Dİjİtal İnsan

Otel İşletmelerinde İşe Alım ve Oryantasyon Süreçlerinde Yapay Zekâ, Metaverse, VR, AR ve XR Teknolojilerinin Kullanılabilirliği Üzerine Literatür Temelli Bir Değerlendirme

Özet

Bu çalışma, otel işletmelerinde işe alım ve oryantasyon süreçlerinde yapay zekâ (AI), başvuru takip sistemleri (ATS), metaverse, sanal gerçeklik (VR), artırılmış gerçeklik (AR) ve genişletilmiş gerçeklik (XR) teknolojilerinin kullanılabilirliğini inceleyen kavramsal ve literatür temelli bir makaledir. Çalışmada insan kaynakları yönetimi, e-işe alım, algoritmik karar verme, aday deneyimi, örgütsel adalet, hizmet kalitesi, eğitim teknolojileri ve konaklama işletmelerinde dijital dönüşüm alanlarında bilimsel makale ve akademik kaynak analitik biçimde değerlendirilmiştir. Bulgular, AI destekli işe alımın ilan oluşturma, aday havuzu genişletme, özgeçmiş ayrıştırma, ön eleme, sohbet botları, video mülakat analizi, beceri eşleştirme ve işgücü planlaması gibi aşamalarda hız, ölçeklenebilirlik ve veri temelli karar desteği sağladığını göstermektedir. Bununla birlikte algoritmik önyargı, şeffaflık eksikliği, kişisel verilerin korunması, adayların insan dışılaştırılma algısı, hukuki uyum ve teknolojik bağımlılık önemli risklerdir. Metaverse, VR, AR ve XR ise özellikle gerçekçi iş önizlemesi, otel turu, departman tanıtımı, güvenlik eğitimi, hizmet senaryosu provası ve kültürel oryantasyon için güçlü fırsatlar sunmaktadır.

 Sonuç olarak otel işletmeleri için en uygun model, AI’nın karar verici değil karar destekleyici olarak konumlandığı; insan denetimi, etik denetim, veri yönetişimi ve kapsayıcı tasarım ilkeleriyle güçlendirilmiş hibrit işe alım ve oryantasyon modelidir.

Anahtar Kelimeler: Yapay Zekâ; İşe Alım; Başvuru Takip Sistemi; Otel İşletmeleri; Sanal Gerçeklik; Artırılmış Gerçeklik; Metaverse; Oryantasyon.

Abstract

This article provides a conceptual and literature-based assessment of the usability of artificial intelligence (AI), applicant tracking systems (ATS), the metaverse, virtual reality (VR), augmented reality (AR), and extended reality (XR) in hotel recruitment and orientation processes. Drawing analytically on at least 50 scholarly articles and academic sources from human resource management, e-recruitment, algorithmic decision-making, candidate experience, organizational justice, service quality, training technologies, and digital transformation in hospitality, the study shows that AI-enabled recruitment can improve speed, scalability, and data-informed decision support in job advertisement design, talent sourcing, resume parsing, pre-screening, chatbots, video interview analytics, skill matching, and workforce planning. However, algorithmic bias, lack of transparency, personal data protection, perceived dehumanization, legal compliance, and technological dependency remain critical risks. The metaverse, VR, AR, and XR offer strong opportunities for realistic job previews, hotel tours, departmental introductions, safety training, service scenario rehearsal, and cultural onboarding. The study concludes that the most appropriate model for hotel businesses is a hybrid recruitment and orientation model in which AI functions as decision support rather than as an autonomous decision-maker and is strengthened by human oversight, ethical auditing, data governance, and inclusive design.

Keywords: Artificial Intelligence; Recruitment; Applicant Tracking System; Hotel Businesses; Virtual Reality; Augmented Reality; Metaverse; Orientation.

1. Giriş

Konaklama endüstrisi, emek yoğun hizmet üretimi, yüksek personel devir oranı, mevsimsellik, çok kültürlü müşteri profili ve hizmet kalitesinin doğrudan çalışan davranışına bağlı olması nedeniyle işe alım ve oryantasyon süreçlerinde özel zorluklar taşır. Otel işletmelerinde yanlış işe alım yalnızca maliyet artışına değil, misafir memnuniyeti, çevrimiçi itibar, ekip uyumu ve marka vaadinin tutarlılığı üzerinde de olumsuz sonuçlara yol açar. Bu nedenle insan kaynakları yönetimi artık yalnızca aday bulma ve işe yerleştirme işlevi değil, hizmet deneyiminin stratejik belirleyicilerinden biridir.

Dijital dönüşüm bu alanda yeni araçlar üretmiştir. E-işe alım uygulamaları, sosyal medya kaynaklı aday havuzları, başvuru takip sistemleri, makine öğrenmesi tabanlı eşleştirme, doğal dil işleme, sohbet botları, video mülakat analitiği ve tahmine dayalı insan kaynakları analitiği işe alım sürecini yeniden yapılandırmaktadır (Breaugh, 2008; Chapman & Webster, 2003; Stone et al., 2015). Son yıllarda bu dönüşüme metaverse, VR, AR ve XR teknolojileri de eklenmiştir. Bu teknolojiler adayların otel ortamını deneyimlemesini, işin fiziksel ve duygusal taleplerini görmesini, simülasyon temelli beceri ölçümlerine katılmasını ve işe başladıktan sonra gerçekçi oryantasyon senaryoları üzerinden öğrenmesini mümkün kılar (Bailenson, 2018; Buhalis & Karatay, 2022; Guttentag, 2010).

