Yapay zeka ekibi kurmak neden “rol sayısı” değil “tasarım” işidir?

Yapay zeka (AI) ekipleri; veri, ürün, güvenlik, operasyon ve iş birimlerinin kesişiminde çalışır. Bu yüzden “2 veri bilimci alalım” yaklaşımı çoğu zaman sürdürülebilir bir teslimat modeline dönüşmez. Ekip tasarımı; doğru rollerin tanımlanması, bu rollerin karar alanlarının netleşmesi ve ekiplerin birbirine bağlı (cross-functional) çalışabilmesiyle değer üretir.

Bu noktada, ekip büyüklüğü ve çoklu yetkinliklerin AI çıktılarıyla ilişkili olduğunu raporlayan endüstri bulguları yol göstericidir. Örneğin Deloitte’un anketine dayanan değerlendirmeler, daha büyük ve çok yönlü ekiplerin daha yüksek fayda rapor ettiğini; ayrıca ekip içi bağlılık/bağlantılılığın (connectedness) ve çapraz fonksiyonel çalışmanın önemini vurgular. Bu bulguların korelasyonel olduğunu not etmek gerekir; yine de organizasyon tasarımında güçlü bir pratik sinyal sağlar. Kaynak: Deloitte Insights – Team structure and AI outcomes.

Başlamadan önce: hedef, kapsam ve işletim modeli (operating model)

İşe alıma geçmeden önce 2–4 haftalık bir “ekip tasarımı sprinti” yapmak, hem bütçeyi hem de zamanlamayı korur. Aşağıdaki sorulara net yanıt üretmeden yapılan işe alımlar, rol çakışmalarına ve sorumluluk boşluklarına yol açabilir.

  • Hedef: AI ile hangi iş sonucunu iyileştirmek istiyorsunuz? (Müşteri destek maliyeti, satış dönüşümü, risk tespiti, içerik üretim süresi gibi.)
  • Kapsam: İlk 90 günde PoC mi, üretim sistemi mi, yoksa bir “AI platformu” mu hedefleniyor?
  • Veri gerçekliği: Veri kalitesi, erişim, yönetişim (governance) ve güvenlik kısıtları neler?
  • Dağıtım ortamı: Bulut / hibrit / şirket içi; kim işletiyor, kim sorumlu?
  • Sorumluluk matrisi: Ürün, platform, güvenlik ve iş birimleri arasında karar yetkisi nasıl paylaşılıyor?

Kurumsal rehberlerde (özellikle bulut benimseme çerçevelerinde) rol ve sorumlulukları açık tanımlama, partner yönetimi ve düzenli gözden geçirme gibi operasyonel pratiklerin altı çizilir. Bu yaklaşım, “kim onaylıyor, kim işletiyor, kim hesap veriyor” sorularını netleştirerek teslimatı hızlandırır. Kaynak: Microsoft Learn / Cloud Adoption Framework.

Pratik çıktı: RACI (sorumluluk) taslağı

Minimum bir RACI tablosu oluşturun: Responsible (yapan), Accountable (hesap veren), Consulted (danışılan), Informed (bilgilendirilen). AI projelerinde özellikle şu iki sınır çizgisi kritiktir:

  • Ürün sahipliği (hangi problemi çözüyoruz, başarı metriği nedir?)
  • Platform/operasyon sahipliği (modelin dağıtımı, izleme, olay yönetimi, maliyet kontrolü)

Çekirdek rol seti: “AI ürünü” için minimum ekip

Aşağıdaki roller, birçok organizasyonda (ölçek ve sektöre göre isimleri değişse de) tekrar eden bir omurga oluşturur. Amaç; her rolü tam zamanlı işe almak değil, bu sorumlulukların kimde olduğunu açıkça belirlemektir.

1) AI Liderliği (Head of AI / AI Director / AI Lead)

  • Görev: Yol haritası, önceliklendirme, mimari prensipler, risk yönetimi, ekip gelişimi.
  • Ne zaman şart: Birden fazla AI use-case’i aynı anda yürütüyorsanız veya üretimde kritik sistemler hedefliyorsanız.
  • Aranacak sinyaller: İş hedefiyle teknik stratejiyi bağlayabilme; paydaş yönetimi; üretim tecrübesi (model “deploy” ve yaşam döngüsü).

2) AI Ürün Yöneticisi (AI Product Manager)

  • Görev: Use-case seçimi, kullanıcı araştırması, kabul kriterleri, metrikler, deney tasarımı.
  • Kritik nokta: Model performansı tek başına başarı değildir; uçtan uca ürün etkisi ölçülmelidir.

