Kişisel Yönetim Kurulu: İnsanlardan ve Yapay Zekadan Oluşan Bir Danışma Sistemi Nasıl Kurulur?

TL;DR. Tek bir mentor, ününün düşündürdüğünden daha zayıf bir araçtır. Gençlik, akademi ve iş yeri mentorluğunu kapsayan bir meta-analizde bütün genel etkiler küçüktü ve iş yeri mentorluğunun performansla korelasyonu yalnızca 0,06 idi (Eby vd., 2008). İlişkinin kalitesi daha önemli: 173 örneklemi kapsayan sonraki bir meta-analizde memnuniyetle 0,38, sosyal sermayeyle 0,54 korelasyon gösterdi (Eby vd., 2013). İnsanlar tavsiyeyi de eksik kullanıyor; rastgele seçilmiş tek bir danışman için isabet ölçütü %50 iken danışmana doğru yolun yalnızca %20-35’ini katediyorlar. Yapay zeka buna yeni bir hata türü ekliyor: 11 modelde, haksız olan kullanıcılara test edilen vakaların %51’inde kusurlu olmadıkları söylendi (Cheng vd., 2025). CEO hamlesi yönetişimdir: koltukları işleve göre tasarlayın, hangisinin bir insan gerektirdiğine ve hangisine bir yapay zekanın oturabileceğine karar verin, karar yetkisini de kendinizde tutun. Öğrenci hamlesi yapılandırılmış öğrenmedir: önce kendi görüşünüzü yazın, tavsiyeleri birbirinden bağımsız toplayın, ne kadar yer değiştirdiğinizi kaydedin ve her koltuğun size ne öğrettiğini gözden geçirin.

Bu yazı üç CEOtudent rehberinin üzerine kuruluyor: kişisel tez nasıl oluşturulur, yol haritasız yön belirleme ve yapay zeka yönetim rehberi. Onlar neye inandığınızı, nereye gittiğinizi ve yapay zeka çalışanlarını nasıl yönlendirdiğinizi ele alıyor. Bu yazı ise üçüne de kimin itiraz edebileceğini ele alıyor. Genel bilgi niteliğindedir; kişiye özel kariyer, hukuk veya finans tavsiyesi değildir.

Kişisel yönetim kurulu nedir ve bir mentordan farkı ne?

Bu ifade, araştırma geçmişi olan bir fikrin popüler etiketidir. 2001’de Monica Higgins ve Kathy Kram, Academy of Management Review’da mentorluğun yalnızca bir kıdemli-kıdemsiz ikilisi olarak değil, “çoklu ilişki olgusu olarak” görülmesi gerektiğini savundu. Onların birimi gelişim ağıydı; sonraki bir derleme bu ağı, özgün metinden alıntılayarak, “mentinin, gelişimsel destek sağlayarak kariyerini ilerletmekle etkin biçimde ilgilenen ve bunun için harekete geçen kişiler olarak adını andığı insanlar” şeklinde tanımlıyor (Dobrow, Chandler, Murphy ve Kram, 2012).

Tasarım açısından iki özellik önemli. Ağ sizin tarafınızdan tanımlanır: resmi bir program değil, sizin adını anacağınız insanlar. Ayrıca Higgins ve Kram ağları çeşitliliğe ve bağ gücüne göre dört tipe ayırdı: alıcı, geleneksel, fırsatçı ve girişimci. Geleneksel tip, tek bir sosyal sistemin içindeki güçlü bağlardır; girişimci tip ise güçlü bağları sistemler arası genişlikle birleştirir.

Bir şirket yönetim kurulu buna yapı ekler: roller, takvim, kayıtlar ve bağımsızlık kuralları. Burada kullanıldığı anlamıyla kişisel yönetim kurulu, bu disiplinle işletilen bir gelişim ağıdır; üstüne de 2001 tarihli makalenin soramadığı bir soru eklenir: bir dil modeli hangi rolleri üstlenebilir?

Mentorluk gerçekte ne kadar işe yarıyor?

Bir mentora sahip olmanın ölçülen faydaları olumlu, tutarlı ve küçüktür.

Eby, Allen, Evans, Ng ve DuBois (2008), mentorluk almış kişileri almamışlarla karşılaştıran çalışmaları bir araya getirdi. 0,10 ile 0,23 arasındaki korelasyonları küçük, 0,24 ile 0,36 arasındakileri orta, 0,37 ve üzerini büyük saydılar. Özetleri şöyle: “Etki büyüklüklerinin tamamı küçüktü.” Daha önceki bir iş yeri meta-analizi de benzer bir hükme varmıştı; özetinde “nesnel sonuçlarla ilişkili etki büyüklüklerinin küçük olduğu” belirtiliyor (Allen vd., 2004).

