Yapay zeka destekli iş gücü oluşturmak için GitHub’ın iç playbook’u

• GitHub, insan merkezli bir yaklaşımla yapay zeka benimsenmesini yaygınlaştırırken şirket genelinde yapay zeka yetkinliği inşa ediyor
• Yapay zeka benimsenmesi teknik bir sorun değil, değişim yönetimi sorunu; mesele yalnızca araçları dağıtmak değil, organizasyonun çalışma biçimini yeniden tasarlamak
• Başarı için GitHub, 8 sütuna dayanan bir operasyon modeli oluşturdu: yapay zeka savunucuları, açık politikalar, öğrenme fırsatları, veriye dayalı ölçüm, sorumlu kişi ataması, yönetici desteği, uygun araçlar ve uygulama toplulukları
• Ayrıca yönetimin vizyonu aktif biçimde paylaşmasını, net kullanım yönergelerini, gönüllü savunucu ağını, uygulama topluluklarını (CoP), sistematik öğrenme yollarını, adanmış liderliği ve ROI’yi kanıtlayabilecek bir ölçüm sistemini kurdu
• Bu strateji, bunun yalnızca basit bir benimsemenin ötesine geçip iş dönüşümü, verimlilik artışı ve yetenek gelişimini yönlendiren yapısal bir yaklaşım olduğunu gösteriyor

---

Giriş: Fırsat ve temel zorluk

• Üretken yapay zeka, şirket performansını hızlandırmak için devasa bir fırsat ve bu değeri rekabet içinde elde etmeye yönelik bir yarış sürüyor
• Zorluk, yapay zekanın potansiyelini fark etmek değil, onu ölçekte etkinleştirmek; başarı ya da başarısızlık burada belirleniyor
• Birçok organizasyon yapay zeka araçlarına aşırı yatırım yapıyor, ancak benimseme az sayıda hevesli kullanıcıyla sınırlı kaldığı için bunun şirket geneli verimliliğe dönüşmemesinden kaynaklanan kayıplar ortaya çıkıyor
• Yüksek performanslı organizasyonlarla yerinde sayan organizasyonlar arasındaki fark, kasıtlı ve sistematik bir etkinleştirme stratejisine sahip olup olmamaları

Başarısızlığa yol açan yanılgı: Teknoloji dağıtımı değil, değişim yönetimi

• Şirketler yapay zeka benimsenmesini bir yazılım kurulumu gibi ele alıyor, ancak gerçekte bu, çalışma biçiminin yeniden kablolanması anlamına gelen bir değişim yönetimi meselesi
• Başarı ile başarısızlığı ayıran şey lisans satın almak değil, şüpheci çalışanları güçlü kullanıcılara dönüştüren bir insan altyapısı kurmak

Belgenin niteliği: GitHub’ın iç playbook’u

• Bu belge, GitHub’ın küresel iş gücünde yapay zeka akıcılığı oluşturmak için geliştirip işlettiği iç playbook’tur
• AI for Everyone girişiminin bir çıktısı olarak, teorik değil sahada doğrulanmış bir uygulama planı sunar
• Amaç, yapay zekayı çalışma biçimine içkin hale getiren sistemin diğer organizasyonlar tarafından da kopyalanabilmesini sağlamaktır

Operasyon modeline genel bakış: Birbirini tamamlayan sistem

• Başarılı yapay zeka etkinleştirmesi, tek bir girişim olarak değil, birbirini tamamlayan bileşenlerin toplamı olarak tasarlanır
• Yukarıdan aşağıya stratejiyi ve tabandan gelen momentumu incelikle harmanlayarak yapay zeka akıcılığının serpilip geliştiği bir ekosistem oluşturur
• Ekosistemin temeli, yönetimin görünür sponsorluğu ile net politika ve guardrail’lerdir
  • Liderlik sponsorları, vizyon ve yatırımla başlangıç noktasını oluşturur
  • Politika ve guardrail’ler, çalışanların güvenli biçimde deney yapıp yenilik geliştirebileceği bir ortam sağlar

