Barb Hyman, Sapia.ai:n perustaja ja toimitusjohtaja – Haastattelusarja

Barb Hyman, Sapia.ai:n perustaja ja toimitusjohtaja on kokenut liikejohtaja, jonka ura on kattaa oikeustieteen, johdon konsultoinnin, markkinoinnin, oppimisen ja kehittämisen, henkilöstöhallinnon sekä teknologian. Hän aloitti uransa asianajajana Herbert Smith Freehillsilla ennen siirtymistään konsultointiin Boston Consulting Groupissa, jossa hän edistyi projektijohtajaksi ja myöhemmin palasi senioritehtäviin, joissa hän johti oppimista ja kehittämistä, HR:ää ja markkinointia Australasiassa. Hyman toimi myös markkinointi- ja sponsorointipäällikkönä Museum of Contemporary Art Sydneyssä sekä Executive General Managerina People & Culture -osastolla REA Groupissa. Hän perusti Sapia.ai:n vuonna 2018 hyödyntäen kokemustaan organisaatiojohtamisesta ja talenttien hallinnasta uudelleenajattelussa siitä, miten yritykset arvioivat ja palkkaavat ihmisiä tekoälyn avulla.

Sapia.ai on tekoälypohjainen rekrytointiteknologiayritys, joka keskittyy rakenteelliseen, keskustelevaan ehdokasarviointiin. Sen alusta käyttää chat-pohjaisia haastatteluja arvioidakseen ehdokkaita johdonmukaisesti suuressa mittakaavassa, auttaen työnantajia arvioimaan taitoja ja soveltuvuutta samalla vähentäen riippuvuutta perinteisestä CV-suodatuksesta ja muista harhaanjohtavuutta aiheuttavista signaaleista. Sapia.ai:n mukaan sen teknologia on arvioinut yli 10 miljoonaa ehdokasta ja yhdistää rakenteellisen arviointitieteen tekoälypohjaiseen talenttianalytiikkaan, personoituihin ehdokaspalautteisiin sekä integraatioihin olemassa oleviin hakijaseurantajärjestelmiin ja HR-järjestelmiin. Yritys korostaa myös selitettävyyttä, oikeudenmukaisuutta ja yritystason vaatimustenmukaisuutta, ja sen laajempi alusta kattaa tekoälyhaastattelut, työn analyysin, haastattelujen aikataulutuksen, talenttianalytiikan sekä tekoälypohjaisen uravalmennuksen.

Ennen Sapia.ai:n perustamista rakensit uran, joka kattaa konsultoinnin Boston Consulting Groupissa, oikeustieteen, markkinoinnin, oppimisen ja kehittämisen sekä lopulta People & Culture -johtajuuden REA Groupissa. Mitkä kokemukset tuolta matkalta vakuuttivat sinut siitä, että rekrytointia täytyy perinpohjaisesti uudelleenarvioida, ja mikä ongelma oli alun perin se, jonka ratkaisemiseksi peristit Sapia.ai:n?

Nykyinen tapa arvioida ihmisiä on rikki — erityisesti rekrytoinnissa.

Luotamme CV:ihin. Emme näe koko ihmistä. Teemme tärkeimmät päätöksemme — kenet palkata, kenet ylentää — vaistonvaraisesti ja välillisten indikaattorien perusteella. Peilirekrytointi on yleistä: siitä lähtien milloin joku koulun tai yliopiston nimi on muuttunut älykkyyden indikaattoriksi? Se ei ole. Se on etuoikeuden indikaattori.

Jotkut näistä liittyvät henkilökohtaiseen tarinaani. Olen maahanmuuttaja ja tiedän, että päädyin suotuisaan maahanmuuttajaryhmään: olen valkoinen ja nimeni on helppo lausua. Tulen perheestä, jossa kukaan ei mennyt yliopistoon; isäni oli kauppias. Silti olen saanut poikkeuksellisia mahdollisuuksia, ja viiden uran jälkeen olen tässä. Kun ajattelen kahta miljardia työntekijää maailmassa, mietin, kuinka moni heistä omaa juuri sen lahjakkuuden, ajohengen ja kriittisen ajattelun, josta minua on kiitetty, mutta heitä ei koskaan huomata, koska oma kokemuksemme sokaisee meidät. Ennakkoluulo on kätevä oikotie nopeaan päätökseen, ja juuri siksi rekrytointi jatkaa jo etuoikeutettujen palkitsemista. Se ei koskaan tunnu reilulta tai järkevältä.