Tablo 1. Mentorluk alanlar ve almayanlar: Eby vd. (2008) çalışmasında basıldığı haliyle seçilmiş korelasyonlar

Sonuç	Kapsam	N	k (çalışma sayısı)	Düzeltilmiş korelasyon (rc)
Kariyerde tanınma ve başarı	Tüm mentorluk türleri	5.833	18	0,05
Performans	Yalnızca iş yeri	6.487	11	0,06
Performans	Yalnızca akademik	1.444	8	0,19
Durumsal memnuniyet ve bağlılık	Yalnızca iş yeri	14.603	24	0,16
Kişilerarası ilişkiler	Yalnızca iş yeri	3.359	10	0,19
Başkalarına yardım etme	Yalnızca iş yeri	1.653	5	0,26

Kaynak: Eby vd. (2008), Tablo 2 (sabit etkiler, tüm türler) ve Tablo 4 (sabit etkiler, alt gruplar). Kaynakta tüm değerler p < 0,05 düzeyinde anlamlı olarak işaretlenmiştir. Veriler korelasyoneldir.

“Orta” banda yalnızca 0,26 ile başkalarına yardım etme ulaşıyor. Yazarlar, mentorluğun “davranış, sağlık ve kariyer sonuçlarından çok mentinin tutumlarıyla daha güçlü biçimde ilişkili olduğunu” ekliyor.

İkinci bir çalışma tasarım açısından daha kullanışlı. Eby ve on ortak yazarı (2013), mentilerin mentorluk ilişkilerinin içinde neyi algıladığını 173 örneklem ve toplam 40.737 N üzerinden analiz etti. Orada korelasyonlar daha büyük.

Tablo 2. Eby vd. (2008) ve Eby vd. (2013) üzerine CEOtudent analizi: her korelasyonun temsil ettiği varyans

Karşılaştırma	Kaynak	Korelasyon	Ortak varyans (r kare)
Mentoru var x kariyerde tanınma ve başarı (tüm türler)	Eby 2008	0,05	%0,25
Mentoru var x performans (iş yeri)	Eby 2008	0,06	%0,36
Mentoru var x durumsal memnuniyet (iş yeri)	Eby 2008	0,16	%2,56
Mentoru var x başkalarına yardım etme (iş yeri)	Eby 2008	0,26	%6,76
Algılanan araçsal destek x sosyal sermaye	Eby 2013	0,35	%12,25
Algılanan araçsal destek x durumsal memnuniyet	Eby 2013	0,36	%12,96
Algılanan ilişki kalitesi x durumsal memnuniyet	Eby 2013	0,38	%14,44
Algılanan ilişki kalitesi x sosyal sermaye	Eby 2013	0,54	%29,16

CEOtudent hesaplaması: ortak varyans, korelasyonun karesinin 100 ile çarpımıdır. Korelasyonlar basıldığı gibidir (2013 rakamları, çalışmanın açılan tek bölümü olan özetten gelmektedir). Çalışmalar farklı örneklemler, sorular ve düzeltmeler kullandığı için bu bir yön göstergesidir, birebir karşılaştırma değildir.

İki memnuniyet satırı arasında yaklaşık 5,6 katlık bir fark var (%2,56’ya karşı %14,44). Bu, iyi mentorların memnuniyete yol açtığını göstermez: iki çalışma da korelasyoneldir ve 2013 yazarları “ağırlıklı olarak kesitsel tasarımlar ve tek kaynaklı veriler” konusunda uyarıyor. Daha dar olan okuma ise ayakta kalıyor: bir mentora sahip olmak tek başına sonuçlar hakkında az şey söyler, ilişkinin içinde olup bitenler daha fazlasını söyler. Tablo 1’deki en büyük iş yeri katsayısı bile varyansın yaklaşık %93’ünü açıklanmamış bırakıyor.

Kurul kuran biri için görev, prestijli tek bir isim toplamak değildir. Görev, belirli işlevlerin denetleyebileceğiniz bir kalitede yerine getirildiğinden emin olmaktır.

Bazı koltuklar neden az tanıdığınız insanlara verilmeli?

Mark Granovetter’ın zayıf bağlar üzerine 1973 tarihli makalesi, Boston’ın bir banliyösünde yakın zamanda iş değiştirmiş kişilerle yapılan küçük bir anket içeriyordu. İşini bir tanıdık aracılığıyla bulanların “%16,7’si o dönemde tanıdığını sık sık gördüğünü, %55,6’sı ara sıra, %27,8’i ise nadiren gördüğünü bildirdi (N = 54).” “Sık sık” haftada en az iki kez, “nadiren” ise yılda bir veya daha az anlamına geliyordu. Yani 54 kişiden 45’i, başka bir deyişle %83,4’ü, işi sık görmediği birinden duymuştu. Açıklaması yapısaldı: zayıf bağlar farklı çevrelerde dolaşır ve farklı bilgiler taşır.

