Bir fabrikanın yapay zekâ sistemi üretim planını saniyeler içinde yenileyebilmektedir. Bu planı uygulayacak ekip ise malzeme kalitesindeki değişimi, bakım personelinin iş yükünü ve teslimat önceliklerini birlikte değerlendirmek zorundadır. Teknolojik hız ile kurumsal karar kapasitesi arasındaki ilişki, hazırlık kavramının merkezinde bulunmaktadır. Bir sistemin teknik başarısı, belirli insanlar, görevler ve çalışma koşulları içindeki başarısıyla tamamlanmaktadır. Bu nedenle teknolojinin geliştirilmesiyle insanın hazırlanması, aynı yatırım kararının birlikte yönetilmesi gereken boyutlarını oluşturmaktadır. Teknoloji Hazırlık Seviyesi ve İnsan Hazırlık Seviyesi bu ilişkiyi görünür kılmaktadır. Yapay zekâ çağında tartışmayı ileri taşıyan konu, insanın sisteme uyum sağlamasının ötesine geçmektedir: Karar yetkisinin dağılımı, denetim için ayrılan zaman, uzmanlığın korunması ve değişen koşullarda kanıtların geçerliliği aynı değerlendirmeye katılmaktadır. Bu yazının ana savı, hazırlığın teknolojiye veya kişiye yapıştırılan kalıcı bir etiket yerine, belirli bir insan–teknoloji–görev düzenine ilişkin gerekçelendirilmiş bir değerlendirme olarak ele alınmasıdır. Bu amaçla tarihsel belgeler, standart kuruluşlarının açıklamaları, araştırma makaleleri ve 2025–2026 tarihli uygulama çalışmaları üzerinden eleştirel bir sentez yapılmaktadır. İnsan Hazırlık Seviyesi yerleşik bir kavramdır. Burada önerilen katkı, mevcut birikimi yapay zekâda denetim kapasitesi, yetki devri ve örgütsel öğrenme üzerinden bütünleştiren, uygulamada sınanabilir bir araştırma çerçevesidir. Kavramın kökeni ile bu yazıda geliştirilen önermeler bu nedenle açıkça ayrılmaktadır.

TEKNOLOJİ HAZIRLIĞININ TARİHSEL GEREKÇESİ

Technology Readiness Level, Türkçede Teknoloji Hazırlık Seviyesi olarak kullanılmakta ve THS biçiminde kısaltılmaktadır. Yaklaşım, NASA’nın 1970’lerde farklı teknolojilerin teknik olgunluğunu ortak bir dille değerlendirme çalışmalarından doğmuştur. Uzay programlarında laboratuvar başarısıyla görev ortamındaki güvenilirlik arasında uzun ve maliyetli bir geliştirme süreci bulunmaktadır. Yöneticiler, hangi teknolojinin araştırmaya, hangisinin prototip çalışmasına, hangisinin sisteme alınmaya uygun olduğunu karşılaştırılabilir kanıtlarla görmek istemiştir (Vigil, 2026). John C. Mankins’in 1995 tarihli ve 2004 yılında güncellenen teknik raporu, dokuz seviyeyi ayrıntılandıran temel belgeler arasındadır. THS, bilimsel ilkelerin gözlenmesinden başlayarak kavramın sınanmasına, parçaların laboratuvar ve ilgili ortamlarda doğrulanmasına, prototip gösterimine ve görevde kanıtlanmış sisteme uzanmaktadır (Mankins, 2004). Bu sıralama, araştırma bütçesi ile ürün geliştirme bütçesi arasındaki geçişin hangi teknik kanıtlara dayanacağını açıklamaktadır. Hazırlık değerlendirmesinin ekonomik gerekçesi de burada ortaya çıkmaktadır. Teknik belirsizlikler sürerken büyük ölçekli geliştirmeye geçilmesi; yeniden tasarım, gecikme ve maliyet artışı üretebilmektedir. ABD Sayıştayı niteliğindeki Government Accountability Office tarafından hazırlanan rehber, kritik teknolojilerin belirlenmesini, kanıtların incelenmesini ve değerlendirmelerin güvenilirliğini proje kararlarının parçası olarak ele almaktadır (U.S. Government Accountability Office , 2020). Böylece hazırlık, mühendislik raporuyla yatırım kararını birbirine bağlamaktadır. THS’nin yorumlanmasında görev bağlamı belirleyicidir. Bir görüntü işleme sisteminin kontrollü üretim hattında çalışması, aynı başarının tozlu, titreşimli ve değişken aydınlatmalı başka bir tesiste de sürdürüleceğini tek başına göstermemektedir. Sistem sınırları, kullanılan sürüm ve sınama ortamı değerlendirme kaydına yazılmalıdır. THS 9, tanımlı kullanımda görev başarısını göstermekte; her koşula taşınabilen evrensel bir yetkinlik anlamı taşımamaktadır (Manning, 2023).

