Οι ομάδες προσλήψεων έχουν δίκιο να μην εμπιστεύονται μια αδιαφανή ροή αρχικής αξιολόγησης. Όμως τα πρόσφατα δεδομένα της LinkedIn δείχνουν ότι η AI μπορεί να βοηθήσει ουσιαστικά όταν χρησιμοποιείται για ταξινόμηση, ανάδειξη δεξιοτήτων και προτεραιοποίηση, όχι για τελική ετυμηγορία.
Στην πράξη, το επίπεδο αρχικής αξιολόγησης που περιγράφει η LinkedIn βασίζεται σε προσόντα που έχει ορίσει η ίδια η ομάδα: το σύστημα διαβάζει προφίλ, βιογραφικό και απαντήσεις αρχικής αξιολόγησης και τα αντιπαραβάλλει με αυτά που έχει δηλώσει η ομάδα ως σημαντικά. Αυτό είναι διαφορετικό από το να αφήνεις το μοντέλο να «μαντεύει» μόνο του ποιος είναι καλός.
Πώς στήνεται σωστά μια ροή αρχικής αξιολόγησης με AI
Η πιο ασφαλής εφαρμογή είναι να βάλεις την AI να κάνει:
- γρήγορη ανάγνωση και σύντομη σύνοψη βιογραφικών
- ανάδειξη σχετικών δεξιοτήτων ή κενών πληροφορίας
- ομαδοποίηση προφίλ σε ζώνες προτεραιότητας
- πρώτο σχέδιο ερωτήσεων για τα σημεία που λείπουν
Έτσι η ομάδα κερδίζει χρόνο χωρίς να χάνει ορατότητα.
Τα τρία όρια ασφαλείας που δεν διαπραγματεύονται
Από την έκθεση Future of Recruiting προκύπτει ότι η αγορά πηγαίνει όλο και πιο πολύ προς προσλήψεις με βάση τις δεξιότητες. Αυτό σημαίνει πως η αρχική αξιολόγηση πρέπει να είναι:
- συνδεδεμένη με σαφή κριτήρια
- εξηγήσιμη στον υπεύθυνο προσλήψεων και στον προϊστάμενο
- συμπληρωματική των ανθρώπινων συνεντεύξεων και αξιολογήσεων
Αν η AI δεν μπορεί να σου δείξει γιατί πρότεινε έναν υποψήφιο, τότε δεν πρέπει να χρησιμοποιείται ως τελική αρχή αξιολόγησης.
Τι να μετράς
Ένας χρήσιμος οδηγός αρχικής αξιολόγησης με AI δεν μετριέται μόνο με χρόνο που κερδίζεται. Μετριέται και με:
- ποιότητα της τελικής μικρής λίστας
- ποσοστό υποψηφίων που περνούν στο επόμενο στάδιο με συνέπεια
- χρόνο μέχρι την πρώτη ουσιαστική αξιολόγηση
- ποιότητα ανατροφοδότησης ανάμεσα στον υπεύθυνο προσλήψεων και στον προϊστάμενο
Το σωστό ερώτημα δεν είναι «πόσους βιογραφικούς έκοψε η AI». Είναι «βοήθησε την ομάδα να φτάσει γρηγορότερα σε καλύτερες, πιο δίκαιες αποφάσεις;»