Sekiz sütun (8 Pillars): Tanım ve roller

• AI Advocates: Şirket içindeki gönüllü şampiyon ağlarıdır; akran etkisi ve saha geri bildirimi yoluyla benimsenmeyi yaygınlaştırırlar
• Clear policies and guardrails: Herkesin anlayabileceği yalın kurallar ve yönergelerle sorumlu kullanımı destekler
• Learning and development opportunities: Nitelikli dış içerikleri kürate eden, erişimi kolay bir öğrenme ekosistemi sunar
• Data-driven metrics: Benimseme, kullanım düzeyi ve iş etkisini izlemek için çok katmanlı bir ölçüm çerçevesi sağlar
• Dedicated responsible individual (DRI): Programı orkestre eden, başkalarını etkinleştiren ve genel stratejiyi ilerleten merkezi sorumlu kişidir
• Executive support: Görünür liderlik taahhüdü ile vizyon, yatırım ve şeffaf iletişim sağlar
• Right-fit tooling: Farklı roller ve kullanım senaryolarına uygun, doğrulanmış 1. ve 3. taraf araç portföyü sunar
• Communities of practice (CoPs): Akran öğrenmesi, bilgi paylaşımı ve problem çözümü için özel forumlar işletir

Uygulama odağı: Üç bağlantı unsuru

• 1) Ekipleri donatmak + insani destek sistemi kurmak: Doğrulanmış yapay zeka araçları sağlanır, Advocates programı ile iç şampiyonlar yetiştirilir ve CoP’lerle akran öğrenmesi sürekli hale getirilir
• 2) Yapılandırılmış L&D ile ölçeklemek: Standartlaştırılmış öğrenme yolları ve kürasyon sayesinde teknik ve iş yetkinlikleri sistemli biçimde yükseltilir
• 3) DRI ve veriyle işletmek: DRI, yatırım kararlarını yönlendirir; veriye dayalı metriklerle etkiyi ölçüp iyileştirerek programın sürekli evrilmesini sağlar

Çerçeveyi hayata geçirmek

• Yapay zeka kullanım çerçevesi, yalnızca temel unsurları anlamakla sınırlı değildir; bunun gerçekten uygulanması için stratejik bir yaklaşım gerekir
• GitHub, sekiz sütunu merkez alan bir uygulama yol haritası sunuyor ve bunun ilk çıkış noktası yönetici desteği (Executive support)
• Yönetimin net bir vizyon ve gerekçe ortaya koyması, ayrıca yapay zekanın çalışanların işine nasıl değer kattığını somut biçimde açıklaması, ilk ivmeyi kazanmak için gereklidir

Executive support: Ton nasıl belirlenir

• Yapay zeka benimsenmesindeki başarı, yönetimin rolüyle başlar
• Mesele yalnızca araç sağlamak değil, şirketin yapay zeka stratejisinin nedenini (why) sürekli vurgulamaktır
• Hedefleri soyut şekilde sunmak yerine, çalışanların günlük işleriyle doğrudan bağlantılı somut faydalar üzerinden anlatmak katılımı artırabilir
• Mühendislere yönelik mesaj örneği:
  “Yapay zeka sayesinde tekrarlı ve sıkıcı işleri ortadan kaldırıyoruz. Copilot, boilerplate kod yazma, birim testi üretme ve karmaşık PR’ları özetleme işini üstlenecek; böylece siz yaratıcı problem çözmeye odaklanabileceksiniz.”
• Şirket geneline yönelik mesaj örneği:
  “Yapay zeka stratejimizin amacı, müşterilere daha iyi ürünleri daha hızlı sunmaktır. Yapay zeka ile kapasitemizi güçlendirerek inovasyon hızını artırabilir ve yüksek katma değerli yaratıcı işlere odaklanabiliriz.”

Gerçekçi ve şeffaf yaklaşım

• Yapay zeka benimsenmesi, kaçınılmaz olarak işlerin otomasyonunu ve rollerin değişimini beraberinde getirir
• Bunu görmezden gelmek kaygı ve dirence yol açar, bu da benimsenmenin önünü keser
• Bu nedenle liderler, sadece rahatlatıcı açıklamalar yapmak yerine rol değişimi ve yeniden yetkinleştirme (upskilling) stratejisini somut biçimde ortaya koymalıdır

• Söylenmemesi gereken: “İşiniz güvende.”
• Söylenmesi gereken: “Bundan sonra işimiz şu şekilde değişecek ve ihtiyaç duyacağınız yeni becerileri kazanmanız için size şu şekilde destek olacağız.”

