Sådan ændrer AI den tidlige kandidattragt (og hvad det ikke kan)
Effektivitetsgevinster: AI forbedrer effektiviteten ved at automatisere rekrutteringsopgaver i de tidlige faser, såsom kandidatsøgning og planlægning af ansøgningsforløb.
Bevidsthed om bias: Brug af AI kan forstærke eksisterende skævheder i ansættelser, hvis historiske data ikke valideres grundigt.
Den menneskelige rolle: Selv om AI er involveret, er menneskelig gennemgang fortsat afgørende ved hvert beslutningspunkt i ansættelsesprocessen.
Gennemsigtighed for kandidater: Tydelig kommunikation om AI's rolle i udvælgelsen hjælper med at mindske kandidaternes bekymringer om processen.
Definerede kriterier: Det er afgørende at fastlægge tydelige ansættelseskriterier; AI-værktøjer afhænger af præcise definitioner for at være effektive.
For nogle år siden brugte vores rekrutteringsteam det meste af deres tid på arbejde, der ikke krævede deres dømmekraft. Planlægning, håndtering af indbakken og gennemgang af ansøgninger, hvor de grundlæggende kvalifikationer ikke var til stede. Teamet var dygtigt til det, men det trak dem væk fra de samtaler, der betød mere.
Vi begyndte at bruge AI i de tidlige faser af kandidattragten til kandidatsøgning, udvælgelse, planlægning og den første vurdering. Ikke fordi det var nyt, men fordi det var den rigtige anvendelse af teknologien. Håndtering af store mængder gentagelige og tidskrævende opgaver var præcis de betingelser, hvor AI gør sig fortjent til sin plads.
Da AI blev en del af processen, blev det tydeligt, at det ikke kun var effektiviteten, der ændrede sig. Det var også, hvad vores rekrutteringsmedarbejdere kunne bruge den tid til, som de fik tilbage.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Det, AI er god til
Det er for det meste ikke en proces, der kræver megen dømmekraft. Det handler om sortering, filtrering og logistik.
Før der anvendes nogen egentlig dømmekraft, skal nogen udføre en masse manuelt arbejde. Afhængigt af stillingen kan du være nødt til at gennemgå hundredvis af ansøgninger for at nå frem til en håndfuld samtaler.
AI håndterer kandidatsøgningen ved at finde kandidater, der matcher stillingens kriterier på tværs af flere kanaler, uden at en rekrutteringsmedarbejder skal bruge timevis på manuelle søgninger. Den kan udføre den indledende udvælgelse for at markere ansøgere, der opfylder de grundlæggende krav, og dermed spare timer, før nogen læser en ansøgningstekst.
Derefter kan planlægningen næsten fuldstændigt automatiseres. Selvom det måske lyder trivielt, skaber planlægning rutinemæssigt flere dage med frem og tilbage-kommunikation, og derfor er effekten her betydelig.
Til den indledende vurdering kan AI-baseret rekrutteringssoftware analysere svar på strukturerede spørgsmål til den indledende udvælgelse og bedømme dem ud fra fastlagte kriterier. Når specifikke kriterier anvendes konsekvent i stedet for en helhedsbaseret vurdering, skabes de bedste forudsætninger for alt det, der følger efter.
Denne konsekvens er et af de stærkeste argumenter for at bruge AI her. Menneskelige udvælgere afviger. De påvirkes af tidspunktet på dagen, hvor mange ansøgninger de allerede har læst, og om den seneste kandidat mindede dem om nogen.
Med AI anvendes den samme vurderingsramme på den hundrede ansøgning som på den første. Det betyder mere, end de fleste anerkender.
Det, vi lærte om, hvor det går galt
AI i den tidlige del af kandidattragten skaber en filtreringseffekt, og det, den fjerner fra din kandidatpulje, er ikke tilfældigt. Hvis dine kriterier er snævre, eller hvis dine historiske data afspejler ansættelsesmønstre, der ikke var fuldt repræsentative, genskaber AI disse mønstre.
Det er ikke teoretisk. Der findes en dokumenteret historik med rekrutteringsværktøjer, der er trænet på historiske data, og som endte med at stille visse grupper dårligere, fordi træningsdataene indeholdt skævheder fra dem, der tidligere stod for ansættelserne. Vi blev opmærksomme på dette og tog det alvorligt.
