En AI-forsterket verden krever mer avansert talentvurdering

Diagrammet nedenfor oppsummerer en rapport fra IMF og viser hvordan AI i stadig større grad erstatter enklere oppgaver og styrker eller utfyller mennesker i mer komplekse og nyanserte vurderinger.

Denne utviklingen gir mening når man ser på hvordan AI behandler informasjon. Signaler beveger seg gjennom digitale systemer med nesten lysets hastighet. AI er også organisert i komponenter kalt vektorrepresentasjoner, som oversetter komplekse, ustrukturerte data til kompakte tallmatriser som kan behandles matematisk, slik at man slipper å håndtere subtile semantiske betydninger.

Menneskets nevrologiske arkitektur fungerer annerledes. Informasjon beveger seg over synapsene i hjernen med en maksimal hastighet på 120 m/s, og mengden kognitiv informasjon mennesker kan behandle, er begrenset — en gjennomsnittlig vitenskapelig kalkulator kan utføre langt mer komplekse beregninger enn selv den mest intelligente personen.

Men AI overgår ikke mennesker på alle områder. Til tross for raske fremskritt innen behandlingskapasitet presterer mennesker fortsatt bedre enn AI under forhold preget av usikkerhet og kompleksitet, særlig når det gjelder sosial dynamikk eller etiske vurderinger. 

Menneskers formbare og tilpasningsdyktige beslutningstaking gjør dem bedre rustet for situasjoner som krever et helhetlig og nyansert perspektiv, særlig under dynamiske og usikre forhold.

Illustrasjonene i figur 2 viser disse forskjellene. De strukturerte segmenteringene i AI vises i det første bildet, mens menneskehjernens virkemåte avdekkes gjennom konnektomet, et kart over de underliggende nevrale forbindelsene. 

Langt fra å være et organisert system av spesialiserte områder er menneskehjernen et vell av sammenvevde signaler av ulike typer som samhandler for å skape mening. Selv graden av sammenkobling varierer som respons på ulike og dynamiske situasjoner.

Denne forståelsen av hjernens kompleksitet og sammenkobling er relativt ny. De som studerte psykologi før år 2000, kan godt ha møtt en segmentert modell der ulike spesialiserte funksjoner opererte relativt uavhengig av hverandre — en modell som ligner på AI-modellen i figur 2. 

Likheten er ikke tilfeldig. AI-modeller vokste frem fra det tidlige arbeidet med ekspertbasert informasjonsbehandling utført av kognitivpsykologene Herbert A. Simon og Allen Newell.

Fremskritt innen MR-teknologi har siden avdekket et dypere bilde av hvordan menneskehjernen faktisk fungerer. Styrken i menneskers dømmekraft og tilpasningsevne ligger i den svært sammenkoblede naturen til de nevrale nettverkene våre. Disse gjør det mulig å se problemstillinger fra ulike perspektiver, oppdage underliggende sammenhenger og tilpasse responsen til mennesker og situasjoner i endring.

Disse egenskapene — de som blir stadig viktigere for hvordan mennesker skaper verdi på en AI-forsterket arbeidsplass — er blitt fanget opp i EPOCH-rammeverket.

EPOCH-ferdighetene

• Empati og emosjonell intelligens
• Tilstedeværelse, nettverksbygging og tilknytning
• Meninger, dømmekraft og etikk
• Kreativitet og fantasi
• Håp, visjon og lederskap

Arbeidsmarkedet viser allerede endringer som gjenspeiler denne omstillingen. Siden 2022 har det vært en nedgang på 13 % i roller som er dominert av repeterende og strukturerte analyser, samtidig som etterspørselen etter arbeid som krever teknisk ekspertise eller kreativ tenkning, har økt med rundt 20 %.

Ifølge professor ved handelshøyskolen Suraj Srinivasan gjenspeiler denne endringen effekten av AI-forsterkning. For arbeidsprosesser som er integrerte og mangefasetterte, og som krever kreativitet og analytisk tenkning, teknisk mestring og nyansert dømmekraft, etterlevelse og diskresjon, øker bruken av AI i prosessen den økonomiske verdien av de menneskelige komponentene. Når AI brukes som et komplementært verktøy, kan det øke, ikke redusere, verdien av menneskets bidrag.

