Barb Hyman, Sapia.ai के संस्थापक और सीईओ – साक्षात्कार श्रृंखला

Barb Hyman, Sapia.ai के संस्थापक और सीईओ एक अनुभवी व्यवसायिक नेता हैं जिनका करियर कानून, प्रबंधन परामर्श, मार्केटिंग, सीखना और विकास, मानव संसाधन, और प्रौद्योगिकी में फैला हुआ है। उन्होंने अपना करियर Herbert Smith Freehills में एक वकील के रूप में शुरू किया, फिर Boston Consulting Group में परामर्श में कदम रखा, जहाँ वे प्रोजेक्ट लीडर तक पहुँचे और बाद में ऑस्ट्रेलेशिया में सीखना और विकास, HR, और मार्केटिंग की देखरेख करने वाले वरिष्ठ पदों पर लौटे। Hyman ने सिडनी में Museum of Contemporary Art में मार्केटिंग और स्पॉन्सरशिप के प्रमुख तथा REA Group में People & Culture के एक्जीक्यूटिव जनरल मैनेजर के रूप में कार्य किया। उन्होंने 2018 में Sapia.ai की स्थापना की, संगठनात्मक नेतृत्व और प्रतिभा प्रबंधन में अपने अनुभव को उपयोग करके यह पुनः सोचते हुए कि कंपनियाँ कृत्रिम बुद्धिमत्ता का उपयोग करके लोगों का मूल्यांकन और भर्ती कैसे करती हैं।

Sapia.ai एक AI‑संचालित भर्ती प्रौद्योगिकी कंपनी है जो संरचित, संवादात्मक उम्मीदवार मूल्यांकन पर केंद्रित है। इसका प्लेटफ़ॉर्म चैट‑आधारित साक्षात्कारों का उपयोग करके उम्मीदवारों का लगातार बड़े पैमाने पर मूल्यांकन करता है, जिससे नियोक्ताओं को कौशल और उपयुक्तता का आकलन करने में मदद मिलती है और पारंपरिक सीवी स्क्रीनिंग और अन्य संकेतों पर निर्भरता कम होती है जो पक्षपात ला सकते हैं। Sapia.ai कहता है कि उसकी तकनीक ने 10 मिलियन से अधिक उम्मीदवारों का मूल्यांकन किया है और संरचित मूल्यांकन विज्ञान को AI‑संचालित टैलेंट इंटेलिजेंस, व्यक्तिगत उम्मीदवार प्रतिक्रिया, और मौजूदा आवेदक ट्रैकिंग और HR सिस्टम के साथ एकीकरण के साथ मिलाता है। कंपनी व्याख्यात्मकता, निष्पक्षता, और एंटरप्राइज़ अनुपालन पर भी ज़ोर देती है, जबकि इसका व्यापक प्लेटफ़ॉर्म AI साक्षात्कार, नौकरी विश्लेषण, साक्षात्कार शेड्यूलिंग, टैलेंट इंटेलिजेंस, और AI‑संचालित करियर कोचिंग को शामिल करता है।

Sapia.ai की स्थापना से पहले, आपने Boston Consulting Group में परामर्श, कानून, मार्केटिंग, सीखना और विकास, और अंततः REA Group में People & Culture नेतृत्व सहित एक व्यापक करियर बनाया। इस यात्रा के कौन से अनुभवों ने आपको यह विश्वास दिलाया कि भर्ती को मूल रूप से पुनः सोचा जाना चाहिए, और आप Sapia.ai के साथ मूल रूप से कौन सी समस्या को हल करने के लिए निकले थे?

वर्तमान में लोगों का मूल्यांकन करने का तरीका टूट गया है — विशेष रूप से भर्ती में।

हम सीवी पर निर्भर करते हैं। हम पूरे व्यक्ति को नहीं देखते। हम अपने सबसे महत्वपूर्ण निर्णय — किसे नियुक्त करें, किसे पदोन्नत करें — अंतर्ज्ञान और प्रॉक्सी पर लेते हैं। दर्पण जैसी भर्ती व्यापक है: कब से किसी व्यक्ति के स्कूल या विश्वविद्यालय को बुद्धिमत्ता का प्रॉक्सी माना जाने लगा? ऐसा नहीं है। यह लाभ का प्रॉक्सी है।

