Искусственный интеллект в сфере управления персоналом: по-настоящему «убойное» приложение

Ожидания и ажиотаж, которые мы наблюдаем сегодня вокруг искусственного интеллекта (ИИ), просто удивительно огромны. Скоро мы будем разговаривать со своими компьютерами, дроны будут делать за нас покупки, машины начнут ездить сами, а большинство офисных работников будут лишь контролировать работу машин. Так ли это и насколько все это реально?

Как отраслевой аналитик и инженер, десятилетиями изучающий технологии, могу сказать, что мы переживаем довольно интересный этап, когда, с одной стороны, ажиотаж вокруг намного опережает реальность, а с другой — результат может оказаться намного более значительным, чем мы думаем. Ну а возможности на уровне управления персоналом просто огромны.

Несмотря на то что почти все поставщики кадровых услуг работают над формированием команд по работе с ИИ, а мы все хотим, чтобы наша система стала «умнее» и эффективнее, мне кажется, что современный рынок еще слишком молод, и в подтверждение этого я хотел бы выделить несколько моментов.

Не так давно я присутствовал на конференции по автоматизации процесса подбора персонала, где выступал Билли Бин, генеральный директор профессионального бейсбольного клуба «Окленд Эйс» (Oakland A’s), и рассказывал о книге Moneyball. После удивительного рассказа об истории развития саберметрики и о том, какое влияние данные оказали на бейсбол, он сказал, что в настоящее время на него работают шесть инженеров по разработке алгоритмов машинного обучения, обладающих докторской степенью, а «команду докторов наук превзойти довольно сложно». Именно это мы наблюдаем сейчас и в бизнесе.

Роль ИИ в сфере управления кадрами и руководстве

Надо признать, что ИИ — это не какая-то магическая компьютеризированная личность, а широкий набор алгоритмов и инструментов машинного обучения, которые могут быстро получать данные, выявлять закономерности и оптимизировать или прогнозировать тенденции. Системы могут распознавать речь, анализировать фотографии и использовать методы сопоставления с образцом для определения настроения, честности и даже черт характера. Подобные алгоритмы не полагаются на «интуицию», как человек, но работают очень быстро и могут в считанные секунды проанализировать миллионы источников информации и быстро разбить их по категориям.

Используя статистические данные, системы ИИ способны «прогнозировать» и «обучаться» путем построения кривых возможных решений и последующей оптимизации решений с учетом множества критериев. Следовательно, несложно представить систему ИИ, которая рассматривает все возможные демографические характеристики, опыт работы и вопросы для собеседования с кандидатами, а затем «прогнозирует», насколько эффективно каждый из них будет выполнять свою работу (HiredScore, Pymetrics, HireVue, IBM и другие компании уже работают над этим).

Несмотря на то что сам процесс намного сложнее, чем кажется, решение данной задачи является важным и благородным делом. Отвечая несколько недель назад на вопрос по данной теме, я отметил, что «большинство управленческих решений принимается нами сегодня исключительно на интуитивном уровне. Если подобные системы сделают нас немного умнее, то мы сможем значительно повысить нашу операционную эффективность».  

Конечно, существует большое количество рисков и препятствий, которые еще предстоит преодолеть, однако потенциал просто огромен.

Какие из «убойных» приложений можно ожидать в ближайшем будущем?

Позвольте мне перечислить лишь некоторые из областей, обладающих огромным потенциалом.

В области подбора персонала многие решения принимаются интуитивно. Одно исследование показало, что большинство менеджеров по подбору персонала делают вывод о кандидате в течение первых 60 секунд встречи, зачастую исходя из внешнего вида, рукопожатия, наряда или речи кандидата. Знаем ли мы, какие особенности, опыт, образование и индивидуальные черты характера гарантируют успех в исполнении той или иной роли?   Нет, не знаем. Менеджеры и специалисты по управлению персоналом тратят миллиарды долларов на разработку оценок, тестов, симуляций и игр, используемых при наборе персонала, однако многие утверждают, что несмотря на это в 30‒40% случаев кандидаты подбираются неверно.

Алгоритмы, основанные на ИИ, могут изучать резюме, находить подходящих кандидатов внутри компаний, выявлять высокоэффективных сотрудников и даже давать расшифровку видеозаписи собеседования, помогая нам выбирать специалистов, которые, вероятнее всего, окажутся наиболее успешными. Один наш клиент использует оценку на базе ИИ Pymetrics, построенную на принципах геймификации, для проверки соискателей на вакансии в области маркетинга и продаж. Благодаря исключению всех ошибок, совершаемых в процессе проведения собеседований и рассмотрения «послужного списка» кандидатов, допускаемых в рамках текущего процесса, коэффициент успеха увеличился более чем на 30%. ИИ в области подбора персонала имеет большое будущее.

Также необходимо учитывать, что несмотря на общую озабоченность профессиональными навыками (навыками работы с ПО, навыками продаж, математическими навыками и т. д.), большинство исследований показывает, что владение техническими навыками — это лишь небольшой процент успеха. Большинство недавно проведенных исследований, посвященных высокоэффективному процессу подбора персонала, свидетельствует о том, что компании четвертого уровня зрелости, то есть те, которые показывают самые высокие финансовые показатели благодаря грамотному найму, делают ставку (40% критериев найма) на эмоциональные и психологические характеристики, такие как амбициозность, обучаемость, увлеченность и целеустремленность. Будет ли это учитывать ИИ? Возможно.