Mennesker kan være i ferd med å gi fra seg terreng til AI når det gjelder arbeid som krever rask behandling og rutinemessige vurderinger, men mulighetene til å utnytte AI og skape verdi gjennom særpreget menneskelige styrker vil sannsynligvis øke. 

Selv om de kortsiktige realitetene ved denne omstillingen, inkludert omfattende tap av arbeidsplasser, med rette vekker bekymring, anslår IMF-rapporten et langsiktig perspektiv med mer berikede og komplekse roller som skaper større verdi. 

Noen forfattere, blant annet Andrew Lopianowski og Mike Pino i den kommende boken HumanCorps, beskriver denne fremvoksende perioden som visdomsalderen – en visjon basert på at mennesker og AI opererer gjennom et symbiotisk forhold som utnytter styrkene til begge.

Konsekvensene for talentvurdering

Med tanke på disse endringene, hvordan vurderer vi kapasiteten for visdom og EPOCH-ferdighetene som skal støtte effektiv rekruttering og utvikling av talenter? Svaret vil neppe komme fra verktøyene HR har lent seg på de siste 50 årene. 

Etter hvert som ferdighetene som kreves for verdiskaping, blir mer komplekse og integrerte, avtar nytten av verktøy som bryter mennesker ned i bestanddeler, raskt. Likevel er dette fortsatt den dominerende tilnærmingen i de fleste verktøy for talentvurdering i dag, som forsøker å redusere det komplekse mennesket til forenklede kvantitative komponenter som kan uttrykkes som matematiske data.

Det finnes flere grunner til at disse verktøyene er mindre nyttige for å identifisere talenter i en AI-beriket verden.

1. Begrenset prediktiv validitet. Til tross for den utbredte bruken forutsier de fleste av disse verktøyene fremtidige arbeidsprestasjoner dårlig. En nyere metaanalyse antyder at personlighet forklarer mindre enn 6 % av variasjonen i arbeidsprestasjoner, mens kognitive tester presterer litt bedre, på rundt 10 %.
2. En feilaktig antakelse om stabilitet. De fleste nåværende verktøy tar et øyeblikksbilde av en person og behandler det som et fast utgangspunkt. Antakelsen om at personlighet er konsistent over tid, er innebygd i selve definisjonen – «stabile, målbare mønstre av tanker, følelser og atferd» – men det finnes nå omfattende metaanalytiske bevis på at personlighet endrer og utvikler seg over tid som respons på miljømessige stimuli og kontinuerlig personlig utvikling.
3. En feilaktig antakelse om uavhengighet. Personlighet og kognitive evner har tradisjonelt blitt sett på som urelaterte prediktorer for atferd og resultater, men det finnes stadig mer belegg for at det er sterke forbindelser mellom hvordan mennesker beskriver atferden sin, og de kognitive evnene de viser. Dette gir mening med tanke på den svært sammenkoblede strukturen i hjernens koblinger og det veletablerte prinsippet om at nerveceller som aktiveres sammen, kobles sammen.
4. Manglende evne til å fange opp dynamikk. De fleste verktøy benytter en modell basert på ett bestemt tidspunkt, som ikke kan fange opp hvordan mennesker reagerer på dynamiske situasjoner. Som Ric Roi og jeg fremhever i Future Ready Talent, kan evnen til å lære og tilpasse seg endrede forhold være det viktigste kjennetegnet på talenter som driver verdiskaping – og den står sentralt i EPOCH-ferdighetene.
5. Manglende hensyn til valg. De langvarige Dunedin-studiene, som har undersøkt prediktorer for livsmestring innen helse, karriere, økonomisk velvære og kriminalitet, identifiserte selvkontroll som den klart viktigste prediktoren på tvers av alle utfall – med andre ord individets evne til å velge atferd basert på hva en situasjon krever, fremfor personlige preferanser. Ved å legge for stor vekt på individuelle konstruksjoner undervurderer vi atferd som et produkt av samspillet mellom person og situasjon, både kognitivt og atferdsmessig.

Ironisk nok ville de fleste psykometriske verktøyene som brukes i dag, egnet seg godt til å vurdere AI. De strukturerte, segmenterte og matematiske modellene som ligger til grunn for AI, samsvarer tett med de strukturerte, segmenterte og matematiske modellene som definerer tradisjonell talentvurdering. 

