Umetna inteligenca lahko pomaga, vendar le, če z njo ravnate kot z električnim orodjem in ne kot s čarobno palico. Če jo pravilno uporabljate, pospeši iskanje kadrov, poveča doslednost in izboljša izkušnjo kandidatov. Če jo uporabljate slabo ... tiho povečuje zmedo, pristranskost in pravno tveganje. Zabavno.
Poglejmo si, kako uporabiti umetno inteligenco pri zaposlovanju na način, ki je dejansko uporaben, v prvi vrsti človeku prijazen in ga je mogoče braniti. (In ne srhljiv. Prosim, ne srhljiv.)
Članki, ki jih boste morda želeli prebrati po tem:
🔗 Orodja za zaposlovanje z umetno inteligenco, ki spreminjajo sodobno zaposlovanje
Kako platforme umetne inteligence pospešijo in izboljšajo odločitve o zaposlovanju.
🔗 Brezplačna orodja umetne inteligence za ekipe za zaposlovanje
Najboljše brezplačne rešitve za poenostavitev in avtomatizacijo delovnih procesov zaposlovanja.
🔗 Veščine umetne inteligence, ki navdušijo vodje zaposlovanja
Katere veščine umetne inteligence dejansko izstopajo v življenjepisih.
🔗 Ali bi se morali odjaviti od pregleda življenjepisov z umetno inteligenco?
Prednosti, slabosti in tveganja izogibanja avtomatiziranim sistemom zaposlovanja.
Zakaj se umetna inteligenca sploh pojavlja pri zaposlovanju (in kaj v resnici počne) 🔎
Večina orodij za »zaposlovanje z umetno inteligenco« spada v nekaj kategorij:
-
Iskanje : iskanje kandidatov, razširitev iskalnih izrazov, povezovanje znanj in spretnosti z delovnimi mesti
-
Pregledovanje : razčlenjevanje življenjepisov, razvrščanje kandidatov, označevanje verjetnih primerov
-
Ocene : preizkusi znanj in spretnosti, vzorci dela, simulacije dela, včasih video poteki dela
-
Podpora pri intervjujih : strukturirani nabori vprašanj, povzemanje zapiskov, pripombe k rezultatom
-
Operacije : razporejanje, klepet s kandidati in odgovori, posodobitve stanja, potek dela s ponudbami
En preizkus realnosti: umetna inteligenca se redko »odloči« v enem samem trenutku. Vpliva ... spodbuja ... filtrira ... določa prioritete. Kar je še vedno pomembno, saj lahko v praksi orodje postane izbirni postopek, tudi ko so ljudje »tehnično« vključeni. V ZDA je EEOC izrecno povedal, da lahko algoritemska orodja za odločanje, ki se uporabljajo za sprejemanje ali obveščanje o odločitvah o zaposlovanju, sprožijo ista stara vprašanja o različnih/negativnih vplivih – in da lahko delodajalci ostanejo odgovorni, tudi če je orodje izdelal ali uporabljal prodajalec. [1]
Minimalna izvedljiva "dobra" nastavitev zaposlovanja s pomočjo umetne inteligence ✅
Dobra postavitev za zaposlovanje na področju umetne inteligence ima nekaj nepogrešljivih stvari (ja, so nekoliko dolgočasne, ampak dolgočasno je varno):
-
Vhodni podatki, povezani z delom : ocenite signale, povezane z vlogo, ne vibracij
-
Razložljivost, ki jo lahko ponovite na glas : če kandidat vpraša »zakaj«, imate koherenten odgovor
-
Človeški nadzor je pomemben : ne ceremonialno klikanje – resnična avtoriteta za razveljavitev
-
Validacija + spremljanje : rezultati testov, opazovanje odstopanj, vodenje evidenc
-
Kandidatom prijazna zasnova : jasni koraki, dostopen postopek, minimalno neumnosti
-
Zasebnost že po zasnovi : zmanjševanje podatkov, pravila hrambe, varnost + nadzor dostopa
Če želite trden miselni model, si ga izposodite iz okvira NIST za upravljanje tveganj umetne inteligence – v bistvu gre za strukturiran način za upravljanje, kartiranje, merjenje in obvladovanje tveganj umetne inteligence v celotnem življenjskem ciklu. Ni pravljica za lahko noč, je pa resnično uporabna za to, da je to mogoče pregledovati. [4]
Kje se umetna inteligenca najbolje prilega v prodajni lijak (in kje postane pikantno) 🌶️
Najboljša mesta za začetek (običajno)
-
Priprava in čiščenje opisa delovnega mesta ✍️
Generativna umetna inteligenca lahko zmanjša žargon, odstrani napihnjene sezname želja in izboljša jasnost (če le preverite razum). -
Kopiloti za zaposlovanje (povzetki, različice za doseganje, logični nizi)
Velike zmage pri produktivnosti, nizko tveganje pri odločanju, če ljudje ostanejo na čelu. -
Razporejanje + pogosta vprašanja o kandidatih 📅
Kandidatom je avtomatizacija pravzaprav všeč, če je opravljena vljudno.
