Yapay zekâyla CV eleme, yüzlerce başvurunun özgeçmişini saniyeler içinde tarayıp adayları anahtar kelimeler, deneyim kalıpları ve geçmiş işe alım verilerinden türetilen puanlarla sıralayan bir ön değerlendirme yaklaşımıdır. Hız kazandırsa da algoritmik önyargı, eğitim verisinin dengesizliği ve okul, adres, kariyer arası gibi dolaylı ipuçlarının hassas grupları sistematik biçimde geride bırakmasıyla ortaya çıkabilir. Güvenilir kullanım için kriterlerin iş tanımıyla açıkça eşleştirilmesi, sonuçların düzenli ayrımcı etki açısından denetlenmesi, karar mantığının mümkün olduğunca açıklanabilir tutulması ve ATS çıktılarının insan gözetimiyle doğrulanması gerekir. En sık yapılan hata, modele cinsiyet veya engellilik bilgisi verilmediğinde ayrımcılığın kendiliğinden yok olacağını sanmaktır.
ATS ve yapay zekâ CV eleme sistemleri nasıl çalışır?
ATS, CV parsing ve sıralama arasındaki fark
ATS (Applicant Tracking System), başvuruların toplandığı, saklandığı ve işe alım ekibinin adımları takip ettiği altyapıdır. ATS’nin içinde üç ayrı katman gibi düşünebileceğiniz parça vardır: CV parsing, filtreleme ve sıralama.
CV parsing, adayın CV’sindeki metni “okunabilir veri”ye çevirir. İsim, iletişim bilgisi, deneyim, eğitim, yetenekler ve tarih aralıkları gibi alanlar ayrıştırılır. Bu aşamada format kaynaklı hatalar olursa sistem adayın verisini eksik veya yanlış algılayabilir.
Sıralama ise bir “en uygun adaylar listesi” üretir. Burada kural bazlı skorlar (ör. X yıl deneyim) veya yapay zekâ destekli puanlama devreye girebilir. Önemli nokta: ATS tek başına bir karar mekanizması değil, kararları destekleyen bir süreç aracıdır.
Anahtar kelime taraması ve model puanlaması
En yaygın yöntem anahtar kelime taramasıdır. İş ilanındaki becerilerle (ör. “SQL”, “B2B satış”, “ISO 27001”) CV’deki ifadeler eşleştirilir. Bazı sistemler eş anlamlıları, unvan varyasyonlarını ve beceri kümelerini de yakalamaya çalışır.
Daha gelişmiş senaryolarda model puanlaması kullanılır. Bu modeller; pozisyon, sektör, kıdem seviyesi, geçmiş işe alım tercihleri gibi sinyallerden “uyum skoru” üretir. Buradaki risk, modelin geçmişteki tercihleri “başarı” sanıp aynı kalıpları yeniden üretmesidir. Bu yüzden puanın nasıl oluştuğu ve hangi verilerle beslendiği, kalite kadar adalet açısından da kritiktir.
Otomatik ret ile kısa listeleme ayrımı
CV elemede iki ayrı sonuç tipi vardır: otomatik ret ve kısa listeleme. Otomatik ret genelde minimum şartlara dayanır (ör. zorunlu sertifika, çalışma izni, belirli lokasyon, vardiya uygunluğu). Kısa listeleme ise “en yüksek olasılıkla uygun” adayları öne çıkarır.
Pratikte en güvenli yaklaşım, otomatik retin kapsamını dar tutmak ve mümkünse kritik karar noktalarında insan kontrolü bırakmaktır. Çünkü yanlış parsing, eksik anahtar kelime veya hatalı tarih okuma gibi basit sebepler, iyi adayların daha başta elenmesine yol açabilir.
Yapay zekâlı CV elemede ayrımcılık hangi noktalarda oluşur?
Eğitim verisi ve tarihsel önyargı etkisi
Ayrımcılığın en sık başladığı yer, modelin öğrendiği eğitim verisidir. Yapay zekâ, geçmiş işe alım kararlarından veya geçmiş “başarılı çalışan” profillerinden besleniyorsa, tarihteki eşitsizlikleri de kalıp olarak devralabilir. Örneğin geçmişte belirli okullardan, belirli şehirlerden ya da belirli unvan yolundan gelen adaylar daha çok seçildiyse, model bu örüntüyü “doğru seçim” sanabilir.
