İş Piyasasını Okuyan Müfredat: Yapay Zeka Eğitim Kataloğundaki Beceri Açığını Görebilir mi?
Çoğu eğitim kataloğu yılda bir kez, bir komite masasında güncellenir; iş piyasası ise her ay yeni beceriler talep eder. Yeni bir çalışma, iş ilanlarıyla müfredatı sürekli karşılaştırıp açıkları gösteren bir yapay zeka prototipi tanıtıyor. Fikir güçlü, ama yazarların kendi uyarısıyla henüz bir pilot. Kurumsal akademiler için çıkarımı yine de net.
Emirhan Işık 
Kurumsal eğitim ve yükseköğretimin sessiz açmazı hep aynı ritimde tekrar eder. Katalog yılda bir kez, çoğu zaman bir komite masasında güncellenir. İş piyasası ise böyle çalışmaz; talep ettiği beceriler aylar içinde yer değiştirir. Bir müfredat "yeni" ilan edildiğinde, dayandığı iş ilanları çoktan eskimiş olabilir. Peki bu boşluğu sürekli izleyen, hatta kapatmayı öneren bir sistem kurulabilir mi?
Discover Education dergisinde 10 Eylül 2026'da yayımlanan bir çalışma tam bu soruyu kurcalıyor. Araştırmacılar CurriculumCatalyst adını verdikleri bir prototip geliştirmiş: Doğal dil işleme (NLP) ve bilgi-getirmeli üretimi (RAG) birleştirerek, akademik programları iş piyasasının sinyalleriyle düzenli biçimde hizalamayı amaçlayan bir çerçeve.
Nasıl çalışıyor?
Sistem iki ayrı metin havuzunu yan yana koyuyor: Bir tarafta kamuya açık iş ilanları ve istihdam veritabanlarından çekilen bir iş-piyasası korpusu, diğer tarafta program belgeleri ve ders izlencelerinden oluşan bir akademik korpus. Uçtan uca boru hattı şu dört adımda ilerliyor:
| Adım | Ne yapıyor |
|---|---|
| 1. Sinyal çıkarımı | İş ilanlarından yapılandırılmış beceri sinyalleri ayıklıyor |
| 2. Anlamsal hizalama | Müfredat ile piyasa temsillerini anlamsal olarak eşleştiriyor |
| 3. Açık ölçümü | Beceri kapsama açıklarını nicel olarak hesaplıyor |
| 4. Taslak üretimi | Kurumsal kısıtlara uygun modül taslakları, öğrenme hedefleri, okuma listeleri ve değerlendirme soruları öneriyor |
Yani sistem yalnızca "şurada açık var" demekle kalmıyor, o açığı kapatacak ders iskeletini de taslak hâlinde önüne koyuyor. Fikrin cazibesi burada: Statik bir denetim aracı değil, sürekli çalışan bir hizalama motoru.
Pilot ne gösterdi?
İlk denemede prototip, teknoloji ağırlıklı bazı konularda dikkat çekici bir tablo çıkardı. Yapay zeka programlama, bulut bilişim ve veri analitiği gibi alanlarda, piyasanın talep ettiği becerilerin yüzde 20'nin üzerindeki bir bölümünün mevcut müfredatta karşılığının bulunmadığını işaret etti. Kulağa çarpıcı geliyor, ama burada durup bir parantez açmak şart. Yazarların kendisi bu rakamı, genellenebilir bir ölçüm olarak değil, prototipin teşhis kabiliyetinin bir göstergesi olarak sunuyor. Aşağıdaki uyarı bölümü bu ayrımı önemsiyor.
Kurumsal akademiler için asıl mesaj
Bu çalışmanın kıymeti, üniversiteler kadar şirket akademilerini de ilgilendiriyor. Pek çok kurumsal akademi, eğitim kataloğunu yıllık bir tören gibi günceller: Yılın belirli bir ayında toplanılır, birkaç başlık eklenir, katalog "yenilenmiş" sayılır. Oysa becerinin yarı ömrü kısaldıkça bu ritim yetersiz kalıyor. CurriculumCatalyst'in önerdiği mantık, kataloğu canlı bir belgeye dönüştürmek: İş ilanları, rol tanımları ve iç performans verileriyle sürekli beslenen bir açık-tespit döngüsü.
Bu bakış, geçen dönem konuştuğumuz beceri talebi tartışmasının doğrudan devamı. Etkili kurumsal eğitim programları tasarlarken kataloğun neyi kaçırdığını görmek, beceriye dayalı eğitimin hedefini isabetli tutmanın ön koşulu. 2026'da öne çıkan yapay zeka becerileri gibi hızlı değişen alanlarda ise açığın kendisi aylar içinde büyüyebiliyor.
