Endüstri 5.0, yalnız daha fazla otomasyon kurmayı değil; insan uzmanlığı, yapay zekâ ve makine yeteneklerini aynı sosyo-teknik sistem içinde birlikte çalıştırmayı hedefleyen bir yaklaşım olarak ele alınıyor. Bu araştırma, söz konusu birlikteliğin tasarım yönetiminde nasıl yapılandırılabileceğini açıklamak amacıyla insan merkezlilik, etik sorumluluk ve sürdürülebilirliği aynı çerçevede birleştiren bir Endüstri 5.0 Tasarım Yönetimi Modeli geliştiriyor. Araştırma sistematik literatür taraması ve nitel içerik analiziyle başlıyor; model 11 uzmanla üç ayrı oturumda geliştiriliyor, daha sonra yedi farklı sektörden 316 katılımcının verileriyle PLS-SEM kullanılarak nicel olarak sınanıyor ve son aşamada turizm/konaklama ile sağlık hizmetlerindeki iki örgütte nitel vaka incelemeleriyle uygulanabilirliği değerlendiriliyor.

Önerilen model altı ilişkili alandan oluşuyor: İnsan–Yapay Zekâ–Makine Sinerjisi (HMS), Bilişsel ve Akıllı Tasarım Ekosistemi (CIDE), Tasarım Yönetimi Stratejileri (DMS), Teknolojik ve Altyapısal Olanak Sağlayıcılar (TIE), Örgütsel ve Stratejik Entegrasyon (O&SI) ve Birlikte Yaratım ve Deneyim Tasarımı (CCXD). Nicel modelde en güçlü yol İnsan–Yapay Zekâ–Makine Sinerjisi ile Tasarım Yönetimi Stratejileri arasında bulundu (β = 0.782, t = 14.418, p < 0.001). Tasarım Yönetimi Stratejileri de Örgütsel ve Stratejik Entegrasyonla β = 0.722 ve Bilişsel ve Akıllı Tasarım Ekosistemiyle β = 0.646 düzeyinde pozitif ilişkiler gösterdi. Buna karşılık DMS'nin HMS → CIDE ilişkisini düzenlediği hipotezine ilişkin etkileşim yolu anlamlı değildi (β = −0.005, t = 0.201, p = 0.841).

Çalışmanın temel mesajı, Endüstri 5.0'da etkili tasarım yönetiminin yalnız daha güçlü yapay zekâ veya daha gelişmiş teknolojik altyapıyla açıklanamayacağıdır. Araştırmanın modelinde insan yargısı, yapay zekâ destekli analiz, makine yetenekleri, kullanıcı katılımı, örgütsel strateji, etik yönetişim ve teknolojik altyapı birbirini besleyen bir sistem olarak ele alınıyor. Bununla birlikte nicel bölüm kesitsel ve öz-bildirime dayalıdır; iki vaka çalışmasının sonuçları ise nicel performans ölçümü değil nitel uygulama kanıtıdır. Dolayısıyla modelin bütün sektörlerde aynı sonuçları vereceği henüz gösterilmiş değildir.

Türkiye açısından model; üretim, makine sanayisi, tasarım ofisleri, sağlık hizmetleri, turizm, otomotiv, yazılım ve yapay zekâ destekli hizmet sistemlerinde insan–AI iş birliğinin nasıl yönetilebileceğini araştırmak için kullanılabilecek bir çerçeve sunuyor. Ancak araştırmanın nicel örneklemi Avrupa, Kuzey Amerika ve Asya'daki farklı sektörlerden toplanmış, gerçek yaşam uygulaması ise yalnız iki hizmet kuruluşunda incelenmiştir. Türkiye'deki kurumlar için uygulanabilirlik ve etkilerin yerel veriyle ayrıca doğrulanması gerekir.

Endüstri 5.0, Endüstri 4.0'dan hangi açıdan ayrılıyor?

Araştırmanın teorik çıkış noktası Endüstri 4.0 ile Endüstri 5.0 arasındaki odak değişimidir. Çalışmaya göre Endüstri 4.0'ın otomasyon ve verimlilik ağırlıklı mantığından farklı olarak Endüstri 5.0; teknolojik ilerlemeyi insan yaratıcılığı, toplumsal değerler, sürdürülebilirlik ve insan merkezli karar verme süreçleriyle birlikte ele almaktadır.

Bu bakışta insan ile yapay zekâ arasındaki ilişki “insanın yerine geçen sistem” şeklinde kurulmamaktadır. Yapay zekâ, insanın analitik kapasitesini genişleten ve karar sürecini destekleyen bir ortak olarak konumlandırılmaktadır. Özellikle etik değerlendirme, bağlamı anlama, sezgi ve toplumsal değerlerle ilgili son yargının insanda kalması modelin temel ilkelerinden biridir.

