Рекрутинг с использованием ИИ: Руководство для менеджера

Полный перевод статьи из Business Horizons о том, как ИИ трансформирует процесс найма и как менеджеры должны его использовать.

Рекрутинг с использованием ИИ: что это такое и как менеджеру следует его использовать?

J. Stewart Black (INSEAD) и Patrick van Esch (AUT Business School)

Оригинал: Business Horizons (2020)

КЛЮЧЕВЫЕ СЛОВА

Рекрутинг с использованием ИИ; Искусственный интеллект; Цифровые технологии рекрутинга; Человеческие ресурсы

Аннотация

Системы рекрутинга с использованием ИИ эволюционировали из темы, о которой приятно поговорить, в необходимость для использования. В этой статье мы описываем причины, лежащие в основе этого развития. Во-первых, поскольку конкурентные преимущества сместились от материальных к нематериальным активам, человеческий капитал перешел из роли второго плана к главной роли. Во-вторых, поскольку цифровизация изменила как деловой, так и социальный ландшафт, цифровой рекрутинг человеческого капитала переместился с периферии на авансцену. В-третьих, недавние и ожидаемые в ближайшем будущем достижения в области рекрутинга с использованием ИИ повысили эффективность подбора персонала до такой степени, что менеджеры игнорируют их или откладывают их использование на свой страх и риск. Помимо объяснения сил, которые превратили системы рекрутинга с использованием ИИ из желательных в необходимые, мы наметили ключевые стратегические шаги, которые необходимо предпринять менеджерам, чтобы извлечь из них основные выгоды.

1. Человеческий капитал: от роли второго плана к главной роли

«Люди — наш самый важный актив». Это не просто красиво звучащая банальность, это конкурентный императив, рожденный сейсмическим сдвигом в том, где сосредоточена ценность фирмы и конкурентное преимущество. С начала 20-го века до начала 1980-х годов от 70% - 90% стоимости фирмы было связано с материальными активами, такими как заводы, недвижимость и оборудование (Lev, 2000). К 2000 году ситуация изменилась на противоположную. Поскольку нематериальные активы составляют примерно 65% стоимости средней фирмы (Black, 2019), люди превратились из винтиков в колесе материальных активов в двигатели, создающие ценность. Для большинства нематериальных активов люди либо составляют их суть и содержание, либо являются их прямыми движущими силами. Что произойдет, если отделить людей от таких нематериальных активов, как обслуживание клиентов, понимание клиентов или инновации — что у вас останется? Ответ: немногое (Paschen, Pitt, & Kietzmann, 2020).

Как следствие этого сдвига в источнике ценности и конкурентного преимущества, рекрутинг превратился из важной деятельности HR в главную стратегическую задачу для генеральных директоров. В течение последних нескольких лет генеральные директора называли привлечение, отбор и удержание человеческого капитала своей главной стратегической задачей (Conference Board, 2018).

2. Цифровой рекрутинг: с периферии на авансцену

На фоне возрастающей роли человеческого капитала изменился и технологический контекст того, как компании нанимают людей. Сегодня компании находятся в начале того, что мы называем Цифровым рекрутингом 3.0. В основе этой трансформации лежит использование искусственного интеллекта (ИИ) в рекрутинговой деятельности. Компьютеры теперь могут выполнять задачи и принимать решения, которые обычно требуют человеческого интеллекта. Некоторые ключевые потенциальные преимущества включают способность более эффективно выявлять, привлекать, проверять, оценивать, проводить интервью и координировать действия с кандидатами на работу. Эти преимущества проистекают из способности ИИ обрабатывать информацию и принимать решения в объемах и со скоростью, которые намного превышают человеческие возможности, а также из доступности инструментов и систем рекрутинга с использованием ИИ, которые преодолевают распространенные когнитивные искажения, снижающие надежность и валидность человеческих суждений в рекрутинговой деятельности. В подразделах 2.1-2.4 мы рассмотрим три ключевых этапа, которые привели нас к ранним дням Цифрового рекрутинга 3.0.

2.1. Аналоговый рекрутинг

До середины-конца 1990-х годов рекрутинг был аналоговым процессом, в котором люди были основным механизмом найма новых сотрудников. Часто кандидатам приходилось физически посещать доски объявлений в поисках вакансий или читать о них в газетах и других печатных СМИ. Найдя интересующую их работу, они обычно должны были физически прийти в компанию, предлагающую работу, получить бумажное заявление о приеме на работу, вручную заполнить его и сдать. Аналоговый характер процесса делал его утомительным. Фирмы хотели охватить как можно больше квалифицированных кандидатов, чтобы предоставить им как подробные сведения о работе, так и контекст возможности, но максимизация и того, и другого была непомерно дорогой. Как следствие, фирмам приходилось идти на компромиссы, что создавало то, что мы называем границей охвата и содержательности аналоговой информации.

Например, если компания хотела оптимизировать охват, она могла рекламировать свои вакансии в национальной газете или другом широко распространенном печатном СМИ, но ей приходилось довольствоваться несколькими строками текста о работе, потому что добавлять информационную насыщенность было слишком дорого. И наоборот, компания могла достичь высокой содержательности через своих сотрудников, которые могли подробно описать компанию и открытые вакансии своим друзьям и семье. Однако охват был ограничен кругом общения сотрудников. Компания могла достичь разумной содержательности и охвата через кадровые агентства, но стоимость этого была достаточно высока, чтобы фирмы могли позволить себе это только для ограниченного числа вакансий. Тот же общий компромисс между охватом информации и ее содержательностью был верен и для потенциальных сотрудников. Одновременное знание всех потенциальных вакансий и наличие подробной информации о них было непомерно дорогим для потенциальных сотрудников.

В рамках этой границы рекрутинга людям поручалось привлекать кандидатов, подавать заявления, проверять соискателей и определять, кто должен перейти к следующим этапам процесса, а кто должен быть исключен. Но рекрутеры-люди могли читать лишь с определенной скоростью и обрабатывать ограниченный объем информации. Кроме того, им требовался периодический отдых, чтобы усталость не ухудшала их результаты. Кроме того, люди подвержены когнитивным искажениям, которые ограничивали надежность и валидность их суждений в процессе скрининга (Judge, Cable, & Higgins, 2000), включая:

  • Эффект якоря, при котором информация, которую рекрутер видит или слышит первой, чрезмерно формирует или влияет на то, как он или она интерпретирует последующую информацию;

Граница охвата и содержательности аналоговой информации Рисунок 1. Граница охвата и содержательности аналоговой информации

  • Предвзятость подтверждения, при которой рекрутеры ищут и отмечают информацию, подтверждающую первоначальные суждения — положительные или отрицательные — о кандидатах на работу; и
  • Предвзятость сходства, при которой рекрутеры неосознанно отдают предпочтение кандидатам, похожим на них, независимо от того, является ли это сходство хорошим предиктором последующей работы кандидата.

