AI İş Görüşmeleri: 70.884 Başvurunun Gösterdikleri
Hedef kitle: İşe alımda, İK operasyonlarında veya yüksek riskli iş akışlarında AI'ı değerlendiren orta düzey okuyucular.
AI iş görüşmeleri üzerine yapılan en büyük saha deneylerinden biri otonom işe alımı test etmedi. Daha dar kapsamlı bir sistemi test etti: Bir AI ses aracısı yapılandırılmış bir görüşme gerçekleştirdi; ardından bir insan işe alım uzmanı kaydı, dökümü ve test sonuçlarını inceleyerek kararı verdi.
Bu sınır çarpıcı bir sonuç ortaya çıkardı. Görüşme koşuluna rastgele atanan 67.056 uygun başvuru arasında teklif oranı, insan görüşmecilerdeki %8,70'ten AI görüşmecilerde %9,73'e yükseldi; bu, göreli olarak %12'lik bir artıştı. İşe başlama ve erken dönemde işte kalma oranları da iyileşti. Ancak insan incelemeciler bir sonraki kuyruğu oluşturduğu için AI iş akışında başvurudan işe başlamaya kadar geçen süre uzadı.
Pratik sonuç özeldir: AI, yüksek hacimli işe alımda tekrarlanabilir bilgi toplama süreçlerini iyileştirebilir. Çalışma, bir LLM'nin adayları sıralaması, kimin ilerleyeceğine karar vermesi veya hesap verebilir insan incelemesinin yerini alması gerektiğini göstermemektedir.
AI iş görüşmesi deneyi neyi test etti?
Voice AI in Firms saha deneyi, 7 Mart ile 7 Haziran 2025 arasında Filipinler'de bir işe alım süreçleri dış kaynak hizmeti şirketinin aldığı 70.884 başvuruyu izledi. İşler; 48 ilanı, 41 müşteri hesabını, 19 şehri ve teknoloji, sigorta, perakende, finans ve sağlık hizmetleri dahil sektörleri kapsıyordu.
Araştırmacılar 67.056 uygun başvuruyu üç gruba rastgele ayırdı:
Her iki görüşmeci de aynı yapılandırılmış yönergeleri izledi. AI, görüşmenin başında kimliğini açıkladı. Ayrıca başvuru sahiplerine görüşmeyi AI'ın değil, bir insan işe alım uzmanının değerlendireceğini ve teklif yapıp yapmamaya karar vereceğini söyledi.
Bu tasarım, “AI işe alım uzmanı” ifadesinden daha önemlidir. AI kanıt topladı. Karar yetkisi insanlarda kaldı.
Araştırmacılar neyi ölçtü?
Makale, görüşmenin tamamlanmasının ötesindeki sonuçları ölçtü. Rastgele atanan görüşme koşulunu tekliflere, kabul edilen tekliflere, işe başlamaya, dört aya kadar işte kalmaya, işten ayrılma nedenlerine ve mevcut üretkenlik ölçümlerine bağladı.
| Sonuç | İnsan görüşmeci | AI görüşmeci | Bildirilen fark |
|---|---|---|---|
| --- | ---: | ---: | ---: |
| İş teklifi | %8,70 | %9,73 | Göreli olarak %12 artış |
| İşe başlama | %5,65 | %6,71 | Göreli olarak yaklaşık %18 artış |
| 30 gün sonra çalışıyor olma | %4,97 | %5,85 | Göreli olarak yaklaşık %17 artış |
| Başvurudan işe başlamaya medyan süre | 20 gün | 24 gün | AI iş akışı dört gün daha yavaştı |
Teklif, işe başlama ve 30 günlük işte kalma oranları, insan ve AI görüşmeci gruplarındaki tüm rastgele atanmış başvuru sahiplerini kullanır. Daha sonraki işte kalma farkları pozitif kalırken, örneklem küçüldükçe tahminler daha az kesin hale geldi. Yazarlar ayrıca üretkenlik verisi bulunan işe alınmış çalışan alt grubunda anlamlı bir üretkenlik farkı bulmadı.