इनमें से कुछ मेरी व्यक्तिगत कहानी से जुड़ी है। मैं एक आप्रवासी हूँ और मुझे पता है कि मैं आप्रवासियों के एक सौभाग्यशाली वर्ग में आया हूँ: मैं गोरा हूँ और मेरा नाम लोगों को आसानी से कहने में आसान लगता है। मेरा परिवार ऐसा है जहाँ किसी ने विश्वविद्यालय नहीं किया; मेरे पिता एक दुकानदार थे। फिर भी मुझे असाधारण अवसर मिले हैं और पाँच करियर के बाद, मैं यहाँ हूँ। जब मैं दुनिया के दो बिलियन कार्यकर्ताओं के बारे में सोचता हूँ, तो मैं यह सोचता हूँ कि उनमें से कितने में वही प्रतिभा, प्रेरणा, और आलोचनात्मक सोच है जिसके लिए मुझे सराहा गया है, लेकिन वे कभी नहीं देखे जाते क्योंकि हम अपने स्वयं के अनुभव के प्रिज़्म से अंधे हैं। पक्षपात तेज़ निर्णय लेने के लिए एक शानदार शॉर्टकट है, और यही कारण है कि भर्ती हमेशा पहले से ही लाभान्वित लोगों को पुरस्कृत करती रहती है। यह कभी न्यायसंगत या तर्कसंगत नहीं लगा।

कहानी का दूसरा भाग परामर्श से आया। अपने एमबीए के बाद, मैं एक ऐसी दुनिया में गया जहाँ आप कभी बोर्डरूम में बिना वास्तविक शोध के कोई सिफ़ारिश नहीं करते। फिर भी किसी भी कंपनी का सबसे उच्च‑स्तरीय निर्णय (कौन शामिल होता है, कौन नेतृत्व करता है, कौन संस्कृति को आकार देता है) अभी भी अंतर्ज्ञान पर या विश्वविद्यालय के नाम जैसी पतली प्रॉक्सी पर किया जाता है। लोग बैलेंस शीट पर नहीं होते, लेकिन पेशेवर सेवाओं में, विशेष रूप से, वे संपत्ति होते हैं। यह असंगति मेरे लिए बेतुकी लगती थी।

लीओनार्डो दा विंची ने इस स्वरूप को आविष्कार करने के बाद से सीवी में मूलभूत परिवर्तन नहीं आया है। विकिपीडिया में 180 से अधिक दस्तावेज़ित मानव पक्षपातों की सूची है। उत्तरी अमेरिका के उम्मीदवारों में से एक‑तिहाई जो नौकरी आवेदन पूरा करते हैं, दो महीने बाद भी बिना उत्तर के रह जाते हैं। यह सब प्रतिभा समस्या नहीं है: प्रतिभा समान रूप से वितरित है लेकिन अवसर नहीं।

Sapia के साथ मैं जो सुधारना चाहता था वह सिर्फ एक निर्णय नहीं था — यह नौकरी खोजने के अनुभव से उत्पन्न था। मेरी टीम इस बात पर मुझसे हँसती है, लेकिन मैंने हमेशा भर्ती को डेटिंग जैसा समझा है। यह एक संबंध है। आप अपने काम के लोगों के साथ अपने साथी से अधिक समय बिताएँगे। तो फिर आप इस निर्णय को उसी कठोरता — डेटा — से कम पर क्यों लेेंगे, जिस पर हम हर अन्य महत्वपूर्ण निर्णय में ज़ोर देते हैं?

आपने तर्क दिया है कि अधिकांश संगठन AI अपनाने को दक्षता परियोजना के रूप में देखते हैं जबकि इसे विश्वास परियोजना के रूप में शुरू होना चाहिए। व्यावहारिक रूप से “विश्वास” कैसा दिखता है, और कंपनियों को इसे उत्पादकता, लागत बचत, और अपनाने जैसी पारंपरिक मीट्रिक के साथ कैसे मापना चाहिए?

मैंने यह एक CHRO के रूप में सीखा: यदि आप परिवर्तन के कारण के बारे में पारदर्शी नहीं हैं, तो विश्वास पहला शिकार बन जाता है। और मेरा मानना है कि अधिकांश कंपनियाँ AI अपनाने को उल्टा देखती हैं। वे उत्पादकता वृद्धि को मापते हैं, जैसे बचाए गए घंटे, प्रति भर्ती लागत, लेकिन वे कभी नहीं रुकते यह मापने के लिए कि वास्तव में क्या तय करता है कि यह टिकेगा या नहीं: क्या आपके लोग इस बात पर भरोसा करते हैं कि आप AI का उपयोग कैसे कर रहे हैं, और क्यों?