Как следствие этих и других когнитивных искажений, многочисленные исследования показали, что неструктурированное интервью — наиболее широко используемый традиционный аналоговый механизм отбора — точно лишь примерно на 14% в выявлении кандидатов, которые впоследствии остаются в фирме и хорошо работают (Hunter & Schmidt, 1998). Даже когда эти интервью структурированы, их валидность составляет всего около 30% (Huffcutt, Culbertson, & Weyhrauch, 2013).

2.2. Цифровой рекрутинг 1.0

Цифровизация информации о вакансиях и кандидатах через интернет в середине-конце 1990-х годов прорвала первоначальную границу охвата и содержательности. Ранние цифровые доски объявлений, такие как Monster.com (основан в 1994 году), могли брать подробные описания вакансий и передавать их тысячам потенциальных сотрудников с минимальными затратами, поскольку не требовалось печатать или рассылать газеты и нести все сопутствующие расходы. Точно так же кандидатам не нужно было просматривать печатные объявления или тратить время на ручную доставку и отправку по почте сотен резюме и заявлений о приеме на работу. Потенциальные сотрудники могли просто зайти на сайт цифровой доски объявлений и за считанные минуты бесплатно искать и фильтровать тысячи вакансий, чтобы найти те, которые подходят лучше всего. Интернет также позволил компаниям охватить тысячи потенциальных сотрудников через корпоративные веб-сайты. Они могли включать столько статической информации (например, текст на странице) и динамической информации (например, видео), сколько пожелают и посчитают эффективным.

Сетевые эффекты были экспоненциальными и самоподкрепляющимися. Чем больше вакансий мог разместить Monster.com, тем больше соискателей он мог привлечь. Чем больше соискателей он мог привлечь, тем больше компаний он мог убедить разместить свои вакансии. Как следствие, работодатели начали отказываться от аналоговой практики отправки рекрутеров в избранные колледжи и университеты. С помощью цифрового рекрутинга они смогли охватить разнообразный круг потенциальных кандидатов в тысячах кампусов.

Скачок ценности, который Цифровой рекрутинг 1.0 принес как работодателям, так и потенциальным сотрудникам, был таков, что в течение следующего десятилетия новые компании и доски объявлений множились, провайдеры консолидировались, а общий рынок цифрового рекрутинга стремительно рос. Выручка Monster.com увеличилась со $162.6 млн в 1996 году до $1.1 млрд в 2006 году.

2.3. Цифровой рекрутинг 2.0

Цифровой рекрутинг 2.0 появился через 10 лет после начала Цифрового рекрутинга 1.0 и был обусловлен в основном двумя ключевыми событиями. Первым была возможность агрегировать вакансии с нескольких отдельных досок объявлений, что привело к появлению таких фирм, как Indeed. Это означало, что кандидаты могли получить доступ практически ко всем уникальным вакансиям, существующим на нескольких досках объявлений, не посещая каждую из них, а компании могли охватить уникальных кандидатов на всех платформах, не размещая свои вакансии на каждой из них в отдельности.

Вторым важным событием стало появление цифровых профессиональных и социальных сетевых платформ. Одной из самых ранних и успешных профессиональных сетевых платформ является LinkedIn. Запущенная в 2003 году, LinkedIn позволяет людям формировать профессиональные сети и сообщества по интересам, обмениваться информацией, давать рекомендации людям в своих сетях, а также получать рекомендации от них. Одной из самых ранних и успешных цифровых социальных платформ является Facebook, запущенная в 2004 году. Facebook позволяет людям строить свою социальную сеть, «добавляя в друзья» других и держа друзей в курсе событий, публикуя информацию о деятельности, видео, фотографии и т. д., а также комментируя посты друзей. Хотя на первый взгляд может показаться, что эти цифровые сети и платформы обмена не имеют большого отношения к цифровому рекрутингу, ничто не может быть дальше от истины (Bizzi, 2018). Они предоставляют консолидированное цифровое пространство, где фирмы могут эффективно размещать свои вакансии в цифровом виде. Кроме того, платформы предоставляют информацию, которая помогает компаниям лучше таргетировать объявления о вакансиях и возможности для потенциальных кандидатов. Как и в случае с Цифровым рекрутингом 1.0, сетевые эффекты были экспоненциальными и подкрепляющими. В результате всего за 5 лет число пользователей Facebook выросло с нескольких тысяч до 608 миллионов к концу 2010 года; аналогично, за тот же период LinkedIn выросла с примерно 5 миллионов до почти 100 миллионов пользователей.

2.4. Цифровой рекрутинг 3.0

По мере того как Цифровой рекрутинг 2.0 созревал с 2010 по 2015 год, Цифровой рекрутинг 3.0 перешел из разговоров на конференциях в коммерческие приложения. Основным новым элементом Цифрового рекрутинга 3.0 стало внедрение ИИ (Kaplan & Haenlein, 2018). Однако прежде чем детально рассматривать потенциальные преимущества и приложения ИИ в рекрутинге, а также различные проблемы, важно выделить два результата, порожденных Цифровым рекрутингом 1.0 и 2.0, которые стали критически важными фоновыми элементами для этой новой фазы.

Первым контекстуальным элементом стала лавина заявок на одну позицию, которую породили Цифровой рекрутинг 1.0 и 2.0. Они сделали это прежде всего за счет сокращения и почти полного устранения трения в процессе поиска вакансиями людей и людьми вакансий (Maurer & Liu, 2007). Хотя нам не известно о каком-либо окончательном исследовании этого роста, по одной из оценок, к концу эры Цифрового рекрутинга 2.0 каждая онлайн-вакансия генерировала 250 заявок (Sullivan, 2013). Различные кейсы компаний иллюстрируют этот рост, в том числе:

  • В 2013 году Walmart, крупнейший частный работодатель на планете, получил в среднем 23 000 заявок на 600 позиций при открытии нового магазина (Lutz, 2013);
  • В 2017 году Johnson & Johnson сгенерировала более 1 миллиона заявок на 28 000 позиций (McIlvaine, 2018); и
  • В 2017 году Google сгенерировала примерно 2 миллиона заявок всего на 14 500 рабочих мест (Torres, 2017), что означает, что устроиться на работу в Google было почти в 10 раз сложнее, чем поступить в Гарвардский университет.

