Hvordan KI endrer den tidlige kandidatflyten (og hva den ikke kan gjøre)
Effektivitetsgevinster: KI forbedrer effektiviteten ved å automatisere rekrutteringsoppgaver i en tidlig fase, som kandidatsøk og planlegging av søknader.
Bevissthet om skjevhet: Bruk av KI kan forsterke eksisterende skjevheter i ansettelser hvis historiske data ikke valideres grundig.
Menneskets rolle: Til tross for KIs involvering er menneskelig gjennomgang fortsatt avgjørende ved hvert beslutningspunkt i ansettelsesprosessen.
Åpenhet overfor kandidater: Tydelig kommunikasjon om KIs rolle i utvelgelsen bidrar til å redusere kandidatenes bekymringer rundt prosessen.
Definerte kriterier: Det er avgjørende å etablere tydelige ansettelseskriterier; KI-verktøy er avhengige av presise definisjoner for å være effektive.
For noen år siden brukte rekrutteringsteamet vårt mesteparten av tiden sin på arbeid som ikke krevde vurderingsevne. Planlegging, håndtering av innboksen og gjennomgang av søknader der grunnleggende kvalifikasjoner manglet. Teamet var flinke til det, men det trakk dem bort fra samtalene som betydde mer.
Vi begynte å bruke AI i de tidlige stadiene av kandidatprosessen til søking, screening, planlegging og første vurdering. Ikke fordi det var nyskapende, men fordi det var riktig bruk av teknologien. Høyt volum, repeterbare og tidkrevende oppgaver var nettopp forholdene der AI fortjener sin plass.
Da AI ble en del av prosessen, ble det tydelig at det ikke bare var effektiviteten som endret seg. Det var også hva rekruttererne våre kunne gjøre med tiden de fikk tilbake.
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 på
Det er stort sett ikke en prosess som krever mye vurderingsevne. Det handler om sortering, filtrering og logistikk.
Før noen faktisk vurdering kan gjøres, må noen utføre mye manuelt arbeid. Avhengig av rollen kan det hende du må gå gjennom hundrevis av søknader for å komme frem til en håndfull samtaler.
AI håndterer søkingen ved å finne kandidater som samsvarer med rollekriteriene på tvers av flere kanaler, uten at en rekrutterer må bruke timevis på manuelle søk. Den kan gjennomføre en første screening for å identifisere søkere som oppfyller grunnleggende krav, og spare timer før noen leser et søknadsbrev.
Deretter kan planlegging automatiseres nesten fullstendig. Selv om dette kan høres trivielt ut, fører planlegging rutinemessig til flere dager med frem og tilbake, og derfor er effekten her betydelig.
På førstevurderingsnivå kan AI-programvare for ansettelser analysere svar på strukturerte screeningspørsmål og vurdere dem opp mot definerte kriterier. Å følge spesifikke kriterier som brukes konsekvent, i stedet for en helhetlig vurdering, legger grunnlaget for at alt som følger skal lykkes.
Denne konsekvente tilnærmingen er et av de sterkeste argumentene for å bruke AI her. Menneskelige screenere varierer. De påvirkes av tidspunktet på dagen, hvor mange søknader de allerede har lest, og om den forrige kandidaten minnet dem om noen.
Med AI brukes den samme vurderingsmatrisen på søknad nummer hundre som på den første. Det betyr mer enn de fleste erkjenner.
Det vi lærte om hvor det svikter
AI tidlig i kandidatprosessen skaper en filtreringseffekt, og det som fjernes fra kandidatbasen, er ikke tilfeldig. Hvis kriteriene dine er snevre, eller historiske data gjenspeiler ansettelsesmønstre som ikke var fullt ut representative, gjenskaper AI disse mønstrene.
Dette er ikke teoretisk. Det finnes en dokumentert historikk med ansettelsesverktøy som er trent på historiske data, og som endte opp med å stille visse grupper dårligere fordi treningsdataene inneholdt skjevhetene til dem som sto for ansettelsene tidligere. Vi erkjente dette og tok det på alvor.
Vår tilnærming var å definere kriteriene tydelig før vi satte opp noen automatisert screening. Hva betyr egentlig «kvalifisert» for denne rollen? Hvilke signaler forutsier prestasjon, og hvilke er bare stedfortredere for kjennskap? Når du må skrive det ned, oppdager du ting du ellers ikke ville ha lagt merke til.
