Kurumsal AI Eğitimi Teknik Şartnamesi Nasıl Hazırlanır? (Şablonlu Rehber)

AI eğitimi teknik şartnamesi nasıl hazırlanır? Bir ai eğitimi teknik şartnamesi, bir kurumun yapay zeka eğitimi tedarik ederken tedarikçilerden ne beklediğini madde madde tanımlayan resmi bir dokümandır (RFP); sağlam bir şartname, amaç ve kapsamdan öğrenme çıktılarına, eğitmen niteliklerinden KVKK'ya kadar on iki bileşeni ölçülebilir biçimde içerir. Bu şartname, eğitim gibi sözleşme öncesi görülemeyen soyut bir hizmeti, tedarikçilerin aynı zeminde teklif verdiği ve kurumun nesnel biçimde karşılaştırabildiği somut bir talebe dönüştürür.

Kurumsal eğitim satın alan pek çok yönetici aynı hayal kırıklığını yaşar: parlak bir sunumla seçilen tedarikçi, eğitim bittiğinde beklenen davranış değişikliğini yaratmaz. Bunun kök nedeni neredeyse her zaman aynıdır — talep, en baştan yeterince net yazılmamıştır. İyi hazırlanmış bir ai eğitimi teknik şartnamesi tam olarak bu boşluğu doldurur: neyin, kim için, hangi çıktılarla, nasıl ölçülerek ve hangi koşullarla teslim edileceğini önceden yazıya döker. Bu rehber, bir yönetim danışmanı titizliğiyle, sıfırdan güçlü bir ai eğitimi teknik şartnamesi hazırlamanın her adımını ele alıyor: şartnamenin amacı ve önemi, on iki bileşenin madde madde açılımı, tedarikçi değerlendirme puanlama tablosu, kopyalanabilir örnek şablon, Türkiye ve KVKK bağlamı, rol/sektör örnekleri, uygulama kontrol listesi, yaygın hatalar ve baştan sona bir tedarik süreci.

Tanım

AI Eğitimi Teknik Şartnamesi (RFP)

Bir kurumun yapay zeka eğitimi tedarik ederken tedarikçilerden beklediklerini madde madde tanımlayan resmi tedarik dokümanı. Şartname; amaç ve kapsam, hedef kitle ve ön koşullar, müfredat, öğrenme çıktıları, süre ve format, materyal ve platform, ölçme-değerlendirme, eğitmen nitelikleri, referans şartı, fiyatlandırma yapısı, teslim/lojistik ve fikri mülkiyet/gizlilik/KVKK bileşenlerini içerir; ölçülebilir kabul kriterleri ve bir tedarikçi puanlama tablosuyla birlikte öznel bir satın almayı nesnel bir değerlendirme sürecine dönüştürür.

Ayrıca: yapay zeka eğitimi şartnamesi, eğitim RFP, teknik şartname, eğitim tedarik dokümanı

Yapay zeka eğitimi, kurumların bugün en çok satın aldığı ama en kötü tanımladığı hizmetlerden biridir. Bir yazılım lisansı satın alırken özelliklerini madde madde karşılaştırırsınız; bir donanım alırken teknik spesifikasyonlarına bakarsınız. Oysa eğitim, sözleşmeyi imzalayana ve hatta eğitim bitene kadar "kalitesi görülemeyen" bir hizmettir. İşte bu görülemezlik, bir ai eğitimi teknik şartnamesini kritik yapar: şartname, satın almadan önce beklentiyi somutlaştırarak bu belirsizliği yönetir.

Birinci neden, karşılaştırılabilirliktir. Şartname olmadan üç tedarikçiden teklif istediğinizde, her biri kendi formatında, kendi vurguladığı yönleri öne çıkaran, birbiriyle kıyaslanması imkânsız teklifler gönderir. Biri eğitmen deneyimini anlatır, diğeri fiyatı öne çıkarır, üçüncüsü uzun bir konu listesi verir. Ortak bir şartname, hepsini aynı sorulara aynı formatta cevap vermeye zorlar; böylece teklifleri elmalarla elmalar biçiminde karşılaştırabilirsiniz. Bu, tedarik sürecinin temelidir.

İkinci neden, hesap verebilirliktir. Kurumsal bir satın almada "neden bu tedarikçiyi seçtik?" sorusuna belgeye dayalı cevap verebilmek gerekir — özellikle kamu kurumlarında, düzenlenmiş sektörlerde ve iç denetimi güçlü şirketlerde. İyi yazılmış bir ai eğitimi teknik şartnamesi ve ona bağlı bir puanlama tablosu, kararı kişisel tercihten çıkarır ve savunulabilir kılar. Değerlendirme kriterleri önceden tanımlandığında, seçim öznel bir izlenim değil, nesnel bir sonuç olur.

Üçüncü neden, beklenti hizalamasıdır. Eğitim tedarikinde en yaygın anlaşmazlık, "biz bunu beklemiyorduk" cümlesiyle başlar. Kurum, ekibinin gerçek yapay zeka projeleri üretebilir hâle gelmesini beklerken, tedarikçi genel bir farkındalık semineri sunmuş olabilir. Bu uçurum, kapsam ve öğrenme çıktıları baştan net yazılmadığında kaçınılmazdır. Şartname, iki tarafın da aynı sonucu hayal etmesini sağlayan bir sözleşme öncesi hizalama aracıdır. Yapay zeka eğitiminin kurum içinde ne anlama geldiğini daha geniş çerçevede görmek için kurumsal yapay zeka eğitimi nedir rehberi iyi bir başlangıçtır.

Dördüncü ve en az konuşulan neden, riski önden yönetmektir. Bir eğitim, kurumun gerçek verisine dokunabilir, katılımcıların kişisel verisini işler, kuruma özel materyaller üretir ve stratejik bilgiye erişebilir. Bu risklerin — KVKK uyumu, fikri mülkiyet, gizlilik — sözleşme sonrası değil, şartname aşamasında ele alınması gerekir. Şartnameyi atlayıp doğrudan bir teklif kabul etmek, bu riskleri görünmez ve yönetilemez bırakır. Bu anlamda ai eğitimi teknik şartnamesi yalnızca bir satın alma aracı değil, aynı zamanda bir risk yönetimi aracıdır.

Beşinci neden, ölçeklenebilirlik ve kurumsal hafızadır. Bir kurum ilk yapay zeka eğitimini şartnamesiz, ad hoc biçimde satın alabilir; ama ikinci, üçüncü ve onuncu eğitimde bu yaklaşım sürdürülemez hâle gelir. İyi yapılandırılmış bir ai eğitimi teknik şartnamesi şablonu, kurumun her yeni eğitim tedarikinde sıfırdan başlamamasını sağlar: bir kez kurulan şablon, bağlama göre uyarlanarak defalarca kullanılır ve her kullanımda biraz daha iyileşir. Bu, tedarik sürecini kişilere bağlı bir sanattan, kurumsallaşmış bir yetkinliğe dönüştürür. Şartnameyi bir kez doğru kurmak, gelecekteki onlarca tedarikin zeminini hazırlar; bu yüzden ilk şartnameye yapılan yatırım, tek bir eğitimin çok ötesinde bir getiri üretir.

Sağlam bir ai eğitimi teknik şartnamesi on iki bileşenden oluşur. Bu bileşenlerin her biri, tedarik sürecinde belirli bir belirsizliği kapatır; biri eksik kaldığında o boşluk ya öznel yoruma ya da sonradan anlaşmazlığa dönüşür. Aşağıda önce bileşenlerin tamamına kuşbakışı bakıyor, ardından her birini ayrı bir başlıkta madde madde açıyoruz.

AI eğitimi teknik şartnamesinin on iki bileşeni ve amacı

Bileşen	Neyi tanımlar	Eksikse riski
1. Amaç ve kapsam	Eğitimin iş hedefi ve sınırları	Belirsiz kapsam, kontrolsüz büyüme
2. Hedef kitle ve ön koşullar	Kim, hangi ön bilgiyle katılacak	Seviye uyumsuzluğu, boşa geçen eğitim
3. Müfredat/içerik	İşlenecek konular ve derinlik	Yüzeysel veya alakasız içerik
4. Öğrenme çıktıları	Katılımcının ne yapabilir olacağı	Ölçülemeyen başarı
5. Süre ve format	Toplam saat, online/yüz yüze	Yetersiz veya verimsiz zaman
6. Materyal ve platform	Sunum, uygulama, LMS erişimi	Pekiştirme ve tekrar imkânsız
7. Ölçme-değerlendirme	Başarının nasıl ölçüleceği	Kanıtsız 'başarılı oldu' iddiası
8. Eğitmen nitelikleri	Eğitmenin deneyim ve uzmanlığı	Teorik ama pratiksiz eğitmen
9. Referans şartı	Benzer geçmiş işler	Kanıtsız yetkinlik iddiası
10. Fiyatlandırma yapısı	Neyin ne kadara dahil olduğu	Gizli maliyet, sürpriz fatura
11. Teslim ve lojistik	Yer, zaman, takvim, destek	Koordinasyon kaosu
12. Fikri mülkiyet/KVKK	Telif, gizlilik, veri koruması	Yasal risk ve bilgi sızıntısı

Bu on iki bileşen, birbirini besleyen bir zincir oluşturur: amaç kapsamı belirler, kapsam müfredatı, müfredat öğrenme çıktılarını, çıktılar değerlendirmeyi ve değerlendirme kabul kriterlerini. Zincirin bir halkası zayıfsa, tümü zayıflar. Bu yüzden şartnameyi parça parça değil, bütünsel bir mantıkla yazmak gerekir. Şimdi her bileşeni ayrıntısıyla ele alalım.

Bir eğitimin başarısı, çoğu zaman içeriğinden önce doğru kitleye doğru seviyede sunulmasına bağlıdır. Bu yüzden hedef kitle ve ön koşul tanımı, ai eğitimi teknik şartnamesinin en belirleyici bileşenlerinden biridir. Aynı "yapay zeka eğitimi" başlığı, bir üst düzey yönetici için stratejik farkındalık, bir analist için pratik araç kullanımı, bir yazılımcı için teknik derinlik anlamına gelir. Kitleyi tanımlamadan içerik istemek, terzinin ölçü almadan takım dikmesine benzer.