По иронии судьбы, по мере того как цифровизация снижала издержки на преодоление трения и количество кандидатов на позицию росло, она также увеличивала число неквалифицированных кандидатов. Оценки разнятся, но к концу Цифрового рекрутинга 2.0 от 75% - 88% всех соискателей не соответствовали требованиям позиции, на которую они претендовали (Ideal, 2018). Причина этого проста. Если подача заявки на работу почти ничего не стоит кандидату с точки зрения времени и денег, то почему бы кандидатам не подавать заявки на большее, а не на меньшее количество позиций, и даже на те позиции, в которых они заинтересованы, но не являются по-настоящему квалифицированными? С резким падением стоимости подачи заявок и резким ростом числа соискателей на одну вакансию фирмы были вынуждены либо тратить больше времени на рассмотрение всех новых соискателей, либо нанимать армии специалистов по скринингу, чтобы просеивать лавину цифровых заявок.

Вторым контекстуальным элементом, лежащим в основе Цифрового рекрутинга 3.0, стало широкое признание критической важности человеческого капитала высшим руководством, включая генеральных директоров. Хотя сдвиг в источнике ценности фирмы и конкурентного преимущества в основном произошел к 2000 году, генеральным директорам потребовалось десятилетие или больше, прежде чем они в целом признали этот сдвиг и осознали роль человеческого капитала в управлении нематериальными активами и ценностью фирмы (Conference Board, 2018). Когда люди были просто винтиками в колесе, выбор лучших винтиков имел незначительное значение, но как только люди стали двигателями, эффективный рекрутинг стал критически важным для миссии. Исследования также начали демонстрировать разницу, которую может принести качественный талант, когда нематериальные активы являются основным источником ценности фирмы (Paschen, Wilson, & Ferreira, в печати). Исследование 600 000 исследователей, артистов, политиков и спортсменов показало, что лучшие из них были более чем на 400% продуктивнее, чем средние среди них (Herman & O’Boyle, 2012). В другом исследовании McKinsey обнаружила, что для сложных работ влияние на производительность было на поразительные 800% выше у лучших исполнителей по сравнению со средними (Keller & Meaney, 2017). Этот разрыв в производительности доказал, что поиск нужных иголок в лавине сена имеет решающее значение, и генеральные директора — а не только руководители HR — хотели выявить, развить и внедрить все возможные технические и технологические преимущества в рекрутинговой гонке за талантами (Desouza, Dawson, & Chenok, 2020).

3. Рекрутинг с использованием ИИ: от приятного дополнения к необходимости

Этот фон и контекст превратили рекрутинг с использованием ИИ из чего-то желательного в необходимость для применения. Инструменты рекрутинга с использованием ИИ в основном применяются в четырех общих наборах действий: охват, скрининг, оценка и координация. На этапе охвата фирмы пытаются выявить кандидатов и представить им возможности трудоустройства таким образом, чтобы побудить их подать заявку. Подача заявки на позицию может включать заполнение цифровой анкеты или электронную передачу резюме. Как только кандидаты подают эти заявки, перед работодателем встает сложная задача их скрининга. Как уже упоминалось, многие компании сейчас получают от 20 до 200 заявок на каждую вакансию, и их эффективный скрининг — непростая задача. Для тех кандидатов, которые проходят первоначальный скрининг, работодателям необходимо оценить их, чтобы определить, кто наиболее подходит для работы. Этот этап может включать более одного раунда или способа оценки, но конечная цель — выявить лучших кандидатов, которые затем получат предложения о работе. ИИ может использоваться для координации действий с кандидатами на протяжении всего процесса. Согласно недавнему опросу (Deloitte, 2018), только около 38% фирм используют инструменты рекрутинга с использованием ИИ в этих основных видах деятельности.

3.1. Охват

Учитывая важность поиска нужных людей, компании должны быть максимально широкими, но в то же время максимально целенаправленными в своих усилиях по охвату. Очевидно, что фирмы хотят охватить как можно больше подходящих активных кандидатов (т. е. людей, которые намеренно предпринимают действия для поиска работы). Однако большинство людей не ищут работу активно и поэтому являются пассивными кандидатами. Восемьдесят процентов людей, не ищущих активно другую работу, тем не менее рассмотрели бы подходящую возможность трудоустройства, если бы она была им представлена (Smith & Kidder, 2010); число пассивных кандидатов примерно в три раза больше, чем активных.

Интеллектуальное выявление как активных, так и пассивных кандидатов на работу имеет решающее значение для компаний при создании наилучшего пула кандидатов (Guinan, Parise, & Rollag, 2014). Такие компании, как Pandologic, Talenya и HireScore, используют ИИ для сбора данных из LinkedIn, Facebook, Instagram, Pinterest, Twitter, XING, Ryze, Beyond и MeetUp, а затем сопоставляют кандидатов с вакансией (Campbell, Sands, Ferraro, Tsao, & Mavrommatis, 2020). Со временем инструменты ИИ узнают, какие методы лучше всего работают с каждым типом кандидатов. Точнее, ИИ связывает правильные методы представления (например, баннерная реклама, электронная почта, текст) с лучшими кандидатами. Система обучается и размещает объявления о вакансиях через баннеры, всплывающие окна, электронную почту, текстовые сообщения и т. д. для оптимального восприятия и отклика в зависимости от профиля кандидата.

Это обучение может быть применено не только к форме подачи предложения о работе, но и к точной формулировке и описанию вакансии. Например, Textio может использовать ИИ для корректировки формулировок в объявлениях и отслеживания влияния этих изменений на количество соискателей и различные демографические характеристики кандидатов, помогая клиентам улучшить эффект от охвата. Johnson & Johnson использовала Textio для корректировки языка описания вакансий и увеличила количество квалифицированных наймов среди женщин на 13% (McIlvaine, 2018). L’Oréal смогла использовать ИИ для удаления предвзятых гендерных формулировок, что привело к равному распределению между кандидатами мужского и женского пола, чего организация никогда не достигала ранее (Sharma, 2018).