विश्वास आपके संस्कृति की नींव है। यह वास्तविक मापदंडों के बगल में बैठने वाला कोई हल्का मीट्रिक नहीं है — यह वह चीज़ है जिस पर वास्तविक मापदंड निर्मित होते हैं। इसे उसी तरह सोचें जैसे आप किसी भी संबंध के बारे में सोचते हैं। उच्च विश्वास आपको स्वतंत्रता की डिग्री देता है। कम विश्वास सब कुछ छोटा, कम लचीला, कम आरामदायक बना देता है। और जब लोग सुरक्षित महसूस नहीं करते तो कोई भी अपना सर्वश्रेष्ठ काम नहीं करता। संगठन भी अलग नहीं हैं।

फिर भी कार्यस्थल में AI के साथ किए गए कई कार्यों ने लोगों के अपने डेटा को उनके खिलाफ हथियार बना दिया है, उदाहरण के तौर पर किसी की सोशल मीडिया को स्क्रैप करके यह अनुमान लगाना कि वह एक अच्छा नियुक्ति, एक अच्छा जोखिम, या एक बुरा जोखिम है। मैं वास्तव में वह बैठक कल्पना नहीं कर सकता जहाँ वह निर्णय लिया गया, या कैसे किसी ने सोचा कि यह संस्कृति को क्षय नहीं करेगा जब लोग इसे जान जाएंगे।

इसलिए यदि आप AI अपनाने को गंभीरता से ले रहे हैं, तो विश्वास को पहले दिन से ही एक मीट्रिक होना चाहिए, जो उत्पादकता और लागत बचत के साथ-साथ बैठा हो। लोगों से सीधे पूछें: क्या आप समझते हैं कि हम इसे क्यों उपयोग कर रहे हैं? क्या आपको लगता है कि इसका उपयोग निष्पक्ष रूप से किया जा रहा है? यदि आप दोनों प्रश्नों का हाँ नहीं कह सकते, तो आप जो दक्षता लाभ मना रहे हैं, वह एक ऐसी संस्कृति के विरुद्ध उधार लिया गया है जिसे आप चुपचाप घटा रहे हैं।

AI में भर्ती के संबंध में सबसे बड़ी चिंताओं में से एक यह है कि मॉडल ऐतिहासिक रोजगार डेटा से सीख सकते हैं और संभावित रूप से वही मानव पक्षपात को दोहराते हैं जिसे संगठन समाप्त करने की कोशिश कर रहे हैं। कंपनियां कैसे सुनिश्चित कर सकती हैं कि AI केवल मौजूदा भर्ती पक्षपात को स्वचालित न करे, और शुरुआत से इन प्रणालियों में कौन से सुरक्षा उपाय स्थापित किए जाने चाहिए?

यह बिल्कुल वही जाल है जिसे अधिकांश AI-इन-हायरिंग चर्चाएँ मिस करती हैं और यही कारण है कि मैंने Sapia को इस तरह बनाया जैसा मैंने किया। यदि आप एक मॉडल को ऐतिहासिक भर्ती डेटा (कौन नियुक्त हुआ, कौन पदोन्नत हुआ, किसे पहला साक्षात्कार मिला) पर प्रशिक्षित करते हैं, तो आप पक्षपात को हटाते नहीं हैं, आप उसे औद्योगिक बना रहे हैं। आप एक मशीन को हर प्रतिबिंब-भर्ती निर्णय, हर “संस्कृति फिट” कॉल, हर अंतःप्रेरणा-आधारित शॉर्टकट को दोहराने के लिए सिखा रहे हैं जो आपको वह कार्यबल देता है जो आपके पास पहले से है। यह नवाचार नहीं है। यह बड़े पैमाने पर पक्षपात है, केवल तेज़ और वस्तुनिष्ठता की परत के साथ जो इसे चुनौती देना कठिन बनाता है।

इसलिए सुरक्षा उपाय को एल्गोरिद्म से भी आगे शुरू होना चाहिए। हम सीवी, फ़ोटो, नाम, विश्वविद्यालय, या किसी भी पारंपरिक संकेतकों पर प्रशिक्षण नहीं देते जो विशेषाधिकार के बजाय संभावनाओं से संबंधित होते हैं। यदि इनपुट में पक्षपात है, तो नीचे की ओर कोई भी चतुर मॉडलिंग इसे ठीक नहीं कर सकती। यह “कचरा इन, कचरा आउट” समस्या है, लेकिन कचरा दशकों की मानव पूर्वाग्रह है जो रिज़्यूमे के रूप में सजे होते हैं।

दूसरा पहलू वह है जिसके खिलाफ आप मॉडल को मापते हैं। यह कहना पर्याप्त नहीं है कि “AI काम करता है,” आपको लगातार लिंग, जातीयता, आयु, विकलांगता, और सभी संरक्षित विशेषताओं के खिलाफ प्रतिकूल प्रभाव की जाँच करनी होगी, जिसे निरंतर रूप से मापा जा सके, न कि लॉन्च से पहले एक बार की ऑडिट के रूप में। पक्षपात कोई बग नहीं है जिसे एक बार ठीक किया जाए। यह ऐसा कुछ है जिसे आपको लगातार देखना होगा, उसी तरह जैसे आप किसी भी प्रणाली की निगरानी करते हैं जो लोगों के जीवन पर महत्वपूर्ण निर्णय लेती है।

