בדיקות רקע למועמדים הן מרכיב קריטי בתהליך גיוס עובדים חדשים, שנועד לאמת כישורים, להעריך ביצועי עבר ולזהות נורות אדומות פוטנציאליות.
עם זאת, האלמנט האנושי בבדיקות המלצה יכול להוות נקודת תורפה משמעותית.
נקמות אישיות, הטיות, או אפילו ניסיונות אסטרטגיים של מעסיקים קודמים למנוע נדידת כישרונות, עלולים לזהם את המשוב, להוביל להערכות לא הוגנות ובכל חגרום לארגון לפסוח על מועמדים חזקים.
כאן נכנסת הבינה המלאכותית לתמונה, כבוררת ניטרלית רבת עוצמה, המשפרת את הדיוק וההגינות.
האתגר של משוב סובייקטיבי:
בדיקות המלצה מסורתיות מסתמכות במידה רבה על שיחות סובייקטיביות עם מנהלים קודמים.
להלן 3 כשלים אליהם חשוף תהליך בדיקות ההמלצה בשיחות עם מעסיקים קודמים:
1 המלצות נקמה:
עמיתים או מנהלים לשעבר שהם ממורמרים בשל עזיבת המועמד את החברה שלהם, עלולים לספק משוב שלילי מוגזם בשל איבה אישית למועמד או פגיעה נתפסת.
2 אגירת כישרונות:
מעסיק קודם עלול לספק בכוונה משוב פושר או שלילי באופן מתוחכם כדי להרתיע מתחרה מלגייס עובד שהעריך, ובכך לנסות להשאיר בפייפליין שלו את הטלנט ואת הידע שלו שנצבר, ולמנוע אותם מהחברה שמבקשת את ההמלצה.
3 הטיה לא מודעת:
ממליצים עלולים לאפשר, באופן לא מודע, להטיות אישיות, לרבות מגדר, גזע, חיכוכים אישיותיים, להשפיע על המשוב שלהם, גם אם ללא כוונה.
גורמים אלו יכולים לעוות את התמונה האמיתית של יכולות המועמד והתאמתו, ליצור תהליך גיוס לא יעיל שעלול להיות לא הוגן.
כלי הבינה המלאכותית, ובפרט אלה המשתמשים בעיבוד שפה טבעית (NLP) ובניתוח סנטימנטים, יכולים להכניס שכבה חדשה של אובייקטיביות לבדיקות רקע והמלצות.
להלן 4 תפקידי הבינה המלאכותית בנטרול הטיות ושיפור האובייקטיביות בעת קבלת המלצות על המועמד ממעסיקיו הקודמים:
1 ניתוח סנטימנט וטון:
הבינה המלאכותית יכולה לנתח משוב כתוב (כגון טפסי משוב רשמיים) ומשוב מילולי מתומלל (משיחות המלצה מוקלטות, בהסכמה) כדי לזהות שפה רגשית קיצונית, שליליות עקבית או ניסוחים יוצאי דופן.
היא יכולה לסמן משוב שחורג משמעותית מהערכה ניטרלית ומבוססת עובדות, ולדרבן את מנהל משאבי האנוש לחקירה מעמיקה יותר.
זה מאפשר לזהות המלצות "נקמה" פוטנציאליות על ידי איתור שפה קשה או ביקורתית באופן חריג.
2 זיהוי דפוסים לעקביות:
הבינה המלאכותית יכולה להשוות משוב על פני מספר ממליצים עבור אותו מועמד, וכן להשוות משוב לתפקידים דומים בין מועמדים שונים.
אי-התאמות או הצהרות חריגות יכולות להיות מסומנות. לדוגמה, אם ממליץ אחד מספק משוב שלילי באופן גורף בעוד שלושה אחרים חיוביים ומבוססים על עובדות, הבינה המלאכותית יכולה להדגיש פער זה, מה שמרמז כי הממליץ החריג עשוי להיות מוטה.
3 מודלי נושאים וחילוץ מילות מפתח:
כדי לזהות ניסיונות "אגירת כישרונות", הבינה המלאכותית יכולה לנתח האם משוב מתמקד באופן לא פרופורציונלי בידע קנייני, סודות חברה, או השקעה בהכשרה, באופן שנראה כמיועד להרתיע גיוס, במקום לספק הערכת ביצועים באמת.
הבינה המלאכותית יכולה לחלץ מדדי ביצועים מרכזיים ואחריות שהוזכרו על ידי מספר ממליצים, ולהשוות אותם לתיאור התפקיד כדי לוודא שהמשוב רלוונטי וממוקד תפקיד.
4 סינתזת נתונים מובנית:
במקום להסתמך על אדם שיסנתז משוב איכותני מפוזר, הבינה המלאכותית יכולה לחלץ נושאים משותפים, לכמת חוזקות וחולשות חוזרות ונשנות, ולהציג סיכום מאוזן יותר ומבוסס נתונים למנהל משאבי האנוש.
זה מפחית את העומס הקוגניטיבי ואת הפוטנציאל להטיה אנושית בפרשנות המשוב.
שימוש בבינה מלאכותית כשכבה אנליטית מתוחכמת מאפשר למנהלי משאבי אנוש לנטרל את הסובייקטיביות הטבועה בבדיקות רקע מסורתיות, להבטיח הערכה הוגנת יותר של המועמדים ולקבל החלטות גיוס מושכלות יותר, המבוססות על עובדות מאומתות ולא על דעות זדוניות או מוטות פוטנציאלית.