Идеальный пул кандидатов для компаний состоит как из активных, так и из пассивных соискателей. Однако сегодня расширился не только охват или размер пула, но и глубина информации о кандидатах в пуле углубилась до почти непостижимого уровня. В 2018 году у LinkedIn было почти 600 миллионов пользователей, и у каждого из них были буквально сотни уникальных точек данных в профилях. Три дискретные точки данных для каждого профиля дают объемы данных, которые почти невозможно осмыслить. Разумно и эффективно просеивать такое количество профилей и такой объем данных без ИИ было бы невозможно, даже если бы фирма наняла армию людей для этой работы.

ИИ может не только помочь фирмам увеличить общее количество соискателей, но и таргетировать более подходящих кандидатов. Например, Unilever в партнерстве с провайдером ИИ-наймов Pymetric таргетировала кандидатов на свои 200 ключевых стажировок (Feloni, 2017). Эти усилия более чем удвоили количество заявок с 15 000 до 30 000, или 150 соискателей на позицию, а также резко повысили разнообразие пула кандидатов. В частности, Unilever отметила, что ей удалось расширить базу соискателей с 840 университетов до 2600 университетов. Еще более впечатляюще: в 2017 году L’Oreal использовала ИИ не только для представления своих возможностей активным кандидатам, но и для выявления пассивных кандидатов. В результате она получила 2 миллиона резюме всего на 5000 позиций — ошеломляющие 400 соискателей на одну вакансию (Sharma, 2018).

Эти примеры иллюстрируют, как ИИ помог отодвинуть границу охвата и содержательности еще дальше, чем это удалось сделать в эпохи Digital 1.0 и Digital 2.0. С помощью ИИ часть границы, отвечающая за охват, была отодвинута, потому что фирмы теперь могут охватить не только тысячи активных кандидатов на данную позицию, но и выявить больше пассивных кандидатов, которые, вероятно, подходят для вакансии еще лучше. ИИ также обладает потенциалом отодвинуть границу содержательности так же далеко, но эта возможность еще не полностью изучена или развита. В частности, подобно тому, как ИИ использовался для определения того, какие аспекты кандидата делают его более или менее подходящим для позиции, ИИ может определять, какие аспекты компании — ее культура, результаты, лидерство, технологии и т. д. — должны быть представлены кандидатам для получения наиболее положительных откликов.

Как бы ни было важно для компаний создавать эти пулы кандидатов, у большинства уже есть пулы прошлых кандидатов, которые обычно лежат без дела и не используются: ранее отклоненные кандидаты (Kakatkar, Bilgram, & Fuller, 2020). Хотя может быть неочевидно, что этих отклоненных кандидатов следует рассматривать на текущие позиции, тот факт, что прошлые кандидаты не подошли для предыдущей работы, не означает, что они не подходят для текущей вакансии. Однако, поскольку эти соискатели и заявки часто хранятся в разных форматах и в разных местах (т. е. на локальных серверах, в сторонних цифровых хранилищах, в облаке), ручная проверка этого пула обходится слишком дорого. Инструменты ИИ способны проверять этих кандидатов независимо от формата заявки. В результате такие компании, как Engage Talent, используют инструменты с поддержкой ИИ для изучения прошлых соискателей и сопоставления их с текущими открытыми позициями.

3.2. Скрининг

Мало толку в том, чтобы охватывать больше активных кандидатов, выявлять и привлекать больше пассивных кандидатов и активировать прошлых кандидатов, если фирмы не могут эффективно их проверять. Доказательства того, что инструменты скрининга с использованием ИИ экономят время, носят отчасти эпизодический характер, но заслуживают внимания. Например, Ideal предоставляет инструменты скрининга с использованием ИИ и утверждает, что у ее клиентов время до найма сократилось в среднем с 24 до 9 дней — снижение на 62.5%. Хотя для установления влияния ИИ на время до найма необходимы дополнительные исследования, конкретные кейсы компаний предполагают, что ИИ может помочь достичь значительного сокращения сроков. Hilton Hotels & Resorts внедрила инструмент скрининга с использованием ИИ и увидела, что время до найма сократилось с 42 дней до всего лишь 5 — снижение на 88% (McLaren, 2018). L’Oréal использовала инструменты скрининга с использованием ИИ, и время на просмотр резюме сократилось с 40 минут до 4 минут — сокращение на 90% (Sharma, 2018).

Стратегические последствия сокращения времени до найма для человеческого капитала потенциально меняют правила игры для некоторых фирм. Возьмем случай с Hilton, упомянутый выше. По данным Бюро статистики труда США, ежегодный уровень текучести кадров в отелях составляет более 70% (Bureau of Labor Statistics, n.d.). Таким образом, гостиничные компании, такие как Hilton, постоянно пытаются найти и нанять персонал. Если Hilton может сделать предложение кандидату на должность горничной за 5 дней, а ее конкуренту требуется 42 дня, кто — Hilton или ее конкурент — скорее всего, выиграет битву за этого кандидата? Каковы шансы, что кандидат будет ждать 37 дней после получения предложения от Hilton, чтобы увидеть, получит ли он/она предложение от конкурента? Очевидно, что шансы близки к нулю. Таким образом, способность ИИ сокращать время до найма представляет собой не только выигрыш в эффективности, но и потенциально стратегическое преимущество в битве за человеческий капитал, особенно в отраслях с высокой текучестью кадров.

В дополнение к выигрышу в скорости и эффективности рекрутинга, который возможен с помощью ИИ, также потенциально возможен впечатляющий выигрыш в результативности. Например, недавнее исследование показало, что инструменты с поддержкой ИИ на 25% превосходят людей в скрининге соискателей, даже когда люди тратят разумное количество времени на оценку заявки или резюме (Kuncel, Klieger, & Ones, 2014). Сегодня скрининг с использованием ИИ вышел за рамки простого поиска ключевых слов в заявках и резюме и перешел к выводу о способностях, не выраженных конкретными словами. Например, настойчивость может быть характеристикой, необходимой для конкретной работы. Сегодня вместо того, чтобы просто искать этот термин или распространенные синонимы, инструменты скрининга с использованием ИИ могут сделать вывод о настойчивости из предложений на естественном языке, описывающих отказ от сдачи при столкновении с препятствием или преодоление сопротивления при внедрении нового процесса.