Toinen puoli tarinaa tuli konsultoinnista. MBA:n jälkeen siirryin maailmaan, jossa et koskaan astu kokoushuoneeseen tekemään suositusta ilman todellista taustatutkimusta. Silti yrityksen tärkein päätös (kuka liittyy, kuka johtaa, kuka muokkaa kulttuuria) tehdään edelleen vaistonvaraisesti tai niin ohuen indikaattorin perusteella kuin yliopiston nimi. Ihmiset eivät ole taseessa, mutta ammatillisissa palveluissa he ovat omaisuus. Tämä ristiriita vaikutti minusta järjettömältä.

CV:n muoto ei ole perinpohjaisesti muuttunut sen jälkeen, kun Leonardo da Vinci keksi sen. Wikipedia luettelee yli 180 dokumentoitua inhimillistä ennakkoluuloa. Kolmasosa Pohjois-Amerikan hakijoista, jotka täyttävät työhakemuksen, jää ilman vastausta kahden kuukauden jälkeen. Mikään tästä ei ole talentti-ongelma: lahjakkuus on tasaisesti jakautunut, mutta mahdollisuudet eivät ole.

Tavoitteeni Sapia:n kanssa ei ollut pelkästään päätöksen korjaaminen — se perustui työnhaun kokemukseen. Tiimini nauraa minulle tästä, mutta olen aina ajatellut rekrytointia kuin treffailua. Se on suhde. Vietät työpaikallasi enemmän aikaa ihmisten kanssa kuin kumppanisi kanssa. Miksi siis tekisit sen päätöksen vähemmän kuin saman tarkkuuden — datan — perusteella, jota vaadimme kaikissa muissa tärkeissä päätöksissä?

Olet väittänyt, että useimmat organisaatiot lähestyvät tekoälyn käyttöönottoa tehokkuushankkeena, kun sen tulisi alkaa luottamushankkeena. Millainen “luottamus” näyttää käytännössä, ja miten yritysten tulisi mitata sitä perinteisten mittareiden, kuten tuottavuuden, kustannussäästöjen ja käyttöönoton, ohella?

Opin tämän henkilöstöjohtajana (CHRO): jos et ole läpinäkyvä siitä, miksi teet muutoksen, luottamus on ensimmäinen uhri. Ja mielestäni useimmat yritykset kääntävät tekoälyn käyttöönoton väärinpäin. Ne mittaavat tuottavuuslisäystä, esimerkiksi säästettyjä tunteja, rekrytointikustannusta per palkkaus, mutta eivät koskaan pysähdy mittaamaan sitä tekijää, joka todella määrää, pysyykö mikään näistä: luottavatko työntekijäsi siihen, miten käytät tekoälyä, ja miksi?

Luottamus on kulttuurisi perusta. Se ei ole pehmeä mittari, joka seisoo todellisten mittareiden vieressä — se on se, jonka varaan todelliset mittarit rakentuvat. Ajattele sitä kuten mitä tahansa suhdetta. Korkea luottamus antaa sinulle vapauksia. Alhainen luottamus tekee kaikesta pienempää, vähemmän kantavaa, vähemmän rentoutunutta. Eikä kukaan tee parhainta työtään, kun ei tunne olonsa turvalliseksi. Organisaatiot eivät ole tästä poikkeus.

Silti suuri osa siitä, mitä tekoälyn kanssa on tehty työpaikalla, on itse asiassa aseistanut ihmisten omat tiedot heitä vastaan, esimerkiksi kaappaamalla jonkun sosiaalisen median sisällön selvittääkseen, onko hän hyvä palkkansaaja, hyvä riski vai huono riski. En todellakaan pysty kuvittelemaan sitä kokousta, jossa tuo päätös tehtiin, enkä sitä, miten kukaan uskoi sen eivätvän kulttuuria korroosioon, kun ihmiset saavat siitä tietää.