Bu makalenin amacı, otel işletmelerinde AI ile işe alımın kullanılabilirliğini; ATS, algoritmik karar verme, aday deneyimi, etik, adalet, VR/AR/XR destekli oryantasyon ve metaverse tabanlı insan kaynakları uygulamalarıyla birlikte değerlendirmektir. Çalışma, en az 50 bilimsel makale ve akademik kaynağın tematik analiziyle hazırlanmış kavramsal bir incelemedir. Araştırma sorusu şu şekilde formüle edilmiştir: Otel işletmeleri AI, ATS, metaverse, VR, AR ve XR teknolojilerini işe alım ve oryantasyon süreçlerinde hangi uygulama biçimleriyle, hangi avantajlar ve riskler altında kullanabilir?

2. Kavramsal Çerçeve

Bu bölümde AI ile işe alımın anlaşılabilmesi için öncelikle temel teknolojik ve yönetsel kavramlar açıklanmakta; ardından bu kavramların otel işletmelerindeki işe alım ve oryantasyon süreçleriyle ilişkisi kurulmaktadır. Kavramlar birbirini tamamlayan bir çerçeve içinde ele alınarak teknolojinin yalnızca teknik değil, etik ve deneyimsel boyutlarıyla da değerlendirilmesi amaçlanmaktadır.

2.1 Yapay Zekâ (AI)

Yapay zekâ, insan benzeri algılama, sınıflandırma, tahmin, dil işleme, öneri üretme ve karar desteği sağlama yeteneğine sahip algoritmik sistemleri ifade eder. İnsan kaynakları bağlamında AI; özgeçmiş ayrıştırma, aday puanlama, iş ilanı metni optimizasyonu, sohbet botu aracılığıyla aday iletişimi, video mülakat analizi, çalışan devir tahmini ve beceri eşleştirme gibi alanlarda kullanılır (Davenport et al., 2020; Vrontis et al., 2022). AI’nın işe alımdaki temel vaadi, büyük aday havuzlarından iş gereklerine en uygun adayların daha hızlı belirlenmesidir. Ancak literatür, AI’nın tarafsız bir teknoloji olmadığını; eğitim verisi, model tasarımı, örgütsel amaçlar ve kullanıcı kararlarıyla şekillenen sosyo-teknik bir sistem olduğunu vurgular (Barocas & Selbst, 2016; Raghavan et al., 2020). Yapay zekânın insan kaynakları alanındaki rolü açıklandıktan sonra, bu teknolojinin hangi süreci dönüştürdüğünü göstermek için işe alım kavramının kapsamını belirlemek gerekir.

2.2 İşe Alım

İşe alım, örgütün ihtiyaç duyduğu niteliklere sahip adayları çekme, bilgilendirme, değerlendirme ve seçme sürecidir. Breaugh (2008), işe alımın yalnızca aday sayısını artırma değil, doğru aday-iş-örgüt uyumunu sağlama süreci olduğunu belirtir. Otel işletmelerinde bu uyum teknik becerilerin yanında duygusal emek, iletişim, kültürlerarası duyarlılık, vardiyalı çalışma uyumu, hizmet odaklılık ve kriz anında davranış gibi nitelikleri kapsar. Bu nedenle AI destekli işe alım, yalnızca anahtar kelime eşleşmesine dayalı mekanik bir eleme değil, iş analizi ve yetkinlik modeliyle uyumlu çok ölçütlü bir karar destek sistemi olarak tasarlanmalıdır. İşe alım sürecinin temel mantığı ortaya konulduğunda, bu sürecin dijital ortamda nasıl yönetildiğini açıklayan en önemli araçlardan biri ATS sistemleridir.

2.3 Başvuru Takip Sistemi (ATS)

ATS, iş ilanlarının yayımlanması, başvuruların toplanması, özgeçmişlerin ayrıştırılması, adaylarla iletişim kurulması, değerlendirme notlarının saklanması ve işe alım iş akışının izlenmesi için kullanılan dijital platformdur. Modern ATS’ler AI modülleriyle bütünleşerek aday sıralama, otomatik yanıt, mülakat planlama, yetkinlik eşleştirme ve raporlama işlevleri sunabilir. Ancak ATS’nin teknik kapasitesi, veri kalitesi ve insan kaynakları ekibinin sistemi nasıl yapılandırdığı sonuçları belirler.