Območja z višjim tveganjem (previdno hodite)
-
Samodejno razvrščanje in zavrnitev
Bolj ko je ocena odločilna, bolj se vaše breme preusmerja z »lepega orodja« na »dokazovanje, da je to povezano z delom, nadzorovano in ne tiho izključuje skupin«. -
Video analiza ali »vedenjsko sklepanje« 🎥
Tudi če se trži kot »objektivno«, lahko to naleti na težave z invalidnostjo, potrebami po dostopnosti in majavo veljavnostjo. -
Vse, kar postane »izključno avtomatizirano« s pomembnimi učinki
V skladu z britansko GDPR imajo ljudje pravico, da niso predmet določenih izključno avtomatiziranih odločitev s pravnimi ali podobno pomembnimi učinki – in kjer to velja, potrebujete tudi zaščitne ukrepe, kot je možnost pridobitve človeškega posredovanja in izpodbijanja odločitve. (Prav tako: ICO ugotavlja, da so te smernice v pregledu zaradi sprememb britanske zakonodaje, zato to obravnavajte kot področje, ki ga je treba posodabljati.) [3]
Hitre definicije (da se vsi prepirajo o isti stvari) 🧠
Če ukradeš samo eno piflarsko navado: definiraj izraze, preden kupiš orodje.
-
Orodje za algoritmično odločanje : krovni izraz za programsko opremo, ki ocenjuje/ocenjuje kandidate ali zaposlene, včasih z uporabo umetne inteligence, za sprejemanje odločitev.
-
Negativni vpliv/disparatni vpliv : »nevtralen« proces, ki nesorazmerno izključuje ljudi na podlagi zaščitenih značilnosti (tudi če tega nihče ni nameraval).
-
Povezano z delom + skladno s poslovnimi potrebami : letvica, h kateri stremite, če orodje izloča ljudi in so rezultati videti nepristranski.
