Barb Hyman, założycielka i CEO Sapia.ai – seria wywiadów

Barb Hyman, założycielka i CEO Sapia.ai, jest doświadczoną liderką biznesową, której kariera obejmowała prawo, doradztwo strategiczne, marketing, rozwój i szkolenia, zasoby ludzkie oraz technologię. Rozpoczęła swoją karierę jako radca prawny w Herbert Smith Freehills, po czym przeszła do konsultingu w Boston Consulting Group, gdzie awansowała na stanowisko Project Leader, a później powróciła na wyższe stanowiska nadzorujące rozwój i szkolenia, HR oraz marketing w całej Australii i Nowej Zelandii. Hyman pełniła także funkcję Head of Marketing and Sponsorship w Museum of Contemporary Art w Sydney oraz Executive General Manager of People & Culture w REA Group. Założyła Sapia.ai w 2018 roku, wykorzystując swoje doświadczenie w przywództwie organizacyjnym i zarządzaniu talentami, aby przemyśleć na nowo sposób, w jaki firmy oceniają i zatrudniają ludzi przy użyciu sztucznej inteligencji.

Sapia.ai to firma technologiczna zajmująca się rekrutacją, oparta na sztucznej inteligencji, skoncentrowana na strukturalnej, konwersacyjnej ocenie kandydatów. Jej platforma wykorzystuje wywiady w formie czatu, aby oceniać kandydatów konsekwentnie i w dużej skali, pomagając pracodawcom ocenić umiejętności i przydatność, jednocześnie zmniejszając zależność od tradycyjnego przeglądania CV i innych sygnałów mogących wprowadzać uprzedzenia. Sapia.ai twierdzi, że jej technologia oceniła ponad 10 milionów kandydatów i łączy naukę o strukturalnej ocenie z inteligencją talentów napędzaną AI, spersonalizowaną informacją zwrotną dla kandydatów oraz integracjami z istniejącymi systemami śledzenia aplikacji i systemami HR. Firma podkreśla także wyjaśnialność, sprawiedliwość i zgodność z wymogami przedsiębiorstw, a jej szersza platforma obejmuje wywiady AI, analizę stanowisk, planowanie wywiadów, inteligencję talentów oraz coaching kariery oparty na AI.

Zanim założyłaś Sapia.ai, zbudowałaś karierę obejmującą konsulting w Boston Consulting Group, prawo, marketing, rozwój i szkolenia oraz ostatecznie przywództwo w obszarze People & Culture w REA Group. Jakie doświadczenia z tej drogi przekonały Cię, że rekrutację trzeba zasadniczo przemyśleć od nowa i jaki problem zamierzałaś początkowo rozwiązać dzięki Sapia.ai

Obecny sposób oceny ludzi jest zepsuty — szczególnie w rekrutacji.

Polegamy na CV. Nie widzimy całej osoby. Podejmujemy najważniejsze decyzje — kogo zatrudnić, kogo awansować — na podstawie przeczucia i zastępczych wskaźników. Zjawisko tzw. „mirror hiring” jest powszechne: od kiedy szkoła lub uczelnia, którą ktoś ukończył, stała się wskaźnikiem inteligencji? Nie jest. To wskaźnik przywileju.

Część tego odnosi się do mojej osobistej historii. Jestem imigrantką i wiem, że trafiłam do szczęśliwej kategorii imigrantów: jestem biała i mam imię, które ludzie łatwo wymawiają. Pochodzę z rodziny, w której nikt nie poszedł na studia; mój ojciec był sklepikarzem. A mimo to miałam niezwykłe możliwości i po pięciu karierach znalazłam się tutaj. Myśląc o dwóch miliardach pracowników na świecie, zastanawiam się, ilu z nich ma dokładnie taki talent, zapał i krytyczne myślenie, za które jestem doceniana, ale nigdy nie zostaje zauważonych, ponieważ jesteśmy oślepieni pryzmatem własnych doświadczeń. Uprzedzenia są wygodnym skrótem do szybkiego podejmowania decyzji i właśnie dlatego rekrutacja wciąż nagradza już uprzywilejowanych. Nigdy nie wydawało się to sprawiedliwe ani racjonalne.