Çalışma bu yaklaşımı augmented cognition, yani bilişsel kapasitenin teknolojiyle artırılması perspektifiyle açıklıyor. Yapay zekâ büyük veri kümelerini analiz edebilir, tahmin ve alternatif tasarım senaryoları üretebilir; ancak bunların değer, etik, kültür ve kullanıcı deneyimi açısından değerlendirilmesi insan uzmanlığının parçası olarak korunuyor.

Araştırmanın ele aldığı bilimsel boşluk nedir?

Yazarlar mevcut Endüstri 5.0 ve tasarım yönetimi literatürünün önemli ölçüde parçalı olduğunu savunuyor. Önceki yaklaşımların bazıları yapay zekâ destekli optimizasyona, bazıları insan merkezli tasarıma, bazıları sürdürülebilirliğe, bazıları da siber-fiziksel sistemler veya örgütsel yönetişime odaklanmaktadır.

Sorun, bu bileşenlerin aynı tasarım yönetimi mimarisi içinde nasıl koordine edileceğinin yeterince açıklanmamasıdır. Araştırmanın hedefi bu nedenle yalnız yeni bir kavram listesi sunmak değil; insan yaratıcılığı, yapay zekâ yetenekleri, teknolojik altyapı, örgütsel karar mekanizmaları, etik ve sürdürülebilirlik arasındaki ilişkileri aynı yapısal çerçevede sınamaktır.

Araştırmanın üç temel sorusu

1. Endüstri 5.0 bağlamında yapay zekâ, insan uzmanlığı ve makine yeteneklerini etkili biçimde bütünleştiren bir Tasarım Yönetimi Modelinin temel bileşenleri nelerdir?
2. Endüstri 5.0 odaklı bir çerçevede etkili insan–yapay zekâ–makine iş birliğini mümkün kılmak için hangi tasarım yönetimi mekanizmaları ve yapılandırma ilkeleri gereklidir?
3. Önerilen model gerçek bir örgütsel bağlamda insan–yapay zekâ–makine iş birliğini desteklemek amacıyla nasıl uygulanabilir?

Literatür taraması hangi büyüklükteydi?

İlk literatür taramasında tasarım yönetimiyle ilgili 114 çalışma ve Endüstri 5.0/sürdürülebilirlikle ilgili 98 çalışma belirlendi. Yinelenen ve uygun olmayan yayınların elenmesiyle ayrıntılı nitel analiz için sırasıyla 88 ve 52 çalışma tutuldu.

Google Scholar, Scopus, Web of Science, JSTOR ve IEEE Xplore veri kaynakları kullanıldı. Aramalarda “Design Management”, “Industry 5.0”, “Sustainability Goals”, “Industrial Design”, “Human–AI Synergy”, “Design Strategies” ve “Participatory Design” gibi anahtar ifadeler kullanıldı.

Tasarım yönetimi literatüründe hangi temalar öne çıktı?

Kaynağın 13. sayfasındaki Şekil 2 de bu tematik yapıyı ağ biçiminde gösteriyor. İnsan merkezli tasarım, teknoloji entegrasyonu ve sürdürülebilir tasarım büyük düğümler olarak yer alırken; birlikte tasarım, tasarım düşüncesi, liderlik, çeviklik ve etik diğer temalarla bağlantılı biçimde gösterilmektedir.

Endüstri 5.0 ve sürdürülebilirlik literatüründe hangi temalar baskın?

Bu temalar birbirini dışlayan kategoriler değildir. Kaynak açıkça bir çalışmanın birden fazla temaya kodlanabileceğini belirtiyor; bu nedenle yüzdelerin toplamının %100 olması beklenmemektedir.

Model uzmanlarla nasıl geliştirildi?

Literatür analizinden elde edilen yapı doğrudan nihai model olarak kabul edilmedi. Endüstriyel tasarım, tasarım yönetimi ve Endüstri 5.0 alanında uzman 11 kişi model geliştirme sürecine dahil edildi.

Kaynağa göre uzmanların tamamı en az doktora derecesine sahipti; profesör veya araştırmacı olarak görev yapıyor ve aynı zamanda tasarımla ilgili şirketlerini işletiyordu. Böylece panelin hem akademik hem uygulamalı deneyim taşıması hedeflendi.

