Barb Hyman, Người sáng lập và CEO của Sapia.ai – Loạt phỏng vấn

Barb Hyman, Người sáng lập và CEO của Sapia.ai là một nhà lãnh đạo doanh nghiệp giàu kinh nghiệm, với sự nghiệp trải qua lĩnh vực luật, tư vấn quản lý, tiếp thị, học tập và phát triển, nguồn nhân lực và công nghệ. Cô bắt đầu sự nghiệp của mình với vai trò luật sư tại Herbert Smith Freehills trước khi chuyển sang tư vấn tại Boston Consulting Group, nơi cô thăng tiến lên vị trí Project Leader và sau đó trở lại ở các vị trí cao cấp giám sát học tập và phát triển, nhân sự và tiếp thị trên toàn khu vực Australasia. Hyman cũng từng giữ vị trí Trưởng phòng Marketing và Tài trợ tại Bảo tàng Nghệ thuật Đương đại ở Sydney và là Giám đốc Điều hành Tổng quát về Nhân sự & Văn hoá tại REA Group. Cô thành lập Sapia.ai vào năm 2018, dựa trên kinh nghiệm của mình trong lãnh đạo tổ chức và quản lý tài năng để suy nghĩ lại cách các công ty đánh giá và tuyển dụng nhân viên bằng trí tuệ nhân tạo.

Sapia.ai là một công ty công nghệ tuyển dụng sử dụng trí tuệ nhân tạo, tập trung vào đánh giá ứng viên có cấu trúc và dạng hội thoại. Nền tảng của nó sử dụng các buổi phỏng vấn dựa trên trò chuyện để đánh giá ứng viên một cách nhất quán và quy mô, giúp nhà tuyển dụng đánh giá kỹ năng và sự phù hợp đồng thời giảm phụ thuộc vào việc sàng lọc hồ sơ truyền thống và các tín hiệu khác có thể gây thành kiến. Sapia.ai cho biết công nghệ của họ đã đánh giá hơn 10 triệu ứng viên và kết hợp khoa học đánh giá có cấu trúc với trí tuệ tài năng dựa trên AI, phản hồi cá nhân cho ứng viên, và tích hợp với các hệ thống theo dõi ứng viên và HR hiện có. Công ty cũng nhấn mạnh tính giải thích, công bằng và tuân thủ doanh nghiệp, với nền tảng rộng hơn bao gồm phỏng vấn AI, phân tích công việc, lên lịch phỏng vấn, trí tuệ tài năng và huấn luyện nghề nghiệp dựa trên AI.

Trước khi thành lập Sapia.ai, bạn đã xây dựng một sự nghiệp trải qua tư vấn tại Boston Consulting Group, luật, tiếp thị, học tập và phát triển, và cuối cùng là lãnh đạo bộ phận People & Culture tại REA Group. Những trải nghiệm nào trong hành trình đó đã thuyết phục bạn rằng việc tuyển dụng cần được suy nghĩ lại một cách căn bản, và vấn đề nào bạn đã đặt ra ban đầu để giải quyết với Sapa.ai

Cách hiện tại chúng ta đánh giá con người đang bị lỗi — đặc biệt trong việc tuyển dụng.

Chúng tôi dựa vào hồ sơ CV. Chúng tôi không nhìn thấy toàn bộ con người. Chúng tôi đưa ra những quyết định quan trọng nhất — ai được tuyển, ai được thăng chức — dựa trên cảm tính và các chỉ số thay thế. Việc tuyển dụng theo mẫu đang lan tràn: từ khi nào trường học hay đại học mà ai đó đã học trở thành chỉ số thay thế cho trí thông minh? Không phải vậy. Đó là chỉ số thay thế cho lợi thế.