Jos siis olet tosissasi tekoälyn käyttöönotossa, luottamuksen on oltava mittari alusta alkaen, rinnakkain tuottavuuden ja kustannussäästöjen kanssa. Kysy ihmisiltä suoraan: ymmärrätkö, miksi käytämme tätä? Uskotko, että sitä käytetään reilusti? Jos et pysty vastaamaan kyllä molempiin, juhlimasi tehokkuusparannukset ovat lainattu kulttuurista, jonka kulutat hiljaisesti.

Yksi suurimmista huolenaiheista tekoälyn käytössä rekrytoinnissa on se, että mallit voivat oppia historiallisesta työllisyystiedosta ja mahdollisesti vahvistaa samoja ihmisten ennakkoluuloja, joita organisaatiot pyrkivät poistamaan. Kuinka yritykset voivat estää tekoälyä pelkästään automatisoimasta olemassa olevia rekrytointiin liittyviä ennakkoluuloja, ja millaisia suojatoimia näihin järjestelmiin tulisi sisällyttää alusta alkaen?

Tämä on juuri se ansa, jonka suurin osa tekoälyä rekrytoinnissa koskevista keskusteluista ohittaa, ja syy siihen, miksi rakensin Sapian juuri sellaiseksi kuin tein. Jos koulutat mallin historiallisesta rekrytointidatasta (kuka palkattiin, kuka nousi, kuka sai ensimmäisen haastattelun), et poista ennakkoluuloja, vaan teet niistä teollistuneita. Opetat konetta toistamaan jokaisen peilirekrytointipäätöksen, jokaisen “culture fit” -valinnan, jokaisen intuitioon perustuvan oikopolun, jonka avulla sait nykyisen työvoiman. Tämä ei ole innovointia. Tämä on ennakkoluuloja mittakaavassa, vain nopeampaa ja objektiivisuuden kalvolla päällystettyä, mikä tekee sen haastamisesta vaikeampaa.

Joten suojatoimen on alettava kauemmin kuin algoritmi. Emme kouluta CV:illä, valokuvilla, nimillä, yliopistoilla tai millään perinteisellä korvaavalla tekijällä, jotka korreloivat etuoikeuden kanssa potentiaalin sijaan. Jos syöte sisältää ennakkoluulot, mikään älykäs jälkikäsittelymalli ei korjaa sitä. Kyse on “garbage in, garbage out” -ongelmasta, paitsi että roskat ovat vuosikymmenten ihmisen ennakkoluuloja, jotka on naamioitu ansioluetteloksi.

Toinen osa-alue on se, mihin mallia oikeasti mitataan. Ei riitä sanoa “the AI works”, sinun on jatkuvasti testattava haitallista vaikutusta sukupuolen, etnisen taustan, iän, vamman ja kaikkien suojeltujen ominaisuuksien osalta, joita voit mitata jatkuvasti, eikä vain kertaluonteisena tarkastuksena ennen käyttöönottoa. Ennakkoluulo ei ole virhe, jonka korjaat kerran. Se on asia, jota sinun on jatkuvasti seurattava, aivan kuten seurantaisit mitä tahansa järjestelmää, joka tekee merkittäviä päätöksiä ihmisten elämään.

Ja kolmas — tämä on se, jonka ihmiset ohittavat — tarvitset ulkopuolisia tarkastajia. Itsenäiset, kolmannen osapuolen auditoinnit malleistasi, julkaistu metodologia, todellinen läpinäkyvyys siitä, mitä järjestelmä tekee ja mitä se ei tee. Jos olet valmis antamaan AI-rekrytointityökalusi tarkastettavaksi vain niiden ihmisten toimesta, jotka sen rakensivat ja joilla on taloudellinen motivaatio puolustaa sitä, et ole todellisuudessa ratkaissut luottamusongelmaa, vaan vain siirtänyt sen.

“algorithm did it” ei ole tekosyy, vaan myöntö siitä, ettet alun perin rakentanut suojatoimia. Muista, että tekoäly ei poista ihmisen vastuuta oikeudenmukaisuudesta.

Rekrytointi on poikkeuksellisen korkean riskin tekoälyn sovellus, koska algoritmi voi suoraan vaikuttaa jonkun uraan. Missä organisaatioiden tulisi vetää raja automaattisten päätösten ja niiden välillä, jotka tulisi aina pitää merkittävän ihmisen valvonnan alaisina?

