هوش مصنوعی هم‌اکنون اینجاست؛ پایان کار انسان یا آغاز فصلی تازه؟

هوش مصنوعی دیگر موضوع همایش‌ها و پیش‌بینی‌های دور نیست؛ همین حالا در ایمیل‌ها، گزارش‌ها و نرم‌افزارهای روزمرهٔ سازمان‌ها نشسته است. برای مدیران، پرسش اصلی این نیست که «بیاید یا نیاید»، بلکه این است که هوش مصنوعی در منابع انسانی چه چیزی را عوض می‌کند و چه چیزی را نباید عوض کند. پاسخ این مقاله روشن است: این فناوری پایان کار انسان نیست، اما پایان کار به شیوهٔ گذشته است. سازمان‌هایی که نقش انسان و ماشین را آگاهانه تقسیم کنند، تصمیم‌های منصفانه‌تر و قابل‌دفاع‌تری دربارهٔ آدم‌ها می‌گیرند؛ و سازمان‌هایی که فقط ابزار بخرند، احتمالاً همان خطاهای قدیمی را سریع‌تر تکرار می‌کنند.

چرا این بار فرق دارد

منابع انسانی موج‌های فناوری زیادی را از سر گذرانده است: نرم‌افزار حقوق و دستمزد، سامانه‌های حضور و غیاب، سایت‌های کاریابی و سامانه‌های ردیابی متقاضی (ATS). بیشتر این ابزارها یک کار مشخص را خودکار می‌کردند: ثبت، جست‌وجو و مرتب‌سازی. منطقشان قاعده‌محور بود و هرچه به آن‌ها می‌دادید، همان را با نظم بیشتری پس می‌دادند.

نسل تازهٔ هوش مصنوعی، یعنی مدل‌های زبانی بزرگ، از جنس دیگری است. این مدل‌ها زبان را می‌فهمند و تولید می‌کنند. می‌توانند یک رزومهٔ فارسی را بخوانند، آن را با شرح شغل مقایسه کنند، پرسش مصاحبه بسازند و پاسخ یک داوطلب را خلاصه کنند. یعنی وارد قلمرویی شده‌اند که تا دیروز فقط در اختیار کارشناس انسانی بود: کار با متن، گفت‌وگو و قضاوت اولیه.

تفاوت دوم، دسترس‌پذیری است. ابزارهای پیشین معمولاً به پروژه‌های طولانی پیاده‌سازی نیاز داشتند. امروز یک کارشناس جذب می‌تواند بدون دانش فنی و در چند دقیقه از یک دستیار هوشمند کمک بگیرد. این سرعت هم فرصت است و هم خطر: فرصت، چون کارهای تکراری سبک می‌شوند؛ خطر، چون استفادهٔ بی‌قاعده پیش از آن‌که سیاستی نوشته شود، در سازمان پخش می‌شود.

تفاوت سوم این است که خروجی این مدل‌ها قانع‌کننده به نظر می‌رسد. آن‌ها متنی روان و مطمئن می‌نویسند، حتی وقتی اشتباه می‌کنند. در منابع انسانی، که هر تصمیم بر زندگی شغلی یک نفر اثر می‌گذارد، همین ویژگی ایجاب می‌کند که هر خروجی به شاهدی قابل‌بررسی وصل باشد، نه به اعتماد بی‌پرسش.

بازطراحی کار، نه حذف شغل

بحث عمومی دربارهٔ هوش مصنوعی معمولاً با این پرسش شروع می‌شود که «کدام شغل‌ها از بین می‌روند؟». برای مدیر منابع انسانی، پرسش دقیق‌تر این است: «کدام وظیفه‌ها درون هر شغل عوض می‌شوند؟». هر شغل مجموعه‌ای از وظیفه‌هاست و هوش مصنوعی معمولاً به بخشی از این وظیفه‌ها می‌رسد، نه به کل نقش.

نقش کارشناس جذب را در نظر بگیرید. بخشی از روز او صرف خواندن ده‌ها رزومه، هماهنگی زمان مصاحبه و نوشتن خلاصه می‌شود. بخش دیگر صرف شناختن نیاز واقعی مدیر واحد، گفت‌وگو با داوطلبان مردد و دفاع از یک انتخاب در جلسه می‌شود. هوش مصنوعی در بخش اول کمک بزرگی است؛ در بخش دوم دستیار است، نه جانشین.