और तीसरा — यह वह बिंदु है जिसे लोग अक्सर छोड़ देते हैं — आपको बाहरी निगरानी की आवश्यकता है। आपके मॉडलों की स्वतंत्र, तृतीय-पक्ष ऑडिट, प्रकाशित कार्यप्रणाली, और यह कि सिस्टम क्या करता है और क्या नहीं करता, इस पर वास्तविक पारदर्शिता। यदि आप केवल अपने AI भर्ती उपकरण को उन लोगों द्वारा जांचवाते हैं जिन्होंने इसे बनाया है और जो इसे बचाने के लिए वित्तीय रूप से प्रेरित हैं, तो आपने वास्तव में विश्वास समस्या को हल नहीं किया है, आप बस इसे कहीं और स्थानांतरित कर रहे हैं।

“एल्गोरिद्म ने किया” यह बहाना नहीं है, बल्कि यह स्वीकारोक्ति है कि आपने शुरू में ही सुरक्षा उपाय नहीं बनाए। याद रखें, AI निष्पक्षता के लिए मानव जिम्मेदारी को नहीं हटाता।

भर्ती AI का एक असामान्य रूप से उच्च-स्तरीय अनुप्रयोग है क्योंकि एक एल्गोरिद्म सीधे किसी के करियर को प्रभावित कर सकता है। संगठनों को कहाँ रेखा खींचनी चाहिए उन निर्णयों के बीच जिन्हें स्वचालित किया जा सकता है और उन निर्णयों के बीच जिन्हें हमेशा सार्थक मानव निगरानी के तहत रहना चाहिए?

मैं जो रेखा खींचता हूँ वह यह है: AI निश्चित रूप से आपको किसी व्यक्ति को अधिक स्पष्ट रूप से देखने में मदद कर सकता है, लेकिन इसे कभी भी अकेले उनके भाग्य का निर्णय नहीं लेना चाहिए। निर्णय को बढ़ाने और उसे आउटसोर्स करने में वास्तविक अंतर है। भर्ती उन कुछ क्षेत्रों में से एक है जहाँ इस अंतर को गलत समझना वास्तव में किसी की ज़िंदगी बदल देता है।

तो स्वचालन को कहाँ अपना स्थान मिलता है? उन संकेतों को उजागर करने में जहाँ मनुष्य लगातार और निष्पक्ष रूप से देख पाने में असफल होते हैं, उदाहरण के तौर पर हजारों साक्षात्कार उत्तरों को थकान के बिना पढ़ना, बिना बुरा दिन हुए, बिना अनजाने में उस उम्मीदवार को प्राथमिकता दिए जो उन्हें अपने आप से पच्चीस साल की उम्र में याद दिलाता है। यह वह काम है जिसे AI थके हुए भर्ती प्रबंधक की आठवीं साक्षात्कार के दिन से बेहतर कर सकता है। वास्तविक सॉफ्ट स्किल्स की स्क्रीनिंग, अंतर्दृष्टि को इस तरह संरचित करना कि हर उम्मीदवार को समान मानदंडों पर मूल्यांकन किया जाए, यही वह जगह है जहाँ मशीन वास्तविक मूल्य जोड़ती है क्योंकि हम उतने लगातार नहीं बने हैं।

अंतिम निर्णय — कौन नियुक्त होता है, कौन अस्वीकृत होता है, किसे दूसरा मौका मिलता है — यह एक ऐसे मानव के पास होना चाहिए जो इसके लिए उत्तरदायी हो सके। यह मॉडल के आउटपुट पर रबर स्टैंप की तरह नहीं होना चाहिए, बल्कि वास्तविक, सार्थक निगरानी हो: कोई जो समझे कि सिस्टम क्या माप रहा है, गलत लगने वाले परिणाम पर सवाल उठाए, और उसे ओवरराइड कर सके। यदि एक मानव AI की सिफारिश को सार्थक रूप से चुनौती नहीं दे सकता, तो यह निगरानी नहीं बल्कि एक मानव अलिबी है।