Minä vedän rajan näin: tekoäly voi ehdottomasti auttaa näkemään henkilön selkeämmin, mutta sen ei koskaan saisi yksin päättää hänen kohtaloaan. Päätöksen tukemisessa ja sen ulkoistamisessa on todellinen ero. Rekrytointi on yksi harvoista paikoista, joissa tämän eron väärä tulkinta todella muuttaa jonkun elämän.

Missä automaatio ansaitsee paikkansa? Signaalien esiin tuomisessa, joita ihmiset eivät pysty näkemään johdonmukaisesti ja reilusti, esimerkiksi lukemalla tuhansia haastatteluvastauksia ilman väsymystä, ilman huonoa päivää, ilman että tiedostamattaan suosii ehdokasta, joka muistuttaa heitä itseään kaksikymmentäviidessä. Tämä on tehtävä, jonka tekoäly voi tehdä paremmin kuin väsyneen rekrytointipäällikön kahdeksannessa haastattelussa päivässä. Aitojen pehmeiden taitojen seulonta, oivallusten jäsentäminen siten, että jokainen ehdokas arvioidaan samoilla kriteereillä, on se kohta, jossa kone lisää todellista arvoa, koska emme ole rakennettu olemaan niin johdonmukaisia.

Viimeinen päätös — kuka palkataan, kuka hylätään, kuka saa toisen mahdollisuuden — on oltava ihmisen käsissä, joka voidaan pitää vastuullisena siitä. Ei pelkkänä leimasimena mallin antamille tuloksille, vaan todellisena, merkityksellisenä valvontana: joku, joka ymmärtää, mitä järjestelmä mittaa, voi kyseenalaistaa väärältä vaikuttavan tuloksen ja voi ohittaa sen. Jos ihminen ei pysty merkityksellisesti haastamaan tekoälyn suositusta, se ei ole valvontaa vaan ihmisen alibi.

Vetisin myös rajan kaikesta palautumattomasta tai läpinäkymättömästä. Jos ehdokas ei saa ymmärrettävää selitystä sille, miksi hän ei edennyt, järjestelmä on epäonnistunut riippumatta siitä, kuinka “tarkka” se on. Ja jos malli tekee päätöksiä, joita kukaan yrityksessä ei pysty selittämään — mukaan lukien ne, jotka sen rakensivat — se ei ole rekrytointityökalu, vaan musta laatikko, jonka sisällä on jonkun ura. Testi, jonka antaisin mille tahansa organisaatiolle, on yksinkertainen: voisitteko istua vastapäätä hylättyä ehdokasta ja selittää selkokielellä, miksi? Jos rehellinen vastaus on “En oikeastaan tiedä, malli päätti”, olette automatisoineet prosessin väärän osan.

Sapia.ai erottaa generatiivisen tekoälyn, jota käytetään avoimiin keskusteluihin, ja deterministiset järjestelmät, joita käytetään ehdokkaiden pisteytykseen. Miksi tämä ero on tärkeä, erityisesti kun tekoälyn tulosten on oltava johdonmukaisia, auditoitavissa ja puolustettavissa?

Kun ihmiset kuulevat sanan “AI”, he olettavat sen olevan yksi asia, mutta rekrytoinnissa tämä sekoitus on juuri se, missä asiat menevät pieleen. Me jaamme työn tarkoituksellisesti kahteen osaan, koska avoin keskustelu ja korkean panoksen pisteytys vaativat täysin erilaisia vaatimuksia, ja olettamalla niiden olevan sama teknologia yritykset päätyvät järjestelmiin, joita ne eivät pysty selittämään, puolustamaan tai luottamaan.

Generatiivinen tekoäly on loistava keskustelutasolla — se mahdollistaa luonnollisen, ihmisen kaltaisen vuorovaikutuksen ehdokkaan kanssa, esittää hyviä jatkokysymyksiä ja saa kokemuksen tuntumaan keskustelulta eikä lomakkeelta. Tässä halutaan joustavuutta, vivahteikkuutta ja jopa hieman ennakoimattomuutta, koska todelliset keskustelut eivät ole käsikirjoitettuja.

