Yapay Zeka Mülakatlarında "Beklenti İhlali"

Yapay zeka sesli mülakat sistemleri, adayların zihninde hem büyük bir merak hem de belirli bir çekince yaratıyor. Adaylar genellikle bir bottan çok daha mekanik ve kısıtlı bir etkileşim beklerken, modern Büyük Dil Modelleri (LLM) tabanlı sistemlerin sunduğu akıcılık ve mantıksal yürütme yeteneği karşısında şaşkınlık yaşıyor. Ancak bu teknolojik "sıçrama", beraberinde "beklenti ihlali" olarak adlandırılan ve aday memnuniyetini doğrudan etkileyen yeni dinamikler getiriyor.

Teknik performans ve akışın belirleyici rolü

Adayların mülakat deneyimindeki memnuniyetini belirleyen en kritik faktör, yapay zekanın sunduğu etkileşim seviyesi ve hızı oluyor. Leybzon ve meslektaşları (2025) tarafından yürütülen çalışmada, sistemin ilk aşamalarında yaşanan kekelemeler ve gecikmelerin adaylarda kafa karışıklığına yol açtığı saptanıyor. Adaylar, yapay zekanın kendilerini duyup duymadığından emin olamadıklarında mülakatı yarıda bırakma eğilimi gösteriyor.

Ancak iyileştirmelerle gecikme süreleri azaldığında, adayların mülakatı tamamlama oranları belirgin şekilde yükseliyor. Leybzon ve ekibi (2025), yapay zekanın daha "doğal" ve "anlayışlı" hissedildiği durumlarda adayların %86'sının pozitif bir deneyim bildirdiğini rapor ediyor. Bu durum, teknik kusursuzluğun aday nezdinde "zekice bir sohbet" beklentisini karşılamada ilk şart olduğunu gösteriyor.

Mükemmeliyet baskısı ve "Robotlaşma" hissi

Adayların yapay zekadan en büyük beklentilerinden biri objektiflik olsa da, bu durum bazen psikolojik bir yüke dönüşüyor. Sunil (2024) araştırmasına göre, adaylar yapay zekanın her cevabı çok titiz bir şekilde analiz edeceğini düşündükleri için üzerinde "kusursuz olma" baskısı hissediyor. Bu baskı, adayların doğal davranmak yerine, sistemin sevdiği anahtar kelimeleri kullanmaya çalışmasına ve performans kaygısının artmasına neden oluyor.

Sussex Üniversitesi (2025) raporu, adayların bir botu tatmin etmek için sabit bir bakış, yapay bir gülümseme ve monoton bir ses tonu gibi "robotik davranışlar" sergilemeye zorlandığını vurguluyor. Adaylar, sistemin neyi nasıl puanladığını bilmediklerinde, bu belirsizlik onları duygusal ve bilişsel olarak tüketiyor. Bu durum, teknolojinin sunduğu hızın adayda yarattığı "insanlıktan uzaklaşma" (dehumanization) hissiyle çatışıyor.

Etkileşim kalitesi: Derinlemesine sorgulama ve empati

Yapay zekanın aday tarafından "başarılı" bulunması, sadece soruları sormasına değil, verilen cevaplara nasıl tepki verdiğine bağlı kalıyor. Venkanna ve ekibi (2025), sistemin adayın cevaplarına göre dinamik olarak evrilen takip soruları sormasının (adaptive questioning), gerçek bir mülakat atmosferi yarattığını belirtiyor. Adaylar, yapay zekanın "Anlıyorum, harika bir örnekti" gibi motivasyonel geri bildirimler vermesini, bir duvara konuşma hissini azalttığı için çok değerli buluyor.

Ayrıca adaylar, yapay zekanın ses tonu ve yüz ifadeleri üzerinden sunduğu geri bildirimlerin kendilerini geliştirmelerine yardımcı olduğunu söylüyor. Sahani ve ark. (2025) araştırmasındaki adaylar, gerçek zamanlı geri bildirim mekanizmalarının öz güvenlerini %80 oranında artırdığını ifade ediyor. Ancak bu etkileşim seviyesi beklentinin altında kaldığında, mülakat sadece "sesli bir anket" gibi hissediliyor ve memnuniyet hızla düşüyor.

Veriler gösteriyor ki; adaylar yapay zekadan bir "insan" olmasını değil, "insani standartlarda" bir etkileşim sunmasını bekliyor. Sussex Üniversitesi (2025) toolkit çalışması, "cam kutu" (glass box) yaklaşımının benimsenerek adaylara sistemin neyi ölçtüğünün açıklanmasının bu beklenti çatışmasını çözdüğünü savunuyor.

Adaylar, mülakatın başında yapay zekanın sağladığı hız ve yargılamayan doğadan memnun kalırken, sonunda hala bir insan uzman tarafından değerlendirildiklerini bilmek istiyor. Şirketler için aday memnuniyetini sağlamanın yolu, teknolojiyi sadece bir eleme botu olarak değil, adayı dinleyen ve ona gelişim alanı sunan etkileşimli bir asistan olarak kurgulamaktan geçiyor.

Kaynakça

• Jaser, Z., et al. (2025). Artificial Intelligence (AI) in the job interview process: Toolkit for employers, careers advisers and hiring platforms. University of Sussex.
• Leybzon, D. D., et al. (2025). AI Telephone Surveying: Automating Quantitative Data Collection with an AI Interviewer. VKL Research & SSRS.
• Sahani, K. K., et al. (2025). A smart interview simulator using AI avatars and real-time feedback mechanisms. International Journal of Engineering Technologies and Management Research.
• Sahu, A., et al. (2025). AI Interviewer Using Generative AI. ICAAAI 2025 Proceedings.
• Sunil, A. (2024). Exploring Job Applicants' Perspectives on Ai-Driven Interviews: The Influence on Stress and Anxiety Levels Due to Perceived Expectations of Perfection. IJAEM.
• Venkanna, G., et al. (2025). AI Interview Simulator: An Intelligent Hiring & Preparation Assistant. ICCSCE 2025 Proceedings.
• Jagtap, S. R., et al. (2025). AI-Driven Real-Time Interview Simulation App with Voice Recognition and Facial Analysis. Indian Journal of Science and Technology.
• Dijkkamp, J. (2019). The recruiter of the future, a qualitative study in AI supported recruitment process. University of Twente.
• Barari, S., et al. (2025). AI-Assisted Conversational Interviewing: Effects on Data Quality and User Experience. NORC at the University of Chicago.