En AI-förstärkt värld kräver mer avancerad talangbedömning

Diagrammet nedan sammanfattar en rapport från IMF och visar hur AI i allt högre grad ersätter enklare uppgifter och förstärker eller kompletterar människor i mer komplexa och nyanserade bedömningar.

Denna utveckling är logisk med tanke på hur AI bearbetar information. Signaler rör sig genom digitala system nästan med ljusets hastighet. AI är också organiserad i komponenter som kallas vektorinbäddningar, vilka översätter komplexa, ostrukturerade data till kompakta matriser av tal som kan bearbetas matematiskt, vilket gör att behovet av att brottas med subtil semantisk innebörd försvinner.

Människans neurala arkitektur fungerar annorlunda. Information rör sig över hjärnans synapser med en maximal hastighet på 120 m/s, och mängden kognitiv information som människor kan bearbeta är begränsad — till och med en vanlig vetenskaplig miniräknare kan utföra betydligt mer komplexa beräkningar än den mest intelligenta människan.

Men AI överträffar inte människor inom alla områden. Trots snabba framsteg inom bearbetningsförmåga presterar människor fortfarande bättre än AI under osäkra och komplexa förhållanden, särskilt sådana som involverar social dynamik eller etiska bedömningar. 

Den formbara och anpassningsbara karaktären hos mänskligt beslutsfattande gör människor bättre rustade för situationer som kräver en integrerad och nyanserad syn, särskilt under dynamiska och osäkra förhållanden.

Illustrationerna i figur 2 fångar dessa skillnader. AI:s strukturerade segmenteringar visas i den första bilden, medan den mänskliga hjärnans funktioner synliggörs genom konnektomet, en karta över de underliggande neurala kopplingarna. 

Den mänskliga hjärnan är långt ifrån en organiserad samling specialiserade områden; den består av en mängd sammanflätade signaler av olika typer som samverkar för att skapa mening. Även graden av sammankoppling varierar som svar på olika och dynamiska situationer.

Denna förståelse av hjärnans komplexitet och sammankoppling är relativt ny. De som studerade psykologi före år 2000 kan mycket väl ha mött en segmenterad modell där olika specialiserade funktioner fungerade relativt självständigt — en modell som liknar AI-modellen i figur 2. 

Likheten är ingen tillfällighet. AI-modeller växte fram ur det tidiga arbetet med expertinformationsbearbetning av kognitionspsykologerna Herbert A. Simon och Allen Newell.

Framsteg inom MR-tekniken har sedan dess avslöjat en djupare bild av hur den mänskliga hjärnan faktiskt fungerar. Styrkan i mänskligt omdöme och mänsklig anpassningsförmåga ligger i våra neurala nätverks starkt sammankopplade natur, vilket gör det möjligt för människor att se frågor ur olika perspektiv, upptäcka underliggande samband och anpassa sina reaktioner till föränderliga människor och situationer.

Dessa förmågor — de som blir ett allt viktigare inslag i hur människor skapar värde på en AI-förstärkt arbetsplats — har fångats i EPOCH-ramverket.

EPOCH-färdigheterna

• Empati och emotionell intelligens
• Närvaro, nätverkande och samhörighet
• Åsikt, omdöme och etik
• Kreativitet och fantasi
• Hopp, vision och ledarskap

Arbetsmarknaden visar redan förändringar som återspeglar denna omställning. Sedan 2022 har det skett en minskning på 13 % av roller som domineras av repetitiv och strukturerad analys, samtidigt som efterfrågan på arbete som kräver teknisk expertis eller kreativt tänkande har ökat med omkring 20 %.

Enligt professorn vid handelshögskolan Suraj Srinivasan återspeglar denna förändring effekten av AI-förstärkning. För arbetsprocesser som är integrerade och mångfacetterade, som kräver kreativitet och analytiskt tänkande, teknisk expertis och nyanserat omdöme samt efterlevnad och diskretion, ökar användningen av AI i processen det ekonomiska värdet av de mänskliga komponenterna. När AI används som ett kompletterande verktyg kan den öka, inte minska, värdet av människans bidrag.