• Bu tür dürüst bir yaklaşım, çalışanlara değişimin ortağı gibi davranarak güven inşa eder

Hedefe göre uyarlanmış mesajlaşma stratejisi

Yapay zeka mesajları hedef kitleye göre uyarlanmalıdır

• Yöneticiler (Managers):
  Amaç yalnızca bireysel kullanımı teşvik etmek değil, onları tüm ekibe liderlik etmeye hazırlamaktır. Yöneticiler, ekip iş akışlarını yeniden tasarlamak, otomasyona uygun işleri belirlemek ve yüksek katma değerli işleri yeniden tanımlamakla sorumlu olmalıdır. Yapay zeka benimsenmesini ekip performansı ve inovasyondaki iyileşmeyle doğrudan ilişkilendirmeleri teşvik edilmelidir.
• Kıdemli bireysel katkı sağlayıcılar (Senior ICs):
  Sadece kendi performanslarını artırmaları değil, aynı zamanda yapay zeka kullanımının iç mimarları olmaları hedeflenmelidir. Bu kişiler organizasyon içinde yüksek etkiye sahip olduğundan, yeni yapay zeka kullanım biçimlerini devreye alma ve standartlaştırmada kritik rol oynarlar. Yapay zeka ile kendi performanslarını en üst düzeye çıkarırken, iç mentorlar olarak yapay zeka yetkinliğini de yaygınlaştırmalıdırlar. Böylece kilit yeteneklerin etkisi katlanarak büyür.

Policies and tooling: Netlik ve erişim sağlamak

• Yapay zekayı organizasyon genelinde devreye almak için net guardrail'ler zorunludur
• Çalışanlar neyin izinli olduğundan emin değilse denemeye bile girişmez; bu yüzden açık ve erişilebilir bir Kabul Edilebilir Kullanım Politikası (Acceptable Use Policy) başarının ön koşuludur
• Bu yalnızca bir compliance meselesi değil, çalışanların yapay zekayı güvenli ve kendinden emin biçimde kullanabilmesini sağlayan temeldir

• Politika oluşturma ilkeleri

  • Politika, BT, İK, güvenlik, hukuk gibi temel paydaşlarla iş birliği içinde hazırlanmalıdır
  • Bu sayede risk yönetimi açısından kapsamlı bir yaklaşım mümkün olur
  • Nihai politika, merkezi tek bir belge olarak sunulmalı; burada onaylı tüm yapay zeka araçları ile her araç için uygun veri türleri açıkça listelenmelidir

• Katmanlı araçlandırma (Tiered tooling) modeli

  • Başarılı bir yapay zeka kullanım politikası modeli, katmanlı bir yaklaşım benimser
  • Sadece yasaklar listesini sıralamak yerine, neyin onaylı olduğunu net biçimde ayırarak çalışanların kolay karar verebilmesini sağlamaktır

• Tier 1: Tam doğrulanmış ve onaylanmış araçlar

  • İç güvenlik ve hukuk incelemesinden kapsamlı biçimde geçmiş araçlar
  • Gizli şirket verileri ve müşteri verileriyle çalışmak için güvenlidir
  • Şirketin kendi 1st-party ürünleri (ör. GitHub Copilot) ile sözleşmeli ve onaylı kurumsal düzeyde 3rd-party araçları kapsar
  • Çalışanlar bu kategorideki araçları güvenli varsayılan seçenek olarak görebilir

• Tier 2: Doğrulanmamış genel ve tüketici odaklı araçlar

  • Şirketin resmi olarak sözleşme yapmadığı veya doğrulamadığı her tür açık yapay zeka aracı bu kapsamdadır
  • Politika basit ve evrenseldir: bu araçlar yalnızca herkese açık ve hassas olmayan verilerle kullanılabilir
  • Bu sayede çalışanlar şirket verilerini riske atmadan yeni yapay zeka teknolojilerini özgürce deneyebilir

