12 задач, которые ИИ может решать в оценке персонала

От самых простых и те, которые ИИ умеет решать уже сейчас — к более сложным, которые ИИ только начинают решать.
1️⃣ Создание контента для оценочных инструментов. Например, заданий для опросников и тестов, в том числе для кейс-тестов; вопросов для интервью и текстов для моделирующих упражнений. Помогает авторам инструментов справиться со «страхом белого листа» и отмасштабировать их работу.
2️⃣ Создание оценочных критериев. Например, более точная и глубокая работа с данными для создания моделей компетенций, ценностей, потенциала. Доработка названий компетенций и ценностей, описания индикаторов с учетом особенностей корпоративной культуры.
3️⃣ Подбор инструментов оценки. У компаний и провайдеров зачастую большой портфель инструментов. Языковые модели могут ассистировать в их выборе.
4️⃣ Автоматизация контент-анализа. Контент-анализ особенно трудоемок, когда речь идет о крупных проектах с >100 участниками. Например, проектах 360 градусов и проектах исследования вовлеченности. В этих проектах есть открытые комментарии, которые могут потребовать анализа в разрезе подразделения или всей компании. Языковые модели помогают выделить темы в таких комментариях.
5️⃣ Повышение точности традиционных опросников. Традиционные опросники уперлись в точность в 70% (чаще — 60%) в прогнозе поведения. ИИ может повысить эту точность до 80%. Например, в опроснике delta.ai точность оценки компетенций выше в 2,5 раза, чем у традиционных опросников. Но цена — снижение прозрачности оценки. Даже в недавнем отчете лидера ИИ-оценки Hirevue под «прозрачностью ИИ» подразумевается просто отчет с баллами.
6️⃣ Создание отчетов по экспертной оценке. Написание отчетов после интервью и центров оценки — одна из самых трудоемких задач в работе оценщика. ИИ здесь может создавать «сырой» текст на основе простых наблюдений и интерпретаций оценщика. И таким образом сокращать время на написание отчета до 50%. Но, опять же, ему нужны примеры эталонного текста.
7️⃣ Автоматизация асинхронной оценки (видеоинтервью, решение упражнений, эссе). ИИ может проводить оценку на основе поведения участника — его речи в видеоинтервью, устных или текстовых решений в упражнениях, чатах (см Sapia.ai). Для подобных решений требуется либо локальная модель с огромной выборкой обучения, либо провайдерская модель с подробным чек-листом оценки участника. По крайней мере, пока локальные (опенсорсные) модели не дотянулись по качеству до провайдерских.
8️⃣ Расшифровка результатов оценки для участников. Это что-то типа «обратной связи для каждого». В крупных компаниях участники часто получают результаты оценки и не знают, что с ними делать. Языковые модели могут поддержать диалог с участником, помочь ему проинтерпретировать результаты и наметить направления для развития.
9️⃣ Проведение технического интервью. Программирование, аналитика данных — очень стандартизированные области на начальных уровнях экспертизы. Языковые модели очень хорошо выполняют задачу оценки базовых технических навыков. С чем сейчас и связан бум соответствующих стартапов в США.
1️⃣0️⃣ Прогноз поведения сотрудников на основе «сложных» данных. Например, на основе переписки сотрудников в корпоративных месседжерах. Или просто большого количества данных, включая социально-демографические (но не дискриминирующие сотрудников). Есть известные кейсы Ростелекома и МТС.
1️⃣1️⃣ Ассистирование в оценке в реальном времени. ИИ может подсказывать рекрутеру, в какие темы стоит углубиться в разговоре с кандидатом. Относительно новая технология, помогающая в первую очередь в интервью на технические специальности. См FinalRoundAI.com.
1️⃣2️⃣ Автоматизация синхронной оценки. Имею в виду цифровых аватаров, проводящих интервью, упражнения и другую нестандартизированную экспертную оценку. То, чего боимся все мы — люди. Думаю, подобное станет возможно еще до появления «сильного ИИ», то есть подобного нашему сознанию. Просто нужны более размышляющие и сомневающиеся ИИ. А еще более дешевые. Что совокупно станет возможно только после следующего скачка технологий.

Автор: Юрий Шатров