Beşinci-Döngü Öğrenme (Fifth-Loop Learning, 5LL), örgütsel öğrenmeyi tek bir işletmenin içinde gerçekleşen uyum sürecinin ötesine taşıyarak, kısmen özerk fakat birbirine bağımlı örgütlerin, insanların, yapay zekâ sistemlerinin, kurumların, toplulukların ve ekolojik sistemlerin karşılıklı müdahaleler yoluyla öğrenme ortamının kendisini değiştirdiği ve bu değişen ortamın daha sonraki öğrenmenin koşullarını yeniden biçimlendirdiği teorik bir ekosistem öğrenme yapısıdır.

Meir Russ'un çalışması, sürdürülebilir kalkınma için bilgi yönetimi çerçevesi olan Knowledge Management for Sustainable Development (KMSD) ile yeni önerilen Five Learning Loops mimarisini birleştirmektedir. Model örgütsel öğrenmeyi beş iç içe alan halinde düzenler: Single-Loop Learning (SLL) ile operasyonel hata düzeltme; Double-Loop Learning (DLL) ile varsayımların sorgulanması; Triple-Loop Learning (TLL) ile öğrenme kapasitesinin ve öğrenme mimarisinin geliştirilmesi; Quadruple-Loop Learning (QLL) ile örgütsel kimlik ve ekosistem konumunun yeniden tanımlanması; Fifth-Loop Learning (5LL) ile ise dağıtık aktörlerin bilgi ekosistemini birlikte ve yinelemeli biçimde dönüştürmesi.

Modelin ayırıcı noktası yalnız daha fazla işbirliği değildir. Yazarın 5LL için koyduğu teorik eşik, dağıtık öğrenmenin ekosistemin ilişkilerini, bilgi yapılarını, teknolojilerini, standartlarını, aktör rollerini, yönetişim düzenlerini veya fırsat alanını değiştirmesi ve bu değişikliklerin daha sonraki öğrenmenin kim tarafından, hangi bilgiyle ve hangi koşullarda yürütüleceğini yeniden belirlemesidir. Bu nedenle sıradan ortaklık, ağ öğrenmesi, ekosistem katılımı veya tek taraflı ekosistem etkisi tek başına 5LL sayılmamaktadır.

Çalışma ayrıca KMSD'nin bilgi yaratma, edinme, depolama, paylaşma, uygulama, koruma ve yenileme süreçlerini beş öğrenme döngüsünün gelişim düzeyleriyle eşleştirmekte ve bunların üzerinde çalışan altı yinelemeli yönetim ilkesini önermektedir: yansıtıcı öğrenme ve bilgi bütünleştirme; disiplinli deney ve güvenilir uygulama; insan-teknoloji tamamlayıcılığı ve kabiliyet geliştirme; kaynak-bilinçli ve sürdürülebilirlik yönelimli inovasyon; süreklilik-değişim yönetişimi; sorumlu ekosistem gözetimi.

Çalışmanın önemli sınırı, bu mimarinin henüz ampirik olarak doğrulanmamış olmasıdır. Alpha Systems adı verilen şirket gerçek bir deney örneklemi değil, yazar tarafından geliştirilmiş hipotetik bir analitik örnektir. İtalyan inşaat KOBİ'lerine ilişkin daha önce yayımlanmış vaka ise yeni doğrulama verisi olarak değil, modelin mevcut bir döngüsel ekonomi bağlamını yorumlayabilme kapasitesini göstermek amacıyla kullanılmıştır. Teorik önermeler gelecekte anket, uzunlamasına çalışma, karşılaştırmalı vaka veya çok düzeyli ekosistem araştırmalarıyla sınanması gereken hipotez üretici yapılardır.

Yazar ayrıca daha yüksek düzeyde öğrenmenin otomatik olarak sürdürülebilirlik üretmediğini açıkça vurgulamaktadır. Bir ekosistem daha hızlı öğrenebilir, daha uyarlanabilir ve daha dirençli hale gelebilirken aynı anda sosyal, ekonomik veya çevresel maliyetleri de büyütebilir. Bu nedenle sürdürülebilirlik, 5LL'nin otomatik sonucu değil; açık ekolojik ve dağıtımsal ölçütlerle yönetilmesi gereken bir sınır koşuludur.

Çalışmanın çözmeye çalıştığı teorik problem

Bilgi yönetimi, örgütsel öğrenme, absorptif kapasite, dinamik kabiliyetler, girişimcilik, yapay zekâ ve döngüsel ekonomi üzerine geniş bir literatür bulunmaktadır. Ancak kaynak çalışmaya göre bu literatürlerin büyük bölümü birbirine temas etse de çoğunlukla ayrı teorik alanlar halinde gelişmiştir. Böylece işletmelerin operasyonel öğrenmeden başlayıp örgüt sınırlarını aşan bilgi ekosistemi düzeyindeki öğrenmeye nasıl ilerlediğini tek bir gelişim mimarisi içinde açıklamak zorlaşmaktadır.

KMSD çerçevesi sürdürülebilir kalkınma için hangi bilgi yönetimi süreçlerinin gerekli olduğunu açıklamaktadır; ancak kaynak yazarına göre örgütlerin bu bilgi yönetimi kabiliyetlerini operasyonel iyileştirmeden ekosistem ölçeğine doğru nasıl geliştireceğini yeterince ayrıntılandırmamaktadır. Five Learning Loops modeli bu gelişim boyutunu eklemek amacıyla oluşturulmuştur.

Döngüsel ekonomi bu teoride neden merkezde?

