A toborzásban használt mesterséges intelligencia sokszor úgy jelenik meg, mint egy fáradhatatlan segítő, amely képes végignézni több száz önéletrajzot, értékelni a pályázókat, és gyorsan előállni a legjobb jelöltekkel.

A valóság azonban sokkal árnyaltabb.

Bár az AI hatalmas segítség lehet, vannak olyan visszatérő helyzetek, amelyeknél gyakorlatilag borítékolható, hogy rossz döntést hoz – nem azért, mert „rosszindulatú”, hanem mert a működéséből fakadóan bizonyos jelenségeket nem lát át.  

Mi a leggyakoribb 5 helyzet, amikor félrevihet az AI?

Kulcsszavak a szakértelem helyett

Az egyik leggyakoribb ilyen helyzet, amikor a rendszer túlzottan ragaszkodik a kulcsszavakhoz. Egy AI számára az önéletrajz sokszor nem más, mint egy szöveges dokumentum előforduló kifejezésekkel. Ha a jelölt tökéletesen alkalmas lenne, de más szakmai szinonimát használ, vagy egyszerűen nem ugyanazt a kulcsszót írja be, mint amit az algoritmus keres, könnyen kiesik.

Az ember gyorsan észreveszi a mögöttes tartalmat, az AI viszont nem feltétlenül lát túl a betűkön.  

Amikor az algoritmus a régi minták szerint keres

Hasonló probléma, amikor a jelölt profilja nem illik bele abba a mintába, amelyen az algoritmust eredetileg betanították.

Ha például egy vállalat korábban döntően junior munkatársakat vett fel egy adott pozícióba, az AI könnyen arra a következtetésre juthat, hogy minden más jelölt „szokatlan”, és ezért nem megfelelő. A szakmai karrierváltók, az iparágon kívülről érkezők, vagy a hosszabb szakmai múltú pályázók ilyenkor gyakran hátrányba kerülnek.  

Nem a megfelelő szempontok alapján rangsorol

Megkülönböztetett figyelmet érdemel az is, amikor a rendszer a nem releváns információk alapján rangsorol. A mesterséges intelligencia képes összefüggéseket találni ott is, ahol valójában nincs kapcsolat.

Előfordult már, hogy egy algoritmus a jelölt munkahelyének földrajzi távolsága vagy akár az önéletrajz formázása alapján hozott preferenciákat anélkül, hogy ennek bármilyen szakmai jelentősége lett volna.

Az adatok vakfoltjai: amikor a rendszer nem talál mintát

A negyedik gyakori buktató a hiányos vagy torz adatkészlet.

Ha a rendszer nem talál elég példát egy bizonyos háttérrel rendelkező jelöltre, egyszerűen túl óvatos lesz, és inkább nem ajánlja fel őt. A tehetséges pályakezdők, a kisebb településeken élők vagy a nem sztenderd karrierutat bejárók emiatt gyakran már az első körig sem jutnak el.  

Nem olvas a sorok között

Végül pedig ott van az a helyzet, amikor az AI nem jól értelmezi a soft skilleket. Ezek a kompetenciák gyakran rejtve vannak a sorok között, vagy a jelölt nem konkrétan nevezi meg őket.

Egy jó HRes ezeket kiszúrja a történetekből, a példákból, a megfogalmazásokból. Egy AI viszont csak azt látja, ami explicit módon le van írva. Így fordulhat elő, hogy valaki, aki kiválóan passzolna a csapatba, egyszerűen elveszik a többi jelölt között.  

Képzésajánló:

Szeretné kikerülni ezeket a hibákat és hatékonyan használni az AI-t a toborzásban?

Az AI a toborzásban képzés megmutatja, hogyan működnek az AI-alapú HR-eszközök, milyen torzítások jelenhetnek meg a kiválasztásban, és hogyan lehet ezeket tudatosan kezelni. Gyakorlati példákon keresztül tanulhatja meg, hogyan támogathatja az AI a kiválasztást anélkül, hogy a szakmai döntést kivenné a HR kezéből.