Een paar jaar geleden begon ik een patroon op te merken. Elke keer dat er een belangrijke publicatie of LinkedIn-thread werd opgepikt AI in werkgelegenheidde kadering was bijna altijd hetzelfde: hype aan de ene kant, existentieel alarm aan de andere kant.
De talentmanagers met wie ik spreek, hebben genuanceerder meningen dan dat, maar die verhalen geven nog steeds vorm aan het gesprek op een manier die organisaties ervan weerhoudt de wervingsprocessen op te zetten die hun mensen en kandidaten eigenlijk verdienen.
Nadat ik de afgelopen tien jaar door AI aangedreven wervingstools heb gebouwd en met de talentteams heb samengewerkt om deze te implementeren, heb ik op de eerste rij gezeten in de kloof tussen wat mensen aannemen over AI bij het aannemen van personeel en wat er feitelijk gebeurt als het goed wordt geïmplementeerd.
LAAT DEZE 4 MYTHEN GAAN
Hier zijn vier van de meest hardnekkige mythen en waarom het tijd is om ze los te laten.
Mythe #1: AI-wervingstools zijn inherent bevooroordeelder dan menselijke recruiters.
Dit is de mythe die ik het vaakst tegenkom, en ik begrijp waarom deze bestaat. Rechtszaken als Mobley tegen Workday weinig koppen. Maar hier is de ongemakkelijke waarheid die niemand hardop wil zeggen: de grootste bron van vooroordelen bij het aannemen van personeel zijn nog steeds mensen.
Hetzelfde onderzoek Uit de zorgen over algoritmische vooringenomenheid blijkt ook dat AI tot 39% eerlijker is voor vrouwelijke kandidaten vergeleken met menselijke beoordelaars en 45% eerlijker voor raciale minderheden. Uit het onderzoek blijkt ook dat meer dan 99,9% van de claims over arbeidsdiscriminatie van de afgelopen jaren helemaal niet over AI-vooroordelen gingen, maar over menselijke vooroordelen.
Niets van dit alles betekent dat AI altijd vrij van vooroordelen is. Dat is het niet, maar mensen zijn dat ook niet. Volgens mij is dat het meeste productief De vraag is niet: is AI bevooroordeeld? maar eerder “hoe kunnen AI en mensen samenwerken om beslissingen te nemen op basis van vaardigheden in plaats van op criteria die inherent bevooroordeeld zijn?” Als je nog steeds kandidaten door een proces loodst waarbij drukke recruiters zes seconden besteden aan het doornemen van een CV om te bepalen wie een sollicitatiegesprek verdient, heb je geen vooroordelenprobleem dat je aan het oplossen bent. Je hebt een bias-probleem dat je wilt behouden.
Mythe #2: AI-interviews zijn een koude, onmenselijke kandidaat-ervaring.
Deze veronderstelling komt in veel gesprekken naar voren, maar dan zie ik de daadwerkelijke feedback van kandidaten die AI-interviews hebben doorlopen. “In eerste instantie wist ik niet goed wat ik kon verwachten, maar na ongeveer drie minuten voelde het comfortabel en natuurlijk.” We hebben gezien dat ze hun ervaringen consequent meer dan 4 van de 5 sterren gaven.
Dit is de reden waarom deze ontkoppeling bestaat: mensen gaan ervan uit dat het verwijderen van een mens uit de ruimte betekent dat eerlijkheid, warmte en kansen worden verwijderd. In werkelijkheid is vaak het tegenovergestelde waar. Een goed gepland AI-interview geeft elke kandidaat iets wat menselijke processen bijna nooit doen: een consistente, geduldige en onopvallende kans om te laten zien wat ze daadwerkelijk kunnen doen.
In een traditioneel proces komt het er bij wie een telefoonscherm krijgt vaak op aan of het cv op het juiste moment op een drukke middag de juiste trefwoorden bevat. Een AI-interview vergroot de mogelijkheid om daadwerkelijk te verschijnen. Het is niet het einde van het menselijke element in de werkgelegenheid, maar het begin van een eerlijkere voordeur.
Mythe #3: AI-interviewtools evalueren hoe je eruit ziet en klinkt.
Deze hoor ik vooral van kandidaten die bang zijn dat ze gestraft zullen worden vanwege hun accent, hun uiterlijk of hun camera-opstelling.
In ons systeem is de score gebaseerd op wat u daadwerkelijk zegt, dat wil zeggen de inhoud van uw antwoorden, de kwaliteit van uw redenering en de vaardigheden die u laat zien. Een van de redenen waarom we het op deze manier hebben ontworpen, is specifiek om het soort vooroordelen te verminderen dat in menselijke interviews sluipt door uiterlijk en presentatiestijl.
De AI-classificator die een gesprek analyseert, heeft geen besef van geslacht of enig ander kenmerk dat kan worden afgeleid uit stem of video, dat is bewust. Het doel moet altijd hetzelfde zijn: de vaardigheden en competenties vinden die succes in deze specifieke rol voorspellen, definiëren hoe het eruit ziet om ze te demonstreren, en consistent scoren op basis van die rubriek.
Mythe #4: Het gebruik van AI bij het aannemen van personeel is in de eerste plaats een technologische beslissing.
Dit is misschien wel de gevaarlijkste mythe op de lijst, omdat het ervoor zorgt dat talentmanagers een stap terug doen en IT of engineering het AI-gesprek laten sturen. En ik begrijp het instinct. Deze voelen aan als complexe hulpmiddelen, en het is gemakkelijk om aan te nemen dat het meest technische team in het gebouw de beslissing moet nemen. Maar werkgelegenheid is geen IT-probleem. Het is een talentenprobleem. En de mensen die het dichtst bij dat probleem staan, moeten degenen zijn die bepalen hoe AI wordt geïmplementeerd.
Talentmanagers hoeven geen ingenieur te worden, maar ze moeten wel begrijpen wat AI wel en niet kan doen in een wervingscontext, hoe het de besluitvorming verbetert, waar de beperkingen liggen, en hoe het de mensen ondersteunt die mensen aannemen en de mensen die het proces doorlopen. Dat betekent dat je jezelf moet opleiden, directe gesprekken moet voeren met leveranciers, lastige vragen moet stellen en oplossingen moet evalueren op basis van wat er echt toe doet: kan dit ons helpen toptalent aan te nemen en tegelijkertijd een geweldige kandidaat-ervaring te bieden?
Als je die beslissing overlaat aan een team dat optimaliseert op infrastructuur in plaats van op resultaat, krijg je een technisch solide systeem dat niemand in de talentverwerving vertrouwt of gebruikt. Eigenaar van de beslissing. Het is aan jou om te maken.
HET ECHTE RISICO
Is dit het echte risico als je aan de slag gaat met kunstmatige intelligentie? Niet zo veel. Het echte risico voor managers vandaag de dag is dat ze achterop raken bij het in stand houden van processen die altijd gebrekkig en gewoon vertrouwd zijn geweest. We kunnen de inherente beperkingen van door mensen geleide werving blijven accepteren, of we kunnen nieuwe technologie en benaderingen gebruiken om de lat voor gelijkheid, schaalgrootte en voorspellende nauwkeurigheid hoger te leggen.
De hulpmiddelen zijn beschikbaar. De gegevens zijn duidelijk. Het enige dat overblijft is de wil om ze daadwerkelijk te gebruiken.
Tigran Sloyan is de CEO en mede-oprichter van CodeSignal.