Uzman değerlendirmeleri yaklaşık ikişer saat süren üç oturumda gerçekleştirildi. İlk oturumda insan–AI sinerjisi, sürdürülebilirlik ve terminoloji üzerinde duruldu. İkinci oturumda etik AI kullanımı, veri gizliliği, şeffaflık, adalet, insan merkezli liderlik ve tasarım esnekliği güçlendirildi. Üçüncü oturumda modelin bütünlüğü ve uygulanabilirliği değerlendirilerek son yapı onaylandı.

Yazarlar uzmanların hem akademik hem ticari tasarım faaliyetleri yürütmesinin perspektif yanlılığı yaratabileceğini kabul ediyor. Bu riski azaltmak için uzmanların yalnız modeli onaylamaları değil, yapıları ve ilişkileri eleştirmeleri ve sorgulamaları teşvik edilmiş; geri bildirimlerin izlenebilir biçimde kaydedildiği belirtilmiştir.

Önerilen modelin altı ana alanı

Kaynağın 17. sayfasındaki Şekil 4, çalışmanın ana tasarım yönetimi mimarisini gösteriyor. Model altı alanı bağımsız kutular olarak değil, birbirinden geri besleme alan dinamik bir sistem olarak tanımlıyor.

AI'ın rolü: Yerine geçmek değil, kapasiteyi artırmak

Modelin HMS bileşeninde yapay zekâ açık biçimde “AI as an Augmenter, Not a Replacement” yaklaşımıyla tanımlanmıştır. Başka bir ifadeyle sistemin amacı insan tasarımcıyı ortadan kaldırmak değil, insanın bilişsel ve yaratıcı kapasitesini desteklemektir.

Bu alanda bilişsel yük yönetimi, uyarlanabilir arayüzler, geri besleme ve birlikte evrim ile iş birlikçi insan–AI karar verme mekanizmaları öne çıkıyor. İnsan, özellikle etik değerlendirme, bağlamsal yorumlama ve tasarımın kültürel veya toplumsal sonuçlarını değerlendirme görevini koruyor.

Bilişsel ve Akıllı Tasarım Ekosistemi neden merkezde?

CIDE, modelin çeşitli alanlarından gelen bilgiyi bir araya getiren merkezi bilgi ve öğrenme ekosistemi olarak tanımlanmıştır. Veri odaklı tasarım zekâsı, bağlama duyarlı AI sistemleri ve otomatik yaratıcılık desteği bu alana dahildir.

Modelin yapısal sonuçları CIDE'nin tek bir teknoloji tarafından açıklanmadığını gösteriyor. CIDE; DMS, TIE, HMS, CCXD ve O&SI ile ayrı ayrı anlamlı ilişkiler göstermiştir. Bu yapı, akıllı tasarım ekosisteminin yalnız algoritmadan değil; teknoloji, insan iş birliği, kullanıcı katılımı ve örgütsel entegrasyonun birlikte çalışmasından oluştuğu yönündeki model yaklaşımını desteklemektedir.

Yapısal modelde hangi ilişkiler bulundu?

Tablo 8'e göre modeldeki en büyük standartlaştırılmış yol katsayısı HMS → DMS, β = 0.782'dir. Bunu DMS → O&SI (β = 0.722) ve DMS → CIDE (β = 0.646) izlemektedir.

CIDE'ye doğrudan uzanan yollar arasında sayısal olarak en büyük katsayı DMS → CIDE için β = 0.646'dır. Kaynağın daha sonraki tartışmasında TIE → CIDE yolu β = 0.595 ile “en güçlü tahmin edici” olarak tanımlansa da bu ifade Tablo 8'deki katsayı sıralamasıyla uyuşmamaktadır.

Tasarım yönetimi stratejilerinin düzenleyici etkisi desteklendi mi?

Hayır. Araştırmanın dikkat çekici sonuçlarından biri, Tasarım Yönetimi Stratejilerinin HMS ile CIDE arasındaki ilişkiyi anlamlı biçimde değiştirmemesidir. Etkileşim yolu β = −0.005, t = 0.201 ve p = 0.841 olarak raporlanmıştır.

Yazarlar bu sonucu, insan–AI–makine iş birliğinden doğan bilişsel ve uyarlanabilir tasarım zekâsının tamamen merkezi yönetsel kontrol tarafından oluşturulmadığı şeklinde yorumlamaktadır. Modelin kendi teorik yorumuna göre bilgi ve tasarım zekâsı farklı insan, kullanıcı ve teknoloji düğümleri arasındaki etkileşimlerden dağıtık biçimde gelişebilir.

Turizm ve konaklama vakasında model nasıl kullanıldı?

İlk gerçek yaşam uygulaması turizm ve konaklama sektöründeki bir hizmet kuruluşunda gerçekleştirildi. Kaynak kuruluşun ticari adını açıklamıyor.