تمرین مفید برای هر تیم منابع انسانی این است که نقش‌های کلیدی را به وظیفه‌ها بشکند و برای هر وظیفه سه پرسش بپرسد: آیا تکراری است؟ آیا خروجی‌اش قابل‌بررسی است؟ آیا خطای آن به یک فرد آسیب جدی می‌زند؟ وظیفه‌های تکراری و قابل‌بررسی نامزد خوبی برای کمک ماشین‌اند؛ وظیفه‌های پرپیامد باید زیر داوری انسانی بمانند.

این نگاه، گفت‌وگوی درون سازمان را هم سالم‌تر می‌کند. به‌جای دامن زدن به نگرانی دربارهٔ «حذف»، از کارکنان می‌خواهید در بازطراحی نقش خودشان مشارکت کنند. وقتی وقت آزادشده صرف کارهای ارزشمندتر شود، مثل مشاوره به مدیران یا توسعهٔ کارکنان، نقش منابع انسانی کوچک نمی‌شود؛ عمیق‌تر می‌شود.

هوشمندی استعداد: شواهد به‌جای برداشت

بسیاری از تصمیم‌های استخدامی هنوز بر برداشت تکیه دارند: «حس خوبی داشتم»، «با تیم جور درمی‌آید»، «رزومه‌اش قوی بود». این برداشت‌ها همیشه غلط نیستند، اما قابل‌بررسی هم نیستند. نمی‌شود دوباره به آن‌ها نگاه کرد، نمی‌شود دو داوطلب را با آن‌ها منصفانه مقایسه کرد و نمی‌شود در برابر پرسش یک مدیر ارشد از آن‌ها دفاع کرد.

هوشمندی استعداد (Talent Intelligence) یعنی جایگزین کردن این برداشت‌ها با شواهد ساختاریافته. ساده‌ترین صورتش این است که هر نمره یا ارزیابی به یک قطعهٔ مشخص از داده وصل باشد: جمله‌ای از رزومه، پاسخی در مصاحبه یا نمونه‌ای از کار. اگر سیستمی بگوید «این داوطلب در مدیریت پروژه قوی است»، باید بتوانید بپرسید: «بر اساس کدام جمله؟».

مدیریت استعداد با هوش مصنوعی وقتی ارزش دارد که همین اصل را تقویت کند. مدل زبانی می‌تواند رزومه را بخواند و برای هر معیار، عبارت مرتبط را عیناً نقل کند؛ اما ارزش کار در همان نقل‌قول است، نه در عدد نهایی. عددی که شاهد ندارد، فقط برداشتی است که لباس دقت پوشیده است. اگر می‌خواهید سازوکار این کار را دقیق‌تر ببینید، مقالهٔ غربالگری رزومه با هوش مصنوعی آن را گام‌به‌گام توضیح می‌دهد.

مصاحبهٔ ساختاریافته هنوز ستون اصلی است

پژوهش‌های روان‌شناسی سازمانی، به‌ویژه سنت فراتحلیلی که با کارهای اشمیت و هانتر (Schmidt & Hunter) شناخته می‌شود، بارها نشان داده‌اند که مصاحبهٔ ساختاریافته در شمار قوی‌ترین پیش‌بینی‌کننده‌های عملکرد شغلی است و معمولاً از مصاحبهٔ آزاد و بی‌ساختار اعتبار بیشتری دارد. بازتحلیل‌های تازه‌تر دربارهٔ اندازهٔ دقیق این اثرها بحث کرده‌اند و برخی حتی جایگاه مصاحبهٔ ساختاریافته را بالاتر برآورد کرده‌اند؛ اما جهت کلی کمابیش ثابت مانده است: ساختار، کیفیت پیش‌بینی را بالا می‌برد.

مصاحبهٔ ساختاریافته یعنی پرسش‌های از پیش طراحی‌شده برای هر شایستگی، پرسیدن همان پرسش‌ها از همهٔ داوطلبان و نمره‌دهی با معیار مشخص. هوش مصنوعی در اجرای همین انضباط کمک می‌کند: خسته نمی‌شود، پرسشی را جا نمی‌اندازد و پاسخ‌ها را کامل ثبت می‌کند. برای ساختن این پرسش‌ها، راهنمای طراحی سؤال رفتاری برای هر شایستگی نقطهٔ شروع خوبی است.

برای نمونه، در اسور مصاحبه‌گر صوتی «آرین» پرسش‌های طراحی‌شده را به‌ترتیب می‌پرسد و گزارش شایستگی با شواهد هر پاسخ ساخته می‌شود؛ اما هر نمره را یک ارزیاب انسانی تأیید یا اصلاح می‌کند.