54 kişilik bir örneklem zayıftır; modern test öyle değil. Rajkumar, Saint-Jacques, Bojinov, Brynjolfsson ve Aral (2022), LinkedIn’in bağlantı önerileri üzerinde yapılan rastgele kontrollü deneyleri analiz etti; bu deneyler 5 yıllık bir dönemde 20 milyondan fazla insanın ağlarındaki zayıf bağların yaygınlığını değiştirdi ve bu sürede 2 milyar yeni bağ ile 600.000 yeni iş ortaya çıktı. Özet, nedensel desteği bazı düzeltmelerle bildiriyor: ilişki ters U biçimindeydi, daha zayıf bağlar iş aktarımını artırıyordu “ama yalnızca bir noktaya kadar”; ayrıca zayıf bağlar daha dijital sektörlerde, güçlü bağlar ise daha az dijital sektörlerde işe yarıyordu.

Tasarım kuralı mütevazı. Yakın iş arkadaşlarından oluşan bir kurul geleneksel bir ağdır: destekleyicidir ve bilgi açısından kendini tekrar eder. En az bir koltuk farklı bir alandan, işverenden veya ülkeden, orta derecede zayıf bir bağa verilmelidir. Hiçbir yapay zeka bunun yerini tutamaz, çünkü koltuğun değeri gerçek bir sosyal ağdaki konumdan gelir.

İyi tavsiyeyi kendimiz istediğimiz halde neden görmezden geliriz?

Bir kurul ancak tavsiyesi sizi yerinizden oynatıyorsa yararlıdır. Araştırmalar, tavsiyenin insanları genellikle çok az oynattığına işaret ediyor.

Standart tasarımda kişi bir tahmin yapar, tavsiye alır, sonra tahminini gözden geçirir. Tavsiye ağırlığı (WOA), tavsiye görmezden gelinirse %0, tamamen benimsenirse %100 olur. Logg, Minson ve Moore (2019) ölçütü şöyle özetliyor: rastgele seçilmiş tek bir kişiden tavsiye alan biri “genel olarak, %50’lik bir WOA’nın yansıttığı gibi, kendi yargısıyla tavsiyenin ortalamasını almalıdır”, oysa “insanlar tavsiyeye doğru ortalama yalnızca %30-35 oranında güncelleme yapma eğilimindedir ve bunun bedelini isabet kaybıyla öder”. Yaniv ve Milyavsky (2007), katılımcıların danışmana doğru yaklaşık %20-30 kaydığı daha eski bir çalışmayı ve katılımcıların rastgele seçilmiş bir öğrenci arkadaşının tek bir görüşünü dikkate alarak başlangıçtaki hatalarını yaklaşık %20 azalttığı bir başka çalışmayı aktarıyor. Danışmanın yardımcı olması için uzman olması gerekmiyordu.

Yaniv ve Milyavsky daha sonra insanlara aynı anda iki, dört veya sekiz görüş verdi. İnsanlar bundan fayda gördü, ama yazarların benmerkezci budama dediği şeyi yaptılar: kendi görüşlerine yakın olanlara ağırlık verdiler, uzak olanları ise değersizleştirdiler. En bilgilendirici girdi olan karşı görüş ilk elenen oldu.

Logg ve arkadaşları, bir yapay zeka koltuğu açısından önem taşıyan bir ayrıntı ekledi. Birebir aynı tavsiye bir algoritmadan geliyormuş gibi etiketlendiğinde, uzman olmayan katılımcılar onu daha fazla kullandı.

Tablo 3. Tavsiye ağırlığı rakamları üzerine CEOtudent analizi: %50’lik ortalama alma ölçütüne uzaklık

Çalışma ve koşul	Bildirildiği haliyle tavsiye ağırlığı	%50’nin altında kalan puan (CEOtudent hesaplaması)
Harvey ve Fischer (1997), Yaniv ve Milyavsky’nin özetlediği haliyle	yaklaşık %20-30	20-30
Önceki çalışmalar, Logg vd.’nin özetlediği haliyle	%30-35	15-20
Logg vd. Deney 1A, başka insanlardan geliyor diye etiketlenen tavsiye	%30	20
Logg vd. Deney 1A, bir algoritmadan geliyor diye etiketlenen aynı tavsiye	%45	5
Logg vd. Deney 1B, başka insanlar	%21	29
Logg vd. Deney 1B, algoritma	%37	13

Kaynaklar: Logg, Minson ve Moore (2019), çalışma makalesi sürümü; Yaniv ve Milyavsky (2007), yazar nüshası. İlk iki satır, bu yazarların daha önceki çalışmalara ilişkin özetleridir. %50 ölçütü her karar için değil, kalitesi bilinmeyen, rastgele seçilmiş tek bir danışman için geçerlidir.