Bu nedenle ATS, otel işletmelerinde standartlaştırma ve izlenebilirlik sağlarken, otomatik puanların mutlak karar ölçütü hâline getirilmesi adalet ve çeşitlilik açısından risklidir (Langer et al., 2021; Raghavan et al., 2020). ATS sistemleri aday verilerinin yönetilmesini sağlarken, metaverse ve gerçeklik teknolojileri adayın işi deneyimleme biçimini dönüştürmektedir; bu nedenle işe alımın deneyimsel boyutu ayrıca ele alınmalıdır.

2.4 Metaverse, VR, AR ve XR

Metaverse, kullanıcıların avatarlar, dijital ikizler ve etkileşimli üç boyutlu ortamlar aracılığıyla eşzamanlı deneyimler yaşayabildiği sanal ekosistemleri ifade eder. VR kullanıcının tamamen sanal bir ortama girmesini; AR fiziksel dünyanın üzerine dijital bilgi bindirilmesini; XR ise VR, AR ve karma gerçeklik uygulamalarını kapsayan şemsiye kavramı ifade eder (Bailenson, 2018; Milgram & Kishino, 1994). Otel işletmelerinde bu teknolojiler adaylara gerçekçi iş önizlemesi sunma, mutfak, ön büro, kat hizmetleri ve yiyecek-içecek senaryolarını simüle etme, hizmet hatalarını güvenli ortamda deneyimleme ve çalışan oryantasyonunu standartlaştırma potansiyeline sahiptir. Bu teknolojilerin işe alım ve oryantasyon süreçlerine dâhil edilmesi, beraberinde adalet, şeffaflık ve aday deneyimi gibi insan merkezli ölçütlerin de tartışılmasını zorunlu kılmaktadır.

2.5 Algoritmik Adalet, Şeffaflık ve Aday Deneyimi

AI ile işe alımda algoritmik adalet, benzer niteliklere sahip adayların cinsiyet, yaş, etnik köken, engellilik, sosyoekonomik arka plan veya dil farklılığı nedeniyle sistematik dezavantaj yaşamamasıdır. Şeffaflık ise adayların hangi verilerinin hangi amaçla işlendiğini ve değerlendirmenin nasıl yapıldığını anlayabilmesini gerektirir. Aday deneyimi literatürü, işe alım sürecinde adalet, açıklanabilirlik, geri bildirim, mahremiyet ve insan teması algısının örgüte yönelik çekiciliği etkilediğini göstermektedir (Gilliland, 1993; Hausknecht et al., 2004; Nikolaou, 2021). Dolayısıyla AI tabanlı sistemler teknik doğruluk kadar psikolojik kabul ve örgütsel meşruiyet açısından da değerlendirilmelidir.

3. Yöntem: Literatür Analizi Yaklaşımı

Bu çalışma ampirik veri toplamaya dayalı bir saha araştırması değil, literatür temelli kavramsal bir incelemedir. Analiz kapsamı, AI ile işe alım, algoritmik işe alım, ATS, e-işe alım, aday deneyimi, insan kaynakları analitiği, algoritmik önyargı, konaklama işletmelerinde dijital insan kaynakları, VR/AR destekli eğitim, metaverse turizmi ve oryantasyon başlıklarında yayımlanmış akademik çalışmalardan oluşturulmuştur. İncelenen çalışmalar tematik olarak beş kümeye ayrılmıştır: (1) işe alım ve e-işe alım kuramı, (2) AI ve algoritmik seçim sistemleri, (3) etik, adalet ve ayrımcılık, (4) otel ve turizm bağlamında dijital dönüşüm, (5) VR/AR/XR ve metaverse destekli eğitim-oryantasyon. Literatürden çıkarılan ana ölçütler; uygulanabilirlik, maliyet ve ölçeklenebilirlik, aday deneyimi, hizmet kalitesiyle ilişki, veri güvenliği, hukuki uygunluk, örgütsel adalet ve insan denetimi olarak belirlenmiştir. Bu ölçütler otel işletmelerinin işe alım ve oryantasyon süreçleriyle ilişkilendirilerek değerlendirilmiştir.

4. Otel İşletmelerinde AI ile İşe Alımın Uygulama Şekli

Bu bölümde kavramsal çerçevede açıklanan teknolojilerin otel işletmelerindeki işe alım ve oryantasyon akışına nasıl yerleştirilebileceği aşamalı biçimde ele alınmaktadır. Uygulama basamakları, aday ihtiyacının tanımlanmasından oryantasyon eğitimine kadar uzanan bütüncül bir insan kaynakları süreci olarak düzenlenmiştir.

4.1 İş Analizi ve Yetkinlik Modeli Oluşturma

AI ile işe alımın ilk aşaması, otel pozisyonlarının doğru tanımlanmasıdır. Ön büro görevlisi için yabancı dil, problem çözme, empati ve satış becerisi; kat hizmetleri için dikkat, hijyen standardı ve fiziksel dayanıklılık; yiyecek-içecek personeli için servis bilgisi, hız, takım çalışması ve stres yönetimi gibi yetkinlikler ayrı ayrı tanımlanmalıdır. AI sistemi bu yetkinlik modeli üzerine kurulmadığında yalnızca geçmişte işe alınmış kişilere benzeyen adayları seçme eğilimi gösterebilir.