• Etki ve mesaj

  • Bu katmanlı model, çalışanlara basit ve net bir düşünme çerçevesi sunar:
    • “Bir araç ‘tam doğrulanmış liste’de değilse, yalnızca açık veriler kullanın.”
  • Bu tür net varsayılan kurallar belirsizliği ortadan kaldırır ve sorumlu yapay zeka kullanımını büyük ölçekte yaygınlaştırmanın temel anahtarı olur

AI advocates: Grassroots şampiyonlarınız

• Yapay zeka benimsenmesinin uzun vadede başarılı olması için yalnızca yönetim desteği ve net politikalar yetmez; eşler arası etki (peer-to-peer influence) temel itici güçtür
• Bu nedenle AI Advocates programı, gönüllü iç şampiyonlardan oluşan bir ağ kurarak bireysel ekiplerle merkezi destek programını bağlayan çok etkili bir mekanizmadır
• Advocates, üst düzey stratejiyi ekip düzeyinde somut kullanım senaryolarına çevirir ve böylece organizasyon içinde doğal biçimde yapay zeka ivmesi oluşturur

• Ağ kurmanın en etkili yolu gönüllü toplamaktır
• Karmaşık resmi aday gösterme süreçleri yerine şirket geneline yapılan duyurularla yapay zekaya tutkuyla bağlı kişileri toplarsanız, kendi kendine motive olan ve ekip arkadaşlarının başarısına içtenlikle yardım etmek isteyen doğru kişiler bir araya gelir
• Bu da güvenilir ve güçlü iç şampiyonlara dönüşür

• Advocates ne yapar

  • Advocates'ın rolü çok katmanlıdır ve üç ana işlev üstlenir: iç uzman, topluluk kurucu ve geri bildirim kanalı
  • İç şampiyon rolü
    Her ekibin yapay zeka uzmanı olarak ekip arkadaşlarına mentorluk yapar, günlük soruları yanıtlar ve pratik engelleri kaldırarak yapay zeka benimsenmesinin önündeki bariyerleri azaltır
  • Eşler arası öğrenmeyi teşvik etme
    Yapay zekanın değerini somut ve gerçekçi örneklerle gösterir. Ekip içindeki başarı hikayelerini paylaşarak diğer çalışanların yapay zekanın pratik etkisini hissetmesini sağlar; bu da resmi eğitimden daha ikna edici olur
  • Ekibin sesini temsil etme
    Merkezi program ile sahadaki ekipler arasında bir geri bildirim döngüsü kurarak neyin iyi çalıştığını, neyin sorun olduğunu ve hangi fırsatların bulunduğunu aktarır. Bu sayede program gerçek kullanıcı ihtiyaçlarına göre sürekli iyileştirilebilir
  • Eğitim planlama ve iş birliği
    Ekibin somut ihtiyaçlarını ve kullanım senaryolarını yansıtarak merkezi programla birlikte çalışır, gerçek etki yaratan özelleştirilmiş eğitim oturumlarını birlikte tasarlar ve yönetir

• Advocates'ı desteklemek

  • Advocates programının başarılı olması için merkezi destek ekibinin somut ve değerli desteği gerekir. Temel destek yöntemleri şunlardır.
  • Kendiliğinden büyüyen bir Advocate topluluğu geliştirmek
    Özel bir Slack kanalı gibi iletişim alanları kurup düzenli, advocate liderliğinde check-in'leri destekleyerek en iyi uygulamaların paylaşıldığı ve sorunların çözüldüğü kendi kendini yöneten bir ağ oluşmasını sağlar
  • Liderlikle doğrudan bağlantı
    Advocates'ın DRI (Directly Responsible Individual) veya program sponsoru gibi liderlik temsilcileriyle doğrudan bağlantı kurabilmesini sağlayarak, yönetim kararları ile sahadaki faaliyetler arasında bir kanal oluşturur
  • Train the Trainer felsefesi
    Advocates'ı yalnızca bilgi alan kişiler olarak değil, mentorlar ve atölye liderleri olarak yetiştirmeye odaklanır. Onları etkili eğitmenler ve yapay zeka konu uzmanları hâline getirerek merkezi programın genişletilmiş bir uzantısına dönüştürür
  • Bu destek sayesinde Advocates, organizasyon içinde güvenilen yapay zeka liderleri olarak konumlanır ve yapay zeka kullanım yetkinliğini doğal biçimde organizasyon geneline yayar