Kural motoru olmadan da uygulanabilir bir disiplin
Prototip akademik bir çalışma olsa da mantığı bugün elle işletilebilir. Bir kurumsal akademi için hafif bir sürüm şöyle kurulabilir:
- Sinyali topla: Kurumun açtığı ilanları ve rol tanımlarını düzenli olarak tarayıp talep edilen becerileri listeleyin.
- Katalogla karşılaştır: Bu listeyi mevcut eğitim başlıklarıyla yan yana koyup nerede karşılık olmadığını işaretleyin.
- Önceliklendir: En büyük ve en hızlı büyüyen açıkları bir sonraki dönemin eğitim planına taşıyın.
Yapay zeka bu döngüyü hızlandırır, ama döngünün kendisi bir araçtan değil, bir alışkanlıktan ibaret.
Peki müfredatı tümüyle yapay zekaya bırakabilir miyiz?
Buradan cazip ama yanıltıcı bir sonuç çıkarmak kolay: Madem sistem açığı buluyor ve ders taslağını da yazıyor, o hâlde işi tümüyle ona devredelim. Oysa çalışmanın kendi kurgusu bile bunun tersini söylüyor. Sistem piyasadan gelen sinyali okuyor, ama o sinyalin eğitimsel olarak ne anlama geldiğine, hangi becerinin bir modülü hak ettiğine, neyin geçici bir moda neyin kalıcı bir yetkinlik olduğuna karar vermek pedagojik bir yargı işi. Bir iş ilanında geçen her araç adı, kataloğa bir ders olarak girmeyi hak etmez.
Doğru rol paylaşımı şöyle kurulmalı: Yapay zeka tarama, karşılaştırma ve taslak üretme gibi ölçeklenebilir işleri üstlensin; hangi açığın gerçekten önemli olduğu ve nasıl öğretileceği kararı eğitim tasarımcısında kalsın. Bu, aslında iyi öğrenenlerin yapay zekayla kurduğu ilişkinin kurumsal ölçekteki karşılığı. Aracı bir asistan gibi kullanıp son sözü kendinde tutmak, bir motoru danışman olarak görüp otorite yerine koymamak. Beceri açığını gören bir sistem değerli; ama o açığı hangi sırayla, hangi derinlikte ve kimin için kapatacağına karar veren hâlâ insan olmalı.
Bir uyarı payı
Çalışmayı olduğundan büyük göstermemek adına yazarların kendi çekincelerini aynen aktarmak gerekir. Bu bir ön ve keşifsel değerlendirme, doğrulayıcı bir ampirik çalışma değil. Denemede insan denekler, uzman değerlendiriciler ya da karşılaştırmalı bir kıyas ölçütü kullanılmadı ve tüm çalışma bir pilot korpus üzerinde yürütüldü. Dolayısıyla o yüzde 20'nin üzerindeki açık rakamı, tüm sektöre genellenebilecek bir tahmin değil; yalnızca prototipin ne tür açıkları yakalayabildiğini gösteren bir işaret. Katkı, kesin bir rakamdan çok, yöntemin kendisinde.
Yine de yön nettir. Beceri talebinin bu kadar hızlı değiştiği bir dönemde, kataloğu yılda bir güncellemek giderek lüks bir ihmale dönüşüyor. Bu tür motorlar bugün henüz prototip olabilir; ama işaret ettikleri gelecek, müfredatı bir kez yazılıp rafa kaldırılan bir belge değil, piyasayı sürekli dinleyen canlı bir sistem olarak görmek zorunda kalacağımız bir gelecek.
Sıkça Sorulan Sorular
CurriculumCatalyst kullanıma hazır bir ürün mü?
Hayır. Akademik bir prototip ve yazarların ifadesiyle ön/keşifsel aşamada. Ticari bir yazılım değil; değerli olan, ortaya koyduğu yöntem ve yaklaşım.
"Yüzde 20'nin üzerinde açık" rakamı sektörün geneli için geçerli mi?
Değil. Bu, tek bir pilot korpusta çıkan bir sonuç ve yazarlar bunu genellenebilir bir tahmin olarak sunmadıklarını açıkça belirtiyor. Rakamı, prototipin açıkları tespit edebildiğinin bir göstergesi olarak okumak doğru olur.
NLP ve RAG bu işte ne yapıyor?
NLP (doğal dil işleme) iş ilanları ve izlence gibi serbest metinlerden yapılandırılmış beceri bilgisi çıkarır. RAG (bilgi-getirmeli üretim) ise bu belgelere dayanarak, uydurmadan, kaynağa bağlı taslaklar üretmeyi sağlar.
Kurumsal akademiler bunu yapay zeka olmadan uygulayabilir mi?
Evet, daha yavaş bir sürümünü. İş ilanlarından beceri listesi çıkarmak, kataloğla karşılaştırmak ve açıkları önceliklendirmek bir alışkanlık meselesi. Yapay zeka yalnızca bu döngüyü hızlandırır ve ölçeklendirir.