Ti koncepti (in kako razmišljati o stopnjah izbire) so jasno opredeljeni v tehnični podpori EEOC o umetni inteligenci in negativnem vplivu. [1]
Primerjalna tabela - pogoste možnosti zaposlovanja na področju umetne inteligence (in za koga so dejansko namenjene) 🧾
| Orodje | Občinstvo | Cena | Zakaj deluje |
|---|---|---|---|
| Dodatki umetne inteligence v paketih ATS (preverjanje, ujemanje) | Ekipe z velikim obsegom dela | Na podlagi ponudb | Centraliziran potek dela + poročanje ... vendar skrbno konfigurirajte, sicer postane tovarna zavrnitev |
| Iskanje talentov + umetna inteligenca za ponovno odkrivanje | Organizacije, ki se osredotočajo na nabavo | ££–£££ | Najde sosednje profile in »skrite« kandidate – nenavadno uporabno za nišne vloge |
| Razčlenjevanje življenjepisa + taksonomija znanj in spretnosti | Ekipe se utapljajo v PDF-jih življenjepisov | Pogosto v paketu | Zmanjša ročno triažo; nepopolno, vendar hitreje kot pregledovanje vsega na očeh ob 23. uri 😵 |
| Klepet s kandidati + avtomatizacija razporejanja | Urno, kampus, velik obseg dela | £–££ | Hitrejši odzivni časi in manj neprihodov - občutek je kot spodoben concierge |
| Strukturirani kompleti za intervjuje + lestvice uspešnosti | Ekipe odpravljajo nedoslednosti | £ | Zaradi tega so intervjuji manj naključni – tiha zmaga |
| Platforme za ocenjevanje (vzorci dela, simulacije) | Zaposlovanje, ki temelji na znanju in spretnostih | ££ | Boljši signal kot življenjepisi, kadar je to relevantno za delovno mesto – še vedno spremljajte rezultate |
| Spremljanje pristranskosti + orodja za podporo reviziji | Regulirane/tvegano ozaveščene organizacije | £££ | Pomaga spremljati stopnje izbire in njihovo spreminjanje skozi čas – v bistvu računi |
| Poteki dela upravljanja (odobitve, dnevniki, popis modelov) | Večje ekipe za človeške vire in pravne zadeve | ££ | Preprečuje, da bi se vprašanje »kdo je kaj odobril« kasneje spremenilo v lov na zaklad |
Priznanje za majhno mizico: oblikovanje cen na tem trgu je spolzko. Prodajalci imajo radi energijo "pridružimo se klicu". Zato stroške obravnavajte kot "relativni trud + kompleksnost pogodbe", ne kot lepo nalepko ... 🤷
Kako korak za korakom uporabljati umetno inteligenco pri zaposlovanju (uvedba, ki vas kasneje ne bo ovirala) 🧩
1. korak: Izberite eno bolečo točko, ne celotnega vesolja
Začnite z nečim takim:
-
skrajšanje časa pregledovanja za eno družino vlog
-
izboljšanje iskanja kadrov za težko zapolnitvena delovna mesta
-
standardizacija vprašanj za razgovor in ocenjevalnih kartic
Če poskušate zaposlovanje od začetka do konca prenoviti z umetno inteligenco že prvi dan, boste končali s Frankensteinovim postopkom. Tehnično bo delovalo, vendar ga bodo vsi sovražili. In potem ga bodo zaobšli, kar je še huje.
2. korak: Definirajte »uspeh« onkraj hitrosti
Hitrost je pomembna. Enako velja za to, da ne zaposlite napačne osebe hitro 😬. Sled:
-
čas do prvega odziva
-
čas do uvrstitve na ožji izbor
-
razmerje med razgovori in ponudbami
-
stopnja opuščanja kandidatov
-
kazalniki kakovosti zaposlitve (čas uvajanja, zgodnji signali uspešnosti, zadrževanje)
-
razlike v stopnji selekcije med skupinami na vsaki stopnji
Če merite samo hitrost, boste optimizirali za »hitro zavrnitev«, kar ni isto kot »dobro zaposlovanje«.
3. korak: Zapišite si točke odločanja, ki jih imate pri ljudeh.
Bodite boleče eksplicitni:
-
kjer lahko umetna inteligenca predlaga
-
kjer se morajo ljudje odločiti
-
kjer morajo ljudje pregledati preglasitve (in zabeležiti, zakaj)
Praktični preizkus vonja: če so stopnje preglasitve praktično nične, je vaš »človek v zanki« lahko okrasna nalepka.
4. korak: Najprej izvedite test senčenja
Preden rezultati umetne inteligence vplivajo na dejanske kandidate:
-
preizkusite ga na preteklih ciklih zaposlovanja
-
primerjajte priporočila z dejanskimi rezultati
-
iščite vzorce, kot je »odlični kandidati so sistematično nizko uvrščeni«
Sestavljeni primer (ker se to dogaja pogosto): model »obožuje« neprekinjeno zaposlitev in kaznuje vrzeli v karieri ... kar tiho znižuje vrednost negovalcev, ljudi, ki se vračajo po bolezni, in ljudi z nelinearnimi potmi. Nihče ni kodiral »bodi nepošten«. Podatki so to storili namesto vas. Kul, kul, kul.
