Zor pozisyonların çoğu ilanla dolmuyor. Aradığınız profil zaten çalışıyor, iş aramıyor ve ilanınızı görmüyor. Ona ulaşmak — sourcing, pasif aday bulma — ilan yayımlamaktan tamamen farklı bir iş.
Bu iş üç adımdan oluşur: bulmak, değerlendirmek, ilgisini çekmek. Yapay zeka bu üçünde çok farklı seviyelerde yardımcı oluyor ve aradaki farkı bilmek satın alma kararını değiştiriyor.
Adım 1 — Bulmak
Burada gerçek bir sıçrama var.
Klasik yöntem boolean arama: ("yazılım mühendisi" OR "software engineer") AND (React OR Vue) AND İstanbul. İşe yarar ama iki zayıflığı vardır. Unvan çeşitliliğini kaçırır — Türkiye'de aynı iş için beş farklı unvan kullanılır. Ve profilde yazmayan ama çıkarılabilir bilgiyi göremez.
Anlamsal arama bu ikisini de aşıyor. "Fintech'te ödeme sistemleri kurmuş, ekip yönetmiş, İstanbul'da" gibi bir tarifi, o kelimeler profilde geçmese bile eşleştirebiliyor.
Pratik kazanç: aranacak havuz genişliyor ve daha az "boolean ustası" olmak gerekiyor.
Sınırı: Bulunan aday sayısı artınca değerlendirme yükü de artıyor. Kötü tanımlanmış bir arama, yapay zekayla daha çok alakasız sonuç üretir — az değil.
Adım 2 — Değerlendirmek
Burada durum karışık.
İyi çalıştığı yer: Kaba eleme. Deneyim süresi, sektör geçmişi, teknoloji yığını, coğrafi uygunluk gibi nesnel kriterlerde makul iş çıkarıyor. 200 profili 30'a indirmek için yeterli.
Zayıf kaldığı yer: İnce eleme. Bu kişi bizim ekip yapımıza uyar mı, bu geçiş onun kariyerinde mantıklı bir adım mı, şu anda hareket etmeye açık mı — bunlar profilde yazmaz ve model bunları tahmin ettiğini iddia ediyorsa temkinli olmak gerekir.
Genel kural olarak faydalı bir ayrım: yapay zeka kimin uygun olabileceğini daraltmakta iyi, kimin başarılı olacağını söylemekte değil.
Adım 3 — İlgisini çekmek
Burada en çok abartı var.
Otomatik kişiselleştirilmiş mesaj üretimi teknik olarak kolay ve sonuç genelde kötü. Sebebi şu: iyi bir sourcing mesajı, adayın profilinden çıkarılan yüzeysel bir ayrıntıyı tekrarlamaz. Neden özellikle o kişiyi aradığınızı ve onun için neden mantıklı olduğunu söyler. Bu, sizin pozisyon hakkındaki bilginizi gerektirir.
"Gördüğüm kadarıyla React ile ilgileniyorsunuz" diye başlayan bir mesaj, kişiselleştirilmiş görünür ama şablon olduğu belli olur — ve pasif adaylar bu mesajlardan haftada onlarca alıyor.
Yapay zekanın gerçekten yardımcı olduğu yer: taslak hazırlamak, farklı varyantları test etmek, takip mesajlarını zamanlamak. Mesajın özünü yazmak hâlâ insan işi.
Ölçmeye değer üç metrik
Sourcing'de en sık yapılan hata, ulaşılan aday sayısını başarı saymak. Anlamlı olan üç sayı var:
Yanıt oranı. Mesaj gönderilen adaylardan kaçı cevap veriyor? Bu, mesaj kalitesinin doğrudan ölçüsü. Otomatik üretilen mesajlarda bu oran genelde düşer, hacim artsa bile.
Görüşmeye dönüşüm. Cevap verenlerden kaçı gerçekten görüşmeye geliyor? Hedeflemenizin doğruluğunu gösterir.
Havuz tekrar kullanımı. Bir kez bulduğunuz adaya altı ay sonra tekrar ulaşabiliyor musunuz? Sourcing'in en pahalı kısmı bulmaktır; bulduğunuzu kaybetmek en büyük israftır.
Üçüncüsü genelde hiç ölçülmez ve en yüksek getirili olanıdır.
KVKK tarafı
Pasif aday bulmada aday size başvurmuyor. Bu, veriyi hangi dayanakla işlediğiniz sorusunu daha görünür hâle getiriyor.
Pratikte dikkat edilecekler: kamuya açık kaynaklardan veri toplamak otomatik olarak serbest değildir; adaya ilk temasta verisini nereden aldığınızı ve neden işlediğinizi açıklamanız beklenir; ilgilenmediğini söyleyen adayın verisini havuzda tutmak için ayrı bir dayanağınız olması gerekir.
Bunların hepsi yapılabilir şeyler, ama sonradan değil baştan kurulmaları gerekir.
Özet
Yapay zeka sourcing'de arama adımını gerçekten dönüştürüyor, eleme adımında kısmen yardımcı oluyor, ilgi çekme adımında ise iyi bir yardımcı ama kötü bir vekil.
Bir araç size üçünü birden otomatikleştirdiğini söylüyorsa, en çok üçüncü iddiayı sorgulayın — yanıt oranınızı ölçerek.
Headhunting firmalarının yazılım seçiminde nelere bakması gerektiğini ayrı bir yazıda ele aldık.