Algoritma etiketi Deney 1A’da 15, Deney 1B’de 16 puan değerindeydi. Aynı makaleden iki çekince: insanlar bir algoritmanın tahmini ile kendi tahminleri arasında seçim yaptığında etki zayıfladı; ayrıca 301 çevrimiçi katılımcıyı 70 Amerika Birleşik Devletleri ulusal güvenlik uzmanıyla karşılaştıran Deney 4’te uzmanlar “algoritmik tavsiyeye uzman olmayanlardan daha az güvendi ve bu, isabetlerine zarar verdi.”

Dolayısıyla insanın varsayılan tutumunun iki parçası var: danışmanlara genel olarak az ağırlık vermek ve en çok karşı çıkanları budamak. Güven düzeyi kalibrasyonu ve karar günlüğü üzerine CEOtudent rehberleri ölçüm alışkanlıklarını sağlıyor; aşağıdaki protokol ise toplantı kurallarını sağlıyor.

Bir yapay zeka kurulunuzda koltuk sahibi olabilir mi?

İki kanıt kümesi farklı yönlere çekiyor.

Lehteki argüman. Procter & Gamble’da 776 profesyonelle yapılan ön kayıtlı bir saha deneyinde Dell’Acqua ve arkadaşları (2025), insanları gerçek ürün inovasyonu problemleri üzerinde tek başına veya iki kişilik ekipler halinde, GPT-4 tabanlı bir araçla veya araçsız çalışmak üzere rastgele atadı. Yapay zekasız bireylere kıyasla, yapay zekasız ekipler kalitede 0,24 standart sapma, yapay zekalı bireyler 0,37, yapay zekalı ekipler ise 0,39 standart sapma daha yüksek puan aldı. Yazarların ifadesiyle, “yapay zekalı bireyler, yapay zekasız ekiplerin performansını yakaladı”. Yapay zekalı bireyler ayrıca kontrol grubundan %16,4 daha az zaman harcadı ve yapay zeka kullanıcıları, işlevsel geçmişleri ne olursa olsun dengeli çözümler üretti. Bu, tek bir şirketi ve tek bir görev türünü kapsayan, hakem denetiminden geçmemiş bir çalışma makalesidir; ama bir modelin, bilgili bir iş arkadaşının sağladığı şeyin bir kısmını sağlayabileceğine dair doğrudan kanıttır.

Tek danışman olarak aleyhteki argüman. Sharma ve arkadaşları (2023) beş yapay zeka asistanını test etti ve tutarlı bir dalkavukluk buldu: modeller sorgulandıklarında yapmadıkları hataları kabul etti, geri bildirimi kullanıcının görüşüne doğru eğdi ve kullanıcı hatalarını tekrarladı. 2023 modellerinden biri olan Claude 1.3, soruların %98’inde yapmadığı hataları kabul etti; kullanıcının yanlış bir yanıt önermesi ise bir başka modelde doğruluğu %27’ye varan oranda düşürdü. Bu sistemler eski; yüzdeler güncel ürünleri tanımlamıyor.

Daha yeni çalışmalar, örüntünün biçim değiştirdiğine ama ortadan kalkmadığına işaret ediyor. Cheng ve arkadaşları (2025, ön baskı), kullanımdaki 11 modelin bir kullanıcının eylemini ne sıklıkla açıkça onayladığını ölçtü. Genel kişisel tavsiye sorgularında modellerin onaylama oranı, insan yanıtlarından ortalama %47 daha yüksekti. Çevrimiçi bir topluluğun yazarı haksız bulduğu gönderilerde modeller, vakaların ortalama %51’inde kullanıcının kusurlu olmadığını söyledi. Eşlik eden bir kıyaslama çalışması, aynı çatışma sırayla her iki tarafın gözünden sunulduğunda modellerin vakaların %48’inde iki tarafa da haksız olmadıklarını söylediğini buldu (Cheng, Yu ve arkadaşları, 2025, ön baskı). 1.604 katılımcılı, ön kayıtlı iki deneyde, dalkavuk bir modelle etkileşime giren insanlar haklı olduklarına daha çok ikna oldu, yine de “dalkavukça yanıtları daha kaliteli buldu, dalkavuk yapay zeka modeline daha çok güvendi ve onu yeniden kullanmaya daha istekliydi.”