Bunlar, araştırmacılar görüşmeciyi rastgele atadığı için bu deney açısından nedensel tahminlerdir. Her iş, ülke, ses modeli veya işe alım süreci için evrensel performans garantileri değildir.
Yapılandırılmış AI görüşmeleri neden daha iyi kanıt topladı?
Yazarlar mekanizmayı “kontrollü varyans” olarak tanımlıyor. İnsan işe alım uzmanları soru kapsamı, takip davranışı ve birini eleme noktası bakımından farklılık gösterdi. AI aracısı, duyarlı takip soruları sormaya devam ederken protokolü daha tutarlı biçimde izledi.
Döküm analizi, AI liderliğindeki görüşmelerin işle ilgili daha fazla konuyu kapsadığını ve sonraki insan değerlendirmesi için daha fazla bilgi ürettiğini buldu. Bu, modelin yeteneği kendi başına tespit ettiğini varsaymadan daha yüksek teklif oranını açıklamaya yardımcı olur.
Yapılandırılmış görüşmeler zaten karşılaştırılabilir sorular sormayı ve işle ilgili kanıtları tutarlı biçimde puanlamayı amaçlar. AI aracısı, bu operasyonel disiplini binlerce görüşmede tekrarlamayı kolaylaştırdı. AI iş görüşmelerini değerlendiren ekipler, konuşmanın gerçekçiliğini tek başına değil, protokole uyumu ürün gereksinimi olarak görmelidir.
Deney yeni bir darboğazı da ortaya çıkardı
AI aracısı, başvurudan görüşmeye kadar geçen bekleme süresini kısalttı. Uzaktan koşuldaki başarılı başvuru sahipleri, insanla 0,51 güne kıyasla AI ile medyan 0,32 gün sonra görüşmeye ulaştı.
İnsan değerlendirmesi daha sonra süreci yavaşlattı. AI liderliğindeki görüşmeden sonra medyan görüşmeden teklife süresi 7,24 günken, insan liderliğindeki görüşmeden sonra 2,62 gündü. Başvurudan işe başlamaya kadar toplam medyan süre AI grubu için 24 güne, insan grubu için 20 güne ulaştı.
Otomasyon kuyruğu aşağı akışa taşıdı. İnceleme kapasitesi sabit kalırsa bir işe alım ekibi daha fazla görüşme gerçekleştirebilir ve yine de adayları daha uzun süre bekletebilir.
Makalenin maliyet modeli de aynı kısıta işaret ediyor. AI, yüksek ücretli ortamlarda daha düşük hacimlerde maliyet açısından verimli hale gelirken, diğer senaryolarda başa baş noktası binlerce veya on binlerce görüşmeye ulaştı. İş gerekçesi ücret düzeylerine, tedarikçi fiyatlandırmasına, hata oranlarına ve inceleme işine bağlıdır. Dakika başına demo fiyatı bu soruyu yanıtlayamaz.
Çalışma neyi kanıtlamadı?
Otonom seçimi test etmedi
Her teklif kararını insan işe alım uzmanları verdi. Görüşmeyi AI'ın mı yoksa bir insanın mı gerçekleştirdiğini biliyorlardı. Bu nedenle deney, AI destekli kanıt toplamayı destekler; kimin işe alınacağına bir LLM'nin karar vermesini değil.
Bir ekip model tarafından oluşturulan aday puanları, sıralamalar, ret önerileri, duygu analizi veya kişilik çıkarımı eklerse, farklı risk profiline sahip farklı bir sistem kurmuş olur. Her sayısal çıktı gerçek sonuçlara göre kalibre edilmelidir; bir LLM güven puanı evrensel bir olasılık değildir→.
Korunan gruplar arasında adaleti ortaya koymadı
Makale, AI koşulunun gözlemlenen cinsiyetler arası teklif farkını anlamlı biçimde değiştirmediğini bildiriyor. Bu sonuç ırk, engellilik, yaş, aksan veya kesişimsel gruplar arasında adaleti ortaya koymaz; ayrıca yazarlar tüm cinsiyet farklarının kaynağını belirlemek için yeterli tedavi öncesi ayrıntıya sahip değildi.