Bir diğer sorun, “başarı” etiketinin nasıl tanımlandığıdır. Performans puanları, terfi hızı veya işte kalma süresi gibi metrikler, bazen ekip kültürü ve yönetsel önyargılarla kirlenmiş olabilir. Bu durumda model, işin gerektirdiği yetkinliği değil, şirket içi tarihsel tercihleri optimize eder.
Proxy değişkenler ve dolaylı ayrımcılık
Doğrudan cinsiyet, etnik köken veya sağlık bilgisi kullanılmasa bile, bazı değişkenler bu özelliklerin proxy’si gibi çalışabilir. Ad-soyad, fotoğraf, mezuniyet yılı, adres, askerlik bilgisi, hatta kulüp üyelikleri; modelin hassas grupları dolaylı biçimde tahmin etmesine imkan verebilir.
Dolaylı ayrımcılık özellikle “masum” görünen kriterlerde gizlenir. Örneğin “kesintisiz çalışma geçmişi” veya “son 12 ayda aktif iş” gibi kurallar, doğum izni, bakım yükümlülüğü, sağlık sebepleri veya ekonomik dalgalanmalardan daha fazla etkilenebilen grupları sistematik olarak geriye itebilir. Bu yüzden eleme kriterinin gerçekten işle ilgili olup olmadığı, her adımda ayrıca sorgulanmalıdır.
Kullanım hataları ve otomasyon yanlılığı
Ayrımcılık her zaman modelden kaynaklanmaz; çoğu zaman kullanım hatası ve süreç tasarımı belirleyicidir. Örneğin ilan metni aşırı dar yazılırsa, sistem anahtar kelime uyumunu gereğinden fazla büyütür ve farklı kariyer yollarından gelen iyi adayları “uygunsuz” sayabilir. Yanlış eşikler (cut-off), eksik doğrulama ve zayıf geri bildirim döngüsü de hatayı büyütür.
Bir de otomasyon yanlılığı riski vardır. İK ekibi, sistemin verdiği puanı “nesnel” zannedip sorgulamadan takip edebilir. En sağlıklı yaklaşım, algoritmik çıktıyı nihai karar gibi değil, açıklanabilir gerekçelerle test edilen bir ön sinyal olarak görmek; şüpheli örneklerde insan incelemesi ve düzenli etki analiziyle süreci kontrol altında tutmaktır.
CV parsing ve filtre hataları adayları nasıl yanlış eler?
PDF formatı, tablo ve iki sütun sorunları
CV parsing’in en zayıf noktası, dosyanın görsel düzeni ile metin akışının farklı olmasıdır. Özellikle iki sütunlu CV, tablolar içinde yazılmış deneyim alanları ve ikonlarla oluşturulmuş başlıklar, ATS’nin metni “soldan sağa, yukarıdan aşağı” doğru sırayla okuyamamasına yol açabilir. Sonuç olarak iş unvanı, şirket adı ve tarih aralıkları yer değiştirir. Deneyim tek bir blok gibi görünür veya tamamen atlanır.
PDF her zaman sorunlu değildir; ancak PDF’in nasıl üretildiği önemlidir. Tasarım araçlarından alınan, gömülü font kullanan veya metni görüntü gibi taşıyan PDF’lerde “kopyalanabilir metin” az olur. Bu durumda parser, dosyayı eksik okur ve adayın yetkinlikleri filtreye takılabilir. Daha güvenli yaklaşım genelde sade bir düzen, tek sütun ve net başlıklardır.
Dil, unvan ve tarih formatı uyuşmazlıkları
ATS’nin yakaladığı alanlar çoğu zaman belirli kalıplara dayanır. CV Türkçe iken ilan İngilizceyse veya tam tersi durum varsa, unvan ve beceri eşleşmeleri zayıflayabilir. Örneğin “İş Analisti” ile “Business Analyst” eş anlamlı olsa da her sistem bunu otomatik olarak bağlamayabilir.
Tarih formatı da benzer şekilde kritik. “03/2022-07/2024”, “Mart 2022-Temmuz 2024” ve “2022 Q1-2024 Q3” gibi yazımlar parser tarafından farklı okunabilir. Bazı sistemler gün-ay-yıl ile ay-gün-yılı karıştırır. Deneyim süresi yanlış hesaplanınca, “minimum 3 yıl” gibi eşikler haksız şekilde tetiklenebilir.