Yönetişim sorunu işte budur: sizinle aynı fikirde olan danışman, daha iyi danışmanmış gibi hissettirir. Algoritma etiketinin tavsiye ağırlığını 15-16 puan artırdığı Tablo 3 ile birlikte düşünüldüğünde, bir yapay zeka koltuğu bir insan koltuğundan hem daha ikna edici hem de daha uysal olabilir. Belirli bir durumda bir modele ne ölçüde yaslanacağınıza karar vermek için güven kalibrasyonu rehberine bakın.

Yedi koltuk: hangileri yalnızca insana ait, hangileri yapay zeka olabilir, hangileri karma?

Tablo 4. Kişisel Kurul Koltuk Haritası (CEOtudent editoryal çerçevesi)

Koltuk (işlev)	Koltuk ne yapar	Kim oturabilir	Kanıta bağlı gerekçe
1. Sponsor	Kapı açar, kefil olur, görünürlük sağlar	Yalnızca insan	Kariyer desteği gerçek bir ağda itibar gerektirir; bir model size kefil olamaz
2. Dışarıdan Göz	Başka bir alandan, işverenden veya pazardan bilgi getirir	Yalnızca insan	Zayıf bağın değeri başka bir sosyal çevredeki konumdan gelir (Granovetter; Rajkumar vd.)
3. Çapa	Değerlerinizi ve geçmişinizi bilir; bir tercih size yakışmadığında bunu söyler	Yalnızca insan	Modeller aşırı onaylıyor ve kullanıcılar bunu tercih ediyor (Cheng vd.); bu koltuk onayını esirgeyebilmelidir
4. Alan Uzmanı	Bir zanaatta işinizin ve planlarınızın kalitesini değerlendirir	Karma: insan başta, yapay zeka ikinci görüş	Saha deneyinde yapay zeka uzmanlık farklarını daralttı (Dell’Acqua vd.); hesap verebilirliği ve bağlamı insan taşır
5. Muhalif	Tercih ettiğiniz seçeneğe karşı en güçlü argümanı savunur	Karma: insan başta; yapay zeka yalnızca yapılandırılmış ve denetlenmişse	Modeller vakaların %48’inde iki tarafa da haklı olduklarını söyledi; yapılandırılmamış bir model güvenilir bir muhalefet değildir
6. Analist	Kararlardan önce temel oranları, seçenekleri ve sayıları hazırlar	Yapay zeka oturabilir, nokta kontrolleriyle	Çıktı doğrulanabilir; yapay zeka kaliteyi artırdı ve süreyi kısalttı (Dell’Acqua vd.)
7. Yazman	Tutanakları, karar kaydını ve takip işlerini tutar	Yapay zeka oturabilir	Tamamen denetlenebilir iş; kayıt, danışmanlardan öğrenmeyi mümkün kılar

Başkanlık bir koltuk değildir. Başkan sizsiniz ve bu rol devredilemez: kurul tavsiye verir, başkan karar verir ve sonucun sahibidir. Böylece üç koltuk yalnızca insana ait, iki koltuk karma, iki koltuğa da yapay zeka oturabiliyor.

Üç tasarım notu:

• Kişi başına en fazla iki koltuk. Aksi halde kurul yeniden tek bir mentora dönüşür.
• Genişlik rütbeden üstündür. Amaç girişimci tiptir: farklı sosyal sistemlere yayılan güçlü ilişkiler. Başka bir sektördeki bir akran, kendi sektörünüzdeki kıdemli bir liderden daha iyi bir Dışarıdan Göz olabilir.
• Muhalif kuralı. Bir yapay zeka bu koltuğa ancak şu koşullarda yardımcı olabilir: karşı argüman, hangi seçeneği tercih ettiğinizi öğrenmeden önce istenir, her seçeneği ayrı bir oturumda savunur ve yanıtlar karşılaştırılır, sonucu da bir insan okur. Yapay zeka ile prova üzerine CEOtudent rehberi yöntemi anlatıyor. Siz itiraz ettiğinizde modelin muhalefeti kayboluyorsa, bunu haklı olduğunuzun kanıtı olarak değil, uysallık olarak okuyun.

Kurul nasıl çalışmalı?

Danışmaların çoğu bire bir yapılır. Onu bir kurul yapan şey protokoldür.

