Искусственный интеллект в HR

Мы сейчас находимся в очень интересной фазе: с одной стороны, шумиха намного опережает реальность; с другой стороны, потенциал роста может быть намного больше, чем мы думаем сейчас.
Возможности применения технологий в сфере HR огромны!

Хотя сегодня каждый поставщик HR-решений строит команду по работе с ИИ (Искусственный Интеллект), и все мы в целом хотим, чтобы наши системы были более интеллектуальными и полезными, но, на самом деле, что этот рынок все еще очень молод. Поэтому мы хотим указать в этой статье на некоторые вещи, которые следует учитывать.

Роль ИИ в HR и менеджменте

Давайте начнём с того, что ИИ — это не волшебная компьютерная личность; это широкий спектр алгоритмов и средств машинного обучения, которые могут быстро объединить данные, определить шаблоны, а также оптимизировать и предсказать тенденции. Системы могут понимать речь, идентифицировать фотографии и использовать сопоставление образцов, чтобы распознать сигналы, говорящие о настроении, честности и даже качествах личности. Эти алгоритмы не используют «интуицию», как люди, но они быстры, поэтому могут анализировать миллионы битов информации за секунды и быстро определять корреляции с шаблонами.

Статистически системы ИИ могут «предсказывать» и «учиться», построив кривые возможных результатов, а затем оптимизируя решения, основанные на многих критериях. Таким образом, вы можете представить себе систему искусственного интеллекта, которая рассматривает демографические данные, историю работы и интервью с кандидатами, а затем «предсказывает», насколько хорошо они будут выполнять свою работу.

(HiredScore, Pymetrics, HireVue, IBM и другие работают над этим.)

Хотя это сложнее, чем кажется, это важное и нужное дело. Большинство управленческих решений, которые мы принимаем сегодня, делаются исходя из нашего опыта. Если эти системы сделают нас немного умнее, мы сможем значительно улучшить наши действия.

Да, есть много рисков и препятствий, но потенциал ИИ очень велик.

Каких приложений нам следует ожидать?

Ниже перечислены лишь некоторые из областей, в которых мы можем вскоре увидеть по-настоящему прорывные результаты.

В рекрутинге мы принимаем много решений на основании «я так чувствую». Одно из исследований показало, что большинство рекрутеров принимают решение о кандидате в течение первых 60 секунд встречи с ним, часто основываясь на взгляде, рукопожатии, одежде или речи. Действительно ли мы знаем, какие характеристики, опыт, образование и личностные качества гарантируют успех в данной роли? Нет, мы этого не знаем. Менеджеры и специалисты по персоналу используют оценки, тесты, симуляции и игры на миллионы долларов, чтобы нанимать людей, но многие говорят, что они все еще ошибаются в 30−40% своих кандидатов.

Алгоритмы, основанные на искусственном интеллекте, могут отбирать резюме, находить хороших внутренних кандидатов, профили высокоэффективных сотрудников и даже декодировать видео-интервью и давать нам информацию о тех, кто, вероятно, преуспеет. При использовании ИИ уровень успеха отбора может вырасти более чем на 30%, при этом устраняя «предвзятое отношение во время интервью» и «предвзятое отношение к образованию», присущее этому процессу. Роль И И в рекрутинге будет огромной.

Кстати, пока мы все интересуемся в основном навыками работы (навыки работы с программным обеспечением, навыки продаж, математические навыки и т. д.), большинство исследований показывают, что hard skills составляют небольшую часть успеха человека. Последние исследования, посвященном высокоэффективному Talent Acquisition, показывают, что компании, находящиеся на 4 уровне и имеющие наивысшую финансовую отдачу от найма, выделяют почти 40% критериев при найме на эмоциональные и психологические черты, такие как амбиции, умение учиться, увлеченность, чувство цели (soft skills). Будет ли ИИ определять это тоже? Возможно.

(Поставщиками на этом рынке являются LinkedIn, Pymetrics, Entelo, HiredScore, IBM, Textio, Talview, Unitive, PredictiveHire и другие).

В том, что касается развития и обучения сотрудников, мы пока не знаем в совершенстве, как "обучать" людей. Глобальная индустрия L&D насчитывает более 200 миллиардов долларов, и большинство специалистов по обучению говорят нам, что по крайней мере половина из них потеряна (неправильно использована или время разработчиков просто тратится). Но мы не знаем, какая именно половина!