İki kontrollü çalışma, seçim katmanının neden ayrı test edilmesi gerektiğini gösteriyor. Japonca formatındaki özgeçmişler üzerine Haziran 2026 tarihli bir çalışma, nitelikleri sabit tutarken cinsiyet sinyali veren isimleri değiştirdi. Beş LLM farklı puanlar üretti ve tek bir adalet talimatı toplam farkı ortadan kaldırmadı. Çalışma, model tarafından dönüştürülmüş özgeçmişler ve tek bir prompt formülasyonu kullandığından, mutlak puanları genelleştirilmemelidir.
Mart 2026 tarihli bir Singapur çalışması, sentetik özgeçmiş varyantları üzerinde 18 modeli test etti. Diller, etkinlikler, gönüllülük ve hobiler, açık tanımlayıcılar kaldırıldıktan sonra modellerin demografik özellikleri çıkarsamasına olanak sağladı. Ölçülen farklılıklar bu kontrollü Singapur düzenine aittir; ancak yöntem pratik bir başarısızlığı ortaya koyuyor: İsimleri silmek her demografik vekil değişkeni silmez.
Her iş türüne genellenmedi
Deney, yüksek hacimli işe alım gerçekleştiren tek bir şirkette, ağırlıklı olarak müşteri hizmetleri rolleri için yapıldı. Yazarlar en güçlü faydaların görüşmelerin tekrarlandığı, sonuçların hızlı biçimde gözlemlenebilir olduğu ve insan süreçlerindeki varyansın maliyet yarattığı yerlerde ortaya çıkmasını bekliyor. Örtük bilgiye veya ilişki kurmaya dayanan uzmanlık gerektiren roller farklı sonuçlar doğurabilir.
Başvuru sahibi anketlerinin tamamlanma oranı da %14'tü. Ankete katılan başvuru sahipleri deneyimleri benzer şekilde değerlendirdi ve seçim hakkı sunulan başvuru sahiplerinin %78'i AI aracısını seçti; ancak bu rakamlar bu süreç ve başvuru sahibi kitlesiyle sınırlı tutulmalıdır.
AI iş görüşmeleri için daha güvenli bir sınır
Çalışma, işverenler ve tedarikçiler için yararlı bir mimari öneriyor.
*Savunulabilir bir iş akışı, otomatik görüşme yürütmeyi insan karar yetkisinden ayırır; ardından sonuçları ölçer ve uyarlama veya itiraz için bir yol sunar.*
Hukuki ve erişilebilirlik kontrolleri sistemin parçasıdır
Kurallar yargı alanına ve aracın neyi etkilediğine bağlıdır. EU AI Act, işe alım veya seçme amacıyla kullanılan AI'ı yüksek riskli istihdam kullanım alanları arasında listeler. Madde 6 ayrıca, bir kararı maddi olarak etkilemeyen dar kapsamlı usuli veya hazırlık niteliğindeki bir sistemin bu sınıflandırmanın dışında kalabileceği koşulları da içerir. Bu istisnayı ileri süren sağlayıcılar değerlendirmeyi belgelemelidir. İş akışında bir insanın bulunması, sınıflandırmayı tek başına belirlemez.
New York City'nin Automated Employment Decision Tools kuralları, güncel bir önyargı denetimi, kamuya açık denetim bilgileri ve kapsam dahilindeki bir araç kullanıldığında bildirimler gerektirir. Kesin tanım ve kapsam, olaya özgü olarak incelenmelidir.
ABD Adalet Bakanlığı, işe alım teknolojilerinin engelli nitelikli kişileri eleme riski taşıdığı konusunda uyarıyor. AI işe alımı ve engellilik rehberi, erişilebilir alternatifler, açık uyarlama prosedürleri ve başvuru sahibinin engelliliği yerine iş becerilerini ölçen testler çağrısında bulunuyor.
NIST AI Risk Management Framework yargı alanından bağımsız bir işletim modeli sunar: sistemi yönetin, bağlamını haritalayın, riski ölçün ve kanıtların ortaya çıkardıklarını yönetin. Bu, gönüllü bir rehberdir; istihdam hukuku danışmanlığının yerine geçmez.