3.3. Оценка

После того как компании провели скрининг кандидатов и отсеяли от 50% - 80% из них, оценки с использованием ИИ могут помочь еще больше сузить круг. Эти оценки могут принимать различные формы. Некоторые включают геймификацию тестов, которые дают представление о навыках, способностях и даже личности. Например, Unilever использовала Pymetric для создания 12 игр на основе нейробиологии, которые кандидаты проходят всего за 20 минут (Feloni, 2017). Одна из игр измеряла склонность к риску. У кандидатов было 3 минуты, чтобы собрать как можно больше денег, нажимая «накачать», чтобы надуть цифровой шар воздухом и деньгами. Каждый клик добавлял 5 центов. В любой момент кандидат мог выбрать «забрать деньги», чтобы добавить сумму к своему итогу и начать с новым шаром. Однако если кандидат ждал слишком долго и шар лопался, он не получал денег за этот шар. Кандидаты могли собирать деньги примерно с одинаковой скоростью, нажимая рано и часто или выжидая — при условии, что они не ждали слишком долго. Смысл игры заключался не столько в сумме собранных денег, сколько в определении склонности человека к риску.

Очевидно, что перед внедрением этой оценочной игры в процесс рекрутинга Unilever необходимо было понять взаимосвязь между склонностью к риску и успехом в работе для определенных позиций (например, менеджеров по продукту). Фактически Unilever обнаружила перевернутую U-образную зависимость между склонностью к риску и производительностью труда. В частности, умеренный и умеренно высокий уровни склонности к риску были положительно связаны с производительностью труда, в то время как низкий и очень высокий уровни имели отрицательную связь.

Лучшие 33% кандидатов, прошедших 12 игровых оценок, впоследствии были приглашены к участию в видеоинтервью с использованием технологий и аналитики на базе ИИ, предоставленных HireVue. Во время интервью система ИИ задавала кандидатам различные вопросы, а кандидаты отправляли свои записанные ответы. Вопросы были основаны на анализе успешных и средних сотрудников на этих стажерских позициях в прошлом. На основе этого исследования Unilever определила, какие способности и характеристики с наибольшей вероятностью приведут к успеху и какие вопросы будет задавать система ИИ HireVue. Система анализировала не только содержание ответов кандидатов, но и их выбор слов, тон голоса и микровыражения лица, сопоставляя их с показателями успешных сотрудников Unilever. Кандидаты могли участвовать в виртуальном интервью в любой день или в любое удобное для них время в течение нескольких дней. Это не только сэкономило бесчисленное количество часов на планирование, но и дало кандидатам больше контроля над процессом. Unilever стремилась к этому усилению чувства контроля, так как понимала то, что последовательно показывают исследования: люди более позитивно относятся к опыту, в котором они чувствуют, что имеют больше контроля над процессом (Hamilton & Davison, 2018). Эти интервью и оценки с использованием ИИ сузили первоначальный пул из более чем 45 000 кандидатов на стажировки в США до 300 финалистов. Unilever сделала предложения 240 финалистам. Это было примерно на 25% больше предложений, чем в прошлом. Из них 82% приняли предложения — показатель выхода на работу, который был значительно выше предыдущего показателя в 65% (Feloni, 2017).

L’Oreal использовала аналогичный инструмент интервью с использованием ИИ от Mya Systems для оценки кандидатов, прошедших первоначальный скрининг и верификацию (менее 10%). Maya, чат-бот с ИИ, в интерактивном режиме задавала кандидатам три вопроса (Sharma, 2018):

  1. Расскажите нам о проекте, над которым вы работали и который провалился. Чему вы научились в ходе этого проекта?
  2. Расскажите нам о проекте, где вы работали с мультикультурными командами, и какой опыт вы получили?
  3. Расскажите нам о ситуации, когда вы были убеждены в своей идее, а ваше руководство — нет. Как вы их убедили?

Затем система ИИ анализировала и сравнивала содержание ответов кандидатов с ответами высокоэффективных сотрудников L’Oreal. Она также анализировала структуру предложений и словарный запас, используемый в ответах, и в сочетании с контент-анализом выставляла общий балл каждому кандидату. Только после этого команда из 145 глобальных рекрутеров проводила интервью с кандидатами и принимала окончательные решения о выборе.

3.4. Сопровождение на всех этапах

Учитывая большой объем заявок, который может генерировать охват с использованием ИИ, большинство компаний занимаются скорее отказами, чем наймом. Тем не менее, в их собственных интересах обеспечить положительный опыт для всех кандидатов, особенно для тех, кому отказали, как минимум по трем причинам. Во-первых, кандидаты, которым отказали сегодня, могут стать подходящими кандидатами завтра. Кандидаты, которым компания однажды отказала, с большей вероятностью будут открыты для последующей возможности, если у них остался положительный опыт от момента отказа (Swider, Zimmerman, & Barrick, 2015). Во-вторых, положительный или отрицательный опыт отклоненных кандидатов формирует положительные или отрицательные отзывы друзьям и семье. Это имеет важное значение, когда отклоненные кандидаты могут составлять до 99% от общего числа соискателей. В сегодняшнем взаимосвязанном мире, пронизанном социальными сетями, положительные или отрицательные комментарии могут распространяться среди семьи, друзей и подписчиков с широтой и скоростью, невиданными или, возможно, даже невообразимыми в прошлом, и эти волны могут, в свою очередь, повышать или понижать лояльность людей, которые могут стать будущими кандидатами компании (Van Esch & Mente, 2018). Таким образом, выстраивание положительного опыта таким образом, чтобы отклоненные кандидаты по-прежнему оставляли положительные отзывы, — это просто разумный бизнес. В-третьих, в конечном счете компании хотят не только отобрать лучших кандидатов, им также нужно, чтобы эти отобранные кандидаты ответили «да» на предложение. В конце концов, компании могут нанять только тех, кто соглашается на предложение. Поэтому компаниям нужно, чтобы кандидаты, которых они хотят, хотели их в ответ. Чем позитивнее опыт рекрутинга у кандидата, тем выше вероятность того, что в конце он ответит «да» на предложение (Jarrahi, 2018).