4.2 İlan Metni ve Aday Havuzu Yönetimi

Doğal dil işleme tabanlı araçlar iş ilanlarında dışlayıcı, cinsiyetçi veya belirsiz ifadeleri tespit edebilir. Örneğin “genç ve dinamik” gibi yaş çağrışımı yüksek ifadeler yerine görev temelli ve ölçülebilir yetkinlikler kullanılabilir. AI ayrıca farklı kanallardan gelen başvuruları analiz ederek hangi ilan platformunun hangi pozisyon için daha nitelikli aday sağladığını raporlayabilir.

4.3 ATS ile Özgeçmiş Ayrıştırma ve Ön Eleme

ATS, başvuruları tek merkezde toplar ve özgeçmişlerden eğitim, deneyim, sertifika, dil, yetkinlik ve çalışma izni gibi bilgileri ayrıştırır. Otel işletmelerinde bu özellik özellikle sezonluk alımlarda yararlıdır. Ancak sistemin yalnızca anahtar kelimeye dayalı eleme yapması, farklı biçimde yazılmış fakat uygun deneyime sahip adayları dışlayabilir. Bu nedenle ön eleme kriterleri insan kaynakları uzmanı tarafından doğrulanmalı, otomatik ret kararları düzenli olarak örneklem denetimine tabi tutulmalıdır.

4.4 Sohbet Botları ve Aday İletişimi

AI sohbet botları adaylara vardiya, ücret aralığı, lokasyon, lojman, yan haklar, çalışma izni ve mülakat takvimi hakkında hızlı yanıt verebilir. Bu durum aday deneyimini güçlendirir ve insan kaynakları ekibinin tekrarlayan sorulara ayırdığı zamanı azaltır. Bununla birlikte bot yanıtları hukuki ve örgütsel açıdan onaylı bilgi tabanına dayanmalı, adayın karmaşık soruları insan uzmanlara aktarılmalıdır.

4.5 Video Mülakat, Beceri Testi ve Simülasyon

AI destekli video mülakat sistemleri adayların yanıt içeriklerini, dil kullanımını ve bazı davranışsal göstergeleri analiz edebilir. Ancak yüz ifadesi, aksan, kamera kalitesi, engellilik durumu veya kültürel iletişim farklarının yanlış yorumlanması riski yüksektir. Bu nedenle otel işletmeleri video analitiğini tek başına eleme aracı olarak değil, yapılandırılmış mülakat notlarını destekleyen sınırlı bir araç olarak kullanmalıdır. VR veya XR tabanlı simülasyonlar ise daha işle ilgili ölçümler sunabilir: örneğin zor bir misafir şikâyetine yanıt verme, oda temizlik standardını kontrol etme veya restoran servis akışında hata bulma gibi görevler adayın işe yakın performansını gösterebilir.

4.6 Metaverse ve Gerçekçi İş Önizlemesi

Metaverse tabanlı otel tanıtımları adayın lobi, resepsiyon, mutfak, oda, toplantı salonu ve personel alanlarını sanal olarak gezmesini sağlayabilir. Böylece aday işin fiziksel ortamını, hizmet temposunu ve departmanlar arası ilişkiyi işe başlamadan önce görebilir. Gerçekçi iş önizlemesi, beklenti-iş gerçekliği uyumunu artırarak erken dönem işten ayrılmayı azaltabilir.

4.7 Oryantasyon ve Eğitim

VR/AR/XR destekli oryantasyon, işe yeni başlayan çalışanlara otel kültürü, güvenlik prosedürleri, yangın ve tahliye planı, hijyen standartları, misafir karşılama dili, şikâyet yönetimi ve marka standartlarını uygulamalı biçimde öğretebilir. AR gözlükleri veya mobil AR uygulamaları, yeni çalışana fiziksel alanda görev adımlarını gösterebilir. Bu yaklaşım özellikle zincir otellerde standart hizmet kalitesinin farklı lokasyonlarda korunmasına katkı sağlar.

5. Avantajlar

AI, ATS, metaverse, VR, AR ve XR teknolojileri doğru tasarlandığında otel işletmelerinin işe alım ve oryantasyon süreçlerine çok boyutlu katkılar sağlayabilir. Aşağıdaki avantajlar, literatürde öne çıkan verimlilik, standartlaşma, aday deneyimi ve öğrenme etkileri çerçevesinde sınıflandırılmıştır.

1. Hız ve ölçeklenebilirlik: AI ve ATS, yüksek başvuru hacmini kısa sürede düzenleyerek sezonluk otel alımlarında zaman kazandırır.

2. Standartlaştırma: Yapılandırılmış kriterler, mülakat ve değerlendirme süreçlerinde kişiden kişiye değişen uygulamaları azaltabilir.

3. Veri temelli karar desteği: Hangi kaynakların kaliteli aday getirdiği, hangi pozisyonlarda devir riskinin yüksek olduğu ve hangi yetkinliklerin performansla ilişkili olduğu analiz edilebilir.

