiwal. "'Değerlendiricinin' aradığını düşündükleri şeyi verebilmek için ellerindeki her şeyi ortaya atıyor gibiydiler."
Adayların sistemi oyuna getireceği itirazı tersine dönüyor. Kriterleri saklamak oyuna getirmeyi engellemedi; onu üretti — çünkü hayali bir değerlendirme ölçütüne göre optimize eden bir aday, aynı anda her yönde fazla ileri gider.
Yapay zekâ mülakatınızın puanı dürüstü abartılandan ayırt edemedi
Tarama raporlarınızı okuma biçiminizi değiştirmesi gereken kısım burası.
Çalışmada kullanılan, sektörde en yaygın yapay zekâ ajanı, gerçeği esneten adaylara ceza vermedi. Onları, aynı nitelikleri dürüstçe tarif eden adaylar kadar iyi puanladı (UGA Today, 2026).
İnsan değerlendiriciler aynı videoları izlediğinde ise bunu ayırt edebildiler. Genel olarak abartanların puanını düşürdüler ve en yüksek değerlendirmeleri en otantik davranan adaylara verdiler.
Yani insan muhakemesi işliyor. Bulgunun cesaret verici yarısı bu ve yalnızca insana makinenin ne düşündüğünü söylediğiniz ana kadar ayakta kalıyor.
Sonra insanlar bakmayı bıraktı
Deney II süreçte aşağıya indi ve üç karar yapılandırmasını karşılaştırdı: yalnızca insan, yapay zekâ destekli — insan karar vericilere yapay zekâ puanlarının eşlik ettiği — ve tamamen otomatik.
Şeffaflık, aday tarafında üçünde de işini yapmaya devam etti. Değerlendirici tarafında ise tükendi. Yazarların ifadesiyle, mülakat performansı üzerindeki düzeltici etkisi "değerlendirme tarafında kısıtlıydı". Yapay zekâ puanları mevcut olduğunda, değerlendiriciler bu puanlara demirledi ve kendi muhakemelerini değersizleştirdi; oysa yapay zekâ puanları dürüst davranışlarla aldatıcı davranışları birbirinden ayırt edemiyordu (Lakhiwal vd., Information Systems Research, 2026).
Bu yapılandırmaları orta ölçekli şirketlerde ne kadar yaygın olduklarına göre sıralayarak okuyun. Tamamen otomatik tarama nadirdir ve riskli olduğu geniş biçimde kabul edilir. Yalnızca insan eliyle tarama, maliyet nedeniyle uzaklaşmaya çalıştığınız şeydir. Yapay zekâ destekli olan — bir puan, ardından onaylayan bir insan değerlendirici — ise neredeyse herkesin fiilen satın aldığı şeydir ve abartıyı yakalayabilecek bir insanın bunu güvenilir biçimde yapmayı bıraktığı yapılandırmadır.
Bu güvence tarafsız değil. Puanı aklıyor.
Aynı arıza bir saha deneyinde de ortaya çıktı
Bu tek bir makalenin sonucu değil. Lane, Boussioux, Ayoubi ve meslektaşları, 48 gerçek başvuruyu değerlendiren 228 değerlendiriciyle bir saha deneyi yürüttü; yalnızca insan değerlendirmesini, bir kara kutu model önerisini ve aynı önerinin anlatısal bir açıklamayla sunulmuş hâlini karşılaştırdılar (Lane vd., HBS Working Paper 25-001).
Kara kutu önerileri karar kalitesini iyileştirdi. Açıklama eklenmiş aynı öneriler ise iyileştirmedi — buna karşın daha yüksek bir uyum üretti. Değerlendiriciler ret önerilerini orantısız biçimde izledi ve yanlış negatifleri belirgin biçimde artırdı; etki sınırdaki vakalarda en güçlüydü.
İki farklı araştırma ekibi, iki farklı alan, tek bir mekanizma: akıcı bir makine çıktısı, insan doğrulama adımını beslemek yerine onun yerine geçiyor. Yanlış negatifler ise bir huninin yapısal olarak göremediği tek hata sınıfıdır. Kötü bir işe alım altı ayda ortaya çıkar. Reddedilmiş iyi bir aday ise hiç ortaya çıkmaz.
Adayların istediği şey sizi koruyan şey değil
Şimdi aday tarafındaki anket verisini deneylerin yanına geri koyun, çünkü örtüşme rahatsız edici.
Adayların yüzde 38'i, herhangi bir karar verilmeden önce bir insanın yapay zekânın değerlendirmesini incelediğini bilmek istediğini söylüyor. Yüzde 39'u yapay zekânın neyi ölçtüğüne dair net bir açıklama istiyor (Greenhouse, 2026).
İkinci talep, arkasında kanıt bulunan talep. Şeffaflık otantik davranışı ölçülebilir biçimde geri getirdi.