Một phần trong số này liên quan đến câu chuyện cá nhân của tôi. Tôi là một người nhập cư và tôi biết mình đã rơi vào một nhóm nhập cư may mắn: tôi da trắng và có một cái tên mà mọi người dễ phát âm. Tôi xuất thân từ một gia đình không ai học đại học; cha tôi là người bán hàng. Tuy vậy, tôi đã có những cơ hội phi thường và sau năm sự nghiệp, tôi vẫn ở đây. Khi tôi nghĩ về hai tỷ công nhân trên thế giới, tôi nghĩ về bao nhiêu người trong số họ sở hữu đúng tài năng, động lực, tư duy phản biện mà tôi được công nhận, nhưng lại không được nhìn thấy vì chúng ta bị mù quáng bởi lăng kính của trải nghiệm riêng mình. Thành kiến là một con đường tắt tuyệt vời để đưa ra quyết định nhanh, và chính vì vậy việc tuyển dụng luôn ưu ái cho những người đã có lợi thế. Nó chưa bao giờ cảm thấy công bằng hay hợp lý.

Phần còn lại của câu chuyện đến từ lĩnh vực tư vấn. Sau khi hoàn thành bằng MBA, tôi bước vào một thế giới mà bạn không bao giờ bước vào phòng họp và đưa ra đề xuất mà không có nghiên cứu thực tế phía sau. Tuy vậy, quyết định có rủi ro cao nhất mà bất kỳ công ty nào đưa ra (ai sẽ tham gia, ai sẽ lãnh đạo, ai sẽ định hình văn hoá) vẫn được đưa ra dựa trên cảm tính, hoặc một chỉ số thay thế mỏng manh như tên trường đại học. Con người không nằm trong bảng cân đối kế toán, nhưng trong các dịch vụ chuyên nghiệp, họ là tài sản. Sự không nhất quán đó đối với tôi là vô lý.

Bản CV tự nó chưa thay đổi cơ bản kể từ khi Leonardo da Vinci tạo ra định dạng này. Wikipedia liệt kê hơn 180 thành kiến con người đã được ghi nhận. Một phần ba các ứng viên Bắc Mỹ hoàn thành đơn xin việc lại không nhận được phản hồi sau hai tháng. Điều này không phải là vấn đề về tài năng: tài năng được phân bố đồng đều nhưng cơ hội không.

Điều tôi muốn khắc phục với Sapia không chỉ là một quyết định — mà xuất phát từ trải nghiệm tìm việc. Đội của tôi cười tôi vì điều này, nhưng tôi luôn nghĩ việc tuyển dụng giống như hẹn hò. Đó là một mối quan hệ. Bạn sẽ dành nhiều thời gian hơn với đồng nghiệp tại công việc hơn là với người bạn đời. Vậy tại sao bạn lại đưa ra quyết định dựa trên ít hơn so với tiêu chuẩn nghiêm ngặt — dữ liệu — mà chúng tôi yêu cầu cho mọi quyết định quan trọng khác?

Bạn đã lập luận rằng hầu hết các tổ chức tiếp cận việc áp dụng AI như một dự án tăng hiệu quả trong khi nó nên bắt đầu như một dự án xây dựng niềm tin. “Niềm tin” thực tế trông như thế nào trong thực tiễn, và các công ty nên đo lường nó như thế nào cùng với các chỉ số truyền thống như năng suất, tiết kiệm chi phí và mức độ áp dụng?

Tôi đã học được điều này khi là CHRO: nếu bạn không minh bạch về lý do thực hiện thay đổi, niềm tin sẽ là nạn nhân đầu tiên. Và tôi nghĩ hầu hết các công ty đang hiểu sai về việc áp dụng AI. Họ đo lường lợi nhuận về năng suất, ví dụ như số giờ tiết kiệm, chi phí mỗi lần tuyển dụng, nhưng họ không bao giờ dừng lại để đo lường yếu tố thực sự quyết định liệu mọi thứ có bền vững hay không: nhân viên của bạn có tin tưởng cách bạn sử dụng AI và lý do tại sao không?