Прежде чем углубляться в способы, которыми ИИ может улучшить опыт соискателя в рекрутинге — даже для тех, кто получает отказ — полезно обрисовать далеко не идеальное текущее положение дел для кандидатов. Во-первых, согласно одному исследованию (Talent Board, 2017), 41.3% компаний не проводят опросы и не собирают данные от кандидатов об их опыте. Это прискорбно, потому что 77% кандидатов, имевших положительный опыт, и 61%, имевших отрицательный опыт, делятся своими впечатлениями с друзьями и семьей. Очевидно, что если компания не знает, насколько хорош или плох опыт ее кандидатов, она не может намеренно использовать положительные стороны или менять отрицательные. Это важно, потому что тот же опрос Talent Board (2017) показал, что 81% отклоненных кандидатов, имевших строго положительный опыт, все равно были готовы рекомендовать компанию или направлять в нее своих знакомых. Другие ответы из опроса (Talent Board, 2017) включают:

  • Из тех, кто имел очень негативный опыт, 84% определенно или скорее всего не стали бы рекомендовать компанию другим;
  • Из тех, кто имел положительный опыт, 51% опубликовали комментарии о своем положительном опыте в одном или нескольких своих аккаунтах в социальных или профессиональных сетях;
  • Из тех, кто имел негативный опыт, 31% оставили комментарии о своем негативном опыте в одном или нескольких своих аккаунтах в социальных или профессиональных сетях; и
  • Одной из самых сильных причин негативного опыта было просто получение малого количества информации в ходе процесса — в эту категорию попали 52% кандидатов.

Положительные или отрицательные последствия от отклоненных кандидатов через их аккаунты в социальных сетях могут иметь резонанс, невиданный в аналоговые времена прошлого (Van Esch, Overton, & Van Esch, 2014).

К счастью, системы с поддержкой ИИ могут сделать процесс подачи заявки на работу гладким и позитивным даже для подавляющего большинства кандидатов, которым компании отказывают. В качестве доказательства: 92% из почти 2 миллионов кандидатов, которым L’Oreal отказала, указали, что они удовлетворены или очень удовлетворены процессом (Sharma, 2018). Частью секрета успеха L’Oreal было отношение к кандидатам как к клиентам и стремление сделать цифровой опыт таким же бесшовным и позитивным для кандидатов, как это было сделано для онлайн-покупателей. Создание положительного опыта может начинаться уже в момент подачи заявки. В Цифровом рекрутинге 2.0 системы отслеживания кандидатов (ATS) требовали от соискателей приводить свои резюме в формат, заранее определенный структурированными системами для облегчения хранения, поиска и извлечения. Системы ИИ Цифрового рекрутинга 3.0 не требуют этого шага. Фактически, системы ИИ теперь даже не требуют от кандидатов заполнения анкеты или подачи резюме. Например, Unilever просила соискателей только предоставить ссылку на их профиль в LinkedIn, а система ИИ интеллектуально прочесывала профили кандидатов и сама заполняла анкету за них.

Как только кандидаты подают свои заявки, чат-боты с поддержкой ИИ могут взять на себя задачу по сглаживанию и улучшению процесса тремя способами. Во-первых, чат-боты могут проактивно сообщать соискателям, на каком этапе в системе они находятся, и разъяснять следующие шаги. В любой момент процесса чат-боты с ИИ могут ответить на вопросы кандидатов о процессе, например: «Стоит ли мне надевать костюм для видеоинтервью HireVue?» Во-вторых, чат-боты с ИИ могут задавать кандидатам вопросы, чтобы восполнить любые недостающие или неясные фрагменты информации, включая потенциальную дату начала работы кандидата. В-третьих, чат-боты могут отвечать на вопросы кандидатов о компании или работе, которые могут возникнуть у соискателей, например, о диапазоне зарплат или льготах по возмещению расходов на образование, в режиме 24/7/365. Таким образом, ИИ способен повысить эффективность координации кандидатов на всех основных этапах рекрутинга.

4. Рекомендации для менеджеров

Ранние академические исследования, опросы практиков и опыт компаний — все указывает на то, что Цифровой рекрутинг 3.0 с помощью систем на базе ИИ обеспечивает значительное повышение эффективности подбора персонала. Однако мы бы утверждали, что, учитывая объем заявок, вызванный Цифровым рекрутингом 1.0 и 2.0, и тот факт, что этого джинна невозможно вернуть в бутылку, дальнейший рост Цифрового рекрутинга 3.0 неизбежен, хотя и не лишен проблем или потенциальных опасений (Kietzmann & Pitt, 2020).

Одной из проблем рекрутинга с использованием ИИ является просто стоимость создания инструментов и систем. Сложность, связанная с созданием инструментов охвата, скрининга, оценки и координации на базе ИИ, значительна. Если компания не нанимает большое количество сотрудников каждый год и не может амортизировать затраты на разработку и внедрение этих инструментов, с экономической точки зрения может иметь смысл покупать инструменты у внешних провайдеров. Кроме того, даже если компания могла бы оправдать разработку инструментов рекрутинга с ИИ, ограниченное предложение талантов, способных решить эту задачу, и взрывной спрос на таких людей могут сделать внутреннюю разработку просто непрактичной.

Другой проблемой является конфиденциальность. Если будут приняты законы или если люди в целом начнут существенно ограничивать данные в своих профилях в социальных или профессиональных сетях, это может значительно помешать эффективности инструментов охвата на базе ИИ. Другой пример: если будут приняты законы, не позволяющие фирмам хранить информацию о прошлых кандидатах, инструменты ИИ, специально созданные для анализа этого конкретного пула кандидатов, будут иметь ограниченную ценность (Canhoto & Clear, 2020).

Возможность того, что сотрудники HR увидят в инструментах рекрутинга с ИИ угрозу своим рабочим местам, является еще одной проблемой и, как следствие, будет тормозить или даже саботировать внедрение таких инструментов. Будут ли рекрутеры в HR рассматривать ИИ как угрозу или возможность, вероятно, будет зависеть от того, к каким задачам ИИ будет применен в первую очередь и будет ли он применяться как дополнение или замена. Например, если ИИ применяется как замена рекрутингу в кампусах, вероятно, найдется немало HR-рекрутеров, которые воспримут ИИ как угрозу. Однако если ИИ используется для генерации кандидатов в дополнение к тем, кого нашли рекрутеры в кампусах, рекрутеры могут вообще не рассматривать ИИ как угрозу. Если ИИ активно используется в задачах, которые рекрутеры считают рутинными и часто утомительными — таких как скрининг 8000 резюме в день в случае с IBM — ИИ может рассматриваться персоналом HR как долгожданное избавление от менее ценных задач и как средство высвобождения времени для участия в более ценных задачах, таких как планирование рабочей силы или интервью с кандидатами.

