Toplantıdaki üçüncü dinleyici: Yapay zeka için mi konuşmaya başlıyoruz?

QuandoHer salı ve cuma girişimcilik ve teknoloji ekosistemlerinden öne çıkan gelişmeler, paradigma değişimleri, inovasyon trendleri ve dijital dönüşüm e-posta kutunda.
24 Eylül’de yayımlanan yeni bir saha araştırması, çalışanların toplantıdan sonra yapay zekanın üreteceği özet ve belgeleri düşünerek konuşmalarını değiştirmeye başladığını gösteriyor. Araştırmacılar bu davranışa "machine-readable talk" diyor. Teams, Slack ve Zoom toplantıları giderek yalnızca kaydetmekle kalmayıp kararları, görevleri ve sonraki AI iş akışlarını besleyen kurumsal veriye dönüştürürken daha büyük bir soru ortaya çıkıyor: Yapay zeka bizi anlamayı öğrenirken biz de kendimizi onun daha kolay anlayacağı biçimde mi yeniden düzenliyoruz?
Bir toplantının sonuna doğru aksiyon maddelerini yeniden saydığınızı düşünün. Kimin ne yapacağını birkaç dakika önce konuşmuşsunuz, odadaki herkes de anlamış gibi görünüyor; yine de isimleri, işleri ve teslimleri daha temiz cümlelerle tekrar ediyorsunuz. Proje numarasını özellikle sesli söylüyor, normalde herkesin bildiğini varsayacağınız bağlamı yeniden kuruyorsunuz. Bunu karşınızdaki insan anlamadığı için değil, toplantıyı dinleyen sistem daha sonra doğru bir özet çıkarsın, taahhüdünüzü "action item" olarak yakalasın ve birkaç gün sonra biri bu görüşmeyi sorguladığında doğru yere ulaşabilsin diye yapıyorsunuz.
- Toplantının içinde görünmeyen başka bir muhatap oluşuyor: Konuşmanın parçası olmayan ama konuşmanın gelecekte neye dönüşeceğini belirleyen makine.
Bu davranış artık varsayımsal değil. Kenton O’Hara, Michael Massimi ve Miftah Khan’ın 24 Eylül 2026’da Computer Supported Cooperative Work dergisinde yayımlanan araştırması, yaklaşık 200 kişinin çalıştığı profesyonel bir IT hizmetleri şirketinde kurum sistemlerine gömülü bir LLM ajanının gündelik çalışma pratiklerine nasıl karıştığını inceliyor. Araştırmacılar önce 14 çalışanla görüşüyor, dokuzuyla iki hafta sonra gerçek kullanım örnekleri üzerinden ikinci tur derinlemesine görüşmeler yapıyor. Şirketin kullandığı Plaito adlı sistem toplantıları kaydediyor, yazıya döküyor, özetliyor ve daha sonra bu dökümlerin yeniden sorgulanmasına izin veriyor. Çalışanlar sistemin neyi iyi yakaladığını, neyi kaçırdığını öğrendikçe kendi konuşmalarını ona göre biçimlendirmeye başlıyor; biri JIRA numaralarını özellikle sesli söylediğini, bir başkası önemli aksiyonları özetin kaçırmaması için toplantı boyunca birkaç kez tekrar ettiğini anlatıyor.
Araştırmacıların verdiği isim oldukça yerinde: Machine-readable talk, yani makine tarafından okunabilir konuşma.
Bir toplantı ne zaman yalnızca toplantı olmaktan çıkar?
İlk tepki bunun pek de kötü bir şey olmadığını düşünmek olabilir. Hatta araştırmanın önemli bulgularından biri tam tersine fayda: Otomatik dokümantasyon çalışanların not tutmaya daha az enerji harcamasını, müşteriyi daha dikkatli dinlemesini ve önceki görüşmelerde konuşulanları daha kolay geri çağırmasını sağlıyor. Kimin neyi yapacağını daha açık ifade etmek, örtük bağlamı görünür kılmak veya toplantı sonunda alınan kararları toparlamak yalnızca makineye değil insanlara da yardımcı oluyor.