Döngüsel ekonomi, doğrusal “çıkar–üret–tüket–at” modelinin tersine ürün ömrünü uzatmayı, atığı azaltmayı, kaynak değerini sistem içinde korumayı ve doğal sistemlerin yenilenmesini desteklemeyi hedefleyen ekonomik yaklaşımdır. Kaynağa göre bu dönüşüm yalnız yeni teknoloji kullanmayı gerektirmez; tedarikçiler, müşteriler, kamu kurumları, üniversiteler, teknoloji sağlayıcıları ve toplum arasında bilgi üretimi ve koordinasyonu gerektirir.

Bu nedenle döngüsel ekonomiye geçiş yalnız malzeme akışı veya ürün tasarımı problemi değil, aynı zamanda çok-aktörlü bir bilgi yönetimi ve örgütsel öğrenme problemidir. Five Learning Loops modeli döngüsel ekonomi girişimciliğini bu açıdan ele almaktadır.

Bilgi yönetimi ile örgütsel öğrenme aynı şey mi?

Hayır. Kaynağın kurduğu ayrımda örgütsel öğrenme, örgütün davranışlarının, varsayımlarının, kabiliyetlerinin ve zamanla ekosistem ilişkilerinin nasıl değiştiğini açıklar. Bilgi yönetimi ise bu değişimi mümkün kılan bilginin nasıl yaratıldığını, edinildiğini, saklandığını, paylaşıldığını, uygulandığını, korunduğunu ve yenilendiğini açıklar.

Yazar bu nedenle KMSD'yi operasyonel bilgi yönetimi altyapısı, Five Learning Loops'u ise öğrenme kabiliyetinin gelişim mimarisi olarak konumlandırmaktadır.

Knowledge Management for Sustainable Development (KMSD) nedir?

KMSD, bilgi yönetimini yalnız verimlilik veya kurumsal hafıza amacıyla değil, teknolojik, örgütsel, ekonomik, sosyal ve çevresel boyutları birlikte dikkate alan sürdürülebilir kalkınma kapasitesi olarak ele alan bir çerçevedir.

Çalışmada kullanılan yedi temel KMSD süreci şunlardır:

• Bilgi yaratma — knowledge creation
• Bilgi edinme — knowledge acquisition
• Bilgi depolama — knowledge storage
• Bilgi paylaşma — knowledge sharing
• Bilgi uygulama — knowledge application
• Bilgi koruma — knowledge protection
• Bilgi yenileme — knowledge renewal

Beşinci-Döngü Öğrenme (5LL) Nedir?

Beşinci-Döngü Öğrenme, birden çok kısmen özerk aktörün dağıtık öğrenmesinin ekosistemin bilgi yapılarını, ilişkilerini, teknolojilerini, standartlarını, yönetişim düzenlerini veya fırsat alanını değiştirdiği ve bu değişikliklerin sonraki öğrenmenin koşullarını yeniden şekillendirdiği yinelemeli bilgi-ekosistemi birlikte gelişimidir; yalnız işbirliği, ağ katılımı veya ekosistemde bilgi paylaşımı 5LL için yeterli değildir.

Beş öğrenme döngüsünün temel yapısı

Single-Loop Learning: operasyonel öğrenme

Single-Loop Learning mevcut amaçları ve temel varsayımları değiştirmeden beklenen ile gerçekleşen performans arasındaki farkları düzeltir. Standart prosedürler, analitik, geri bildirim sistemleri, örgütsel hafıza ve AI destekli izleme bu seviyede operasyonel performansı iyileştirebilir.

Kaynağın Alpha Systems örneğinde kullanım alanları öngörücü bakım, hata tahmini, üretim ve stok optimizasyonu, talep tahmini, süreç otomasyonu, enerji izleme ve müşteri analitiğidir. Temel risk, artık geçerliliğini kaybetmeye başlayan bir iş modelini çok verimli hale getirerek yanlış şeyi optimize etmektir.

Double-Loop Learning: varsayımları sorgulamak

Double-Loop Learning yalnız mevcut faaliyetin daha iyi nasıl yapılacağını değil, faaliyeti yöneten varsayımların doğru olup olmadığını sorgular. Ürün sahipliği, verinin mutlaka kapalı tutulması, verimliliğin her koşulda dayanıklılıktan daha önemli olması veya AI'nin insan kararının yerini alması gerektiği gibi varsayımlar yeniden değerlendirilebilir.

Bu düzeyde bilgi yönetimi çapraz fonksiyonlu öğrenme, dış bilgi edinme, absorptif kapasite, lessons learned ve bilgi yeniden birleştirme süreçlerini destekler.

Triple-Loop Learning: öğrenmeyi öğrenmek

Triple-Loop Learning örgütün yalnız ne yaptığına veya hangi varsayımları kullandığına değil, bilgiyi nasıl ürettiğine, kanıtı nasıl değerlendirdiğine, zihinsel modellerini nasıl değiştirdiğine ve öğrenme sistemini nasıl yönettiğine odaklanır.

Bu çalışmadaki TLL tanımı özellikle örgütün öğrenme mimarisine ve öğrenebilme kapasitesine yöneliktir. AI ve veri okuryazarlığı, bilgi yönetişimi, çapraz fonksiyonlu insan-AI öğrenmesi, bilgi paylaşım teşvikleri, communities of practice, model denetimleri ve psikolojik güvenlik bu seviyedeki örnek mekanizmalardır.