Mutta hetken, kun siirrytään ehdokkaan puhumisesta pisteytykseen, kaikki järjestelmältä vaadittava kääntyy ympäri. Pisteytyksen on oltava johdonmukaista: saman vastauksen on saatava sama arvio, olipa kyseessä ensimmäinen ehdokas tai tuhatinen, oli se maanantaiaamu tai perjantai-iltapäivä. Sen on oltava auditoitavissa, mikä tarkoittaa, että sinun täytyy pystyä palaamaan takaisin ja näyttämään tarkalleen, miksi ehdokas sai saamansa pisteet, eikä pelkästään luottaa siihen, että malli “keksi sen”. Ja sen on oltava puolustettavissa, koska jonkun elanto on kyseisen pisteen takana, eikä “generatiivinen malli koki tämän olevan hyvä vastaus” kestä tarkastelua sääntelyviranomaisen, journalistin tai sen ehdokkaan kanssa, joka haluaa tietää, miksi hän ei saanut työtä.

Generatiiviset mallit ovat luonteeltaan probabilistisia — samaa kysymystä kysyttäessä kahdesti voi saada hienovaraisesti erilaisia vastauksia. Tämä on ominaisuus keskustelussa ja vakava riski pisteytyksessä. Sapia:ssa käytämme deterministisiä järjestelmiä prosessin osassa, joka todella päättää henkilön lopputuloksen. Mallinnamme tilanteet, joissa sama syöte tuottaa luotettavasti saman tuloksen, jossa voimme jäljittää perustelut ja jossa voimme todistaa, että kaksi samankaltaista ehdokasta käsitellään tasapuolisesti.

Kyse on oikeastaan huolenaiheiden eriyttämisestä: annetaan generatiivisen tekoälyn olla erinomainen ihmismäinen, ja annetaan determinististen, auditoitavien järjestelmien kantaa päätöksen paino, jonka on oltava reilu, selitettävissä ja tarkastuksen alla puolustettavissa.

Selitettävyydestä puhutaan usein vastuullisen tekoälyn vaatimuksena, mutta monet kehittyneet mallit ovat edelleen käyttäjille vaikeita ymmärtää. Kuinka paljon selitystä ehdokkaan tai työntekijän tulisi kohtuudella odottaa, kun tekoäly on vaikuttanut rekrytointipäätökseen?

Uskon, että ehdokkaat ansaitsevat enemmän kuin useimmat yritykset tällä hetkellä antavat heille, ja rehellisesti sanottuna, enemmän kuin useimmat yritykset uskovat pystyvänsä antamaan. “Algoritmi päätti” on epäonnistumisen tunnustus, joka on naamioitu hienostuneisuudeksi.

Tässä on minun näkökulmani: ehdokkaan tulisi aina pystyä ymmärtämään selkokielellä, mitä hänet arvioitiin ja suunnilleen miksi hän päätyi siihen, missä hän päätyi. Ei taustalla olevaa matematiikkaa, ei mallin painojen tulostetta. Se, mitä he haluavat ja mitä he ansaitsevat, on lähempänä sitä, mitä hyvä esimies sanoisi heille kasvotusten: nämä ovat ne ominaisuudet, joita etsimme, tässä olet vahva, tässä et tällä kertaa ollut lähin sopiva. Tämä on täysin kohtuullinen vaatimustaso, eikä mikään järjestelmä, joka ei täytä sitä, saisi tehdä päätöksiä kenenkään elantoon.

Joten meille selitettävyys täytyy sisällyttää arkkitehtuuriin alusta alkaen, koska et voi selittää sitä, mitä et pysty jäljittämään.

Missä voisin hieman vastustaa ajatusta, että selitettävyys tarkoittaa, että ehdokkaiden täytyy olla teknisesti koulutettuja mallin toiminnasta. Se on virheellinen standardi, ja sitä käytetään usein tekosyynä, kun todellisuudessa sitä ei vain ole suunniteltu selitettäväksi. Hyvä lääkäri ei käy läpi diagnoosin biokemiaa; hän kertoo, mitä hän löysi ja mitä se merkitsee sinulle. Rekrytoinnin tekoälyn tulisi noudattaa samaa ihmisen luettavaa rehellisyyden tasoa.