Vores tilgang var at definere kriterierne eksplicit, før vi opsatte nogen automatiseret udvælgelse. Hvad betyder "kvalificeret" egentlig for denne rolle? Hvilke signaler forudsiger resultater, og hvilke er blot stedfortrædere for genkendelighed? Når du er nødt til at skrive det ned, opdager du ting, som du ellers ikke ville have lagt mærke til.
Vi beholdt også menneskelig gennemgang i processen ved hvert beslutningspunkt, selv når AI allerede havde fremsat en anbefaling. Ingen går videre, uden at en person har set på deres ansøgning. AI kan indsnævre feltet, men det er altid mennesker, der træffer beslutningen.
Hvad det frigjorde vores team til at gøre
Dette er den del, der får mindre opmærksomhed end historien om effektivitet, men i praksis betyder den mere.
Når dine rekrutteringsmedarbejdere ikke bruger den første halvdel af dagen på logistik og indledende filtrering, kan de bruge tiden på arbejde, der kræver reel dømmekraft, såsom kandidatoplevelsen, dybere samtaler med finalister og grundige overvejelser om ansættelser på ledelsesniveau, hvor intet AI-værktøj alligevel vil være dit primære filter.
Hos DoorLoop betragter vi roller som AI-understøttede eller menneskeejet. Inden for rekruttering befinder den tidlige del af kandidattragten sig i det AI-understøttede område: AI udfører arbejdet med store mængder, men et menneske ejer resultatet. Ansættelser i den afsluttende fase og alt, der involverer kulturelt match, er fuldt ud menneskeejede.
Den klassificering er ikke permanent. Vi revurderer den. Efterhånden som værktøjerne bliver bedre, og vi indsamler flere data om, hvilke signaler tidligt i tragten der faktisk forudsiger resultater senere i processen, kan grænsen flytte sig. Men lige nu er det her, den ligger.
More Articles
- Talentrådgiver siger, at AI fremskynder organisatorisk gæld i stedet for at løse den
- Chef for talentrekruttering hos Thoughtworks deler, hvordan rekruttering kan gøres til en datadrevet og prædiktiv proces med AI
- Vicepræsident for mennesker & organisation hos AI-unicorn siger, at HR-ledere skal blive arkitekterne bag en menneske-maskine-arbejdsstyrke
- Eksempler på AI i HR: 11 virkelige cases, hvor AI arbejder for HR-teams
- Chef for medarbejdere siger, at virksomheder ved et uheld straffer medarbejdere, der bruger AI effektivt
Spørgsmålet om kandidatoplevelsen
Der er en rimelig bekymring over, hvordan det føles at være modtager af en AI-screenet proces. Kandidater ved, at disse værktøjer findes, og nogle er skeptiske over for, om et menneske nogensinde rent faktisk vil læse deres ansøgning.
Vi imødekommer dette med transparens. Fra starten gør vi det klart, at AI bruges i den indledende screening. Vi fortæller kandidaterne, hvad vi vurderer, og at enhver ansøgning, der går videre fra første runde, bliver gennemgået af en person.
Om det er nok til helt at fjerne skepsissen, er jeg ikke sikker på. Men uklarhed tjener ingen, og vi mener, at kandidater kan håndtere et direkte svar på, hvordan processen fungerer.
Den større risiko er en proces, der føles tom til sidst. En kandidat kommer gennem tragten, og den første rigtige samtale, vedkommende har, føles, som om ingen har forberedt sig på den. AI i starten undskylder ikke en dårlig oplevelse til sidst.
Det, dette ikke løser
Hvis du bruger AI i kandidattragten for at kompensere for, at du ikke ved, hvem du faktisk leder efter, hjælper det ikke. Værktøjet er kun så godt som de kriterier, du giver det. Vage jobbeskrivelser, udefinerede krav og rollespecifikationer kopieret fra en skabelon et andet sted fra giver dig en hurtig, automatiseret proces, der producerer det forkerte resultat.
Vi brugte reelt meget tid, før vi implementerede noget værktøj, på at blive klar over, hvad vi ansatte til. Det arbejde var adskilt fra teknologien. Det havde været umagen værd at udføre uanset hvad.
AI tidligt i tragten er ikke en genvej til bedre ansættelser, men når det bruges korrekt, er det en måde at håndtere opgaver i stor skala på med mindre manuel tid og større ensartethed. Vurderingen ligger stadig hos dit team. Spørgsmålet er blot, hvor meget af deres tid der bliver brugt, før de har brug for at anvende den.