Hedef kitle tanımı üç boyutta yapılmalıdır. Birincisi rol ve fonksiyondur: eğitim yöneticilere mi, orta kademeye mi, teknik ekiplere mi, yoksa tüm çalışanlara mı yönelik? Her rolün ihtiyacı ve dikkat süresi farklıdır. İkincisi mevcut bilgi seviyesidir: katılımcılar yapay zekaya tamamen yabancı mı, temel kavramlara aşina mı, yoksa ileri düzey mi? Bu seviye, yapay zeka okuryazarlığı nedir çerçevesiyle daha net ifade edilebilir. Üçüncüsü grup büyüklüğü ve heterojenlik: 10 kişilik homojen bir uzman grubuyla, 200 kişilik karma bir kitle çok farklı pedagojik yaklaşımlar gerektirir.

Ön koşullar ise katılımcıların eğitime gelmeden önce sahip olması gereken asgari bilgi, beceri veya araç erişimidir. Örneğin uygulamalı bir üretken yapay zeka eğitiminde, katılımcıların bir dizüstü bilgisayara ve belirli araçlara erişimi bir ön koşul olabilir; ileri bir eğitimde temel kavramlara (yapay zeka nedir, makine öğrenmesi nedir) hâkim olmak beklenebilir. Ön koşulları şartnamede belirtmek, hem tedarikçinin içeriği doğru kalibre etmesini hem de kurumun katılımcıları önceden hazırlamasını sağlar.

Hedef kitleyi doğru tanımlamanın pratik bir yolu, kişileştirme (persona) yaklaşımıdır: "Ayşe, pazarlama müdürü, yapay zekayı duymuş ama kullanmamış, günde 20 dakika ayırabilir, hedefi ekibinin içerik üretimini hızlandırmak" gibi somut bir profil, tedarikçiye soyut bir "orta kademe yönetici" ifadesinden çok daha fazlasını anlatır. Şartnamede iki-üç temsili persona tanımlamak, içeriğin gerçek insanlara göre tasarlanmasını sağlar.

Kapsam tanımı, ai eğitimi teknik şartnamesinin belini oluşturan bileşendir; çünkü eğitimin neyi içerdiğini ve — en az onun kadar önemlisi — neyi içermediğini belirler. Belirsiz bırakılan bir kapsam, iki yönlü sorun üretir: tedarikçi ya çok az kapsayıp yüzeysel kalır ya da her şeyi vaat edip hiçbirini derinlemesine işleyemez. Net bir kapsam tanımı, bu iki uçtan da korur.

İyi bir kapsam tanımı üç soruya cevap verir. Birincisi, tematik sınırlar: eğitim genel yapay zeka farkındalığı mı, yoksa üretken yapay zeka araçları, veri okuryazarlığı, yapay zeka yönetişimi gibi belirli bir alt alana mı odaklanacak? İkincisi, derinlik seviyesi: her konu kavramsal olarak mı tanıtılacak, yoksa uygulamalı olarak mı işlenecek? Üçüncüsü, kapsam dışı olanlar: şartnamede "bu eğitim şunları kapsamaz" demek, beklenti hizalamasının en güçlü aracıdır. Kapsam tanımının teknik detaylarını doğru kurmak için, kurum içinde hangi program türünün doğru olduğunu tartışan kurumsal yapay zeka eğitimi program seçimi rehberi tamamlayıcıdır.

Müfredat ise kapsamın modül modül açılmış hâlidir. Şartnamede müfredatı isterken iki yaklaşım vardır. Katı yaklaşımda kurum, modülleri ve konuları tek tek dikte eder; bu, ihtiyaç çok netse iyidir ama tedarikçinin uzmanlığından yararlanmayı engelleyebilir. Esnek yaklaşımda kurum, hedefleri ve öğrenme çıktılarını verir, müfredat tasarımını tedarikçiye bırakır ve teklifleri müfredat kalitesi üzerinden karşılaştırır. Çoğu olgun tedarikte esnek yaklaşım tercih edilir, çünkü iyi bir tedarikçinin pedagojik tasarım katma değerini ortaya çıkarır.

Müfredat isterken dikkat edilecek kritik nokta, "konu listesi" ile "öğrenme yolculuğu" arasındaki farktır. Zayıf bir müfredat, birbiriyle bağlantısız konu başlıklarının listesidir: "1. Yapay zeka tarihi, 2. Makine öğrenmesi, 3. Derin öğrenme..." Güçlü bir müfredat ise bir ilerleme mantığı taşır: her modül bir öncekinin üzerine inşa olur ve katılımcıyı adım adım bir yetkinliğe taşır. Şartnamede tedarikçiden yalnızca konuları değil, konular arasındaki mantıksal akışı ve her modülün hangi öğrenme çıktısına hizmet ettiğini açıklamasını istemek, müfredat kalitesini görünür kılar.

Zayıf kapsam tanımı ile güçlü kapsam tanımı

Boyut	Zayıf tanım	Güçlü tanım
İfade	'Yapay zeka eğitimi istiyoruz'	'Pazarlama ekibi için uygulamalı üretken yapay zeka'
Sınır	Belirsiz	Kapsam içi ve kapsam dışı net
Derinlik	Belirtilmemiş	Kavramsal / uygulamalı ayrımı yapılmış
Müfredat	Konu listesi	Çıktı odaklı öğrenme yolculuğu
Sonuç	Kıyaslanamaz teklifler	Karşılaştırılabilir, hedefe uygun teklifler

Öğrenme çıktıları, bir ai eğitimi teknik şartnamesinin kalbidir; çünkü eğitimin başarısını ölçmenin tek nesnel zeminini oluştururlar. Öğrenme çıktısı, eğitim sonunda katılımcının ne yapabilir hâle geleceğini tanımlar — dikkat edin, "ne öğreneceğini" değil, "ne yapabileceğini". Bu ayrım kritiktir: "yapay zekayı öğrenmek" ölçülemez, ama "kendi işi için üç yapay zeka kullanım senaryosu üretmek" ölçülebilir.

Ölçülebilir öğrenme çıktısı yazmanın klasik aracı, Bloom taksonomisidir. Bu çerçeve, bilişsel becerileri bir hiyerarşide sıralar ve her seviye için gözlemlenebilir fiiller önerir: hatırlama (tanımlar, listeler), anlama (açıklar, örneklendirir), uygulama (kullanır, uygular, hesaplar), analiz (karşılaştırır, ayırt eder), değerlendirme (eleştirir, seçer, gerekçelendirir) ve yaratma (tasarlar, üretir, geliştirir). Şartnamedeki her öğrenme çıktısı, bu fiillerden biriyle başlamalıdır — çünkü "anlar" veya "bilir" gibi fiiller ölçülemezken, "uygular" veya "üretir" gibi fiiller sınanabilir bir davranış tanımlar.

Ölçülemeyen ifade ile ölçülebilir öğrenme çıktısı örnekleri

Ölçülemeyen (zayıf)	Ölçülebilir (güçlü)
Yapay zekayı anlar	Kendi departmanı için 3 yapay zeka kullanım senaryosu üretir ve önceliklendirir
Üretken yapay zekayı bilir	Verilen bir iş görevi için etkili bir prompt yazar ve çıktıyı değerlendirir
Riskleri kavrar	Bir yapay zeka çıktısındaki halüsinasyon ve önyargı risklerini tespit eder
Stratejiyi öğrenir	Ekibi için bir yapay zeka pilot önerisini tek sayfada yapılandırır

Öğrenme çıktılarını yazarken üç pratik kural işe yarar. Birincisi, her çıktının bir iş bağlamı olmalı: "prompt yazar" değil, "kendi departmanının bir görevi için prompt yazar". İş bağlamı, öğrenmeyi soyut bir beceriden kurumsal bir değere bağlar. Prompt kavramının kendisini derinleştirmek için prompt engineering nedir rehberi katılımcılara önerilebilir. İkincisi, çıktı sayısı makul olmalı: bir günlük eğitimde 20 öğrenme çıktısı vaat etmek gerçekçi değildir; 4-6 iyi tanımlanmış çıktı, 20 belirsiz çıktıdan değerlidir. Üçüncüsü, her çıktı bir değerlendirme yöntemine bağlanabilmeli: eğer bir çıktıyı nasıl ölçeceğinizi düşünemiyorsanız, o çıktı muhtemelen yeterince somut değildir.

Öğrenme çıktılarının şartnamedeki asıl gücü, sonraki bileşenlerle kurdukları bağdır. Değerlendirme kriterleri bu çıktılara göre tasarlanır; kabul kriterleri bu çıktıların gerçekleşmesine bağlanır; hatta müfredat bu çıktılara hizmet edecek biçimde şekillenir. Bu yüzden öğrenme çıktıları yazmak, aslında tüm şartnamenin omurgasını kurmaktır. İyi yazılmış çıktılar, "eğitim başarılı oldu mu?" sorusunu bir tartışma konusu olmaktan çıkarıp bir ölçüm konusuna dönüştürür.

Eğitimin içeriği kadar, nasıl sunulduğu da başarısını belirler; bu yüzden süre, format, materyal ve platform, ai eğitimi teknik şartnamesinde ayrı ve net biçimde ele alınmalıdır. Bu bileşenler pedagojik değeri kadar lojistik ve maliyet açısından da önemlidir; belirsiz bırakıldıklarında hem teklifler kıyaslanamaz hem de uygulamada sürprizler çıkar.

Süre, eğitimin toplam kaç saat/gün olacağını ve bu sürenin nasıl dağıtılacağını tanımlar. Burada kritik ayrım, "yoğun tek blok" ile "yayılmış oturumlar" arasındadır. Bir günlük yoğun eğitim, farkındalık için işe yarar ama davranış değişikliği için genellikle yetersizdir; çünkü öğrenme, tekrar ve uygulama gerektirir. Haftalara yayılmış, aralarında uygulama görevleri olan bir program, kalıcı yetkinlik için daha etkilidir. Şartnamede yalnızca toplam süreyi değil, sürenin nasıl yapılandırılmasını istediğinizi de belirtmek gerekir.

