Еще до глобального хайпа я анализировала роль нейросетей в сфере HR и строила прогнозы. С того момента прошло шесть лет. Если коротко, то — большинство прогнозов сбылись. ИИ действительно нарастил мощности и быстро выполняет рутинную работу. При этом сотрудники на месте и не были глобально вытеснены ИИ-технологиями ни на одном из уровней. Скорее, искусственный интеллект стал еще одним инструментом, которые HR использует для повышения скорости решения повседневных задач, связанных, в основном, с обработкой большого количества информации и данных. Там же, где необходимо принимать решения, последнее слово пока еще остается за сотрудником, а не машиной.
Как ИИ изменил рутинные задачи в HR
Сегодня искусственный интеллект блестяще справляется с рутиной: скрининг резюме, составление анкет, мониторинг процессов и анализ данных. Возможность мгновенно получить срез ситуации в компании любого масштаба – это огромное преимущество. Но соискатели тоже не отстают, и, честно говоря, во многом даже опережают HR-специалистов. Резюме, подготовка к собеседованиям, тестовые задания – в ИТ-отрасли кандидаты используют ИИ почти всегда.
Впервые мы столкнулись с этим три года назад при наборе стажеров. Стало очевидно, что многие используют ChatGPT для написания сопроводительных писем и решения техзаданий. Тогда было принято решение изменить подход и оценивать качество использования ИИ. Проверить работу кандидата на использование нейросетей не сложно – существуют ИИ-детекторы, маркеры использования ИИ заметны опытным пользователям, а работы проверялись непосредственно инженерами. Кроме того, мы поставили своеобразную «защиту» – задания были заранее протестированы в ChatGPT так, чтобы нейросеть не смогла выполнить его идеально и человеку надо было бы вносить свои коррективы, используя критическое мышление. Если кандидат слепо скопировал ответ нейронки, то ему приходил отказ. Но если осмыслил и доработал ее ответ, проявив пытливость ума, – приглашали его на следующий этап собеседования. В итоге из более 500 анкет мы выбрали резюме десяти стажеров, которые быстро выросли в крепких специалистов.
Вместо того, чтобы «бороться с ветряными мельницами» и запрещать нейросети, компания перевела фокус на оценку навыков будущего: ценность стажера больше не измеряется его способностью держать в голове справочную информацию, полученную в ВУЗе или писать шаблонный код. Важнее то, как быстро он умеет находить решения и ставить правильные задачи, а это один из главных навыков, характеризующих талантливого инженера.
Нейросети часто галлюцинируют, выдают поверхностные или фактически неверные ответы. Способность кандидата заметить ошибку ИИ, усомниться в выдаче и скорректировать ее – это показатель зрелости и аналитического склада ума.
Получается, что HR-менеджеры, ускорившись вслед за соискателями, просто остались с ними на одном уровне. Здесь идеально подходит цитата Льюиса Кэрролла из «Алисы в Зазеркалье»: «Нужно бежать со всех ног, чтобы только оставаться на месте, а чтобы куда-то попасть, надо бежать как минимум вдвое быстрее».
Почему эмпатию не оцифровать
Одно из главных опасений прошлых лет заключалось в том, что ИИ начнет принимать решения за нас. И оно отчасти сбылось.
Решения машин математически безошибочны и лишены человеческих предубеждений, эмоций или усталости, но ИИ не способен на эмпатию. Он не видит того, что чувствует опытный рекрутер. Чрезмерная «дегуманизация» процессов опасна: кандидаты и сотрудники быстро почувствуют себя «просто цифрами», что неизбежно снизит лояльность к бренду работодателя. На том уровне компетенций, который требуется в нашей компании, необходимо живое общение кандидата с опытным рекрутером, чтобы обсудить не только знания и навыки, но и особенности корпоративной культуры.
Важно избегать ситуаций, в которых найм превращается в сухой алгоритмический фильтр, так как компания рискует потерять не только доверие и привлекательность для соискателей, но и так называемые «скрытые таланты» – людей, чей опыт не идеально ложится в заданные шаблоны, но чей потенциал сложно переоценить.
Поэтому ИИ сегодня – это мощный ассистент, а не судья. Он мгновенно проанализирует компетенции, сравнит их с требованиями должности, учтет результаты тестов и когнитивного анализа. Но финальное решение, основанное на этих данных и корпоративной культуре, всегда остается за человеком. Машина предлагает комбинаторику нового уровня, но только человек способен на творческий подход и нестандартное мышление.
Приведу пример из практики. Недавно мы искали опытного инженера для узкоспециализированной задачи, с серьезным стажем, который обычно нарабатывается не менее чем за пять-семь лет, и такой специалист откликнулся на вакансию. Но в его резюме присутствовала пауза продолжительностью немногим более года. ИИ-ассистент сразу отбраковал анкету и отправил кандидату холодный шаблонный автоотказ. Для машины этот кандидат стал «просто цифрой с низким скоринговым баллом». Компания едва не потеряла ценного сотрудника – хорошо, что наш менеджер по подбору персонала использует ИИ в тестовом режиме и перепроверяет за ним. В результате кандидату перезвонили, честно объяснили ситуацию с отказом, договорились о встрече, на которой выяснили, что перерыв в работе был вполне объясним – специалист брал паузу для интенсивной учебы, параллельно успешно работая во фрилансе.