4. Aday deneyimi: Sohbet botları, otomatik bilgilendirme ve hızlı mülakat planlama adayın belirsizlik algısını azaltabilir.

5. Gerçekçi iş önizlemesi: VR ve metaverse uygulamaları adayın işi ve otel ortamını deneyimlemesini sağlayarak beklenti uyumunu artırabilir.

6. Eğitim güvenliği: Yeni çalışanlar yangın, kriz, öfkeli misafir veya hijyen hatası gibi kritik durumları gerçek müşteriye zarar vermeden simüle edebilir.

7. Kapsayıcı tasarım fırsatı: Doğru tasarlanmış AI sistemleri ilan dilindeki önyargıları tespit edebilir ve daha geniş aday havuzlarına ulaşmayı destekleyebilir.

6. Riskler

Söz konusu teknolojiler önemli fırsatlar sunsa da, insan kaynakları kararlarının doğrudan bireylerin kariyerini etkilemesi nedeniyle dikkatle yönetilmesi gereken riskler de üretmektedir. Aşağıdaki riskler, özellikle etik, hukuki, teknik ve örgütsel kabul boyutları açısından değerlendirilmelidir.

1. Algoritmik önyargı: Geçmiş işe alım verileri ayrımcı örüntüler içeriyorsa AI bu örüntüleri yeniden üretebilir (Barocas & Selbst, 2016; Bogen & Rieke, 2018).

2. Şeffaflık eksikliği: Adaylar neden elendiklerini anlayamazsa örgütsel adalet algısı zayıflar (Gilliland, 1993; Langer et al., 2021).

3. Mahremiyet ve veri güvenliği: Video, ses, biyometrik veri, davranışsal veri ve başvuru geçmişinin işlenmesi açık rıza, veri minimizasyonu ve saklama süresi ilkeleri gerektirir.

4. İnsan dışılaştırma algısı: Adayın yalnızca skor olarak görülmesi otel markasının misafirperverlik imajıyla çelişebilir.

5. Teknolojik eşitsizlik: Zayıf internet bağlantısı, düşük cihaz kalitesi, engellilik veya dijital okuryazarlık farkları aday değerlendirmesini etkileyebilir.

6. Yanlış ölçüm: Yüz ifadesi veya ses tonundan kişilik çıkarımı gibi tartışmalı uygulamalar bilimsel geçerlik açısından sorunludur.

7. Maliyet ve entegrasyon: VR/XR donanımı, içerik üretimi, ATS entegrasyonu ve personel eğitimi özellikle küçük oteller için maliyetli olabilir.

7. Tartışma

Literatür genel olarak AI ile işe alımın iki yönlü bir etki yarattığını göstermektedir. Birinci yön, verimlilik ve karar desteğidir. E-işe alım ve dijital insan kaynakları çalışmaları, teknolojinin adaylara erişimi artırdığını, süreçleri hızlandırdığını ve insan kaynakları fonksiyonunu daha stratejik hâle getirdiğini belirtir (Chapman & Webster, 2003; Parry & Tyson, 2008; Stone et al., 2015). Otel işletmeleri açısından bu bulgu özellikle yüksek devir oranı ve mevsimsel personel ihtiyacı nedeniyle önemlidir. AI destekli ATS, aday havuzu yönetimi ve mülakat planlamasında ciddi operasyonel fayda sağlayabilir. İkinci yön, adalet ve etik risklerdir. Algoritmik ayrımcılık literatürü, AI sistemlerinin geçmiş verilerdeki ayrımcı yapıları öğrenebileceğini, görünüşte tarafsız değişkenlerin dolaylı olarak korunan özellikleri temsil edebileceğini ve otomatik kararların itiraz edilebilirliğini zayıflatabileceğini göstermektedir (Barocas & Selbst, 2016; Kim, 2017; Raghavan et al., 2020). Köchling ve Wehner’in (2020) sistematik incelemesi, algoritmik karar vermenin insan kaynaklarında ayrımcılık ve adalet bakımından hâlen sınırlı ampirik kanıta dayandığını vurgular. Bu nedenle otel işletmelerinde AI uygulamaları, “daha hızlı işe alım” hedefiyle sınırlı görülmemeli; çeşitlilik, kapsayıcılık ve hizmet kültürüyle birlikte yönetilmelidir. Aday deneyimi çalışmaları, işe alım teknolojilerinin kabulünün yalnızca teknik etkinlikle açıklanamayacağını göstermektedir. Adaylar süreci adil, anlaşılır ve saygılı bulmadığında örgüte yönelik çekicilik azalabilir (Hausknecht et al., 2004; Nikolaou, 2021). Bu sonuç otel işletmeleri için kritiktir; çünkü aday aynı zamanda gelecekteki misafir, marka elçisi veya çevrimiçi yorum üreten bir paydaş olabilir. Dolayısıyla AI tabanlı işe alımda adaylara sistemin kullanımı hakkında açık bilgi verilmeli, insanla iletişim kanalı korunmalı ve geri bildirim süreçleri güçlendirilmelidir.