Druga część tej historii pochodzi z konsultingu. Po ukończeniu MBA wkroczyłam do świata, w którym nigdy nie wchodzi się do sali konferencyjnej i nie przedstawia rekomendacji bez solidnych badań. A mimo to najważniejsze decyzje, jakie podejmuje każda firma (kogo zatrudnić, kto będzie liderem, kto kształtuje kulturę) wciąż podejmowane są na podstawie przeczucia lub wskaźnika tak płytkiego jak nazwa uczelni. Ludzie nie znajdują się w bilansie, ale w usługach profesjonalnych, zwłaszcza, są najcenniejszym aktywem. To rozłączenie wydawało mi się absurdalne.

Sam format CV nie zmienił się zasadniczo od czasu, gdy Leonardo da Vinci wynalazł tę formę. Wikipedia wymienia ponad 180 udokumentowanych ludzkich uprzedzeń. Jedna trzecia kandydatów z Ameryki Północnej, którzy ukończyli proces aplikacji, nie otrzymuje odpowiedzi nawet po dwóch miesiącach. To nie jest problem talentu: talent jest równomiernie rozłożony, ale możliwości nie.

To, co chciałam naprawić w Sapia, nie było jedynie decyzją — wynikało z doświadczenia poszukiwania pracy. Mój zespół śmieje się ze mnie z tego powodu, ale zawsze postrzegałam rekrutację jak randkowanie. To związek. Spędzasz więcej czasu z ludźmi w pracy niż z partnerem. Dlaczego więc miałbyś podejmować tę decyzję przy mniejszej precyzji — danych — niż tej, której domagamy się przy każdej innej istotnej decyzji?

Twierdzisz, że większość organizacji podchodzi do wdrażania AI jako projektu zwiększającego efektywność, podczas gdy powinno ono zaczynać się jako projekt budowania zaufania. Jak wygląda „zaufanie” w praktyce i jak firmy powinny je mierzyć obok bardziej tradycyjnych wskaźników, takich jak produktywność, oszczędności kosztów i przyjęcie?

Nauczyłam się tego jako CHRO: jeśli nie jesteś przejrzysty co do powodów wprowadzania zmiany, zaufanie jest pierwszą ofiarą. I myślę, że większość firm podchodzi do wdrażania AI od tyłu. Mierzą zysk w produktywności, np. zaoszczędzone godziny, koszt zatrudnienia, ale nigdy nie zatrzymują się, by zmierzyć to, co naprawdę decyduje o trwałości – czy pracownicy ufają, jak używasz AI i dlaczego.

Zaufanie jest podłożem twojej kultury. To nie jest miękka metryka leżąca obok prawdziwych — to podstawa, na której budowane są prawdziwe wskaźniki. Pomyśl o tym tak, jak myślisz o każdej relacji. Wysokie zaufanie daje ci stopnie swobody. Niskie zaufanie sprawia, że wszystko jest mniejsze, mniej dynamiczne, mniej swobodne. I nikt nie wykonuje swojej najlepszej pracy, gdy nie czuje się bezpiecznie. Organizacje nie różnią się pod tym względem.

Jednak tak wiele z tego, co zrobiono z AI w miejscu pracy, w rzeczywistości wykorzystuje własne dane ludzi przeciwko nim, na przykład przeszukując media społecznościowe kogoś, aby wywnioskować, czy jest on dobrym pracownikiem, dobrym ryzykiem, czy złym ryzykiem. Naprawdę nie potrafię wyobrazić sobie spotkania, na którym podjęto taką decyzję, ani tego, jak ktokolwiek pomyślał, że nie zepsuje to kultury w momencie, gdy ludzie się o tym dowiedzą.

