מצד אחד, מחקרים מראים, כי הנהלות בכירות בישראל מפגינות פתיחות הצהרתית גבוהה לחדשנות ניהולית.

אבל מצד שני, במבחן היישום הסטטיסטי, נכונותן להתחייב לתהליכי ניוד פנימי מבוססי דאטה ופלטפורמות טכנולוגיות עדיין נמוכה משמעותית ממקבילותיהן במערב.

מנתונים של חברות המחקר הבינלאומיות עולה, כי כ-68% מחברות הפורצ'ן 500 במדינות המערב מנהיגות כיום אסטרטגיה רשמית של העדפת איוש משרות פנימי (ניוד פנימי), הנתמכת על ידי פלטפורמות בינה מלאכותית.

לעומת זאת, מסקרים של חברות היעוץ PwC ודלויט עולה, כי בישראל, רק כ-28% מההנהלות הבכירות משלבות מדדי ניוד פנימי בתוכניות העבודה האסטרטגיות שלהן.

הנהלות רבות בישראל עדיין תופסות גיוס חיצוני כמקור מהיר ואיכותי יותר להגברת החדשנות, ומגלות שמרנות בכל הנוגע לשילוב אלגוריתמים של בינה מלאכותית בהחלטות הקשורות למסלולי קריירה של עובדים.

לפער הזה יש מחיר כבד בתפיסת העובדים: ממחקר של גאלופ עולה, כי בקרב חברות גלובליות, כ-45% מהעובדים במערב מאמינים שהדרך הטובה ביותר עבורם להתקדם מקצועית היא בתוך החברה הנוכחית שלהם.

לעומת זאת, בסקרי עמדות שנערכו בישראל, המספרים הפוכים באופן דרמטי: כ-63% מהעובדים בישראל משוכנעים כי הדרך היחידה שלהם להשיג קפיצת מדרגה בשכר או בתפקיד היא עזיבת הארגון ומעבר לחברה אחרת.

תחושת תקרת הזכוכית הפנימית בקרב העובדים הישראלים נובעת מחוסר שקיפות בהזדמנויות הקידום ומהיעדר כלים אובייקטיביים שיכולים להעריך את הפוטנציאל של כל עובד.

בדיוק בנקודת החיכוך הזו, בין השמרנות הניהולית לבין הייאוש של העובדים מקידום פנימי, נכנסת הבינה המלאכותית כמחוללת שינוי.

למעשה, התופעה של מניעת ניוד טלנטים על ידי מנהל ישיר שאינו רוצה לאבד עובד טוב, היא אחד החסמים המרכזיים המונעים מארגונים להפוך לבעלי יכולת להסתגלות מהירה לשינויים, ולממש ניוד פנימי אפקטיבי.

מנהלים ישירים רבים חוששים לאבד את העובדים החזקים ביותר בצוות שלהם, שכן העברת עובד מצטיין לצוות אחר עלולה לייצר עבורם פגיעה מיידית בתפוקה, עומס בכל הקשור לחפיפה וצורך בגיוס חלופי.

מצב זה יוצר דילמה לארגון כולו: האינטרס הצר של המנהל הבודד עומד בסתירה ישירה לאינטרס האסטרטגי של הארגון ושל העובדים בצוות שלו.

להלן 3 דרכים להתמודדות עם מניעת ניוד על ידי מנהל ישיר:

1 שינוי שיטת התגמול ומדידת הביצועים של המנהלים הישירים:

כל עוד מנהלים מתוגמלים אך ורק על התפוקה המיידית של הצוות שלהם, הם ימשיכו להחזיק בטלנטים המבוקשים ולא יאפשרו לנייד ולקדם אותם.

כדי לפתור זאת יש להוסיף מדד אסטרטגי להערכת ביצועי מנהלים: יצוא טלנטים ליחידות אחרות בארגון.

מנהלים שמקדמים עובדים ומניידים אותם לתפקידי מפתח אחרים בחברה צריכים לקבל על כך הוקרה, בונוסים והערכה חיובית מההנהלה הבכירה.

2 מיסוד אמנת ניוד פנימי שקופה:

יש לקבוע כללים ברורים המגדירים באיזה שלב עובד רשאי להגיש מועמדות לתפקיד פנימי כמו למשל, לאחר 12-18 חודשים בתפקיד.

יש לקבוע קביעת לוחות זמנים מוגדרים מראש למעבר, כמו למשל, תקופת חפיפה מוגבלת ל-30-60 ימים, כדי למנוע מהמנהל הנוכחי לעכב את המעבר לזמן בלתי מוגבל.

3 בניית תרבות ארגונית של גמישות במעבר טלנטים ממחלקה למחלקה:

יש להפוך את הניוד הפנימי מאירוע חריג או 'בגידה' במנהל, לנורמה ארגונית מקובלת. כמו כן, רצוי לתת קדימות למועמדים פנימיים על פני גיוס חיצוני בכל מכרז חדש.