3) Veri Mühendisi (Data Engineer)

  • Görev: Veri hatları, veri modelleme, erişim katmanları, veri kalitesi kontrolleri.
  • Neden erken gerekir: Pek çok AI projesi, modelden önce veri hazırlığına takılır.

4) ML/AI Mühendisi (ML Engineer) veya Veri Bilimci (Data Scientist)

  • Görev: Model geliştirme, değerlendirme, deney yönetimi, özellik mühendisliği (gerekirse).
  • Ayırım: Bazı ekiplerde DS keşif/analiz ağırlıklıyken, ML Engineer üretim entegrasyonuna daha yakındır.

5) MLOps / Platform Mühendisi

  • Görev: Model dağıtımı, izleme, versiyonlama, geri alma (rollback), CI/CD, maliyet görünürlüğü.
  • Ne zaman şart: Üretime çıkıyorsanız ve birden fazla model/servis yönetilecekse.

6) Güvenlik ve Uyum Temsilcisi

  • Görev: Erişim kontrolleri, veri işleme kuralları, tedarikçi değerlendirmesi, risk gözden geçirmeleri.
  • Pratik öneri: Bu rol çoğu zaman paylaşımlı olur; ama “kim onaylıyor?” sorusu boş kalmamalıdır.

Roller ve çıktılar: hızlı eşleştirme tablosu

Rol Birincil çıktı Başarı göstergesi (örnek)
AI Lideri Strateji + önceliklendirme Use-case portföyü netliği, teslimat ritmi
AI Ürün Yöneticisi Problem tanımı + metrik seti Kullanıcı benimsemesi, iş KPI etkisi
Veri Mühendisi Güvenilir veri akışı Veri tazelik/kalite SLO’ları
ML/AI Mühendisi Model/servis geliştirme Offline/online performans, gecikme
MLOps Dağıtım ve izleme Olay sayısı, MTTR, sürüm sıklığı
Güvenlik/Uyum Risk kontrolü Onay döngüsü süresi, denetim bulguları

Yetkinlik haritası: işe alımda “bilmek” değil “yapabilmek”

Rol isimleri şirketten şirkete değişir; bu nedenle işe alımda yetkinlik haritası daha güvenilir bir çerçevedir. Aşağıdaki yetkinlikleri her rol için 1–3 seviye (temel/orta/ileri) olarak işaretleyin. Böylece hem ilan metni netleşir hem de mülakat rubriği objektifleşir.

Teknik yetkinlik alanları (örnek)

  • Veri temelleri: SQL, veri modelleme, veri kalite kontrolleri, event tasarımı.
  • ML temelleri: doğrulama yöntemleri, hata analizi, overfitting riskleri, model değerlendirme.
  • GenAI uygulama bilgisi: prompt tasarımı, değerlendirme (evals), RAG gibi mimariler, model sınırlılıklarını yönetme.
  • Yazılım mühendisliği: test stratejisi, servis tasarımı, gözlemlenebilirlik (logs/metrics/traces).
  • Operasyon: dağıtım, izleme, olay yönetimi, sürümleme, maliyet takibi.
  • Güvenlik ve uyum: erişim kontrolü, veri sınıflandırma, tedarikçi risk değerlendirmesi.

İş ve insan yetkinlikleri (özellikle büyüyen ekiplerde)

  • Problem çerçeveleme: Belirsiz bir isteği ölçülebilir bir hedefe çevirebilme.
  • Paydaş yönetimi: Hukuk, güvenlik, finans, müşteri destek gibi ekiplerle çalışma.
  • Deney tasarımı: A/B test mantığı, ölçümleme planı, başarısız deneyi “öğrenmeye” çevirme.
  • Dokümantasyon ve iletişim: Karar kayıtları, model kartları/teknik notlar, anlaşılır sunum.

İş piyasası trendleri, AI becerilerinin hızla önem kazandığını ve çalışanların yeniden beceri kazanımına yöneldiğini gösteriyor. Microsoft & LinkedIn’in Work Trend Index raporu, profesyonellerin büyük bir bölümünün AI becerilerinin rekabetçilik açısından kritik olduğunu düşündüğünü aktarıyor. Bu, sadece işe alımı değil, iç eğitim programlarını da stratejik hale getiriyor. Kaynak: 2024 Work Trend Index Annual Report.

Ekip yapısı seçenekleri: hangi model ne zaman işe yarar?