Communities of practice: İş birliğini teşvik etmek

• Advocates programı tek tek ekiplerle derinlemesine ilgilenen yüksek temaslı (high-touch) destek sağlıyorsa, organizasyon genelinde yapay zeka akıcılığını (AI fluency) yaymak için daha geniş ölçekli bir iş birliği alanına ihtiyaç vardır
• Bu noktada uygulama toplulukları (Communities of Practice, CoPs) önemli bir rol oynar; çalışanların özgürce bağlantı kurabildiği, soru sorabildiği ve bilgi paylaşabildiği özel alanlar sunar
• CoP'ler, başarılı bir yapay zeka etkinleştirme programının bağlayıcı dokusu (connective tissue) olarak çalışır; silo'ları yıkar ve değerli içgörülerin bireysel konuşmalar içinde kaybolmamasını sağlar

• Bir diğer hedef de kendiliğinden ortaya çıkan yapay zeka ilgisini yapılandırmak, ama yaratıcılığı bastırmamaktır
• Çoğu şirkette zaten dağınık biçimde işleyen sohbet kanalları veya e-posta zincirleri şeklinde küçük yapay zeka toplulukları vardır
• Etkili bir program, bu dağınık faaliyetleri sistematik ve bütünlüklü bir ağa dönüştürür. Bunun için gereken temel adımlar şunlardır

  • Amaca yönelik özel topluluklar oluşturmak

    • Tek bir dev yapay zeka kanalı yerine, amaca ve kullanıcı grubuna göre ayrılmış özel topluluklar kurmak daha etkilidir
    • Böylece konuşmalar daha odaklı ve daha ilgili kalır
    • Önerilen başlangıç yapısı örnek olarak şöyle olabilir:
      • Genel topluluk: şirket genelindeki duyurular ve teknik olmayan sorular için kanal (ör. #how-do-i-ai)
      • Geliştiricilere özel topluluk: teknik kullanım örnekleri, derin tartışmalar ve ileri tekniklerin paylaşımı için kanal (ör. #copilot-users)
      • Departmana özel topluluklar: pazarlama, satış, finans gibi belirli işlevlerin kendine özgü kullanım senaryolarını ele alan kanallar (ör. #ai-for-sales)

  • Net charter'lar ve liderlik tanımlamak

    • Her topluluğun açıkça belgelenmiş bir amacı ve bunu yönetecek bir lideri (veya lider grubu) olmalıdır
    • Liderler Advocates içinden seçilebilir; bu sayede konuşmaların yönü korunur ve toplulukların sürekli değer üreten kaynaklar olarak kalması sağlanır

  • İvmeyi sürdürmek

    • İş, sadece kanalları açmakla bitmez
    • Merkezi destek programı, topluluklardan çıkan ilginç yapay zeka kullanım örneklerini şirket geneline paylaşmalı ve bunları yeni özellikleri veya eğitimleri duyurmak için bir platform olarak kullanmalıdır
    • Zaman içinde toplulukları geliştirmek ve yeniden düzenlemek gerekir

• CoP'ler bu şekilde bilinçli olarak geliştirildiğinde, ölçeklenebilir ve kendini besleyen bir eşler arası öğrenme motoru ortaya çıkar
• Bu da organizasyonun tamamının yapay zeka kullanımında yetkinleşmesi için vazgeçilmez bir temel olur

Curated learning and development: Bariyeri düşürmek

• Yalnızca AI araçlarına erişim vermek yeterli değildir; çalışanların gerçekten kullanım yetkinliği (proficiency) kazanmasına yardımcı olacak bir öğrenme ve gelişim (Learning & Development, L&D) yapısı şarttır.
• Amaç, teknik geçmişi ne olursa olsun tüm çalışanların rollerine uygun, pratik AI kullanım becerileri edinmesini sağlamaktır.
• GitHub bunun için iç deneyimlerle dış kaynakları kürate eden bir L&D sitesi kurdu ve farklı öğrenme stilleri ile ihtiyaçları karşılayan çok katmanlı bir ekosistem sundu.