Format, eğitimin yüz yüze mi, çevrimiçi mi (senkron/asenkron), yoksa karma (hibrit) mi olacağını tanımlar. Her formatın avantajı ve sınırı vardır: yüz yüze etkileşim ve odak sağlar ama lojistik maliyeti yüksektir; çevrimiçi ölçeklenebilir ve esnektir ama katılım disiplini gerektirir; karma ise ikisinin dengesini kurar. Şartnamede format tercihini ve gerekçesini belirtmek, tedarikçinin doğru teklif vermesini sağlar.

Eğitim formatlarının karşılaştırması

Format	Güçlü yönü	Sınırı	Uygun olduğu durum
Yüz yüze	Yüksek etkileşim ve odak	Lojistik maliyet, ölçek sınırı	Küçük grup, derin uygulama
Çevrimiçi senkron	Ölçeklenebilir, coğrafyadan bağımsız	Dikkat dağınıklığı riski	Dağınık ekipler
Çevrimiçi asenkron	Esnek, kendi hızında	Düşük tamamlama oranı	Temel farkındalık, geniş kitle
Hibrit	Denge ve pekiştirme	Koordinasyon karmaşıklığı	Çoğu kurumsal program

Materyal ve platform, eğitimin kalıcılığını belirleyen görünmez faktördür. Materyal; sunumlar, uygulama defterleri, örnek veri setleri, kaydedilmiş videolar ve referans dokümanları kapsar. Platform ise bu materyallerin sunulduğu ve katılımın izlendiği öğrenme yönetim sistemidir (LMS). Şartnamede materyalin katılımcılara verilip verilmeyeceğini, ne kadar süre erişilebilir olacağını ve platform erişiminin dahil olup olmadığını netleştirmek gerekir. Eğitim bittikten sonra materyale erişemeyen bir katılımcı, öğrendiğinin çoğunu birkaç hafta içinde unutur; bu yüzden pekiştirme materyali, eğitimin gerçek değerini korumanın anahtarıdır.

Materyal konusunda özellikle dikkat edilmesi gereken bir nokta, materyalin güncelliğidir. Yapay zeka alanı hızla değiştiği için, bir yıl önce hazırlanmış bir materyal bugün eskimiş olabilir. Şartnamede materyalin güncel araç ve yaklaşımları yansıtmasını şart koşmak ve mümkünse materyalin ne zaman son güncellendiğini sormak, içeriğin taze olmasını sağlar. Bu, özellikle üretken yapay zeka gibi aylık değişen alanlarda kritiktir.

Platform tarafında, öğrenme yönetim sisteminin (LMS) yalnızca materyal barındırmakla kalmayıp katılımı ve ilerlemeyi izleyebilmesi önemlidir. Kabul kriterlerinizde bir katılım oranı eşiği varsa, bu oranı ölçen bir platform gerekir; aksi halde kriter kağıt üzerinde kalır. Şartnamede platformun hangi verileri raporlayabileceğini (katılım, tamamlama, değerlendirme sonuçları) sormak, ölçme-değerlendirme bileşeniyle materyal-platform bileşenini birbirine bağlar. Ayrıca platformun kurum içi sistemlerle (örneğin mevcut bir kurumsal LMS) entegrasyonu gerekiyorsa, bu teknik gereksinim de şartnamede belirtilmelidir; sonradan ortaya çıkan bir entegrasyon ihtiyacı, hem maliyeti hem takvimi bozar.

Bir eğitimin gerçekten işe yarayıp yaramadığını, ancak ölçerek bilebilirsiniz; bu yüzden ölçme-değerlendirme, ai eğitimi teknik şartnamesinin en çok ihmal edilen ama en değerli bileşenlerinden biridir. Değerlendirme olmadan bir eğitim, tamamlandığında yalnızca "yapıldı" diyebilirsiniz; "işe yaradı" diyemezsiniz. Şartname, değerlendirme yöntemini önceden tanımlayarak bu boşluğu kapatır.

Eğitim değerlendirmesinin klasik çerçevesi, Kirkpatrick modelidir. Bu model, eğitim etkisini dört seviyede ölçer. Seviye 1 — Tepki: katılımcılar eğitimi nasıl buldu (memnuniyet anketi). Seviye 2 — Öğrenme: katılımcılar ne öğrendi (ön-test/son-test, quiz). Seviye 3 — Davranış: katılımcılar işlerinde ne değiştirdi (eğitim sonrası gözlem, yönetici değerlendirmesi). Seviye 4 — Sonuç: eğitim iş sonuçlarına ne kattı (verimlilik, kalite, iş metrikleri). Çoğu kurum yalnızca Seviye 1'de kalır — memnuniyet anketi doldurtur ve orada durur; oysa gerçek değer Seviye 3 ve 4'tedir. Şartnamede tedarikçiden hangi seviyelerde değerlendirme yapacağını istemek, eğitimin ciddiyetini baştan belirler.

Kirkpatrick dört seviyeli değerlendirme modeli

Seviye	Ne ölçer	Örnek yöntem	Zorluk
1. Tepki	Katılımcı memnuniyeti	Eğitim sonu anket	Düşük
2. Öğrenme	Bilgi/beceri kazanımı	Ön-test / son-test, quiz	Orta
3. Davranış	İşe uygulama	Gözlem, yönetici değerlendirmesi	Yüksek
4. Sonuç	İş etkisi	Verimlilik/kalite metrikleri	Çok yüksek

Değerlendirmenin şartnamedeki en kritik uzantısı, kabul kriterleridir. Kabul kriterleri, eğitimin "tamamlandı ve ödeme yapılabilir" sayılması için karşılanması gereken ölçülebilir eşiklerdir. Ölçülebilir olmayan bir kabul kriteri — örneğin "eğitim başarılı olmalıdır" — hiçbir işe yaramaz; çünkü başarıyı kimin, nasıl tanımlayacağı belirsizdir. İyi kabul kriterleri sayısaldır ve önceden yazılıdır: minimum katılım oranı (örneğin katılımcıların en az %80'inin oturumlara katılması), değerlendirme geçme eşiği (katılımcıların belirli bir oranının son-testi geçmesi), memnuniyet skoru (5 üzerinden belirli bir ortalama) ve somut çıktı teslimi (her katılımcının bir uygulama planı üretmesi).

Değerlendirme tasarlarken bir uyarı da yerinde olur: değerlendirme, katılımcıyı cezalandırmak için değil, öğrenmeyi doğrulamak ve iyileştirmek için vardır. Aşırı zorlu veya tehditkâr bir değerlendirme, katılımcıları eğitimden soğutabilir. İdeal değerlendirme, hem öğrenmeyi kanıtlar hem de katılımcıya kendi gelişimini gösteren bir geri bildirim sunar. Şartnamede değerlendirmenin bu yapıcı amacını belirtmek, tedarikçinin doğru tonda bir değerlendirme tasarlamasını sağlar.

Yapay zeka eğitiminde değerlendirmenin özel bir zorluğu vardır: öğrenilen becerinin çoğu, bir çoktan seçmeli testle ölçülemez. Bir katılımcının gerçekten yapay zekayı iş akışına entegre edebilir hâle gelip gelmediğini, ancak bir uygulama ödeviyle — örneğin kendi departmanı için bir yapay zeka kullanım senaryosu tasarlayıp sunmasıyla — anlayabilirsiniz. Bu yüzden ileri düzey yapay zeka eğitimlerinde en değerli değerlendirme biçimi, bilgi testi değil, uygulamalı projedir. Şartnamede, değerlendirme kriterleri arasında bir "somut çıktı" (proje, plan, uygulama örneği) şart koşmak, öğrenmenin gerçek dünyaya transferini garanti altına almanın en etkili yoludur. Bu çıktı, aynı zamanda kurumun eline eğitimin somut bir kanıtını verir; katılımcıların ürettiği kullanım senaryoları, çoğu zaman eğitimin kendisinden daha değerli bir çıktı hâline gelir.

Değerlendirmenin bir diğer boyutu, zamanlamasıdır. Eğitim sonu değerlendirmesi (son-test) öğrenmeyi ölçer ama davranış değişikliğini ölçemez; çünkü davranış, ancak katılımcı işine döndükten haftalar sonra gözlenebilir. Bu yüzden olgun bir değerlendirme tasarımı, eğitimden bir-iki ay sonra bir "takip değerlendirmesi" içerir: katılımcılar öğrendiklerini gerçekten kullanıyor mu? Şartnamede bu takip değerlendirmesini talep etmek, eğitimi anlık bir olaydan kalıcı bir davranış değişikliğine bağlar ve tedarikçiyi de bu kalıcılıktan sorumlu tutar.

Bir eğitimin kalitesi, büyük ölçüde eğitmenin kalitesine bağlıdır; bu yüzden eğitmen nitelikleri ve referans şartı, ai eğitimi teknik şartnamesinde titizlikle tanımlanmalıdır. En iyi müfredat bile, onu hayata geçiren eğitmen yetkin değilse değer üretmez. Yapay zeka eğitiminde bu özellikle geçerlidir, çünkü alan hem teknik derinlik hem de gerçek dünya uygulaması gerektirir.

Eğitmen niteliklerini iki tür ölçütle tanımlamak gerekir. Biçimsel ölçütler: eğitim geçmişi, ilgili sertifikalar, akademik veya profesyonel unvanlar. Bunlar bir taban sağlar ama tek başına yeterli değildir; çünkü bir sertifika, iyi öğretmenin garantisi değildir. Kanıta dayalı ölçütler: gerçek yapay zeka projelerinde çalışma deneyimi, daha önce verdiği benzer eğitimler, alan uzmanlığı ve öğretme becerisinin somut kanıtları. Yapay zeka eğitiminde en değerli eğitmen, kavramları yalnızca kitaptan değil, üretim ortamında yapay zeka uygulamış olmaktan bilen kişidir; çünkü katılımcıların en çok değer bulduğu şey, gerçek dünyadan örneklerdir. Bu deneyimin niteliğini anlamak için yapay zeka danışmanlığı nedir rehberi, danışmanlık ile eğitimin nasıl birbirini beslediğini gösterir.

