Araştırma Ekibinin Geleceği: Yapay Zekâ Çağında Araştırmacının Rolü Nasıl Değişiyor?
Yapay zekâ araştırma süreçlerini otomatikleştirirken araştırmacının rolü veri üretmekten yorumlama, muhakeme ve karar desteğine kayıyor. Peki geleceğin araştırma ekipleri nasıl kurulacak?
Araştırma sektöründe yapay zekâ tartışması uzun süredir aynı sorunun etrafında dönüyor: Yapay zekâ araştırmacıların yerini alacak mı?
Belki de yanlış soruyu soruyoruz.
Asıl mesele araştırmacının ortadan kalkıp kalkmayacağı değil, araştırmacının hangi işi yapmasının hâlâ değerli olacağı.
Çünkü araştırmanın geleneksel iş akışının önemli bir bölümü hızla otomasyona açılıyor. Anket programlama, veri temizleme, açık uçlu yanıtları kodlama, görüşme notlarını özetleme, standart raporlar hazırlama ve ilk analizleri üretme gibi geçmişte araştırmacının zamanının önemli bölümünü alan işler artık çok daha hızlı gerçekleştirilebiliyor.
Bu dönüşüm araştırma ekiplerini küçültmekten daha önemli bir sonuç doğurabilir:
Araştırmacının mesleki değerinin kaynağı değişiyor.
Geleneksel araştırma modeli büyük ölçüde bir üretim sürecine dayanıyordu:
Soruyu tanımla → araştırmayı tasarla → veriyi topla → temizle → analiz et → raporla → sun.
Bu zincirin önemli bir bölümünün insan emeğine ihtiyaç duyması, araştırma ekiplerine doğal bir uzmanlık alanı sağlıyordu.
Fakat otomasyon bu yapıyı değiştiriyor.
Bir araştırmanın teknik olarak hazırlanması, verinin işlenmesi ve ilk bulguların oluşturulması giderek daha hızlı ve erişilebilir hale geliyor. Bunun bir başka sonucu da araştırma yapabilmek için gereken teknik giriş bariyerinin düşmesi. Daha önce uzman araştırmacılara ihtiyaç duyan bazı çalışmalar artık araştırma departmanı dışındaki ekipler tarafından da gerçekleştirilebilir hale gelebilir.
Buradaki kritik değişim hız.
Yönetim ekipleri günler içinde karar verirken araştırma ekiplerinin haftalar süren süreçlerle çalışması giderek daha zor savunulabilir hale geliyor. Kaynak makale bunu bir “velocity gap”, yani hız farkı olarak tanımlıyor.
Dolayısıyla geleceğin araştırma ekibinin başarısı kaç araştırma yaptığıyla değil, giderek daha fazla şu soruyla ölçülebilir:
Hangi önemli kararların daha iyi alınmasını sağladık?
Bu küçük görünen değişiklik aslında araştırma fonksiyonunun görev tanımını baştan yazıyor.
Veri ve analiz üretmenin maliyeti düştükçe yalnızca bilgi üretmek farklılaştırıcı olmaktan çıkıyor.
Bir sistem birkaç saniye içinde onlarca hipotez oluşturabilir, binlerce açık uçlu yanıtı sınıflandırabilir, büyük veri kümelerindeki ilişkileri bulabilir ve kapsamlı bir analiz hazırlayabilir.
Fakat bütün bunlardan sonra hâlâ cevaplanması gereken bir soru vardır:
Bunun anlamı ne?
Daha da önemlisi:
Şirket bunun sonucunda ne yapmalı?
Geleceğin araştırmacısının değerinin önemli bir bölümü burada ortaya çıkabilir.
Çünkü bir bulgunun istatistiksel olarak doğru olması, onun iş açısından önemli olduğu anlamına gelmez.
Bir korelasyon bulunması, nedensellik olduğu anlamına gelmez.
Bir müşteri grubunun belirli bir davranış göstermesi, şirketin mutlaka buna göre hareket etmesi gerektiği anlamına gelmez.
Ve yüzlerce bulgu arasından hangisinin gerçekten önemli olduğunu belirlemek hâlâ ciddi bir muhakeme gerektirir.
Otomasyon çağında araştırmacının en önemli yetkinliklerinden biri metodolojik süreçleri mekanik biçimde uygulamak yerine çıktının kalitesini değerlendirebilmek olabilir.
Bir analiz mantıklı mı?
Veri güvenilir mi?
Sonuç başka bir şekilde açıklanabilir mi?
Model önemli bir bağlamı gözden kaçırmış olabilir mi?
Sonuç metodolojik olarak doğru görünmesine rağmen gerçek hayatta anlamsız olabilir mi?
Kaynak makale bu yeteneği “taste”, yani neyin önemli, güvenilir ve uygulanabilir olduğunu ayırt edebilme becerisi olarak ele alıyor. Bunun yanında ikinci bir insan avantajına daha dikkat çekiyor: hesap verebilirlik.
