En AI-forstærket verden kræver mere avanceret talentvurdering

Diagrammet nedenfor opsummerer en rapport fra IMF og viser, hvordan AI i stigende grad erstatter enklere opgaver og udvider eller supplerer menneskers evner i forbindelse med mere komplekse og nuancerede vurderinger.

Denne udvikling giver mening i betragtning af, hvordan AI behandler information. Signaler bevæger sig gennem digitale systemer med næsten lysets hastighed. AI er også organiseret i komponenter kaldet vektorembeddings, som oversætter komplekse, ustrukturerede data til kompakte talarrayer, der kan behandles matematisk, hvilket omgår behovet for at kæmpe med subtile semantiske betydninger.

Menneskets neurale arkitektur fungerer anderledes. Information bevæger sig gennem hjernens synapser med højst 120 m/s, og mængden af kognitiv information, mennesker kan behandle, er begrænset — selv en almindelig videnskabelig lommeregner kan udføre langt mere komplekse beregninger end selv det mest intelligente menneske.

Men AI overgår ikke mennesker på alle områder. På trods af hurtige fremskridt inden for behandlingskapacitet klarer mennesker sig stadig bedre end AI under forhold præget af usikkerhed og kompleksitet, især når det gælder sociale dynamikker eller etisk dømmekraft. 

Den smidige og tilpasningsdygtige menneskelige beslutningstagning gør mennesker bedre rustet til situationer, der kræver et samlet og nuanceret perspektiv, især under dynamiske og usikre forhold.

Illustrationerne i figur 2 indfanger disse forskelle. AI's strukturerede segmenteringer ses på det første billede, mens den menneskelige hjernes funktioner afsløres af konnektomet, et kort over de underliggende neurale forbindelser. 

Den menneskelige hjerne er langt fra et organiseret netværk af specialiserede områder. Den rummer et væld af indbyrdes forbundne signaler af forskellige typer, som interagerer for at skabe mening. Selv graden af forbindelser mellem områderne svinger som reaktion på forskellige og dynamiske situationer.

Forståelsen af hjernens kompleksitet og indbyrdes forbundethed er relativt ny. Personer, der studerede psykologi før år 2000, kan sagtens være stødt på en segmenteret model, hvor forskellige specialiserede funktioner fungerede relativt uafhængigt — en model, der minder om AI-modellen i figur 2. 

Ligheden er ikke tilfældig. AI-modeller udsprang af det tidlige arbejde med ekspertbaseret informationsbehandling udført af kognitionspsykologerne Herbert A. Simon og Allen Newell.

Fremskridt inden for MRI-teknologi har siden afsløret et mere dybtgående billede af, hvordan den menneskelige hjerne faktisk fungerer. Styrken ved menneskelig dømmekraft og tilpasningsevne ligger i vores neurale netværks høje grad af indbyrdes forbundethed, hvilket gør det muligt for mennesker at se problemstillinger fra forskellige perspektiver, opdage underliggende forbindelser og tilpasse deres reaktioner til mennesker og situationer i forandring.

Disse evner — som bliver et stadig vigtigere element i den måde, mennesker skaber værdi på en AI-forstærket arbejdsplads — er blevet indfanget i EPOCH-rammen.

EPOCH-færdighederne

• Empati og følelsesmæssig intelligens
• Tilstedeværelse, netværk og samhørighed
• Holdning, dømmekraft og etik
• Kreativitet og fantasi
• Håb, vision og lederskab

Arbejdsmarkedet viser allerede ændringer, der afspejler denne omlægning. Siden 2022 har der været et fald på 13 % i roller domineret af gentagende og struktureret analyse, samtidig med at efterspørgslen efter arbejde, der kræver teknisk ekspertise eller kreativ tænkning, er steget med omkring 20 %.

Ifølge professor Suraj Srinivasan fra handelshøjskolen afspejler denne ændring effekten af AI-forstærkning. For arbejdsprocesser, der er integrerede og mangesidede og kræver kreativitet og analytisk tænkning, teknisk mestring og nuanceret dømmekraft, efterlevelse og diskretion, øger implementering af AI i processen den økonomiske værdi af de menneskelige komponenter. Når AI bruges som et supplerende værktøj, kan det øge – ikke mindske – værdien af det menneskelige bidrag.