Şartnamede eğitmen niteliklerini güvence altına almanın pratik yolları vardır. Birincisi, tedarikçiden eğitmenin özgeçmişini önceden sunmasını istemek. İkincisi, mümkünse kısa bir ders anlatım örneği veya demo talep etmek — çünkü bir kişinin bilgili olması, iyi anlatabildiği anlamına gelmez. Üçüncüsü ve en önemlisi, eğitmen değişikliğinin ancak kurum onayıyla yapılabileceğini şart koşmak. Yaygın bir tedarik tuzağı, teklifte deneyimli bir eğitmenin gösterilip, eğitimin başka birine devredilmesidir; bu "yem-değiştir" (bait-and-switch) taktiğini şartname maddesiyle engellemek gerekir.

Referans şartı, tedarikçinin iddia ettiği yetkinliğin kanıtıdır. Referans, tedarikçinin daha önce benzer kurumlara benzer eğitimler verdiğini gösteren somut örneklerdir. Şartnamede referans isterken üç şeye dikkat edilmeli: referansın benzerliği (aynı sektör, aynı ölçek, aynı konu), güncelliği (son iki-üç yıl içinde) ve doğrulanabilirliği (iletişim kurulabilecek bir kişi veya kurum). Referans şartını atlamak, kanıtlanmamış bir yetkinlik iddiasını kabul etmek anlamına gelir; bu, eğitim tedarikinde en pahalı hatalardan biridir.

Fiyatlandırma, tedarik kararının önemli bir parçasıdır ama tek belirleyici olmamalıdır; bu yüzden ai eğitimi teknik şartnamesinde fiyatı tek bir rakam olarak değil, karşılaştırılabilir bir yapı olarak istemek gerekir. Fiyatlandırma yapısını standartlaştırmadan alınan teklifler, elmalarla armutları karşılaştırmaya benzer: biri her şey dahil bir paket sunar, diğeri düşük bir taban fiyat verip ekstralarla şişirir.

Fiyatlandırma yapısını netleştirmenin ilk adımı, fiyatlandırma modelini belirlemektir. İki temel model vardır. Sabit paket fiyat: belirli bir grup büyüklüğü ve kapsam için toplam ücret; bütçe öngörülebilirliği sağlar ve küçük-orta gruplar için genellikle avantajlıdır. Katılımcı başına fiyat: her katılımcı için birim ücret; katılımcı sayısı belirsiz veya çok büyük olduğunda ölçeklenebilirlik sunar. Şartnamede her iki modeli de karşılaştırılabilir biçimde istemek, kurumun kendi durumu için en uygununu seçmesini sağlar. Fiyatlandırmanın kurumsal bağlamını daha geniş görmek için yapay zeka danışmanlığı fiyatları ve bütçe planlaması için kurumsal AI bütçesi planlama rehberleri yol gösterir.

Fiyatlandırma modellerinin karşılaştırması

Model	Avantajı	Dezavantajı	Uygun olduğu durum
Sabit paket	Bütçe öngörülebilir	Küçük gruplarda birim maliyet yüksek	Belirli, orta büyüklükte grup
Katılımcı başına	Ölçeklenebilir	Toplam maliyet belirsizleşebilir	Büyük veya belirsiz kitle
Karma (taban + birim)	Esnek	Hesaplaması karmaşık	Aşamalı yayılım

Fiyatlandırmada en önemli disiplin, fiyatın neyi kapsadığını açıkça listelemektir. Şartnamede tedarikçiden fiyata şunların dahil olup olmadığını belirtmesini istemek gerekir: eğitim materyalleri, platform/LMS erişimi, sertifikalandırma, değerlendirme araçları, eğitmen ulaşım ve konaklama giderleri, eğitim sonrası destek ve materyal güncellemeleri. Gizli maliyet bırakmamak, hem bütçe sürprizlerini önler hem de teklifleri gerçekten karşılaştırılabilir kılar. "Fiyata dahil olmayan her kalem ayrıca belirtilmelidir" maddesi, şartnamenin fiyatlandırma bölümünü şeffaflaştırır.

Teslim ve lojistik, eğitimin pratik olarak nasıl hayata geçeceğini tanımlar: eğitim yeri (kurum içi, tedarikçi mekânı, çevrimiçi), takvim ve tarihler, oturum planı, katılımcı gruplarının organizasyonu, teknik gereksinimler ve iletişim/koordinasyon süreci. Lojistik detaylar önemsiz görünebilir ama pratikte eğitimin başarısını doğrudan etkiler: yanlış zamanlanmış bir eğitim (örneğin yoğun iş döneminde) katılımı düşürür; teknik altyapısı hazırlanmamış bir çevrimiçi oturum ilk yarım saati kaybeder. Şartnamede lojistik sorumlulukların hangi tarafta olduğunu (kurum mu, tedarikçi mi) netleştirmek, uygulama aşamasında koordinasyon kaosunu önler.

Yapay zeka eğitimi, kurumun en hassas varlıklarına dokunabilir: kişisel veriler, kuruma özel bilgiler ve üretilen fikri mülkiyet. Bu yüzden fikri mülkiyet, gizlilik ve KVKK maddeleri, ai eğitimi teknik şartnamesinde sözleşme sonrasına bırakılamayacak kadar kritiktir; baştan yazılmaları gerekir. Bu maddeleri atlamak, hem yasal risk hem de kurumsal bilgi sızıntısı riski doğurur.

Fikri mülkiyet (telif), eğitim sürecinde üretilen materyallerin ve içeriklerin mülkiyetini tanımlar. Burada iki soru netleştirilmelidir. Birincisi, standart eğitim materyalinin mülkiyeti genellikle tedarikçide kalır ama kuruma kullanım lisansı verilir; bu lisansın kapsamı (kaç kişi, ne kadar süre, tekrar kullanım hakkı) şartnamede belirlenmelidir. İkincisi ve daha önemlisi, eğitim sırasında kuruma özel üretilen içerik (örneğin kurumun kendi kullanım senaryolarına göre uyarlanmış örnekler, katılımcıların ürettiği projeler) kimin malıdır? Şartnamede kuruma özel üretilen içeriğin kuruma ait olacağını şart koşmak, sonradan çıkabilecek telif anlaşmazlıklarını önler.

Gizlilik, eğitim sürecinde tedarikçinin eriştiği kurumsal bilgilerin korunmasını tanımlar. Bir eğitmen, eğitim sırasında kurumun iç süreçlerini, stratejik önceliklerini, hatta zayıflıklarını öğrenebilir. Şartnamede bir gizlilik taahhüdü (NDA) şart koşmak ve bu taahhüdün eğitim sonrasında da devam edeceğini belirtmek, kurumsal bilgiyi korur. Özellikle rekabetçi sektörlerde, aynı eğitmenin rakip kuruma da eğitim vermesi ihtimali, gizlilik maddesini daha da önemli kılar.

KVKK (Kişisel Verilerin Korunması Kanunu) maddesi, Türkiye bağlamında en kritik bileşenlerden biridir. Eğitim süreci kaçınılmaz olarak kişisel veri işler: katılımcı ad-soyad, e-posta, değerlendirme sonuçları ve bazen kurum içi örnek veriler. Şartnamede tedarikçiden şu taahhütler istenmelidir: verilerin yalnızca eğitim amacıyla işlenmesi, eğitim sonrası imha veya iade, alt yüklenicilere aktarım kısıtı, uygun veri güvenliği önlemleri ve bir veri işleme sözleşmesinin (VİS) imzalanması. KVKK'nın temellerini KVKK nedir, kişisel verinin tanımını kişisel veri nedir yazısında bulabilirsiniz.

Eğer eğitim, Avrupa Birliği'nde faaliyet gösteren veya AB vatandaşlarının verisini işleyen bir kurum içinse, KVKK'nın yanında GDPR ve giderek yürürlüğe giren EU AI Act de gündeme gelir. Bu düzenlemeler, yapay zeka sistemlerine ve dolayısıyla eğitimlerine ek yükümlülükler getirebilir. Düzenleyici çerçeveyi anlamak için EU AI Act nedir ve KVKK uyumlu bir mimari için KVKK uyumlu yapay zeka nedir rehberleri, şartnamenin uyum maddelerini güçlendirir. Uyum, eğitimde bir formalite değil, kurumsal bir sorumluluktur.

Şartname tedarikçilere gönderilip teklifler toplandığında, kritik an gelir: hangi tedarikçi seçilecek? Bu kararı öznellikten kurtaran araç, tedarikçi değerlendirme puanlama tablosudur. Bu tablo, değerlendirme kriterlerini ağırlıklandırarak her tedarikçiye nesnel bir toplam puan verir ve "en iyi hisseden" değil, "en yüksek puanı alan" teklifin seçilmesini sağlar.

Puanlama tablosunu kurmanın ilk adımı, kriterleri iki ana blokta toplamaktır: teknik yeterlilik ve ticari teklif. Teknik yeterlilik genellikle eğitmen deneyimi, müfredat uyumu, öğrenme çıktısı kalitesi, metodoloji, referanslar ve materyal kalitesini içerir. Ticari teklif ise fiyat, ödeme koşulları ve teslim esnekliğini kapsar. İkinci adım, bu iki bloğa bir ağırlık vermektir. Yaygın bir dağılım 70/30'dur (teknik/ticari): bu, kalitenin fiyattan daha önemli olduğunu ama fiyatın da göz ardı edilmediğini gösterir. Kritik ve stratejik eğitimlerde teknik ağırlık daha da artabilir (örneğin 80/20); metalaşmış, standart eğitimlerde fiyat ağırlığı artabilir.