Эта история научила нас тому, что как бы гениально и детализировано ни был написан промпт для скоринга анкет, при поиске и найме узкоспециализированных кадров автоматизация может сыграть злую шутку, каждую из таких анкет нужно просматривать и проверять вручную.
Как сотрудники осваивают и применяют ИИ в работе
В компаниях всегда присутствуют сотрудники с разным уровнем интереса к новым технологиям. Это нормально: кто-то активно ищет и внедряет все новое, другие полагаются на программы обучения в компании и идет на те курсы, на которые его отправляет работодатель. Важно это понимать и показывать на примере пилотных групп результаты, которых достигают их выпускники.
Мы обнаружили, что сотрудники, которые самостоятельно проявили интерес к ИИ-технологиям и начали применять их в той или иной мере в работе, высвободившееся время, примерно пару часов в неделю, выделяют на более глубокое изучение ИИ.
В итоге в корпоративной академии был реализован курс по базовым знаниям о работе с ИИ. Интересно, что сначала мы получили много откликов от желающих пройти курс, а далее – воронка ожидаемо сузилась. Из тех, кто записался, начали посещать его порядка 70%, еще 40% перестали ходить на занятия на том или ином этапе. В итоге полностью весь курс посетила треть записавшихся. Это нормальная практика в корпоративном обучении, которое построено только на интересе слушателей к теме курса и производится без собственных вложений сотрудников.
Мы рассказываем об этом в корпоративных медиа, снимая вопрос сложности применения ИИ как инструмента и популяризируя обучение и его применение на практике. Разговоры коллег о том, как увлекательно прошла первая часть программы, и их успехи на практике, побуждает других записаться на базовый курс и пройти обучение, а тех, кто не дослушал – вернуться к его прохождению. Такой тактикой мы планируем подготовить и мягко вовлечь всех сотрудников в работу с использованием ИИ.
Три совета амбассадорам инноваций
Остаться в стороне от цифровизации уже не получится. Поэтому я искренне верю, что HR-специалисты должны не просто адаптироваться к изменениям, а выступать их флагманами, задавать тренды и становиться настоящими евангелистами применения ИИ в бизнесе. Исходя из моего опыта использования ИИ в рабочих процессах, могу дать три рекомендации.
- Используйте корпоративные решения. Самый безопасный способ – применять ИИ-модели, которые работают в закрытом корпоративном контуре или в инфраструктуре, принадлежащей компании. Это позволит защитить информацию и данные не выйдут во вне.
- Регламентируйте использование ИИ. Важно сформировать и утвердить внутренние процедуры применения нейросетей в работе. Все должно быть доходчиво и четко: перечень применяемых ИИ-инструментов, уровень чувствительности информации, которую можно в них загружать и список того, чем с некорпоративными ИИ-инструментами делиться нельзя. Сейчас много говорят о культуре ответственного использования нейросетей – это имеет под собой практически важную основу. Важно проводить обучение сотрудников и утверждать единые схемы безопасной работы с ИИ, чтобы технологии использовались эффективно, с соблюдением этики и закона № 152-ФЗ.
- Верифицируйте результаты ИИ. Всю информацию от нейросети не стоит принимать как истину в последней инстанции или слепо брать данные для дальнейшей работы. Установите для себя точки контроля и проверяйте результаты работы нейросети. Например, обращайте внимание на причины отклонения резюме – в них можно обнаружить результат неточностей или неверно интерпретированных системой запросов.
Читайте также:
Интересное решение по использованию специально подобранных задач для кандидатов, получается что-то типа олимпиадных задач для специалистов.
Понятно, что это важно для области, в которой работает именно эта компания.
Возможно, такой опыт и в других областях пригодится, вот только такие задачи квалифицированным специалистам придется выдумывать, хорошо, если они есть.
Можно поблагодарить Ирину за сдержанное отношение к ИИ. Приоткрыла дверь на кухню.
Сейчас многие стоят на перепутье. С одной стороны, надо бы не опоздать и плотно изучать опыт применения ИИ, примерять на свои порядки, тенденции, не упустить важное, не отстать. С другой стороны, необходимость использования ИИ все-таки, на моё взгляд, ещё под большим сомнением.
Приведу цитату автора: "Поэтому ИИ сегодня – это мощный ассистент, а не судья. Он мгновенно проанализирует компетенции, сравнит их с требованиями должности, учтет результаты тестов и когнитивного анализа. Но финальное решение, основанное на этих данных и корпоративной культуре, всегда остается за человеком".
Давайте разберемся, что происходит. Мы доверяем ИИ самый важный момент - поиск подходящих кандидатов, фильтрацию. И потом он на основании созданных им же тестов откидывает часть кандидатов. И предлагает их человеку.