Niềm tin là nền tảng của văn hoá của bạn. Đó không phải là một chỉ số mềm nằm cạnh các chỉ số thực — mà là thứ mà các chỉ số thực được xây dựng dựa trên. Hãy nghĩ về nó như cách bạn nghĩ về bất kỳ mối quan hệ nào. Niềm tin cao mang lại cho bạn nhiều mức độ tự do. Niềm tin thấp làm mọi thứ trở nên nhỏ hơn, kém bền vững hơn, ít thoải mái hơn. Và không ai có thể làm việc tốt nhất khi họ không cảm thấy an toàn. Các tổ chức cũng không ngoại lệ.

Tuy nhiên, rất nhiều việc đã được thực hiện với AI trong môi trường làm việc thực sự đã biến dữ liệu cá nhân của người lao động thành vũ khí chống lại họ, ví dụ như thu thập dữ liệu từ mạng xã hội của một người để suy đoán họ có phải là một nhân viên tốt, một rủi ro tốt hay một rủi ro xấu. Tôi thực sự không thể tưởng tượng được buổi họp mà quyết định đó được đưa ra, hoặc làm sao ai đó lại nghĩ rằng nó sẽ không ăn mòn văn hoá ngay khi mọi người biết được.

Vì vậy, nếu bạn nghiêm túc trong việc áp dụng AI, niềm tin phải là một chỉ số ngay từ ngày đầu, nằm cạnh năng suất và tiết kiệm chi phí. Hãy hỏi trực tiếp mọi người: bạn có hiểu vì sao chúng ta đang sử dụng công cụ này không? Bạn có tin rằng nó được sử dụng một cách công bằng không? Nếu bạn không thể trả lời “có” cho cả hai câu, thì những lợi ích về hiệu quả mà bạn đang ăn mừng chỉ là những khoản vay mượn trên một nền văn hoá mà bạn đang tiêu hao một cách âm thầm.

Một trong những lo ngại lớn nhất về AI trong tuyển dụng là các mô hình có thể học từ dữ liệu tuyển dụng lịch sử và tiềm năng củng cố lại những định kiến con người mà các tổ chức đang cố gắng loại bỏ. Các công ty có thể ngăn AI chỉ tự động hoá những định kiến tuyển dụng hiện có như thế nào, và những biện pháp bảo vệ nào nên được xây dựng vào các hệ thống này ngay từ đầu?

Đây chính là cái bẫy mà hầu hết các cuộc trò chuyện về AI trong tuyển dụng bỏ qua và là lý do tôi xây dựng Sapia theo cách tôi đã làm. Nếu bạn huấn luyện một mô hình dựa trên dữ liệu tuyển dụng lịch sử (ai được tuyển, ai được thăng chức, ai nhận được buổi phỏng vấn đầu tiên) bạn không đang loại bỏ định kiến, mà đang công nghiệp hoá nó. Bạn đang dạy một cỗ máy sao chép mọi quyết định tuyển dụng phản chiếu, mọi lời gọi “phù hợp văn hoá”, mọi phán đoán dựa trên cảm tính đã tạo nên lực lượng lao động hiện tại của bạn. Đó không phải là đổi mới. Đó là định kiến ở quy mô lớn, chỉ nhanh hơn và được bao bọc bởi một lớp vỏ khách quan khiến nó khó thách thức hơn.

Vì vậy, biện pháp bảo vệ phải bắt đầu từ giai đoạn sớm hơn thuật toán. Chúng tôi không huấn luyện dựa trên CV, ảnh, tên, trường đại học, hay bất kỳ chỉ số truyền thống nào liên quan đến đặc quyền hơn là tiềm năng. Nếu dữ liệu đầu vào mang theo định kiến, không có lượng mô hình thông minh nào ở giai đoạn sau có thể khắc phục được. Đó là vấn đề “rác vào, rác ra”, ngoại trừ rác ở đây là hàng thập kỷ định kiến con người được ngụy trang dưới dạng một bản lý lịch.