मैं किसी भी अपरिवर्तनीय या अस्पष्ट चीज़ पर सीमा खींचूँगा। यदि कोई उम्मीदवार यह नहीं समझा पाता कि उसे आगे क्यों नहीं बढ़ाया गया, तो सिस्टम ने असफल हो गया, चाहे वह कितना भी “सटीक” क्यों न हो। और यदि मॉडल ऐसे निर्णय ले रहा है जिन्हें कंपनी में कोई भी व्यक्ति वास्तव में समझा नहीं सकता — जिसमें वे लोग भी शामिल हैं जिन्होंने इसे बनाया — तो यह भर्ती उपकरण नहीं है, यह एक ब्लैक बॉक्स है जिसमें किसी का करियर बंद है। मैं किसी भी संगठन को जो परीक्षण दूँगा वह सरल है: क्या आप उस उम्मीदवार के सामने बैठ सकते हैं जिसे आपने अस्वीकार किया और साधारण भाषा में बता सकते हैं क्यों? यदि ईमानदार जवाब “मुझे वास्तव में नहीं पता, मॉडल ने तय किया” है, तो आपने प्रक्रिया के गलत हिस्से को स्वचालित कर दिया है।

Sapia.ai जनरेटिव AI को खुले‑समाप्ति वाले संवादों के लिए उपयोग और उम्मीदवारों को स्कोर करने के लिए उपयोग किए जाने वाले अधिक निर्धारक सिस्टमों के बीच अंतर करता है। यह अंतर क्यों महत्वपूर्ण है, विशेष रूप से जब AI आउटपुट को सुसंगत, ऑडिटेबल और बचाव योग्य होना चाहिए?

लोग “AI” सुनते ही मान लेते हैं कि यह एक ही चीज़ है, लेकिन भर्ती में यह मिश्रण ठीक वही जगह है जहाँ चीज़ें गलत हो जाती हैं। हम जानबूझकर कार्य को दो हिस्सों में बाँटते हैं, क्योंकि खुले‑समाप्ति वाले संवाद और उच्च‑दांव वाले स्कोरिंग की पूरी तरह अलग आवश्यकताएँ होती हैं, और यह मानना कि वे एक ही तकनीक हैं, वह तरीका है जिससे कंपनियाँ ऐसे सिस्टम बना लेती हैं जिन्हें वे समझा नहीं सकते, बचा नहीं सकते या भरोसा नहीं कर सकते।

जनरेटिव AI संवादात्मक परत में उत्कृष्ट है — उम्मीदवार के साथ प्राकृतिक, मानवीय‑जैसा आदान‑प्रदान करना, अच्छे फॉलो‑अप प्रश्न पूछना, और अनुभव को फ़ॉर्म की बजाय बातचीत जैसा महसूस कराना। यही वह जगह है जहाँ आपको लचीलापन, सूक्ष्मता, यहाँ तक कि थोड़ी अनिश्चितता चाहिए, क्योंकि वास्तविक बातचीत स्क्रिप्टेड नहीं होती।

लेकिन जैसे ही आप उम्मीदवार से बात करने से उसके स्कोरिंग की ओर बढ़ते हैं, सिस्टम से आपकी सभी ज़रूरतें उलट जाती हैं। स्कोरिंग को सुसंगत होना चाहिए: एक ही उत्तर को वही मूल्यांकन मिलना चाहिए चाहे वह पहला उम्मीदवार हो या हज़ारवाँ, चाहे वह सोमवार सुबह हो या शुक्रवार दोपहर। इसे ऑडिटेबल होना चाहिए, जिसका अर्थ है कि आपको वापस जाकर ठीक‑ठीक दिखा सकें कि किसी उम्मीदवार को वह स्कोर क्यों मिला, केवल यह भरोसा न रखें कि मॉडल “समझ गया”। और इसे बचाव योग्य होना चाहिए क्योंकि किसी की आजीविका उस स्कोर के पीछे है, और “जनरेटिव मॉडल ने महसूस किया कि यह एक अच्छा उत्तर है” ऐसा वाक्य नियामक, पत्रकार या उस उम्मीदवार के सामने टिक नहीं पाएगा जो जानना चाहता है कि उसे नौकरी क्यों नहीं मिली।

जनरेटिव मॉडल, अपनी प्रकृति में, प्रायिकात्मक होते हैं — एक ही प्रश्न दो बार पूछने पर आपको सूक्ष्म रूप से अलग आउटपुट मिल सकते हैं। यह बातचीत के लिए एक विशेषता है और स्कोरिंग के लिए एक गंभीर जोखिम। Sapia में, हम प्रक्रिया के उस हिस्से के लिए निर्धारक सिस्टमों का उपयोग करते हैं जो वास्तव में किसी के परिणाम का निर्णय लेता है। हम ऐसे मॉडल बनाते हैं जहाँ समान इनपुट विश्वसनीय रूप से समान आउटपुट देता है, जहाँ हम तर्क का पता लगा सकते हैं, और जहाँ हम साबित कर सकते हैं कि दो समान उम्मीदवारों के साथ समान व्यवहार किया गया है।

