İşe alım pipeline’ınıza bir AI dedektörü eklemeyi düşünüyorsunuz. Ekibiniz okumadan önce ChatGPT ile yazılmış özgeçmişleri işaretleyen bir araç. Verimli görünüyor. Sorumlu olan da bu gibi duruyor.
Asıl risk, AI üretimi özgeçmişlerin kaçması değil—nitelikli adayların bir dedektörün yanlış tahmin etmesi yüzünden reddedilmesidir.
İddialar ile gerçek arasındaki doğruluk farkı
AI tespit satıcıları etkileyici rakamlar yayınlar. GPTZero %99 doğruluk ve %0,24 yanlış pozitif oranı iddia eder. Originality.ai %96 doğruluk reklamı yapar.
Bağımsız testler farklı bir hikaye anlatır. PCWorld’ün GPTZero değerlendirmesi gerçek dünya koşullarında yalnızca %62 doğruluk buldu. Originality.ai üçüncü taraf karşılaştırmalarda %8 ile %12 arasında yanlış pozitif oranları gösterdi; yani yaklaşık onda birinde insan yazısını AI üretimi olarak işaretledi.
Her iki araç da Amerika Birleşik Devletleri Anayasası ve Da Vinci Şifresi’nden alıntıları AI üretimi metin olarak işaretlemekle belgelenmiştir (Fritz.ai, 2026). Bir dedektör Anayasa’nın güvenilir şekilde insan yazısı olduğunu belirleyemiyorsa, ana dili İngilizce olmayan birinin özgeçmişini okuduğunda ne olur?
İşe alımda yanlış pozitifler ne anlama gelir
Akademik intihal tespitinde yanlış pozitif bir rahatsızlıktır. Öğrenci itiraz eder, profesör inceler, sorun çözülür.
İşe alımda yanlış pozitif görünmezdir. Aday asla öğrenmez. Ekibiniz özgeçmişi görmez. Nitelikli biri pipeline’dan kaybolur ve rolü kalanlarla doldurursunuz.
DataForSEO Labs’tan (Amerika Birleşik Devletleri, İngilizce) güncel anahtar kelime verileri “ai resume screening” için aylık yaklaşık 390 arama gösteriyor. İK ekipleri başvurularda AI’yı nasıl ele alacaklarını arıyor. Ancak çoğu sonuç, bu araçlar yanlış olduğunda ne olacağını ele almadan tespit araçlarını öne çıkarıyor.
Bir rol için 200 özgeçmiş işliyorsanız ve dedektörünüz %10 yanlış pozitif oranına sahipse, bu 20 kişinin yanlış işaretlenmesi demektir. Bazıları en iyi adaylarınızdı.
Dil önyargısı sorunu
AI dedektörleri yazım kalıplarını analiz eder—cümle uzunluğu, kelime çeşitliliği, öngörülebilirlik. Bu yaklaşımın belgelenmiş bir zayıflığı vardır: belirli yazım stillerini diğerlerinden daha fazla cezalandırır.
Ana dili İngilizce olmayanlar genelde daha basit cümle yapıları ve daha yaygın kelime dağarcığıyla yazar. Bunlar tam olarak dedektörlerin makine çıktısıyla ilişkilendirdiği kalıplardır. Ana dili Mandarin veya Arapça olan birinin dikkatli, net İngilizceyle yazdığı özgeçmiş, makine çıktısını tespit etmek için eğitilmiş bir modele “şüpheli” görünür.
Bu teorik bir endişe değil. Pipeline’ınız adayları yazım stili analizine göre reddediyorsa, dil geçmişiyle korelasyon gösteren bir önyargı getiriyorsunuz. ABD işverenleri için bu hem etik sorunlar hem de potansiyel yasal risk yaratır.
Tespit neden işe alım sonuçlarını iyileştirmez
Sıfır yanlış pozitifle mükemmel bir dedektör bile—aday kalitesi hakkında faydalı bir şey söylemez. Bir özgeçmişin AI yardımıyla yazıldığını bilmek, kişinin işi yapıp yapamayacağı hakkında hiçbir şey söylemez.
2026 KraftCV anketi, iş arayanların %70’inin özgeçmiş yazımında AI kullandığını buldu. Hepsini reddederseniz başvuru havuzunuzun çoğunu reddedersiniz. Yalnızca dedektörün yakaladıklarını reddederseniz, daha az sofistike araç kullananları cezalandırırken çıktıyı geçmek için yeterince yeniden ifade edenleri ödüllendirirsiniz.
Sinyal eyleme dönüştürülebilir değil. İyi adayları kötülerden ayırmaz. Tespit edilebilir AI kullanıcılarını tespit edilemeyenlerden ayırır.
Bunun yerine ne işe yarar
Alternatif “hiçbir şey yapma” değil. Gerçekten iş performansını öngören şeyleri taramaktır.
-
Taramaya başlamadan önce kriterlerinizi belgeleyin: Sert gereksinimleri—çalışma yetkisi, sertifikalar, belirli teknik beceriler—ilk filtre olarak kullanın. CriteriaMatch her özgeçmişi tanımladığınız kriterlere saniyeler içinde kontrol eder. Aday pazarlık edilemez gereksinimleri karşılamıyorsa özgeçmişin üslubu önemsizdir.
-
Kararları görünür kılın: Ekibiniz adayları incelerken gerekçe belgelenmelidir. Collaborative Candidate Assessment, her aday profilinde paylaşılan yorumları, görev atamalarını ve karar geçmişini tutar. Biri reddedilirse neden kayıtta olur—ve asla “dedektör öyle dedi” olmaz.
-
İddiaları konuşmada test edin: Özgeçmişi doğrulamanın en iyi yolu hakkında sormaktır. İyi yapılandırılmış bir mülakat, herhangi bir yazım analizi aracından daha hızlı abartıyı yakalar. Özgeçmiş “12 mühendisten oluşan bir ekibe liderlik etti” diyorsa ayrıntı isteyin. Cevap, dedektörün göremediği her şeyi söyler.
Düzenleyici boyut
AB AI Yasası, istihdam kararlarında kullanılan AI sistemlerini “yüksek riskli” olarak sınıflandırır. AI dedektörünüz bir işe alım kararına katkıda bulunuyorsa, ayrımcı sonuçlar üretmediğini göstermeniz gerekebilir. Belgelenmiş dil önyargısı sorunları göz önüne alındığında bu zor bir iddiadır.
New York City ve Illinois dahil birçok ABD eyaleti ve şehri, işe alımda kullanılan otomatik araçların açıklanmasını ve denetlenmesini zaten gerektiriyor. Pipeline’ınıza denetlenmemiş bir AI tespit katmanı eklemek, tarama değeri eklemeden uyumluluk riski ekler.
İşe alımda AI’yı sorumlu kullanma konusunda daha geniş bir bakış için işe alımda sorumlu AI rehberimize bakın.
Dürüst ödünleşim
AI tespit araçları caziptir çünkü basit bir ikili sunarlar: AI veya değil. İşe alım ikili değildir. Uyum, beceri ve potansiyel hakkında bir dizi muhakeme kararıdır.
Dedektörü atlayın. Kanıtın doğrulanmış kriterlerden ve gerçek konuşmalardan geldiği, yazım stili analizinden değil, bir tarama süreci kurun.