Yapay zeka artık yalnızca özel sektörün gündeminde değil.
Hükümetler, düzenleyici kurumlar ve politika kuruluşları, algoritmik sistemlerin toplumsal etkilerini yönetmek zorunda kaldıkça, bu alanda aktif birer düzenleyiciye dönüşüyor. Bu dönüşüm beraberinde kritik bir soruyu getiriyor: Kamu kurumları, yapay zekayı denetleyecek kadroları nasıl işe alıyor?
Cevap çoğu zaman hayal kırıklığı yaratıyor. Geleneksel kamu istihdamı modelleri, hukuki ve idari yetkinliklere odaklanır. Teknik okuryazarlık ise çoğunlukla ya ikincil planda kalır ya da hiç değerlendirilmez. Oysa bugün Avrupa Birliği’nin Yapay Zeka Yasası gibi düzenlemeler, politika analistlerinden model risk değerlendirmesi, veri yönetişimi ve algoritmik hesap verebilirlik konularında temel bir kavrayış bekliyor. Bir bakanlık danışmanının makine öğrenmesi modellerinin nasıl çalıştığını bilmesi artık bir tercih değil, zorunluluk haline geliyor.
Bu gerçeklik, kamu kurumlarının yetkinlik çerçevelerini köklü biçimde yeniden düzenlemesini gerektiriyor. OECD’nin Yapay Zeka Politika Gözlemevi ve çeşitli ulusal dijital strateji belgeleri, kamu sektöründe ortaya çıkan üç temel rol profiline dikkat çekiyor: Yapay Zeka Politika Analisti, Algoritmik Denetçi ve Teknoloji Tedarik Uzmanı. Bu rollerin her biri farklı bir teknik-kurumsal denge gerektiriyor; ancak ortak bir paydaları var: geleneksel mülakatlarla değerlendirilemezler.
Kurumların teknik kapasiteyi iç bünyede hızla oluşturması çoğu zaman mümkün olmuyor. Bu noktada machine learning outsourcing modeli devreye giriyor: Bazı kamu kuruluşları, algoritmik sistemlerin tasarım ve denetim süreçlerini geçici olarak dış uzmanlığa devrederek hem maliyet avantajı sağlıyor hem de iç ekiplerin öğrenme sürecini hızlandırıyor. Bu yaklaşım geçerliliğini korusa da kritik bir riski beraberinde getiriyor: Teknik yetkinlikten yoksun bir kamu alıcısı, dışarıdan temin ettiği yapay zeka hizmetini ne doğru değerlendirebilir ne de etkin biçimde denetleyebilir. Bu yüzden tedarik sürecinin kendisi de artık bir yetkinlik alanı haline geldi.
Hibrit profillerin işe alınması meselesinde yapısal sorunlar da göz ardı edilemez. Kamu İK departmanları, teknik değerlendirme senaryoları tasarlamak ve uzman paneller oluşturmak için yeterince donanımlı değil. Bu boşluk, teknik tarama kapasitesine sahip uzman işe alım ortaklarına olan talebi artırıyor. Özellikle altyapı katmanında kritik sistemler kuran kurumlar, bazen oldukça özgün teknik profillere ihtiyaç duyabiliyor. Örneğin yüksek eşzamanlılık gerektiren düzenleyici raporlama sistemleri için hire erlang developer ihtiyacı doğabiliyor; Erlang’ın telekomünikasyon ve finansal uyum sistemlerindeki köklü geçmişi, bu tür görev açısından kritik altyapılar için onu güçlü bir seçenek kılıyor.
Tüm bu gelişmeler, kamu kurumlarının işe alım anlayışını temelden sorgulamasını zorunlu kılıyor. Politika yetkinliği artık tek başına yeterli değil. Kurumların hem yasama süreçlerini hem de teknik sistemleri anlayan, ikisi arasında köprü kurabilen profillere ihtiyacı var. Bu tür adayları belirlemek için kör özgeçmiş değerlendirmesi, yapılandırılmış teknik senaryo testleri ve çok disiplinli seçici paneller gibi yöntemlere başvuruluyor.
Yapay zekayı düzenleyecek kurumlar, önce kendi işe alım süreçlerini düzenlemek zorunda. Aksi takdirde ürettikleri politikaların teknik gerçeklikten kopuk kalma riski yüksek. Kamu sektöründe insan kaynakları yönetimi, uzun süredir ihmal edilen bu eksikliği kapatmak için daha yapısal ve veri odaklı bir yaklaşıma ihtiyaç duyuyor.