Yıllardır toplantıların sonunda "Peki şimdi kim ne yapıyor?" diye yeniden sormamızın sebebi zaten insan iletişiminin yeterince temiz olmaması. Bu nedenle meseleyi "AI toplantılara girdi, doğal iletişim bozuldu" gibi kolay bir teknoloji karşıtlığına indirgemek hem araştırmayı hem de yaşanan dönüşümü ıskalar.
Daha ilginç olan, neden-sonuç yönünün değişmesi. Eskiden toplantı yapılır, ardından toplantıdan not veya belge üretilirdi; şimdi gelecekte üretilecek belgenin yapısı toplantının nasıl konuşulacağını geriye doğru etkilemeye başlıyor. Araştırmadaki çalışanlardan biri, daha sonra hazırlanacak çözüm tasarımı dokümanının başlıklarını toplantı sırasında referans alarak geliştiricilerden belirli bilgileri özellikle seslendirmelerini istediğini anlatıyor.
- Araştırmacılar bunu "prospective accountability" olarak tanımlıyor: İnsan yalnızca o anda anlaşılır olmak için değil, gelecekte oluşacak kaydın içinde doğru temsil edilmek için de konuşuyor. Böylece özet toplantının son ürünü olmaktan çıkıyor; toplantıyı daha başlamadan biçimlendiren bir tasarım kısıtına dönüşüyor.
Bu dönüşüm tek bir şirkette geliştirilmiş özel bir araçla sınırlı da görünmüyor. Microsoft Teams’teki Facilitator gerçek zamanlı not alıyor, önemli kararları ve açık soruları çıkarıyor, gündemi takip ediyor, toplantının hedefi yoksa katılımcıları hedef belirlemeye yönlendiriyor, görevleri yakalayıp Planner’a taşıyabiliyor ve toplantı içeriğinden Word belgesi oluşturabiliyor. Slack, huddle konuşmalarını gerçek zamanlı olarak işleyip temel noktaları ve aksiyon maddelerini kalıcı bir Canvas’a dönüştürüyor. Zoom ise özet ve sonraki adımların ötesine geçerek konuşma-dinleme oranı, konuşma hızı, en uzun monolog, dolgu kelimeleri ve konuşma davranışlarına ilişkin ölçümler sunuyor; tamamlanmış toplantıların transkript, özet, kayıt ve belgeleri Zoom’un resmî ChatGPT ve Claude uygulamaları üzerinden doğal dille sorgulanabiliyor.
Toplantı, konuşulup biten geçici bir an olmaktan çıkarak kurumun daha sonraki yazılımlarının üzerinde çalışacağı bir veri nesnesine dönüşüyor.
Önce web sayfalarını makinelere göre yazdık
Bu mekanizmanın daha basit bir versiyonunu internetin tarihinde zaten yaşadık. Web sayfalarını önce insanlara anlatmak istediğimiz konular için hazırlıyorduk; arama motorları görünürlüğün kapısını tutmaya başlayınca başlıklarımızın, metin yapımızın, linklerimizin ve kelime seçimlerimizin görünmez bir ikinci okuyucu tarafından nasıl değerlendirildiğini öğrendik.
- Bu zamanla o kadar normalleşti ki bugün bir içeriğin SEO’ya uygun hazırlanmasını, metnin insan dışında başka bir okuyucunun kurallarına göre şekillendirilmesi olarak düşünmüyoruz bile.
Üretken yapay zekayla benzer tartışma şimdi GEO başlığı altında yeniden yaşanıyor: Makineler içeriğimizi nasıl okuyacak, hangi kaynağı güvenilir sayacak, hangi cevabın içine bizi dahil edecek?
Kurumların içinde ortaya çıkan davranış ise bundan daha tuhaf olabilir, çünkü bu kez optimize edilen bir web sayfası değil insan davranışının kendisi. Bir sistem toplantıda hangi cümlenin karar, hangisinin görev, hangisinin risk veya hangi konuşmanın "olumlu" sayılacağını düzenli biçimde işliyorsa insanlar zamanla onun neyi iyi okuyabildiğini öğrenir. Bunun için kimsenin bir "AI için doğru konuşma" eğitimine ihtiyacı yok; araç yeterince sık kullanıldığında davranış kendiliğinden şekillenebilir. Satış ekiplerinin kotaya, çağrı merkezlerinin ortalama görüşme süresine, sosyal medya ekiplerinin engagement’a göre davranmayı öğrendiği gibi, toplantıya katılan insanlar da söylediklerinin hangi biçimde daha iyi kaydedildiğini, daha temiz özetlendiğini veya daha olumlu değerlendirildiğini öğrenmeye başlayabilir.