Quadruple-Loop Learning: örgütün ekosistemde kendini yeniden tanımlaması

QLL'de temel öğrenen hâlâ örgüttür; ancak öğrenmenin konusu örgütün kimliği, sınırları, sorumlulukları, stratejik rolü ve ekosistemdeki konumudur. Örgüt yeni platformlara girebilir, iş modelini değiştirebilir, yeni ortaklıklar kurabilir veya kendisini başka bir değer yaratma rolünde yeniden tanımlayabilir.

Bu seviyede ekosistem haritalama, senaryo geliştirme, paydaş analizi, teknoloji yol haritaları, mevzuat öngörüsü, sürdürülebilirlik değerlendirmesi ve portföy denemeleri önem kazanır.

Dörtlü-Döngü Öğrenme (QLL) ile Beşinci-Döngü Öğrenme (5LL) Arasındaki Fark Nedir?

QLL'de örgüt gelişen bir ekosistemin içinde kendi kimliğini, sınırlarını ve konumunu yeniden tanımlayan temel öğrenen olarak kalırken, 5LL'de öğrenmenin odağı dağıtık bilgi ekosistemine kayar; çok sayıda aktörün karşılıklı öğrenmesi ekosistemin kurucu koşullarını değiştirir ve bu değişiklikler sonraki öğrenme döngüsünün koşullarına geri beslenir.

Recursive endogeneity — yinelemeli içsellik ne demektir?

Kaynağın 5LL'yi ayırmak için kullandığı temel kavramlardan biri recursive endogeneity, yani öğrenme ortamındaki değişimin sonraki öğrenmenin dışından gelen sabit bir koşul değil, önceki öğrenmenin sonucunda kısmen içeriden üretilmesidir.

Kaynağın verdiği çekirdek süreç şu biçimdedir:

Dağıtık öğrenme → karşılıklı müdahale → ekosistemin kurucu koşullarında değişim → sonraki öğrenmenin koşullarında değişim → yeni dağıtık öğrenme.

Bu bir matematiksel denklem değildir. Teorik mekanizmanın sırasını gösteren kavramsal bir zincirdir.

İşbirliği neden tek başına 5LL değildir?

İki işletmenin bilgi paylaşması veya ortak proje yapması interorganizational learning olabilir. Bir ağın ortak pratikler geliştirmesi network learning olabilir. Farklı şirketlerin aynı inovasyon ekosisteminde faaliyet göstermesi ecosystem participation olabilir. Bunların hiçbiri tek başına 5LL değildir.

5LL için ortak öğrenmenin ekosistemin kurucu koşullarını değiştirmesi ve daha sonra bu değişen koşulların öğrenme sürecine geri dönmesi gerekir. Örneğin yeni bir ortak veri standardının oluşturulması sonraki dönemde kimlerin hangi veriye erişebildiğini, hangi modellerin geliştirilebildiğini ve hangi aktörlerin sürece katılabildiğini değiştiriyorsa yinelemeli geri besleme ortaya çıkabilir.

Birlikte gelişim ile orkestrasyon aynı şey değildir

Co-development, kısmen özerk aktörlerin tekrar eden etkileşimler yoluyla birbirlerinin kabiliyetlerini, ilişkilerini, teknolojileri, kurumları veya bilgi yapılarını değiştirdiği gelişim sürecidir. Bu süreç kasıtlı, kısmen koordineli veya büyük ölçüde kendiliğinden ortaya çıkabilir.

Orchestration ise bir veya daha fazla aktörün kaynakları, ilişkileri, standartları veya bilgi akışlarını bilinçli olarak koordine etmesidir. Çalışmada orkestrasyon 5LL için olası bir yönetişim mekanizmasıdır; tanımlayıcı zorunluluk değildir. Bir ekosistem orkestre edilebilir fakat yinelemeli öğrenme geri beslemesi üretmiyorsa 5LL oluşmayabilir.

Derin belirsizlik ne anlama geliyor?

Deep uncertainty, aktörlerin gelecekteki bütün olası durumları güvenilir biçimde listeleyemediği, bu durumlara savunulabilir olasılıklar atayamadığı veya bir müdahalenin bütün sonuçlarını önceden belirleyemediği koşullardır.

Bu durumda tek bir “en olası gelecek” için optimizasyon yapmak yerine seçenekleri açık tutmak, dağıtık deneyler yürütmek, geri döndürülebilir taahhütler oluşturmak ve farklı gelecek yorumlarını korumak önem kazanır.

Kaynakta geçen kuantum benzetmesi ne anlama geliyor?

Makale bazı kararların önceden tamamen belirlenmiş seçenekler arasından basit seçim yapmak yerine bağlama, etkileşime ve tartışmaya göre şekillenen karar durumları olarak görülebileceğini anlatmak için “quantum-inspired decision” yaklaşımına değinmektedir. Kaynak açıkça bunun örgütlerin kuantum-mekanik sistemler olduğu anlamına gelmediğini belirtir. Bu yalnız belirsizlik ve bağlama bağlı karar oluşumunu açıklamaya yönelik teorik benzetmedir.

PADKNE nedir?

Post-Accelerating Data and Knowledge Networked Economy (PADKNE), verinin, bilginin ve ağ bağlantılı zekânın üretim, koordinasyon, inovasyon ve değer yaratmada baskın hale geldiği; büyük ölçekli veri üretimi, algoritmik bilgi çıkarımı ve AI arasındaki geri beslemelerin teknolojik ve örgütsel değişimi hızlandırdığı ileri bir sosyo-ekonomik ortamı tanımlamak için kullanılan kavramsal çerçevedir.

PADKNE bu çalışmada yeni ampirik olarak ölçülmüş bir ekonomik dönem değildir. Five Learning Loops'un özellikle AI ve ağ yoğun ortamlarda nasıl uygulanabileceğini tartışmak için kullanılan teorik bağlamdır.