Människor kan komma att lämna över mark till AI när det gäller arbete som kräver höghastighetsbearbetning och rutinmässiga bedömningar, men deras möjligheter att utnyttja AI och skapa värde genom utpräglat mänskliga styrkor kommer sannolikt att öka. 

Även om de kortsiktiga realiteterna i denna omvandling, däribland omfattande jobbförluster, med rätta väcker oro, förutspår IMF-rapporten ett långsiktigt perspektiv med mer berikande och komplexa roller som skapar högre värde. 

Vissa skribenter, däribland Andrew Lopianowski och Mike Pino i deras kommande bok HumanCorps, beskriver denna framväxande period som visdomsåldern, en vision som bygger på att människor och AI verkar genom en symbiotisk relation som tar tillvara bådas styrkor.

Konsekvenserna för talangbedömning

Med tanke på dessa förändringar, hur bedömer vi förmågan till visdom och EPOCH-färdigheterna för att stödja effektiv talanganskaffning och talangutveckling? Svaret kommer sannolikt inte att finnas i de verktyg som HR har förlitat sig på under de senaste 50 åren. 

I takt med att de förmågor som krävs för att skapa värde blir mer komplexa och integrerade minskar snabbt användbarheten hos verktyg som bryter ner människor i beståndsdelar. Ändå är detta fortfarande det dominerande angreppssättet hos de flesta verktyg för talangbedömning i dag, som försöker reducera den komplexa människan till förenklade kvantitativa komponenter uttryckta som matematiska data.

Det finns flera skäl till att dessa verktyg är mindre användbara för att identifiera talanger i en AI-berikad värld.

1. Begränsad prediktiv validitet. Trots att de används brett förutsäger de flesta av dessa verktyg inte framtida arbetsprestationer särskilt väl. En aktuell metaanalys visar att personlighet förklarar mindre än 6 % av variationen i arbetsprestationer, medan kognitiva tester presterar något bättre, på omkring 10 %.
2. Ett felaktigt antagande om stabilitet. De flesta nuvarande verktyg tar en ögonblicksbild av en individ och behandlar den som ett fast utgångsläge. Antagandet att personligheten är konstant över tid är inbyggt i själva definitionen – ”stabila, mätbara mönster av tankar, känslor och beteenden” – men det finns nu omfattande metaanalytiska belägg för att personligheten förändras och utvecklas över tid som svar på miljömässiga stimuli och fortlöpande personlig utveckling.
3. Ett felaktigt antagande om oberoende. Personlighet och kognitiv förmåga har traditionellt betraktats som orelaterade prediktorer för beteende och resultat, men allt fler belägg visar att det finns starka samband mellan hur människor beskriver sitt beteende och de kognitiva förmågor de uppvisar. Detta är rimligt med tanke på hjärnans nervkopplingars starkt sammankopplade natur och den väletablerade principen att nervceller som aktiveras tillsammans kopplas samman.
4. Oförmåga att fånga dynamik. De flesta verktyg använder en modell för en viss tidpunkt som inte kan fånga hur individer reagerar på dynamiska situationer. Som Ric Roi och jag framhåller i Framtidsredo talang kan förmågan att lära sig och anpassa sig till föränderliga förhållanden vara det viktigaste kännetecknet hos talanger som driver värdeskapande – och den står i centrum för EPOCH-färdigheterna.
5. Bristande hänsyn till val. De långvariga Dunedin-studierna, som har undersökt faktorer som förutsäger framgång i livet inom hälsa, karriär, ekonomiskt välbefinnande och kriminalitet, identifierade självkontroll som den enskilt viktigaste prediktiva faktorn för alla utfall, eller med andra ord individens förmåga att välja beteende utifrån vad en situation kräver snarare än personlig preferens. Genom att överbetona individuella konstruktioner undervärderar vi beteende som en produkt av samspelet mellan person och situation, både kognitivt och beteendemässigt.