HMS alanında AI destekli seyahat senaryosu simülasyonları kullanıldı. Yapay zekâ gerçek zamanlı çevresel, demografik ve talep verilerinden farklı seyahat ve konaklama senaryoları üretirken insan tasarımcılar bu önerileri kültürel duyarlılık, duygusal karşılık ve deneyim kalitesi açısından değerlendirdi. Kaynağın yorumuna göre AI burada karar otoritesi değil, bilişsel kapasiteyi artıran bir araç olarak çalıştı.

CIDE kapsamında çevresel koşullar, turist hareketleri ve farklı temas noktalarından gelen verilerin birleştirildiği planlama sistemleri; hizmet düzeni, rota ve kaynak kullanımına ilişkin dinamik simülasyonlar için kullanıldı.

DMS katmanında AI önerileri doğrudan uygulanmadı. Tasarım yöneticileri algoritmik içgörüleri kullanırken, önerilerin sosyal ve deneyimsel sonuçları insan liderliğindeki değerlendirme toplantılarında incelendi.

TIE alanında artırılmış gerçeklik arayüzleri ve akıllı öneri sistemleriyle müşterilerin oda özellikleri ve etkinlik programları gibi hizmet unsurlarını kişiselleştirmesine olanak sağlandı.

CCXD alanında AI aracılı müşteri birlikte-tasarım platformlarının daha kişiselleştirilmiş ve bağlama uygun hizmet deneyimlerini desteklediği gözlendi. Ancak bu bulgular nicel bir kontrollü performans deneyinin sonucu değildir; kaynak vaka aşamasını nitel uygulama doğrulaması olarak tanımlamaktadır.

Sağlık hizmetleri vakasında ne değişti?

İkinci vaka sağlık hizmetleri kuruluşunda gerçekleştirildi ve yüksek riskli insan–AI etkileşimleri nedeniyle etik, açıklanabilirlik ve insan otoritesi daha belirgin hale geldi.

HMS kapsamında AI destekli sistemler randevu planlama, kaynak dağılımı ve tedavi yolu simülasyonlarında kullanıldı. Ancak son kararların sağlık profesyonellerinde kalması modelin insan merkezli yaklaşımının temel uygulamasıydı.

CIDE kapsamında hasta akışları ve bakım süreçlerinin alternatif yapılarını değerlendirmek için dijital ikiz ve simülasyon araçlarından yararlanıldı.

DMS alanında klinisyenler, yöneticiler ve hasta temsilcilerinin dahil olduğu katılımcı karar süreçleri oluşturuldu. AI çıktıları tartışmaya bilgi sağladı ancak nihai kararı belirlemedi.

TIE alanında açıklanabilir yapay zekâ sistemleri kullanıldı. Klinisyenlerin algoritmik önerilerin gerekçelerini görebilmesi, çalışmanın nitel gözlemlerinde şeffaflık ve güven açısından önemli bir unsur olarak değerlendirildi.

CCXD alanında hasta geri bildirimleri tekrar eden hizmet yeniden tasarım döngülerine dahil edildi. Turizm vakasının aksine hastalar teknolojik tasarım araçlarıyla aynı ölçüde doğrudan etkileşmedi; ancak deneyim verileri AI modelleri ve insan liderliğindeki tasarım kararlarına girdi sağladı.

İki vaka birlikte ne gösteriyor?

Her iki vakada da yapay zekânın insan kararını tamamen devraldığı bir yapı gözlenmedi. AI analiz ve simülasyon kapasitesini artırırken, nihai yorum ve sorumluluk insanda tutuldu.

Teknolojik uygulamalar sektörlere göre değişti: turizmde artırılmış gerçeklik, kişiselleştirme ve öneri motorları öne çıkarken; sağlıkta açıklanabilir AI, hasta akışı simülasyonu ve dijital ikizler daha belirgindi. Buna rağmen altı alanlı mimarinin temel mantığı iki ortamda da korunabildi.

Bu bulgu modelin farklı hizmet bağlamlarına uyarlanabileceğine ilişkin başlangıç niteliğinde destek sağlar. Ancak yalnız iki kuruluş incelendiğinden üretim, kamu sektörü, otomotiv, eğitim veya başka sektörlere genel geçer biçimde uygulanabileceği sonucuna varılamaz.

Sürdürülebilirlik modelde nereye yerleştiriliyor?

Araştırma sürdürülebilirliği yalnız nihai performans göstergesi olarak modelin sonuna eklemiyor. Kaynağa göre sürdürülebilirlik teknolojik altyapı, stratejik karar kriterleri, kullanıcı katılımı ve örgütsel yönetişim içine dağıtılmış durumdadır.