مزیت انسانی: آنچه انسانی می‌ماند

اگر هوش مصنوعی بتواند بخواند، خلاصه کند و حتی بپرسد، چه چیزی برای انسان می‌ماند؟ پاسخ کوتاه این است: هر آنچه به مسئولیت در برابر یک انسان دیگر مربوط است. چهار قلمرو را می‌توان از هم جدا کرد.

داوری

داوری یعنی سنجیدن شواهد ناهمسو و رسیدن به یک انتخاب. داوطلبی که در یک شایستگی قوی و در دیگری متوسط است، برای کدام تیم و در چه مقطعی مناسب‌تر است؟ این پرسش پاسخ فرمولی ندارد و به اولویت‌های سازمان بستگی دارد. ماشین می‌تواند گزینه‌ها را روشن‌تر کند، اما وزن دادن به آن‌ها کار شماست.

زمینه

ماشین فقط زمینه‌ای را می‌بیند که به آن داده‌اید. شما چیزهایی را می‌دانید که در هیچ سندی نیامده است: فرهنگ تیم، برنامه‌های سال آینده، فشار یک پروژهٔ خاص، یا این‌که پشت وقفهٔ دوساله در یک رزومه، خدمت سربازی، مراقبت از خانواده یا مهاجرت بوده است.

پاسخ‌گویی

وقتی تصمیمی گرفته می‌شود، کسی باید پای آن بایستد و بتواند آن را برای داوطلب، برای مدیر و در صورت لزوم برای مرجع قانونی توضیح دهد. الگوریتم نمی‌تواند پاسخ‌گو باشد. به همین دلیل تصمیم نهایی دربارهٔ آدم‌ها باید همیشه امضای یک انسان را داشته باشد.

انصاف

انصاف فقط نبودِ تبعیض آماری نیست؛ احساس داوطلب از این‌که شنیده شده و فرصت برابر داشته هم بخشی از آن است. توضیح دادن، بازخورد دادن و فراهم کردن امکان بازنگری کارهایی انسانی‌اند که اعتماد به فرایند را می‌سازند.

ریسک‌ها و مراقبت‌ها

به‌کارگیری هوش مصنوعی بدون مراقبت می‌تواند همان مشکلاتی را بزرگ‌تر کند که قرار بود حل شوند. چهار ریسک اصلی بیشتر از بقیه دیده می‌شوند و برای هر کدام راه‌های عملی مهار وجود دارد.

سوگیری

مدل‌ها از داده‌هایی آموخته‌اند که سوگیری‌های جامعه را در خود دارند. اگر معیارها مبهم باشند، ممکن است نام دانشگاه، جنسیت، سن یا شهر محل سکونت ناخواسته بر نمره اثر بگذارد.

• معیارها را پیش از غربالگری به‌روشنی تعریف کنید و آن‌ها را به شایستگی‌های مرتبط با شغل محدود کنید.
• اطلاعات حساسی را که به شغل ربط ندارد، تا جای ممکن از ورودی ارزیابی کنار بگذارید.
• نتایج را به‌طور دوره‌ای در گروه‌های مختلف داوطلبان مقایسه کنید تا الگوهای نابرابر دیده شوند.

خودکارسازی بیش از حد

خطر اصلی این است که «پیشنهاد» ماشین بی‌صدا به «تصمیم» تبدیل شود. وقتی ارزیاب خسته است یا حجم کار زیاد است، تأیید کردن از بازبینی آسان‌تر است.

• هیچ داوطلبی نباید فقط با نمرهٔ خودکار رد شود؛ رد نهایی باید با بازبینی انسانی همراه باشد.
• از ارزیاب بخواهید دست‌کم برای نمره‌هایی که تغییر می‌دهد، دلیل کوتاهی بنویسد.
• گاه‌به‌گاه نمونه‌ای از تصمیم‌های تأییدشده را دوباره و با دقت مرور کنید.

حریم خصوصی

رزومه‌ها و ضبط مصاحبه‌ها داده‌های شخصی‌اند. پیش از به‌کارگیری هر ابزاری بپرسید داده کجا پردازش می‌شود، چه مدت نگه داشته می‌شود و چه کسانی به آن دسترسی دارند.

• رضایت آگاهانهٔ داوطلب را برای ضبط و تحلیل بگیرید و به زبان ساده توضیح دهید چه چیزی ثبت می‌شود.
• دسترسی‌ها را بر اساس نقش محدود کنید و سیاست نگه‌داری و حذف داده را مکتوب کنید.