Yapay zekâ neden yalnız araç olarak görülmüyor?

5LL'de AI; dağıtık algılama, örüntü belirleme, simülasyon, bilgi yeniden birleştirme ve karar desteğine giderek daha fazla katıldığı için ekosistem öğrenmesinde etkili bir aktör haline gelebilir. Bununla birlikte kaynak AI'yi bağımsız, özerk ve insan yargısının yerine geçen bir yönetici olarak konumlandırmaz.

AI çıktıları insan davranışını, bilgi dağılımını, karar haklarını ve sonraki bilgi üretimini değiştirebildiği için insan–AI etkileşiminin kendisi de öğrenmenin ve yönetişimin nesnesi haline gelir.

Yapay Zekâ Bu Modelde İnsan ve Yönetici Yargısının Yerini mi Alıyor?

Hayır. Çalışma AI'yi bilgi edinme, örgütsel hafıza, örüntü tanıma, tahmin, simülasyon ve ekosistem koordinasyonunu güçlendirebilen bir kabiliyet artırıcısı olarak konumlandırır; stratejik amaçların belirlenmesi, etik ödünleşimlerin değerlendirilmesi, bağlamsal yorum ve teknolojik gelişimin yönetişimi için insan yargısının vazgeçilmez olduğunu açıkça savunur.

Alpha Systems örneği gerçek bir şirket araştırması mı?

Hayır. Alpha Systems, çalışmanın Five Learning Loops kavramlarının veri ve AI yoğun bir sanayi ortamında nasıl işleyebileceğini öğretmek için geliştirdiği hipotetik orta ölçekli endüstriyel ekipman üreticisidir. Bu örnek ampirik doğrulama değildir.

Öngörücü bakım örneği 5LL'yi nasıl açıklıyor?

Kaynağın hipotetik örneğinde Alpha Systems ve ortakları bir öngörücü bakım platformu geliştirirse bu platform başlangıçta yalnız ekipman arızalarını daha iyi tahmin edebilir. Eğer kullanım sonucunda müşteriler bakım sözleşmelerini değiştirir, sigortacılar makine durum verisini risk modellerine ekler, düzenleyiciler yeni AI güvence kuralları getirir, tedarikçiler sensörlü bileşenleri yeniden tasarlar ve çalışanların rolleri değişirse ekosistemin yapısı dönüşür.

Bundan sonra Alpha Systems aynı koşullarda öğrenmeye devam etmez. Yeni veri haklarını, yeni düzenlemeleri, yeni aktörleri, farklı yetkinlik gereksinimlerini ve yeni risk dağılımlarını öğrenmek zorunda kalır. Böylece önceki öğrenmenin yarattığı ekosistem değişikliği sonraki öğrenmenin girdisi olur. Kaynak bu yapıyı 5LL'nin ayırıcı örneği olarak kullanmaktadır.

Etik ve kurumsal refleksivite neden 5LL'nin parçası?

Teknoloji ve örgütsel müdahaleler yalnız performansı değil, risklerin kim tarafından taşındığını, bilginin kime ait olduğunu, karar yetkisinin kimde bulunduğunu ve hangi aktörlerin sisteme erişebildiğini değiştirebilir. Bu nedenle etik değerlendirme inovasyon tamamlandıktan sonra yapılan son kontrol olarak değil, sürekli geri besleme mekanizması olarak ele alınmaktadır.

Örneğin AI destekli bakım sisteminin sorumluluğu sistematik biçimde müşterilere aktardığı veya veri altyapısı zayıf küçük tedarikçileri dezavantajlı hale getirdiği görülürse veri hakları, sözleşme kuralları veya katılım standartları yeniden tasarlanabilir. Bu düzenlemeler daha sonra model eğitim verisini ve sonraki öğrenme süreçlerini de değiştirir.

İtalyan inşaat KOBİ vakası nasıl kullanıldı?

Çalışma, Scipioni ve çalışma arkadaşlarının daha önce yayımladığı İtalyan inşaat KOBİ'lerinde örgütsel öğrenme ve döngüsel ekonomi geçişine ilişkin vakayı Five Learning Loops ile yeniden yorumlamaktadır. Yazar bunu modelin bağımsız doğrulaması olarak değil, yorumlayıcı uygulanabilirlik örneği olarak kullanır.

KMSD ile Beş Öğrenme Döngüsü Nasıl Birleşiyor?

Çalışmada KMSD bilginin yaratılması, edinilmesi, depolanması, paylaşılması, uygulanması, korunması ve yenilenmesi gibi bilgi yönetimi süreçlerini tanımlarken Five Learning Loops bu süreçlerin operasyonel örgüt içi kullanımdan çok-aktörlü bilgi-ekosistemi birlikte gelişimine doğru nasıl genişleyebileceğini açıklayan gelişim mimarisi olarak kullanılır; döngüsel ekonomi ise bu iki yapının sürdürülebilir değer üretmek için uygulandığı stratejik bağlamdır.

Döngüsel ekonomi açısından örgütsel roller

Altı yinelemeli yönetim ilkesi

Five Learning Loops örgütlerin nasıl öğrendiğini, KMSD hangi bilginin nasıl yönetildiğini açıklar. Kaynak bu iki katman arasındaki yönetim uygulamasını açıklamak için altı çapraz kesen ilke eklemektedir.