Yếu tố thứ hai là những gì bạn thực sự đo lường mô hình. Không đủ chỉ nói “AI hoạt động”, bạn phải liên tục kiểm tra tác động tiêu cực theo giới tính, dân tộc, tuổi tác, khuyết tật, mọi đặc điểm được bảo vệ mà bạn có thể đo lường liên tục, không phải một cuộc kiểm toán một lần trước khi ra mắt. Định kiến không phải là một lỗi bạn sửa một lần. Đó là điều bạn phải luôn theo dõi, giống như cách bạn giám sát bất kỳ hệ thống nào đưa ra quyết định quan trọng về cuộc sống của con người.

Và thứ ba — đây là điều mọi người thường bỏ qua — bạn cần những ánh mắt bên ngoài. Các cuộc kiểm toán độc lập, bên thứ ba đối với các mô hình của bạn, công bố phương pháp luận, minh bạch thực sự về những gì hệ thống làm và không làm. Nếu bạn chỉ sẵn sàng để công cụ tuyển dụng AI của mình được kiểm tra bởi những người đã xây dựng nó và có lợi nhuận tài chính trong việc bảo vệ nó, bạn chưa thực sự giải quyết được vấn đề niềm tin, mà chỉ chuyển nó sang một nơi khác.

“Thuật toán đã làm” không phải là lời bào chữa, mà là sự thừa nhận rằng bạn đã không xây dựng các biện pháp bảo vệ ngay từ đầu. Hãy nhớ, AI không loại bỏ trách nhiệm của con người trong việc đảm bảo công bằng.

Tuyển dụng là một ứng dụng AI có mức độ rủi ro cao bất thường vì một thuật toán có thể ảnh hưởng trực tiếp đến sự nghiệp của một người. Các tổ chức nên vạch ra ranh giới ở đâu giữa những quyết định có thể tự động hoá và những quyết định luôn phải được giám sát chặt chẽ bởi con người?

Ranh giới tôi vạch ra như sau: AI chắc chắn có thể giúp bạn nhìn thấy một người rõ ràng hơn, nhưng nó không bao giờ nên là người duy nhất quyết định số phận của họ. Có một sự khác biệt thực sự giữa việc hỗ trợ quyết định và việc giao toàn bộ quyết định cho AI. Tuyển dụng là một trong số ít các lĩnh vực mà việc nhầm lẫn sự khác biệt này thực sự thay đổi cuộc đời của ai đó.

Vậy tự động hoá có vị trí nào? Trong việc phát hiện các tín hiệu mà con người thường không thể nhìn thấy một cách nhất quán và công bằng, ví dụ như đọc hàng ngàn câu trả lời phỏng vấn mà không mệt mỏi, không có ngày xấu, không vô thức ưu ái cho ứng viên giống mình ở tuổi hai mươi lăm. Đó là công việc mà AI có thể làm tốt hơn một nhà quản lý tuyển dụng mệt mỏi trong buổi phỏng vấn thứ tám trong ngày. Việc sàng lọc các kỹ năng mềm thực sự, cấu trúc thông tin sao cho mỗi ứng viên được đánh giá trên cùng một tiêu chí, đó là nơi máy móc thực sự tạo ra giá trị vì chúng ta không được tạo ra để nhất quán như vậy.

Quyết định cuối cùng — ai được tuyển, ai bị từ chối, ai được xem xét lại — phải do một con người chịu trách nhiệm. Không phải là một dấu xác nhận tự động cho bất kỳ đầu ra nào của mô hình, mà là sự giám sát thực sự, có ý nghĩa: một người hiểu hệ thống đang đo lường gì, có thể đặt câu hỏi khi kết quả có vẻ sai, và có thể ghi đè. Nếu một con người không thể thách thức một cách có ý nghĩa đề xuất của AI, thì đó không phải là giám sát mà là một lời bào chữa của con người.