TIE kapsamında enerji etkin hesaplama, düşük atıklı prototipleme ve yaşam döngüsü odaklı altyapı; DMS içinde kaynak verimliliği, dayanıklılık ve döngüsellik; CCXD içinde ise kullanıcıların çevresel sonuçları etkileyen tasarım seçimlerine katılması örneklenmektedir.

Etik neden ayrı bir son kontrol değil?

Çalışmanın modeli etiği de teknoloji tamamlandıktan sonra yapılan bağımsız bir kontrol olarak görmüyor. HMS insanın etik yargıdaki rolünü koruyor; DMS algoritmik şeffaflık, veri adaleti ve paydaş sorumluluğunu stratejik yönetim mekanizmasına dahil ediyor; O&SI bu ilkelerin liderlik ve yönetişim sistemlerine yerleşmesini hedefliyor.

Böylece etik, yalnız AI algoritmasının teknik niteliğine değil, örgüt içinde AI'ın nasıl kullanıldığına, kimlerin karar verdiğine ve kullanıcının sürece nasıl dahil edildiğine bağlanıyor.

Çalışmanın desteklediği sonuçlar

• Önerilen tasarım yönetimi modeli altı ilişkili alan üzerinden nicel olarak sınanmıştır.
• HMS ile DMS arasında güçlü ve pozitif bir yapısal ilişki bulunmuştur (β = 0.782).
• DMS, O&SI (β = 0.722) ve CIDE (β = 0.646) ile anlamlı pozitif ilişkiler göstermiştir.
• CIDE; HMS, TIE, DMS, O&SI ve CCXD ile ayrı ayrı anlamlı yapısal ilişkilere sahiptir.
• DMS'nin HMS → CIDE ilişkisini düzenlediği hipotezi desteklenmemiştir.
• Turizm/konaklama ve sağlık vakaları modelin farklı hizmet ortamlarında nitel olarak uygulanabileceğine başlangıç düzeyinde destek sağlamıştır.
• Model yapay zekâyı insanın yerine geçen değil, insan karar ve yaratıcılığını artıran iş birlikçi bir aktör olarak konumlandırmaktadır.

Çalışmanın desteklemediği sonuçlar

• Modelin bütün sektörlerde evrensel biçimde geçerli olduğu gösterilmemiştir.
• AI kullanımının işletme performansını belirli bir yüzdeyle artırdığı gösterilmemiştir.
• İki vaka uygulaması kontrollü nicel performans deneyi değildir.
• Kesitsel anket verileri kesin neden-sonuç ilişkisi kurmak için yeterli değildir.
• DMS'nin HMS ile CIDE arasındaki ilişkiyi güçlendirdiğine ilişkin istatistiksel destek bulunmamıştır.
• AI'ın insan tasarımcıyı veya yöneticiyi ortadan kaldırması gerektiği sonucuna ulaşılmamıştır.
• Türkiye'deki kurumlarda aynı yapısal katsayıların geçerli olduğu doğrulanmamıştır.

Çalışmanın Yöntemi ve Bulguları

Genel araştırma tasarımı

Araştırma dört ana aşamadan oluşan ardışık karma yöntem yaklaşımını kullanmaktadır:

1. Sistematik literatür taraması ve nitel tematik analiz,
2. 11 uzmanla model geliştirme ve içerik doğrulaması,
3. 316 katılımcıyla PLS-SEM nicel doğrulaması,
4. Turizm/konaklama ve sağlık hizmetlerinde iki vaka üzerinden nitel uygulama doğrulaması.

Kaynağın 9. sayfasındaki Şekil 1 araştırma sürecini 13 adım halinde ayrıntılı biçimde gösteriyor. Akış literatürün toplanması ve Atlas.ti analizinden başlayarak uzman görüşlerine, model inşasına, SmartPLS ölçüm ve yapısal model değerlendirmesine ve son olarak iki vaka uygulamasının karşılaştırılmasına kadar uzanıyor.

Nitel içerik analizi

Seçilen literatür Atlas.ti 23.2.3 kullanılarak Braun ve Clarke'ın tematik analiz yaklaşımı doğrultusunda kodlandı. Araştırmacılar veriyle aşinalık geliştirme, ilk kodları üretme, temaları oluşturma, temaları gözden geçirme, tanımlama ve adlandırma aşamalarını kullandıklarını bildiriyor.

Kod tanımlarının, dahil etme/dışlama kurallarının ve analitik kararların belgelenmesi için kod kitabı, denetim izi ve yinelemeli notlandırma kullanıldığı belirtilmiştir.