AI'nin altı ilke içindeki rolü

AI ilk ilkede örüntü keşfi ve örgütsel hafızayı; ikinci ilkede tahmin, simülasyon ve digital twin tabanlı deneyleri; üçüncü ilkede insan kabiliyetinin tamamlanmasını; dördüncü ilkede yaşam döngüsü, bakım ve kaynak akışı analizlerini; beşinci ilkede bilgi hafızası ve senaryo analizini; altıncı ilkede ise birlikte çalışabilir bilgi ağları ve dağıtık karar desteğini güçlendirebilir.

Ancak kaynak her aşamada AI kullanımının insan doğrulaması, bağlamsal yorum ve yönetişimle bütünleştirilmesi gerektiğini savunmaktadır.

Beş döngü “olgunluk basamakları” gibi mi çalışıyor?

Kısmen gelişimsel bir genişleme vardır, fakat kaynak beş döngünün birbirini dışlayan ve bir kez geçilip geride bırakılan aşamalar olmadığını özellikle vurgular. Higher-order learning, lower-order learning'in yerini almaz.

Bir örgüt 5LL düzeyinde ekosistem birlikte gelişimine katılırken hâlâ operasyonel hataları düzeltmek zorundadır. Aynı anda SLL, DLL, TLL ve QLL süreçlerini kullanabilir. İleri örgütü ayıran özellik yalnız “beşinci döngüye ulaşması” değil, hangi problemin hangi öğrenme düzeyi gerektirdiğini anlayıp döngüleri birlikte koordine edebilmesidir.

5LL hangi koşullarda daha olasıdır?

Kaynak 5LL'nin özellikle yüksek karşılıklı bağımlılığın ve derin belirsizliğin bulunduğu; hiçbir tek aktörün etkili uyum için gereken bütün bilgiyi kontrol etmediği; aktörlerin tamamlayıcı bilgi ve kabiliyetlere sahip olduğu ekosistemlerde ortaya çıkmasının daha olası olduğunu ileri sürmektedir.

Bilgi paylaşımına izin veren geçirgen örgüt sınırları, müdahalelerden sonraki sonuçların yeni eylemlere geri beslenmesi, uyarlanabilir yönetişim düzenleri ve kolektif öğrenmeye katılımı teşvik eden motivasyonlar da önemlidir.

5LL; güç ve karar yetkisinin aşırı yoğunlaştığı, bilgi asimetrisinin çok yüksek olduğu, fikrî mülkiyet rejimlerinin bilgi değişimini ciddi biçimde kısıtladığı, yönetişimin katı olduğu veya aktörlerin teşviklerinin temel düzeyde çatıştığı ortamlarda ortaya çıkmayabilir. AI mevcut tarihsel varsayımları yalnız yeniden üretip güçlendiriyorsa yüksek düzey öğrenmeyi desteklemek yerine sınırlandırabilir.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımı

Çalışma bütünleştirici kavramsal araştırma tasarımı kullanmaktadır. Amaç yeni ampirik veri toplamak değil, daha önce ayrı teorik alanlarda geliştirilmiş kavramları sistematik biçimde birleştirmek, uyarlamak ve yeni bir teorik model halinde yeniden yapılandırmaktır.

Araştırma tasarımı üç ana kavramsal faaliyeti birleştirir:

1. Theory synthesis: Örgütsel öğrenme, bilgi yönetimi, Knowledge-Based View, absorptif kapasite, dinamik kabiliyetler, döngüsel ekonomi, girişimcilik, sürdürülebilirlik ve ekosistem araştırmalarından tamamlayıcı mekanizmaların sentezi.
2. Theory adaptation: Örgütü temel öğrenen kabul eden mevcut yaklaşımların, örgütler, teknolojiler, kurumlar, toplum ve ekolojik sistemler arasında gerçekleşen birlikte gelişim biçimini açıklayacak şekilde genişletilmesi.
3. Conceptual model development: KMSD, Five Learning Loops, AI destekli bilgi süreçleri ve altı yönetim ilkesi arasındaki ilişkilerin açık teorik mimariye dönüştürülmesi.

Literatür taraması sistematik derleme mi?

Hayır. Kaynak açıkça bunun exhaustive systematic review veya meta-analysis olmadığını belirtmektedir. Literatür, teorik yapının gerektirdiği kavram ve ilişkiler açısından theoretically purposive, yani teorik amaçlı seçilmiştir.

Literatür üç işlevsel kategoriye ayrılmıştır:

• Domain theories: Örgütsel öğrenme, bilgi yaratma, absorptif kapasite, kabiliyet yenileme, sensemaking ve ekosistem karşılıklı bağımlılığını açıklayan temel teoriler.
• Method theories: Teori sentezi, teori uyarlaması ve kavramsal model geliştirmeyi metodolojik olarak yönlendiren kaynaklar.
• Contextual and illustrative literature: Döngüsel ekonomi girişimciliği, AI, dijital dönüşüm ve PADKNE gibi bağlamların sınır koşullarını ve modelin yorumlayıcı uygulanabilirliğini açıklamak için kullanılan kaynaklar.

Kavramsal analiz hangi dört aşamayla yapıldı?

1. Temel teorik yapıların analiz birimleri, öğrenme nesneleri, bilgi süreçleri ve örgüt–çevre varsayımları karşılaştırıldı.
2. Teoriler arasındaki tamamlayıcılıklar ve süreksizlikler belirlendi; özellikle operasyonel öğrenmeden ekosistem birlikte gelişimine geçişin yeterince bütünleştirilmediği sonucuna varıldı.
3. Bu teorik öğeler Five Learning Loops mimarisinde sentezlendi ve KMSD ile birleştirildi.
4. Mimariye altı yinelemeli yönetim ilkesi eklenerek teorik ilişkiler gelecekte test edilebilecek önermeler haline getirildi.