VR, AR, XR ve metaverse literatürü ise işe alım ve oryantasyonda daha deneyimsel bir fırsat alanı sunmaktadır. Guttentag (2010) ve Tussyadiah ve arkadaşları (2018), sanal gerçeklik deneyimlerinin turizmde algı, öğrenme ve karar verme süreçlerini etkileyebildiğini göstermektedir. Eğitim teknolojileri literatürü de simülasyonun karmaşık becerileri güvenli ortamda geliştirme potansiyeline işaret eder (Merchant et al., 2014; Radianti et al., 2020). Otel bağlamında bu durum, adayların ve yeni çalışanların hizmet senaryolarını uygulamalı biçimde deneyimlemesi anlamına gelir. Ancak VR/AR/XR sistemlerinin etkili olması için içeriklerin gerçek iş analizine dayanması, erişilebilirlik standartlarını karşılaması ve öğrenme çıktılarıyla ilişkilendirilmesi gerekir.

Literatürde dikkat çeken bir boşluk, AI destekli işe alım ile XR destekli oryantasyonun birlikte ele alındığı otel odaklı ampirik çalışmaların sınırlı olmasıdır. Çoğu çalışma ya insan kaynakları algoritmalarına ya da turizmde VR deneyimine odaklanmaktadır. Oysa otel işletmelerinde işe alım ve oryantasyon birbirini tamamlayan süreçlerdir. Adaya işe alım aşamasında gösterilen sanal iş önizlemesi, işe başladıktan sonra VR oryantasyon modülleriyle devam ettirilebilir. Böyle bir bütünleşik model hem doğru aday seçimini hem de erken dönem adaptasyonu destekleyebilir.

8. Sonuç ve Öneriler

Bu çalışma, otel işletmelerinde AI ile işe alımın yüksek uygulanabilirliğe sahip olduğunu; ancak başarılı uygulamanın teknoloji satın almaktan çok yönetişim, etik tasarım ve insan denetimi gerektirdiğini ortaya koymaktadır. AI ve ATS sistemleri işe alımın hızını, izlenebilirliğini ve veri temelli niteliğini artırabilir. Metaverse, VR, AR ve XR ise özellikle gerçekçi iş önizlemesi ve oryantasyon alanında otel işletmelerine güçlü deneyimsel araçlar sunar. Buna karşılık algoritmik önyargı, şeffaflık eksikliği, mahremiyet, aday deneyimi ve maliyet riskleri dikkate alınmadığında bu teknolojiler örgütsel adalet ve marka itibarı açısından zarar üretebilir.

Otel işletmeleri için öneriler şunlardır:

1. AI sistemleri nihai karar verici değil, insan kaynakları uzmanını destekleyen karar destek aracı olarak kullanılmalıdır.

2. Her pozisyon için güncel iş analizi ve yetkinlik modeli oluşturulmalı; algoritmalar bu modele göre yapılandırılmalıdır.

3. ATS ve AI çıktıları düzenli olarak cinsiyet, yaş, engellilik, uyruk ve diğer ayrımcılık riskleri açısından denetlenmelidir.

4. Adaylara AI kullanımına ilişkin açık bilgilendirme yapılmalı, itiraz ve insan incelemesi hakkı tanınmalıdır.

5. Video mülakat analitiği gibi yüksek riskli uygulamalarda ölçüm geçerliği kanıtlanmamış değişkenlerden kaçınılmalıdır.

6. VR/AR/XR oryantasyon modülleri gerçek otel senaryolarına, hizmet standartlarına ve ölçülebilir öğrenme çıktısına dayanmalıdır.

7. Küçük ve bağımsız oteller pahalı metaverse yatırımları yerine mobil AR, 360 derece otel turu ve basit simülasyonlarla başlayabilir.

8. İnsan kaynakları ekiplerine veri okuryazarlığı, algoritmik adalet, KVKK/GDPR farkındalığı ve teknoloji etiği eğitimi verilmelidir.

9. Teknoloji performansı yalnızca işe alım süresiyle değil; aday memnuniyeti, işe uyum, ilk altı ayda kalıcılık, hizmet kalitesi ve çeşitlilik göstergeleriyle ölçülmelidir.

Gelecek araştırmalar, otel işletmelerinde AI tabanlı ön eleme ile VR tabanlı gerçekçi iş önizlemesinin aday kalitesi, aday deneyimi, işten ayrılma niyeti ve hizmet performansı üzerindeki etkilerini deneysel veya yarı deneysel tasarımlarla incelemelidir. Ayrıca farklı otel türleri, destinasyonlar ve kültürel bağlamlarda algoritmik işe alımın adalet algısı üzerindeki etkileri karşılaştırmalı olarak araştırılmalıdır.

Kaynakça

Acikgoz, Y. (2019). Employee recruitment and job search: Towards a multi-level integration. Human Resource Management Review, 29 (1), 1–13.

Ajunwa, I. (2020). The paradox of automation as anti-bias intervention. Cardozo Law Review, 41 (5), 1671–1742.

Bailenson, J. N. (2018). Experience on demand: What virtual reality is, how it works, and what it can do. W. W. Norton.

