Yapay Zekâ İşe Alımda İnsandan Daha Çok Önyargılı Çıkıyor

Bir gün CV'nizi bir şirkete gönderdiğinizde, o metni okuyan ilk göz artık bir insan gözü olmayabilir. Bugün pek çok şirket, özgeçmiş eleme ve hatta ilk mülakat sürecini yapay zekâya devrediyor. Ankara'da bir mühendislik firmasına başvuran bir mezun, İstanbul'da çağrı merkezine iş arayan bir genç anne, hepsi artık bir algoritmanın 'bu aday uygun mu değil mi' kararına muhtaç. Peki bu algoritma gerçekten tarafsız mı?\n\nPrinceton Üniversitesi ve Chicago Üniversitesi'nden araştırmacıların yürüttüğü ve Seul'deki ICML konferansında sunulan yeni bir çalışma, cevabın pek iç açıcı olmadığını gösteriyor. Araştırmacılar ChatGPT, Claude ve Gemini gibi büyük dil modellerini (LLM), insanların nasıl stereotip geliştirdiğini inceleyen bir psikoloji deneyinden uyarlanan bir işe alım oyununda test etti. Modellere hayali bir şehrin belediye başkanı tarafından danışman olarak tutulduğu söylendi; görevleri doktor, avukat, çocuk bakıcısı ve hademe dahil 20 farklı iş için, dört hayali etnik gruptan (Tufa, Aima, Reku, Weki) gelen adaylar arasından seçim yapmaktı.\n\nHer turda dört gruptan birer aday vardı ve model bir kişiyi işe aldıktan sonra o kişinin işte başarılı olup olmadığını öğreniyor, sonraki tura geçiyordu. Gerçekte tüm gruplardan adayların her işte başarılı olma olasılığı tamamen eşitti; modellere bu bilgi verilmemişti. Buna rağmen modeller, ilk birkaç gözlemden yola çıkarak grupları belirli mesleklere hapsetmeye başladı. Örneğin bir Aima doktor olarak başarısız olduğunda model, o etnik gruptan kişileri doktorluktan uzaklaştırıp daha az 'sıcak ve yetkin' bulduğu hademelik gibi işlere yönlendirdi.\n\nSonuçlar çarpıcıydı: insan katılımcılar orijinal çalışmada 2 üzerinden 0,84 puanla ayrıştı, yani gruplar kısmen kendi mesleki nişlerine sıkıştı. Modeller ise yaklaşık %65 daha fazla ayrışma gösterdi; OpenAI'nin akıl yürütme modeli o3, 1,83 puanla neredeyse maksimum ayrışmaya ulaştı.\n\n## Bu Ne Anlama Geliyor?\n\nAraştırmacı Ryan Liu'ya göre bunun nedeni basit: LLM'ler, sınırlı veriden hızlıca genelleme yapmaya 'aşırı istekli'. Matematik, kodlama ve bilim problemleriyle eğitilen bu modeller, az sayıda örnekten güvenilir bir sonuç çıkarmayı ödüllendiren bir mantıkla çalışıyor. Aynı içgüdü, mantık bulmacalarını çözmede işe yararken sosyal durumlarda tam tersine dönüp insanları erkenden kalıplara sokmaya yol açıyor. İlginç biçimde, o3 ve DeepSeek'in R1 gibi daha güçlü akıl yürütme yeteneğine sahip yeni modeller, bu önyargıyı daha da şiddetli gösterdi.\n\nModellere sadece 'adil ol' demek işe yaramadı; davranışları neredeyse değişmedi. Ama çeşitliliğe dayalı işe alım için ek bir bonus vaat edildiğinde önyargı belirgin şekilde azaldı. Aynı şekilde, adaylar hakkında yaşa ve eğitime dair kişisel ve ilgili bilgiler verildiğinde modeller etnik kökene göre ayrıştırmayı bıraktı; oysa saç rengi ya da dövme gibi ilgisiz bilgiler verildiğinde eski alışkanlıklarına geri döndüler. Bu, Cornell Üniversitesi'nden bilgisayar bilimci Angelina Wang'ın da işaret ettiği gibi, chatbot'ların hafıza ve kişiselleştirme özellikleri geliştikçe daha kritik hale gelen bir sorun: bir model önceki konuşma geçmişinden öğrendiği kalıplara fazla güvenirse, kendi önyargılarını kendisi üretebilir.\n\n## Türkiye'ye Etkisi\n\nTürkiye'de de büyük şirketler İK süreçlerinde yapay zekâ destekli özgeçmiş eleme araçlarına yöneliyor. Bu araştırma, Meta'ya açılan bir davada da tartışıldığı gibi, işe alım ve işten çıkarma kararlarında yapay zekânın devreye girmesinin hukuki ve etik riskler doğurabileceğini gösteriyor. Bir Türk şirketinin kullandığı model, geçmiş başarısız işe alımlardan öğrendiği yanlış bir örüntüyü belirli bir üniversite mezununa, bir şehre ya da isim köküne genelleyebilir — bu da adayın haberi bile olmadan elenmesine yol açabilir. KVKK kapsamında ayrımcılık yasağı bulunsa da, algoritmanın 'neden' o kararı verdiğini denetlemek çoğu zaman mümkün değil; bu da şeffaflık talebini daha acil hale getiriyor.\n\nSonuçta bu çalışmanın verdiği en net mesaj şu: yapay zekâ, insan önyargılarını sadece eğitim verisinden kopyalamıyor, deneyim yoluyla kendi yeni önyargılarını da üretebiliyor. Ve iş, kredi, şartlı tahliye gibi hayatı doğrudan etkileyen kararlarda bu, kimsenin öğretmediği ama kimsenin de fark etmeyebileceği bir risk anlamına geliyor.