Boşluklar, anahtar kelime eşleşmesi ve yanlış negatifler
Filtrelerin büyük kısmı basit eşleşmelere dayanır. Bu da “var ama bulunamadı” türü yanlış negatif üretir. Örneğin “C#/.NET” yerine “.NET Core” yazmak, “müşteri ilişkileri” yerine “CRM” kullanmak veya “KVKK uyumu” yerine “veri koruma” demek, arama sözlüğü zayıfsa görünmez kalabilir.
Boşluk ve noktalama farkları bile etkili olabilir. “SQLServer” yazımı, “SQL Server” aramasında kaçabilir. Aynı şekilde becerilerin görsel rozetlerle verilmesi, tablo içinde listelenmesi veya başlıkların standart olmayan şekilde yazılması (ör. “İş Geçmişi” yerine “Kariyer Yolculuğu”) sınıflandırmayı zorlaştırır.
İşe alım tarafında pratik çözüm, filtrelerin “tek kelimeye bağlı” çalışmasını engellemek ve kritik eleme kriterlerini birden fazla sinyalle doğrulamaktır. Aday tarafında ise sade başlıklar, tutarlı tarih formatı ve ilanla uyumlu terim kullanımı, parser hatalarıyla elenme riskini belirgin biçimde azaltır.
İşle ilgili kriterlerle savunulabilir eleme kurgusu nasıl yapılır?
Yetkinlik, deneyim ve eğitim kriterlerini iş tanımıyla eşleme
Savunulabilir bir eleme kurgusu, “iyi aday”ı soyut biçimde tarif etmekle değil, iş tanımındaki görevlerle birebir eşleşen ölçütler belirlemekle başlar. Önce rolün çıktılarını netleştirin: hangi işi, hangi araçlarla, hangi sorumluluk düzeyinde yapacak? Sonra bu çıktıları destekleyen kriterleri yazın.
Pratik bir yöntem: Her kriterin karşısına “bu kriter olmazsa iş aksar mı?” sorusunu koymaktır. Örneğin belirli bir regülasyon bilgisinin zorunlu olduğu bir pozisyonda sertifika veya mevzuat deneyimi anlamlıdır. Ama “prestijli okul” gibi muğlak ölçütler, işin özüyle zayıf bağlantılıdır ve ayrımcılık riskini artırır. Deneyim yılı şartını da otomatik kural gibi değil, görev karmaşıklığına göre esnek tanımlamak genelde daha sağlıklıdır.
Yasaklı ve riskli alanları eleme mantığından çıkarma
Eleme mantığından çıkarılması gereken alanlar iki gruptur: (1) işle ilgisi olmayan, (2) ayrımcılık doğurma riski yüksek olanlar. Yaş, cinsiyet, medeni hâl, hamilelik, sağlık durumu, engellilik, din, mezhep, siyasi görüş gibi veriler doğrudan veya dolaylı şekilde karara etki ediyorsa, süreç hem hukuki hem itibar açısından kırılgan hale gelir.
Riskli olan sadece “açıkça hassas veri” değildir. Adres, mezuniyet yılı, fotoğraf, askerlik detayı, uzun boşluklar gibi unsurlar da dolaylı ayrımcılığa kapı aralayabilir. Bu yüzden ATS alanlarını ve model girdilerini “gerekli olanla sınırlı” tutmak, elemenin savunulabilirliğini güçlendirir.
Değerlendirme rubriği ve minimum gerekliliklerin tanımı
En sağlam yapı, iki katmanlı bir sistemdir: minimum gereklilikler ve puanlama rubriği. Minimum gereklilikler az sayıda, net ve ölçülebilir olmalıdır (ör. belirli lisans türü gerçekten şart mı, belirli yazılımı kullanabilme gerekli mi). Bu katmanda hata payı düşük olmalı; mümkünse otomatik ret yerine “insan kontrolüne yönlendirme” seçeneği korunmalıdır.
Rubrikte ise kriterleri 0-1-2 gibi seviyelere ayırın ve her seviyeyi örnekle tanımlayın. “İyi iletişim” gibi soyut ifadeler yerine, ölçülebilir kanıt arayın: ilgili proje çıktısı, somut sorumluluk, kullanılan yöntem, elde edilen sonuç. Böyle bir rubrik, yapay zekâ skorlarını da daha denetlenebilir hale getirir ve itiraz geldiğinde kararın gerekçesini tutarlı şekilde açıklamayı kolaylaştırır.
Şeffaflık, açıklanabilirlik ve aday iletişimi nasıl sağlanır?