Несмотря на эти проблемы и опасения, потребность в ИИ и потенциал ИИ в рекрутинге достаточно значительны, чтобы практикующие менеджеры искали руководство по тому, как лучше всего работать с инструментами рекрутинга на базе ИИ и внедрять их. С этой целью мы представляем пять рекомендаций стратегического уровня.

4.1. Определите критические позиции

Для большинства компаний сегодня системы рекрутинга с использованием ИИ являются новыми и незнакомыми. Попытка внедрить их с самого начала во всех категориях и на всех уровнях сотрудников может означать взятие на себя слишком многого и слишком быстро. Следовательно, компаниям следует проявлять некоторую осторожность, учитывая обширные исследования, которые показали, что от 60% - 80% крупных инициатив по организационным изменениям в целом и цифровых трансформаций в частности терпят неудачу (Black, 2014). Поэтому компаниям было бы полезно определить важные категории талантов, как это сделала Unilever в отношении стажеров, и применить инструменты на базе ИИ к этим ограниченным группам кандидатов. Хорошая новость заключается в том, что, хотя они и не бесплатны, инструменты ИИ гораздо эффективнее в расчете на одного кандидата, чем люди. Компании могут экономически эффективно применять инструменты рекрутинга с ИИ к пулам кандидатов, что приведет к 200 или 5000 наймов.

4.2. Позаботьтесь об ограничениях

По своей природе система ИИ автоматически не знает, что является предвзятостью, а что нет, и не может определить, обучается ли она ей. Это важно, особенно когда компании проектируют инструменты ИИ для изучения существующих высокоэффективных сотрудников с целью определения ключевых способностей и характеристик будущих сотрудников (Neubert & Montañez, 2020). Если в прошлом имели место гендерные, возрастные, расовые, образовательные или иные предубеждения и если они проявляются у нынешних высокоэффективных сотрудников компании, служащих эталоном, алгоритмы просто выучат эти паттерны и закрепят предубеждения (Lee & Shin, 2020). Amazon усвоила это на горьком опыте (Dastin, 2018), когда в 2014 году наняла 77 000 новых сотрудников (что означает, что общее число наймов было намного выше из-за текучести кадров) и планировала нанять еще 110 000 новых сотрудников в 2015 году. Как следствие, у Amazon был сильный стимул разработать инструмент ИИ, который помог бы сделать эту задачу более эффективной и результативной. Инструмент проанализировал данные за предыдущие 10 лет, чтобы определить способности и характеристики людей, которые были высокоэффективными в Amazon. Большинство этих эталонных лиц были мужчинами. Таким образом, вскоре инструмент научился штрафовать резюме, в которых были женские обозначения, такие как «капитан женской баскетбольной команды», и дисконтировать соискателей, пришедших из двух разных женских колледжей. К 2015 году ключевые руководители были настолько разочарованы этими результатами, что закрыли проект. Однако Amazon, возможно, выплеснула ребенка вместе с водой, потому что можно закодировать алгоритмы так, чтобы они были нейтральными в таких измерениях, как пол, этническая принадлежность, раса и религия. Ключевой момент заключается в том, что если существуют предубеждения, которые могли невольно действовать в прошлом, необходимо намеренно нейтрализовать их и ограничить систему ИИ, не позволяя ей свободно обучаться.

4.3. Создайте интегрированную систему

Поскольку рекрутинг с использованием ИИ достаточно нов и сложен, фирмы, предоставляющие услуги, в некоторой степени сосредоточились на конкретных действиях в рамках общего процесса рекрутинга, таких как фокус HireVue на интервью. Однако риск заключается в том, что компании будут искать самые блестящие объекты ИИ и соберут массив инструментов, в котором целое будет меньше суммы его частей, особенно с точки зрения и опыта кандидатов. Может пройти некоторое время, прежде чем появятся комплексные решения, которые будут не только эффективными и результативными, но и бесшовными и приятными для кандидатов. Несмотря на то, что большинство компаний по объему деятельности занимаются скорее отказами, чем наймом, последствия опыта кандидата являются широкомасштабными и потенциально долгосрочными. Чем больше компании принимают перспективу «кандидат как клиент» и создают удобный и интегрированный опыт, тем больше кандидаты готовы как использовать, так и продвигать технологии рекрутинга с ИИ (Baum, 2017; Brahmana & Brahmana, 2013).

4.4. Будьте прозрачными и откровенными

Наши исследования показывают, что системы рекрутинга с использованием ИИ менее предвзяты и более объективны, чем люди (Van Esch, Black, & Ferolie, 2019). Кроме того, большинство кандидатов мотивированы взаимодействовать с системами на базе ИИ, потому что воспринимают их как нечто новое, расширяющее возможности и удобное. Использование и признание использования ИИ в рекрутинге приводит к тому, что кандидаты воспринимают бренд компании как передовой (McIlvaine, 2018; Miles & McCamey, 2018). Все эти факторы ведут не только к более позитивному восприятию систем рекрутинга с ИИ, но и к более высокой вероятности того, что кандидаты завершат процесс подачи заявки (Van Esch et al., 2019). Этот же принцип прозрачности применим и к чат-ботам. Большинство соискателей чувствуют себя комфортно с чат-ботами. В недавнем опросе Montage (2018) 82% респондентов указали, что для нанимающей организации важно информировать кандидатов о том, что они взаимодействуют с чат-ботом, а не с реальным человеком, даже если беглость речи чат-ботов достигает такого уровня, что кандидаты могут не заметить разницы.