Örnek tedarikçi değerlendirme puanlama tablosu (illüstratif ağırlıklar)

Kriter	Ağırlık	Puan (1-5)	Ağırlıklı puan
Eğitmen deneyimi ve uzmanlığı	%20	örn. 4	0.80
Müfredat ve öğrenme çıktısı uyumu	%20	örn. 5	1.00
Metodoloji ve pedagoji	%10	örn. 4	0.40
Referanslar (benzer işler)	%10	örn. 3	0.30
Materyal ve platform kalitesi	%10	örn. 4	0.40
Fiyat	%20	örn. 3	0.60
Ödeme koşulları ve esneklik	%10	örn. 4	0.40
TOPLAM	%100	—	3.90 / 5

Puanlama tablosunda her kriter için bir puan aralığı (tipik olarak 1-5) ve bir ağırlık tanımlanır. Her tedarikçinin toplam puanı, kriter puanı ile ağırlığın çarpımlarının toplamıdır. Tabloda önemli olan, puanların nasıl verileceğinin önceden tanımlanmış olmasıdır: örneğin "eğitmen deneyimi" kriterinde 5 puan ne demek, 3 puan ne demek? Bu tanımlar (puanlama rubriği) önceden yazıldığında, değerlendirme kişiden kişiye değişmez ve tutarlı olur.

Fiyatı puanlamanın özel bir yolu vardır. Fiyatı doğrudan bir tutar olarak değil, göreli bir puan olarak değerlendirmek gerekir: en düşük teklif tam puan alır, diğerleri ona oranla puanlanır. Böylece fiyat, teknik yeterlilikle aynı ölçekte (1-5) değerlendirilebilir. Bu yaklaşım, fiyatı önemli ama tek belirleyici olmaktan çıkarır. Sonuçta en yüksek toplam puanı alan tedarikçi seçilir; ve bu seçim, "neden bu tedarikçi?" sorusuna belgeye dayalı, savunulabilir bir cevap sunar.

Şimdi tüm bileşenleri, doğrudan uyarlayabileceğiniz kopyalanabilir bir örnek şablona dönüştürelim. Aşağıdaki şablon, on iki bileşenin her biri için doldurulabilir başlıklar ve örnek ifadeler içerir. Bu şablonu kendi kurumunuzun bağlamına (sektör, ekip büyüklüğü, olgunluk seviyesi) göre uyarlamanız; köşeli parantez içindeki genel ifadeleri kendi somut ihtiyaçlarınızla değiştirmeniz önerilir.

1. Amaç ve Kapsam: "Bu şartnamenin amacı, [kurum adı] bünyesindeki [hedef birim] için [konu] alanında kurumsal yapay zeka eğitimi tedarik etmektir. Eğitim, [ana hedef] amacına hizmet eder. Kapsam içi: [maddeler]. Kapsam dışı: [maddeler]."

2. Hedef Kitle ve Ön Koşullar: "Eğitim, [rol/pozisyon] görevindeki yaklaşık [sayı] katılımcıya yöneliktir. Katılımcıların mevcut yapay zeka bilgi seviyesi [başlangıç/orta/ileri] olarak öngörülmektedir. Ön koşullar: [gerekli bilgi/araç erişimi]. Gruplar [homojen/heterojen] olacaktır."

3. Müfredat ve İçerik: "Tedarikçi, aşağıdaki öğrenme çıktılarına hizmet eden bir müfredat önerecektir. Müfredat, konu listesi değil, modüller arası mantıksal akışı ve her modülün hangi çıktıya hizmet ettiğini açıklayan bir öğrenme yolculuğu biçiminde sunulmalıdır."

4. Öğrenme Çıktıları: "Eğitim sonunda katılımcı: (a) [ölçülebilir fiil + iş bağlamı]; (b) [ölçülebilir fiil + iş bağlamı]; (c) [ölçülebilir fiil + iş bağlamı] yapabilir hâle gelecektir. Her çıktı, ilgili değerlendirme yöntemiyle sınanabilir olmalıdır."

5. Süre ve Format: "Eğitim toplam [saat/gün] sürecek ve [yüz yüze/çevrimiçi/hibrit] formatında sunulacaktır. Süre [tek blok/yayılmış oturumlar] biçiminde yapılandırılacaktır. Oturumlar arasında [uygulama görevi] beklenmektedir."

6. Materyal ve Platform: "Tedarikçi, [sunum/uygulama defteri/video/örnek veri] materyallerini sağlayacaktır. Materyaller katılımcılara [süre] boyunca [platform/LMS] üzerinden erişilebilir olacaktır. Materyaller güncel araç ve yaklaşımları yansıtmalı; son güncelleme tarihi belirtilmelidir."

7. Ölçme-Değerlendirme: "Eğitim etkisi Kirkpatrick modelinin en az [seviye] seviyesine kadar ölçülecektir: [tepki anketi / ön-son test / davranış gözlemi]. Değerlendirme araçları tedarikçi tarafından sağlanacak ve sonuçlar kuruma raporlanacaktır."

8. Eğitmen Nitelikleri: "Eğitmen(ler), [ilgili alanda] en az [yıl] deneyime ve gerçek yapay zeka projelerinde uygulama tecrübesine sahip olmalıdır. Eğitmen özgeçmişleri teklife eklenecektir. Teklifte belirtilen eğitmen değişikliği ancak kurumun yazılı onayı ve en az eşdeğer nitelikte bir eğitmenle yapılabilir."

9. Referans Şartı: "Tedarikçi, son [iki-üç] yıl içinde benzer kapsam ve ölçekte gerçekleştirdiği en az [sayı] eğitim referansı sunacaktır. Referanslar iletişim bilgisiyle birlikte, doğrulanabilir biçimde verilecektir."

10. Fiyatlandırma Yapısı: "Tedarikçi, hem [sabit paket] hem de [katılımcı başına] fiyatlandırmayı ayrı ayrı sunacaktır. Fiyata dahil olan kalemler (materyal, platform, sertifika, ulaşım, destek) açıkça listelenecek; dahil olmayan her kalem ayrıca belirtilecektir."

11. Teslim ve Lojistik: "Eğitim [yer]'de, [tarih aralığı]'nda gerçekleştirilecektir. Takvim, oturum planı ve teknik gereksinimler teklifte belirtilecektir. Lojistik sorumluluklar (mekân, ekipman, koordinasyon) [taraf] tarafından karşılanacaktır."

12. Fikri Mülkiyet, Gizlilik ve KVKK: "Eğitim sırasında kuruma özel üretilen içerik kuruma aittir. Tedarikçi, eğitim sürecinde eriştiği tüm kurumsal bilgileri gizli tutacak ve bir gizlilik taahhüdü (NDA) imzalayacaktır. Kişisel veriler yalnızca eğitim amacıyla işlenecek, eğitim sonrası [imha/iade] edilecek; taraflar bir veri işleme sözleşmesi imzalayacaktır. Eğitimde gerçek veri kullanılacaksa anonimleştirilmiş veya sentetik veri kullanılacaktır."

Kabul Kriterleri: "Eğitim, aşağıdaki ölçülebilir kriterler karşılandığında kabul edilmiş sayılır: (a) katılımcıların en az [%] oturumlara katılımı; (b) katılımcıların en az [%]'inin son değerlendirmeyi geçmesi; (c) eğitim sonu memnuniyet anketinde en az [ortalama] skor; (d) her katılımcının [somut çıktı] teslim etmesi. Ödemenin [oranı], bu kabul kriterlerinin karşılanmasına bağlıdır."

Bir ai eğitimi teknik şartnamesi hazırlarken, Türkiye'nin kendine özgü bağlamı hem fırsat hem de sorumluluk getirir. Fırsat tarafında, Türkiye'nin yapay zeka benimsemesindeki olağanüstü hızı vardır; bu, kurumların yetkinlik geliştirmeye olan iştahını artırır. Sorumluluk tarafında ise KVKK başta olmak üzere düzenleyici çerçevenin şartnameye yansıtılması gerekir.

Türkiye'deki bu yüksek benimseme, kurumlar için bir çift kenarlı kılıçtır. Bir yandan, çalışanlar yapay zeka araçlarını zaten kişisel olarak kullanıyor; bu, eğitime hazır bir zemin sunar. Öte yandan, denetimsiz kişisel kullanım, kurumsal veri güvenliği açısından risk oluşturur — çalışanlar farkında olmadan kurumsal bilgiyi harici araçlara girebilir. İyi tasarlanmış bir eğitim şartnamesi, bu ikili gerçeği dikkate alır: hem benimsemeyi resmi ve güvenli bir çerçeveye taşır, hem de KVKK uyumlu kullanımı öğretir.

KVKK bağlamında şartnamenin özel olarak ele alması gereken üç senaryo vardır. Birincisi, katılımcı verilerinin işlenmesi: her eğitim, katılımcıların kişisel verisini toplar ve bu, KVKK kapsamındadır. İkincisi, eğitim içeriğinde kurumsal verinin kullanılması: eğer eğitim, kurumun kendi verisiyle uygulama yaptırıyorsa, bu verinin korunması şarttır. Üçüncüsü, katılımcıların eğitimde öğrendikleriyle üretecekleri sistemlerin KVKK uyumu: eğitim, katılımcılara yalnızca yapay zeka kullanmayı değil, KVKK uyumlu yapay zeka kullanmayı öğretmelidir. Bu üçüncü boyut, eğitimin içeriğine bir sorumluluk katmanı ekler ve şartnamede öğrenme çıktısı olarak yer almalıdır.

Düzenlenmiş sektörlerde (bankacılık, sağlık, telekomünikasyon) bu bağlam daha da derinleşir. Örneğin bankacılıkta BDDK düzenlemeleri, sağlıkta hasta verisi koruması, ek yükümlülükler getirir. Bu sektörlerdeki bir kurum, şartnamesine sektörel uyum gereksinimlerini de eklemeli ve tedarikçiden bu düzenlemelere aşinalık istemelidir. Yapay zeka yönetişiminin kurumsal çerçevesini AI governance nedir ve sorumlu kullanımın ilkelerini sorumlu yapay zeka nedir yazılarında ele alıyoruz; bu çerçeveler, eğitim şartnamesinin uyum boyutunu güçlendirir.

Aynı ai eğitimi teknik şartnamesi şablonu, farklı roller ve sektörler için farklı biçimde doldurulur; çünkü her rolün ve sektörün ihtiyacı, önceliği ve öğrenme çıktıları farklıdır. Şablonu bağlama uyarlamak, eğitimin isabetini belirler. Aşağıda hem role hem sektöre göre nasıl farklılaştığını ele alıyoruz.