Mennesker kan være ved at afgive terræn til AI inden for arbejde, der kræver højhastighedsbehandling og rutinemæssig dømmekraft, men deres muligheder for at udnytte AI og skabe værdi gennem særligt menneskelige styrker vil sandsynligvis vokse. 

Selvom de kortsigtede realiteter ved denne transformation, herunder tab af arbejdspladser i stor skala, giver anledning til berettiget bekymring, forudser IMF-rapporten på længere sigt et perspektiv med mere berigende og komplekse roller, der skaber større værdi. 

Nogle forfattere, herunder Andrew Lopianowski og Mike Pino i deres kommende bog HumanCorps, beskriver denne fremvoksende periode som Visdommens tidsalder, en vision baseret på, at mennesker og AI fungerer gennem et symbiotisk forhold, der udnytter begges styrker.

Konsekvenserne for talentvurdering

Med disse ændringer in mente, hvordan vurderer vi evnen til visdom og EPOCH-færdighederne, så de kan understøtte effektiv rekruttering og udvikling af talenter? Svaret kommer sandsynligvis ikke fra de værktøjer, HR har baseret sig på gennem de seneste 50 år. 

Efterhånden som de evner, der kræves for at skabe værdi, bliver mere komplekse og integrerede, falder anvendeligheden af værktøjer, der opdeler mennesker i enkeltdele, hurtigt. Alligevel er dette fortsat den dominerende tilgang blandt de fleste værktøjer til talentvurdering i dag, som forsøger at reducere det komplekse menneske til forenklede kvantitative komponenter, der kan udtrykkes som matematiske data.

Der er flere grunde til, at disse værktøjer er mindre nyttige til identifikation af talenter i en AI-beriget verden.

1. Begrænset prædiktiv validitet. På trods af deres udbredte anvendelse forudsiger de fleste af disse værktøjer ikke fremtidig arbejdsindsats særlig godt. En nyere metaanalyse antyder, at personlighed forudsiger mindre end 6 % af variationen i arbejdsindsats, mens kognitive tests klarer sig en smule bedre med omkring 10 %.
2. En fejlagtig antagelse om stabilitet. De fleste aktuelle værktøjer tager et øjebliksbillede af en person og behandler det som et fast udgangspunkt. Antagelsen om, at personlighed er konstant over tid, er indlejret i selve definitionen – "stabile, målbare mønstre af tanker, følelser og adfærd" – men der findes nu omfattende metaanalytiske beviser for, at personlighed ændrer sig og udvikler sig over tid som reaktion på miljømæssige stimuli og løbende personlig udvikling.
3. En fejlagtig antagelse om uafhængighed. Personlighed og kognitive evner er traditionelt blevet betragtet som indbyrdes uafhængige forudsigere af adfærd og resultater, men der er stigende evidens for, at der findes stærke forbindelser mellem den måde, mennesker beskriver deres adfærd på, og de kognitive evner, de demonstrerer. Det giver mening i betragtning af hjernens forbindelsers stærkt sammenkoblede natur og det veletablerede princip om, at neuroner, der aktiveres sammen, forbindes med hinanden.
4. Manglende evne til at indfange dynamik. De fleste værktøjer anvender en model baseret på et bestemt tidspunkt, som ikke kan indfange, hvordan mennesker reagerer på dynamiske situationer. Som Ric Roi og jeg fremhæver i Fremtidens talent, kan evnen til at lære og tilpasse sig skiftende forhold være det vigtigste kendetegn ved talent, der skaber værdi – og den er kernen i EPOCH-færdighederne.
5. Manglende hensyntagen til valg. De langvarige Dunedin-undersøgelser, som har undersøgt forudsigere for succes i livet inden for sundhed, karriere, økonomisk trivsel og kriminalitet, identificerede selvkontrol som den enkeltstående største forudsigende faktor på tværs af alle resultater – eller med andre ord individets evne til at vælge adfærd ud fra, hvad en situation kræver, snarere end personlige præferencer. Ved at tillægge individuelle konstrukter for stor betydning undervurderer vi adfærd som et produkt af samspillet mellem person og situation, både kognitivt og adfærdsmæssigt.

Ironisk nok ville de fleste psykometriske værktøjer, der anvendes i dag, være velegnede til vurdering af AI. De strukturerede, segmenterede og matematiske modeller, der ligger til grund for AI, stemmer tæt overens med de strukturerede, segmenterede og matematiske modeller, der definerer traditionel talentvurdering. 