ABD pazarında sık görülen üç organizasyon modeli vardır. Seçim; şirket ölçeği, regülasyon yoğunluğu, ürün çeşitliliği ve teslimat hızına göre değişir.

Model A: Merkezi “AI CoE” (Center of Excellence)

  • Artı: Standartlar, yeniden kullanılabilir bileşenler, yönetişim kolaylığı.
  • Eksi: İş birimlerinden koparsa teslimat hızı düşebilir.
  • Ne zaman: Çok sayıda ekip aynı platformu kullanacaksa veya risk/uyum gereksinimleri yüksekseniz.

Model B: Ürün ekiplerine gömülü (embedded) AI

  • Artı: Ürüne yakınlık, hızlı geri bildirim.
  • Eksi: Standartlar parçalanabilir; MLOps/izleme olgunluğu değişken kalabilir.
  • Ne zaman: Birkaç kritik ürün hattında hızlı iterasyon hedefleniyorsa.

Model C: Hibrit (merkezi platform + ürün ekiplerinde uygulama)

  • Artı: Platform standardizasyonu + ürün hızını birlikte korur.
  • Eksi: Rol sınırları iyi çizilmezse “iki kez çalışma” riski doğar.

Deloitte’un ekip yapısı değerlendirmeleri, daha bağlantılı (connected) çalışma biçimlerinin AI çıktılarıyla ilişkili olduğunu vurguladığından, pratikte hibrit model çoğu kuruluş için dengeli bir başlangıç noktası olur. Kaynak: Deloitte Insights.

İşe alım rehberi: ilan metninden mülakat rubriğine

1) İş tanımını “sorumluluk” ve “örnek çıktılar” ile yazın

Rol tanımında araç listesi (framework, bulut ürünü) yazmak kolaydır; fakat aday kalitesini asıl artıran, ilk 90 günde beklenen çıktıları belirtmektir.

  • Kötü örnek: “LLM, Python, SQL bilen.”
  • İyi örnek: “İlk 60 günde müşteri destek akışında RAG tabanlı bir arama-asistanı için değerlendirme seti kuracak; başarım metriği ve izleme panosu oluşturacak.”

2) “Sinyal” odaklı mülakat tasarlayın

GenAI’nin yaygınlaşması, iş ilanlarında bazı bilişsel ve alan-özgü beceri beklentilerinin değiştiğine işaret ediyor. Bu alandaki bulguların bir kısmı ön baskı çalışmalardan (preprint) geldiği için temkinli yorumlamak gerekir; yine de pratikte işe alım rubriklerinin güncellenmesi gerektiğini destekler. Kaynak: arXiv: Generative AI Adoption and Higher Order Skills.

Rubrikte şu yetkinlikleri ayrı ayrı ölçün:

  • Problem çözme: Belirsiz gereksinimi net hedefe çevirme.
  • Üretim yaklaşımı: İzleme, geri alma, hata bütçesi gibi konuları ele alma.
  • Değerlendirme disiplini: Evals, test seti tasarımı, ölçümleme planı.
  • Güvenlik/uyum farkındalığı: Erişim ve veri işleme sınırlarını doğru kurgulama.

3) Ödev (take-home) yerine “işe benzer mini çalışma” tercih edin

Genel kural: Adayın zamanını aşırı tüketmeyen, 60–90 dakikada değerlendirilebilen, gerçek işin bir parçasını simüle eden mini çalışma daha sağlıklıdır. Örnekler:

  • Bir use-case için metrik ve değerlendirme planı yazma (1 sayfa).
  • Veri kalite sorunlarını teşhis etme: örnek tablo üzerinden 5 kontrol önerme.
  • Model/servis tasarımı: gecikme hedefi ve maliyet kısıtı altında API mimarisi çizme.

4) Referans kontrolünde “nasıl çalışır?” sorusunu sorun

  • Belirsizlikte karar verme biçimi nasıldı?
  • İş birimleriyle çatışma yaşadığında nasıl çözdü?
  • Üretim sorunlarında sorumluluk aldı mı?

İçeriden yetiştirme: mentorluk programları ve eğitim yolları

Birçok kuruluş için yalnızca dış işe alıma dayanmak risklidir: piyasa rekabeti, rol çeşitliliği ve zaman baskısı aynı anda artabilir. Bu nedenle “build + buy” yaklaşımı (bir kısmını işe al, bir kısmını içeriden yetiştir) çoğu ekip için daha sürdürülebilirdir.