Üst Yönetim ve Karar Vericiler için

Bu kitle için eğitim, teknik derinlikten çok stratejik farkındalık ve karar verme yetkinliği üzerine kurulur. Öğrenme çıktıları, "bir yapay zeka modelini kodlar" değil, "bir yapay zeka yatırımının iş değerini değerlendirir ve önceliklendirir" biçiminde olmalıdır. Süre kısa ve yoğun tutulur (yöneticilerin zamanı kısıtlıdır), format genellikle yüz yüze ve etkileşimlidir. Şartnamede, üst yönetime bir yapay zeka projesinin nasıl sunulacağını öğreten üst yönetime yapay zeka projesi sunumu yaklaşımı ve stratejik çerçeve için kurumsal yapay zeka stratejisi nasıl oluşturulur rehberi tamamlayıcı içerik olarak referans verilebilir.

Orta Kademe Yöneticiler için

Orta kademe, stratejiyi uygulamaya çeviren kritik katmandır; eğitimleri hem farkındalık hem pratik uygulama dengesi gerektirir. Öğrenme çıktıları, "ekibinin iş akışında bir yapay zeka kullanım senaryosu tasarlar ve pilotlar" gibi hem yönetsel hem uygulamalı olmalıdır. Bu kitle için şartnamede, kullanım senaryosu önceliklendirme becerisi önemli bir çıktıdır. Yapay zeka olgunluğunun kurumsal düzeyini anlamak için kurumsal AI olgunluk modeli rehberi, orta kademenin eğitimini kurumsal bağlama oturtur.

Teknik Ekipler için

Teknik ekipler (yazılımcılar, veri analistleri) için eğitim, derinlik ve uygulamalı beceri gerektirir. Öğrenme çıktıları, "bir üretken yapay zeka modelini bir iş akışına entegre eder" veya "bir prompt zincirini tasarlar ve test eder" gibi somut teknik yetkinlikler olmalıdır. Bu kitle için ön koşullar daha yüksektir (programlama bilgisi, araç erişimi) ve müfredat daha teknik konulara iner. Temel teknik kavramlar için LLM nedir, token nedir ve RAG nedir gibi rehberler, teknik eğitimin ön hazırlık materyali olarak şartnamede referans verilebilir.

Tüm Çalışanlar için (Yaygın Okuryazarlık)

Bazı programlar, teknik olmayan geniş bir kitleye temel yapay zeka okuryazarlığı kazandırmayı hedefler. Bu durumda öğrenme çıktıları basit ve günlük iş odaklı olmalıdır: "günlük işinde yapay zekayı güvenli ve etkili biçimde kullanır", "bir yapay zeka çıktısının güvenilirliğini sorgular". Format genellikle ölçeklenebilir (çevrimiçi) ve süre kısa tutulur. Bu tür yaygın programlar için yapay zeka okuryazarlığı nedir rehberi, eğitimin çerçevesini kurar.

Role göre AI eğitimi şartnamesi vurgu farkları

Rol	Ana odak	Örnek öğrenme çıktısı	Format eğilimi
Üst yönetim	Stratejik karar	Yatırımı değerlendirir	Kısa, yüz yüze
Orta kademe	Uygulama yönetimi	Kullanım senaryosu pilotlar	Karma
Teknik ekip	Derin uygulama	Modeli entegre eder	Uygulamalı, uzun
Tüm çalışanlar	Temel okuryazarlık	Güvenli kullanır	Çevrimiçi, ölçekli

Sektörel farklılaşma da önemlidir. Finans sektöründe uyum ve risk vurgusu öne çıkar; üretimde operasyonel verimlilik ve kestirimci senaryolar; sağlıkta veri hassasiyeti ve etik; perakendede müşteri deneyimi ve kişiselleştirme. Şartname, sektörün önceliklerini öğrenme çıktılarına ve örnek senaryolara yansıtmalıdır. Genel bir "yapay zeka eğitimi", her sektöre aynı örneklerle gelirse, hiçbirine tam oturmaz; sektöre özgü örnekler, eğitimin değerini katbekat artırır.

Role ve sektöre göre farklılaştırmanın pratik bir yolu, şartnamede tedarikçiden "sektöre özgü örnek senaryolar" talep etmektir. Örneğin bir bankaya verilecek eğitimde, genel bir chatbot örneği yerine "kredi başvuru sürecinde yapay zeka destekli belge analizi" gibi sektöre özgü bir senaryo istemek, hem eğitimin alakasını artırır hem de tedarikçinin sektörel deneyimini test eder. Bir tedarikçi, sizin sektörünüze özgü örnekler üretemiyorsa, muhtemelen o sektörde yeterli deneyimi yoktur. Bu talep, aynı zamanda bir eleme kriteri işlevi görür: sektörel örnek üretme becerisi, tedarikçinin gerçek uzmanlığının güçlü bir göstergesidir. Aynı şekilde, aynı rol için bile farklı kurumların kültürü ve olgunluğu farklı olduğundan, şartnamenin kurumun kendi bağlamını (mevcut araçlar, önceki eğitimler, kültürel hazırlık) tedarikçiye aktarması, eğitimin yerine oturmasını sağlar.

Pratik bir soru, bir ai eğitimi teknik şartnamesi hazırlandıktan sonra kaç tedarikçiye gönderileceği ve sürecin ne kadar süreceğidir. Bu, tedarikin verimliliğini doğrudan etkiler: çok az tedarikçi karşılaştırma zeminini zayıflatır, çok fazla tedarikçi ise değerlendirme yükünü yönetilemez kılar. Deneyim, çoğu kurumsal eğitim tedariki için üç ile beş arası tedarikçinin ideal olduğunu gösterir; bu sayı, hem anlamlı bir karşılaştırma sağlar hem de değerlendirmeyi makul tutar.

Tedarikçi sayısını belirlerken bir ön eleme aşaması işe yarar. Önce geniş bir listeden (pazar araştırması, referanslar, sektör tavsiyeleri) potansiyel tedarikçiler toplanır; ardından bariz uygunsuz olanlar (deneyim eksikliği, alan uyumsuzluğu, ölçek yetersizliği) elenerek üç-beş kişilik bir kısa liste oluşturulur. Şartname yalnızca bu kısa listeye gönderilir. Bu iki aşamalı yaklaşım, hem geniş bir havuzdan seçim yapmayı hem de değerlendirmeyi odaklı tutmayı sağlar.

Sürecin süresi, eğitimin karmaşıklığına göre değişir ama tipik bir kurumsal ai eğitimi teknik şartnamesi tedariki için birkaç haftadan bir-iki aya kadar sürebilir. Bu süre; şartname hazırlama, tedarikçi araştırması, teklif toplama (tedarikçilere makul bir süre tanınmalı), değerlendirme, müzakere ve sözleşme adımlarını kapsar. Sürece bir soru-cevap penceresi eklemek — tedarikçilerin şartnameyle ilgili sorularını sorabildiği bir dönem — tekliflerin kalitesini belirgin biçimde artırır; çünkü belirsizlikleri gideren tedarikçiler, daha isabetli teklif verir. Aceleye getirilen bir tedarik süreci, çoğu zaman kötü seçimle sonuçlanır; bu yüzden takvimi baştan gerçekçi planlamak gerekir.

Bir ai eğitimi teknik şartnamesi hazırlamadan önce cevaplanması gereken temel bir soru vardır: bu eğitim dışarıdan mı tedarik edilmeli, yoksa kurum içi kaynaklarla mı verilmeli? Bu "yap ya da satın al" kararı, şartnamenin gerekip gerekmediğini ve nasıl şekilleneceğini doğrudan etkiler. İki yolun da mantığı vardır ve karar, kurumun olgunluğuna, ölçeğine ve stratejik önceliklerine bağlıdır.

İç kaynakla eğitim, kurumun kendi uzmanlarının bilgi aktarması anlamına gelir. Avantajı, içeriğin kuruma tam uyumlu olması ve maliyetin görünürde düşük olmasıdır. Dezavantajı ise iç uzmanların çoğunlukla iyi öğretici olmaması, kendi işlerinden zaman ayırmakta zorlanması ve dış perspektif getirememesidir. Ayrıca iç eğitim, "kurum körlüğü" riski taşır: kurum, kendi bilmediği şeyi öğretemez. Yapay zeka gibi hızla değişen bir alanda, dış uzmanlığın taze bakışı çoğu zaman değerlidir.

Dış tedarik ise bir ai eğitimi teknik şartnamesi gerektiren yoldur. Avantajı, uzman eğitmen, güncel içerik, dış perspektif ve profesyonel pedagojidir. Dezavantajı, maliyet ve kuruma uyumun ayrıca sağlanması gereğidir. Çoğu kurum için en sağlıklı yaklaşım melezdir: temel ve tekrar eden eğitimleri iç kaynakla ölçekleyip, ileri, stratejik veya hızlı değişen konuları dış tedarikle almak. Bu melez modelde bile, dış tedarik edilen kısım için sağlam bir şartname şarttır.

Şartname gönderilip teklifler puanlama tablosuyla değerlendirildikten sonra, tedarik sürecinin sık atlanan ama kritik bir aşaması gelir: müzakere ve sözleşme. İyi bir ai eğitimi teknik şartnamesi, bu aşamanın temelini çoktan atmıştır; çünkü şartnamedeki her madde, sözleşmenin bir maddesine dönüşür. Ancak müzakere, şartnameyi sözleşmeye çeviren ve son ince ayarların yapıldığı yerdir.

Müzakerede odaklanılması gereken üç konu vardır. Birincisi, kabul kriterleri ve ödeme koşullarının bağlanması: ödemenin ne kadarının hangi kabul kriterine bağlı olduğu net biçimde yazılmalıdır. İkincisi, değişiklik yönetimi: eğitim sırasında kapsam veya katılımcı sayısı değişirse ne olacağı önceden belirlenmelidir. Üçüncüsü, sorumluluk ve garanti maddeleri: eğitim kabul kriterlerini karşılamazsa hangi telafi mekanizması (tekrar eğitim, iade, düzeltme) devreye girecektir? Bu üç konu netleştirildiğinde, sözleşme her iki tarafı da koruyan sağlam bir zemine oturur.