Disse værktøjer kan have været tilstrækkelige, da arbejdet var relativt stabilt og opdelt. På en AI-forstærket arbejdsplads, der er kendetegnet ved dynamik, integration og kompleks dømmekraft, kommer de til kort.

Udviklingen inden for talentvurdering

En del af ønsket om at videreudvikle traditionelle vurderingsværktøjer har været filosofisk, men teknologiske begrænsninger har været en lige så betydelig faktor. Selvtestningens dominans, den udbredte brug af spørgeskemaer og det begrænsede antal elementer var alle formet af en æra med papir-og-blyant-test.

Efterhånden som teknologien er blevet mere avanceret, er mange af disse værktøjer blevet digitaliseret og nogle gange gamificeret, hvilket har gjort administration, pointgivning og fortolkning mere effektiv, samtidig med at kandidaternes engagement er blevet forbedret. De underliggende strukturer er dog i vid udstrækning forblevet de samme. 

Den prædiktive validitet har kun oplevet begrænsede forbedringer, selv når maskinlæring bruges til at kombinere indsigter fra flere værktøjer.

De mere betydningsfulde fremskridt inden for talentvurdering kommer fra multimediebaserede, fordybende og interaktive værktøjer, spilbaserede vurderinger og virksomhedssimuleringer, der bruger strukturerede fiktive scenarier til at generere data om underliggende psykologiske konstrukter. 

Disse værktøjer har flere klare fordele:

• De kan placeres i relevante forretningsmiljøer, hvilket forbedrer datakvaliteten og reducerer den målingsstøj, der opstår, når kandidater gennemfører test, som kun har ringe forbindelse til deres faktiske arbejde. De er heller ikke nødvendigvis dyre. Brugen af værktøjer til hurtig udvikling har gjort det muligt at skabe skræddersyede vurderinger til en langt lavere pris, end det historisk set har været muligt, og de kan samtidig fungere som realistiske jobforhåndsvisninger i forbindelse med rekruttering.
• De bruger multimedier, hvilket øger engagementet og forenkler dataregistreringen. Kandidaterne kan tale deres svar ind i stedet for at skrive dem og kan gøre det på deres foretrukne sprog, hvilket yderligere forbedrer datakvaliteten.
• De giver mulighed for flere åbne spørgsmål. Ph.d.-forskning i spilbaserede vurderinger har vist, at mere åbne spørgsmål giver større dybde og højere kvalitet i indsigterne.
• De kan designes med henblik på maksimal prædiktiv validitet gennem processer som evidenscentreret design, der fokuserer på de specifikke faktorer, som er vigtigst for succes, og sikrer en stringent pointgivning.
• De giver mulighed for at observere deltagernes svar på tværs af forskellige og dynamiske miljøer, hvilket giver et mere systemisk billede af individets evner som reaktion på skiftende stimuli.

Intet af dette er muligt uden AI, som understøtter disse værktøjer gennem hele forløbet — fra at levendegøre komplekse forretningsscenarier med interaktivt spilforløb til at indsamle og analysere data samt gennemføre komplekse analyser af dynamiske interaktioner mellem målte variabler. 

AI's evne til at behandle store datamængder er grundlæggende for disse fremskridt.

Værktøjerne er dog kun så valide som deres design. Den kreative og narrative komponent er afgørende for at skabe et miljø, der føles relevant og fordybende, især når værktøjerne skal frembringe data om de følelsesmæssige og sociale dynamikker, der er centrale for EPOCH-kompetencerne. 

Et solidt psykometrisk design, der er forankret i psykologisk forskning og en nuanceret forståelse af mennesker, er det, der gør de producerede data meningsfulde, nyttige og fortolkelige.

Disse fremskridt repræsenterer en nødvendig udvikling. Uden dem vil vores evne til at identificere og udvikle de kapaciteter, der skaber værdi, fortsat blive svækket. Den samme dynamik, der omformer arbejdspladsen, omformer også de værktøjer, vi bruger til at forstå den. AI er mest effektiv her, ikke som en erstatning for menneskelig dømmekraft, men som den infrastruktur, der gør dybere menneskelig dømmekraft mulig.