توضیح‌پذیری

نمره‌ای که نتوان توضیحش داد، نه قابل‌اصلاح است و نه قابل‌دفاع. از ابزارهایی استفاده کنید که برای هر ارزیابی، استدلال و شاهد مشخص ارائه می‌کنند تا ارزیاب بتواند آن را با منبع اصلی تطبیق دهد. اگر فروشنده‌ای نمی‌تواند توضیح دهد نمره از کجا آمده، همین پاسخ شماست.

مسیر عملی به‌کارگیری هوش مصنوعی در منابع انسانی

برای شروع لازم نیست کل فرایند را یک‌باره عوض کنید. این مسیر شش‌گامی را می‌توانید در مقیاس کوچک و با یک تیم آغاز کنید:

1. یک مسئلهٔ مشخص انتخاب کنید. مثلاً زمان طولانی غربالگری رزومه برای یک موقعیت پرمتقاضی. شروع از مسئله بهتر از شروع از ابزار است.
2. شایستگی‌ها و معیارها را بنویسید. پیش از انتخاب هر ابزاری روشن کنید برای این نقش چه چیزی را و با چه معیاری می‌سنجید. بدون این گام، هوش مصنوعی فقط ابهام را سریع‌تر می‌کند.
3. مرز تصمیم را تعیین کنید. مکتوب کنید ماشین کجا پیشنهاد می‌دهد و انسان کجا تصمیم می‌گیرد. چه کسی رد نهایی را تأیید می‌کند و چه کسی نمره را اصلاح می‌کند؟
4. آزمایش موازی اجرا کنید. چند هفته ارزیابی ماشین را کنار ارزیابی تیم خودتان بگذارید و اختلاف‌ها را بررسی کنید. همین اختلاف‌ها بهترین منبع یادگیری‌اند.
5. تیم را آموزش دهید. ارزیاب‌ها باید بدانند چگونه شاهد را بخوانند، کجا به خروجی شک کنند و چگونه نمره را اصلاح کنند. چک‌لیست جذب شواهدمحور برای این آموزش چارچوب خوبی است.
6. بسنجید و بازبینی کنید. شاخص‌هایی مثل زمان جذب، رضایت مدیران واحدها، تجربهٔ داوطلبان و عملکرد افراد استخدام‌شده را دنبال کنید و سیاست‌ها را هر چند ماه یک‌بار به‌روز کنید.

پرسش‌های پرتکرار

آیا هوش مصنوعی جای کارشناسان منابع انسانی را می‌گیرد؟

هوش مصنوعی بیشتر وظیفه‌های تکراری را سبک می‌کند، نه کل نقش را. داوری، گفت‌وگو با مدیران، مذاکره و پاسخ‌گویی همچنان انسانی‌اند و با کم شدن کارهای تکراری، اهمیتشان بیشتر هم می‌شود.

آیا استفاده از هوش مصنوعی در استخدام منصفانه است؟

می‌تواند از غربالگری عجولانه منصفانه‌تر باشد، به شرط آن‌که معیارها روشن باشند، هر نمره به شاهدی قابل‌بررسی وصل باشد و تصمیم نهایی را انسان بگیرد. بدون این مراقبت‌ها، سوگیری فقط سریع‌تر تکرار می‌شود.

از کجا شروع کنیم؟

از یک مسئلهٔ کوچک و قابل‌اندازه‌گیری، مثل غربالگری یک موقعیت پرمتقاضی. پیش از انتخاب ابزار، شایستگی‌ها و مرز تصمیم انسان و ماشین را بنویسید و چند هفته آزمایش موازی اجرا کنید.

داوطلبان دربارهٔ مصاحبه با هوش مصنوعی چه احساسی دارند؟

تجربهٔ داوطلب بیشتر به شفافیت بستگی دارد تا به خود فناوری. اگر داوطلبان از پیش بدانند با چه چیزی روبه‌رو می‌شوند، چه داده‌ای ثبت می‌شود و یک انسان نتیجه را بررسی می‌کند، معمولاً با اطمینان بیشتری در فرایند شرکت می‌کنند.

سخن پایانی

هوش مصنوعی هم‌اکنون اینجاست و به عقب برنمی‌گردد. اما این‌که پایان کار انسان باشد یا آغاز فصلی تازه، به تصمیم‌های امروز ما بستگی دارد: به این‌که معیارها را روشن کنیم، برای هر نمره شاهد بخواهیم و داوری را به انسان بسپاریم. اگر می‌خواهید ببینید این اصول در یک فرایند واقعی جذب چگونه پیاده می‌شوند، درخواست دمو را ثبت کنید.