İNSAN HAZIRLIĞININ ORTAYA ÇIKIŞI VE KAPSAMI

Human Readiness Level, burada İnsan Hazırlık Seviyesi ve İHS olarak adlandırılmaktadır. İngilizce HRL kısaltması uluslararası kaynaklarda kullanılmaktadır. Kavram, teknolojinin insan kullanımı açısından olgunluğunu değerlendirmektedir. Dolayısıyla değerlendirme birimi; kullanıcı, arayüz, görev, eğitim, çalışma ortamı ve sistem tasarımı arasındaki ilişkidir. İnsan faktörleri çalışmalarının geliştirme sürecinde hangi kanıtlarla karşılandığı izlenmektedir (Human Factors and Ergonomics Society , 2021). Alanyazında kavramın geliştirilmesine ilişkin çalışmalar 2010’a uzanmaktadır. Sandia Ulusal Laboratuvarları 2015’te insan hazırlığını kendi süreçlerine katabilecek seçenekleri incelemeye başlamıştır. İlk araştırmalarda mevcut uygulamalar değerlendirilmiş, personelle görüşülmüş ve farklı planlama seçenekleri karşılaştırılmıştır. Bu çalışmalar, insanla ilgili gereksinimlerin ürün geliştirme boyunca sistematik biçimde izlenmesini amaçlamıştır (See et al., 2018). 2019’da oluşturulan çalışma grubu ve izleyen standartlaştırma süreci, yaklaşımın uygulanabilir ölçütlere dönüştürülmesine katkıda bulunmuştur (Vigil, 2026). Eylül 2021’de onaylanan ANSI/HFES 400-2021 standardı, dokuz seviyeyi sistem mühendisliği ve insan-sistem bütünleştirmesi içinde tanımlamıştır (Tablo 1). İHS, teknoloji hazırlığını tamamlamakta; güvenli ve etkili insan kullanımı için gereken kanıtları izlemektedir (HFES, 2021). Aşağıdaki tablo seviyelerin kısa, açıklayıcı bir özetidir. Her satır aynı geliştirme evresindeki iki farklı değerlendirme odağını göstermektedir; sayılar arasındaki eşitlik, iki değerlendirmenin aynı sonucu vereceğini ifade etmemektedir. Tablo 1. Teknoloji ve insan hazırlığı seviyelerinin karşılaştırılması

Seviye	Teknoloji hazırlığı	İnsan hazırlığı
1	Temel bilimsel ilkelerin gözlenmesi	İnsan özelliklerinin ve davranışlarının belirlenmesi
2	Teknoloji kavramının tanımlanması	İnsan odaklı kavramların ve ilkelerin tanımlanması
3	Kavramın analitik ve uygulamalı sınanması	İnsan performansı gereksinimlerinin belirlenmesi
4	Parçaların laboratuvarda doğrulanması	Modellerin ve görev parçalarının sınanması
5	Parçaların ilgili ortamda doğrulanması	Prototipin görevle ilişkili kısmi benzetimlerde değerlendirilmesi
6	Prototipin ilgili ortamda gösterilmesi	İnsan–sistem tasarımının gerçekçi benzetimde veya ilgili ortamda gösterilmesi
7	Sistem prototipinin görev ortamında gösterilmesi	Son geliştirme sürümünün temsilî kullanıcılarla görev ortamında doğrulanması
8	Tamamlanmış sistemin yeterliğinin doğrulanması	Tamamlanmış sistemin temsilî kullanıcılarla sınanması ve kullanımının onaylanması
9	Gerçek görevde başarının kanıtlanması	Görev koşulları boyunca başarılı kullanım ve sürekli performans izlemesi

Not. THS sütunu Mankins (2004) ve Manning’den (2023); İHS sütunu, HFES (2021) ölçeğini aktaran Yalim ve Handley’den (2025) özetlenmiştir. Tablo, standartların ayrıntılı değerlendirme koşullarının yerine geçmemektedir.