Tôi cũng sẽ vạch ra giới hạn với bất kỳ thứ gì không thể đảo ngược hoặc mơ hồ. Nếu một ứng viên không thể nhận được lời giải thích dễ hiểu về lý do họ không được tiến tới, hệ thống đã thất bại bất kể nó \”chính xác\” đến đâu. Và nếu mô hình đang đưa ra quyết định mà không ai trong công ty có thể thực sự giải thích — kể cả những người đã xây dựng nó — thì đó không phải là công cụ tuyển dụng, mà là một hộp đen chứa sự nghiệp của ai đó. Bài kiểm tra tôi đưa ra cho bất kỳ tổ chức nào rất đơn giản: bạn có thể ngồi đối diện một ứng viên bị từ chối và giải thích, bằng ngôn ngữ bình thường, tại sao không? Nếu câu trả lời trung thực là \”Thật ra tôi không biết, mô hình đã quyết định,\” thì bạn đã tự động hoá phần sai của quy trình.

Sapia.ai phân biệt giữa AI sinh ra nội dung được sử dụng cho các cuộc trò chuyện mở và các hệ thống quyết định hơn được dùng để chấm điểm ứng viên. Tại sao sự phân biệt này lại quan trọng, đặc biệt khi kết quả của AI cần phải nhất quán, có thể kiểm toán và có thể biện minh được?

Mọi người nghe \”AI\” và cho rằng nó là một thứ duy nhất, nhưng trong tuyển dụng sự nhầm lẫn này chính là nơi mọi thứ sai lệch. Chúng tôi cố ý chia công việc thành hai phần, vì cuộc trò chuyện mở và việc chấm điểm trong các tình huống quan trọng có yêu cầu hoàn toàn khác nhau, và việc giả vờ chúng là cùng một công nghệ dẫn đến các công ty sở hữu những hệ thống mà họ không thể giải thích, biện minh hoặc tin tưởng.

AI sinh ra nội dung xuất sắc ở lớp giao tiếp — tạo ra một cuộc trao đổi tự nhiên, cảm giác như con người với ứng viên, đặt những câu hỏi tiếp theo tốt, khiến trải nghiệm giống như một cuộc trò chuyện chứ không phải một mẫu đơn. Đó là nơi bạn muốn sự linh hoạt, tinh tế, thậm chí một chút không dự đoán được, vì các cuộc trò chuyện thực tế không được kịch bản hoá.

Nhưng ngay khi bạn chuyển từ việc nói chuyện với một ứng viên sang việc chấm điểm họ, mọi yêu cầu đối với hệ thống đều đảo ngược. Việc chấm điểm phải nhất quán: cùng một câu trả lời phải nhận được cùng một đánh giá, dù là ứng viên thứ nhất hay thứ ngàn, dù là sáng thứ Hai hay chiều thứ Sáu. Nó phải có khả năng kiểm toán, nghĩa là bạn cần có khả năng quay lại và chỉ ra chính xác lý do tại sao một ứng viên nhận được điểm số đó, không chỉ tin tưởng rằng mô hình \”đã tự suy luận\”. Và nó phải có thể biện minh được vì sinh kế của một người đang nằm ở phía cuối điểm số đó, và câu \”mô hình sinh ra nội dung cảm thấy đây là câu trả lời tốt\” không phải là lập luận nào có thể chịu được sự kiểm tra của cơ quan quản lý, nhà báo, hay ứng viên muốn biết tại sao họ không được nhận việc.

Các mô hình sinh ra nội dung, theo bản chất, là xác suất — đặt cùng một câu hỏi hai lần và bạn có thể nhận được các kết quả hơi khác nhau. Đó là một tính năng cho cuộc trò chuyện nhưng lại là một rủi ro nghiêm trọng cho việc chấm điểm. Tại Sapia, chúng tôi sử dụng các hệ thống quyết định cho phần quy trình thực sự quyết định kết quả của một người. Chúng tôi mô hình hoá nơi cùng một đầu vào luôn tạo ra cùng một đầu ra, nơi chúng tôi có thể truy vết lý do, và nơi chúng tôi có thể chứng minh rằng hai ứng viên tương tự được đối xử công bằng.