(Среди поставщиков на этом рынке такие компании, как LinkedIn, Pymetrics, Entelo, HiredScore, IBM, Textio, Talview, Unitive, PredictiveHire и др.)

В области развития персонала и обучения мы действительно не знаем, как необходимо «обучать» сотрудников. На мировую отрасль обучения и развития потрачено более 200 млрд долл. США. Однако большинство специалистов в области обучения говорят о том, что, по крайней мере, половина из этих средств были израсходованы напрасно (разработанные решения забыты, применяются ненадлежащим образом или просто являются тратой времени). Однако мы так до конца и не понимаем, какая именно половина. 

А вы знаете, что вам «необходимо изучить», чтобы лучше работать? Мы можем только догадываться, а что если бы у нас были алгоритмы, которые могли бы отслеживать и изучать знания, поведение и действия наиболее эффективных сотрудников нашей команды и затем просто объяснять, что необходимо, чтобы им соответствовать? Подобные алгоритмы типа Netflix уже используются в сфере обучающих платформ, делая обучение столь же полезным и веселым, как просмотр кабельного телевидения. Рынок опять же еще молодой, однако возможностей масса. Наше исследование показывает, что в среднем на обучение у сотрудников имеется менее 25 минут в неделю, однако если это время тратить с большей пользой эффективность каждого из них увеличится.

(Среди поставщиков на этом рынке такие компании, как Degreed, EdCast, Filtered, Volley, Axonify, BetterUp, Clustree, Workday и др.)

В области управления и руководства мы действуем, как мастера дзен. Мы читаем книги, посещаем семинары, копируем руководителей, которыми восхищаемся, а также превозносим успешных лидеров современности. Владеем ли мы наукой управления? Предполагаю, что мы редко об этом задумываемся. Сегодня мы делаем акцент на цель, миссию и приверженность. Всего лишь несколько лет назад существовало «лидерство-служение», а во времена моей молодости ценилось «исполнение и финансовое чутье». Большинство исследований показывает, что существуют десятки особенностей управления и руководства, определяющих успех, и каждый из нас предлагает свое уникальное сочетание.  

ИИ может помочь нам выявить эти особенности. Я знаком с тремя поставщиками, создавшими инструменты и системы для обучения на базе ИИ, которые запрашивают отзывы, читают комментарии и угадывают настроение сотрудников и команд. Они используют эти данные для сопоставления личных результатов и результатов команды с результатами более высокоэффективных команд, что позволяет менеджерам и супервайзерам понять, что необходимо для выполнения работы более продуктивно. Один мой клиент рассказал, что всего за три месяца использования подобного инструмента эффективность руководства компании в части укрепления корпоративных ценностей повысилась на 25% благодаря лишь небольшим поведенческим особенностям.

(Среди поставщиков в данной области таки компании, как Reflektiv, BetterWorks, Ultimate Software, Zugata, Humanyze, ADP, Impraise и др.)

В области неправомерных действий и соблюдения нормативных требований также открываются большие возможности. Результаты одного исследования показали, что сотрудники, которые крадут или совершают преступления, отрицательно влияют на всех остальных (другие сотрудники начинают копировать подобную форму поведения). ИИ может рассматривать данные организационной сети (электронную переписку, комментарии) и выявлять стрессовые зоны, возможные нарушения этических норм и многие другие формы риска несоблюдения установленных требований, а также выделять «красные зоны» для кадровых служб или директоров по обеспечению контроля за соблюдением требований, чтобы они имели возможность вмешаться для предотвращения недобросовестных действий.

(Среди поставщиков в данной области такие компании, как TrustSphere, Keencorp, Volley, Cornerstone и др.)

В части обеспечения благополучия и вовлеченности сотрудников ИИ используется для определения поведенческих особенностей, оказывающих влияние на снижение уровня эффективности. В области безопасности ИИ способен определять поведенческие факторы, приводящие к возникновению несчастных случаев. Новые аналитические инструменты могут определять признаки стресса и неправомерного поведения и предупреждать об этом кадровые службы или линейное руководство.

(Среди поставщиков в данной области такие компании, как Limeaid, VirginPulse, Glint, Ultimate Software, CultureAmp, TinyPulse, Peakon и др.)

В области сервисов самообслуживания для сотрудников и управления кандидатами новые умные чат-боты позволяют упростить и оптимизировать процесс взаимодействия.

(Среди поставщиков в данной области такие компании, как IBM, ServiceNow, Xor, Mya, Ideal, Paradox и др.)

Этот список можно продолжать бесконечно.

Существуют ли риски? Что происходит с кадровой аналитикой?