- Buna "organizasyonel SEO" demek biraz şakacı olabilir ama altında yatan mantık oldukça ciddi: Ölçüm sistemi yalnızca davranışı gözlemlemiyor, gözlemlediği davranışın üretim biçimini de etkiliyor.
O’Hara ve arkadaşlarının çalışmasındaki sentiment özelliği bu etkiyi neredeyse laboratuvar netliğinde görünür hâle getiriyor. Plaito her toplantıya 1-5 arasında bir sentiment skoru veriyor; 3 ve altındaki toplantılar liderlik Slack kanalında otomatik olarak işaretleniyor. Araştırılan şirkette bu skorlar çalışan performansına ilişkin kesin hükümler olarak kullanılmıyor; yöneticiler bunları "burada ne yaşandı?" sorusunu başlatan tartışılabilir sinyaller olarak ele alıyor ve sistemin bağlamı yanlış okuyabileceğini kabul ediyorlar.
- Buna rağmen bir çalışan skorun çok güvenilir olmadığını düşündüğünü söyledikten hemen sonra, üst yönetimin sonucu gördüğünü bildiği için "her zaman beş üzerinden beş almaya çalıştığını" anlatıyor.
Sistemin otoriter olması gerekmiyor; sadece görünür bir ölçüm üretmesi bile insanın o ölçüm karşısındaki davranışını değiştirebiliyor.
Yapay zeka toplantıyı mı ölçüyor, toplantı ölçülebilir olmaya mı başlıyor?
Şirketlerin bir AI toplantı asistanını değerlendirirken transkript doğruluğuna, özet kalitesine, yakalanan görevlerin sayısına veya kazandırdığı zamana bakması son derece anlaşılır. Bunlar ürünün doğrudan vadettiği faydalar ve ölçülmeleri gerekiyor. Fakat araç gündelik işin içine yeterince yerleştiğinde ikinci bir değerlendirme katmanına ihtiyaç duyabiliriz: Sistem doğru çıktı üretiyor mu sorusunun yanında, sistemin varlığı yüzünden insanların girdiyi nasıl değiştirdiğini de sormak. Çünkü ürünün başarısı ile organizasyonel etkisi aynı şey olmayabilir.
- Bazı davranış değişiklikleri açıkça iyi olabilir. Kararların daha görünür olması, sahipliğin netleşmesi, toplantıdaki bağlamın yalnızca orada bulunanların zihninde kalmaması ve çalışanların konuşurken stenograf gibi not tutmak zorunda olmaması gerçek kazanımlar.
Ancak aynı altyapının başka bir sonucu da var: Söylediklerimizin kalıcı, aranabilir, puanlanabilir ve ileride başka insanlar veya modeller tarafından yeniden kullanılabilir olduğunu bildiğimizde hangi düşüncelerimizi nasıl dile getirdiğimiz değişebilir. Henüz olgunlaşmamış bir fikri, sert fakat gerekli bir itirazı veya "emin değilim" cümlesini aynı rahatlıkla dile getirip getirmeyeceğimiz yalnızca mahremiyet meselesi değil; kurumların nasıl düşündüğüyle ilgili bir soru.
- İyi çalışma her zaman temiz bir transkript üretmez. Bazen bir fikir yarım söylenir, biri itiraz eder, üçüncü kişi sorunun yanlış kurulduğunu fark eder ve toplantı sonunda düzgün bir karar çıkmaz ama daha iyi bir soru ortaya çıkar. Bazen öfke, müşteri ilişkisindeki negatif his değil, yanlış bir karar karşısında verilmesi gereken sağlıklı tepkidir. Bazen bir yöneticinin "bilmiyorum" demesi, modelin güvenle özetleyebileceği bir aksiyon maddesinden daha değerlidir.