HAZIRLIĞIN ÖLÇÜLMESİNDE KAVRAMSAL HASSASİYET

İHS’nin bir eğitim sınavına indirgenmesi, tasarım sorunlarını çalışanların omuzlarına yükleyebilmektedir. Operatör doğru karar vermek için gerekli veriye erişemiyorsa veya arayüz kritik uyarıları görünür kılmıyorsa, ek kursun sağlayacağı katkı sınırlanmaktadır. Değerlendirme; insanın bilgisini, tasarımın sunduğu olanakları ve kurumun sağladığı çalışma koşullarını birlikte incelemelidir. İnsan hazırlığını geliştirmek, kimi zaman arayüzü sadeleştirmek veya görev dağılımını yeniden düzenlemek anlamına gelmektedir. Üç kavramın ayrılması bu yüzden gereklidir. Yapay zekâ okuryazarlığı, sistemlerin temel işleyişi ve sınırları hakkında bilgi sağlamaktadır. Görev yeterliği, belirli bir işin kabul ölçütleri içinde yerine getirilmesini göstermektedir. İHS ise insan kullanımının sistem geliştirme sürecinde olgunlaştırılmasını değerlendirmektedir. Bir çalışanın yüksek okuryazarlığı, kullandığı sistemin insan açısından hazır olduğunu kendiliğinden kanıtlamamaktadır. Benzer biçimde, başarılı bir prototip gösterimi bütün çalışan gruplarının hazırlığını temsil etmemektedir. Bu ayrım, değerlendirmenin amacını da değiştirmektedir. Hazırlık kaydı bir kişiyi bütün görevler için yeterli veya yetersiz ilan etmek yerine, hangi desteklerle hangi işi yapabildiğini göstermelidir. Aynı uzman rutin bakım kararlarında başarılıyken yeni bir arıza türünde ek incelemeye gereksinim duyabilir. Bu farklılık, insanın genel kapasitesine ilişkin bir hükümden çok, görev kapsamının yeniden tanımlanmasını gerektirmektedir. İHS uygulamalarının personel sıralama aracına dönüşmesi, tasarımın iyileştirilmesi amacını zayıflatabilir. Bu nedenle kişi değerlendirmesiyle sistem değerlendirmesinin kullanım amaçları açıkça belirtilmelidir. Örgütsel hazırlık da ayrı bir analiz düzeyidir. Weiner (2009), değişime yönelik ortak bağlılığı ve değişimi gerçekleştirmeye ilişkin kolektif yeterlik inancını vurgulamaktadır. Bu çerçeve sağlık hizmetleri bağlamında geliştirilmiştir; başka sektörlere aktarımı ayrıca sınanmalıdır. Bir işletmenin hazırlığını çalışanların bireysel sınav puanlarını toplayarak açıklamak, kaynak dağılımını ve karar yetkisini görünmez bırakmaktadır. Ayrıca THS ve İHS sıralı seviyelerdir. Seviyeler arasındaki farklara eşit uzaklık veya eşit maliyet yüklenmesi ek gerekçe gerektirmektedir. İki puanın ortalamasından üretilen tek gösterge, kritik bir insan kullanım açığını örtebilmektedir. İnsan hazırlığını iş tasarımı; kapasite planlama, kalite yönetimi ve toplam maliyetle ilişkilendirmektedir. Yapay zekânın bir aşamayı hızlandırması, bütün sürecin aynı oranda hızlanacağı anlamına gelmemektedir. Planlama yazılımı daha fazla iş emri ürettiğinde, mühendislik onayı veya bakım kontrolü yeni darboğaz hâline gelebilmektedir. Bu nedenle performans, algoritmanın yanıt süresiyle birlikte kararın uygulanması ve sonucun doğrulanması için gereken emek üzerinden değerlendirilmelidir. Bu yazı kapsamında kurulmuş basit bir hesap bunu somutlaştırmaktadır. Bir sistem saatte 120 öneri üretsin; bunların yüzde 25’i insan incelemesi gerektirsin ve her inceleme ortalama üç dakika sürsün. Saatlik inceleme gereksinimi 120 × 0,25 × 3 = 90 kişi-dakikadır. İnceleme için ayrılmış bir çalışanın saatte 60 dakikalık kapasitesi bulunmaktadır. Bu varsayımlar altında iş birikmektedir. İki çalışanla nominal kapasite 120 dakikaya çıkmaktadır; beklenmedik yığılmalar, molalar ve diğer görevler ayrıca hesaba katılmalıdır. Buradaki sorun, eğitimle birlikte kapasite tahsisini de gerektirmektedir. İnsan hazırlığının maliyeti değerlendirilirken eğitim süresi, doğrulama emeği, yeniden işleme, görev devri ve beceri tazeleme birlikte hesaplanmalıdır. Avrupa Komisyonunun Endüstri 5.0 yaklaşımı, çalışanların iyilik hâlini üretimin merkezine almakta; insan odaklılık, sürdürülebilirlik ve dayanıklılığı birlikte ele almaktadır (Breque et al., 2021). Bu yaklaşımın İHS bakımından yorumu, verimlilik artışının hangi çalışma koşullarıyla üretildiğinin ölçülmesidir. Daha hızlı üretim ile sürdürülebilir insan performansı aynı yönetim gündeminde buluşmaktadır.