Çalışmada örneklem, istatistik veya deney var mı?

Hayır. Yeni katılımcı örneklemi, anket, deney grubu, kontrol grubu, randomizasyon, regresyon, p-değeri, güven aralığı veya etki büyüklüğü bulunmamaktadır.

Kaynakta matematiksel formül veya nicel performans metriği de yoktur. Dağıtık öğrenme → ekosistem değişimi → yeni öğrenme koşulları şeklindeki ifadeler kavramsal süreçlerdir; matematiksel eşitlik değildir.

Alpha Systems ve İtalyan KOBİ vakasının yöntemsel statüsü

Alpha Systems tamamen hipotetik analitik örnektir ve modelin beş öğrenme düzeyini açıklamak için geliştirilmiştir.

Scipioni ve çalışma arkadaşlarının yayımlanmış İtalyan inşaat KOBİ vakası ise var olan ampirik çalışmanın Five Learning Loops perspektifinden yeniden yorumlanmasıdır. Yazar açıkça her iki uygulamanın da modelin bağımsız ampirik doğrulaması olmadığını belirtmektedir.

Çalışmanın ana teorik katkıları

Birinci katkı, Fifth-Loop Learning kavramının geliştirilmesidir. Kaynak 5LL'nin yeniliğini “örgütlerin ağlardan öğrendiğini” veya “ekosistemlerin evrildiğini” ilk kez söylemesinde görmez; bunlar literatürde zaten bulunmaktadır. Özgün öneri, dağıtık öğrenmenin ekosistem koşullarını değiştirdiği ve değiştirilmiş koşulların sonraki öğrenmeye içsel girdi olduğu yapının örgütsel öğrenme kuramına açık bir yeni döngü olarak eklenmesidir.

İkinci katkı, KMSD'nin gelişimsel boyutla genişletilmesidir. KMSD hangi bilgi yönetimi süreçlerinin gerekli olduğunu açıklarken Five Learning Loops bu süreçlerin kapsamının nasıl genişleyebileceğini açıklar.

Üçüncü katkı, bilgi yönetimi, absorptif kapasite, dinamik kabiliyetler, örgütsel öğrenme ve döngüsel ekonomi araştırmalarının ortak mimaride birleştirilmesidir.

Dördüncü katkı, AI ve bilgi yönetiminin girişimci örgütlerin adaptasyon, dirençlilik ve sürdürülebilirlik yönelimli gelişimini nasıl destekleyebileceğine ilişkin yönetim çıkarımları ve gelecekte test edilebilecek teorik önermelerdir.

Ana kapsayıcı önerme

Çalışmanın kapsayıcı teorik önermesine göre Five Learning Loops, KMSD'yi işlevsel hale getiren dinamik ve yinelemeli bir ekosistem öğrenme mimarisi olarak düşünülebilir; döngüsel ekonomi ortamında örgütlerin bilgi yönetimi kabiliyetleri operasyonel bilgi kullanımından dağıtık ekosistem öğrenmesine doğru genişledikçe dinamik kabiliyetler, işbirlikçi inovasyon ve uzun dönemli ekonomik, çevresel ve sosyal performans güçlenebilir.

Bu ifade teorik önermedir; çalışmanın ölçülmüş sonucu değildir.

Yedi teorik önerme

P3 neden özellikle önemli?

P3, yüksek düzey öğrenme ile sürdürülebilirlik arasında otomatik pozitif bağ kurulmasını reddeder. Ekosistem çok verimli biçimde öğrenip değişebilir fakat faydaların ve maliyetlerin dağılımı adaletsiz olabilir veya ekolojik zarar artabilir.

Bu nedenle kaynak, “daha iyi öğrenen ekosistem = daha sürdürülebilir ekosistem” eşitliğini kurmamaktadır.

P5 yapay zekâ konusunda ne söylüyor?

P5 AI kullanımına koşullu yaklaşır. Algoritmik sonuçlar insan doğrulaması, bilgi bütünleştirme ve yönetişim içine yerleştirildiğinde AI öğrenme döngülerini güçlendirebilir. Bu koşullar yoksa AI mevcut varsayımları ve yalnız operasyonel optimizasyonu hızlandırabilir; örgüt daha hızlı çalışırken daha derin öğrenmeyi yapamayabilir.

Girişimcilik yeniden nasıl tanımlanıyor?

Kaynak, girişimciliği yalnız fırsat keşfi, finansman veya ürün ticarileştirme olarak ele almak yerine öğrenme kabiliyetlerinin giderek genişletilmesi olarak yeniden kavramsallaştırmaktadır.

Bu çerçevede girişimcilik başarısı; operasyonel iyileştirmeden stratejik yansımaya, kurumsal kabiliyet geliştirmeye, ekosistem işbirliğine ve nihayet bilgi ekosistemi birlikte gelişimine uzanan bilgi-merkezli bir örgütün oluşturulmasıdır.

Pratik olarak girişimcinin her döngüdeki görevi

• SLL: Müşteri geri bildirimi, analitik ve bilgi depolarıyla temel varsayımları ve operasyonu doğrulamak.
• DLL: AI destekli çevre taraması ve kıyaslamayla mevcut iş modelini ve varsayımları sorgulamak.
• TLL: Bilgi sistemleri, AI karar desteği, çalışan gelişimi ve standart rutinlerle öğrenmeyi kurumsallaştırmak.
• QLL: Tedarikçi entegrasyonu, işbirlikçi inovasyon platformları ve ortak bilgi ağlarıyla ekosistem düzeyinde öğrenmek.
• 5LL: Ekosistem yönetişimi, etik AI, öngörü, standart geliştirme ve çok-paydaşlı işbirliğiyle öğrenme ortamının birlikte gelişimine katılmak.