Vi beholdt også menneskelig gjennomgang i prosessen ved hvert beslutningspunkt, selv når AI allerede hadde kommet med en anbefaling. Ingen går videre uten at en person har sett på søknaden deres. AI kan begrense kandidatfeltet, men mennesker tar alltid den endelige beslutningen.
Hva det frigjorde teamet vårt til å gjøre
Dette er delen som får mindre oppmerksomhet enn historien om effektivitet, men som betyr mer i praksis.
Når rekruttererne dine ikke bruker første halvdel av dagen på logistikk og førstegangsfiltrering, kan de bruke tiden på arbeid som faktisk krever vurderingsevne, som kandidatopplevelse, dypere samtaler med finalistene og grundige vurderinger av ansettelser på ledernivå, der ingen AI-verktøy uansett kommer til å være det primære filteret.
I DoorLoop tenker vi på roller som AI-forsterkede eller menneskeeide. I rekruttering befinner den tidlige delen av kandidatprosessen seg i det AI-forsterkede området: AI utfører arbeidet med stort volum, men en person har ansvaret for resultatet. Ansettelser i sluttfasen og alt som involverer kulturell tilpasning, er fullt og helt menneskeeid.
Den klassifiseringen er ikke permanent. Vi vurderer den på nytt. Etter hvert som verktøyene blir bedre og vi samler inn mer data om hvilke signaler tidlig i trakten som faktisk forutsier prestasjoner senere i prosessen, kan grensen endres. Men akkurat nå er det slik den ser ut.
More Articles
- Talentrådgiver sier at KI akselererer organisatorisk gjeld, ikke løser den
- Lederen for talentanskaffelse hos Thoughtworks deler hvordan man gjør rekruttering til en datadrevet og prediktiv prosess med KI
- Visepresident for mennesker og organisasjon i en AI-enhjørning sier at HR-ledere må bli arkitektene bak en menneske-maskin-arbeidsstyrke
- Eksempler på KI i HR: 11 virkelige eksempler på KI som hjelper HR-team
- Tidligere HR-leder i Faang advarer mot kunstig intelligens i rekruttering uten gode, menneskesentrerte sikkerhetsnett
Spørsmålet om kandidatopplevelsen
Det er en berettiget bekymring knyttet til hvordan det føles å være på mottakersiden av en prosess der AI brukes til første vurdering. Kandidater vet at disse verktøyene finnes, og noen er skeptiske til om et menneske faktisk noen gang vil lese søknaden deres.
Vi møter dette med åpenhet. Fra starten av gjør vi det kjent at AI brukes i den innledende vurderingen. Vi forteller kandidatene hva vi vurderer, og at hver søknad som går videre etter første runde, blir vurdert av en person.
Om det er nok til å fjerne skepsisen helt, er jeg ikke sikker på. Men uklarhet er ikke til hjelp for noen, og vi mener at kandidater kan håndtere et direkte svar på hvordan prosessen fungerer.
Den større risikoen er en prosess som føles tom på slutten. En kandidat kommer gjennom trakten, og den første virkelige samtalen de har, føles som om ingen har forberedt seg på den. AI i starten unnskylder ikke en dårlig opplevelse på slutten.
Dette løser det ikke
Hvis du bruker AI i kandidattrakten for å kompensere for at du ikke vet hvem du faktisk ser etter, vil det ikke hjelpe. Verktøyet er bare så godt som kriteriene du gir det. Vage stillingsbeskrivelser, udefinerte krav og rollebeskrivelser kopiert fra en mal et annet sted gir deg en rask, automatisert prosess som produserer feil resultat.
Vi brukte reell tid før vi tok i bruk noe verktøy, på å få klarhet i hva slags person vi skulle ansette. Dette arbeidet var atskilt fra teknologien. Det ville vært verdt å gjøre uansett.
AI tidlig i trakten er ikke en snarvei til bedre ansettelser, men når det brukes riktig, er det en måte å håndtere arbeid med stort volum på, med mindre manuell tidsbruk og større konsistens. Vurderingsevnen ligger fortsatt hos teamet ditt. Spørsmålet er bare hvor mye av tiden deres som går med før de må ta den i bruk.