Todellinen testi on sama kuin mitä soveltaisin ihmisen valvontaan: voisiko ehdokas kysyä “miksi en edennyt?” ja saada vastaus, joka on erityinen, rehellinen ja todella hänen oma. Jos tekoälysi ei pysty tuottamaan sellaista vastausta, et ole rakentanut selitettävää järjestelmää. Olet rakentanut sellaisen, jonka toivot, ettei kukaan kysy siitä.

Yritykset keskittyvät usein siihen, käyttävätkö työntekijät ja johtajat AI-työkalua, sen sijaan että he todella luottaisivat sen tuloksiin. Mitkä varoitusmerkit viittaavat siihen, että organisaatio on saavuttanut AI:n käyttöönoton ilman aitoa luottamusta teknologiaan?

Omaksuminen on helpoin mittari, jonka voi helposti manipuloida, ja juuri siksi niin monet yritykset sekoittavat sen menestykseen. Jos sanon, että kaikki liiketoiminnassa “käyttävät” AI-työkalua, se kertoo lähes mitään siitä, uskotteko he siihen — se voi vain tarkoittaa, että se on pakollinen, tai se on helpoin tapa, tai kukaan ei ole vielä löytänyt kiertotietä.

Ensimmäinen varoitusmerkki on kiertotapa. Jos ihmiset käyttävät AI-työkalua, mutta tekevät myös hiljaa vanhan prosessin rinnakkain — tarkistavat sen tulokset manuaalisesti, pitävät omia erillisiä muistiinpanoja, ajavat varjokäytön varmuuden vuoksi — se on noudattamista, jonka mukana on vakuutuskäytäntö. Käyttömäärät näyttävät hyvältä. Totuus on, että kaikki uskovat työkalun saattavan olla väärässä.

Toinen merkki on hiljaisuus. Aidossa luottamuskulttuurissa ihmiset haastavat järjestelmän, kun jokin vaikuttaa poikkeavalta: he esittävät kysymyksiä, vastustavat, merkitsevät tulokset, jotka eivät tunnu oikeilta. Kun omaksuminen on todellista, mutta luottamus puuttuu, tapahtuu päinvastaista. Ihmiset lopettavat kysymysten esittämisen, koska ovat päättäneet, ettei se ole sen arvoista. Johto tulkitsee tuon hiljaisuuden tyytyväisyydeksi. Se on itse asiassa luopuminen.

Kolmas varoitus on kuilu sen välillä, mitä ihmiset sanovat kyselyssä ja mitä he sanovat toisilleen. Olisin paljon huolestuneempi yrityksestä, jonka virallinen omaksumisdashbordi on kaikkialla vihreä, mutta todellinen keskustelu taukohuoneessa on “joo, me vain teemme mitä se sanoo, koska se on helpompaa kuin väittely” — se on kulttuuri, joka ei ole muuttunut.

Ja syvin varoitusmerkki, joka minulle on tärkein: kun ihmiset lopettavat oman arvionsa tuomisen pöytään kokonaan. Se on luopuminen. Aito luottamus työkaluun tarkoittaa, että ihmiset tuntevat edelleen voivansa olla eri mieltä sen kanssa, kun heidän oma asiantuntemuksensa kertoo toisin — ja tuntevat olonsa turvalliseksi tehdä niin. Jos johtajasi ovat hiljaisia ja vain alistuvat siihen, mitä AI sanoo, olet luonut riippuvuuden.

Joten todellinen testi ei ole “käyttävätkö ihmiset sitä” vaan “valitsisivatko ihmiset jatkaa sen käyttöä, jos se olisi vapaaehtoista, ja kertoisivatko he rehellisesti, kun se tekee virheen.” Useimmat yritykset eivät ole koskaan oikeasti esittäneet kumpaakaan kysymystä. Se on yleensä merkki.

AI-palkkaustyökalut voivat mahdollisesti arvioida ehdokkaita mittakaavassa ja johdonmukaisuudessa, jota ihmistalentit eivät pysty, mutta rekrytointi sisältää myös kontekstia ja vivahteita. Missä uskot AI:n pystyvän ylittämään ihmisen arvostelun tänään, ja missä ihmiset ovat edelleen välttämättömiä?