Thực chất đó là việc tách biệt các mối quan tâm: để AI sinh ra nội dung xuất sắc trong việc mô phỏng con người, và để các hệ thống quyết định, có thể kiểm toán, gánh vác trọng trách của một quyết định phải công bằng, có thể giải thích và biện minh được khi bị xem xét.

Khả năng giải thích thường được bàn luận như một yêu cầu đối với AI có trách nhiệm, nhưng nhiều mô hình tiên tiến vẫn khó cho người dùng hiểu. Một ứng viên hoặc nhân viên nên mong đợi bao nhiêu giải thích một cách hợp lý khi AI đã ảnh hưởng đến quyết định tuyển dụng?

Tôi nghĩ các ứng viên xứng đáng nhận được nhiều hơn so với những gì hầu hết các công ty hiện đang cung cấp, và thành thật mà nói, hơn cả những gì hầu hết các công ty cho rằng họ có thể cung cấp. \”Thuật toán đã quyết định\” là một lời thừa nhận thất bại được ngụy trang thành sự tinh vi.

Đây là quan điểm của tôi: một ứng viên luôn phải có khả năng hiểu, bằng ngôn ngữ bình thường, những tiêu chí họ đã được đánh giá và khoảng chừng lý do họ rơi vào vị trí hiện tại. Không phải các phép toán nền tảng, không phải bản in các trọng số mô hình. Những gì họ muốn và những gì họ xứng đáng nhận được giống hơn với những gì một quản lý tốt sẽ nói trực tiếp: đây là những phẩm chất chúng tôi tìm kiếm, đây là điểm mạnh của bạn, đây là nơi bạn không phải là ứng viên phù hợp nhất lần này. Đó là một tiêu chuẩn hoàn toàn hợp lý, và bất kỳ hệ thống nào không đáp ứng được tiêu chuẩn này không nên quyết định sinh kế của ai từ đầu.

Vì vậy, đối với chúng tôi, khả năng giải thích phải được tích hợp vào kiến trúc ngay từ ngày đầu, vì bạn không thể giải thích được điều mà bạn không thể truy vết.

Nơi tôi muốn đưa ra một chút phản biện là ý tưởng rằng khả năng giải thích đồng nghĩa với việc các ứng viên cần có nền giáo dục kỹ thuật về cách mô hình hoạt động. Đó là một tiêu chuẩn sai lầm, và thường được dùng làm lý do khi thực tế chỉ là vì nó chưa được thiết kế để có thể giải thích. Một bác sĩ giỏi không giải thích cho bạn về sinh hoá học của một chẩn đoán; họ chỉ nói cho bạn biết họ đã phát hiện gì và nó có ý nghĩa gì đối với bạn. AI trong tuyển dụng nên tuân thủ cùng một tiêu chuẩn về tính trung thực có thể đọc được bởi con người.

Bài kiểm tra thực sự là cùng một tiêu chí tôi áp dụng cho sự giám sát của con người: một ứng viên có thể hỏi \”tại sao tôi không được tiến tới?\” và nhận được câu trả lời cụ thể, trung thực và thực sự là của họ không. Nếu AI của bạn không thể đưa ra câu trả lời đó, bạn chưa xây dựng được một hệ thống có khả năng giải thích. Bạn đã tạo ra một hệ thống mà bạn hy vọng không ai sẽ đặt câu hỏi.

Các công ty thường tập trung vào việc nhân viên và quản lý có sử dụng công cụ AI hay không, thay vì xem họ thực sự tin tưởng vào kết quả của nó như thế nào. Những dấu hiệu cảnh báo nào cho thấy một tổ chức đã đạt được việc áp dụng AI mà chưa có được sự tin tưởng thực sự vào công nghệ này?

