Bir süredir veri dashboardlarına baktığımda, sayılardan önce yorucu bir görsel ve metrik karmaşası görüyorum. Aynı ekranda satış, büyüme, marj, hedef gerçekleşmesi, müşteri sayısı, sepet tutarı ve bunların farklı dönemlerle karşılaştırmaları… Hiç değişmeyen bir diğer klişe ise, artık alışıldık hale gelmeye başlayan her yapay zekâ modelinin kendi estetik tarzıyla oluşturduğu kutular, çerçeveler, parantezler, yarı çerçeveler…
Kuşkusuz her göstergenin eklenirken tasarımcıların (gerçek ya da yapay zekâ) makul bir gerekçesi var. Ancak, günün sonunda ekranın tamamına baktığımızda, hangi soruya cevap aradığımızı hatırlamak giderek zorlaşıyor. Üretken yapay zekâ öncesinde de iş zekâsındaki en önemli problemlerimizden biri olan KPI şişmesi, bugün gelişen teknolojiyle birlikte yeni bir hız kazanmış durumda.
Eskiden bir performans göstergesini (KPI) hesaplamak, veri modeline eklemek ve görselleştirmek belirli bir emek gerektiriyordu. Şimdi büyük dil modeli destekli araçlarla hesaplama kodunu, grafik taslağını ve yanına yazılacak açıklamayı çok daha kolay ve hızlı üretebiliyoruz. Bu imkânın elbette bir faydası var. Ancak ekleme maliyeti düştükçe, neyi eklemememiz gerektiği üzerine düşünmeyi de ihmal edip, çok özendiğimiz dashboardumuza yeni bir süs, bir öğe eklemekte aşırı heyecanlı davranıyoruz gibi. Bir gösterge daha, bir kırılım daha, bir sekme daha derken, ortaya çıkan veri ürününü anlamak başlı başına ayrı bir işe dönüşüyor.
Harvard Business Review’da Eylül 2025’te yayımlanan “AI-Generated Work Is Destroying Productivity” makalesi, bu gözlemlerimi bir araya toplamam için araç oldu. Makalenin yazarlarının “AI Workslop” adını verdiği türdeki işler, dışarıdan bakıldığında tamamlanmış bir iş gibi görünüyor. Düzgün hazırlanmış sunumlar, uzun raporlar, profesyonel dille yazılmış açıklamalar. Fakat içeriği kullanmaya başladığınızda, görevi ilerletmek için gereken bağlamın veya düşüncenin eksik olduğunu fark ediyorsunuz.
BetterUp Labs ve Stanford Social Media Lab ortaklığındaki araştırmanın sonuçları, ABD’de tam zamanlı çalışan 1.150 masa başı çalışanının yüzde 40’ının son bir ayda bu tür bir içerikle karşılaştığını gösteriyor. Son dönemde workslop ile ilgili çalışanlara sorulan ikinci soru ise daha da ilginç bir içgörü göz önüne seriyor; workshop ile çalışılmasının ardından işi anlamlandırmak, düzeltmek veya yeniden yapmak için harcanan süre ortalama iki saate yaklaşıyor.
Bunlar ABD’deki çalışanların beyanlarına dayanan bulgular; Türkiye’nin yapay zeka olgunluk seviyesini düşünürsek aynı oranlarla karşılaşacağımızı söyleyemeyiz. Ancak iş yükünün nasıl yer değiştirebildiğini tartışmak için önemli bir başlangıç noktası.
Makale üzerine aldığım notlarda özellikle bir cümlenin yanına “Buna dikkat edelim” yazmışım: Bir insanın işini bitirmesi, başka bir insanın işini artırabiliyor. Dashboardlar üzerinden düşündüğümde, bu aktarım daha görünür hale geliyor. Üretici, ekrana yeni göstergeler ekleyerek talebi karşılıyor. Kullanıcı ise hangisinin önemli olduğunu, hangilerinin aynı şeyi anlattığını ve hangi değişime müdahale etmesi gerektiğini kendi başına çözmeye çalışıyor.
