AI ile CV taramasını açtınız. İlk puan grubu geldi. İşe alım yöneticinizin bayıldığı aday 64 aldı. Kimseye tanıdık gelmeyen aday 91 aldı. Artık ekip araca güvenmiyor.
Sorun neredeyse hiçbir zaman AI modelinde değil. Ona verdiğiniz kriterler ve ağırlıklarda — ya da büyük olasılıkla hiç değiştirmediğiniz varsayılanlarda.
DataForSEO Labs’tan (Amerika Birleşik Devletleri, İngilizce) güncel anahtar kelime verileri “ai resume screening” için aylık yaklaşık 390 arama gösteriyor; ticari niyet taşıyor. Ekipler bunu aktif olarak arıyor. Birçoğu aynı kalibrasyon duvarına çarpacak.
Varsayılan ağırlıklar neden başarısız olur
Her AI puanlama aracı varsayılanlarla gelir. Bu varsayılanlar makul tahminlerdir: deneyime ağır ağırlık, beceri eşleşmesine orta düzeyde kredi, eğitim ve sertifikalara biraz değer. Binlerce iş türünde çalışacak şekilde tasarlanmışlardır.
Sizin rolünüz “binlerce iş türü” değil. Belirli ödünleşimleri vardır. Belki araç yeterliliğinden çok sektör deneyimini önemsiyorsunuz. Belki sertifikalar ekibiniz için önemsiz ama AI onlara %15 ağırlık veriyor.
Varsayılan ağırlıklar varsayılan sıralamalar üretir. Varsayılan sıralamalar ya her puanı manuel olarak geçersiz kılan — amacı boşa çıkaran — ya da güvenmemeleri gereken puanları kabul eden ekipler üretir.
Kalibrasyon sorunu teknik değil, insani
Salesso’nun 2026 işe alım veri raporu, şirketlerin %83’ünün artık CV taraması için AI kullandığını buldu. Ancak Harvard Business School ve Accenture çalışması, ABD işverenlerinin otomatik taramayla 27 milyondan fazla iş arayanı elediğini — birçoğu işi yapabilecek durumda olmasına rağmen — ortaya koydu.
Sorun AI’ın tarayamaması değil. Taramayı yönlendiren kriterlerin bir kez (ya da hiç) belirlenip bir daha gözden geçirilmemesi. Kalibrasyon, “AI puanlamamız var” ile “AI puanlamamız daha iyi işe almamıza yardımcı oluyor” arasındaki eksik adımdır.
AI aday puanlamasının nasıl çalıştığı ve yaygın tuzaklar hakkında daha geniş bir bakış için AI aday puanlama rehberimize bakın.
Adım 1: Ağırlıklardan önce zorunlu kriterlerle başlayın
Herhangi bir kaydırıcıyı ayarlamadan önce işe alım yöneticisinden gereksinimleri iki gruba ayırmasını isteyin:
Zorunlu kriterler (geçti/kaldı):
- Bulunduğunuz konum için çalışma izni
- Gerekli sertifikalar veya lisanslar
- Belirli bir alanda minimum yıl (bunun gerçek bir gereksinim mi yoksa tercih mi olduğuna dürüstçe karar verin)
- Dil gereksinimleri
- Ofiste, hibrit veya seyahat için isteklilik
Puanlanan kriterler (ağırlıklı):
- İlgili teknik beceriler
- Sektör veya alan deneyimi
- Sonuç kanıtı (yalnızca sorumluluklar değil)
- Liderlik veya yönetim deneyimi
- Başvuru materyallerinden kültürel veya ekip dinamiği sinyalleri
Zorunlu kriterler ikili filtre olmalı, puanlanmamalı. Adayın doğru çalışma izni yoksa yüksek bir beceri puanı onu eşiğin üzerine itmemeli. Canvider’da CriteriaMatch bu katmanı yönetir — puanlama ağırlıklarından bağımsız olarak AI’ın kontrol ettiği sert kriterler belirlersiniz.
Adım 2: “Güçlü”nün neye benzediği konusunda anlaşın
Kalibrasyon çabalarının çoğu burada bir adım atlar. Ekip beş kriterde anlaşır. Ağırlık atar. Ama kimse 5 üzerinden 4 ile 3’ün ne anlama geldiğini tanımlamaz.
İşe alım yöneticisiyle 20 dakikalık bir egzersiz yapın:
- Ekibin zaten incelediği ve üzerinde anlaştığı iki ila üç CV seçin
- Her birini kriterlere göre bağımsız olarak puanlayın
- Puanları karşılaştırın ve farklılıkları tartışın
- Her kriterde her puan seviyesi için tek cümlelik tanımlar yazın
Bu akademik değil. “AI ona 78 verdi” ile “AI sistem deneyimini 5 üzerinden 4 olarak puanladı çünkü üç üretim ölçekli dağıtım listeledi” arasındaki fark budur.