DÜNYADAKİ UYGULAMALAR VE KANITLARIN NİTELİĞİ

ABD’de Sandia’nın çalışmaları, İHS’nin kavramsal gelişimine kurumsal bir araştırma zemini sağlamıştır (See et al., 2018). Haziran 2026 tarihli kurum yayını, ölçeğin ABD Kara Kuvvetlerinin saha topçusu komuta ve kontrolüne yönelik dört yazılım programında uygulandığını bildirmektedir. Bu bilgi uygulamanın varlığını göstermektedir; karşılaştırmalı performans artışı hakkında ayrıntılı, bağımsız bir etki değerlendirmesi sunmamaktadır (Vigil, 2026). Uygulama sayısıyla etkinlik kanıtının ayrılması, yaklaşımın bilimsel güvenilirliğini korumaktadır. NASA’nın Mart 2026 tarihli raporu, bütünleşik varış ve kalkış yönetimi sistemi IADS/ATD-2 çalışmalarını İHS açısından incelemektedir. Sistem 2021’de FAA’ya teknik olarak devredilmiş; rapor, geliştirme çalışmalarını daha sonra İHS ölçütleriyle geriye dönük değerlendirmiştir. Kullanıcı katılımı, benzetimler, iş yükü, durumsal farkındalık ve eğitim belgeleri incelenmiştir. Yazarlar, NASA’nın İHS’yi kurum genelinde bütünüyle benimsemiş olduğunu ileri sürmemektedir (Lozito & Arsintescu, 2026). Bu örnek, mevcut proje kayıtlarının insan kullanımına ilişkin kanıtlar açısından yeniden okunabileceğini göstermektedir. Avrupa’da SESAR kapsamındaki HUCAN projesi, ileri otomasyona sahip hava trafik yönetimi sistemleri için sertifikasyon hedeflerini tasarımın erken aşamalarına bağlayan bir yaklaşım geliştirmiştir. İtalya ve Hollanda’daki araştırma kuruluşlarının 2025 tarihli ortak çalışması; THS ile İHS’yi insan faktörleri, sorumluluk, güvenlik ve diğer performans alanlarıyla ilişkilendirmektedir. Yöntem, kritik senaryolardan elde edilen bulguları tasarıma geri taşımaktadır (Lanzi et al., 2025). Buradaki kanıt, geliştirilmiş bir yöntem ve doğrulama çalışmasıdır; bütün Avrupa havacılığına yayılmış tek biçimli bir uygulama sonucu olarak yorumlanmamalıdır. Danimarka İnovasyon Fonu ise Toplumsal Hazırlık Seviyelerini, yeniliklerin toplumsal uyumunu değerlendirmek amacıyla tanımlamaktadır. Paydaşların belirlenmesi, çözümün ilgili çevrelerde sınanması ve toplumla bütünleşme planı bu yaklaşımın parçalarıdır (Innovation Fund Denmark, t.y.). Bu ölçek İHS’den farklı bir soruya yanıt vermektedir. Aynı projede teknoloji olgunluğu, insan kullanımına uygunluk ve toplumsal uyum ayrı kanıt kümeleriyle izlenebilmektedir. Uluslararası örneklerin ortak katkısı, hazırlık değerlendirmesinin hangi düzeyde ve hangi amaçla yapıldığını açıklığa kavuşturmasıdır.

