Amazon Yapay Zeka Sistemine Çalışanlar Neden Güvenmiyor?

Amazon'un depolarda çalışan dağılımını otomatikleştirmek için test ettiği sistem, bazı yöneticilerin algoritmanın önerilerini değiştirmesiyle yeni bir tartışma başlattı. Şirket, çalışanların hangi bölümlerde görevlendirileceğini gerçek zamanlı verilerle belirlemeye çalışıyor. Ancak yöneticiler, yazılımın sahadaki değişkenleri her zaman doğru okuyamadığını düşünüyor. Sorunun merkezinde yalnızca yapay zekanın verdiği kararlar yok. Asıl mesele, Amazon depolarındaki yöneticilerin bu kararlara ne kadar güveneceği.

Business Insider'ın şirket içi belgeler ve Slack yazışmalarına dayandırdığı haberine göre bazı yöneticiler otomatik çalışan planlama önerilerini tekrar tekrar geçersiz kıldı, bazı otomatik özelliklerin kapatılmasını istedi. Amazon ise sistemlerin pilot aşamada olduğunu ve yöneticilerin yerini almak yerine karar vermelerine yardımcı olmak amacıyla kullanıldığını belirtiyor.

Amazon Yapay Zeka Sistemi Depolarda Ne yapıyor?

Amazon'un üzerinde çalıştığı sistem, depo içinde çalışanların değişen iş yüküne göre yeniden dağıtılmasını otomatikleştirmeye odaklanıyor. Bunun arkasındaki fikir oldukça net: Bir bölümde iş yükü artıyorsa daha fazla çalışan oraya yönlendirilmeli, başka bir bölümde ihtiyaç düşüyorsa personel farklı bir göreve kaydırılmalı. Bu yaklaşım Amazon için yeni değil. Şirketin lojistik operasyonlarında otomasyon, makine öğrenmesi ve robotik sistemler uzun süredir kullanılıyor. Yeni aşamada ise otomasyonun yalnızca paketleri değil, çalışanların hareketini de optimize etmesi hedefleniyor.

Çalışanlar Neden Farklı Bölümlere Yeniden Dağıtılıyor?

Amazon depolarında iş yükü gün boyunca sabit kalmıyor. Paket hacmi, işlem yoğunluğu ve operasyonel ihtiyaçlar değiştikçe belirli alanlarda daha fazla personele ihtiyaç duyulabiliyor.

Business Insider'ın haziran ayında aktardığı Full Facility Load Balancing (FFLB) sistemi tam olarak bu problemi çözmeye çalışıyor. Sistem, paket hacimleri ve iş yükü tahminlerini kullanarak yaklaşık üç dakikada bir personel ihtiyacını yeniden hesaplayabiliyor ve çalışanların farklı alanlara aktarılmasını önerebiliyor.

Bu yaklaşımın Amazon açısından ekonomik tarafı da var. Şirketin iç modellemelerinde FFLB'nin yıllık yaklaşık 193 milyon dolarlık potansiyel tasarruf ve yaklaşık 7 milyon çalışma saatinde azalma sağlayabileceği hesaplandı. Ancak bunlar gerçekleşmiş sonuçlar değil; Amazon'un modellemelerine dayanan potansiyel kazanımlar.

Amazon Neden Çalışan Planlamasını Yapay Zekaya Bırakmak İstiyor?

Depo yöneticilerinin her gün yaptığı çalışan dağılımı, büyük operasyonlarda ciddi miktarda zaman ve koordinasyon gerektiriyor. Amazon'un kendi AWS ekibinin yayımladığı bir vaka çalışması, Kuzey Amerika'daki 100'den fazla orta mesafe ayrıştırma merkezinde 100 binden fazla çalışan için iş gücü planlamasının yapıldığını belirtiyor.

Şirket, otomatik bir planlama platformuyla daha önce haftada yaklaşık 28 saat süren manuel bir planlama sürecini otomatikleştirdiğini söylüyor. FFLB ise bundan farklı bir seviyeye odaklanıyor: Çalışanların gün içinde nerede bulunması gerektiği.

193 Milyon Dolarlık tasarruf Hesabı Ne Anlama Geliyor?

193 milyon dolar, Amazon'un kasasına girmiş bir para değil. Business Insider'ın incelediği şirket içi modellemelerde hesaplanan potansiyel yıllık tasarruf. Benzer şekilde yaklaşık 7 milyon saatlik azalma da gerçekleşmiş bir çalışma süresi kaybı değil, sistemin hedeflediği veya modellediği potansiyel verimlilik. Bu ayrım önemli çünkü sistemin gerçek hayattaki başarısı, algoritmanın simülasyonda ne kadar iyi çalıştığından daha farklı olabilir.

Yöneticiler Amazon AI Sistemine Neden Müdahale Ediyor?