Disse verktøyene kan ha vært tilstrekkelige da arbeidet var relativt stabilt og segmentert. På en AI-forsterket arbeidsplass som er preget av dynamikk, integrasjon og kompleks dømmekraft, kommer de til kort.

Utviklingen innen talentvurdering

En del av drivkraften bak utviklingen av tradisjonelle vurderingsverktøy har vært filosofisk, men teknologiske begrensninger har vært en like betydelig faktor. Selvrapporteringens dominans, den utbredte bruken av spørreskjemaer og det begrensede antallet oppgaver var alt sammen formet av en tid med testing på papir og med blyant.

Etter hvert som teknologien har utviklet seg, har mange av disse verktøyene blitt digitalisert og noen ganger spillifisert, noe som har gjort administrasjon, skåring og tolkning mer effektivt, samtidig som kandidatengasjementet har blitt bedre. De underliggende strukturene har imidlertid i stor grad forblitt de samme. 

Den prediktive validiteten har hatt begrenset fremgang, selv når maskinlæring brukes til å kombinere innsikt fra flere verktøy.

De mer meningsfulle fremskrittene innen talentvurdering kommer fra multimediale, oppslukende og interaktive verktøy, spillbaserte vurderinger og forretningssimuleringer som bruker strukturerte fiktive scenarioer til å generere data om underliggende psykologiske konstruksjoner. 

Disse verktøyene har flere tydelige fordeler:

• De kan plasseres i relevante forretningsmiljøer, noe som forbedrer datakvaliteten og reduserer målingsstøyen som oppstår når kandidater gjennomfører tester med liten tilknytning til det faktiske arbeidet deres. De er heller ikke nødvendigvis dyre. Bruken av verktøy for rask utvikling har gjort det mulig å lage skreddersydde vurderinger til langt lavere kostnad enn det som historisk har vært mulig, og de kan også fungere som realistiske forhåndsvisninger av jobben i rekrutteringen.
• De bruker multimedia, noe som øker engasjementet og forenkler datainnsamlingen. Kandidater kan snakke inn svarene i stedet for å skrive dem, og gjøre det på språket de foretrekker, noe som ytterligere forbedrer datakvaliteten.
• De åpner for flere åpne spørsmål. Doktorgradsforskning på spillbaserte vurderinger har vist at mer åpne spørsmål gir større dybde og bedre kvalitet i innsikten.
• De kan utformes for maksimal prediktiv validitet gjennom prosesser som evidenssentrert design, som retter seg mot de spesifikke faktorene som er viktigst for å lykkes, og sikrer grundig skåring.
• De gir mulighet til å observere deltakernes responser på tvers av ulike og dynamiske miljøer, noe som gir et mer helhetlig bilde av individets kapasitet som respons på stimuli i endring.

Ingenting av dette er mulig uten AI, som støtter disse verktøyene gjennom hele prosessen – fra å levendegjøre komplekse forretningsscenarioer gjennom interaktiv spilling til å samle inn og analysere data, og til å gjennomføre komplekse analyser av dynamiske samspill mellom målte variabler. 

AIs evne til å behandle store datamengder er grunnleggende for disse fremskrittene.

Verktøyene er imidlertid bare så valide som utformingen deres. Den kreative og narrative komponenten er avgjørende for å skape et miljø som oppleves relevant og oppslukende, særlig når verktøyene må avdekke data om emosjonell og sosial dynamikk som står sentralt i EPOCH-ferdighetene. 

En solid psykometrisk utforming, forankret i psykologisk forskning og en nyansert forståelse av mennesker, er det som gjør de produserte dataene meningsfulle, nyttige og tolkbare.

Disse fremskrittene representerer en nødvendig utvikling. Uten dem vil evnen vår til å identifisere og utvikle kapasitetene som skaper verdi, fortsette å svekkes. Den samme dynamikken som omformer arbeidsplassen, omformer også verktøyene vi bruker for å forstå den. AI er sterkest her, ikke som en erstatning for menneskelig dømmekraft, men som infrastrukturen som gjør dypere menneskelig dømmekraft mulig.