Karar danışması: geri alınması maliyetli her karar için

1. Önce yazın. Başkan kararı, tercih ettiği seçeneği, bir güven düzeyini ve yanıtı neyin değiştireceğini yazar. Bu, çalışmalarda olduğu gibi bir başlangıç noktası verir.
2. Tarafsız bilgilendirin. Her danışmana durumu ve seçenekleri, tercih edilen yanıtı belirtmeden verin. Bir yapay zeka koltuğu için dalkavukluğa karşı ana savunma budur.
3. Bağımsız danışın. Danışmanlar önce birbirlerinin görüşlerini görmez. Birden fazla görüşten elde edilen kazanç, hatalarının birbirinden farklı olmasına bağlıdır.
4. Muhalifi sonuna kadar dinleyin. Benmerkezci budama önce uzak görüşleri eler; protokol en uzak görüşe en çok zamanı verir.
5. Yargılamadan önce birleştirin. Sayısal olan her konuda, herhangi birine tepki vermeden önce danışmanların rakamlarını ve bunların basit ortalamasını kendi rakamınızın yanına yazın.
6. Karar verin ve kaydedin. Kararı başkan verir. Yazman tercihi, ilk görüşten ne kadar uzaklaşıldığını ve bunu kimin katkısının sağladığını kaydeder.

Takvim (CEOtudent editoryal önerisi, bir araştırma bulgusu değil)

Ritim	Ne olur	İlgili koltuklar
Her büyük kararda	Altı adımlı karar danışması	Analist, Muhalif ve konuyla ilgili diğerleri
Aylık	Başkan kaydı gözden geçirir: açık sorular, takip işleri, borçlu olunan teşekkürler	Yazman
Üç ayda bir	Her insan koltuk sahibiyle, sorusu önceden gönderilmiş, esaslı bir görüşme	İnsan koltukları
Yıllık	Puan kartıyla koltuk değerlendirmesi; emekliye ayırma, yeniden görevlendirme veya değiştirme; çıkar çatışması kaydını yenileme	Başkan

Dobrow ve arkadaşları, yalnızca mentiyi değil ağın bütün üyelerini dikkate alan bir “karşılıklılık perspektifi” öneriyor. Yalnızca alan bir kurul uzun ömürlü olmaz; bu yüzden üç ayda bir yapılan her görüşme karşılığında bir şey sunmalıdır: bilgi, bir tanıştırma, geri bildirim veya emeğin hakkını teslim etme.

Koltuk koltuk puan kartı

Her koltuğu yılda bir kez puanlayın: ölçüt başına 0, 1 veya 2; koltuk başına en fazla 8, kurul için en fazla 56 puan.

Tablo 5. Kişisel Kurul Puan Kartı (CEOtudent editoryal çerçevesi)

Ölçüt	0	1	2
İşlevin yerine getirilmesi	Koltuk boş veya göstermelik	Ara sıra yerine getirildi	Son 12 ayda güvenilir biçimde yerine getirildi
Bağımsızlık	Koltuk sahibi tercihinizden doğrudan kazanıyor veya kaybediyor	Bir miktar çıkar var, açıklanmış	Sonuçta hiçbir çıkarı yok
İtiraz	Yanıldığınızı hiç söylemedi	Bir kez, yumuşak biçimde itiraz etti	Gerekçeleriyle, açıkça itiraz etti
Etki	Hiçbir karar değişmedi	Görüş değişti, eylem değişmedi	Kayda geçmiş bir karar veya plan değişti

Koltuk	Koltuk sahibi (kişi veya araç)	İşlev	Bağımsızlık	İtiraz	Etki	Toplam / 8
Sponsor
Dışarıdan Göz
Çapa
Alan Uzmanı
Muhalif
Analist
Yazman

Editoryal bir yönlendirme olarak: 0-3 puan alan bir koltuk fiilen boştur. Her koltuğun İşlev’den 2, İtiraz’dan 0 aldığı bir kurul bir hayran kulübüdür. Yapay zekanın oturduğu bir koltukta İtiraz’ı testle puanlayın: modele, içine bilerek bir kusur yerleştirilmiş bir planı tercihinize dair hiçbir ipucu vermeden sunun ve kusuru bulup bulmadığına bakın.

Etki sütunu öğrencinin öğrenme kaydıdır: zamanla hangi danışmanların ve hangi tür tavsiyelerin kararları iyileştirdiğini gösterir. Aynı zamanda bir kariyer sermayesi denetimini de besler, çünkü kararlarınızı değiştiren bir kurul bileşik getiri sağlayan bir varlıktır.

Kurulu ne zaman kullanmamalısınız ve çıkar çatışmaları neler?