Nicel örneklem

Nicel doğrulama 316 katılımcı üzerinden gerçekleştirilmiştir. Katılımcılar yedi sektörden seçilmiştir.

Katılımcıların %34,5'i non-binary, %33,2'si kadın ve %32,3'ü erkek olarak raporlandı. Eğitim dağılımı lise diploması %29,1, doktora %25,6, lisans %23,7 ve yüksek lisans %21,5 şeklindedir.

Ortalama yaş 40,76 yıl (SS = 11,55; aralık 22–60) ve ortalama mesleki deneyim 18,28 yıl (SS = 10,09; aralık 1–35) olarak bildirilmiştir.

Coğrafi dağılım Avrupa %42, Kuzey Amerika %31 ve Asya %27'dir. Nicel veri Kasım 2023 ile Mart 2024 arasında toplanmıştır.

Neden PLS-SEM kullanıldı?

Araştırmada SmartPLS 4.1.1.5 kullanılmıştır. Yazarlar PLS-SEM'i modelin teori geliştirme ve öngörü odaklı karakteri, birden fazla gizil yapıya sahip karmaşık ilişkiler ve yeni oluşturulmuş model yapısı nedeniyle seçtiklerini belirtmektedir.

Önce ölçüm modelinin iç tutarlılık ve yakınsak geçerliliği değerlendirilmiş, daha sonra yapısal yollar ve açıklayıcı ilişkiler test edilmiştir. Hipotezlerin çıkarımsal istatistikleri bootstrap yöntemiyle hesaplanmış ve anlamlılık düzeyi 0.05 olarak belirlenmiştir.

Ölçüm modelinin güvenilirliği

Bütün Cronbach alfa değerleri 0.70'in üzerindedir. AVE değerleri 0.554–0.711 aralığında ve 0.50'nin üzerindedir.

TIE için bileşik güvenilirlik 0.607 olarak raporlanmıştır ve genel 0.70 ölçütünün altındadır. Yazarlar yeni ve keşifsel yapılarda 0.60 üzerindeki değerlerin kabul edilebilir olabileceğini belirterek TIE'yi modelde tutmuş, ancak bu yapının dikkatli yorumlanması gerektiğini açıkça not etmiştir.

Gösterge yükleri

Kaynakta raporlanan normal göstergelerin dış yükleri 0.613 ile 0.919 arasında değişmektedir. Örnek olarak AI-Powered Decision Support göstergesinin TIE yükü 0.919, Automated Creativity Augmentation göstergesinin CIDE yükü 0.918 ve Participatory Design göstergesinin CCXD yükü 0.892'dir.

DMS için Dynamic Design Flexibility göstergesinin yükü 0.613 ile raporlanan göstergeler arasında daha düşük değerlerden biridir; buna rağmen kaynak tarafından kabul edilen 0.60 sınırının üzerindedir.

Ayırt edici geçerlilik

Ayırt edici geçerlilik HTMT kullanılarak değerlendirildi. Bütün HTMT oranları 0.90'ın altında kaldı. En yüksek değer HMS ile DMS arasında 0.871 olarak raporlandı.

Yazarlar bu sonucu altı ana gizil yapının birbirinden ampirik olarak ayrılabildiğine ilişkin destek olarak değerlendirmiştir.

Yapısal modelin ana sonucu

Yedi doğrudan yol istatistiksel olarak anlamlı bulunurken yalnız HMS × DMS düzenleyici etkisinin CIDE üzerindeki yolu anlamlı bulunmamıştır.

En yüksek katsayı HMS → DMS için β = 0.782'dir. Bu sonuç araştırmanın temel savıyla uyumludur: insan, yapay zekâ ve makine yeteneklerinin birlikte çalışması, tasarım yönetimi stratejilerinin oluşumuyla güçlü biçimde ilişkilidir.

DMS → O&SI yolunun β = 0.722 olması, tasarım yönetimi stratejilerinin örgütsel yapı ve stratejik entegrasyonla da güçlü biçimde bağlantılı olduğunu göstermektedir.

Kaynak içi yapısal model raporlama sorunları

Tablo 8'in moderasyon satırındaki standart sapma değeri −0.023 olarak basılmıştır. Standart sapmanın negatif olamayacağı için bu değer kaynak içi raporlama problemi olarak değerlendirilmelidir. Verianla'nın bilimsel yorumunda bu değer kullanılmamıştır.

