
معاينة الرؤى
ما الذي يقيمه الذكاء الاصطناعي الجيد فعلاً
رسم الجزء الأول حدًا عمل سوق تقنيات التوظيف جاهدًا لتغبيشه: ثمة فرق جوهري بين أتمتة عملية معطوبة وتحسين جودة التوظيف.
يتناول هذا المقال المسار الثاني. إذا كان النظام سيدّعي الذكاء، فيجب أن يكون قادرًا على توضيح ما الذي يقيمه فعلاً ولماذا تهمّ تلك الإشارة.
مشكلة الإشارة
كل أداة توظيف تستخدم الذكاء الاصطناعي تقيم شيئًا ما. والسؤال الحقيقي هو ما إذا كان ذلك الشيء يتنبأ بالنتيجة التي تهمك: هل سيؤدي الشخص أداءً جيدًا في دور محدد، في بيئة محددة.
لا تزال معظم الأنظمة تقيم إشارات نائبة. المسميات الوظيفية، سنوات الخبرة، المؤهلات، وكثافة الكلمات المفتاحية تتوافق مع النتائج بما يكفي لتبدو مفيدة، لكن الترابط ليس هو نفسه التنبؤ.
تلك الفجوة هي موطن العديد من إخفاقات التوظيف. وثقت Harvard Business School و Accenture أن المرشحين المؤهلين يُهمّشون بانتظام لأن خلفياتهم لا تنتج العلامات الصحيحة، حتى عندما تكون القدرة الأساسية موجودة.
يبدأ تقييم القدرة الحقيقي من فرضية مختلفة: ما يمكن لشخص ما أن يفعله، كيف يحل المشكلات، وكيف أدّى في سياقات مماثلة أهمّ من الشكل البصري لسيرته الذاتية.

ما الذي ينطوي عليه تقييم القدرة الحقيقي
ناتج العمل المثبت. السؤال الأول هو ما الذي أنتجه المرشح فعلاً أو غيّره أو حله، وليس فقط ما كان مسؤولًا عنه بالاسم.
نهج حل المشكلات. كيف يفكّر الشخص عبر تحدٍ غالبًا ما يكون أكثر قدرة على التنبؤ من كونه قد واجه سيناريو مطابقًا من قبل.
التوافق المحدد بالسياق. قد يفشل مرشح قوي في منظمة أخرى إذا اختلف أسلوب القيادة أو تشكيل الفريق أو ظروف التشغيل اختلافًا جوهريًا.
المسار، لا اللقطة. تلتقط السيرة الذاتية لحظة. التقييم الأفضل ينظر إلى كيفية تطور الشخص بمرور الوقت وما إذا كانت قدرته تتزايد.

لماذا لا تستطيع النماذج العمومية أن تقوم بذلك جيدًا
النماذج العمومية الكبيرة بارعة في التعرف على الأنماط عبر بيانات واسعة. يمكنها إبراز مرشحين يشبهون مجموعات أدت جيدًا تاريخيًا في أماكن أخرى.
لكن ما لا يمكنها فعله تلقائيًا هو فهم منظمتك على نحو خاص. فهي لا تعرف ما الذي يشترك فيه أصحاب الأداء العالي لديك بما يتجاوز ما هو مرئي في بيانات التدريب المعممة.
تلك القيد مهم. الإشارات التي تتنبأ بالنجاح لمهندس أول في شركة برمجيات سريعة النمو ليست نفسها التي تتنبأ بالنجاح لمهندس أول في مؤسسة مالية منظمة.
النماذج المحددة بالسياق والمُدرّبة على بيئتك، وسير العمل لديك، وأنماط أصحاب الأداء العالي الفعلية يمكنها اتخاذ قرارات معايرة للنتائج التي تهمك بدلًا من استنتاجات عامة من بيانات الآخرين.

كيف يبدو ذلك عمليًا
يظهر الفرق العملي في مرحلة المقابلة. التقييم القائم على النماذج النائبة يمرّر المرشحين الذين تشبه خلفياتهم إلى حد بعيد الموظفين السابقين.
تقييم القدرة يمرّر المرشحين الذين أظهروا المهارات والسلوكيات ذات الصلة، حتى لو بدا المسار الذي اتخذوه لتطويرها غير تقليدي على الورق.
ذلك يغيّر أكثر من ترتيب الأسماء. إنه يغيّر مجموعة المرشحين نفسها، لأن مرشحين كانوا سيُستبعدون بواسطة منطق النماذج النائبة يصبحون مرئيين الآن.
المقال الختامي في هذه السلسلة يغطي جانب المشتري من المعادلة: ما الذي يجب أن يطالبه به قادة الموارد البشرية عندما يدّعي بائع أن نظامه يتخذ قرارات توظيف أفضل.
الخلاصة
- الذكاء الاصطناعي الجيد يقيم القدرة والسياق والمسار بدلاً من الاعتماد على مؤشرات السيرة الذاتية وحدها.
- النتيجة العملية ليست مجرد ترتيب مختلف لمرشحين مألوفين، بل الوصول إلى مجموعة مرشحين مختلفة وغالبًا أقوى.
المراجع
- 1. Harvard Business School و Accenture. Hidden Workers: Untapped Talent. https://www.hbs.edu/managing-the-future-of-work/Documents/research/hiddenworkers09032021.pdf
- 2. Harvard Business School Working Knowledge. How to Tap the Talent Automated HR Platforms Miss. https://www.library.hbs.edu/working-knowledge/how-to-tap-the-talent-automated-hr-platforms-miss
ركائز المحتوى