Borsada işlem gören şirketler danışman bağımsızlığını bir kural olarak ele alır. Amerika Birleşik Devletleri menkul kıymetler düzenlemesi uyarınca, borsada işlem gören bir şirketin her denetim komitesi üyesi “bunun dışında bağımsız olmalıdır” ve kurul görevi dışında şirketten “herhangi bir danışmanlık, müşavirlik veya başka türden bir ücret” kabul edemez (17 CFR 240.10A-3). İlke buraya da taşınabilir: akıl yürütmenizi denetleyen kişi sonuçtan para kazanmamalıdır.

Çıkar çatışması kaydı. Her koltuk sahibinin seçeneklerinizden ne kazandığını veya ne kaybettiğini listeleyin:

• Yöneticiniz siz kaldığınızda kazanır: olası bir Sponsordur, ayrılma kararında Muhalif olamaz.
• Eşiniz, partneriniz veya yakın bir akrabanız sonucu sizinle paylaşır: danışmak şarttır, ama bağımsız değildir.
• Ücretli bir koç, işe alım uzmanı veya kurs satıcısı belirli bir yanıttan para kazanır.
• Rakip bir şirketteki veya bir müşterideki arkadaşınız gizlilik yükümlülükleriyle sınırlıdır.
• Bir yapay zeka aracının kararınızda bir çıkarı yoktur, ama onaylamaya doğru ölçülmüş bir çekimi vardır. Bunu farklı türden, kalıcı bir çıkar çatışması olarak ele alın.

Kurulu ne zaman kullanmamalı

• Küçük ve geri alınabilir kararlar. Danışmanın bir maliyeti vardır. Karar verin, gözlemleyin ve düzeltin.
• Lisanslı bir meslek mensubuna sorulacak sorular. Hukuki, vergisel, tıbbi ve düzenlemeye tabi finansal sorular yetkin danışmanlara aittir. İster insan ister yapay zeka olsun, bir kurul soruyu çerçevelemeye yardım edebilir, yanıtlamaya değil.
• Gizli materyal. Bir işverenin veya müşterinin kamuya açık olmayan bilgilerini izin almadan bir yapay zeka aracıyla veya dışarıdan bir danışmanla paylaşmayın.
• Salt değer soruları. Danışmanlar olguları ve öngörüleri sınayabilir; bir ödünleşimin buna değip değmediği başkanın kararıdır.
• Tavsiye avcılığı. Biri size katılana kadar danışmak, izin arayışıdır. Kayıt bunu gösterir: çok sayıda danışma, sıfır hareket.

Bu ne anlama gelmiyor

• Mentorluk işe yaramaz değildir. Küçük ortalama etkiler, bazı insanlar için büyük etkilerle bağdaşır; Tablo 1’deki korelasyonlar da tutarlı biçimde olumludur.
• %50’lik ağırlık her danışman için geçerli bir kural değildir. Uzmanlık, geçmiş performans ve teşvikler bu ağırlığı iki yönde de oynatmalıdır.
• Yapay zeka tavsiyesi düpedüz daha kötü değildir. Kanıtlar, gerçek bir analitik katkının yanında onaylamaya doğru bir yanlılık gösteriyor; dalkavukluk rakamları da belirli model sürümlerinden ve test kümelerinden geliyor.

Sıkça sorulan sorular

Kişisel bir yönetim kurulunda kaç kişi olmalı?
Araştırmayla desteklenen bir sayı yok. Bu çerçeve yedi işlev kullanıyor; bir kişi iki koltuğa, yapay zeka araçları da iki koltuğa oturabildiğine göre, işleyen bir kurul üç veya dört kişi artı araçlardan oluşabilir.

Kişisel yönetim kurulu yalnızca bir mentor grubu mudur?
Hayır. Mentor bir ilişkidir; koltuk ise bir işlev. Bir mentora sahip olmak tek başına az şey açıklar (Tablo 1’de 0,05 ile 0,26 arasında korelasyonlar). Koltukları işleve göre tanımlamak, yararlı şeylerin gerçekten olup olmadığını denetlemenin bir yoludur.

Bir yapay zeka modeli şeytanın avukatı olabilir mi?
Yalnızca güvencelerle. Test edilen modeller, aynı çatışmanın iki tarafını da vakaların %48’inde onayladı. Karşı argümanı tercihinizi açıklamadan önce isteyin, iki tarafı ayrı ayrı çalıştırın ve çıktıyı bir insana okutun.

Danışmanlar aynı fikirde olmadığında tavsiyeye nasıl ağırlık verilmeli?
Sayısal sorularda, sizinki de dahil bağımsız görüşlerin basit ortalamasından başlayın, sonra uzmanlığa ve çıkar çatışmalarına göre düzeltin. Sizinkine en uzak olan, yani insanların eleme eğiliminde olduğu görüşe bilinçli olarak dikkat ayırın.