Bu ayrım önemli.
Yapay zekâ bir öneri üretebilir.
Ama şirket o öneri üzerine milyonlarca liralık yatırım yaptığında, yeni bir pazara girdiğinde veya ürün stratejisini değiştirdiğinde kararın sorumluluğunu yapay zekâ üstlenmez.
Bir noktada bir insanın masaya oturup:
“Verileri inceledik. Alternatifleri değerlendirdik. Bizim önerimiz bu.”
demesi gerekir.
Araştırmacının gelecekteki değeri bu nedenle yalnızca bilgi üretmekten, giderek daha fazla bilgiyi savunulabilir bir karara dönüştürmeye kayabilir.
Dönüşümün belki de en ilginç problemi burada ortaya çıkıyor.
Yapay zekânın ilk otomatikleştirdiği işler genellikle araştırma sektöründeki başlangıç seviyesi çalışanların yaptığı işler.
Veri temizlemek.
Tabloları kontrol etmek.
Açık uçlu yanıtları okumak.
Kodlama yapmak.
Rapor hazırlamak.
Tutarsız sonuçları araştırmak.
İlk bakışta bunların otomatikleşmesi harika görünüyor. Kimse kariyerinin büyük bölümünü Excel dosyalarıyla kavga ederek geçirmek istemez.
Fakat küçük bir sorun var.
Deneyimli araştırmacılar deneyimlerini tam olarak bu işleri yaparken kazandılar.
Bir araştırmacının “bu sonuçta bir gariplik var” diyebilmesi çoğu zaman yıllar boyunca yüzlerce veri seti, tablo, anket ve rapor görmesinin sonucudur.
Bu sezgi kitaplardan öğrenilmiyor.
Tekrarlarla oluşuyor.
Kaynak makale bu durumu araştırma sektörünün “training wheels”, yani eğitim tekerleklerinin ortadan kalkması riski olarak tanımlıyor. Junior çalışanların geleneksel olarak araştırmacı sezgisini geliştirdiği görevlerin tam olarak otomasyona en uygun görevler olduğuna dikkat çekiyor.
Burada sektörün önünde tuhaf bir paradoks oluşuyor:
Juniorların yaptığı işleri otomatikleştiriyoruz ama birkaç yıl sonra ihtiyaç duyacağımız senior araştırmacıların nasıl yetişeceğini henüz bilmiyoruz.
Bu sorunun çözümü genç araştırmacıları sırf eğitim olsun diye manuel veri temizlemeye mahkûm etmek değil.
Teknolojiyle yapılabilecek bir işi insanlara zorla yaptırmanın pek anlamı yok.
Bunun yerine eğitim modelinin değişmesi gerekiyor.
Junior araştırmacının görevi çıktıyı üretmekten çok çıktıyı sorgulamak olabilir.
Örneğin yapay zekâ tarafından hazırlanmış bir analizi inceleyip:
- Hangi varsayımlar yapılmış?
- Hangi veriler gözden kaçmış?
- Sonuç gerçekten veriden çıkıyor mu?
- Alternatif açıklamalar var mı?
- Hangi bulgu abartılmış?
- Hangi soru hiç sorulmamış?
gibi soruların peşine düşmek.
Başka bir ifadeyle geleceğin junior araştırmacısı yalnızca yapay zekâyı kullanan kişi değil, yapay zekânın ürettiği araştırmayı denetleyen kişi olabilir. Kaynak makale de genç araştırmacıların otomatik çıktıları eleştirmesi, denetlemesi ve hatalarını araması üzerine kurulu yeni bir çıraklık modeli öneriyor.
Bu yaklaşım aslında eğitim sürecini hızlandırabilir.
Çünkü junior çalışan artık yüzlerce rutin işlemi yapmak yerine doğrudan muhakeme pratiği yapmaya başlayabilir.
Otomasyonun ikinci büyük sonucu araştırma hizmetlerinin ekonomik yapısında görülebilir.
Bir tarafta:
hızlı, standartlaştırılmış ve düşük maliyetli araştırma.
Diğer tarafta:
karmaşık, stratejik ve yüksek riskli karar araştırmaları.
Standart anket oluşturma, temel takip çalışmaları, rutin analizler ve raporlamalar giderek otomasyon ağırlıklı hale gelebilir.
Buna karşılık şirketin geleceğini etkileyebilecek kararlar çok farklı bir araştırma yetkinliği gerektirir.
Yeni bir pazara girilmeli mi?
Marka yeniden konumlandırılmalı mı?
Bir ürün neden beklenen performansı göstermiyor?
Müşterilerin söylediği ile yaptığı neden farklı?
Şirket hangi müşteri grubuna yatırım yapmalı?
Burada araştırmanın değeri veri üretme hızından çok problemi doğru tanımlama ve belirsizliği azaltma kapasitesinden gelir.