Çalışmanın desteklediği sonuçlar

• Five Learning Loops, mevcut teorileri bütünleştirmek için geliştirilmiş teorik bir gelişim mimarisidir.
• 5LL'nin ayırıcı özelliği ekosistem koşullarını değiştiren ve sonraki öğrenmeye geri beslenen dağıtık öğrenmedir.
• QLL ile 5LL teorik olarak aynı kavram değildir.
• KMSD süreçleri Five Learning Loops boyunca giderek daha geniş örgütsel ve ekosistem ölçeğinde yorumlanabilir.
• AI bütün beş döngüde öğrenme ve bilgi yönetimini destekleyebilir ancak insan doğrulaması ve yönetişim gerektirir.
• Altı yönetim ilkesi modelin yönetimsel uygulama katmanı olarak önerilmektedir.
• Döngüsel ekonomi bu teorinin temel uygulama bağlamıdır.

Çalışmanın desteklemediği sonuçlar

• 5LL'nin örgütsel performansı artırdığı ampirik olarak kanıtlanmamıştır.
• Beş döngünün bütün şirketlerde zorunlu ve doğrusal bir olgunluk sırası olduğu gösterilmemiştir.
• AI kullanımının otomatik olarak yüksek düzey öğrenme veya sürdürülebilirlik ürettiği gösterilmemiştir.
• Daha uyarlanabilir bir ekosistemin mutlaka daha sürdürülebilir olduğu gösterilmemiştir.
• Alpha Systems gerçek şirket verisine dayalı doğrulama değildir.
• İtalyan KOBİ vakasının Five Learning Loops'u ampirik olarak doğruladığı iddia edilmemektedir.
• Model belirli bir firmanın finansal performansını tahmin eden nicel araç değildir.
• 5LL yalnız daha fazla işbirliği veya daha geniş ağ kurmak anlamına gelmez.

Başlıca teorik sınırlılıklar

Ampirik doğrulama eksikliği: Modeldeki KM süreçleri, döngüler, yönetim ilkeleri, AI kabiliyetleri ve örgütsel performans arasındaki ilişkiler teoriktir.

Analiz düzeyi problemi: Döngüler örgütsel kabiliyet, öğrenme süreci, ideal tip, iç içe öğrenme biçimi veya analitik kategori olarak farklı şekillerde yorumlanabilir. Yazar bunların ontolojik statüsünün daha kesinleştirilmesi gerektiğini kabul etmektedir.

Doğrusal nedensellik yoktur: Model tek yönlü “öğrenme → değişim → başarı” zinciri değildir. Örgütsel ve ekosistem öğrenmesi çevreyi değiştirirken değişen çevre de sonraki öğrenmeyi dönüştürmektedir.

Güç ve yönetişim eksikliği: Çerçeve gücün önemini kabul etse de meşru bilginin kim tarafından tanımlandığı, platform ve veriyi kimin kontrol ettiği, bilgi kaynaklarına kimin eriştiği ve ekonomik değeri kimin elde ettiği gibi güç ilişkilerini henüz ayrıntılı teorik modele dönüştürmemektedir.

Uyarlanabilirlik sürdürülebilirlik değildir: Bir sistem daha uyarlanabilir, yenilikçi ve dayanıklı hale gelirken aynı anda sosyal, ekonomik veya çevresel zararlar yaratabilir. Sürdürülebilirlik modelin otomatik çıktısı değil, sınır koşuludur.

Gelecek araştırmalar

Yazar, beş öğrenme döngüsünü ölçmek için ölçek ve ölçüm araçlarının geliştirilmesini; örgütlerin zaman içinde döngüler arasında nasıl hareket ettiğinin karşılaştırmalı vaka ve uzunlamasına çalışmalarla incelenmesini önermektedir.

AI, dijital teknolojiler, örgüt kültürü, liderlik ve kurumsal koşulların öğrenme döngülerini kolaylaştırıcı veya sınırlayıcı rolleri ampirik olarak test edilmelidir. Güç ve bilgi asimetrileri ile ekosistemde değerin kim tarafından elde edildiği de araştırma programına eklenmelidir.

Çerçevenin girişimci şirketler dışındaki kamu kurumlarında, kâr amacı gütmeyen yapılarda, çok uluslu şirketlerde ve ulusötesi inovasyon ekosistemlerinde uygulanabilirliği de henüz bilinmemektedir.

Verianla Live / Live Figure uygunluğu

Çalışma Live Process ve Live Architecture için uygundur. SLL → DLL → TLL → QLL → 5LL yapısı katman katman vurgulanabilir; 5LL'deki “dağıtık öğrenme → müdahale → ekosistem değişimi → değişen öğrenme koşulları → yeni öğrenme” geri beslemesi sabit-parametreli bir süreç animasyonu olarak gösterilebilir.

Ancak kaynak nicel simülasyon, zaman serisi veya performans katsayısı vermediğinden kullanıcı tarafından parametre değiştirilen bir “5LL simülatörü”, başarı puanı veya tahmini performans grafiği üretmek bilimsel olarak uygun değildir.

Kaynak ve Yöntem Notu

Özgün başlık: Fifth-Loop Recursive Learning and Knowledge Management for Circular Economy Entrepreneurship: A Theory of Recursive Eco-System Co-Development

Türkçe yayın başlığı: Döngüsel Ekonomi Girişimciliği için Beşinci-Döngü Yinelemeli Öğrenme ve Bilgi Yönetimi: Yinelemeli Ekosistem Birlikte Gelişimi Kuramı

Yazar: Meir Russ.