YAPAY ZEKÂ İLE DEĞİŞEN HAZIRLIK PROBLEMİ

Makine öğrenmesi, hazırlık değerlendirmesine veri, model ve kullanım bağlamı arasındaki değişken ilişkileri eklemektedir. Lavin ve arkadaşlarının çalışması, makine öğrenmesine özgü hazırlık sürecini araştırmadan uygulamaya kadar ele almakta; veriyle ilgili gereksinimleri ve sistem mühendisliğini aynı çerçevede toplamaktadır (Lavin et al., 2022). Bir modelin başarısı, eğitim verisinin niteliğine ve karşılaştığı görev koşullarına bağlıdır. Veri dağılımı veya sistemin bağlantılı parçaları değiştiğinde, önceki başarının yeni duruma ne ölçüde taşındığı araştırılmalıdır. İHS’nin yapay zekâya uygulanması konusunda da yayımlanmış çalışmalar bulunmaktadır. Yalim ve Handley (2025), yapay zekâ yoğun sistemlerde teknik ve sosyal doğrulamayı birlikte arayan bir yaklaşım önermekte; bakım işlerinin önceliklendirilmesi üzerinden açıklamaktadır. Bu çalışma, insan hazırlığı ile yapay zekâyı ilişkilendirmenin önceden ele alındığını göstermektedir. Özgünlük iddiası, bu bağlantının ilk defa kurulmasına dayandırılamaz. Bilimsel katkı, hangi ilişkinin daha açık ölçüldüğü ve hangi önermenin yeni verilerle sınandığı üzerinden kurulmalıdır. MIT araştırmacılarının 106 çalışmayı ve 370 etki büyüklüğünü kapsayan meta-analizi, insan–yapay zekâ birlikteliğinin ortalamada insan veya yapay zekâdan daha başarılı olan seçeneğin gerisinde kalabildiğini göstermiştir. Sonuçlar görev türüne göre farklılaşmaktadır (Vaccaro et al., 2024). Bu bulgu, ortak çalışmanın değerini görev koşulları içinde ölçmeyi gerektirmektedir. Başarı göstergesi olarak yapay zekâya güven düzeyi kullanıldığında, güvenin doğrulukla ilişkisi ayrıca incelenmelidir. Hazırlık, gerektiğinde kabul etmeyi ve gerektiğinde hatalı öneriyi geri çevirmeyi birlikte kapsamaktadır. Değerlendirme düzenindeki daha incelikli sorun, doğruluğun nasıl tanımlandığıdır. Model geçmiş uzman kararlarıyla eğitilmiş ve aynı karar kalıbıyla sınanmışsa, yüksek başarı önceki uygulamaların tutarlı biçimde yeniden üretildiğini gösterebilir. Bu sonucun yeni koşullara uygunluğu ayrıca araştırılmalıdır. Modelden farklı düşünen çalışanın gerekçesi, yeni bir duruma ilişkin erken bir işaret taşıyabilir. Bu yazının önerisi, insan–model uyuşmazlıklarını doğrudan kullanıcı hatası olarak puanlamak yerine, bağımsız kanıtlarla incelenen ayrı bir veri kümesine dönüştürmektir. Böylece insan hazırlığı, sistemin mevcut cevaplarını tekrarlama becerisinin ötesinde değerlendirilebilmektedir.

DENETİM KAPASİTESİ VE MÜDAHALE MARJI

Bu yazının ilk araştırma önermesi, yapay zekâya devredilebilecek iş miktarının insan denetimi için ayrılan kapasiteyle birlikte belirlenmesidir. Önceki sayısal örnek, üretim kapasitesiyle inceleme kapasitesinin farklı hızlarda büyüyebildiğini göstermektedir. Denetim gerektiren çıktı oranı, inceleme süresi ve kullanılabilir uzman zamanı düzenli ölçüldüğünde, işletme otomasyon düzeyini daha gerçekçi biçimde planlayabilmektedir. Bu değişkenlerden oluşturulan kapasite kaydı, burada önerilen İHS–YZ araştırma çerçevesinin bir parçasıdır; standartlaştırılmış yeni bir ölçek olarak sunulmamaktadır. İkinci önerme, insan müdahalesinin zaman bakımından uygulanabilirliğidir. Bir süreçte güvenli müdahale için kullanılabilir süre 20 saniye, durumu anlama ve gerekli işlemi yapma süresi 35 saniyeyse, görev düzeni yeniden tasarlanmalıdır. Bu yazıda müdahale marjı, kullanılabilir süreden toplam müdahale süresinin çıkarılmasıyla açıklanmaktadır. Örnek değerler temsili olup belirli bir sistemden alınmamıştır. Ölçümde ortalamayla birlikte yavaş tepkilerin dağılımı, iletişim gecikmeleri ve eşzamanlı görevler de dikkate alınmalıdır. Pozitif marj tek başına güvenliği kanıtlamamaktadır; uygulamanın temel koşullarından birini görünür kılmaktadır. Bu tartışmanın tarihsel dayanaklarından biri Bainbridge’in (1983) otomasyon çözümlemesidir. Otomasyon, rutin görevleri üstlenirken insanın pratik yapma fırsatlarını azaltabilmekte; zor durumlarda ise daha yüksek beceri talep edebilmektedir. Yapay zekâ bağlamında buradan türetilen araştırma sorusu, sürekli yardım almanın bağımsız muhakemeyi zaman içinde nasıl etkilediğidir. Hazırlık değerlendirmesine dönemsel görev devralma uygulamaları eklenmeli; yardım kullanımı, bağımsız başarı ve yeniden öğrenme gereksinimi birlikte izlenmelidir. Böylece bugünkü verimlilik ile gelecekteki uzmanlık kapasitesi arasında ölçülebilir bir bağ kurulmaktadır.