Eğer kurumların dijital hafızası giderek yalnızca makinelerin kolayca sınıflandırabildiği kararlar, görevler, riskler ve skorlar üzerinden kurulursa toplantılar daha düzenli hâle gelirken düşüncenin dağınık, zor sınıflandırılan ama üretken bölümünün daha az görülmesi mümkün.
Bir arayüz ne zaman kurum kültürünü belirlemeye başlar?
Kullanıcı deneyiminin eski iddialarından biri, makinenin iç mantığını insana yüklemek yerine sistemi insanın doğal davranışına yaklaştırmaktı. Kullanıcı, veritabanının nasıl çalıştığını veya yazılımın hangi nesneleri kullandığını bilmeden işini tamamlayabilmeliydi. Conversational AI bu idealin neredeyse kusursuz hâli gibi görünüyor: Menü öğrenmek, alan doldurmak, komut ezberlemek yerine konuşuyoruz; makine bize uyum sağlamaya çalışıyor.
- O’Hara ve arkadaşlarının gözlemlediği davranış tam da bu yüzden ilginç: Makine bize yaklaştıkça, biz de fark etmeden onun okunabilirlik koşullarına doğru hareket ediyor olabiliriz.
Burada ortaya çıkan mesele klasik "AI okuryazarlığı" tartışmasından daha geniş. Bir kurumun değerlendirmesi gereken, çalışanların aracı kullanmayı bilip bilmemesinden ibaret değil; aracın kurum içinde hangi insan davranışını ödüllendirdiği ve hangisini görünmez hâle getirdiği. Toplantı asistanı önemli taahhütleri açıkça söylememizi sağlıyorsa bu iyi bir yan etki olabilir; bizi risksiz, puanlanabilir ve algoritmik olarak temiz cümlelere doğru itiyorsa aynı yargıya varmak zorlaşır. Dolayısıyla AI sistemlerinin organizasyonel değerlendirmesinde benimseme (adoption), hatasızlık (accuracy) ve kazanılan zaman (time saved) kadar davranışsal yan etkiler de önemli hâle gelebilir: Sistem geldikten sonra insanlar neyi daha fazla yapıyor, neyi daha az yapıyor, neyi artık söylemiyor ve neyi yalnızca makine yakalasın diye özellikle söylüyor?
Toplantıdaki üçüncü dinleyici
Birkaç yıl sonra toplantıda bir AI asistanının bulunması, bugün toplantının çevrimiçi yapılması kadar sıradan olabilir. O noktada önemli soru artık sistemin odada olup olmadığı değil, insanların onun orada olduğunu bilerek nasıl davranmayı öğrendiği olacak. Teknolojinin etkisini ürettiği özetlerde, görevlerde ve zaman tasarrufunda ölçmek kolay; daha zor olan, onun etrafında yavaşça oluşan yeni davranış normlarını görmek. Kurum kültürünün bir bölümü her zaman kullandığımız araçlar tarafından şekillendi, fakat bu kez araç yalnızca iletişimin kabını sunmuyor; iletişimi dinliyor, yorumluyor, sınıflandırıyor ve daha sonraki karar sistemlerine taşıyor.
Yıllarca makineleri insanların anlayabileceği biçimde tasarlamaya çalıştık. Yapay zeka bu problemi çözüyor gibi görünürken önümüze daha tuhaf bir tasarım sorusu çıkarıyor: İnsanların kendilerini makinelerin anlayacağı biçimde yeniden düzenlemeye başladığını nasıl fark edeceğiz ve hangi noktada bunu gerçekten problem sayacağız? Daha açık konuşulan, kararları kaybolmayan ve kurumsal hafızası daha güçlü şirketler yaratmak ile herkesin arkasında görünmez bir transkript okuyucusu varmış gibi konuştuğu şirketler yaratmak arasında önemli bir fark var.
Bu nedenle, önümüzdeki dönemde bir AI toplantı asistanlarını değerlendirirken "Notları ne kadar iyi tuttu?" sorusunun yanına daha zor bir soru koymak gerekebilir: Toplantıdaki üçüncü dinleyici yapay zeka olduğunda, biz hâlâ birbirimizle aynı şekilde konuşuyor muyuz?