Dlatego jeśli poważnie podchodzisz do wdrażania AI, zaufanie musi być metryką od pierwszego dnia, stojącą ramię w ramię z produktywnością i oszczędnościami kosztów. Zapytaj ludzi bezpośrednio: czy rozumiesz, dlaczego to używamy? Czy uważasz, że jest używane sprawiedliwie? Jeśli nie możesz odpowiedzieć „tak” na oba pytania, korzyści wydajnościowe, które celebrujesz, są pożyczone kosztem kultury, którą cicho podkopujesz.

Jednym z największych zmartwień związanych z AI w rekrutacji jest to, że modele mogą uczyć się na podstawie historycznych danych zatrudnienia i potencjalnie wzmacniać te same ludzkie uprzedzenia, które organizacje starają się wyeliminować. Jak firmy mogą zapobiec temu, by AI po prostu automatyzowało istniejące uprzedzenia w rekrutacji, i jakie zabezpieczenia powinny być wbudowane w te systemy od samego początku?

To właśnie jest pułapka, którą pomija większość rozmów o AI w rekrutacji i powód, dla którego zbudowałem Sapia w taki sposób. Jeśli trenujesz model na historycznych danych rekrutacyjnych (kto został zatrudniony, kto awansował, kto dostał pierwszą rozmowę), nie usuwasz uprzedzeń, lecz je industrializujesz. Uczysz maszynę, aby powielała każdą decyzję „lustra” w rekrutacji, każde określenie „pasującego do kultury”, każdy skrót oparty na przeczuciu, który doprowadził cię do obecnej siły roboczej. To nie jest innowacja. To uprzedzenia na dużą skalę, tylko szybsze i z warstwą obiektywności, która utrudnia ich zakwestionowanie.

Dlatego zabezpieczenia muszą zaczynać się wcześniej niż sam algorytm. Nie trenujemy na CV, zdjęciach, nazwiskach, uczelniach ani żadnych tradycyjnych wskaźnikach, które korelują z przywilejami, a nie z potencjałem. Jeśli dane wejściowe zawierają uprzedzenia, żadna ilość sprytnego modelowania w dalszej fazie ich nie naprawi. To problem „śmieci do środka, śmieci na zewnątrz”, z tym że śmieci to dziesięciolecia ludzkich uprzedzeń przebrane za życiorys.

Drugim elementem jest to, z czym faktycznie porównujesz model. Nie wystarczy powiedzieć „AI działa”, musisz nieustannie testować wpływ niekorzystny pod kątem płci, pochodzenia etnicznego, wieku, niepełnosprawności, każdej chronionej cechy, którą możesz mierzyć na bieżąco, a nie jako jednorazowy audyt przed uruchomieniem. Uprzedzenia nie są błędem, który naprawiasz raz. To coś, co musisz stale monitorować, tak jak monitorowałbyś każdy system podejmujący istotne decyzje dotyczące życia ludzi.

I po trzecie — to jest to, co ludzie pomijają — potrzebujesz zewnętrznych oczu. Niezależne, zewnętrzne audyty twoich modeli, opublikowana metodologia, prawdziwa przejrzystość co do tego, co system robi, a czego nie robi. Jeśli jesteś skłonny, aby narzędzie AI do rekrutacji sprawdzali jedynie ludzie, którzy je stworzyli i mają finansowy interes w jego obronie, nie rozwiązałeś problemu zaufania, a jedynie go przeniosłeś.

Stwierdzenie „to zrobił algorytm” nie jest wymówką, lecz przyznaniem, że nie wbudowałeś zabezpieczeń od samego początku. Pamiętaj, AI nie usuwa ludzkiej odpowiedzialności za sprawiedliwość.

Rekrutacja jest wyjątkowo wysokiego ryzyka zastosowaniem AI, ponieważ algorytm może bezpośrednio wpływać na karierę osoby. Gdzie organizacje powinny wyznaczyć granicę między decyzjami, które mogą być zautomatyzowane, a tymi, które zawsze powinny pozostawać pod znaczącym nadzorem człowieka?