מערכות בינה מלאכותית מתקדמות בתחום משאבי האנוש משנות לחלוטין את מאזן הכוחות ומנטרלות את היכולת של מנהלים להסתיר עובדים מפני מנהלים אחרים.

להלן 4 דרכים בהן הבינה המלאכותית מסייעת לפתור את הבעיה:

1 שקיפות מלאה וישירה מול העובד:

פלטפורמות בינה מלאכותית מציעות משרות, פרויקטים ופתרונות ניוד פנימיים ישירות לנייד או למחשב של העובד, בהתאם לפרופיל הכישורים שלו, בלי להזדקק לאישור מוקדם מהמנהל הישיר רק כדי לצפות בהזדמנויות ובהצעות.

זה מאפשר לעובד להיחשף לאפשרויות התפתחות בתוך החברה במקום לחפש אותן בחברות אחרות.

2 ניתוח דפוסים קבועים של מנהלים שלא מאפשרים לנייד טלנטים בצוות שלהם:

הבינה המלאכותית מנתחת את נתוני התנועה של עובדים בארגון ומזהה צוותים או מנהלים שבהם שיעור הניוד הפנימי הוא נמוך עד אפסי, ושבד בבד, שיעור העזיבה של עובדים טובים בהם גבוה.

כתוצאה מכך, מנהל משאבי האנוש מקבל התראות על מנהלים המהווים צוואר בקבוק ניהולי ויכול להתערב באופן אקטיבי לפני שהעובדים המצטיינים עוזבים את הארגון לחלוטין.

3 ניוד חלקי ומבוסס פרויקטים:

מודלי בינה מלאכותית יודעים לשבץ עובדים למשימות ופרויקטים רוחביים בהיקף חלקי, כמו למשל ב-10-20 אחוזים מהזמן, בצוותים אחרים, בלי שהעובד יעזוב את תפקידו המקורי.

בדרך זו, המנהל אינו מאבד את העובד, העובד מרוויח פיתוח מקצועי וגיוון, והארגון נהנה משיתוף ידע וגמישות בלי להיכנס למאבקי כוח על תקנים.

4 התאמת מחליפים אוטומטית:

ברגע שהבינה המלאכותית מציעה להעביר עובד מצטיין למחלקה אחרת, המערכת מציעה למנהל שמהצוות שלו העובד אמור לעבור, חלופות פנימיות מידיות של עובדים אחרים בארגון שמתאימים למלא את הפער שנוצר.

זה מאפשר להפחית את החרדה של המנהל מפני אובדן תפוקה או איכות, שכן המנהל מקבל פתרון איוש פנימי מהיר ומבוסס דאטה.

יש לא מעט עובדים שאם הם ינויידו לתפקיד אחר בארגון, הביצועים שלהם יהיו גבוהים יותר מאלו שהם מפגינים בתפקיד הנוכחי שלהם, ואף גבוהים יותר מאלו של עובדים אחרים, שימונו לתפקידים אלה.  

השאלה הגדולה היא איך ניתן לאתר במהירות עובדים אלה ואת התפקיד שאליו יש לנייד אותם.

למנהלי משאבי אנוש, כמו לכל אדם אחר, יש מגבלה בהיבט של זמן עיבוד מידע רב-ממדי.

מנגד, מערכות בינה מלאכותית המבוססות על איסוף מידע (ואף מודיעין) על מיומנויות בארגון, מסוגלות לאתר בזמן אפסי ובאופן שוטף, עובדים שמתאימים לניוד לתפקיד אחר, באופן שיממש את הפוטנציאל שלהם ויאפשר להם להגביר ביצועים.

להלן 3 היתרונות של בינה מלאכותית על פני מנהל משאבי האנוש באיתור עובדים לניוד:

1 חשיפת כישורים סמויים וניתוח ביג דאטה:

מנהל משאבי האנוש מתבסס בעיקר על קורות החיים, הגדרת התפקיד הנוכחית והערכות עובד תקופתיות.

הבינה המלאכותית לעומת זאת, סורקת עשרות אותות מידע: פרויקטים שבוצעו, שפת תקשורת במערכות ניהול משימות, קורסים שהושלמו ואף יכולות שנלמדו בתפקידים קודמים.

איך הבינה המלאכותית עושה זאת: באמצעות מעבדי שפה טבעית (NLP) ואלגוריתמים הממפים את 'עץ' הכישורים הארגוני.

הבינה המלאכותית מסיקה קיומן של מיומנויות חופפות שלא הופיעו בקורות החיים ומנבאת התאמה גבוהה לתפקיד חדש ברמת דיוק גבוהה מניחוש אנושי.