यह वास्तव में ज़िम्मेदारियों का विभाजन है: जनरेटिव AI को मानवीय‑जैसा होने में उत्कृष्ट रहने दें, और निर्धारक, ऑडिटेबल सिस्टमों को उस निर्णय का भार उठाने दें जिसे निष्पक्ष, स्पष्ट और जांच के तहत बचाव योग्य होना चाहिए।

व्याख्यात्मकता को अक्सर जिम्मेदार AI की आवश्यकता के रूप में चर्चा की जाती है, लेकिन कई उन्नत मॉडल उपयोगकर्ताओं के लिए समझना कठिन रहते हैं। जब AI ने भर्ती निर्णय को प्रभावित किया हो, तो उम्मीदवार या कर्मचारी को कितनी व्याख्या की अपेक्षा करनी चाहिए?

मेरा मानना है कि उम्मीदवारों को वर्तमान में अधिकांश कंपनियों से अधिक मिलना चाहिए, और ईमानदारी से कहूँ तो, अधिकांश कंपनियों को यह भी नहीं लगता कि वे इसे देने में सक्षम हैं। “एल्गोरिद्म ने तय किया” यह विफलता का स्वीकार है जिसे परिष्कार के रूप में पेश किया गया है।

यहीं मेरा मानना है: एक उम्मीदवार हमेशा साधारण भाषा में समझ सके कि उसका मूल्यांकन किस आधार पर हुआ और लगभग क्यों वह उस परिणाम पर पहुँचा। न कि अंतर्निहित गणित, न ही मॉडल वज़न की प्रिंटआउट। जो वह चाहता है और जो उसका अधिकार है, वह कुछ ऐसा है जैसा एक अच्छा प्रबंधक आमने‑सामने कहेगा: ये वे गुण थे जिनकी हम तलाश में थे, यहाँ आप मजबूत थे, यहाँ इस बार आप सबसे उपयुक्त नहीं थे। यह पूरी तरह से उचित मानक है, और कोई भी सिस्टम जो इसे पूरा नहीं कर सकता, उसे शुरुआत में ही किसी के जीवनयापन के निर्णय नहीं लेने चाहिए।

इसलिए हमारे लिए, व्याख्यात्मकता को पहले दिन से ही आर्किटेक्चर में सम्मिलित होना चाहिए, क्योंकि आप वह नहीं समझा सकते जो आप ट्रेस नहीं कर सकते।

जहाँ मैं थोड़ा विरोध करूँगा वह यह विचार है कि व्याख्यात्मकता का मतलब है कि उम्मीदवारों को मॉडल के काम करने के तरीके की तकनीकी शिक्षा चाहिए। यह एक झूठा मानक है, और अक्सर इसे बहाने के रूप में इस्तेमाल किया जाता है जबकि वास्तव में इसे समझाने के लिए डिज़ाइन ही नहीं किया गया है। एक अच्छा डॉक्टर आपको निदान की बायोकैमिस्ट्री नहीं समझाता; वह आपको बताता है कि उसने क्या पाया और इसका आपके लिए क्या मतलब है। भर्ती में AI को भी वही मानक अपनाना चाहिए — मानवीय‑पठनीय ईमानदारी।

असली परीक्षण वही है जो मैं मानव निगरानी पर लागू करता हूँ: क्या एक उम्मीदवार पूछ सकता है “मैं आगे क्यों नहीं बढ़ा?” और उसे एक विशिष्ट, ईमानदार और वास्तव में उसका उत्तर मिल सके? यदि आपका AI वह उत्तर नहीं दे सकता, तो आपने एक व्याख्यात्मक सिस्टम नहीं बनाया है। आपने ऐसा सिस्टम बनाया है जिसकी आशा आप करते हैं कि कोई भी पूछेगा नहीं।

कंपनियाँ अक्सर इस बात पर ध्यान देती हैं कि कर्मचारी और प्रबंधक AI टूल का उपयोग कर रहे हैं या नहीं, बजाय इस बात के कि वे वास्तव में उसके आउटपुट पर भरोसा करते हैं या नहीं। कौन से चेतावनी संकेत दर्शाते हैं कि एक संगठन ने AI अपनाया है लेकिन तकनीक में वास्तविक भरोसा नहीं हासिल किया है?