Все эти приложения новые, и, несмотря на их привлекательность, они несут в себе множество рисков, которые стоит учитывать. Основной риск заключается в том, что ИИ не может работать без «обучающих данных». Другими словами, алгоритмы используют опыт прошлого. Если ваша текущая практика управления отличается предвзятостью, дискриминацией или чрезмерной иерархичностью, то вы можете лишь усугубить ситуацию. Нам необходим «объективный» ИИ, который мы можем «настраивать» и чьи алгоритмы мы можем контролировать для обеспечения их эффективной работы. Как и в случае с первыми автомобилями, которые не всегда ездили ровно, нашим впервые разработанным алгоритмам требуются «бамперы» и «ручки управления», чтобы мы могли сделать их более точными.

Системы могут способствовать укоренению предвзятости. Предположим, что ваша компания никогда не нанимала женщин на должность инженера и в вашем штате всего несколько инженеров афроамериканцев. Очевидно, что система по подбору персонала на базе ИИ решит, что продвижение женщин и темнокожих инженеров на руководящие должности совершенно нежелательно. Подобный вариант предвзятого отношения должен быть исключен из алгоритмов, но на это необходимо будет время.

Существует риск раскрытия, а также непреднамеренного ненадлежащего использования данных. Возьмем для примера использование аналитики с целью определения вероятности ухода высокоэффективного сотрудника из компании. Если мы скажем руководству, что «этот сотрудник, вероятнее всего, собирается уйти», то мы можем сформировать неверное поведение — руководство начнет игнорировать этого сотрудника или изменит свое отношение к нему. Мы должны научиться правильно применять поведенческую экономику, чтобы случайно не превратить ИИ в компьютерную систему HAL (фильм HAL 2000 года). На сегодняшний день ИИ — это «инструмент» для внесения предложений и улучшений, а не система, которая самостоятельно принимает решения.

Недавно я разговаривал с одним из руководителей компании Entelo, занимающихся вопросами ИИ, и мы обсуждали необходимость создания «пояснительных» и «прозрачных» систем ИИ. Другими словами, когда система принимает решение, она должна сообщить нам, почему она его приняла, чтобы мы (люди) могли решить, является ли данное решение целесообразным. Он сказал мне, что для его компании это один из наиболее важных критериев при разработке новых инструментов, однако большинство систем ИИ по-прежнему создаются, к сожалению, по принципу «черного ящика».

Подумайте, что может произойти, если в автономной системе случится сбой. Нам потребуется много времени на анализ сложившейся ситуации, понимание того, какие именно визуальные или алгоритмические системы отказали, а также на изучение того, что могло привести к подобной ситуации. Что если ИИ даст неверную рекомендацию о кандидате, корректировке заработной платы или вмешательстве руководства? Сможем ли мы это выяснить? Сможем ли мы это обнаружить? Заметим ли мы это вообще до тех пор, пока не станет слишком поздно? Еще многое предстоит сделать, чтобы понять, как «обучить» наши системы управления на базе ИИ работать правильно.

Станет ли ИИ отличительной особенностью кадровых решений?

В настоящее время ажиотаж вокруг ИИ очень высок. Каждый поставщик ПО в области управления кадрами хочет заставить вас поверить в то, что его команда по машинному обучению предлагает лучшее в своем роде решение на базе ИИ. Безусловно, возможности в данной области имеют большое значение, но не поддавайтесь влиянию.  

Успех кадрового инструмента зависит от многого: точности и полноты алгоритмов, простоты использования систем, но, что более важно, способности обеспечения принципов так называемого «узкого ИИ» (или специализированных решений, способных решить именно ваши задачи). Этого можно достичь только если поставщик обладает большим объемом данных (для обучения системы) и получает большое количество отзывов на результаты работы системы. Следовательно, основная сложность, по моему мнению, заключается в определении направлений, разработке бизнес-стратегии и установлении доверительных отношений с клиентом, а не просто в наличии профессиональных инженеров.  

И не приобретайте систему, которая представляет собой «черный ящик», если только вам не удастся предварительно протестировать ее в вашей компании. Все решения, принимаемые на уровне руководства или сотрудников компании, часто основаны на принципах культуры, поэтому для использования систем в реальной жизни и настройки их с учетом наших потребностей потребуется время. К примеру, IBM потратила годы на оптимизацию решений для вознаграждения и управления кадрами для своей компании с учетом особенностей ее культуры и бизнес-модели. Сейчас они предлагают корпоративным клиентам свои инструменты, и каждое внедрение открывает для них что-то новое об алгоритмах, способствуя их оптимизации с учетом отраслевых особенностей, культуры или организационных потребностей.

Несмотря на все трудности, потенциал огромен

Несмотря на все эти сложности и риски, потенциал просто невероятный. Компании тратят 40‒60% своей выручки на выплату заработной платы, и большая часть этой огромной суммы — результат управленческих решений, которые принимаются только на основе интуиции. Я уверен, что благодаря развитию, повышению надежности и большей ориентированности кадровых систем ИИ на решение конкретных проблем мы увидим серьезные улучшения в части производительности, эффективности и благополучия работников. Нам стоит лишь проявить терпение, бдительность и быть готовыми инвестировать в будущее.

Автор: ДЖОШ БЕРСИН

Источник: https://joshbersin.com/2018/06/ai-in-hr-a-real-killer-app/