Birinci talep — yapay zekânın değerlendirmesinin insan tarafından incelenmesi — neredeyse tam olarak, insanın makineye boyun eğdiği yapay zekâ destekli yapılandırmayı tarif ediyor. Adayların istediği güvence bu; tedarikçinizin size memnuniyetle satacağı güvence bu; ve deneyin yetersiz bulduğu güvence de bu. İnsan incelemesi değersiz olduğu için değil, sıra önemli olduğu için: bir değerlendirmeyi incelemek, bir kaydı değerlendirmekten farklı bir bilişsel iştir.
Bu arada adayların yüzde 38'i, içinde yapay zekâ mülakatı olduğu için bir işe alım sürecini zaten bırakmış durumda ve en büyük tek tetikleyici, hiçbir insanın bulunmadığı, yapay zekâ tarafından puanlanan ön kayıtlı video (yüzde 33). Üstelik işlemeyen bir yapılandırma yüzünden gerçek adaylar kaybediyorsunuz.
Dürüst karşı argüman
Dört sınır, açıkça ifade ediliyor.
Burada bilinçli olarak etki büyüklüğü yok. Tam metin ödeme duvarının arkasında; yayımlanan özet ve basın bülteni yön bildiriyor, büyüklük bildirmiyor — "kayda değer bir artış", "yüzlerce çevrimiçi iş arayan". Bu çalışmadan size bir yüzde aktaran herkes onu uyduruyor. Yerleşik olan, etkilerin yönü ve sıralaması; büyüklüğü bilinmeyen olarak ele alın.
Tek ajan, tek tedarikçi, tek an. Puanlamadaki bu başarısızlık, araştırmacıların kullandığı sektörde en yaygın belirli ajanda gözlendi. Başka bir araç aldatmayı daha iyi ayırt edebilir. Bugün hiçbiri bunu yapabildiğini ilan etmiyor — ki bu da kendi başına bilgi verici — ama tek bir sistemden bir yetenek genellemesi yapmayın.
Önceki araştırmalar oyuna getirme itirazını destekliyor. Lakhiwal bunu doğrudan kabul ediyor: adaylara nasıl değerlendirildiklerini söylemenin değerlendirmeyi manipüle etmelerine imkân verdiğini gösteren çalışmalar var. Bu çalışma, bu bağlamda tersi net etkiyi buluyor. İyi tasarlanmış tek bir çalışma bir literatürü emekliye sevk etmez.
Lane vd. komşu bir alanda bir çalışma metnidir. İş adaylarını değil inovasyon başvurularını değerlendiriyor ve metin, 2026'daki dolaşımından öncesine ait. Demirleme mekanizmasını destekliyor; işe alım alanında bir replikasyon değil.
Bir sonraki tarama turundan önce ne değiştirmeli
Dört hamle. Hiçbiri yeni bir bütçe kalemi gerektirmiyor ve ikisi bu hafta yapabileceğiniz sıralama değişiklikleri.
- Sistemin neyi ölçtüğünü sade bir dille yayımlayın. Model adını değil, tedarikçi mimarisini değil — Lakhiwal adayların bunlara ihtiyacı olmadığını açıkça belirtiyor. Hangi davranışların gözlendiğini ve hangi niteliklerin puanlandığını söyleyin. Deney koşulunda kullanılan bilgilendirme dört satırdı ve otantik davranışı geri getirdi. Ayrıca adayları huninizden çıkaran yüzde 70'lik bilgilendirmeme sorununu da çözersiniz.
- İnsan puanlamasını öne alın. Değerlendiricinizin kaydı, yapay zekâ puanı görünür olmadan önce puanlamasını sağlayın ve ikisini de saklayın. Demirleme bulgusunu doğrudan ele alan tek değişiklik bu ve arayüz sırası dışında hiçbir maliyeti yok. Şunu da belirtelim: bu, bulgudan Scovai'nin çıkardığı bir sonuç, araştırmacıların test ettiği bir koşul değil — makale demirlemeyi gösteriyor, çareyi değil.
- "Bir insan onayladı"yı denetim izi saymayı bırakın. İnsan puanı önce gördüyse, onayı puanın hatalarını bir kişinin adı ekli hâlde taşır. Bir tarama kararını savunulabilir kılan şey, bağımsız olarak kaydedilmiş, her işe alım için kayda geçmiş bir insan muhakemesidir — Scovai'nin kurumsal duruşu, EU AI Act 14. madde kapsamındaki insan karar kaydı dâhil, bunun yapılandırılmasına dair bir yolu belgeliyor.
- Doğruluğu değil, yanlış negatifleri denetleyin. Yapay zekâ taramanızın sınırda reddettiği adaylardan bir örneklem alın ve kayıtları birine kör olarak puanlatın. Lane'in sonucu, ret tarafındaki hataların uyumun yoğunlaştığı yer olduğunu söylüyor ve metrikleriniz bunlara yapısal olarak kör.
Yapay zekâ mülakat düzeneğinizde muhtemelen çoktan bir insan var. Araştırma sorusu onun orada olup olmadığı değil — makine ona ne düşüneceğini söylemeden önce bir muhakeme oluşturup oluşturmadığı.
Gidin değerlendiricinizin ekranına bakın. Puan kaydın üstünde yükleniyorsa, döngüde bir insanınız yok. Bir tanığınız var.