अपनाना सबसे आसान मीट्रिक है जिसे नकली बनाया जा सकता है, और इसलिए कई कंपनियां इसे सफलता समझ लेती हैं। यदि मैं कहूँ कि व्यवसाय में हर कोई AI टूल “उपयोग” कर रहा है, तो यह लगभग कुछ नहीं बताता कि वे इसमें विश्वास करते हैं या नहीं — इसका मतलब सिर्फ यह हो सकता है कि यह अनिवार्य है, या यह सबसे आसान रास्ता है, या अभी तक किसी ने इसका कोई वैकल्पिक तरीका नहीं निकाला है।

पहला चेतावनी संकेत वर्कअराउंड व्यवहार है। यदि लोग AI टूल का उपयोग कर रहे हैं लेकिन साथ ही चुपचाप पुरानी प्रक्रिया को समानांतर में जारी रख रहे हैं — आउटपुट को मैन्युअल रूप से दोबारा जांच रहे हैं, अपने अलग नोट्स रख रहे हैं, किसी बैकअप सिस्टम को चलाते हुए — तो यह एक बीमा नीति के साथ अनुपालन है। उपयोग संख्या शानदार दिखती है। सच्चाई यह है कि हर कोई सोचता है कि टूल गलत हो सकता है।

दूसरा संकेत चुप्पी है। एक वास्तविक भरोसे वाले माहौल में, जब कुछ गड़बड़ लगती है तो लोग सिस्टम को चुनौती देते हैं: वे प्रश्न पूछते हैं, विरोध करते हैं, उन परिणामों को फ़्लैग करते हैं जो सही नहीं लगते। जब अपनाना वास्तविक होता है लेकिन भरोसा नहीं, तो उल्टा होता है। लोग प्रश्न पूछना बंद कर देते हैं क्योंकि उन्होंने तय कर लिया है कि यह लड़ाई के लायक नहीं है। वह चुप्पी नेतृत्व द्वारा संतुष्टि के रूप में पढ़ी जाती है। वास्तव में यह त्याग है।

तीसरा चेतावनी संकेत सर्वे में लोग जो कहते हैं और आपस में जो कहते हैं, उसके बीच का अंतर है। मैं एक ऐसी कंपनी के बारे में अधिक चिंतित रहूँगा जहाँ आधिकारिक अपनाने का डैशबोर्ड सभी क्षेत्रों में हरा दिखता है, लेकिन ब्रेक रूम में वास्तविक बातचीत यह है “हां, हम बस वही करते हैं जो यह कहता है क्योंकि यह बहस करने से आसान है” — यह एक ऐसा संस्कृति है जिसने अभी तक परिवर्तन नहीं किया है।

और सबसे गहरा चेतावनी संकेत, जो मेरे लिए सबसे महत्वपूर्ण है: जब लोग बिल्कुल भी अपना निर्णय टेबल पर नहीं लाते। यह त्याग है। किसी टूल में वास्तविक भरोसा इसका मतलब है कि लोग अभी भी अपने विशेषज्ञता के आधार पर उससे असहमत होने के लिए सशक्त महसूस करते हैं — और ऐसा करने में सुरक्षित महसूस करते हैं। यदि आपके प्रबंधक चुप हो गए हैं और बस AI कहे वही मान रहे हैं, तो आपने निर्भरता बना ली है।

इसलिए वास्तविक परीक्षण यह नहीं है कि “क्या लोग इसका उपयोग कर रहे हैं” बल्कि “क्या लोग इसे वैकल्पिक होने पर भी उपयोग जारी रखना चुनेंगे, और क्या वे आपको ईमानदारी से बताएँगे जब यह कुछ गलत करेगा”। अधिकांश कंपनियों ने कभी भी इन दोनों प्रश्नों को नहीं पूछा है। यही आमतौर पर संकेत देता है।

AI भर्ती उपकरण संभावित रूप से ऐसे पैमाने और स्थिरता पर उम्मीदवारों का मूल्यांकन कर सकते हैं जो मानव भर्तीकर्ता नहीं कर सकते, लेकिन भर्ती में संदर्भ और बारीकियों की भी आवश्यकता होती है। आज आप कहाँ मानते हैं कि AI मानव निर्णय से बेहतर प्रदर्शन कर सकता है, और कहाँ मानव अभी भी आवश्यक है?

AI एक बड़े पूल के उम्मीदवारों का मूल्यांकन करने में एक शानदार उपकरण हो सकता है, चाहे उनका पृष्ठभूमि या अनुभव कुछ भी हो, साथ ही विशिष्ट आवश्यकताओं वाले उम्मीदवारों के लिए अनुकूलित मूल्यांकन प्रदान करता है। एक मानव भर्तीकर्ता अधिक संभावना रखता है कि वह शीर्ष रैंक वाले विश्वविद्यालय के या बिना पूर्व स्वास्थ्य समस्याओं वाले उम्मीदवारों को प्राथमिकता दे। AI सभी उम्मीदवारों का निष्पक्ष, समान मूल्यांकन करता है, ऐसी तरीके से जो मानव जब सैकड़ों आवेदन का सामना करते हैं तो नहीं कर सकते। फिर भी, मानव निर्णय अभी भी आवश्यक है यह निर्धारित करने के लिए कि क्या कोई उम्मीदवार कंपनी की संस्कृति में फिट होगा या ग्राहकों द्वारा आवश्यक मानकों को पूरा करेगा।

जैसे-जैसे AI भर्ती, कोचिंग, प्रदर्शन प्रबंधन और अन्य कार्यबल निर्णयों में गहराई से समाहित हो रहा है, जब एक AI-सहायता प्राप्त निर्णय अनुचित या गलत परिणाम देता है तो जवाबदेही कैसे संरचित की जानी चाहिए?