Moja granica wygląda następująco: AI może zdecydowanie pomóc ci lepiej zobaczyć osobę, ale nigdy nie powinna sama decydować o jej losie. Istnieje rzeczywista różnica między wspomaganiem decyzji a jej zleceniem na zewnątrz. Rekrutacja jest jednym z niewielu miejsc, w których pomylenie tej rozróżnienia faktycznie zmienia czyjeś życie.

Gdzie więc automatyzacja znajduje swoje miejsce? W wyłanianiu sygnałów, które ludzie widzą niespójnie i niesprawiedliwie, na przykład czytanie tysięcy odpowiedzi na rozmowy kwalifikacyjne bez zmęczenia, bez złego dnia, bez nieświadomego faworyzowania kandydata, który przypomina im ich własne dwudziestolatek. To zadanie, które AI może wykonać lepiej niż zmęczony menedżer rekrutacji przy ósmym wywiadzie w ciągu dnia. Przeglądanie prawdziwych umiejętności miękkich, strukturyzowanie wniosków tak, aby każdy kandydat był oceniany według tych samych kryteriów, to miejsce, w którym maszyna wnosi rzeczywistą wartość, ponieważ nie jesteśmy stworzeni, by być tak konsekwentni.

Ostateczna decyzja — kto zostaje zatrudniony, kto odrzucony, kto dostaje drugą szansę — musi należeć do człowieka, który może za nią ponieść odpowiedzialność. Nie jako jedynie odcisk pieczątki na tym, co model wygeneruje, ale jako rzeczywisty, znaczący nadzór: ktoś, kto rozumie, co system mierzy, może zakwestionować wynik, który wydaje się nieprawidłowy, i może go odrzucić. Jeśli człowiek nie może w istotny sposób zakwestionować rekomendacji AI, nie jest to nadzór, lecz ludzkie wymówki.

Postawiłbym również kreskę przed wszystkim, co jest nieodwracalne lub nieprzejrzyste. Jeśli kandydat nie może uzyskać zrozumiałego wyjaśnienia, dlaczego nie awansował, system zawiódł, niezależnie od tego, jak „dokładny” jest. A jeśli model podejmuje decyzje, których nikt w firmie nie potrafi wyjaśnić — włącznie z osobami, które go stworzyły — to nie jest narzędzie rekrutacyjne, lecz czarna skrzynka z czyjąś karierą w środku. Test, który zadałbym każdej organizacji, jest prosty: czy możesz usiąść naprzeciwko odrzuconego kandydata i wyjaśnić, w prostych słowach, dlaczego? Jeśli szczera odpowiedź brzmi „Naprawdę nie wiem, zdecydował model”, zautomatyzowałeś niewłaściwą część procesu.

Sapia.ai rozróżnia generatywną sztuczną inteligencję używaną do otwartych rozmów oraz bardziej deterministyczne systemy wykorzystywane do oceniania kandydatów. Dlaczego to rozróżnienie jest ważne, szczególnie gdy wyniki AI muszą być spójne, audytowalne i uzasadnione?

Ludzie słysząc „AI” zakładają, że to jedno, ale w rekrutacji takie utożsamianie jest właśnie przyczyną problemów. Świadomie dzielimy to zadanie na dwie części, ponieważ otwarta rozmowa i ocena o wysokim stopniu ryzyka mają zupełnie inne wymagania, a udawanie, że to ta sama technologia, prowadzi firmy do systemów, których nie potrafią wyjaśnić, obronić ani zaufać.

Generatywna AI jest znakomita na warstwie konwersacyjnej — prowadzi naturalną, przypominającą ludzką wymianę zdań z kandydatem, zadaje trafne pytania uzupełniające i sprawia, że doświadczenie przypomina rozmowę, a nie formularz. To właśnie tam potrzebna jest elastyczność, niuanse, a nawet odrobina nieprzewidywalności, ponieważ prawdziwe rozmowy nie są scenariuszami.