5. korak: Pilotni poskus, nato počasna širitev
Dober pilot vključuje:
-
usposabljanje kadrovnikov
-
kalibracijske seje za vodje zaposlovanja
-
sporočanje kandidatov (kaj je avtomatizirano, kaj ne)
-
pot poročanja o napakah za robne primere
-
dnevnik sprememb (kaj se je spremenilo, kdaj, kdo je to odobril)
S pilotnimi projekti ravnajte kot z laboratorijem, ne kot s trženjsko predstavitvijo 🎛️.
Kako uporabljati umetno inteligenco pri zaposlovanju, ne da bi pri tem kršili zasebnost 🛡️
Zasebnost ni le pravno kljukanje polj – gre za zaupanje kandidatov. In zaupanje je, bodimo iskreni, že pri zaposlovanju krhko.
Praktični ukrepi za zasebnost:
-
Zmanjšajte porabo podatkov : ne posesajte vsega "za vsak slučaj"
-
Bodite jasni : kandidatom povejte, kdaj se uporablja avtomatizacija in kateri podatki so vključeni
-
Omejitev hrambe : določite, kako dolgo ostanejo podatki prosilca v sistemu
-
Varen dostop : dovoljenja na podlagi vlog, dnevniki nadzora, nadzor dobaviteljev
-
Omejitev namena : za zaposlovanje uporabite podatke kandidatov, ne naključnih prihodnjih poskusov
Če zaposlujete v Združenem kraljestvu, je bil ICO zelo neposreden glede tega, kaj bi morale organizacije vprašati, preden naročijo orodja za zaposlovanje z umetno inteligenco – vključno z zgodnjo izvedbo ocene učinka na varstvo podatkov, zagotavljanjem poštene/minimalne obdelave in jasno razlago kandidatom, kako se njihovi podatki uporabljajo. [2]
Prav tako ne pozabite na dostopnost: če korak, ki ga poganja umetna inteligenca, blokira kandidate, ki potrebujejo prilagoditve, ste ustvarili oviro. Ni dobro etično, ni dobro pravno, ni dobro za vašo blagovno znamko delodajalca. Trojno slabo.
Pristranskost, pravičnost in neglamurozno delo spremljanja 📉🙂
Tukaj večina ekip premalo investira. Kupijo orodje, ga vklopijo in predpostavljajo, da je »pristranskost ravnala s strani prodajalca«. To je tolažilna zgodba. Pogosto pa je tudi tvegana.
Izvedljiva rutina pravičnosti izgleda takole:
-
Validacija pred napotitvijo : kaj meri in ali je povezana z delovnim mestom?
-
Spremljanje negativnih vplivov : spremljanje stopenj izbire na vsaki stopnji (prijava → pregled → razgovor → ponudba)
-
Analiza napak : kje se združujejo lažno negativni rezultati?
-
Preverjanje dostopnosti : ali so nastanitve hitre in spoštljive?
-
Preverjanje odstopanj : potrebe po spremembah vlog, trgi dela, modeli ... tudi vaše spremljanje bi se moralo spremeniti
In če poslujete v jurisdikcijah z dodatnimi pravili: ne odlašajte z upoštevanjem predpisov pozneje. Na primer, lokalni zakon 144 v New Yorku omejuje uporabo nekaterih avtomatiziranih orodij za odločanje o zaposlitvi, razen če je bila nedavno opravljena revizija pristranskosti, so bile o tej reviziji objavljene javne informacije in so bila potrebna obvestila – z začetkom izvrševanja leta 2023. [5]
Vprašanja skrbnega pregleda prodajalcev (ukradi jih) 📝
Ko prodajalec reče »zaupajte nam«, to prevedite kot »pokažite nam«.
Vprašajte:
-
Kateri podatki so to uporabili za učenje in kateri podatki se uporabljajo v času odločanja?
-
Katere funkcije vplivajo na rezultat? Ali lahko to razložite kot človek?