• Etkili bir L&D stratejisi şu temel yatırımlardan oluşur:

  • Merkezi bir kaynak merkezi

    • Tüm AI ile ilgili öğrenme materyallerini toplayan tek bir güvenilir kaynak (source of truth) sitesi gerekir.
    • Bu, basit bir bağlantı listesi değil; iç inovasyon örnekleri, en iyi uygulamalar ve çalışan projelerini dinamik biçimde sergileyen bir yapıdır.
    • Öğrenme materyali sağlamanın yanında motivasyon da üretir.

  • Temel AI öğrenme yolları

    • Tüm çalışanların temel düzeyde yetkinlik kazanabilmesi için zero-to-one öğrenme yolları sunulur.
    • Kurum içi içerik üretmek yerine dışarıdaki doğrulanmış öğrenme kaynakları kürate edilir.
    • AI özellikleri çok hızlı değiştiği için içeride üretilen materyallerin kısa sürede geçersiz kalma riski vardır.

  • Teknik kullanıcılar için yapı taşları

    • İleri düzey teknik çalışanların temel eğitimden çok iş hızlandırmaya (acceleration) ihtiyacı vardır.
    • Yeniden kullanılabilir AI bileşenleri kütüphanesi sunulur: şablonlar, klonlanabilir depolar, workflow’lar vb.
    • Tekrarlayan işleri azaltır ve AI çözümlerinin hızla kurulmasını destekler.

  • Onboarding ile entegrasyon

    • Onboarding sürecine AI eğitimi dahil edilerek çalışanların işe başladıkları ilk günden itibaren kullanım yetkinliği kazanmaları desteklenir.
    • AI kullanım yetkinliğinin başarılı bir kariyer için temel bir beceri olduğu vurgulanır.

• Bu sayede yalnızca tek tek çalışanların yetkinliği artmaz, aynı zamanda organizasyon genelinde AI kullanım kültürünün yerleşmesi mümkün olur.

Adanmış program liderliği: Programı ileri taşımak

• AI etkinleştirme programı, yalnızca bir kaynak koleksiyonu değil, sürekli yaşayan bir sistem olmalıdır; bunun için de doğrudan sorumlu kişi (Directly Responsible Individual, DRI) veya küçük bir adanmış ekip gerekir.
• Bu liderlik, strateji, uygulama ve topluluk faaliyetlerini birbirine bağlayan yapıştırıcı görevi görür ve organizasyonun tamamının tek bir organik sistem gibi işlemesini sağlar.
• DRI’ın temel görevi kendi etki alanını büyütmek (fiefdom building) değil, başkalarının ölçeklenmesini sağlamak (scaling others) olmalıdır.

• Başlıca rol ve sorumluluklar

  • Program stratejisi ve yol haritasının sahipliği

    • Genel stratejiyi oluşturmak ve uygulama yol haritasını tanımlamak
    • Aylık planları yönetmek ve şirket hedefleriyle hizayı korumak

  • Değişim yönetimine liderlik etmek

    • Organizasyon içindeki değişim yönetiminin sorumlusu olarak AI benimsenmesini sorunsuz ve şeffaf şekilde yürütmek
    • Karışıklığı en aza indirip benimsenme oranını en üst düzeye çıkarmak

  • Merkezi bir AI danışmanı gibi hareket etmek

    • Çalışanlara ve Advocates’e bire bir destek ve office hour’lar sunmak
    • Karmaşık sorunların çözümüne ve ileri kullanım senaryolarının geliştirilmesine yardımcı olmak

  • İç başarıyı ve inovasyonu büyütmek

    • İç başarı örneklerini tespit edip paylaşmak
    • Topluluklar ve workshop’lar aracılığıyla en iyi uygulamaları yaymak, olumlu bir döngü oluşturmak