Việc áp dụng là chỉ số dễ nhất để giả tạo, và chính vì vậy rất nhiều công ty nhầm lẫn nó với thành công. Nếu tôi nói với bạn rằng mọi người trong doanh nghiệp đều “sử dụng” công cụ AI, điều đó gần như không cho biết họ có tin tưởng vào nó hay không — có thể chỉ là vì nó bắt buộc, hoặc là con đường ít kháng cự nhất, hoặc chưa ai tìm ra cách tránh nó.

Dấu hiệu cảnh báo đầu tiên là hành vi vòng lặp. Nếu mọi người đang sử dụng công cụ AI nhưng đồng thời lặng lẽ thực hiện quy trình cũ song song — kiểm tra lại kết quả của nó bằng tay, giữ các ghi chú riêng, vận hành một hệ thống phụ phòng khi cần — đó là sự tuân thủ kèm theo một chính sách bảo hiểm. Số liệu sử dụng trông rất tốt. Sự thật là mọi người đều nghĩ công cụ có thể sai.

Dấu hiệu thứ hai là im lặng. Trong một nền văn hoá thực sự tin tưởng, mọi người sẽ thách thức hệ thống khi có điều gì đó không ổn: họ đặt câu hỏi, phản đối, đánh dấu các kết quả không phù hợp. Khi việc áp dụng là thực tế nhưng niềm tin không tồn tại, bạn sẽ thấy ngược lại. Mọi người ngừng đặt câu hỏi vì họ đã quyết định không đáng tranh đấu. Sự im lặng đó bị lãnh đạo hiểu nhầm là hài lòng. Thực ra đó là sự từ bỏ.

Cảnh báo thứ ba là khoảng cách giữa những gì mọi người trả lời trong khảo sát và những gì họ nói với nhau. Tôi sẽ lo lắng hơn nhiều về một công ty mà bảng điều khiển áp dụng chính thức luôn xanh trên mọi chỉ số, nhưng cuộc trò chuyện thực tế trong phòng nghỉ lại là “ừ, chúng ta chỉ làm theo chỉ dẫn vì dễ hơn là tranh cãi” — đó là một nền văn hoá chưa thực sự chuyển đổi.

Và dấu hiệu cảnh báo sâu sắc nhất, cũng là điều quan trọng nhất đối với tôi: khi mọi người ngừng đưa ra phán đoán cá nhân của mình. Đó là sự từ bỏ. Niềm tin thực sự vào một công cụ đồng nghĩa với việc mọi người vẫn cảm thấy có quyền phản đối khi chuyên môn của họ cho thấy điều gì đó khác — và cảm thấy an toàn khi làm vậy. Nếu các nhà quản lý của bạn im lặng và chỉ chấp nhận những gì AI nói, bạn đã tạo ra sự phụ thuộc.

Vì vậy, tiêu chí thực sự không phải là “mọi người có đang sử dụng nó không” mà là “mọi người có muốn tiếp tục sử dụng nó nếu nó là tùy chọn, và họ có trung thực nói với bạn khi nó sai lầm không”. Hầu hết các công ty chưa bao giờ đặt ra bất kỳ câu hỏi nào trong hai. Đó thường là dấu hiệu nhận biết.

Công cụ tuyển dụng AI có thể đánh giá ứng viên ở quy mô và độ nhất quán mà các nhà tuyển dụng con người không thể, nhưng quá trình tuyển dụng cũng đòi hỏi bối cảnh và tinh tế. Bạn cho rằng AI có thể vượt trội hơn phán đoán của con người ở đâu hiện nay, và ở những lĩnh vực nào con người vẫn thiết yếu?

AI có thể là một công cụ tuyệt vời để đánh giá một lượng lớn ứng viên bất kể nền tảng và kinh nghiệm của họ, đồng thời cung cấp đánh giá cá nhân hoá cho những ứng viên có nhu cầu đặc thù. Một nhà tuyển dụng con người có thể thiên về các ứng viên từ các trường đại học hàng đầu hoặc không có tiền sử bệnh lý. AI thực hiện một đánh giá công bằng, bình đẳng cho tất cả các ứng viên theo cách mà con người không thể làm khi phải đối mặt với hàng trăm hồ sơ. Tuy nhiên, phán đoán của con người vẫn thiết yếu để đánh giá liệu một ứng viên có phù hợp với văn hoá công ty hay đáp ứng các tiêu chuẩn mà khách hàng yêu cầu.