Müzakerenin sağlıklı olması için bir ilke önemlidir: müzakere, tedarikçiyi köşeye sıkıştırmak değil, ortak bir başarı zemini kurmaktır. En düşük fiyata razı ettirilen ama motivasyonu kırılan bir tedarikçi, genellikle en düşük değeri üretir. İyi bir müzakere, hem kurumun bütçesini hem de tedarikçinin sürdürülebilir bir kâr marjını gözetir; çünkü uzun vadeli, tekrar eden bir eğitim ilişkisi, tek seferlik bir pazarlık zaferinden çok daha değerlidir. Şartnamenin netliği, bu müzakereyi de kolaylaştırır: taraflar neyin ne olduğunu baştan bildiğinden, müzakere pazarlıktan çok ince ayara dönüşür.

Sözleşme imzalandıktan sonra bile şartnamenin işi bitmez: sözleşmenin eki olarak şartname, uygulama boyunca referans belge olarak kalır. Bir anlaşmazlık çıktığında, "şartnamede ne yazıyordu?" sorusu çözümün başlangıç noktasıdır. Bu yüzden şartname, tedarik sürecinin başında yazılan ama sonuna kadar yaşayan bir belgedir. Yapay zeka projelerinin genel olarak neden başarısız olduğunu ve bu başarısızlığın tedarik/eğitim boyutunu daha geniş çerçevede görmek için, kurumsal dönüşüm bağlamındaki kurumsal AI olgunluk modeli ve yapay zeka yol haritası nedir rehberleri, eğitim tedarikini bütünsel stratejiye bağlar.

Aşağıdaki kontrol listesi, bir ai eğitimi teknik şartnamesini sıfırdan sağlıklı biçimde hazırlamak için pratik bir rehberdir. Her maddeyi işaretleyebiliyorsanız, şartnameniz tedarikçilere gönderilmeye hazır demektir.

Nasıl Yapılır

AI eğitimi teknik şartnamesi hazırlama adımları

İhtiyaç analizinden tedarikçi seçimine kadar şartnameyi baştan sona hazırlamanın adımları.

1. 1

   İhtiyacı ve iş hedefini netleştir

   Eğitimin hangi iş problemini çözeceğini ve hangi davranışı değiştireceğini yaz.

2. 2

   Hedef kitleyi ve ön koşulları tanımla

   Rol, seviye, grup büyüklüğü ve gerekli ön bilgiyi persona bazında belirle.

3. 3

   Öğrenme çıktılarını yaz

   Ölçülebilir fiillerle, iş bağlamına bağlı 4-6 çıktı tanımla.

4. 4

   Kapsamı ve müfredat beklentisini belirle

   Kapsam içi ve dışını, derinlik seviyesini ve müfredat formatını netleştir.

5. 5

   Süre, format, materyal ve platformu tanımla

   Toplam süre, sunum formatı, materyal ve LMS erişimini belirt.

6. 6

   Değerlendirme ve kabul kriterlerini kur

   Kirkpatrick seviyelerini ve ölçülebilir kabul eşiklerini yaz.

7. 7

   Eğitmen, referans ve fiyat şartlarını ekle

   Eğitmen niteliklerini, referans şartını ve fiyatlandırma yapısını tanımla.

8. 8

   Fikri mülkiyet, gizlilik ve KVKK maddelerini yaz

   Telif, NDA, veri işleme ve anonimleştirme şartlarını ekle.

9. 9

   Puanlama tablosunu sabitle

   Kriterleri, ağırlıkları ve puanlama rubriğini teklifleri görmeden kilitle.

10. 10

    Teklifleri değerlendir ve seç

    Puanlama tablosuyla teklifleri karşılaştır; kararı belgeye dayandır.

Bu kontrol listesini bir pilot eğitimle uygulamak, tüm kurumu tek seferde dönüştürmeye çalışmaktan daha akıllıcadır. Küçük, iyi tanımlanmış bir pilot şartnamesi, hem süreci öğrenmenizi sağlar hem de büyük ölçekli tedarik öncesinde şablonu olgunlaştırır. Yapay zeka yol haritasını kurumsal düzeyde kurmak için yapay zeka yol haritası nedir rehberi, eğitim tedarikini daha geniş bir dönüşüm planına oturtur.

Deneyimli bir gözle bakıldığında, çoğu başarısız ai eğitimi teknik şartnamesi benzer hatalarla malûldür. Bu hataların ortak özelliği, hepsinin belirsizliği artırıp değerlendirmeyi öznelleştirmesidir. En sık görülenler şunlardır:

• Kapsamı belirsiz bırakmak: "Yapay zeka eğitimi istiyoruz" demekle yetinmek, tedarikçileri tahmin yürütmeye zorlar ve kıyaslanamaz teklifler üretir. Kapsam, hedef kitle ve derinlikle birlikte net tanımlanmalıdır.
• Çıktı yerine konu listelemek: "Makine öğrenmesi, derin öğrenme, LLM'ler" gibi bir konu listesi, katılımcının ne yapabilir hâle geleceğini söylemez. Öğrenme çıktısı, konudan daha önemlidir.
• Hedef kitlenin seviyesini tanımlamamak: Ön bilgi seviyesi belirtilmediğinde, eğitim ya çok basit ya da çok karmaşık gelir ve değer üretmez.
• Referans şartını atlamak: Kanıtlanmamış bir yetkinlik iddiasını kabul etmek, en pahalı tedarik hatalarından biridir. Benzer, güncel, doğrulanabilir referans şart olmalıdır.
• Fiyatı tek kriter yapmak: En düşük fiyatı otomatik seçmek, çoğu zaman en düşük değeri seçmek anlamına gelir. Puanlama tablosu, kaliteyi fiyatla dengeler.
• Değerlendirme ve kabul kriterlerini ölçülemez bırakmak: "Eğitim başarılı olmalı" gibi bir kriter, hiçbir işe yaramaz. Kabul kriterleri sayısal ve önceden yazılı olmalıdır.
• KVKK ve fikri mülkiyet maddelerini eklememek: Bu maddeleri sözleşme sonrasına bırakmak, hem yasal risk hem bilgi sızıntısı riski doğurur.
• Teslim sonrası pekiştirmeyi ihmal etmek: Eğitim bittiğinde biten bir program, öğrenilenin çoğunu birkaç hafta içinde kaybeder. Pekiştirme ve destek, şartnamede yer almalıdır.

Bu hatalardan kaçınmanın en pratik yolu, şartnameyi tedarikçilere göndermeden önce bağımsız bir gözle gözden geçirmektir. Yapay zeka eğitimi ve dönüşüm konusunda deneyimli bir danışmanın katma değeri tam da buradadır: kurumun gerçek ihtiyacını doğru çıktılara çevirmek, şablonu bağlama uyarlamak ve değerlendirme sürecini nesnelleştirmek. Yapay zeka yatırımlarının neden başarısız olduğunu ve bunun eğitim boyutunu yapay zeka yatırımlarında başarısızlık nedenleri yazısında ele alıyoruz; iyi bir eğitim tedariki, bu başarısızlık nedenlerinin önemli bir kısmını baştan önler.

Bir ai eğitimi teknik şartnamesi, daha geniş bir tedarik sürecinin merkezinde yer alır; şartnameyi tek başına değil, bu sürecin bir parçası olarak düşünmek gerekir. Sağlam bir tedarik süreci, ihtiyaç analizinden eğitim sonrası değerlendirmeye kadar uzanan yedi adımdan oluşur ve her adım bir öncekinin üzerine inşa olur.

Birinci adım — İhtiyaç analizi: Tedarik, bir ihtiyaçla başlar. Hangi ekibin, hangi yetkinlik boşluğu var? Bu boşluk eğitimle mi, işe alımla mı, yoksa araç yatırımıyla mı kapanır? İhtiyaç analizi doğru yapılmadan yazılan bir şartname, yanlış problemi çözmeye çalışır. Bu adımda, eğitimin çözeceği somut iş problemi netleştirilir.

İkinci adım — Şartname hazırlama: İhtiyaç netleştiğinde, bu rehberde ele alınan on iki bileşenle şartname yazılır. Şartname, ihtiyacı tedarikçilerin anlayabileceği ve teklif verebileceği bir dile çevirir. Bu adımın kalitesi, tüm sürecin kalitesini belirler.

Üçüncü adım — Tedarikçi araştırması ve ön eleme: Şartname hazırken, potansiyel tedarikçiler araştırılır ve bir kısa liste oluşturulur. Ön eleme, bariz uygunsuz tedarikçileri baştan eler ve değerlendirme sürecini yönetilebilir kılar.

Dördüncü adım — Teklif toplama: Şartname kısa listedeki tedarikçilere gönderilir ve belirli bir süre içinde teklifler toplanır. Bu adımda, tedarikçilerin soru sorabileceği bir soru-cevap penceresi açmak, tekliflerin kalitesini artırır.

Beşinci adım — Değerlendirme ve puanlama: Teklifler, önceden sabitlenmiş puanlama tablosuyla değerlendirilir. Bu adımda, birden fazla değerlendiricinin bağımsız puanlama yapıp sonra uzlaşması, öznelliği azaltır.

Altıncı adım — Müzakere ve sözleşme: En yüksek puanlı tedarikçiyle detaylar müzakere edilir ve sözleşme imzalanır. Şartnamedeki maddeler, sözleşmenin temelini oluşturur; kabul kriterleri ve ödeme koşulları burada bağlayıcı hâle gelir.

Yedinci adım — Uygulama ve değerlendirme: Eğitim gerçekleştirilir ve şartnamedeki değerlendirme yöntemleriyle etkisi ölçülür. Bu adım, tedarik döngüsünü kapatır ve bir sonraki eğitim için öğrenme sağlar.

Tedarik sürecinin tamamında bir yapay zeka danışmanının rolü, kurumun kendi başına gözden kaçırabileceği noktaları yakalamaktır: gerçekçi olmayan öğrenme çıktıları, eksik uyum maddeleri, veya kıyaslanamaz fiyatlandırma yapıları. Kurumsal yapay zeka eğitimi programınızı doğru kurgulamak için kurumsal eğitim seçeneklerini inceleyebilir, kuruma özel bir yapay zeka stratejisi ve tedarik çerçevesi için yapay zeka danışmanlığı ile başlayabilir ve tüm temel kavramları öğrenme merkezinde derinleştirebilirsiniz.