KANITLARIN GEÇERLİLİĞİ VE KARAR YETKİSİNİN DAĞILIMI

Üçüncü önerme, hazırlık kanıtlarının hangi değişikliklerle yeniden değerlendirileceğinin önceden tanımlanmasıdır. NIST’in yapay zekâ risk yönetimi çerçevesi, bağlamın tanımlanmasını, ölçümü ve risklerin süreç boyunca yönetilmesini desteklemektedir (Tabassi, 2023). Buradan hareketle her hazırlık değerlendirmesine model sürümü, kullanıcı grubu, görev sınıfı, test tarihi ve kapsam sınırlarını içeren bir kayıt eklenmesi önerilmektedir. Arayüz değişikliği, yeni veri kaynağı veya görev devri gibi olaylar, hangi kanıtların tekrar üretilmesi gerektiğini belirlemelidir. Bu kayıtların geçerliliği takvimle birlikte değişimin içeriğine bağlıdır. Bir gün önce yapılmış sınama, sistemin karar yetkisini değiştiren bir güncelleme sonrasında dar bir kapsamı temsil edebilmektedir. Buna karşılık daha eski bir kanıt, sınanan işlev ve koşullar korunduğunda belirli bir amaç için değerini sürdürebilmektedir. Yalim ve Handley (2025) de değişen iş akışları ve yapay zekâ sistemleri karşısında değerlendirmelerin yenilenmesini tartışmaktadır. Burada önerilen katkı, yeniden değerlendirmeyi başlatacak olayların sözleşme, sürüm yönetimi ve eğitim planında ortak bir kayda bağlanmasıdır. Üretken yapay zekâda bu kayıt ayrıca bilginin kaynağını kapsamalıdır. NIST’in üretken yapay zekâ profili, gerçeğe aykırı içeriğin güvenli bir anlatımla sunulması riskini ve kaynakların doğrulanmasını ele almaktadır (Autio et al., 2024). Taslak üreten sistem ile taslağı değerlendiren insan aynı hatalı kaynağa dayanıyorsa, inceleme görünürde bağımsız kalabilmektedir. Bu nedenle önerilen değerlendirme, kontrolün sayısıyla birlikte kanıtların birbirinden bağımsızlığını da sorgulamaktadır. Aynı hatanın birden fazla ekranda tekrarlanması, doğrulama gücünü artırmamaktadır. Karar yetkisinin dağılımı bu yaklaşımın örgütsel karşılığıdır. Bir kullanıcı teknik olarak işlemi durdurabilse de üretim hedefleri veya belirsiz sorumluluklar bu yetkinin kullanılmasını güçleştirebilmektedir. Bu nedenle inceleme, durdurma ve yeniden başlatma kararlarının sahibi belirlenmeli; gerekçe kaydı ve üst değerlendirmeye taşıma süreci açıklanmalıdır. Mikro düzeyde görev davranışı, mezo düzeyde iş akışı ve kaynaklar, makro düzeyde ise tedarik ve yeterlik politikaları izlenmelidir. Bu düzeyler birbirini etkilemekte, her biri kendi kanıt türünü gerektirmektedir.

HAZIRLIK YATIRIMLARININ ZAMAN İÇİNDEKİ KARŞILIĞI

Buradan türetilen bir başka araştırma alanı, ertelenen hazırlık çalışmalarının gelecekteki maliyetidir. Bir kurum eğitim, kullanıcı sınaması veya görev devri düzenlemesini sürekli sonraya bırakırken kısa vadede tasarruf gösterebilir. Aynı tercihler ilerleyen dönemde yeniden işleme, uzman bağımlılığı ve uzun duruşlar olarak geri dönebilir. Bu yazıda hazırlık borcu ifadesi, böyle birikmiş işlerin ve olası sonuçlarının birlikte izlenmesi için kullanılan bir çalışma kavramıdır. Terimin ilk kullanımı veya geçerliği gösterilmiş bir ölçek olduğu ileri sürülmemektedir. Bu kavramın ölçülebilir hâle gelmesi için ertelenen her çalışma, etkilediği görevle ve beklenen maliyet türüyle eşleştirilmelidir. Örneğin kullanıcı arayüzünün sınanmasının ertelenmesiyle bakım eğitiminin ertelenmesi farklı sonuçlar üretebilir. Kurum, bu kayıtları proje bütçesine bağladığında düşük satın alma bedeliyle yüksek kullanım maliyeti arasındaki ilişkiyi daha iyi görebilecektir. Karşılaştırma, gerçekleşmiş maliyetlerle geleceğe ilişkin tahminleri açıkça ayırmalıdır. Böylece insan hazırlığı, proje sonunda tamamlanacak bir eğitim kaleminin ötesinde, yatırımın ekonomik yapısını etkileyen bir değişken olarak araştırılabilmektedir. Uzmanlığın kuşaklar arasında aktarımı da aynı hesaba katılmalıdır. Bugünkü ekip, otomasyon öncesinde edindiği bilgiyle sistemi denetleyebilir. Yeni katılan çalışanlar ise aynı bilgiyi edinmek için farklı öğrenme düzenlerine gereksinim duyabilir (Bainbridge, 1983). Buradan çıkarılan öneri, personel devrinin hazırlık değerlendirmesinde açık bir değişiklik olayı olarak kaydedilmesidir. Kurumun mevcut başarısı, onu üreten insanların ayrılmasından sonra hangi mekanizmalarla sürdürüleceği açıklanarak değerlendirilmelidir. Bu bakış, eğitim bütçesini gelecekteki görev sürekliliğiyle ilişkilendirmektedir.