AI voi olla loistava työkalu suuren ehdokaskannan arvioimiseen riippumatta heidän taustoistaan ja kokemuksistaan, samalla tarjoten räätälöidyn arvioinnin erityistarpeita omaaville ehdokkaille. Ihmistrelaattori saattaa olla taipuvaisempi suosimaan ehdokkaita huippusijoitetusta yliopistosta tai ilman aiempia terveysongelmia. AI suorittaa oikeudenmukaisen, tasapuolisen arvioinnin kaikille ehdokkaille tavalla, jota ihmiset eivät pysty tekemään sadojen hakemusten edessä. Tästä huolimatta ihmisen arvostelu on edelleen välttämätöntä arvioitaessa, sopiiko ehdokas yrityskulttuuriin tai täyttääkö hän asiakkaiden asettamat vaatimukset.

Kun AI upotetaan yhä syvemmin rekrytointiin, valmennukseen, suorituskyvyn hallintaan ja muihin henkilöstöpäätöksiin, miten vastuullisuus tulisi jäsentää, kun AI-avusteinen päätös aiheuttaa epäoikeudenmukaisen tai virheellisen tuloksen?

Vastuullisuus AI:ssa säilyy, kun ihmiset ovat lopullisia päätöksentekijöitä, samalla kun rekrytointityönkulku sisältää läpinäkyvyyden, selitettävyyden ja tiukan harhaanjohtavuustestin. Julkaisimme FAIR™-mallin edistääksemme vastuullisia AI-käytäntöjä. Se suosittelee:

• Objektiivisuus: Testaa harhaanjohtavuutta ja käytä oikeita tilastollisia mittareita — kuten 4/5‑sääntöä, virheratepariteettia ja muita asiaankuuluvia harhaanjohtavuustestejä — varmistaaksesi, että tulokset ovat oikeudenmukaisia.
• Paikkansapitävyys: AI-pohjainen todistus perustuu todellisiin tietoihin ja on yhteydessä siihen tulokseen, jonka se pyrkii ennustamaan.
• Selitettävyys: Tarjoa selkeää dokumentaatiota ja työkaluja tulosten tulkitsemiseksi, mitä AI on tunnistanut ehdokkaasta ja miten se on vaikuttanut hänen pisteeseensä.
• Osallistavuus: Tämä tarkoittaa, että ehdokkaat kohdataan oikeudenmukaisesti koko prosessin ajan, hakemuksesta päätöksentekoon asti. Se on kokonaisvaltainen näkemys rekrytointikokemuksesta — mukaan lukien ihmiset, prosessit, teknologia ja AI, jotka toimivat yhdessä.

Kun katsomme tulevaisuuteen, odotatko AI:n pääasiallisesti muodostuvan päätöksentekokerrokseksi HR-järjestelmissä, vai onko sen tärkeämpi rooli keskusteleva, auttaen ehdokkaita ja työntekijöitä ymmärtämään paremmin mahdollisuuksia, kehittämään taitoja ja navigoimaan urallaan?

Jopa kaikkein kehittyneimmät teknologiat vaativat ihmisen kosketusta, ihmisen harkintaa ja ihmisen valvontaa. Tekoäly tukee prosessia ja varmistaa, että jokaisella hakijalla on oikeudenmukainen, tasapuolinen mahdollisuus tulla harkituksi tehtävään. Sapia kutsuu tätä “ihmisen mukana -lähestymistavaksi”, jossa yhdistämme ihmisen ja koneen älykkyyden luodaksemme älykkäitä chat-kokemuksia, jotka ovat ennustavia, vastuullisia ja personoituja. Tämän toteuttamiseksi tuomme asiakkaamme mukaan, jotta voimme jatkuvasti tarkistaa tarkkuuden ja oikeudenmukaisuuden, samalla opettamalla tekoälymallillemme kehittymistä ajan myötä.

Ihmislähtöinen lähestymistapamme näkyy myös siinä, mitä tarjoamme ehdokkaille. Äskettäin lanseerasimme Phai:n, uravalmentajan, joka toimii mentorina ja tarjoaa työnhakijoille henkilökohtaista ohjausta, vahvuuksien kartoitusta ja haastatteluun valmistautumista, jotta he voivat itsevarmasti kohdata seuraavan mahdollisuutensa. Se on positiivinen työkalu, joka pitää ehdokkaan motivoituneena haastattelun tuloksenkin jälkeen.

Kiitos erinomaisesta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa käydä osoitteessa Sapia.ai.