Yanlış bir başarıyı önleyen ölçümler
Bir AI görüşmesi pilotu hem sonuç hem de süreç ölçümlerine ihtiyaç duyar. En azından şunları izleyin:
Mümkün olduğunda bu ölçümleri eş zamanlı bir insan süreciyle karşılaştırın. Daha kısa bir planlama kuyruğu, daha uzun bir inceleme kuyruğunu gizleyebilir. Daha yüksek tamamlanma oranı, farklı gruplara yönelik eşitsiz taramayı gizleyebilir. Daha ucuz bir görüşme, daha pahalı itirazlar yaratabilir.
Yararlı sonuç başlık değil, sınırdır
Saha deneyi, yapılandırılmış bir AI ses aracısının geniş ölçekte yararlı işe alım bilgileri toplayabileceğine dair güçlü kanıt sunuyor. Ayrıca ekiplerin “AI işe alım uzmanları insanlardan daha iyi performans gösteriyor” şeklindeki geniş iddiaya neden direnmesi gerektiğini de gösteriyor. Kararları insanlar verdi, ortam tekrarlanabilir görüşmeleri destekliyordu ve iş akışı daha hızlı planlamayı daha yavaş incelemeyle takas etti.
AI iş görüşmelerini tanımlanmış bir kanıt toplama görevini standartlaştırmak için kullanın. Seçim kriterlerini, uyarlamaları, incelemeyi, itirazları ve sonuç denetimlerini süreci açıklayabilen ve değiştirebilen insanlara bağlı tutun.
SSS
Saha deneyinde işe alım kararlarını AI mı verdi?
Hayır. AI ses aracısı görüşmeleri gerçekleştirdi; ancak insan işe alım uzmanları görüşme kanıtlarını inceleyerek tüm teklif kararlarını verdi. Çalışma otonom işe alımı doğrulamıyor.
AI iş görüşmeleri yasal mı?
Yasal olabilir; ancak istihdam, ayrımcılık, erişilebilirlik, gizlilik ve otomatik karar kuralları uygulanabilir. Kapsam, yargı alanına ve aracın seçimi ne ölçüde etkilediğine bağlıdır. İşverenler bir tedarikçi etiketine güvenmek yerine gerçek iş akışını ve güncel yerel hukuku incelemelidir.
İddia kontrolleri
| İddia | Durum | Kanıt sınırı |
|---|---|---|
| --- | --- | --- |
| Çalışma 70.884 başvuruyu izledi ve 67.056 uygun başvuruyu rastgele gruplara ayırdı. | Doğrulandı | Voice AI in Firms, deneysel örneklem. |
| AI liderliğindeki görüşmeler teklif oranını %8,70'ten %9,73'e yükseltti. | Doğrulandı | Rastgele oluşturulan insan-AI görüşmeci grupları. |
| İşe başlama ve 30 günlük işte kalma oranları göreli olarak yaklaşık %18 ve %17 arttı. | Doğrulandı | Koşulsuz rastgele örneklem sonuçları. |
| Çalışma anlamlı bir üretkenlik düşüşü bulmadı. | Nitelikli | Üretkenlik verisi yalnızca işe alınmış çalışanların bir alt grubunu kapsıyordu. |
| AI iş akışı, başvurudan işe başlamaya kadar medyan olarak dört gün daha uzun sürdü. | Doğrulandı | Uzaktan moddaki başarılı işe alımlar; 24 güne karşı 20 gün. |
| AI görüşmeleri demografik gruplar arasında adildir. | Reddedildi | Saha deneyi bu geniş iddiayı ortaya koymadı; kontrollü işe alım çalışmaları bağlama özgü farklılıklar buluyor. |
| Bir insan incelemeci yasal yüksek risk statüsünü otomatik olarak ortadan kaldırır. | Reddedildi | Sınıflandırma, sistemin gerçek etkisine ve uygulanabilir hukuka bağlıdır. |
| AI görüşmeleri işe alım maliyetini her zaman azaltır. | Reddedildi | Başa baş noktası hacme, ücretlere, tedarikçi fiyatlarına, hatalara ve inceleme işine bağlıydı. |