Khi AI ngày càng được tích hợp sâu vào tuyển dụng, huấn luyện, quản lý hiệu suất và các quyết định lực lượng lao động khác, trách nhiệm nên được cấu trúc như thế nào khi một quyết định hỗ trợ bởi AI gây ra kết quả không công bằng hoặc sai lệch?

Trách nhiệm trong AI vẫn tồn tại khi con người là người quyết định cuối cùng trong khi quy trình tuyển dụng bao gồm tính minh bạch, khả năng giải thích và kiểm tra thiên vị nghiêm ngặt. Chúng tôi đã ra mắt mô hình FAIR™ để thúc đẩy các thực hành AI có trách nhiệm. Nó đề xuất:

• Không thiên vị: Kiểm tra thiên vị và sử dụng các chỉ số thống kê phù hợp — như quy tắc 4/5, cân bằng tỷ lệ lỗi, và các kiểm tra thiên vị liên quan khác — để đảm bảo kết quả công bằng.
• Tính hợp lệ: Bằng chứng do AI tạo ra dựa trên dữ liệu thực tế và liên kết với kết quả mà nó dự đoán.
• Khả năng giải thích: Có tài liệu và công cụ rõ ràng để diễn giải kết quả, những gì AI đã xác định về một ứng viên và cách chúng góp phần vào điểm số của họ.
• Tính bao trùm: Điều này có nghĩa là đảm bảo các ứng viên được đối xử công bằng trong suốt quá trình, từ nộp đơn đến quyết định. Đây là góc nhìn toàn diện về trải nghiệm tuyển dụng — bao gồm con người, quy trình, công nghệ và AI làm việc cùng nhau.

Nhìn về phía trước, bạn có kỳ vọng AI sẽ chủ yếu trở thành lớp quyết định trong các hệ thống HR, hay vai trò quan trọng hơn của nó sẽ là giao tiếp, giúp các ứng viên và nhân viên hiểu rõ hơn về cơ hội, phát triển kỹ năng và định hướng sự nghiệp?

Ngay cả những công nghệ tiên tiến nhất cũng cần sự tiếp xúc, phán đoán và giám sát của con người. Trí tuệ nhân tạo ở đây để hỗ trợ quá trình, đảm bảo mọi ứng viên đều có cơ hội công bằng và bình đẳng để được xem xét cho một vị trí. Tại Sapia, chúng tôi thích gọi điều này là “phương pháp con người trong vòng lặp” khi chúng tôi kết hợp trí thông minh con người và máy móc để tạo ra những trải nghiệm trò chuyện thông minh, dự đoán, có trách nhiệm và cá nhân hóa. Để thực hiện điều đó, chúng tôi đưa khách hàng của mình lên tàu, vì vậy chúng tôi liên tục xác thực độ chính xác và công bằng, đồng thời dạy các mô hình AI của mình tiến hóa theo thời gian.

Cách tiếp cận con người của chúng tôi cũng được thể hiện trong những gì chúng tôi cung cấp cho các ứng viên. Gần đây chúng tôi đã ra mắt Phai, một huấn luyện viên nghề nghiệp hoạt động như một người cố vấn, cung cấp cho người tìm việc hướng dẫn cá nhân hoá, lập bản đồ thế mạnh và chuẩn bị phỏng vấn để giúp họ tự tin đối mặt với cơ hội tiếp theo. Đây là một công cụ tích cực giúp duy trì động lực cho ứng viên ngay cả sau kết quả phỏng vấn.

Cảm ơn các bạn đã tham gia phỏng vấn tuyệt vời, những độc giả muốn tìm hiểu thêm nên truy cập Sapia.ai.