Kaynakta da araştırma pazarının yüksek hızlı ve otomasyon ağırlıklı standart çalışmalar ile insan liderliğindeki karmaşık stratejik çalışmalar arasında ayrışabileceği öngörülüyor.
Ortada kalan klasik genel araştırmacı modeli ise baskı altında kalabilir.
Geleceğin araştırma ekibini değiştirecek bir başka gelişme veri kaynaklarının birleşmesi.
Araştırma ekipleri geleneksel olarak insanların ne söylediğini ölçmek konusunda güçlüydü.
Anketler, görüşmeler ve odak grupları bunun üzerine kuruluydu.
Fakat şirketlerin elinde artık giderek daha fazla davranışsal veri bulunuyor.
İnsanların:
ne söylediği
ile
gerçekte ne yaptığı
aynı analiz içerisinde değerlendirilebilir.
Bir müşteri “fiyat çok yüksek” diyebilir.
Fakat davranış verileri müşterinin aslında fiyat nedeniyle değil, kötü kullanıcı deneyimi nedeniyle ürünü terk ettiğini gösterebilir.
Tam tersine davranış verisi müşterinin ne yaptığını gösterebilir ama neden yaptığını açıklamayabilir.
Araştırmanın güçlü olduğu alan tam burada devreye giriyor.
Kaynak makale bu nedenle tüketici içgörüsü ile veri analitiğinin giderek birbirine yaklaştığını ve geleceğin araştırmacılarının SQL veya Python gibi teknik araçlarla çalışabilmesinin önem kazanabileceğini belirtiyor.
Geleceğin araştırmacısı yalnızca anket verisine bakmayabilir.
CRM verisi, müşteri davranışları, satış verileri, dijital etkileşimler, operasyonel veriler ve nitel araştırma sonuçlarını aynı problem üzerinde birleştirebilir.
Ortaya çıkan yapı klasik araştırma departmanından biraz farklı.
Bir tarafta yüksek hacimli işleri gerçekleştiren otomasyon altyapısı bulunurken diğer tarafta insanlardan oluşan daha stratejik bir katman yer alabilir.
Bu ekiplerde araştırmacının temel yetkinlikleri de değişir:
Metodoloji + veri okuryazarlığı + teknoloji + iş bilgisi + muhakeme + iletişim.
Araştırmacının yalnızca iyi araştırma yapması yeterli olmayabilir.
Araştırmanın şirket açısından neden önemli olduğunu anlatması da gerekir.
Çünkü yönetim ekibinin ihtiyacı 70 slaytlık başka bir araştırma raporu olmayabilir.
İhtiyaç duyduğu şey bazen tek bir cümledir:
“Bu veriye dayanarak ne yapmalıyız?”
Muhtemelen bazı araştırma süreçlerinde evet.
Otomasyon aynı miktarda işi daha küçük ekiplerin yapabilmesini mümkün hale getirebilir. Bu nedenle araştırma ekiplerinin büyüklüğü üzerinde baskı oluşması şaşırtıcı olmaz. Kaynak makale de bütçe ve çalışan sayısı baskısını dönüşümün başlangıç koşullarından biri olarak ele alıyor.
Fakat yalnızca çalışan sayısına bakmak daha büyük değişimi kaçırabilir.
Çünkü araştırmanın ekonomik değeri veri üretmekten karar kalitesini yükseltmeye kayarsa araştırma ekiplerinin organizasyondaki konumu da değişebilir.
Araştırmacı artık yalnızca:
“Müşteriler böyle düşünüyor.”
diyen kişi değildir.
Şuna yaklaşır:
“Müşteriler böyle düşünüyor, davranış verileri şunu gösteriyor, bunun üç olası açıklaması var ve mevcut bilgiler ışığında en önemli risk burada.”
Bu çok farklı bir rol.
Yapay zekâ çağında araştırma sektörünün karşı karşıya olduğu asıl dönüşüm belki de insan ile makine arasındaki görev paylaşımı değil.
Araştırmanın ne için var olduğu yeniden tanımlanıyor.
Veri toplamak geçmişte değerliydi çünkü zordu.
Analiz yapmak değerliydi çünkü zaman alıyordu.
Rapor üretmek değerliydi çünkü uzmanlık gerektiriyordu.
Bu faaliyetlerin maliyeti düştükçe araştırmacının değeri başka yere taşınıyor:
Doğru soruyu sormak.
Yanlış sonucu fark etmek.
Bağlamı anlamak.
Birbirinden farklı veri kaynaklarını birleştirmek.
Belirsizlik içinde karar verebilmek.
Ve gerektiğinde önerisinin arkasında durmak.
Geleceğin araştırma ekibi bu nedenle yalnızca yapay zekâyı daha fazla kullanan ekip olmayacak.
Asıl farkı yaratacak ekip, insanın hangi noktada devreye girmesi gerektiğini bilen ekip olacak.
Yapay Zekâ Yarışını En Akıllı Model Değil, Onu En İyi Kullananlar Kaza...
