İK departmanınız her yeni işe alımda aynı soruları tekrar tekrar yanıtlamaktan yoruldu mu? İzin prosedürleri, yan haklar, şirket politikaları… Yeni çalışan sorularını yöneten bilgi ajanı kurma süreci, bu tekrarlayan yükü ortadan kaldırırken çalışan deneyimini de üst seviyeye taşıyor. Üstelik 2024 verilerine göre şirketlerin %43’ü İK operasyonlarında yapay zeka destekli chatbot kullanmaya başladı. Peki siz de kendi bilgi ajanınızı nasıl kurarsınız?
Kilit Çıkarım: Doğru yapılandırılmış bir bilgi ajanı, çalışan başına onboarding süresini 30 saate kadar kısaltabiliyor ve İK ekibinin stratejik işlere odaklanmasını sağlıyor.
Başlamadan Önce
Bir yapay zeka ajanı kurmak, rastgele bir chatbot entegrasyonundan çok daha fazlasını gerektiriyor. Sisteminizin gerçekten işe yaraması için önce altyapınızı hazırlamanız şart.
Gerekenler
- LLM (Büyük Dil Modeli) erişimi – OpenAI API, Azure OpenAI veya açık kaynak alternatifler (Llama, Mistral)
- Vektör veritabanı – Pinecone, Weaviate, ChromaDB veya pgvector
- Bilgi kaynakları – Şirket el kitabı, İK politikaları, SSS dokümanları (PDF, Word, Notion vb.)
- Entegrasyon platformu – LangChain, LlamaIndex veya hazır çözümler (Microsoft Copilot Studio, Glean)
- Hosting altyapısı – Bulut sunucu veya serverless ortam
Ön Koşullar
- Temel Python veya Node.js bilgisi (kod tabanlı çözüm tercih ediyorsanız)
- Şirket dokümanlarının dijital ve güncel olması
- KVKK/GDPR uyumluluğu için veri işleme politikası
- İK ekibinden içerik onayı ve test desteği
RAG Mimarisi: Bilgi Ajanının Beyni
Çalışan sorularını doğru yanıtlayan bir ajan kurmak için RAG (Retrieval-Augmented Generation) mimarisini anlamak kritik. Bu yaklaşım, LLM’in genel bilgisini şirketinize özel verilerle zenginleştiriyor.
Pratikte şöyle çalışıyor: Çalışan bir soru sorduğunda sistem önce vektör veritabanında ilgili doküman parçalarını buluyor, sonra bu bağlamı LLM’e göndererek şirkete özel, doğru bir yanıt üretiyor. Böylece “halüsinasyon” riski minimuma iniyor.
| Yaklaşım | Avantaj | Dezavantaj | Maliyet |
|---|---|---|---|
| Hazır Çözüm (Glean, Copilot) | Hızlı kurulum, bakım gerektirmez | Özelleştirme sınırlı, lisans maliyeti yüksek | Kullanıcı başı aylık $15-30 |
| Low-Code (Copilot Studio, Botpress) | Kod bilgisi az gerektirir, görsel arayüz | Karmaşık senaryolarda yetersiz kalabilir | Aylık $200-500 |
| Kod Tabanlı (LangChain + OpenAI) | Tam kontrol, sınırsız özelleştirme | Geliştirme ve bakım süresi uzun | API kullanımına göre değişken |
Adım Adım Bilgi Ajanı Kurulumu
Aşağıdaki adımlar, LangChain ve OpenAI API kullanarak temel bir RAG tabanlı bilgi ajanı oluşturmayı gösteriyor. Hazır çözüm tercih edenler doğrudan platform dokümantasyonunu takip edebilir.
- Bilgi tabanını hazırla: Tüm İK dokümanlarını (izin politikası, yan haklar, onboarding rehberi, şirket kültürü) tek bir klasörde topla. PDF ve Word formatlarını destekleyen bir loader kullanacaksın.
- Dokümanları parçala (chunking): Büyük dokümanları 500-1000 karakterlik parçalara böl. Örtüşme (overlap) eklemek bağlam kaybını önler. LangChain’in RecursiveCharacterTextSplitter’ı bu iş için ideal.
- Vektör embedding oluştur: Her metin parçasını OpenAI’ın text-embedding-ada-002 modeli veya açık kaynak alternatiflerle vektöre dönüştür. Bu vektörler, semantik arama yapmanı sağlayacak.
- Vektör veritabanına yükle: Oluşturduğun vektörleri ChromaDB (yerel geliştirme için) veya Pinecone (production için) gibi bir veritabanına kaydet.
- Retrieval zincirini kur: Kullanıcı sorusu geldiğinde en alakalı 3-5 doküman parçasını getiren bir retriever tanımla. Similarity search veya MMR (Maximum Marginal Relevance) algoritmasını kullanabilirsin.