Ironiskt nog skulle de flesta psykometriska verktyg som används i dag lämpa sig väl för att bedöma AI. De strukturerade, segmenterade och matematiska modeller som ligger till grund för AI stämmer nära överens med de strukturerade, segmenterade och matematiska modeller som definierar traditionell talangbedömning. 

Dessa verktyg kan ha varit tillräckliga när arbetet var relativt stabilt och uppdelat. På en AI-förstärkt arbetsplats som präglas av dynamik, integration och komplexa bedömningar räcker de inte till.

Utvecklingen av talangbedömning

En del av drivkraften bakom utvecklingen av traditionella bedömningsverktyg har varit filosofisk, men tekniska begränsningar har varit en lika betydelsefull faktor. Självbedömningens dominans, frågeformulärens utbredning och det begränsade antalet frågor formades alla av en era av testning med papper och penna.

I takt med att tekniken har utvecklats har många av dessa verktyg digitaliserats och ibland även spelifierats, vilket har gjort administration, poängsättning och tolkning effektivare samtidigt som kandidaternas engagemang har förbättrats. De underliggande strukturerna har dock i stort sett förblivit desamma. 

Den prediktiva validiteten har förbättrats endast marginellt, även när maskininlärning används för att kombinera insikter från flera verktyg.

De mer betydelsefulla framstegen inom talangbedömning kommer från multimediabaserade, uppslukande och interaktiva verktyg, spelbaserade bedömningar och företagssimuleringar som använder strukturerade fiktiva scenarier för att generera data om underliggande psykologiska konstruktioner. 

Dessa verktyg har flera tydliga fördelar:

• De kan placeras i relevanta affärsmiljöer, vilket förbättrar datakvaliteten och minskar mätbrus som uppstår när kandidater genomför tester med liten koppling till sitt faktiska arbete. De behöver inte heller vara dyra. Användningen av verktyg för snabb utveckling har gjort det möjligt att skapa skräddarsydda bedömningar till betydligt lägre kostnad än vad som historiskt varit möjligt, och de kan även fungera som realistiska förhandsvisningar av arbetet inom talanganskaffning.
• De använder multimedia, vilket ökar engagemanget och förenklar datainmatningen. Kandidater kan tala in sina svar i stället för att skriva dem och göra det på sitt föredragna språk, vilket ytterligare förbättrar datakvaliteten.
• De möjliggör fler öppna frågor. Doktorsforskning om spelbaserade bedömningar har visat att öppnare frågor ger större djup och högre kvalitet i insikterna.
• De kan utformas för maximal prediktiv validitet genom processer som evidenscentrerad design, som fokuserar på de specifika faktorer som är viktigast för framgång och säkerställer en rigorös poängsättning.
• De ger möjlighet att observera deltagarnas reaktioner i olika och dynamiska miljöer, vilket ger en mer systemisk bild av individens förmågor som svar på föränderliga stimuli.

Inget av detta är möjligt utan AI, som stöder dessa verktyg genom hela processen — från att ge komplexa affärsscenarier liv genom interaktivt spelande till att samla in och analysera data samt genomföra komplexa analyser av dynamiska interaktioner mellan uppmätta variabler. 

AI:s kapacitet att bearbeta stora datamängder är grundläggande för dessa framsteg.

Verktygen är dock bara så valida som deras utformning. Den kreativa och narrativa komponenten är avgörande för att skapa en miljö som känns relevant och uppslukande, särskilt när verktygen behöver få fram data om emotionell och social dynamik som är central för EPOCH-färdigheterna. 

En välgrundad psykometrisk utformning, baserad på psykologisk forskning och en nyanserad förståelse av människor, är det som gör den producerade datan meningsfull, användbar och tolkningsbar.

Dessa framsteg representerar en nödvändig utveckling. Utan dem kommer vår förmåga att identifiera och utveckla de kapaciteter som driver värdeskapande att fortsätta urholkas. Samma dynamik som omformar arbetsplatsen omformar också de verktyg vi använder för att förstå den. AI är här som mest kraftfullt, inte som en ersättning för mänskligt omdöme, utan som den infrastruktur som gör djupare mänskligt omdöme möjligt.