जब मानव अंतिम निर्णयकर्ता होते हैं और भर्ती कार्यप्रवाह में पारदर्शिता, व्याख्यात्मकता और कठोर पक्षपात परीक्षण शामिल होते हैं, तब AI में जवाबदेही बनी रहती है। हमने जिम्मेदार AI प्रथाओं को बढ़ावा देने के लिए FAIR™ मॉडल लॉन्च किया है। यह अनुशंसा करता है:

• निष्पक्षता: पक्षपात के लिए परीक्षण करें और सही सांख्यिकीय मापदंडों का उपयोग करें — जैसे 4/5 नियम, त्रुटि-दर समानता, और अन्य प्रासंगिक पक्षपात परीक्षण — यह सुनिश्चित करने के लिए कि परिणाम निष्पक्ष हैं।
• वैधता: AI-चालित साक्ष्य वास्तविक डेटा पर आधारित होते हैं और उस परिणाम से जुड़े होते हैं जिसे वह भविष्यवाणी करने के लिए अभिप्रेत है।
• व्याख्यात्मकता: स्पष्ट दस्तावेज़ीकरण और उपकरण हों जो परिणामों की व्याख्या कर सकें, AI ने उम्मीदवार के बारे में क्या पहचाना और यह उनके स्कोर में कैसे योगदान दिया।
• समावेशिता: इसका अर्थ है कि उम्मीदवारों को पूरी प्रक्रिया के दौरान निष्पक्ष रूप से व्यवहार किया जाए, आवेदन से लेकर निर्णय लेने तक। यह भर्ती अनुभव का अंत-से-अंत दृश्य है — जिसमें लोग, प्रक्रियाएँ, प्रौद्योगिकी और AI एक साथ काम करते हैं।

आगे देखते हुए, क्या आप उम्मीद करते हैं कि AI मुख्यतः HR सिस्टम के भीतर निर्णय‑लेने की परत बन जाएगा, या इसकी अधिक महत्वपूर्ण भूमिका संवादात्मक होगी, जिससे उम्मीदवारों और कर्मचारियों को अवसरों को बेहतर समझने, कौशल विकसित करने और अपने करियर को नेविगेट करने में मदद मिलेगी?

यहाँ तक कि सबसे उन्नत तकनीकों को भी मानवीय स्पर्श, मानवीय निर्णय और मानवीय निगरानी की आवश्यकता होती है। एआई प्रक्रिया को समर्थन देने के लिए मौजूद है, यह सुनिश्चित करते हुए कि प्रत्येक उम्मीदवार को एक पद के लिए विचार किए जाने का निष्पक्ष और समान अवसर मिले। Sapia में, हम इसे “ह्यूमन-इन-द-लूप अप्रोच” कहते हैं, जहाँ हम मानवीय और मशीन बुद्धिमत्ता को मिलाकर भविष्यसूचक, जिम्मेदार और व्यक्तिगत स्मार्ट चैट अनुभव बनाते हैं। ऐसा करने के लिए, हम अपने ग्राहकों को साथ लेकर चलते हैं, जिससे हम निरंतर सटीकता और निष्पक्षता के लिए सत्यापन करते रहते हैं, साथ ही अपने एआई मॉडलों को समय के साथ विकसित होते सीखाते हैं।

हमारा मानवीय दृष्टिकोण हमारे उम्मीदवारों को प्रदान की जाने वाली चीज़ों में भी परिलक्षित होता है। हमने हाल ही में Phai, एक करियर कोच जिसे मेंटर की तरह कार्य करता है, लॉन्च किया, जो नौकरी खोजने वालों को व्यक्तिगत मार्गदर्शन, ताकतों का मानचित्रण और साक्षात्कार की तैयारी प्रदान करता है ताकि वे अपने अगले अवसर का आत्मविश्वास से सामना कर सकें। यह एक सकारात्मक उपकरण है जो साक्षात्कार के परिणाम से परे उम्मीदवार को प्रेरित रखता है।

शानदार साक्षात्कार के लिए धन्यवाद, पाठकों को जो अधिक जानना चाहते हैं उन्हें Sapia.ai पर जाना चाहिए।