А человеку кажется, что это он, человек, принимает решение, ведь он не перепроверяет откинутых кандидатов. А если перепроверяет, то зачем тогда нужен ИИ? Чтоб добавить ещё одну преграду между ним и генеральным для кандидатов? Ирина даже замечательный пример привела. Если бы ИИ был человеком, то он представлялся самым что ни на есть манипулятором и циником. К нему бы с пачками денег шли кандидаты, чтоб попасть в заветный список. Генеральный завел себе ещё одну, только глупую, но исполнительную секретаршу.
Все-таки человек принимает решение по своей объяснимой логике, а ИИ нет. Никогда не наступит время, когда мы уверенно будем брать его рекомендации за основу. Особенно это видно в военной сфере, с чудовищными примерами, когда ИИ доверяют выбор цели. Думаете, что его решение не перепроверяли? Ещё как перепроверяли. Нас о таком исходе предупреждали в военном училище лет 40 назад.
Во всех описаниях опыта использования нейросетей не хватает конкретного опыта на конкретных примерах. Я понимаю, многие пока из этого делают секрет.
Но могу поделиться своим небольшим секретом. В мои задачи часто входит анализ больших массивов информации из десятков документов, например, спецификаций по объектам. ИИ делает это мгновенно. Это даже поражало в первое время. Но потом приходилось проверять эти результаты. Доверять проверку ИИ его же результатов оказалось небезопасно, ИИ слишком сервилен, он с готовностью признает свои мнимые и не мнимые ошибки.
И сейчас я все-таки ставлю его роль на другие позиции: не я проверяю его результат, а он проверяет мои. Это гораздо надежнее.
Удивительно разумный материал. Значительно лучше большинства статей про ИИ в HR. Не без огрехов, но вот то, что автор не впадает в избыточный технооптимизм, отдельное спасибо.
Единственно у меня 2 вопроса. Даже не вопроса, а сомнения относительно тезисов
(1) "ИИ не способен на эмпатию", кстати очень популярном, но не совсем корректном. Стоит разделять эмпатию и демонстрацию эмпатии. И сегодняшние LLM модели уже способны достаточно убедительно распознавать эмоции и адаптировать стиль общения, поддерживая диалог в _ожидаемой_ тональности. Так что тезис "эмпатию невозможно оцифровать" сегодня выглядит слишком категоричным и не соответствует действиельности
(2) Математически безобыбочным может быть алгоритм, не решение. Поэтому тезис "решения машин математически безошибочны" имхо также сомнителен. Качество решения сильно зависит от данных и критериев. Если скоринг криво настроен, то и решения будут такие себе. Это база
Применение ИИ в HR уже бессмысленно отрицать - это часть рабочего процесса. Но практика показала: выигрывают не те компании, которые пытаются заменить рекрутера или HR нейросетью, а те, кто усиливает сотрудников с помощью ИИ.
Самая рабочая модель сейчас - это связка "человек + ИИ". Рекрутер или нанимающий менеджер получает ассистента, который ускоряет рутину: анализ информации, подготовку материалов, коммуникации, поиск данных. При этом финальное решение, оценка мотивации, адекватности и культурного соответствия по-прежнему остаются за человеком.
Вторая проблема, с которой столкнулись многие компании: просто выдать сотрудникам доступ к ChatGPT недостаточно. Без обучения и понятных сценариев использования это превращается в хаотичное применение сервисов с разным качеством результата и рисками для данных.
Ценность появляется только тогда, когда ИИ встроен в конкретные процессы: подбор, адаптацию, аналитику, подготовку отчетов, внутренние коммуникации, поддержку сотрудников, работу руководителей с командами. И обучение здесь должно строиться вокруг реальных рабочих задач, а не вокруг универсальных "промптов для всех".
Еще один важный момент - корпоративные решения. Сам по себе совет использовать локальные модели правильный, но мало просто развернуть ИИ внутри компании (да и не для HR эта задача). Его нужно адаптировать под процессы бизнеса, настраивать агентов, подключать внутренние базы знаний и сопровождать внедрение. Иначе даже сильная модель останется дорогой игрушкой без ощутимого эффекта для бизнеса.
Со своей стороны предлагаю несколько иную трактовку этого примера.
Сотрудник HR, задавая критерии, с помощью компьютерной программы обрабатывает источники данных (тексты резюме). Компьютерная программа обрабатывает тексты, часть информации преобразует под запрос, часть информации отбрасывает.
Но т.к. разработчик программы не может предусмотреть всевозможные варианты, форматы исходных данных, не может предусмотреть все смыслы, закладываемые человеком (и тем кто формирует исходные данные, и тем кто задаёт критерии), то результат получается искажённым.
Я думаю, что тут всё не так однозначно, по-моему, у обеих сторон есть недостатки и достоинства.
А в тандеме, может, вообще что-то несуразное получится.
Наверняка уже есть примеры.