Barocas, S., & Selbst, A. D. (2016). Big data’s disparate impact. California Law Review, 104 (3), 671–732.

Binns, R. (2018). Fairness in machine learning: Lessons from political philosophy. Proceedings of Machine Learning Research, 81, 149–159.

Black, J. S., & van Esch, P. (2020). AI-enabled recruiting: What is it and how should a manager use it? Business Horizons, 63 (2), 215–226.

Bogen, M., & Rieke, A. (2018). Help wanted: An examination of hiring algorithms, equity, and bias. Upturn.

Bondarouk, T., & Brewster, C. (2016). Conceptualising the future of HRM and technology research. The International Journal of Human Resource Management, 27 (21), 2652–2671.

Breaugh, J. A. (2008). Employee recruitment: Current knowledge and important areas for future research. Human Resource Management Review, 18 (3), 103–118.

Buhalis, D., & Karatay, N. (2022). Mixed reality (MR) for generation Z in cultural heritage tourism towards metaverse. Information and Communication Technologies in Tourism 2022, 16–27.

Buhalis, D., & Law, R. (2008). Progress in information technology and tourism management. Tourism Management, 29 (4), 609–623.

Buhalis, D., & Leung, R. (2018). Smart hospitality: Interconnectivity and interoperability towards an ecosystem. International Journal of Hospitality Management, 71, 41–50.

Calvard, T. S. (2016). Big data, organizational learning, and sensemaking. Human Resource Management Review, 26 (1), 22–34.

Chamorro-Premuzic, T., Winsborough, D., Sherman, R. A., & Hogan, R. (2016). New talent signals: Shiny new objects or a brave new world? Industrial and Organizational Psychology, 9 (3), 621–640.

Chapman, D. S., & Webster, J. (2003). The use of technologies in the recruiting, screening, and selection processes for job candidates. International Journal of Selection and Assessment, 11 (2–3), 113–120.

Cheng, M., & Hackett, R. D. (2021). A critical review of algorithms in HRM. Human Resource Management Review, 31 (1), 100698.

Dastin, J. (2018). Amazon scraps secret AI recruiting tool that showed bias against women. Reuters. Davenport, T. H., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48 (1), 24–42.

Dineen, B. R., & Allen, D. G. (2016). Third party employment branding: Human capital inflows and outflows following “best places to work” certifications. Academy of Management Journal,10 59 (1), 90–112.

Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin,

R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People–An ethical framework for a good AI society. Minds and Machines, 28 (4), 689–707.

Galanaki, E. (2002). The decision to recruit online: A descriptive study. Career Development International, 7 (4), 243–251.

Garg, S., Sinha, S., Kar, A. K., & Mani, M. (2022). A review of machine learning applications in human resource management. International Journal of Productivity and Performance Management, 71 (5), 1590–1610.

Giermindl, L. M., Strich, F., Christ, O., Leicht-Deobald, U., & Redzepi, A. (2022). The dark sides of people analytics: Reviewing the perils for organisations and employees. European Journal of Information Systems, 31 (3), 410–435.

Gilliland, S. W. (1993). The perceived fairness of selection systems. Academy of Management Review, 18 (4), 694–734.

Guttentag, D. A. (2010). Virtual reality: Applications and implications for tourism. Tourism Management, 31 (5), 637–651.

Hausknecht, J. P., Day, D. V., & Thomas, S. C. (2004). Applicant reactions to selection procedures: An updated model and meta-analysis. Personnel Psychology, 57 (3), 639–683.

Highhouse, S. (2008). Stubborn reliance on intuition and subjectivity in employee selection. Industrial and Organizational Psychology, 1 (3), 333–342.

Huang, M.-H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of Service Research, 21 (2), 155–172.

Ivanov, S., & Webster, C. (2019). Economic fundamentals of the use of robots, artificial intelligence, and service automation in travel, tourism, and hospitality. Robots, Artificial Intelligence, and Service Automation in Travel, Tourism and Hospitality, 39–55.

Johnson, R. D., Stone, D. L., & Lukaszewski, K. M. (2021). The benefits of eHRM and AI for talent acquisition. Journal of Tourism Futures, 7 (1), 40–52.

Kim, P. T. (2017). Data-driven discrimination at work. William & Mary Law Review, 58 (3), 857– 936.

Köchling, A., & Wehner, M. C. (2020). Discriminated by an algorithm: A systematic review of discrimination and fairness by algorithmic decision-making in HR recruitment and HR development. Business Research, 13 (3), 795–848.

Kuncel, N. R., Klieger, D. M., Connelly, B. S., & Ones, D. S. (2013). Mechanical versus clinical data combination in selection and admissions decisions. Journal of Applied Psychology, 98 (6), 1060–1072.

Langer, M., König, C. J., & Fitili, A. (2018). Information as a double-edged sword: The role of computer experience and information on applicant reactions towards novel technologies for personnel selection. Computers in Human Behavior, 81, 19–30.