“Neden elendi?” sorusuna verilebilecek açıklama türleri
Adayların “neden elendim?” sorusuna verilecek yanıt, hem güven hem de uyuşmazlık riskini azaltır. Burada hedef, “algoritmanın tüm sırlarını” paylaşmak değil; adayın kararın hangi tür gerekçeye dayandığını anlayabilmesidir.
Uygulamada üç açıklama türü daha savunulabilir olur:
- Minimum şart açıklaması: Örneğin zorunlu lisans türü, sertifika, çalışma şekli veya dil seviyesi gibi ilanla birebir bağlı kriterlerin karşılanmadığı.
- Eksik veya doğrulanamayan bilgi açıklaması: CV’de tarih aralıklarının okunamadığı, deneyim alanlarının eksik olduğu veya başvurunun tamamlanmadığı gibi parsing ve veri kalitesi kaynaklı nedenler.
- Sıralama açıklaması: Adayın “mutlaka yetersiz” olduğu değil, kontenjan nedeniyle daha yüksek uyum sinyali veren adayların kısa listeye alındığı.
Bu açıklamalar hazırlanırken kişisel verilerin işlenmesi bakımından aydınlatma yükümlülüğünün kapsamı da net olmalıdır. Veri sorumlusu; kimlik, amaç, aktarım, yöntem ve hukuki sebep ile ilgili kişi hakları hakkında bilgilendirme yapmakla yükümlüdür.
Aday bildirimleri ve insan incelemesi talebi
Aday iletişimi, yalnızca “ret e-postası” değildir. Başvurunun alındığı, değerlendirmenin hangi aşamada olduğu ve hangi kanaldan soru sorulabileceği açık olmalıdır. Aydınlatma metninde otomatik veya kısmen otomatik değerlendirme kullanılıyorsa bunun da sade bir dille belirtilmesi beklenir.
Türkiye’de KVKK kapsamında adayın, verilerinin münhasıran otomatik sistemlerle analiz edilmesi sonucu aleyhine bir sonuç çıkmasına itiraz etme hakkı vardır. Bu yüzden “itiraz ve düzeltme” taleplerinin gerçek bir incelemeye konu edilmesi kritik hale gelir. İyi uygulama, bu itirazların bir insan tarafından gözden geçirilmesini ve varsa parsing hatasının düzeltilmesini sağlamaktır.
KVKK başvurularına cevap süresi kural olarak en kısa sürede ve en geç 30 gündür.
Karar kayıtları ve izlenebilirlik
Şeffaflık, içeride de kayıt disiplini ister. Özellikle işe alım süreçlerinde ayrımcılık iddiaları, yalnızca “niyet” üzerinden değil sonuçlar üzerinden tartışılır. 6701 sayılı Kanun, istihdam süreçlerinde ayrımcılık yapılmamasını işe alım dahil geniş bir çerçevede ele alır.
Bu nedenle asgari düzeyde şu kayıtlar tutulmalıdır: hangi ilan için hangi minimum şartların tanımlandığı, eleme eşiği, kullanılan model veya kural setinin sürümü, değerlendirme tarihleri, kimlerin eriştiği ve itiraz gelirse hangi adımların izlendiği. Böyle bir izlenebilirlik, hem iç denetimi kolaylaştırır hem de aday iletişiminde tutarlılık sağlar.
Ayrımcılık riski nasıl ölçülür ve denetlenir?
Eşitsiz etki ve 4/5 kuralı ile temel testler
Ayrımcılık riski denetiminde ilk bakılan konu, farklı grupların aynı aşamada benzer oranlarda “geçip geçmediği”dir. Bu, pratikte eşitsiz etki (disparate impact) analizi olarak yürür. En basit tarama yöntemi 4/5 (yüzde 80) kuralıdır. Kural şunu söyler: En yüksek seçilme oranına sahip grubun oranı 1 kabul edilirse, diğer grubun oranı bunun yüzde 80’inin altına düşüyorsa “risk sinyali” vardır. Bu yaklaşım, özellikle CV eleme, online test, mülakat daveti ve teklif aşamalarında ayrı ayrı uygulanır. EEOC Uniform Guidelines, bu kuralı “rule of thumb” olarak açıklar.
Önemli bir sınır var: 4/5 kuralı tek başına “hukuken ayrımcılık vardır” sonucu doğurmaz. Küçük örneklemlerde yanıltıcı olabilir. Bu yüzden denetimi, istatistiksel anlamlılık kontrolleri ve en önemlisi “kriter gerçekten işle ilgili mi?” sorusuyla birlikte yürütmek gerekir.
