המלצות על מועמדים מצד המנהלים שלהם מהעבר, עלולות להיות לא מדוייקות ואף מוטות במכוון.
אם עובד הסתכסך עם המנהל הישיר במקום העבודה הקודם וכתוצאה מכך עזב, או שלמנהל הקודם יש סיבות שאינן ענייניות לתת חוות דעת שלילית על המועמד, הארגון שרוצה לגייס אותו יקבל תמונה מעוותת ועלול לפסול אותו בטעות ולהפסיד בכך עובד מצוין.
חוות דעת שלילית עלולה להתקבל גם במקרים בהם ארגון רוצה למנוע מעובד שעזב להצטרף לארגון אחר, בו הוא יביא לידי ביטוי את הידע והניסיון אותם רכש בארגון שאותו עזב.
גם המצב ההפוך עלול להתרחש: מנהל שרוצה לסייע לעובד שעזב או פוטר, ונותן המלצה חיובית, שהיא הרבה מעבר ליכולות האמיתיות של המועמד.
זאת ועוד, יש לא מעט מקרים בהם מועמדים משמיטים מקורת החיים פרטים בנוגע לעברם, משום שהם חושבים שפרטים אלה יזיקו להם, או שהם מגזימים בתיאור היכולות שלהם.
מינוף מערכות בינה מלאכותית מאפשר למנהלי משאבי אנוש לחשוף תובנות חשובות לגבי מועמדים, על אף ההמלצה השלילית או החיובית מדי, ולגלות פרטים שהושמטו בכוונה מקורות החיים או שתוארו בהגזמה.
לכן, שימוש בבינה מלאכותית – כדי להבין באופן מדויק מהן היכולות האמיתיות של המועמד, וכדי לקבל מידע מעברו של המועמד שעלול לגלות כי אינו מתאים לארגון – יכול לסייע רבות להגיע לגיוס נכון ומדויק.
במילים אחרות, השימוש בבינה מלאכותית מאפשר למנהלי משאבי האנוש לקבל החלטות גיוס מושכלות יותר ומבוססות נתונים.
עם זאת, חיוני להשתמש בכלים אלה בצורה אתית, תוך כיבוד פרטיות המועמדים והבטחת שקיפות בתהליך הגיוס.
בשורה התחתונה, מערכות הבינה מלאכותית יכולות למלא תפקיד מכריע בסיוע למנהלי משאבי אנוש ללקט פרטים חיוניים על מועמדים שאולי לא נראים בקלות בקורות החיים שלהם או שהם מושמטים בכוונה.
להלן 8 דרכים לאיסוף מידע רלוונטי על המועמד בעזרת בינה מלאכותית:
1 ניתוח רשתות חברתיות:
כלי בינה מלאכותית יכולים לסרוק את פרופילי הרשתות החברתיות של המועמדים כדי לאסוף מידע נוסף על האישיות, תחומי העניין וההתנהגות שלהם.
על ידי ניתוח הפוסטים, ההערות והאינטראקציות שלהם, יכולים האלגוריתמים של הבינה המלאכותית לספק תובנות לגבי סגנון התקשורת, הערכים וההתאמה התרבותית שלהם לארגון.
2 עיבוד שפה טבעית: אלגוריתמים של NLP יכולים לנתח תקשורת כתובה מעבר לקורות חיים, כגון מכתבים הנלווים לקורות החיים, אימיילים או אפילו מאמרים.
הם יכולים לזהות דפוסים לשוניים, סנטימנטים וטון, ולהציע רמזים לגבי עמדותיהם, של המועמדים, המוטיבציות שלהם ורמת המקצועיות שלהם.
3 הערכת אישיות:
כלי הערכת אישיות המופעלים על ידי בינה מלאכותית יכולים לחזות את תכונות האישיות של המועמדים על סמך תשומות שונות, כגון תשובות לשאלונים סטנדרטיים, ראיונות וידאו, או אפילו סימולציות של משחקים.
תובנות אלו יכולות לעזור למנהלי משאבי אנוש להעריך את התאמתם של מועמדים לתפקידים ספציפיים ולדינמיקה של צוות.
4 ניתוח התנהגות:
בינה מלאכותית יכולה לנתח את 'טביעות הרגל' הדיגיטליות של המועמדים, כגון הפעילות המקוונת שלהם, היסטוריית הגלישה או דפוסי השימוש באפליקציות, כדי לזהות אינדיקטורים התנהגותיים הרלוונטיים לביצועים ולהרגלי העבודה שלהם.
נתונים אלה יכולים לספק הבנה מקיפה יותר של נקודות החוזק והחולשה הפוטנציאליות של המועמדים.
5 ניתוח נתונים לא מובנים:
מערכות הבינה המלאכותית יכולות לסנן נתונים לא מובנים, כגון פרסומים אקדמיים, תיקי עבודות מקצועיים או מאגרי פרויקטים, כדי לחשוף הישגים, כישורים או חוויות, שהינם רלוונטיים ושמועמדים עשויים שלא להדגיש בקורות החיים שלהם.
על ידי חילוץ וארגון מידע זה, יכולה הבינה המלאכותית לספק ראייה הוליסטית יותר של כישורי המועמדים.
6 ניתוח סנטימנט בראיונות:
ניתוח סנטימנט מבוסס בינה מלאכותית יכול לנתח את הבעות הפנים, הטון הקולי ושפת הגוף של המועמדים במהלך ראיונות וידאו כדי לאמוד את מצבם הרגשי, רמת הביטחון ומידת הכנות שלהם.
טכנולוגיה זו יכולה לעזור למנהלי משאבי אנוש להעריך את התאמתם ואת האותנטיות של המועמדים מעבר לתגובותיהם המילוליות.
7 ניתוח תחזיות: אלגוריתמים של בינה מלכותית יכולים למנף נתונים היסטוריים על גיוס עובדים מוצלחים ומדדי ביצועים כדי לזהות דפוסים ולחזות את הצלחתם הפוטנציאלית של מועמדים בארגון.
על ידי ניתוח גורמים שונים, כגון מיומנויות, חוויות והתאמה תרבותית, יכולה הבינה המלאכותית לספק המלצות על המועמדים הטובים ביותר לתפקידים ספציפיים.
8 איתור הטיות:
הבינה המלאכותית יכולה לעזור למנהלי משאבי אנוש לזהות ולמתן הטיה לא מודעת בתהליך הגיוס על ידי סימון הטיות פוטנציאליות בתיאורי התפקיד, בקריטריונים להערכת מועמדים או באלגוריתמים של קבלת החלטות.
על ידי קידום הגינות וגיוון, יכולה הבינה המלאכותית לתמוך במנהלי משאבי אנוש בקבלת החלטות גיוס אובייקטיביות ומכילות יותר.