4.5. Будьте человечными

В конце концов, даже люди, нанятые для работы над технологиями ИИ, будут проводить большую часть своего времени, работая с другими людьми, а не с чат-ботами ИИ. Как следствие, несмотря на все задачи рекрутинга, которые может облегчить ИИ, он не может быть альфой и омегой рекрутинга. Каким бы ни был вклад ИИ в охват, скрининг, планирование, интервьюирование и оценку кандидатов, при принятии решения о том, соглашаться на работу или нет, для кандидатов важнее всего то, что они думают о среде и культуре компании, которая их наймет, и о людях, с которыми они будут работать (Kristof, 1996). Как следствие, компании должны помнить, что в той же мере, в какой они выбирают сотрудников, сотрудники выбирают их. Компании могут внедрить все лучшие процедуры и использовать ИИ для улучшения рекрутинга, но это будет иметь значение только в том случае, если кандидаты, которым компания в конечном итоге сделает предложения, ответят «да». Таким образом, финальные интервью не передаются и никогда не должны передаваться инструментам на базе ИИ — не потому, что системы ИИ не могут проводить эффективные финальные оценки, а потому, что кандидаты не могут эффективно оценить компанию без взаимодействия с людьми в этой компании. Вот почему люди должны проводить финальные интервью с кандидатами. Кандидатам нужна возможность определить не то, нравится ли им и хотят ли они проводить больше времени с чат-ботами, а то, нравится ли им общаться и работать с реальными людьми в организации. Им нужен шанс понять, нравится ли им культура компании, в которой они будут работать, и люди, с которыми они будут работать.

5. Расширение охвата

Новый основной источник конкурентного преимущества и ценности фирмы — человеческий капитал — и возросший объем кандидатов на одну вакансию, похоже, останутся с нами надолго. Как следствие, Цифровой рекрутинг 3.0 и роль ИИ в рекрутинге, скорее всего, будут только расти. Фирмы и руководители, которые не поспешат внедрить рекрутинг с использованием ИИ, могут обнаружить, что те 60% - 80% их сотрудников, которых они считали вовлеченными на основе внутренних опросов, тем не менее уязвимы для целевых, проактивных и индивидуализированных усилий по охвату со стороны их конкурентов. Они могут обнаружить, что если они быстро не освоят и не создадут надежные и интегрированные системы на базе ИИ, они увидят либо ухудшение качества своего пула кандидатов, либо снижение отдачи, либо и то, и другое, поскольку их конкуренты превзойдут их в продолжающихся битвах Цифрового рекрутинга 3.0 за таланты. И наоборот, если фирмы и их руководители внедрят системы рекрутинга с использованием ИИ, они получат потенциал для привлечения еще более широких, разнообразных и высококачественных пулов талантов. Они смогут использовать сэкономленное время и деньги, чтобы сделать компанию и ее культуру еще более привлекательными, чтобы люди, которых хотят руководители, также хотели их в ответ.

Список литературы

Baum, S. D. (2017). On the promotion of safe and socially beneficial artificial intelligence. AI & Society, 32(4), 543-551.

Bizzi, L. (2018). The hidden problem of Facebook and social media at work: What if employees start searching for other jobs? Business Horizons, 61(1), 23-33. Black, J. S. (2014). It starts with one: Changing individuals changes organizations. Upper Saddle River, NJ: Pearson Education. Black, J. S. (2019). Competing for and with human capital: It is not just for HR anymore. Milton Park, UK: Taylor and Francis. Brahmana, R. K., & Brahmana, R. (2013). What factors drive job seekers’ attitude in using e-recruitment? South East Asian Journal of Management, 7(2), 123-134. Bureau of Labor Statistics. (n.d.). Table 16: Annual total separations rates by industry and region, not seasonally adjusted. Available at https://www.bls.gov/news.release/jolts.t16.htm Campbell, C., Sands, S., Ferraro, C., Tsao, J., & Mavrommatis, A. (2020). From data to action: How marketers can leverage AI. Business Horizons, 63(2), 227-243. Canhoto, A., & Clear, F. (2020). Artificial intelligence and machine learning as business tools: A framework for diagnosing value destruction potential. Business Horizons, 63(2), 183-193. Conference Board. (2018). C-Suite challenge. Available at https://www.conference-board.org/publications/publicationdetail.cfm?publicationid=7691 Dastin, J. (2018, October 9). Amazon scraps secret AI tool that showed bias against women. Reuters. Available at https:// www.reuters.com/article/us-amazon-com-jobs- automation-insight/amazon-scrapes-secret-ai-recruiting- tool-that-showed-bias-against-women-idUSKCN1MK08G Deloitte. (2018). The rise of the social enterprise. Available at https://www2.deloitte.com/content/dam/insights/us/articles/HCTrends2018/2018-HCTrends_Rise-of-the-social-enterprise.pdf Desouza, K. C., Dawson, G. S., & Chenok, D. (2020). Designing, developing, and deploying artificial intelligence systems: Lessons from and for the public sector. Business Horizons, 63(2), 205-213. Feloni, R. (2017, June 29). Consumer-good giant Unilever has been hiring employees using gra…

Judge, T. A., Cable, D. M., & Higgins, C. A. (2000). The employment interview: A review of recent research and recommendations for future research. Human Resource Management Review, 10(4), 383-406. Kakatkar, C., Bilgram, V., & Fuller, J. (2020). Innovation analytics: Leveraging artificial intelligence in the innovation process. Business Horizons, 63(2), 171-181. Kaplan, A., & Haenlein, M. (2018). Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons, 62(1), 15-25. Keller, S., & Meaney, M. (2017). Attracting and retaining the right talent. McKinsey & Company. Available at https://www.mckinsey.com/business-functions/organization/our-insights/attracting-and-retaining-the-right-talent Kietzmann, J., & Pitt, L. (2020). Artificial intelligence and machine learning: What managers need to know. Business Horizons, 63(2), 131-133. Kristof, A. L. (1996). Person-organization fit: An integrative review of its conceptualizations, measurement, and implications. Personnel Psychology, 49(1), 1-49. Kuncel, N. R., Klieger, D. M., & Ones, D. S. (2014). hiring, algorithms beat instinct. Harvard Business Review, 92(5), 32. Lee, I., & Shin, Y. J. (2020). Machine learning for enterprises: Applications, algorithm selection, and challenges. Business Horizons, 63(2), 157-170. Lev, B. (2000). Intangibles: Management, measurement, and reporting. Washington, DC. Brookings Institution Press. Levashina, J., Hartwell, C. J., Morgeson, F. P., & Campion, M. A. (2014). The structured employment interview: Narrative and quantitative review of the research literature. Personnel Psychology, 67(1), 241-293. Lutz, A. (2013, November 19). Applicants for jobs at the new D.C. Walmart face worseodsthanpeople trying to get into Harvard. Business Insider. Available at https://www.businessinsider.com/wal-mart-receives-23000-applications-2013-11 Maurer, S. D., & Liu, Y. (2007). Developing effective e-recruiting w…