- Prompt şablonunu tasarla: LLM’e gönderilecek sistem promptunu hazırla. “Sen bir İK asistanısın. Sadece verilen bağlama göre yanıt ver. Bilmiyorsan ‘Bu konuda İK ekibiyle iletişime geçin’ de.” gibi net talimatlar ekle.
- Arayüz entegrasyonu yap: Slack, Microsoft Teams veya şirket intranetine bağlantı kur. Gradio veya Streamlit ile hızlı bir web arayüzü de oluşturabilirsin.
- Test ve iyileştirme: Gerçek çalışan sorularıyla test et. Yanlış veya eksik yanıtları not al, bilgi tabanını güncelle.
Pro İpucu: Chunking yaparken başlık ve alt başlıkları metadata olarak sakla. Böylece “izin politikası” araması yapıldığında sadece ilgili bölümler gelir, tüm el kitabı değil.
Sık Yapılan Hatalar
Bilgi ajanı projelerinin başarısız olmasının arkasında genellikle teknik değil, operasyonel sorunlar yatıyor.
- Güncel olmayan dokümanlar: 2019’dan kalma izin politikasını beslerseniz ajan da eski bilgi verir. Bilgi tabanını düzenli güncelleme süreci şart.
- Aşırı geniş kapsam: “Her şeyi bilsin” yaklaşımı kaliteyi düşürür. Önce onboarding sorularına odaklan, sonra genişlet.
- Geri bildirim mekanizması eksikliği: Çalışanların “Bu yanıt yardımcı olmadı” diyebileceği bir buton eklemezsen neyi düzelteceğini bilemezsin.
- Gizlilik ihlali: Maaş bilgileri veya performans değerlendirmeleri gibi hassas verileri bilgi tabanına ekleme. Ajan bunları herhangi bir çalışana sızdırabilir.
Mini Senaryo: Şu Durumda Ne Yaparsın?
Durum: Ajan, “Yıllık izin hakkım kaç gün?” sorusuna “15 gün” diyor ama şirketinizde kıdeme göre değişken izin politikası var.
Çözüm: Bilgi tabanındaki izin dokümanını kıdem bazlı tablo formatında yeniden yapılandır. Prompt şablonuna “Kıdeme göre değişen bilgiler için çalışanın kıdemini sor” talimatı ekle. Alternatif olarak, İK sisteminden kıdem verisini çeken bir API entegrasyonu kur.
Maliyet ve Süre Tahmini
| Aşama | Süre | Tahmini Maliyet |
|---|---|---|
| Doküman hazırlığı | 1-2 hafta | İç kaynak (İK ekibi zamanı) |
| Teknik kurulum (kod tabanlı) | 2-4 hafta | Geliştirici maliyeti + API kredisi (~$50-200) |
| Test ve iyileştirme | 2 hafta | İç kaynak |
| Aylık işletme (production) | Sürekli | $50-300 (kullanıma bağlı) |
Risk Seviyesi: Orta. Teknik riskler yönetilebilir düzeyde; asıl risk, İK ekibinin sahiplenmemesi ve bilgi tabanının güncel tutulmaması.
Sıkça Sorulan Sorular
Bilgi ajanı mevcut İK yazılımımızla entegre olabilir mi?
Çoğu modern İK yazılımı (SAP SuccessFactors, Workday, BambooHR) API desteği sunuyor. Entegrasyon için webhook veya REST API kullanabilirsiniz. Hazır çözümler genellikle popüler platformlarla doğrudan bağlantı seçeneği içeriyor.
Çalışanlar yanlış bilgi alırsa ne olur?
Her yanıtın altına “Bu bilgi otomatik üretilmiştir. Kesin bilgi için İK’ya danışın” uyarısı ekleyin. Ayrıca kritik konularda (işten çıkış, disiplin) ajanın doğrudan yanıt vermeyip İK’ya yönlendirmesini sağlayın.
Türkçe dil desteği yeterli mi?
GPT-4 ve Claude modelleri Türkçe’de oldukça başarılı. Açık kaynak modellerde (Llama, Mistral) Türkçe performansı daha sınırlı olabilir. Testlerde şirketinize özel terimlerle deneme yapmanız önerilir.
Sonuç
Yeni çalışan sorularını yöneten bir yapay zeka ajanı kurmak, artık sadece büyük şirketlerin erişebildiği bir lüks değil. RAG mimarisi ve hazır araçlar sayesinde orta ölçekli bir şirket bile birkaç hafta içinde çalışan deneyimini dönüştürebilir.
Başarının anahtarı teknolojide değil, süreçte gizli: Güncel bilgi tabanı, net kapsam tanımı ve sürekli geri bildirim döngüsü. Küçük başlayın, onboarding SSS’leriyle test edin, sonra kapsamı genişletin. İK ekibiniz stratejik işlere odaklanırken, yeni çalışanlarınız 7/24 doğru bilgiye ulaşsın.