Вы знаете, чему вам нужно учиться, чтобы быть лучше на вашей работе? У всех нас есть идеи на этот счёт, но что, если бы у нас были алгоритмы, которые контролировали бы и изучали навыки, поведение и действия самых высокоэффективных исполнителей в наших командах, а потом просто рассказывали нам, как быть более похожими на них? Эти алгоритмы "Netflix-like" теперь входят в мир обучающих платформ и делают обучение полезным и таким же интересным, как просмотр кабельного телевидения. Повторим, рынок молод, но перспективы огромны. Исследования показывают, что средний работник имеет менее 25 минут в неделю для обучения; если мы сможем лучше использовать это время, все будут работать лучше.

(Поставщиками на этом рынке являются Degreed, EdCast, Filtered, Volley, Axonify, BetterUp, Clustree, Workday и другие).

В управлении и лидерстве мы читаем книги, ходим на мастер-классы, копируем боссов, которыми восхищаемся, и прославляем успешных лидеров дня. Мы действительно знаем науку о лидерстве? Можно предположить, что здесь царят мимолетные темы. В этом году мы сосредоточены на цели, миссии и поддержке. Лишь несколько лет назад это было «лидерство служения», а раньше это было «мастерство и финансовая хватка». Большинство исследований показывают, что существуют десятки управленческих и лидерских качеств, которые определяют успех, и каждый из нас привносит немного разное и уникальное сочетание их.

Теперь ИИ может помочь декодировать все это. Некоторые поставщики уже создали инструменты для коучинга на основе ИИ. Это системы, которые запрашивают отзывы, читают комментарии и «настроены» на сотрудников и команды. Данные о индивидуальных и командных проблемах сопоставляются с данными высокопроизводительных команд, а также используются, чтобы «подталкивать» менеджеров и руководителей к тому, как поступить лучше. Один из клиентов сказал, что всего за 3 месяца использования этого инструмента их руководящие команды продемонстрировали 25%-ное улучшение работы только на основе небольших поведенческих «подталкиваний».

(Поставщиками в этом рынке являются Reflektiv, BetterWorks, Ultimate Software, Zugata, Humanyze, ADP, Impraise и другие).

В сфере предотвращения мошенничества возможности также велики. В одном из исследований было установлено, что сотрудники, которые крадут или совершают преступления, являются «заразными» для своих коллег (люди, работающие с ними, перенимают вредные привычки). ИИ может рассматривать данные организационных сетей (почтовый трафик, комментарии и т. д.), выявлять области стресса, области возможных этических ошибок и многие другие зоны риска и сообщать о них сотрудникам кадровых служб или служб безопасности, чтобы они могли вмешаться до того, как произойдет что-то плохое.

(Поставщиками в этом рынке являются TrustSphere, Keencorp, Volley, Cornerstone и другие).

В области благосостояния и вовлеченности сотрудников ИИ теперь используется для определения поведения, которое приводит к низкой эффективности. В сфере безопасности ИИ может определять поведение и опыт, которые приводят к несчастным случаям. Новое поколение инструментов для опросов может выявлять модели стресса и плохого поведения, а затем информировать HR или линейных менеджеров.

(Поставщиками в этом рынке являются Limeaid, VirginPulse, Glint, Ultimate Software, CultureAmp, TinyPulse, Peakon и другие).

В случае самообслуживания сотрудников и управления кандидатами новые виды интеллектуальных чатов могут сделать взаимодействия разумными и легкими.

(Поставщиками в этом рынке являются IBM, ServiceNow, Xor, Mya, Ideal, Paradox и другие).

У этого списка нет конца.

Есть ли риски? Что происходит с People-аналитикой?

Все эти новые приложения кажутся очень интересными, но есть много рисков, о которых стоит заранее побеспокоиться. Самым большим из них является то, что ИИ не может работать без «тренировочных данных». Иными словами, алгоритмы учатся на прошлых событиях. Если ваши текущие методы управления являются предвзятыми, дискриминационными, карательными или чрезмерно иерархическими, вы можете просто завершить институционализацию всех этих вещей. Нам нужен ИИ, который является прозрачным и «настраиваемым», чтобы мы могли проверять алгоритмы и убеждаться, что они делают правильные вещи. Так же, как ранние автомобили не всегда двигались прямо, нашим ранним алгоритмам понадобятся «бамперы» и «тюнинг-регуляторы», только так мы узнаем, как сделать их более точными.