Adım 3: İlk gruptan sonra çıktıları gözden geçirin
İlk puanlanan aday grubu nihai sıralama değil, kalibrasyon testidir.
AI ilk 10-15 başvuruyu puanladıktan sonra:
- İlk beşi kontrol edin. Bunlar işe alım yöneticisinin gerçekten mülakat etmek isteyeceği kişiler mi? Değilse hangi kriterler fazla ağırlıklı?
- Son beşi kontrol edin. Daha yukarıda olması gereken biri var mı? Puanlama neyi kaçırdı?
- Kalıplara bakın. Kısa CV’li adaylar sistematik olarak cezalandırılıyor mu? İlgili aktarılabilir deneyime rağmen kariyer değiştirenler düşük puan mı alıyor?
Bulduklarınıza göre ağırlıkları ayarlayın. Bu “AI ile oynamak” değil. Junior bir işe alımcıyı taramaya eğitseydiniz yapacağınız şeyin aynısı — işini gözden geçirin, geri bildirim verin, ayarlayın.
Adım 4: Her yeni rol için ağırlıkları yeniden gözden geçirin
Kıdemli backend mühendisi için işe yarayan ağırlıklar müşteri başarı yöneticisi için işe yaramaz. Farklı roller farklı kriter dengeleri gerektirir.
Yeni bir rol açıldığında:
- Önceki rolün ağırlıklarını şablon olarak kullanın, kutsal metin olarak değil
- Zorunlu kriterlerin değişip değişmediğini kontrol edin (genelde değişir)
- İşe alım yöneticisine sorun: “Yalnızca iki kritere bakabilseydiniz hangi ikisi?”
- Bu iki kriterin toplam puanın en az %40’ını temsil etmesi için ağırlıkları ayarlayın
Bu on dakika sürer. Yanlış sıralanmış adaylar ve AI’ın “yanıldığı” hakkındaki değerlendirmelerde saatler kazandırır.
Önyargı kalibrasyon katmanı
AI tarama önyargısı varsayımsal değil. arXiv’de 2025’te yayımlanan bir çalışma, CV taraması için kullanılan genel amaçlı dil modellerinin demografik etki oranlarının 0,809 kadar düşük olduğunu — alana özel işe alım modellerinin ulaştığı 0,957 yakın eşitlik ölçütünün çok altında — buldu. Kesişimsel eşitsizlikler daha da genişti.
Kalibrasyon önyargıyı ortadan kaldırmaz ama yüzey alanını azaltır:
- Kriterleri işle ilgili kanıta dayandırın. “Üst düzey bir şirkette çalıştı” bir vekil sinyaldir. “10 binden fazla kullanıcıya hizmet veren üretim sistemi teslim etti” kanıttır.
- Puan dağılımlarını denetleyin. Bir puanlama turundan sonra herhangi bir demografik grubun sistematik olarak daha düşük puan alıp almadığını kontrol edin. Öyleyse boşluğu hangi kriterlerin yönlendirdiğini inceleyin.
- AI’ı nihai karar değil, ilk geçiş olarak kullanın. İşe alım yöneticisi kısa listeyi inceler. AI gelen kutusunu önceliklendirir. İnsanlar karar verir.
New York City, Illinois, Washington Eyaleti ve AB’deki yeni düzenlemeler artık AI işe alım araçları için bir tür önyargı denetimi gerektiriyor (Articsledge, 2026). Yetki alanınız henüz zorunlu kılmasa bile önyargıya karşı kalibre etmek iyi uygulama ve iyi işe alımdır.
Canvider kalibrasyonu nasıl destekler
Canvider AI Score, rol başına puanlama ağırlıklarını belirlemenize ve ayarlamanıza olanak tanır. CriteriaMatch geçti/kaldı katmanını ayrı yönetir; böylece sert gereksinimler ağırlıklı puanlara karışmaz. Collaborative Candidate Assessment ise ekibe puanlanan adayların nasıl karşılaştırıldığına dair ortak bir görünüm sunar — kalibrasyon geri bildirimi e-posta üzerinden değil, bağlam içinde olur.
İş akışı: kriterleri belirleyin, ilk grubu puanlayın, birlikte gözden geçirin, ayarlayın ve yeniden puanlayın. Her tur daha keskinleşir.
Bu hafta kalibrasyona başlayın
Bir sonraki açık rolünüzü seçin. Herhangi bir aday başvurmadan önce:
- Zorunlu kriterleri puanlananlardan ayırın
- İşe alım yöneticisiyle ilk ağırlıkları atayın
- Her kriter için “güçlü”nün ne anlama geldiğini tek cümleyle tanımlayın
- İlk 10 başvurudan sonra ilk ve son beşi birlikte gözden geçirin
- Ayarlayın ve yeniden puanlayın
AI puanlama bir kaldıraçtır. Kalibrasyon onu doğru yöne çevirir.