Langer, M., König, C. J., & Papathanasiou, M. (2019). Highly automated job interviews: Acceptance under the influence of stakes. International Journal of Selection and Assessment, 27 (3), 217–234.

Langer, M., König, C. J., Sanchez, D. R. P., & Samadi, S. A. (2021). Highly automated interviews: Applicant reactions and the organizational context. Journal of Managerial Psychology, 36 (4), 301–314.

Law, R., Leung, R., & Buhalis, D. (2009). Information technology applications in hospitality and tourism. Journal of Travel & Tourism Marketing, 26 (5–6), 599–623.

Leicht-Deobald, U., Busch, T., Schank, C., Weibel, A., Schafheitle, S., Wildhaber, I., & Kasper, G. (2019). The challenges of algorithm-based HR decision-making for personal integrity. Journal of Business Ethics, 160 (2), 377–392.

Madanchian, M., Taherdoost, H., & Vincenti, G. (2023). Artificial intelligence in human resource management: A systematic literature review. Procedia Computer Science, 219, 171–178.

Marler, J. H., & Boudreau, J. W. (2017). An evidence-based review of HR analytics. The International Journal of Human Resource Management, 28 (1), 3–26.

Merchant, Z., Goetz, E. T., Cifuentes, L., Keeney-Kennicutt, W., & Davis, T. J. (2014). Effectiveness of virtual reality-based instruction on students’ learning outcomes. Computers & Education, 70, 29–40.

Milgram, P., & Kishino, F. (1994). A taxonomy of mixed reality visual displays. IEICE Transactions on Information and Systems, E77-D(12), 1321–1329.

Nikolaou, I. (2021). What is the role of technology in recruitment and selection? The Spanish Journal of Psychology, 24, e2.

Ore, O., & Sposato, M. (2022). Opportunities and risks of artificial intelligence in recruitment and selection. International Journal of Organizational Analysis, 30 (6), 1771–1782.

Parry, E., & Tyson, S. (2008). An analysis of the use and success of online recruitment methods in the UK. Human Resource Management Journal, 18 (3), 257–274.

Pillai, R., & Sivathanu, B. (2020). Adoption of artificial intelligence (AI) for talent acquisition in IT/ITeS organizations. Benchmarking: An International Journal, 27 (9), 2599–2629.

Radianti, J., Majchrzak, T. A., Fromm, J., & Wohlgenannt, I. (2020). A systematic review of immersive virtual reality applications for higher education. Computers & Education, 147, 103778.

Raghavan, M., Barocas, S., Kleinberg, J., & Levy, K. (2020). Mitigating bias in algorithmic hiring: Evaluating claims and practices. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, 469–481.

Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation–augmentation paradox. Academy of Management Review, 46 (1), 192–210.

Sajjadiani, S., Sojourner, A. J., Kammeyer-Mueller, J. D., & Mykerezi, E. (2019). Using machine learning to translate applicant work history into predictors of performance and turnover. Journal of Applied Psychology, 104 (10), 1207–1225.

Sivathanu, B., & Pillai, R. (2018). Smart HR 4.0: How industry 4.0 is disrupting HR. Human Resource Management International Digest, 26 (4), 7–11.

Stone, D. L., Deadrick, D. L., Lukaszewski, K. M., & Johnson, R. (2015). The influence of technology on the future of human resource management. Human Resource Management Review, 25 (2), 216–231.

Tambe, P., Cappelli, P., & Yakubovich, V. (2019). Artificial intelligence in human resources management:Challenges and a path forward. California Management Review, 61 (4), 15–42.

Tussyadiah, I. P., Wang, D., Jung, T. H., & tom Dieck, M. C. (2018). Virtual reality, presence, and attitude change. Tourism Management, 66, 140–154.

Upadhyay, A. K., & Khandelwal, K. (2018). Applying artificial intelligence: Implications for recruitment. Strategic HR Review, 17 (5), 255–258.

van Esch, P., Black, J. S., & Ferolie, J. (2019). Marketing AI recruitment: The next phase in job application and selection. Computers in Human Behavior, 90, 215–222.

Vrontis, D., Christofi, M., Pereira, V., Tarba, S., Makrides, A., & Trichina, E. (2022). Artificial intelligence, robotics, advanced technologies and human resource management: A systematic review. The International Journal of Human Resource Management, 33 (6), 1237–1266.

Wirtz, J., Patterson, P. G., Kunz, W. H., Gruber, T., Lu, V. N., Paluch, S., & Martins, A. (2018). Brave new world: Service robots in the frontline. Journal of Service Management, 29 (5),907–931.

Wohlgenannt, I., Simons, A., & Stieglitz, S. (2020). Virtual reality. Business & Information Systems Engineering, 62 (5), 455–461.

Yam, K. C., Bigman, Y. E., Tang, P. M., Ilies, R., De Cremer, D., Soh, H., & Gray, K. (2021).Robots at work: People prefer—and forgive—service robots with perceived feelings. Journal of Applied Psychology, 106 (10), 1557–1572.

Zielinski, D. (2016). Can an algorithm hire better than a human? HR Magazine, 61 (4), 54–58.