AI eğitimi teknik şartnamesi nedir ve neden gereklidir?

AI eğitimi teknik şartnamesi, bir kurumun yapay zeka eğitimi satın alırken tedarikçilerden beklediklerini madde madde tanımlayan resmi bir tedarik dokümanıdır (RFP). Gerekli olmasının nedeni, eğitim gibi soyut bir hizmetin kalitesinin sözleşme öncesinde görülememesidir; şartname bu belirsizliği azaltır. Kapsamı, öğrenme çıktılarını, eğitmen niteliklerini, değerlendirme yöntemini ve kabul kriterlerini önceden yazıya döktüğünüzde, hem tedarikçiler aynı zeminde teklif verir hem de sonradan "beklediğimiz bu değildi" tartışması ortadan kalkar. Şartname, öznel bir satın almayı nesnel ve savunulabilir bir sürece dönüştürür.

Bir AI eğitimi şartnamesinde hangi bileşenler mutlaka bulunmalı?

Sağlam bir şartname on iki bileşen içerir: (1) amaç ve kapsam, (2) hedef kitle ve ön koşullar, (3) müfredat/içerik, (4) öğrenme çıktıları, (5) süre ve format, (6) materyal ve platform, (7) ölçme-değerlendirme, (8) eğitmen nitelikleri, (9) referans şartı, (10) fiyatlandırma yapısı, (11) teslim ve lojistik, (12) fikri mülkiyet, gizlilik ve KVKK. Bunlara ek olarak ölçülebilir kabul kriterleri ve bir tedarikçi puanlama tablosu eklenmelidir. Bu bileşenlerden biri eksik kalırsa, değerlendirme sırasında o boşluk öznel yoruma veya sonradan anlaşmazlığa dönüşür.

Öğrenme çıktıları bir şartnamede nasıl yazılmalı?

Öğrenme çıktıları, eğitim sonunda katılımcının ne yapabilir hâle geleceğini ölçülebilir fiillerle tanımlamalıdır. "Yapay zekayı anlar" gibi ölçülemeyen ifadeler yerine, "kendi departmanı için üç somut yapay zeka kullanım senaryosu üretir ve önceliklendirir" gibi gözlemlenebilir çıktılar yazılır. Bloom taksonomisinin fiilleri (tanımlar, uygular, çözümler, değerlendirir, üretir) burada yol gösterir. Ölçülebilir çıktı yazmanın pratik faydası, değerlendirmenin ve kabul kriterinin doğrudan bu çıktılara bağlanabilmesidir; böylece "eğitim başarılı oldu mu?" sorusu kanıta dayanır.

Tedarikçi değerlendirme puanlama tablosu nasıl kurulur?

Puanlama tablosu, değerlendirme kriterlerini ağırlıklandırarak her tedarikçiye nesnel bir toplam puan verir. Tipik olarak teknik yeterlilik (eğitmen deneyimi, müfredat uyumu, referanslar, metodoloji, materyal kalitesi) ve ticari teklif (fiyat, ödeme koşulları) iki ana blokta toplanır ve örneğin 70/30 ağırlıkla değerlendirilir. Her kriter için bir puan aralığı (örneğin 1-5) ve ağırlık tanımlanır; tedarikçi puanı, kriter puanı ile ağırlığın çarpımlarının toplamıdır. Bu tablo, fiyatı en düşük tedarikçinin otomatik seçilmesini engeller ve "neden bu tedarikçiyi seçtik?" sorusuna belgeye dayalı cevap verir.

AI eğitimi şartnamesinde KVKK nasıl ele alınmalı?

KVKK maddesi, eğitim sürecinde işlenecek kişisel verileri (katılımcı ad-soyad, e-posta, değerlendirme sonuçları, bazen kurum içi örnek veriler) kapsamalıdır. Şartnamede tedarikçiden şu taahhütler istenir: verilerin yalnızca eğitim amacıyla işlenmesi, eğitim sonrası imha veya iade, alt yüklenicilere aktarım kısıtı, veri güvenliği önlemleri ve bir veri işleme sözleşmesi. Eğer eğitimde kurumun gerçek verisi (örneğin gerçek müşteri kayıtları) kullanılacaksa, anonimleştirme veya sentetik veri şartı eklenmelidir. KVKK maddesini atlamak, hem yasal risk hem de kurumsal bilgi sızıntısı riski doğurur.

Eğitmen nitelikleri şartnamede nasıl tanımlanır?

Eğitmen nitelikleri, hem biçimsel (eğitim geçmişi, sertifika) hem de kanıta dayalı (gerçek proje deneyimi, referans eğitimler, alan uzmanlığı) ölçütlerle tanımlanmalıdır. Yapay zeka eğitiminde özellikle önemli olan, eğitmenin yalnızca teorik değil, üretim ortamında yapay zeka uygulaması deneyimine sahip olmasıdır; çünkü katılımcıların en çok değer bulduğu şey, gerçek dünyadan örneklerdir. Şartnamede eğitmenin özgeçmişinin sunulmasını, mümkünse ders anlatım örneği veya kısa bir demo talep etmek ve eğitmen değişikliğinin ancak kurum onayıyla yapılabileceğini belirtmek iyi bir uygulamadır.

Sabit fiyat mı yoksa katılımcı başına fiyat mı istenmeli?

İkisinin de yeri vardır ve şartname her ikisini de karşılaştırılabilir biçimde istemelidir. Sabit paket fiyat (belirli bir grup büyüklüğü için toplam ücret), bütçe öngörülebilirliği sağlar ve küçük-orta gruplar için genellikle avantajlıdır. Katılımcı başına fiyat, katılımcı sayısı belirsiz veya çok büyük olduğunda ölçeklenebilirlik sunar. Şartnamede fiyatın neyi kapsadığı (materyal, platform, sertifika, ulaşım, seyahat) açıkça listelenmeli ve gizli maliyet bırakılmamalıdır. Fiyatlandırma yapısını standartlaştırmak, tekliflerin elmalarla elmalar biçiminde karşılaştırılmasını sağlar.

AI eğitimi tedarik sürecinde en sık yapılan hatalar nelerdir?

En sık hatalar: kapsamı belirsiz bırakıp "yapay zeka eğitimi istiyoruz" demekle yetinmek; öğrenme çıktısı yerine yalnızca konu başlığı listelemek; hedef kitlenin ön bilgi seviyesini tanımlamamak; referans şartını atlamak; fiyatı tek ve belirleyici kriter yapmak; değerlendirme ve kabul kriterlerini ölçülemez bırakmak; KVKK ve fikri mülkiyet maddelerini eklememek; ve teslim sonrası destek/pekiştirme sürecini şartnameye koymamaktır. Bu hataların ortak sonucu, kâğıt üzerinde tamamlanmış ama gerçek davranış değişikliği yaratmayan bir eğitimdir.

Kabul kriterleri nasıl ölçülebilir hâle getirilir?

Kabul kriterleri, eğitimin "tamamlandı ve ödeme yapılabilir" sayılması için karşılanması gereken ölçülebilir eşiklerdir. İyi kabul kriterleri örnekleri: minimum katılım oranı (örneğin katılımcıların en az %80'inin oturumlara katılması), değerlendirme geçme eşiği (katılımcıların belirli bir oranının değerlendirmeyi geçmesi), memnuniyet skoru (eğitim sonu anketinde belirli bir ortalama), ve çıktı teslimi (her katılımcının bir uygulama planı veya proje taslağı üretmesi). Bu eşikler şartnamede sayısal olarak tanımlandığında, kabul süreci öznel bir "beğendik/beğenmedik" değerlendirmesi olmaktan çıkar.

Hazır bir AI eğitimi şartname şablonu var mı?

Evet, bu rehberde madde madde kopyalanabilir bir örnek şablon sunulmaktadır. Şablon, on iki bileşenin her biri için doldurulabilir başlıklar içerir: amaç ve kapsam, hedef kitle ve ön koşullar, müfredat, öğrenme çıktıları, süre ve format, materyal ve platform, ölçme-değerlendirme, eğitmen nitelikleri, referans şartı, fiyatlandırma yapısı, teslim ve lojistik, fikri mülkiyet/gizlilik/KVKK ve kabul kriterleri. Şablonu kendi kurumunuzun bağlamına (sektör, ekip büyüklüğü, olgunluk seviyesi) göre uyarlamanız; genel ifadeleri kendi somut ihtiyaçlarınızla değiştirmeniz önerilir.

Özetle ai eğitimi teknik şartnamesi nasıl hazırlanır sorusunun cevabı şudur: kurumun gerçek ihtiyacını, tedarikçilerin aynı zeminde teklif verebileceği ve kurumun nesnel biçimde karşılaştırabileceği on iki bileşene çevirmek. Bu bileşenler — amaç ve kapsam, hedef kitle ve ön koşullar, müfredat, öğrenme çıktıları, süre ve format, materyal ve platform, ölçme-değerlendirme, eğitmen nitelikleri, referans şartı, fiyatlandırma yapısı, teslim/lojistik ve fikri mülkiyet/gizlilik/KVKK — ölçülebilir kabul kriterleri ve bir tedarikçi puanlama tablosuyla birleştiğinde, öznel bir satın almayı savunulabilir bir karara dönüştürür.

En önemli mesaj şudur: iyi bir ai eğitimi teknik şartnamesi, bir belge değil bir düşünme disiplinidir. O disiplini kuran kurumlar, eğitimi umuda değil kanıta dayalı yönetir; doğru kitleye, doğru çıktılarla, ölçülebilir sonuçlarla eğitim satın alır. Temel kavramlar için kurumsal yapay zeka eğitimi nedir ve yapay zeka okuryazarlığı nedir rehberlerine göz atabilir; kuruma özel bir eğitim programı ve tedarik çerçevesi için kurumsal eğitim ve yapay zeka danışmanlığı ile başlayabilirsiniz. Doğru hazırlanmış bir şartname, yapay zeka eğitiminizi kâğıt üzerinde tamamlanan bir formaliteden, gerçek yetkinlik yaratan bir yatırıma dönüştürür.