Perakendeden basit bir örnek düşünelim. Bir kategorinin satışları gerilediğinde, karar verecek kişinin önce düşüşün hangi ürünlerde ve mağazalarda yoğunlaştığını anlaması gerekir. Ekrana 20 farklı oran eklemek kolay olabilir. Fakat bunlar stok bulunurluğu, fiyat değişimi ve müşteri talebi arasındaki ilişkiyi direkt olarak kurmaya yardımcı olmuyorsa, kullanıcıya daha fazla inceleme görevi vermiş oluyoruz. Raporu hazırlama süresi kısalırken, rapordan bir karara ulaşma süresi uzayabiliyor.
Bir toplantıda herkesin aynı ekrana bakıp farklı bir KPI üzerinden konuşması da mümkün. Biri satış artışını, diğeri marjı, bir başkası da hedef gerçekleşmesini öne çıkarır. Bu farklılıklar değerli olabilir; ama ortak karar sorusu belirlenmemişse, ekran tartışmayı toparlamak yerine dağıtır. Sonra bütün bu göstergeleri açıklamak için ikinci bir toplantı yaparız.
Anket araştırmalarında respondent burden olarak adlandırılan bir kavram var: Soruları cevaplamanın katılımcıya yüklediği zaman ve çaba. Bu kavramı burada bir benzetme olarak dashboard kullanıcısına taşımak istiyorum. Ekranı okuyan kişinin de tanımları hatırlaması, filtreleri kontrol etmesi, dönemleri eşleştirmesi ve önemli olanları ayıklaması gerekiyor. Buna dashboardun okuyucuya yüklediği anlam yükü diyebiliriz. Yeni bir grafik eklerken, o grafiğin gerektirdiği dikkati de hesaba katıyor muyuz?
Benim asıl kaygım, karmaşıklığı üretmenin yapay zekâ desteği ile kolaylaşmasının bu tür üretimleri sıradanlaştırması. Daha önce hazırlanması zahmetli olduğu için pas geçtiğimiz ayrıntıları, artık yapılabildiği için kolayca ekleyebiliyoruz. Hormonlu test panellerini iki cümle sohbet ile ekleyebiliyoruz.
Herkesin karmaşık bir veri ürünü hazırlayabilmesi, talep edenlerin üretilen ürünü rahat anlayacağı anlamına gelmiyor. Üretim tarafındaki kolaylığı, kullanım tarafındaki kolaylıkla karıştırıyoruz. İş zekası tarafında ve hayatında kaybettiğimiz sadeliğin maliyetini de henüz yeterince konuşmadığımızı düşünüyorum
Bu düşüncemi somutlandırmak için sizi yaklaşık dört bin yıl önce Mezopotamya’ya götürmek istiyorum. Basit ticaret işleri ve dolayısıyla stoklama faaliyetlerini başlaması ile o dönemde çapraz tablolar ortaya çıkmıştı. Bilgileri satırlar ve sütunlar halinde düzenleyip kategori bazında ayrı ayrı saymalar yapmak harika bir fikirdi. Smithsonian’ın aktardığı yukarıda paylaştığım örneklerde hayvan kayıtlarının kişilerle ilişkilendirildiği tablolar var. Bu eski kayıtlar, bugün kullandığımız crosstab, yani çapraz tabloların kıymetini düşünmek için güzel bir başlangıç noktası.
Modern istatistiksel çapraz tablonun o tarihte icat edildiğini iddia etmiyorum; dikkatimi çeken, karşılaştırmayı mümkün kılan bu yalın yerleştirme fikri.
Peki, o tarihte tuccarların elinde üretken yapay zekâ olsaydı, birkaç satır ve sütunda anlatabilecekleri şey için yine aynı sadelikte özetleyebilirler miydi? Yoksa hayvan sayılarının dönemsel değişiminden sürülerin performans endekslerine kadar uzanan yeni göstergeler mi üretirlerdi? Cevabını elbette bilemeyiz. Ancak bugünkü ekranlarımıza bakınca, bu soruyu sormadan edemiyorum. Bilgiyi çoğaltma imkânı, bilgiyi seçme ihtiyacını gözümüzden kaçırabiliyor.