Jednak w momencie, gdy przechodzisz od rozmowy z kandydatem do jego oceny, wszystko, czego potrzebujesz od systemu, zmienia się. Ocena musi być spójna: ta sama odpowiedź powinna otrzymać tę samą ocenę, niezależnie od tego, czy to kandydat pierwszy, czy tysiącowy, czy to poniedziałkowy poranek, czy piątkowe popołudnie. Musi być audytowalna, co oznacza, że musisz móc wrócić i dokładnie pokazać, dlaczego kandydat otrzymał daną punktację, a nie po prostu ufać, że model „sam to wyliczył”. I musi być uzasadniona, ponieważ czyjeś utrzymanie zależy od tej oceny, a stwierdzenie „generatywny model uznał tę odpowiedź za dobrą” nie przetrwa konfrontacji z regulatorem, dziennikarzem czy kandydatem, który chce wiedzieć, dlaczego nie dostał pracy.

Modele generatywne, z natury, są probabilistyczne — zadanie tego samego pytania dwa razy może dać nieco różne wyniki. To zaleta w konwersacji i poważna wada w ocenie. W Sapia używamy deterministycznych systemów w części procesu, która faktycznie decyduje o wyniku kandydata. Modelujemy sytuacje, w których to samo wejście konsekwentnie generuje ten sam wynik, możemy prześledzić uzasadnienie i udowodnić, że dwaj podobni kandydaci są traktowani równorzędnie.

To naprawdę podział obowiązków: pozwól generatywnej AI być świetną w byciu ludzką, a deterministycznym, audytowalnym systemom nieść ciężar decyzji, które muszą być sprawiedliwe, wyjaśnialne i obronne pod kontrolą.

Wyjaśnialność jest często omawiana jako wymóg odpowiedzialnej AI, ale wiele zaawansowanych modeli pozostaje trudnych do zrozumienia dla użytkowników. Jak dużo wyjaśnień kandydat lub pracownik powinien racjonalnie oczekiwać, gdy AI wpłynęła na decyzję rekrutacyjną?

Uważam, że kandydaci zasługują na więcej niż większość firm im obecnie daje, a szczerze mówiąc, więcej niż większość firm myśli, że jest w stanie zapewnić. „Algorytm zdecydował” to przyznanie się do porażki w przebraniu za wyrafinowanie.

Oto moje stanowisko: kandydat zawsze powinien móc zrozumieć, w prostych słowach, na czym został oceniony i w przybliżeniu, dlaczego uzyskał taki wynik. Nie chodzi o ukryte matematyki, nie o wydruk wag modelu. To, czego oczekują i na co mają prawo, jest bliższe temu, co dobry menedżer powiedziałby im twarzą w twarz: to są cechy, których szukaliśmy, w tym miejscu byłeś mocny, w tym miejscu nie byłeś najbliższym dopasowaniem w tej rundzie. To całkowicie rozsądny próg, a każdy system, który go nie spełnia, nie powinien decydować o czyimś utrzymaniu.

Dlatego dla nas wyjaśnialność musi być wbudowana w architekturę od samego początku, ponieważ nie można wyjaśnić tego, czego nie da się prześledzić.

Gdzie trochę się sprzeciwiłbym, to pomysł, że wyjaśnialność oznacza, że kandydaci potrzebują technicznego wykształcenia, aby zrozumieć, jak działa model. To fałszywy standard, często używany jako wymówka, gdy w rzeczywistości po prostu nie zaprojektowano go tak, aby można go było wyjaśnić. Dobry lekarz nie przechodzi z pacjentem przez biochemię diagnozy; mówi, co znalazł i co to oznacza dla pacjenta. AI w rekrutacji powinna stosować ten sam standard przejrzystej, zrozumiałej uczciwości.