  • AI araçları ve politika yaşam döngüsünü yönetmek

    • Yeni araç taleplerini toplamak ve IT, güvenlik ve hukuk ekipleriyle iş birliği yaparak değerlendirme, tedarik ve politika oluşturma süreçlerinin tamamını yönetmek

  • Benimsenme ve akıcılık metriklerinin sahipliği

    • MAU, MEU, kullanıcı segmentasyonu gibi öncü göstergeleri izlemek
    • Programın etkinliğini kanıtlamak ve çalışanların AI olgunluğunu değerlendirmek

  • İş ROI’sini göstermek

    • Üretkenlik artışı, kod kalitesinde iyileşme, geliştirici memnuniyetindeki artış gibi geriden gelen göstergeleri benimsenme verileriyle ilişkilendirmek
    • Yönetime veriye dayalı bir ROI hikâyesi sunmak

• GitHub bunun için program direktörü ve program yöneticisi pozisyonlarını resmen görevlendirerek AI for Everyone girişimini yürüttü.
• Bu adanmış yapı sayesinde kurumsal ölçekte AI etkinleştirmesi için gereken odak ve hesap verebilirlik güvence altına alınır.

Metrikler: Başarıyı ölçmek

• AI etkinleştirme programına yapılan yatırımı gerekçelendirmek ve gelişimi yönlendirmek için doğru metrikleri ölçmek şarttır.
• Yalnızca dağıtılan lisans sayısını saymanın ötesine geçip, organizasyon içindeki AI kullanımının kapsamını, derinliğini ve sonuçlarını çok boyutlu biçimde anlamak gerekir.
• Sektörde henüz yerleşmiş standartlar olmadığı için çok aşamalı bir yaklaşım (benimsenme kapsamı → kullanımın derinleşmesi → iş sonuçlarının ölçümü) en etkili yöntemdir.

• Aşama 1: Benimsenmenin genişliğini ölçmek

  • Monthly Active Users (MAU): Bir ay içinde en az bir kez AI kullanan çalışan oranı → genel benimsenmenin temel göstergesi
  • Monthly Engaged Users (MEU): Ay içinde birden fazla gün kullanan çalışan oranı → ilk deneme aşamasının aşılıp aşılmadığını ve alışkanlık oluşumunu anlamak için kritik gösterge

• Aşama 2: Etkileşim derinliğini ölçmek

  • Kullanıcı segmentasyonu:
    • Dedicated users: ayda 10 günden fazla aktif (çekirdek power user’lar)
    • Occasional users: ayda 2–9 gün aktif
    • Tire kickers: ayda 1 gün aktif
    • → Amaç, Tire kickers grubunu Occasional/Dedicated gruplarına dönüştürmektir.
  • Toplam AI event sayısı: prompt’lar, kod otomatik tamamlama vb. dahil toplam etkileşim sayısı → kullanıcı başına event artışı, AI’ın iş akışına yerleştiğinin sinyalidir.

• Aşama 3: İş etkisini ölçmek

  • GitHub Engineering System Success Playbook (ESSP) referans alınır → geliştirici mutluluğunu, kaliteyi, hızı ve iş sonuçlarını kapsayan bütüncül metrikler sunar.
  • Başlıca AI ile ilgili metrikler:
    • AI leverage: AI kullanımıyla azalan manuel emeği ve artan üretkenliği nicelleştirmek
    • Cycle time: bir commit’in production’a yansımasına kadar geçen süre → AI kullanımıyla bu sürenin kısalması verimlilik artışı anlamına gelir
    • Code churn: AI tarafından üretilen kodda yeniden işleme ihtiyacının azalıp azalmadığı üzerinden kalite sinyali ölçmek
    • Pull request size: AI’ın aşırı büyük PR’lara yol açıp açmadığını doğrulamak gerekir
    • Developer wellbeing: tekrar eden işlerin azalmasının memnuniyet artışı ve burnout azalması sağlayıp sağlamadığını izlemek
    • Perceived productivity: anketler vb. ile çalışanların AI sayesinde daha değerli işlere odaklanabildiğini ne ölçüde hissettiğini ölçmek

• Bu çok aşamalı ölçüm yaklaşımıyla AI benimsenmesi, kullanımın derinleşmesi ve ROI birlikte kanıtlanabilir; veriye dayalı bir anlatıyla yönetime değer net biçimde gösterilebilir.