ÖNERİLERİ SINAYACAK ARAŞTIRMA DÜZENİ

İHS-YZ çerçevesi için ilk pilot, üretim planlama veya bakım önceliklendirme gibi sonuçların izlenebildiği bir görevde kurulabilir. Araştırmada insanın tek başına çalışması, yapay zekânın tek başına performansı ve ortak çalışma karşılaştırılmalıdır. Doğruluk, işlem süresi, inceleme emeği, hatalı öneriyi yakalama ve görev devralma başarısı ayrı sonuçlar olarak kaydedilmelidir. İnsan katılımının güvenlik veya sorumluluk gerekçeleriyle zorunlu olduğu görevlerde, karşılaştırmalar benzetim ve kontrollü test ortamlarında yürütülebilir. Başlangıç yeterliği ve görev zorluğu karşılaştırılabilir tutulmalıdır. Sınanacak ilk hipotez, çıktı hızındaki artışın denetim kapasitesi sabit tutulduğunda inceleme gecikmesini büyütmesidir. İkinci hipotez, dönemsel görev devralma uygulamalarının zaman içindeki bağımsız başarı kaybını azaltmasıdır. Üçüncü hipotez, sürüm ve bağlam değişikliklerine bağlı değerlendirmelerin, sabit takvimli kontrollerin kaçırdığı hazırlık açıklarını daha erken yakalamasıdır. Bunlar bu yazının araştırma önerileridir; sonuçları veriyle belirlenecektir. Ön kayıt, uygun örneklem hesabı ve bağımsız değerlendirme, iddiaların denetlenebilirliğini artıracaktır. Ölçüm araçlarının kendileri de sınanmalıdır. Aynı kayıtları inceleyen değerlendiricilerin benzer sonuçlara ulaşması, farklı görevlerde ölçütlerin anlamını koruması ve göstergelerin gerçek görev başarısıyla ilişkisi araştırılmalıdır. Eğitim katılımı gibi kolay sayılan değişkenlerle yetinmek, hazırlık iddiasını zayıflatmaktadır. Dijital ikiz ve benzetim ortamları, seyrek karşılaşılan durumları güvenli biçimde çalışmak için kullanılabilir; bu ortamlardaki sonuçların gerçek göreve aktarımı ayrıca gösterilmelidir. Araştırmanın başarısı, hazırlık puanını yükseltmek kadar hangi tasarım değişikliğinin hangi sorunu çözdüğünü açıklamasına bağlıdır. Sonuçların raporlanmasında ortalama başarı kadar hataların dağılımı da önem taşımaktadır. Sık yapılan kolay görevlerdeki yüksek başarı, seyrek fakat ağır sonuçlu bir görevdeki zayıflığı gizleyebilir. Bu nedenle görev sınıfları için ayrı sonuçlar, belirsizlik aralıkları ve örneklem sınırları sunulmalıdır. Araştırmacılar personel sayısı, görev yoğunluğu ve otomasyon düzeyini birlikte değiştirerek kapasite hesabının hangi koşullarda açıklayıcı olduğunu sınayabilir. Bu düzen, hazırlığın tek sayıya sıkıştırılmasını önlerken yöneticilere hangi kaynağın hangi sorunu azaltabileceğini gösteren bir karar zemini sağlamaktadır.