Ayrıca 22. sayfadaki Şekil 6 ve Şekil 7'nin başlıkları ile görsel içindeki değer türlerinin ters düştüğü görülmektedir. “T-values on Paths” başlıklı görsel katsayı/yük büyüklüğündeki değerleri, “Path Coefficients” başlıklı görsel ise t-istatistiklerini göstermektedir. Kaynakta sessiz bir yeniden adlandırma yapılmamıştır.

Tartışma bölümünde TIE → CIDE yolu β = 0.595 ile CIDE'nin en güçlü tahmin edicisi olarak tanımlansa da Tablo 8'de DMS → CIDE yolu β = 0.646'dır. Bu nedenle sayısal karşılaştırmada Tablo 8 değerleri temel alınmıştır.

Vaka doğrulamasının yöntemi

Nicel SEM analizinden sonra iki hizmet örgütü amaçlı olarak seçilmiştir: biri turizm/konaklama, diğeri sağlık hizmetleri alanındadır. Kuruluşların isimleri kaynakta açıklanmamaktadır.

Vaka verileri yarı yapılandırılmış görüşmeler, belge incelemesi ve katılımcı olmayan gözlemler aracılığıyla toplanmış ve veri kaynakları arasında üçgenleme yapılmıştır.

Yazarlar bu aşamanın nitel doğrulama amacı taşıdığını ve nicel performans ölçümü olarak tasarlanmadığını özellikle belirtmektedir. Bu nedenle vakalarda bildirilen “iyileşme”, “daha yüksek uyum” veya “daha iyi deneyim” ifadeleri belirli yüzde veya deneysel etki büyüklüğü şeklinde yorumlanamaz.

Başlıca yöntemsel sınırlılıklar

• Nicel veri kesitsel ve öz-bildirime dayalıdır.
• Model uzun dönemli sistem evrimini doğrudan ölçmemektedir.
• Önerilen yapının uygulanması belirli düzeyde örgütsel olgunluk gerektirebilir.
• Gerçek yaşam doğrulaması yalnız iki hizmet sektöründeki kuruluşla sınırlıdır.
• Üretim, kamu, eğitim ve diğer endüstriyel alanlara genelleme için yeni doğrulama gerekir.
• Uzman panelinin akademik ve ticari faaliyetleri potansiyel perspektif yanlılığı oluşturabilir.
• Literatür taramasında veri tabanı seçimi, anahtar kelime formülasyonu ve tarama yargıları kaynaklı seçilim yanlılığı tamamen dışlanamaz.

Gelecek araştırmalar için önerilen alanlar

Yazarlar modelin zaman içindeki değişimini değerlendiren boylamsal ve panel çalışmalarını; otomotiv, akıllı şehir, dijital eğitim, kamu ve başka sektörlerde çapraz uygulamaları önermektedir.

İnsan–AI etkileşiminin bilişsel ve duygusal yönlerini daha ayrıntılı incelemek için göz izleme, galvanik deri tepkisi ve EEG tabanlı bilişsel yük ölçümü gibi yöntemler de gelecekteki araştırma alanları arasında sıralanmaktadır.

Algoritmik adalet, dijital egemenlik, AI özerkliği ile insan gözetimi arasındaki dengenin yönetimi, açıklanabilirlik, çalışanların AI sistemlerini kabulü ve veri yönetişimi de modelin gelecekte genişletilebileceği başlıklar olarak belirtilmiştir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Design Management in Industry 5.0: Synergy of AI, Humans, and Machines

Yazarlar: Amir Mohammad Amin Nezhad; Parisa Jourabchi Amirkhizi; Siamak Pedrammehr; Zahra Haghighi Aghdam; Mahdi Soleimanzadeh.

Yazar sırası: Kaynak çalışmadaki sıra aynen korunmuştur.

Eş katkı/eş birinci yazarlık: Bildirilmemiştir.

Sorumlu yazar: Siamak Pedrammehr.

Kurum: Faculty of Design, Tabriz Islamic Art University, Tabriz 5164736931, Iran.

Dergi: Administrative Sciences.

Yayınevi: MDPI, Basel, Switzerland.

Cilt / sayı / makale numarası: 16 / 7 / 333.

DOI: 10.3390/admsci16070333

Resmî yayın bağlantısı: https://doi.org/10.3390/admsci16070333

Yayın süreci: Çalışma 23 Mart 2026'da alınmış, 2 Temmuz 2026'da revize edilmiş, 7 Temmuz 2026'da kabul edilmiş ve 9 Temmuz 2026'da yayımlanmıştır.

Kaynak türü ve hakemlik durumu: Administrative Sciences dergisinde yayımlanmış hakemli özgün araştırma makalesidir; preprint değildir.