Etkinleştirmeyi uygulamak: Stratejik bir kontrol listesi

Bu kontrol listesi, yukarıda açıklanan çerçeveyi adım adım uygulama yol haritası olarak düzenleyen pratik bir rehberdir

• Phase 1: Foundational steps (ilk 30 gün)

  • Yönetici sponsorluğunu güvence altına alın
    • Bütçe desteği, programın açıkça desteklenmesi ve sürekli mesaj iletiminden sorumlu olacak bir C-level sponsor edinin
  • Bir DRI atayın
    • Programın başarısından sorumlu olacak ve departmanlar arası koordinasyon yetkisine sahip özel bir sorumlu atayın
  • v1 kullanım politikasını hazırlayın
    • Legal·Security·IT ile iş birliği yaparak ilk kullanım politikasını (ör. vetted vs unvetted araçlar) oluşturun ve güvenli bir deneme ortamı sağlayın
  • İlk metrikleri belirleyin
    • MAU·MEU ölçüm sistemini kurun ve ilk dashboard'u oluşturun
  • Programı duyurun
    • Sponsor ve iletişim ekibiyle iş birliği yaparak vizyonu·mevcut kaynakları·önümüzdeki takvimi içeren şirket geneli bir duyuru yayınlayın

• Phase 2: Building momentum (ilk 90 gün)

  • AI advocates programını başlatın
    • Şirket içi gönüllüler için açık çağrı yapın, rol tanıtım oturumları düzenleyin ve özel iletişim kanalları oluşturun
  • Uygulama topluluklarını kurun
    • Genel kullanıcılar ve geliştiriciler için kanallar açın, net bir charter ve topluluk liderleri atayın
  • Merkezi bir kaynak merkezi başlatın
    • Onaylı araçlar, politikalar ve öğrenme yollarını içeren v1 dahili hub sitesini açın
  • Başarı örneklerini öne çıkarmaya başlayın
    • DRI ve Advocates, erken başarı örneklerini bulup paylaşarak sosyal kanıtı ve ilhamı yaygınlaştırsın
  • Bir onboarding modülü başlatın
    • HR ile iş birliği yaparak AI kullanım modülünü yeni çalışan onboarding sürecine entegre edin

• Phase 3: Scaling and measuring (sürekli)

  • "Train the Trainer" programını uygulayın
    • Advocates'ın mentorluk ve workshop yürütme becerilerini güçlendirmek için standartlaştırılmış eğitim sağlayın
  • Bir iş ROI dashboard'u geliştirin
    • MAU/MEU gibi benimseme metriklerini cycle time·kod kalitesi·satış verimliliği gibi sonuç metrikleriyle ilişkilendiren bir ROI dashboard'u oluşturun
  • Nitel anketler yapın
    • Düzenli ve kısa organizasyon anketleri ile üretkenlik·iyi oluş üzerindeki algılanan etkiyi ve programa dair geri bildirimleri toplayın

AI akıcılığına giden yol

• Yalnızca AI araçlarına yatırım yapmak yeterli değildir
• Sistematik ve çok yönlü bir uygulama programı, AI yatırımının değerini hayata geçiren organizasyonlarla bunu başaramayanları ayıran temel etkendir

• AI benimsemesinde başarı için tek bir sihirli çözüm (silver bullet) yoktur
• Gerekli olan şey, sürekli ve veri temelli uygulama çabasıdır
• Bunun için şu unsurlar zorunludur:
  • Yönetimin tam desteği
  • Net ve erişilebilir politikalar
  • Sahadaki gönüllü AI savunucuları (advocates)
  • Doğru metrikleri ölçmeye yönelik kararlılık
  • Değişime uyum sağlayabilen güçlü bir uygulama sistemi kurmak

• Liderlik bu tür sistematik bir yaklaşıma bağlı kalırsa, organizasyon daha üretken, daha yenilikçi ve AI dostu olarak daha etkili bir yapıya dönüşebilir