TEKNOLOJİK İLERLEMENİN İNSANİ KAPASİTEYE DÖNÜŞMESİ

Teknoloji hazırlığı, bir yeniliğin hangi teknik kanıtlarla görev almaya yaklaşmakta olduğunu açıklamaktadır. İnsan hazırlığı ise bu yeniliğin insanlarla birlikte çalışabilmesi için gereken tasarım ve değerlendirme birikimini görünür kılmaktadır. Yapay zekâ, iki alanın ortak yönetimini daha önemli hâle getirmektedir; çünkü görevleri, bilgi akışını ve karar yetkisini aynı anda değiştirmektedir. Hazırlığın güçlü tanımı, insanın ne bildiğini sistemin ona ne yapma olanağı verdiğiyle birlikte ele almaktadır. Burada geliştirilen yaklaşımın hedefi; üretim hızını denetim kapasitesiyle, yetki devrini müdahale süresiyle, teknik güncellemeyi kanıtların yeniden değerlendirilmesiyle ilişkilendirmektir. Böyle bir yönetim anlayışında eğitim, tasarım, tedarik ve örgütsel öğrenme aynı kararın parçaları hâline gelmektedir. Asıl bilimsel değer, yeni bir adlandırmadan çok, bu ilişkilerin açık varsayımlarla ölçülmesinde bulunmaktadır. Teknolojik ilerleme, insanın karar verebilme ve kararlarının sonuçlarını değerlendirebilme kapasitesini geliştirdiği ölçüde sürdürülebilir kurumsal değere dönüşmektedir. PROF. DR. GÜLSÜN KURUBACAK ÇAKIR-ANKARA HBV ÜNİVERSİTESİ KAYNAKÇA Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., & Roberts, K. (2024). Artificial intelligence risk management framework: Generative artificial intelligence profile (NIST AI 600-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.600-1 Bainbridge, L. (1983). Ironies of automation. Automatica, 19(6), 775–779.https://doi.org/10.1016/0005-1098(83)90046-8 Breque, M., De Nul, L., & Petridis, A. (2021). Industry 5.0: Towards a sustainable, human-centric and resilient European industry. Publications Office of the European Union. https://research-and-innovation.ec.europa.eu/knowledge-publications-tools-and-data/publications/all-publications/industry-50-towards-sustainable-human-centric-and-resilient-european-industry_en Human Factors and Ergonomics Society. (2021). Human readiness level scale in the system development process (ANSI/HFES 400-2021). https://www.hfes.org/Publications/Technical-Standards Innovation Fund Denmark. (t.y.). Societal readiness levels (SRL) defined according to Innovation Fund Denmark. https://danmarksinnovationsfond.dk/wp-content/uploads/2026/07/societal_readiness_levels_-_srl.pdf Lanzi, P., Spiller, E., Everdij, M., Stroeve, S., Gigante, G., & Pascarella, D. (2025). HUCAN: Towards certification-aware design for advanced automation solutions . SESAR Innovation Days. https://www.sesarju.eu/sites/default/files/documents/sid/2025/papers/SIDs_2025_paper_96-final.pdf Lavin, A., Gilligan-Lee, C. M., Visnjic, A., Ganju, S., Newman, D., Ganguly, S., Lange, D., Baydin, A. G., Sharma, A., Gibson, A., Zheng, S., Xing, E. P., Mattmann, C., Parr, J., & Gal, Y. (2022). Technology readiness levels for machine learning systems. Nature Communications, 13, Article 6039. https://doi.org/10.1038/s41467-022-33128-9 Lozito, S., & Arsintescu, L. (2026). NASA’s Integrated Arrival Departure System/Airspace Technology Development-2: A case study for the application of the human readiness scale (NASA/TM–20260002171). National Aeronautics and Space Administration. https://ntrs.nasa.gov/citations/20260002171 Mankins, J. C. (2004). Technology readiness levels . National Aeronautics and Space Administration. https://www.researchgate.net/publication/247705707_Technology_Readiness_Level_-_A_White_Paper Manning, C. G. (2023, 27 Eylül). Technology readiness levels. NASA. https://www.nasa.gov/directorates/somd/space-communications-navigation-program/technology-readiness-levels/ See, J. E., Morris, J. D., Craft, R. L., Moulton, M., & Trujillo, S. M. (2018). Incorporating human readiness levels at Sandia National Laboratories. Journal of Human Performance in Extreme Environments, 14(1), Article 1. https://doi.org/10.7771/2327-2937.1085 Tabassi, E. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1 U.S. Government Accountability Office. (2020). Technology readiness assessment guide: Best practices for evaluating the readiness of technology for use in acquisition programs and projects (GAO-20-48G). https://www.gao.gov/products/gao-20-48g Vaccaro, M., Almaatouq, A., & Malone, T. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8(12), 2293–2303. https://doi.org/10.1038/s41562-024-02024-1 Vigil, K. (2026, 18 Haziran). Setting standards. Sandia Lab News. https://www.sandia.gov/labnews/2026/06/18/setting-standards/ Weiner, B. J. (2009). A theory of organizational readiness for change. Implementation Science, 4, Article 67. https://doi.org/10.1186/1748-5908-4-67 Yalim, C., & Handley, H. (2025). Application of the human readiness levels to AI intensive systems . MODSIM World 2025. https://www.modsimworld.org/papers/2025/MODSIM_2025_paper_18.pdf