Bazı yöneticiler algoritmanın önerdiği çalışan sayısını yetersiz buluyor. Business Insider'ın aktardığı iç yazışmalarda yöneticilerin kendi bölgelerinde daha fazla personel tutmak istediği, bazı otomatik kontrollerin kapatılmasını talep ettiği ve önerileri manuel olarak değiştirdiği görülüyor. Bir yönetici, erken aşamadaki zorunlu uygulama testlerinden birinin ardından sistemin kapatılmasını istedi. Amazon'un bakış açısıyla bu davranış, otomasyonun beklenen verimliliği üretmesini engelleyebilir. Yöneticilerin bakış açısıyla ise algoritmanın kaçırdığı operasyonel ayrıntılar olabilir.

Algoritmanın Görmediği Saha Bilgisi

Bir algoritma paket hacmini, işlem sürelerini ve çalışan sayısını analiz edebilir. Fakat bir yöneticinin sahada bildiği her şeyi aynı kolaylıkla veri haline getirmek mümkün değil. Bir bölümdeki yoğunluk birkaç dakika sonra artabilir. Belirli bir çalışan belirli bir görevde daha deneyimli olabilir. Bir istasyonda kısa süreli yavaşlama yaşanırken başka bir operasyon acil destek bekliyor olabilir. Yöneticilerin itirazlarının önemli bölümü bu tür bağlam farklarından kaynaklanıyor.

Yapay Zeka Depo Operasyonlarındaki Bağlamı Neden Kaçırıyor?

Amazon'un yaşadığı problem aslında yalnızca Amazon'a özgü değil. Yapay zekanın gerçek dünyadaki operasyonlarda karşılaştığı temel sorunlardan biri, ölçülebilen veriler ile sahadaki bağlam arasındaki fark. Bir modelin elindeki veri ne kadar kapsamlı olursa olsun, sisteme aktarılmayan bir bilgi karar mekanizmasına dahil olamıyor.

Çalışanların Farklı Yetenekleri Neden Önemli?

İki çalışanın aynı görev için aynı kapasiteye sahip olduğunu varsaymak kolay, fakat gerçek operasyonlarda durum bundan daha karmaşık. Deneyim, görev bilgisi ve belirli istasyonlara aşinalık performansı değiştirebilir. İnsan yöneticiler bu bilgiyi günlük çalışma sırasında gözlemleyebilir. Algoritmanın ise bu bilgiyi kullanabilmesi için ölçülebilir ve güvenilir biçimde sisteme aktarılması gerekir. İşte AI çalışan yönetimi tartışmasının kritik noktası burada. Amaç sadece "kaç kişi nerede olmalı?" sorusuna cevap vermek değil. "Hangi çalışan hangi görevde daha etkili olur?" sorusunun da doğru biçimde modellenmesi gerekiyor.

Amazon'un Çalışan Planlama Sistemi Nasıl Çalışıyor?

FFLB'nin çalışma mantığında gerçek zamanlı operasyon verileri önemli bir rol oynuyor. Sistem, tesis genelindeki iş yükünü ve paket hacmini değerlendirerek hangi bölümlerde daha fazla veya daha az çalışana ihtiyaç olduğunu hesaplıyor.

Business Insider'ın aktardığı belgelere göre sistem yaklaşık üç dakikalık aralıklarla personel gereksinimlerini yeniden hesaplayabiliyor. Böylece çalışanların yoğunluğun değiştiği bölümlere aktarılması hedefleniyor. Bu model kağıt üzerinde mantıklı görünüyor. Sorun, gerçek depoların kağıt üzerindeki kadar düzenli çalışmaması.

Bir algoritmanın üç dakika önce doğru olan kararı, üç dakika sonra yeni koşullar nedeniyle yeniden değerlendirmesi gerekebilir. Aynı durum insan yöneticiler için de geçerli. Fark, yöneticinin bazı değişimleri henüz veri sistemlerine yansımadan fark edebilmesi.

Amazon Yapay Zeka Yatırımlarında İnsan Faktörü Neden Önemli?

Amazon Science'ın 2026 tarihli araştırmasında, yarı otomatik depo ayrıştırma sistemlerinde gerçek zamanlı çalışan planlaması için offline reinforcement learning ve LLM tabanlı yaklaşımlar inceleniyor. Transformer tabanlı bir model, geçmiş operasyon verileriyle eğitilerek simülasyonlarda tarihsel baz çizgiye göre yüzde 2,4'lük throughput artışı sağladı. LLM yaklaşımında ise insan tarafından okunabilir operasyonel bilgiler ve yönetici tercihleri üzerinde çalışılıyor.

Human-in-the-loop Yaklaşımı Ne Anlama Geliyor?