2 נטרול הטיות קוגניטיביות וזיהוי טלנטים שקופים:

גורמים אנושיים סובלים מהטיות מודעות ושאינן מודעות, בהן קרבה גיאוגרפית, דפוס יחסים עם המנהל הישיר, או קיבוע מחשבתי המגדיר עובד רק לפי התפקיד שבו החל.

בנוסף, מנהלים נוטים לעיתים 'להסתיר' עובדים מצטיינים כדי לא לאבד אותם לטובת צוות אחר.

איך הבינה המלאכותית עושה זאת: המערכת מנתחת ביצועים ונתונים יבשים בלבד באופן עיוור להטיות חברתיות.

היא מציפה באופן אובייקטיבי עובדים שיש הגיון בלתת להם הזדמנות, בלי להתרשם ממידת הפופולריות שלהם או מרצון המנהל הישיר.

3 ניתוח חוזה של התאמה רשתית ופוטנציאל למידה:

למנהל משאבי האנוש קשה יותר להעריך במדויק כיצד עובד יתפקד בסביבה ארגונית שונה לחלוטין (לאחר שינוייד לתפקיד אחר).

הבינה המלאכותית מסוגלת לנתח דפוסי הצלחה של מאות עובדים בעבר שעברו מסלולים דומים.

איך הבינה המלאכותית עושה זאת: הבינה המלאכותית משווה את דפוס הלמידה והביצועים של העובד לזה של עובדים מצליחים בתפקיד היעד.

המערכת מזהה פער כישורים קטן שניתן להשלמה במהירות, ומנבאת את סיכויי ההצלחה, הפריון וההחזר על ההשקעה של העובד בתפקיד החדש עוד לפני הבונוס או ההעברה בפועל.

ניוד עובדים מבוסס בינה מלאכותית – בישראל מול מדינות מערביות:

המעבר מפלטפורמות גיוס מסורתיות לזירות טלנטים פנימיות מבוססות בינה מלאכותית נמצא בשיא התאוצה.

ממחקר שנערך על ידי חברת המחקרים גרטנר עולה, כי כ-60% מהארגונים הגדולים במערב הטמיעו או נמצאים בתהליך הטמעה של פלטפורמות לאיתור כישורים מבוססות בינה מלאכותית.

החוקרים של גרטנר מצביעים על כך שניוד פנימי מבוסס בינה מלאכותית מקצר את זמן איוש המשרות ב-20 יום ומעלה, ואת שיעור שימור העובדים בלפחות 85%.

בישראל, השימוש במערכות ייעודיות לניוד פנימי מבוסס בינה מלאכותית עומד על כ-22% בלבד.

פער זה נובע מכך שבחברות ישראליות רבות, הגיוס החיצוני עדיין נתפס כמקור המרכזי לחדשנות.

החוקרים של חברת היעוץ דלויט מצביעים על כך שארגונים המפעילים איתור טלנטים מתאימים בתוך החברה כדי לניידם, המבוסס על בינה מלאכותית, מדווחים על שיפור של כ-28% באיכות המינויים לתפקידים פנימיים ועל ירידה של כ-42% בעלויות הגיוס הממוצעות.

בדו"חות החברה לגבי השוק בישראל מציינים החוקרים כי בארגונים גלובליים הפועלים בארץ נרשם אימוץ גבוה של פלטפורמות אלה, אבל במגזר המסורתי והציבורי, ניוד העובדים עדיין נשען בעיקר על המלצות מנהלים ישירות.

מחקרים שנערכו על ידי חברת היעוץ מקינזי מראים, כי לחברות המשתמשות באנליטיקה מתקדמת לניוד עובדים, יש סיכוי הגבוה פי 1.5 לעקוף את המתחרים שלהן ברווחיות.

במדינות המערב, כ-38% מחברות הפורצ'ן 500 משתמשות באלגוריתמים לצורך קבלת החלטות על הטיות מסלול קריירה.

במחקרים של חברת PwC נמצא כי כ-74% מהעובדים במדינות המערב מעוניינים שהבינה המלאכותית תציע להם הזדמנויות קידום וניוד פנימיות המתאימות לכישוריהם.

בישראל, הנכונות של עובדים לקבל המלצות קריירה הבינה המלאכותית ועומדת על כ-81%, אבך המערכות הארגוניות עדיין אינן מחוברות ברובן לתהליכים אלו.

ממחקרים של גאלופ עולה, כי הסיבה הראשונה לעזיבת עובדים מבני דורות ה-Y וה-Z היא היעדר שקיפות לגבי אפשרויות פיתוח קריירה.

מנגד, חברות המטמיעות מערכות בינה מלאכותית לאיתור ניוד פנימי מציגות ירידה של 15% בשיעור העזיבה הכללי.