Системы могут закрепить ошибки и предвзятость. Предположим, ваша компания никогда не нанимала женщин в технические подразделения и имела очень мало чернокожих инженеров. Система ИИ-рекрутинга естественным образом предположит, что женщины и черные инженеры с меньшей вероятностью будут переходить в управленческие роли. Этот тип искажений должен быть тщательно удален из алгоритмов, и для этого потребуется время.

Существует риск незащищенности данных и непреднамеренного неправильного использования. Рассмотрим частый случай использование аналитики, когда мы пытаемся предсказать вероятность увольнений высокоэффективных сотрудников из компании. Если мы говорим менеджерам, что «высока вероятность ухода этого человека», мы можем на самом деле создать неправильное поведение — менеджер может начать игнорировать этого сотрудника или относиться к нему по-другому. Мы должны научиться правильно применять поведенческую экономику. ИИ сегодня — это «инструмент» для предложений и улучшений, а не самостоятельная система принятия решений.

Актуальна необходимость создания «интерпретирующих» и «прозрачных» систем ИИ. Другими словами, всякий раз, когда система принимает решение, она должна сказать нам, почему она приняла это решение, чтобы мы, люди, могли решить, все ли критерии, которые она использует, точны и правильны. Это один из самых важных критериев для новых инструментов, но, к сожалению, сегодня большинство систем ИИ — это полный черный ящик.

Подумайте о том, что произойдет, когда автономный автомобиль попадёт в аварию. Мы потратим много времени на диагностику того, как это произошло, какие визуальные или алгоритмические системы не сработали, и какие условия могли привести к аварии. Что делать, если ИИ даст рекомендацию неправильному кандидату, или не ту корректировку зарплаты, или примет плохое управленческое решение? Узнаем ли мы об этом? Будем ли мы его диагностировать? И, даже, заметим ли мы это, пока не станет слишком поздно? Перед нами еще очень много работы, чтобы создать инструмент и научиться «обучать» наши управленческие системы ИИ так, чтобы они работали хорошо.

Будет ли Искусственный интелект отличительной особенностью новых HR-решений?

Прямо сейчас шумиха вокруг ИИ находится на рекордно высоком уровне. Каждый поставщик программного обеспечения хочет, чтобы вы поверили, что у них есть команда по машинному обучению и лучшее в своем классе решение для ИИ. Да, эти возможности чрезвычайно важны для всей отрасли, но не верьте шумихе.

Успех каждого HR-инструмента будет зависеть от многих факторов: точности и полноты его алгоритмов, простоты использования его систем, и, что более важно, его способности предоставлять так называемое «узкое ИИ» — или очень конкретные решения, которые и решают ваши проблемы. Это может быть сделано только тогда, когда у поставщика имеется огромное количество данных (для обучения его системы), и он получает много отзывов о том, насколько хорошо система работает. Поэтому я считаю, что барьерами для входа станут фокус, бизнес-стратегия и близость клиента, а не просто отличные инженеры.

И не покупайте систему, которая является черным ящиком, если вы не можете подтвердить ее полезность для своей компании. Решения руководства и людей каждой компании часто основаны на культуре, поэтому нам нужно будет потратить время, чтобы попробовать эти системы в реальном мире и настроить их для наилучшего использования. Например, IBM потратила годы на оптимизацию своих компенсационных и карьерных решений на основе ИИ для своей компании, культуры и бизнес-модели. Теперь они продают эти инструменты корпоративным клиентам и обнаруживают, что каждая следующая реализация открывает им новые и новые вещи, которые нужно улучшить для этой отрасли, культуры или организационных потребностей.

Несмотря на эти проблемы, потенциал огромный

Несмотря на все эти проблемы и риски, потенциал роста огромен. Компании тратят 40−60% своего дохода на заработную плату, и большая часть этих огромных расходов зависит от управленческих решений, которые мы принимаем интуитивно. Поскольку системы ИИ в сфере управления персоналом становятся более умными, более проверенными и более сосредоточенными на конкретных проблемах, я считаю, что мы увидим значительные улучшения в производительности, эффективности и благосостоянии сотрудников. Мы просто должны быть терпеливыми, бдительными и продолжать инвестировать в ИИ.