Prawdziwy test jest taki sam, jak ten, który stosowałbym wobec ludzkiego nadzoru: czy kandydat może zapytać „dlaczego nie awansowałem?” i otrzymać odpowiedź, która jest konkretna, szczera i naprawdę jego własna? Jeśli twoja AI nie potrafi takiej odpowiedzi udzielić, nie zbudowałeś systemu wyjaśnialnego. Zbudowałeś taki, którego nikt nie będzie chciał pytać.

Firmy często koncentrują się na tym, czy pracownicy i menedżerowie używają narzędzia AI, zamiast na tym, czy naprawdę ufają jego wynikom. Jakie sygnały ostrzegawcze sugerują, że organizacja osiągnęła przyjęcie AI bez prawdziwej pewności co do technologii?

Adopcja jest najłatwiejszą miarą do sfabrykowania, i właśnie dlatego tak wiele firm myli ją ze sukcesem. Jeśli powiem ci, że wszyscy w firmie „używają” narzędzia AI, nie mówi to prawie nic o tym, czy w niego wierzą — może to po prostu oznaczać, że jest obowiązkowe, albo jest najłatwiejszą drogą, albo nikt jeszcze nie znalazł obejścia.

Pierwszym sygnałem ostrzegawczym jest zachowanie obejścia. Jeśli ludzie używają narzędzia AI, ale jednocześnie cicho kontynuują stary proces równolegle — ręcznie weryfikują jego wyniki, prowadzą własne oddzielne notatki, uruchamiają system zapasowy na wszelki wypadek — to zgodność z dołączoną polisą ubezpieczeniową. Liczby użytkowania wyglądają świetnie. Prawda jest taka, że wszyscy myślą, że narzędzie może się mylić.

Drugim jest milczenie. W naprawdę zaufanej kulturze ludzie kwestionują system, gdy coś wydaje się nie tak: zadają pytania, sprzeciwiają się, oznaczają wyniki, które nie wydają się prawidłowe. Gdy adopcja jest rzeczywista, a zaufanie nie, dzieje się odwrotnie. Ludzie przestają go kwestionować, ponieważ uznali, że nie warto walczyć. To milczenie jest odczytywane przez kierownictwo jako satysfakcja. W rzeczywistości jest to rezygnacja.

Trzecim ostrzeżeniem jest luka między tym, co ludzie mówią w ankiecie, a tym, co mówią sobie nawzajem. Byłbym znacznie bardziej zaniepokojony firmą, w której oficjalny pulpit adopcji jest wszędzie zielony, ale prawdziwa rozmowa w pokoju socjalnym brzmi: „tak, po prostu robimy to, co mówi, bo tak łatwiej niż się kłócić” — to kultura, która nie przeszła konwersji.

A najgłębszy sygnał ostrzegawczy i ten, który ma dla mnie największe znaczenie: kiedy ludzie przestają w ogóle wnosić własny osąd. To abdykacja. Prawdziwe zaufanie do narzędzia oznacza, że ludzie nadal czują się uprawnieni do niezgody z nim, gdy ich własna ekspertyza podpowiada coś innego — i czują się bezpiecznie, robiąc to. Jeśli twoi menedżerowie ucichli i po prostu poddają się temu, co mówi AI, stworzyłeś zależność.

Dlatego prawdziwym testem nie jest „czy ludzie go używają”, lecz „czy ludzie wybraliby dalsze korzystanie z niego, gdyby było opcjonalne, i czy szczerze powiedzieliby ci, gdy popełni błąd”. Większość firm nigdy nie zadała takiego pytania. To zazwyczaj jest wskaźnik.

Narzędzia rekrutacyjne oparte na AI mogą potencjalnie oceniać kandydatów w skali i spójności, której nie osiągną ludzie-rekruterzy, ale rekrutacja obejmuje także kontekst i niuanse. Gdzie według ciebie AI może przewyższyć ludzką ocenę dziś, a gdzie ludzie wciąż są niezbędni?