Work Trend Index bulguları, çalışanların AI becerilerine yatırım yapma isteğinin yükseldiğini gösterdiğinden, iyi tasarlanmış öğrenme programları yetenek elde tutmaya da katkı sağlayabilir. Kaynak: Microsoft & LinkedIn Work Trend Index.

Pratik mentorluk tasarımı (8–12 hafta)

  • Eşleştirme: Ürün/iş bilgisi güçlü kişiler + ML/MLOps güçlü kişiler (çapraz eşleştirme).
  • Haftalık ritim: 30 dk hedef takibi + 30 dk örnek inceleme (code/design review).
  • Ölçüm: Tamamlanan mini projeler, üretime çıkan küçük iyileştirmeler, dokümantasyon çıktıları.

Eğitim yolları (rol bazlı)

  • Ürün/iş profilleri için: AI ürün metrikleri, değerlendirme yaklaşımı, risk/uyum temelleri.
  • Yazılım profilleri için: MLOps, servis gözlemlenebilirliği, model yaşam döngüsü.
  • Analitik profiller için: Deney tasarımı, veri kalite çerçeveleri, model değerlendirme.

İlk 90 gün planı: ekip kurulumunu teslimata bağlama

Aşağıdaki plan, yeni kurulan veya yeniden yapılandırılan bir AI ekibinin “başlangıçta hız” ile “uzun vadede sürdürülebilirlik” arasında denge kurmasına yardımcı olur.

0–30 gün: netleştirme ve temel altyapı

  • Use-case seçimi ve başarı metrikleri (iş KPI + teknik metrikler).
  • RACI taslağı ve onay akışı.
  • Veri envanteri: erişim, kalite riskleri, boşluk analizi.
  • Minimum izleme ihtiyaçları (log/metric) ve olay yönetimi ritmi.

31–60 gün: prototip + değerlendirme disiplini

  • Bir prototipin uçtan uca akışı (kullanıcı deneyimi dahil).
  • Değerlendirme seti ve tekrar edilebilir test yaklaşımı (evals).
  • Güvenlik/uyum gözden geçirmesi.

61–90 gün: üretime hazırlık ve ölçekleme kararları

  • Dağıtım, geri alma ve izleme pratikleri.
  • Maliyet görünürlüğü ve kapasite planı.
  • “Platform mu, ürün içi mi?” ölçekleme kararı ve ekip genişleme planı.

Sık yapılan hatalar (ve nasıl önlenir)

  • Rol belirsizliği: Ürün ve platform sorumluluğu çakışır. Çözüm: RACI + düzenli gözden geçirme ritmi (kurumsal çerçeveler bunu özellikle önerir). Kaynak: Microsoft Learn.
  • Sadece model odaklı başarı: Offline skor yükselir ama iş KPI değişmez. Çözüm: ürün metrikleri ve deney tasarımıyla ilerlemek.
  • MLOps’u sona bırakmak: PoC üretime taşınamaz. Çözüm: ilk 60 günde izleme/dağıtım asgari standartlarını belirlemek.
  • Sadece dış işe alıma güvenmek: Kapasite açığı büyür. Çözüm: öğrenme yolları ve mentorluk programları.

Son not: maaş/ROI karşılaştırmalarında temkinli olun

Rol bazlı maliyet ve uzun dönem ROI karşılaştırmaları için bağımsız ve tekrarlanan, geniş kapsamlı veriler her zaman bulunmayabilir. Bu nedenle ekip bütçesi planlarken; şirketin veri olgunluğu, sektör gereksinimleri ve mevcut mühendislik altyapısı gibi değişkenlerin etkisini ayrıca hesaba katmak gerekir. Bu belirsizlik, endüstri raporlarının da işaret ettiği bir boşluk alanıdır. Kaynak: Deloitte Insights ve Work Trend Index.

Hızlı kontrol listesi (kopyala-yapıştır)

  • İş hedefi + başarı metrikleri yazılı mı?
  • RACI ve onay akışları net mi?
  • Veri erişimi ve kalite riskleri listelendi mi?
  • Çekirdek rollerin sorumluluğu bir kişiye/ekibe atanmış mı?
  • Değerlendirme planı (evals) ve izleme gereksinimleri tanımlı mı?
  • İşe alım rubriği “yapabilme” sinyallerini ölçüyor mu?
  • İç eğitim ve mentorluk programı başlatıldı mı?

Not: Bu içerik genel bilgilendirme amaçlıdır; kurumunuzun güvenlik, uyum ve sözleşme gereksinimleri için ilgili uzmanlarla birlikte değerlendirme yapmanız gerekir.