-
Katere teste pristranskosti izvajate – katere skupine, katere metrike?
-
Ali lahko sami revidiramo rezultate? Kakšna poročila prejmemo?
-
Kako kandidati dobijo človeški pregled – potek dela + časovnica?
-
Kako rešujete prilagoditve? Kakšne so znane napake?
-
Varnost + hramba: kje so podatki shranjeni, kako dolgo in kdo lahko dostopa do njih?
-
Nadzor sprememb: ali obvestite stranke, ko se modeli posodobijo ali se izmenjujejo rezultati?
Prav tako: če orodje lahko izloči ljudi, ga obravnavajte kot izbirni postopek – in ukrepajte v skladu s tem. Smernice EEOC so precej jasne, da odgovornost delodajalca ne izgine čarobno, ker je »to storil prodajalec«. [1]
Generativna umetna inteligenca pri zaposlovanju – varne in razumne uporabe (in seznam ne-uporabnih) 🧠✨
Varno in zelo uporabno
-
prepišite oglase za delo, da odstranite nepotrebne elemente in izboljšate jasnost
-
osnutki sporočil za ozaveščanje s predlogami za personalizacijo (prosim, naj bo človeško 🙏)
-
povzemite zapiske z razgovorov in jih razvrstite v kompetence
-
ustvarite strukturirana vprašanja za intervju, povezana z delovnim mestom
-
komunikacija s kandidati za časovnice, pogosta vprašanja in navodila za pripravo
Seznam ne (ali vsaj "upočasni in premisli")
-
Uporaba prepisa klepetalnega robota kot skritega psihološkega testa
-
pustiti umetno inteligenco, da se odloči o "kulturni ustreznosti" (ta fraza bi morala sprožiti alarm)
-
strganje podatkov iz družbenih medijev brez jasne utemeljitve in soglasja
-
samodejno zavračanje kandidatov na podlagi nepreglednih ocen brez možnosti pregleda
-
prisiljevanje kandidatov, da skačejo skozi obroče umetne inteligence, ki ne napovedujejo delovne uspešnosti
Skratka: ustvarjanje vsebine in strukture, da. Avtomatizirajte končno presojo, bodite previdni.
Zaključne opombe - Predolgo, nisem prebral/a 🧠✅
Če se ne spomnite ničesar drugega:
-
Začnite z majhnimi koraki, najprej preizkusite in izmerite rezultate. 📌
-
Uporabite umetno inteligenco za pomoč ljudem, ne za brisanje odgovornosti.
-
Dokumentirajte odločitvene točke, potrdite ustreznost delovnega mesta in spremljajte pravičnost.
-
Resno jemljite omejitve zasebnosti in avtomatiziranega odločanja (zlasti v Združenem kraljestvu).
-
Od prodajalcev zahtevajte preglednost in vodite lastno revizijsko sled.
-
Najboljši postopek zaposlovanja za umetno inteligenco se zdi bolj strukturiran in bolj human, ne bolj hladen.
Takole lahko uporabite umetno inteligenco pri zaposlovanju, ne da bi na koncu dobili hiter, samozavesten sistem, ki se samozavestno moti.
Reference
[1] EEOC -
Izbrana vprašanja: Ocena negativnega vpliva programske opreme, algoritmov in umetne inteligence, ki se uporabljajo v postopkih izbire zaposlitve v skladu z naslovom VII (Tehnična pomoč, 18. maj 2023) [2] ICO -
Razmišljate o uporabi umetne inteligence za pomoč pri zaposlovanju? Naši ključni vidiki varstva podatkov (6. november 2024) [3] ICO -
Kaj pravi britanska uredba GDPR o avtomatiziranem odločanju in profiliranju? [4] NIST -
Okvir za upravljanje tveganj umetne inteligence (AI RMF 1.0) (januar 2023) [5] Ministrstvo za varstvo potrošnikov in delavcev v New Yorku - Avtomatizirana orodja za odločanje o zaposlovanju (AEDT) / Lokalna zakonodaja 144