人工智能能取代人力资源专家吗?还没有。-埃贡·先达

随着人工智能在商业中的应用近年来，该技术在越来越复杂的应用中得到了应用。现在，它开始征服人力资源领域——这可能是由计算机解决的最复杂的领域之一。本文将阐述使用的不同方法，呈现人才生命周期中的一些用例，并描述新技术的机遇和挑战。

预测性格-从文本，语言和行为

研究人员、初创企业和组织使用不同类型的数据来预测个性、工作适合度和满意度，并最终预测工作绩效。虽然大多数方法都有一个共同点，那就是将候选人的个人资料与当前的工作所有者进行比较，但用于这种比较的数据可能非常多样化。最常见的三个数据源是:

文本(如Seedlink, Xing, LinkedIn):基于自然语言处理算法，对标准化文件(如简历或申请信)或问题的答案(如失败的故事和其他与工作相关的能力)进行分析和比较，并与应用领域的当前工作所有者进行比较。
语言(例如:Precire):申请人回答预先设定的关于自身、动机和经历的问题。该算法分析语音的多个方面，如水平(单词的频率、词汇、句法)、调性或语速。
行为(例如HireVue):分析肢体语言、手势或眼球运动可以用来预测性格。在最近的一篇论文中，科学家们通过在日常环境中跟踪受试者10分钟的眼球运动，能够预测一些(但不是全部)性格特征。

虽然上面分别介绍了这三种方法，但不同的初创公司已经将它们结合起来，以获得更好的结果和见解。英国和德国的初创公司SOMA Analytics通过手机使用数据，包括语音模式、短信行为、睡眠和运动数据，预测了工作人口患抑郁症的风险。

贯穿整个人才生命周期的用例

各种组织已经利用了上述新技术的机会。这些申请涵盖了人才的整个生命周期，从匹配机会到甄选、人才发展和留住:

匹配:招聘人员经常会收到100多份求职申请。因此，他们花了大量的时间筛选和评估可能不合适的候选人。有两种方法可以减少招聘人员的工作量:
- (1)增加合适求职者的申请比例——初创企业如MeetFrank，以及老牌平台如LinkedIn，利用求职者提供的信息，只向他们展示合适的工作机会，让他们找到感兴趣的工作——以及
- (2)为组织预选合适的候选人，自动对候选人的档案进行评分，进行积极的接触。
诊断:组织使用人工智能预测个性或核心能力作为应用程序的筛选机制。例如，一家大型人事服务提供商要求所有求职者通过15分钟的电话面试，人工智能会根据他们的回答建立42个维度的个性档案。只有符合各自职位要求的候选人才会被邀请参加真正的面试。
发展:第三组应用程序的目标是实现更好的性能。而德国一家大型保险公司则使用人工智能来更好地了解哪些领导人可能会辞职推动数字化转型基于自身的个性，领先的全球管理咨询公司已开始努力了解团队需要如何配备人员，以最适合客户的需求。
保留:最后，一些组织试图预测员工的行为和健康状况，目的是尽早进行干预，以减少由于员工满意度不足或健康问题而造成的不必要的减员。上述SOMA Analytics公司为个人和组织提供匿名档案和量身定制的干预措施，以减少压力相关问题的风险。

上述例子表明，人工智能几乎可以在人才生命周期的所有方面发挥重要作用。这就引出了一个问题:人工智能的用户认为哪些优势可能会超过批评者的反对意见。

机会:更快、客观、全面

纵观人工智能在选择和发展方面的好处，支持者基本上指出了这些方法提供的三个机会:

一致性:一些软件解决方案的用户，如Precire，对人格模型的准确性感到惊讶。他们声称，这与他们的其他选择和评估方法的结果有显著的一致性，包括多日评估周期。例如，一家公司报告说，软件评估和他们的模型之间的重叠高达80-90%。此外，应该注意的是，目前的选择和发展方法还不是100%完美的——研究人员已经证明，工作申请中的微小变化，如字体大小、性别或姓名，对邀请和候选人的成功率有很大影响。
速度:许多用户认为，使用人工智能的一个主要好处是为招聘人员节省时间。考虑到大量的申请，例如大型跨国组织的一个职位有100多个申请，人工智能可以通过匹配合适的职位和合适的简介来吸引更高质量的申请，根据申请或附加问题预先评分进入的申请，或为第一轮面试工作，如任仕达的例子。除了能够管理大量收到的申请，这也为招聘人员腾出了时间进行其他活动。
客观性:最后，研究表明，选择过程非常容易受到各种偏见的影响——从相似性偏见(选择与自己相似的人)和光环效应(单一特征决定一个人的整体形象)到无意识偏见(包括刻板印象和歧视，例如基于性别或外貌的歧视)。在这些过程中使用人工智能可以减少这种脆弱性，并通过将申请人的数据与数据库内容进行比较，以更客观、平衡的视角来看待申请人。

值得注意的是，目前只有少数支持者真正在考虑完全取代人类决策——大多数人认为，虽然建议的方法可以支持和增强决策，但最终的决策应该由人类决策者来做。

挑战在于:透明度、重要性和有效性

对该技术持批评态度的人认为，该技术的使用面临三大挑战，主要原因是缺乏透明度、性格与工作绩效之间的关系不完善以及缺乏独立的效度研究:

透明度:许多人在处理人工智能时感到某种不安——尤其是涉及到与人有关的应用时。其中一个原因是缺乏内部和外部的透明度。内部透明度是指虽然大量数据被输入到算法中，但通常即使是程序员也不能确切地说出他们是如何得到结果的(即什么数据以什么方式使用以及为什么使用)。另一方面，外部透明度是关于对数据隐私的关注，例如，担心除了数据的明显应用之外，这些数据将被用于进一步的应用，而申请人对数据的使用时间和目的没有明确的了解(例如，在做出晋升决定时预测压力脆弱性)。
意义:上面提到的许多公司和方法都使用这些数据来预测性格特征，包括与当前在职人员相比应对压力的能力。正如直觉和经验所表明的，虽然在某些职位上(成功的)工作人员之间可能有相似之处，但也有巨大的差异。科学研究支持了这一观点:性格并不是工作适合度、满意度或绩效的完美预测指标。除了目前的表现和性格，候选人的潜力是至关重要的，特别是在青年人才的选择。此外，背景和团队能力的多样性是优秀表现的重要预测因素，而将候选人的资料与当前在职人员的资料进行比较则削弱了这一点。
有效性:虽然支持者和初创企业的主张非常有前景，申请人和实践者报告了从所使用的方法中获得的深刻结果，但目前明显缺乏支持这些主张的外部、独立的研究。因此，从这些方法得到的结果可能并不适用于相关的应用程序——导致穷人决策的风险。