Lisans: Creative Commons Attribution (CC BY) lisansı altında açık erişimli olarak yayımlanmıştır.

Finansman: Araştırma dış finansman almamıştır.

Etik değerlendirme: Araştırma yalnız profesyonel anketler ve uzman görüşmeleri içeren, hassas kişisel veya tıbbi veri toplamayan non-invaziv yapısı nedeniyle kurumsal etik inceleme ve onaydan muaf tutulmuştur. Yazarlar çalışmanın Helsinki Bildirgesi ve Tabriz Islamic Art University'nin kurumsal ilkeleri doğrultusunda yürütüldüğünü belirtmektedir.

Bilgilendirilmiş onam: Çalışmaya katılan bütün kişilerden bilgilendirilmiş onam alındığı belirtilmiştir.

Veri erişilebilirliği: Araştırmada kullanılan verilerin sorumlu yazardan talep edilebileceği; katılımcı düzeyindeki araştırma verilerine ilişkin gizlilik ve etik kısıtlar nedeniyle veri setlerinin kamuya açık olmadığı bildirilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.

Yazar katkıları: Kavramsallaştırma A.M.A.N. ve P.J.A.; metodoloji S.P.; yazılım A.M.A.N. ve M.S.; doğrulama P.J.A., S.P. ve Z.H.A.; formal analiz A.M.A.N.; araştırma Z.H.A. ve M.S.; kaynaklar P.J.A.; veri kürasyonu A.M.A.N.; ilk taslak A.M.A.N.; gözden geçirme ve düzenleme P.J.A. ve S.P.; görselleştirme M.S.; danışmanlık ve proje yönetimi P.J.A. tarafından gerçekleştirilmiştir.

Temel yöntem: Çalışma ardışık karma yöntem yaklaşımı kullanmıştır. İlk aşamada 114 tasarım yönetimi ve 98 Endüstri 5.0/sürdürülebilirlik çalışması belirlenmiş; eleme sonrasında 88 ve 52 çalışma tematik analize alınmıştır. Atlas.ti ile yürütülen nitel analizden sonra 11 uzmanla üç iteratif değerlendirme oturumu gerçekleştirilmiş; oluşan altı alanlı model yedi sektörden 316 katılımcının verisiyle SmartPLS 4.1.1.5 kullanılarak PLS-SEM üzerinden sınanmıştır. Son aşamada turizm/konaklama ve sağlık hizmetlerinde iki vaka uygulamasıyla nitel dış uygulanabilirlik değerlendirilmiştir.

Kaynak içi raporlama notu 1: 22. sayfadaki Şekil 6 ve Şekil 7'nin başlıklarıyla içerdikleri sayı türleri ters görünmektedir. Kaynak üzerinde sessiz düzeltme yapılmamıştır.

Kaynak içi raporlama notu 2: Tablo 8'de DMS moderasyon etkisi → CIDE satırının standart sapması −0.023 olarak basılmıştır. Negatif standart sapma geçerli olmadığından bu değer bilimsel yorumda kullanılmamıştır.

Kaynak içi raporlama notu 3: Tartışmada TIE → CIDE β = 0.595 yolu CIDE'nin en güçlü tahmin edicisi olarak adlandırılmasına rağmen Tablo 8'de DMS → CIDE katsayısı β = 0.646'dır. Verianla'nın sayısal karşılaştırması Tablo 8'i esas almaktadır.

Kaynak içi raporlama notu 4: Tablo 4 yapı puanlarını 9.12–14.65 aralığında verirken tartışma bölümünde beşli Likert ölçeğinde yaklaşık 3.46–3.71 aralığında ortalamalardan söz edilmektedir. Kaynak bu iki sunum biçimi arasındaki dönüşümü açıklamamaktadır.

Temel yorum sınırı: SEM aşaması kesitsel öz-bildirim verilerine dayanmaktadır. İki gerçek yaşam uygulaması nicel performans deneyi değil, nitel vaka doğrulamasıdır. Bu nedenle çalışma, altı alanlı model için teorik, istatistiksel ve başlangıç düzeyinde uygulamalı destek sağlamakla birlikte modelin bütün sektörler ve ülkeler için evrensel olarak doğrulandığını göstermemektedir.

Bu Verianla içeriğinin bilimsel yöntem, sayısal sonuç ve çıkarımları yalnız özgün çalışmaya dayanmaktadır. Dış kaynaklar yalnız bibliyografik kimlik ve yayın durumunun doğrulanması için kullanılmış; araştırmanın bilimsel içeriğine dışarıdan yeni veri, model katsayısı, deneysel sonuç veya mekanizma eklenmemiştir.