Amazon Science araştırmasının dikkat çekici taraflarından biri, yöneticilerin tamamen sistemin dışında bırakılmaması. Araştırmacılar LLM'lerin insan tarafından okunabilir operasyonel özetlerle çalışabileceğini ve yönetici tercihlerini geri bildirim döngüsüne dahil edebileceğini inceliyor. Yani hedef yalnızca "insanı çıkar, algoritmayı koy" yaklaşımı değil.

Bu açıdan Amazon'un kendi araştırması ile depolardaki mevcut tartışma arasında ilginç bir bağlantı var: Sistem sahadaki insan bilgisini ne kadar iyi kullanırsa, yöneticinin algoritmayı tamamen geçersiz kılma ihtiyacı da teorik olarak azalabilir.

Algoritma mı, Depo Yöneticisi mi Daha Doğru Karar veriyor?

Bu sorunun tek bir cevabı yok. Algoritmanın avantajı, çok büyük miktarda veriyi sürekli analiz edebilmesi. İnsan yöneticinin avantajı ise ölçülmesi zor operasyonel bilgiyi kullanabilmesi. Amazon'un sorunu da tam burada ortaya çıkıyor. Şirket vaka . istiyor; bazı yöneticiler ise kendi saha deneyimlerinin hâlâ daha güvenilir olduğunu düşünüyor.

Business Insider'ın aktardığı şirket içi belgelerde Amazon, yöneticilerin sistemi geçersiz kılmasını otomasyonun daha sıkı uygulanması gerektiğine ilişkin bir işaret olarak değerlendiriyor. Şirketin 2026 hedefleri arasında manuel iş gücü planlama müdahalelerini azaltmak bulunuyor. Amazon ise FFLB'nin yöneticilerin yerini almak için değil, değişen koşullara daha hızlı tepki vermelerini sağlamak için tasarlandığını söylüyor.

Amazon'un AI Araştırmaları Bu Sorun Hakkında Ne Söylüyor?

Amazon'un araştırma tarafında geliştirilen yaklaşım, iş gücü planlamasının basit bir otomasyon görevi olmadığını gösteriyor.

Offline reinforcement learning gibi yöntemler geçmiş operasyonlardan öğrenerek belirli görevlerde verimliliği artırmaya çalışırken, LLM'ler daha yüksek seviyeli ve insan tarafından okunabilir operasyon bilgileri üzerinden karar vermeye aday olarak değerlendiriliyor. Amazon Science araştırması, iki yaklaşımın farklı avantajları olduğunu ortaya koyuyor. Bu çalışma aynı zamanda Amazon'un çalışan planlamasında insan-AI iş birliğini tamamen gözden çıkarmadığını gösteren önemli bir birincil kaynak.

Amazon'un Yapay Zeka Planında Sırada Ne Var?

Amazon'un önündeki mesele yalnızca algoritmayı daha doğru hale getirmek değil. Sistem ile yöneticinin hangi noktada karar paylaşacağı da belirlenmek zorunda.

Daha sıkı otomasyon kontrolleri, algoritmanın önerilerinin uygulanmasını artırabilir. Fakat sistemin yanlış veya eksik değerlendirdiği bir durumda insan müdahalesinin sınırlandırılması yeni operasyonel riskler yaratabilir.

Bu yüzden Amazon'un önündeki en zor problem teknik olmaktan çok yönetsel olabilir: Algoritmanın güçlü olduğu veri analizini, yöneticinin güçlü olduğu saha bilgisinden nasıl ayırmadan kullanacaksınız?

Amazon'un 2026 araştırması bu soruya insan geri bildirimini sisteme dahil ederek yaklaşırken, şirket içindeki uygulama planları daha fazla otomasyon ve daha az manuel müdahaleye işaret ediyor.

Amazon AI Çalışanların Yerini mi Alacak?

Bu haber özelindeki sistemin doğrudan amacı çalışanların tamamının yerine geçmek değil. FFLB'nin hedefi, mevcut çalışanların depo içinde nasıl dağıtılacağını otomatikleştirmek.

Amazon'un diğer operasyon teknolojileri de benzer şekilde çalışanlarla birlikte çalışacak biçimde konumlandırılıyor. Şirket, Blue Jay ve Project Eluna'yı 2025'te çalışanların tekrarlayan görevlerini azaltmak ve operasyonel kararları desteklemek amacıyla tanıtmıştı. Amazon, Şubat 2026'da Blue Jay'i operasyonlarda kullanmayı bıraktığını ancak projede geliştirilen teknolojinin çalışanları desteklemeye devam edeceğini açıkladı.

Amazon örneği, iş gücünde yapay zeka kullanımının yalnızca "insanın yerine makine" denkleminden ibaret olmadığını gösteriyor. Asıl mesele, algoritmanın verdiği kararın sahadaki insan tarafından ne kadar güvenilir ve uygulanabilir bulunduğu.