AI może być doskonałym narzędziem do oceny dużej puli kandydatów, niezależnie od ich pochodzenia i doświadczeń, jednocześnie zapewniając spersonalizowaną ocenę kandydatom o konkretnych potrzebach. Ludzki rekruter może być bardziej skłonny faworyzować kandydatów z czołowo ocenianego uniwersytetu lub bez wcześniejszych problemów zdrowotnych. AI przeprowadza sprawiedliwą, równą ocenę wszystkich kandydatów w sposób, którego ludzie nie są w stanie wykonać przy setkach aplikacji. Niemniej jednak ludzka ocena wciąż jest niezbędna, aby ocenić, czy kandydat pasuje do kultury firmy lub spełnia standardy wymagane przez klientów.

Gdy AI staje się coraz głębiej wbudowane w rekrutację, coaching, zarządzanie wydajnością i inne decyzje dotyczące siły roboczej, jak powinna być strukturyzowana odpowiedzialność, gdy decyzja wspomagana przez AI przynosi niesprawiedliwy lub nieprawidłowy wynik?

Odpowiedzialność w AI pozostaje, gdy ludzie są ostatecznymi decydentami, a proces rekrutacji obejmuje przejrzystość, wyjaśnialność i rygorystyczne testowanie uprzedzeń. Uruchomiliśmy model FAIR™ , aby wspierać odpowiedzialne praktyki AI. Zaleca on:

• Bezstronność: Testuj pod kątem uprzedzeń i używaj właściwych miar statystycznych — takich jak zasada 4/5, parytet wskaźnika błędów i inne istotne testy uprzedzeń — aby sprawdzić, czy wyniki są sprawiedliwe.
• Ważność: Dowody oparte na AI opierają się na rzeczywistych danych i są powiązane z wynikiem, który mają przewidywać.
• Wyjaśnialność: Posiadaj przejrzystą dokumentację i narzędzia do interpretacji wyników, tego, co AI zidentyfikowało o kandydacie i jak to przyczyniło się do jego oceny.
• Inkluzywność: Oznacza to zapewnienie, że kandydaci są traktowani sprawiedliwie przez cały proces, od aplikacji po podejmowanie decyzji. To kompleksowy widok doświadczenia rekrutacyjnego — obejmujący ludzi, procesy, technologię i AI współpracujące ze sobą.

Patrząc w przyszłość, czy oczekujesz, że AI stanie się przede wszystkim warstwą decyzyjną w systemach HR, czy jej ważniejszą rolą będzie konwersacyjna, pomagająca kandydatom i pracownikom lepiej rozumieć możliwości, rozwijać umiejętności i nawigować w ich karierze?

Nawet najnowocześniejsze technologie wymagają ludzkiego dotyku, ludzkiej oceny i nadzoru. AI ma wspierać proces, zapewniając, że każdy kandydat ma sprawiedliwą, równą szansę na rozważenie pod kątem stanowiska. W Sapia nazywamy to „podejściem człowiek-w-pętli”, gdzie łączymy inteligencję ludzką i maszynową, aby tworzyć inteligentne doświadczenia czatowe, które są przewidywalne, odpowiedzialne i spersonalizowane. W tym celu wprowadzamy naszych klientów na pokład, stale weryfikując dokładność i sprawiedliwość, jednocześnie ucząc nasze modele AI, aby rozwijały się w czasie.

Nasze ludzkie podejście przekłada się również na to, co oferujemy kandydatom. Niedawno uruchomiliśmy Phai, coacha kariery, który działa jak mentor, zapewniając osobom poszukującym pracy spersonalizowane wskazówki, mapowanie mocnych stron oraz przygotowanie do rozmowy kwalifikacyjnej, aby pomóc im pewnie stawić czoła kolejnej szansie. To pozytywne narzędzie, które utrzymuje kandydata zmotywowanego po wyniku rozmowy.

Dziękujemy za świetny wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Sapia.ai.