Alt grup ve kesişimsel analiz gerekliliği
Denetimde izlenecek temel metrikler
Ayrımcılık çoğu zaman tek bir başlıkta görünmez. Bu nedenle yalnızca “kadın-erkek” gibi tekil kırılımlar değil, kesişimsel kırılımlar da takip edilmelidir. Örneğin genç kadınlar, engelli adaylar, farklı şehirlerden başvuranlar veya kariyer arası olanlar aynı anda dezavantaj yaşayabilir.
Denetimde en çok iş gören metrikler şunlardır:
- Seçilme oranı (selection rate): Başvuranların kaçının bir sonraki aşamaya geçtiği.
- Eşitsiz etki oranı (DI ratio): Bir grubun seçilme oranının en yüksek orana bölünmesi (4/5 kontrolü burada yapılır).
- Aşama bazlı huni analizi: Elemenin CV parsing, test, mülakat gibi hangi adımda yoğunlaştığı.
- Yanlış negatif sinyalleri: İnsan incelemesinde sonradan “uygun” bulunan adayların daha önce hangi gruplarda daha çok elendiği.
- İnsan müdahalesi oranı: Sistem skoruna rağmen insanın kararı değiştirdiği durumların dağılımı (otomasyon yanlılığı riskini de gösterir).
Bu metrikleri üretebilmek için bazı grup verileri gerekebilir. Bu noktada KVKK uyumu kritik hale gelir. Veri minimizasyonu, amaçla sınırlılık, erişim kısıtları ve mümkünse toplulaştırılmış raporlama gibi önlemlerle denetim kurgusu daha savunulabilir olur.
KVKK ve işe alımda yapay zekâ için pratik uyum noktaları
Aydınlatma yükümlülüğü ve şeffaflık metni
İşe alımda ATS ve yapay zekâ kullanıyorsanız, adayın hangi verilerinin hangi amaçla işlendiğini açıkça anlatan bir aydınlatma metni şarttır. Metin, yalnızca “CV’nizi inceliyoruz” demekle yetinmemeli; değerlendirme sürecinde otomatik veya kısmen otomatik araçlardan yararlanılıp yararlanılmadığını da sade bir dille belirtmelidir.
Pratikte şeffaflık metninde şu başlıklar net olmalı: veri sorumlusunun kimliği, işleme amaçları (başvuru değerlendirme, uygun pozisyonla eşleştirme gibi), aktarım yapılabilecek taraflar (grup şirketi, tedarikçi yazılım firması), toplama yöntemi (kariyer sitesi, e-posta, referans), hukuki sebep ve adayın hakları. Çerçeveyi Aydınlatma Yükümlülüğü Tebliği belirler.
Veri minimizasyonu ve saklama süreleri
“Ne kadar çok veri, o kadar iyi eşleşme” yaklaşımı KVKK bakımından risklidir. İlanla ilgisi olmayan alanları (fotoğraf, detaylı sağlık bilgisi, aile bilgileri gibi) baştan istememek daha güvenlidir. Yapay zekâ puanlaması yapılıyorsa, modele verilen alanlar da aynı minimizasyon mantığıyla sınırlandırılmalıdır.
Saklama süresi tarafında da iki nokta önemlidir: (1) Aday havuzu oluşturma niyeti varsa bunun ayrı amaç olarak tanımlanması, (2) süre bitince silme, yok etme veya anonimleştirme adımlarının gerçekten işletilmesi. “Belirsiz süre saklarız” yaklaşımı denetimde zayıf kalır.
Tedarikçi sorumluluğu ve sözleşmesel kontroller
ATS veya yapay zekâ hizmeti dışarıdan alınıyorsa tedarikçi çoğu zaman “veri işleyen” konumundadır. Ancak veri güvenliği yükümlülüğü yalnızca sözleşmeyle tedarikçiye bırakılarak tamamen devredilemez. Bu yüzden sözleşmede teknik ve idari tedbirler, erişim yetkileri, alt yüklenici kullanımı, loglama, ihlal bildirimi ve denetim hakkı açık yazılmalıdır.
Yurt dışına veri aktarımı doğuyorsa ayrıca aktarım mekanizması kontrol edilmelidir. 1 Haziran 2024’te yürürlüğe giren değişikliklerle standart sözleşmeler, uygun güvencelerden biri olarak öne çıktı ve imzadan sonra kısa süre içinde Kuruma bildirim gibi operasyonel yükler doğurdu. Bu kısım, satın alma aşamasında “sonradan bakarız” denmeyecek kadar kritiktir.