Mağara duvarlarındaki resimlerden kil tabletlere ve bugünün ekranlarına uzanan görsel anlatım tarihinde, insanların neyi nasıl göstereceğine ilişkin seçimleri vardır. Bu örneklerin hepsine aynı amacı yükleyemeyiz. Yine de kendi işimiz açısından beklentimiz açık: Görselleştirme, anlamayı kolaylaştırmalı. Temelinde dil modeli bulunan bir araca grafik ürettirebilmek, o grafiğin hangi karara hizmet edeceğini kendiliğinden belirlemez. Bu seçimi yapacak olan, problemi ve kullanıcıyı tanıyan kişiler
Tabii, buradan bütün dashboardların üç göstergeden oluşması gerektiği sonucu da çıkmıyor. Ayrıntılı inceleme yapan bir analistin ihtiyacı ile günlük bir operasyon kararı verecek yöneticinin ihtiyacı farklı olabilir. Sadelik, gerekli ayrıntıyı saklayarak sağlanamaz. Önceliği belirlemek, bilgiyi uygun sırayla sunmak ve gerektiğinde ayrıntılara ulaşmayı mümkün kılmak gerekiyor. Aynı ekranla herkese her şeyi anlatmaya çalıştığımızda bu ayrımı kaybediyoruz.
Makalede yer alan pilot ve yolcu kullanıcı ayrımını da bu noktada anlamlı buluyorum. Pilot, yapay zekâyı belirli bir amaca ulaşmak için yönlendiriyor; çıkan sonucu değerlendiriyor, gereksiz olanı çıkarıyor. Yolcu yaklaşımında ise aracın ürettiği içeriği kabul edip ilerlemek daha kolaylaşıyor. Dashboard tasarlarken pilot olmak, gerektiğinde hesapladığımız bir KPI’ı ekrana koymamayı da gerektiriyor. Çünkü göstergenin teknik olarak doğru olması, o karar için gerekli olduğunu tek başına kanıtlamaz.
Yöneticiler olarak ekiplerden yalnızca daha hızlı ve daha kapsamlı veri ürünleri istemekle yetinemeyiz. Hangi kararın kolaylaşmasını beklediğimizi de belirtmeliyiz. Bir ekranı kullanarak karar vermek ne kadar sürüyor? Kaç ek açıklamaya ihtiyaç duyuluyor? Kullanıcı aynı bilgiyi başka bir rapordan tekrar kontrol ediyor mu? Bu sorular, tamamlanan dashboard sayısının yanında, ürettiğimiz işin gerçek karşılığını görmemize yardımcı olabilir.
Üstelik sürekli açıklama gerektiren bir veri ürünü, zamanla kendisine duyulan güveni de aşındırabilir. Her seferinde neyin eksik olduğunu araştırmak zorunda kalan kişi, sonraki çıktılara daha temkinli yaklaşacaktır. Bir ekibin kazandığı zamanın başka ekiplerde kaybolması, ortak çalışmayı da zorlaştırır. Bu yüzden sadelik talebini yalnızca görsel bir tercih olarak görmüyorum; birbirimizin zamanına ilişkin bir sorumluluk olarak da görüyorum.
Yapay zekâ bize daha fazla hesaplama, daha fazla gösterge ve daha fazla anlatım imkânı sunuyor. Bundan nasıl faydalanacağımız, ortaya çıkanlardan hangilerini kullanacağımıza bağlı. Belki de yeni bir dashboardu teslim etmeden önce kendimize şu soruyu sormalıyız: Bu ekran, karşımdaki kişinin işinden hangi yükü aldı? Bu soruya cevap veremiyorsak, hazırladığımız bütün grafiklere rağmen, işin önemli bir bölümünü hâlâ ona bırakıyor olabiliriz.
Leave a Reply