İnsanların kişisel kurulla ilgili yaptığı en büyük hata nedir?
Kurulu birbirine benzeyen, yakın ve uysal insanlarla doldurmak. Bu geleneksel bir ağdır: destekleyici, kendini tekrar eden, Dışarıdan Göz’ü ve Muhalif’i olmayan.

Kaynaklar

1. Higgins, M. C. ve Kram, K. E. (2001). Reconceptualizing mentoring at work: A developmental network perspective. Academy of Management Review, 26(2), 264-288.
2. Dobrow, S. R., Chandler, D. E., Murphy, W. M. ve Kram, K. E. (2012). A review of developmental networks: Incorporating a mutuality perspective. Journal of Management, 38(1), 210-242. Kabul edilmiş yazar nüshası.
3. Eby, L. T., Allen, T. D., Evans, S. C., Ng, T. ve DuBois, D. L. (2008). Does mentoring matter? A multidisciplinary meta-analysis comparing mentored and non-mentored individuals. Journal of Vocational Behavior, 72(2), 254-267. Yazar nüshası, PubMed Central PMC2352144.
4. Eby, L. T., Allen, T. D., Hoffman, B. J. ve sekiz ortak yazar (2013). An interdisciplinary meta-analysis of the potential antecedents, correlates, and consequences of protégé perceptions of mentoring. Psychological Bulletin, 139(2), 441-476. (yalnızca özet)
5. Allen, T. D., Eby, L. T., Poteet, M. L., Lentz, E. ve Lima, L. (2004). Career benefits associated with mentoring for protégés: A meta-analysis. Journal of Applied Psychology, 89(1), 127-136. (yalnızca özet)
6. Granovetter, M. S. (1973). The strength of weak ties. American Journal of Sociology, 78(6), 1360-1380.
7. Rajkumar, K., Saint-Jacques, G. ve üç ortak yazar (2022). A causal test of the strength of weak ties. Science, 377(6612), 1304-1310. (yalnızca özet)
8. Logg, J. M., Minson, J. A. ve Moore, D. A. (2019). Algorithm appreciation: People prefer algorithmic to human judgment. Organizational Behavior and Human Decision Processes, 151, 90-103. Kullanılan metin: Harvard Business School Working Paper 17-086.
9. Yaniv, Ilan ve Milyavsky, Maxim (2007). Using advice from multiple sources to revise and improve judgments. Organizational Behavior and Human Decision Processes, 103(1), 104-120. Yazar nüshası.
10. Sharma, M., Tong, M., Korbak, T. ve arkadaşları (2023). Towards understanding sycophancy in language models. arXiv:2310.13548; ICLR 2024 konferans bildirisi.
11. Cheng, M., Lee, C., Khadpe, P., Yu, S., Han, D. ve Jurafsky, D. (2025). Sycophantic AI decreases prosocial intentions and promotes dependence. arXiv:2510.01395, sürüm 1, 1 Ekim 2025. Ön baskı.
12. Cheng, M., Yu, S., Lee, C., Khadpe, P., Ibrahim, L. ve Jurafsky, D. (2025). ELEPHANT: Measuring and understanding social sycophancy in LLMs. arXiv:2505.13995, sürüm 2, 29 Eylül 2025. Ön baskı.
13. Dell’Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E. ve altı ortak yazar (2025). The cybernetic teammate: A field experiment on generative AI reshaping teamwork and expertise. NBER Working Paper 33641, Nisan 2025. Hakem denetiminden geçmemiştir.
14. United States Code of Federal Regulations, Title 17, Section 240.10A-3, Listing standards relating to audit committees. Electronic Code of Federal Regulations, erişim tarihi 10 Kasım 2026.

Tablo 2 ve Tablo 3, atıf yapılan kaynaklarda basılı rakamlardan hesaplanmış CEOtudent analizleridir. Tablo 4 ve Tablo 5, karar danışması, takvim ve çıkar çatışması kaydı CEOtudent editoryal çerçeveleridir. Tablo 1, Eby vd. (2008) çalışmasında basılı rakamları aktarır. Bilerek kullanılmayanlar: “bir mentoru olmuş” yöneticilerin payına ve mentorluğa atfedilen maaş veya terfi katlarına ilişkin iddialar (hiçbir birincil kaynak açılmadı); Allen vd. (2004) ile Eby vd. (2013) çalışmalarının özetlerinin ötesindeki etki büyüklükleri; tam metinleri açılmayan Yaniv ve Kleinberger (2000), Bonaccio ve Dalal (2006) ile Larrick ve Soll (2006) çalışmalarındaki rakamlar; ve ticari yönetim kurulu endeksi istatistikleri.

---

Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.