Eş katkı: Uygulanabilir değildir; çalışma tek yazarlıdır.

Afiliasyon 1: Austin E. Cofrin School of Business, University of Wisconsin-Green Bay, Green Bay, Wisconsin, ABD.

Afiliasyon 2: Department of Information Science, Stellenbosch University, Stellenbosch, Güney Afrika.

Corresponding author: Kaynakta tek yazar Meir Russ için iletişim bilgisi verilmiştir.

Dergi: Sustainability.

Yayıncı: MDPI.

Cilt / sayı / makale numarası: 18 / 18 / 9392.

DOI: 10.3390/su18189392.

Academic Editor: Vasiliki Brinia.

Gönderim: 5 Ağustos 2026.

Revizyon: 11 Eylül 2026.

Kabul: 11 Eylül 2026.

Yayın: 13 Eylül 2026.

Kaynak türü: Article; bütünleştirici kavramsal araştırma ve teorik model geliştirme çalışmasıdır. Yeni ampirik veri üretmemektedir.

Hakemlik durumu: Sustainability'de yayımlanmış hakemli makaledir. Resmî MDPI kaydında Review Reports bölümü bulunmaktadır ve yazar teşekkür kısmında anonim hakemlerin katkısını açıkça belirtmektedir.

Lisans: Creative Commons Attribution 4.0 (CC BY).

Anahtar kelimeler: knowledge management; organizational learning; five learning loops; recursive ecosystem learning; entrepreneurship; circular economy; sustainable ecosystem; co-development; conceptual model.

Araştırma yöntemi: Theory synthesis + theory adaptation + conceptual model development ile desteklenen integrative multidisciplinary literature review.

Literatür seçimi: Sistematik olarak tüketici değil, teorik olarak amaçlıdır. Kaynaklar domain theories, method theories ve contextual/illustrative literature olarak işlevsel biçimde sınıflandırılmıştır.

Yeni veri: Oluşturulmamış veya analiz edilmemiştir.

Örneklem: Yeni araştırma örneklemi yoktur.

Kontrol grubu: Uygulanabilir değildir.

İstatistik: Yeni istatistiksel analiz, p-değeri, güven aralığı veya etki büyüklüğü yoktur.

Matematiksel formül: Kaynakta matematiksel denklem veya nicel model bulunmamaktadır. Oklarla verilen öğrenme mekanizmaları kavramsal süreç gösterimleridir.

Alpha Systems: Hipotetik analitik örnektir; ampirik doğrulama değildir.

Scipioni ve arkadaşlarının İtalyan KOBİ vakası: Daha önce yayımlanmış dış vaka, Five Learning Loops'un yorumlayıcı uygulanabilirliğini incelemek amacıyla yeniden eşleştirilmiştir; modelin bağımsız ampirik doğrulaması değildir.

Finansman: Araştırma dış finansman almamıştır.

Institutional Review Board: Uygulanabilir değildir.

Informed Consent: Uygulanabilir değildir.

Data Availability: Yeni veri oluşturulmamış veya analiz edilmemiştir; veri paylaşımı uygulanabilir değildir.

Çıkar çatışması: Yazar çıkar çatışması olmadığını beyan etmiştir.

Yazar katkıları: Makale tek yazarlıdır; PDF'de ayrı bir CRediT/Author Contributions bölümü bulunmamaktadır.

Teşekkür: Yazar, Otterbein University Department of Business, Accounting, & Economics'e entelektüel ve lojistik destek için; anonim hakemler ve editörler ile Daniel J. Herron'a eleştiri ve önerileri için teşekkür etmektedir.

Generatif AI kullanımı: Yazar, bazı bölümlerin ChatGPT-4o, Claude 3.7 ve Otio 2.0 ile taslaklaştırıldığını veya geliştirildiğini; Grammarly'nin dil ve stil düzenlemesinde kullanıldığını bildirmektedir. Bilimsel kavramları ve analitik çerçeveyi kendisinin geliştirdiğini belirtmektedir. ChatGPT ayrıca Şekil 1–3'ün biçimlendirilmesi ve görsel sunumunun geliştirilmesinde kullanılmıştır. Yazar bütün AI destekli içeriği gözden geçirdiğini, revize ettiğini ve doğruladığını; nihai içeriğin sorumluluğunu üstlendiğini beyan etmektedir.

Kaynak içi editoryal not: Önerme 4 başlığı PDF'nin görünen metninde “Proposition 4: Recursive Ecosystem C as a Mediating Capability” şeklinde yer almaktadır; hemen ardından gelen önerme metni açıkça “recursive ecosystem coupling” ifadesini kullanmaktadır. Verianla bu başlığı sessizce kaynak başlığıymış gibi tamamlamamış, bilimsel kavramın proposition metnindeki açık biçimini kullanırken kaynak başlığındaki görünür eksikliği not etmiştir.

Temel yorum sınırı: Five Learning Loops ve 5LL teorik yapılardır. Çalışma, örgütlerin bu döngülerden geçtiğinde belirli performans artışlarının gerçekleşeceğini deneysel veya istatistiksel olarak kanıtlamamaktadır.

Temel sürdürülebilirlik sınırı: Adaptasyon, inovasyon ve dayanıklılık tek başına sürdürülebilirlik kanıtı değildir. Çalışma ekolojik ve dağıtımsal performans kriterlerinin ayrıca gerekli olduğunu savunmaktadır.