Dirbtinis intelektas (DI) per pastaruosius kelerius metus tapo vienu svarbiausių pokyčių variklių daugelyje sričių. Šiandien vis daugiau organizacijų automatizuoja atrankos procesus – nuo kandidatų paieškos, informacijos analizės iki sprendimų priėmimo. Tačiau kartu su efektyvumu atsiranda ir naujų rizikų – nuo algoritmo šališkumo iki teisinių iššūkių. Šiame straipsnyje aptarsime, kaip DI keičia personalo atranką, kokią naudą jis suteikia organizacijoms ir kokius pavojus būtina įvertinti. Kaip DI keičia kandidatų atrankos procesus? Šiuolaikinė personalo atranka vis dažniau remiasi automatizuotais sprendimais, kurie leidžia apdoroti didelius kandidatų srautus ir sumažinti žmogiškųjų klaidų tikimybę, tačiau atsiranda kiti iššūkiai, dėl darbo jėgos trūkumo ir su tuo susijusių ribotų duomenų, daugybės skirtingų šaltinių.
Vienas aspektų -CV skenavimas ir kandidatų filtravimas. DI pagrįstos sistemos gali per kelias sekundes peržiūrėti šimtus ar net tūkstančius gyvenimo aprašymų. Jos analizuoja raktinius žodžius, patirtį, kompetencijas ir net karjeros istoriją. Tokie įrankiai leidžia identifikuoti tinkamiausius kandidatus dar prieš įsitraukiant žmogui. Kiek DI gali būti naudojamas interviu analizei ir jo vertinimui? Modernūs DI sprendimai gali analizuoti vaizdo interviu – vertina kalbą, toną, atsakymų struktūrą. Tačiau kai kurios funkcijos, pavyzdžiui, emocijų atpažinimas, jau yra uždraustos Europos Sąjungoje dėl etinių priežasčių . DI gali aktyviai ieškoti kandidatų įvairiose platformose ir pateikti rekomendacijas, paremtas ankstesniais sėkmingais įdarbinimais. Tai leidžia organizacijoms greičiau atrasti pasyvius kandidatus.
Automatizacijos teikiami privalumai – greitis, sąžiningumas, duomenų analizė. DI įrankiai siūlo reikšmingus privalumus, kurie keičia organizacijų požiūrį į atranką. Vienas didžiausių DI privalumų – greitis ir efektyvumas, gebėjimas apdoroti didelius duomenų kiekius per itin trumpą laiką, tad DI padeda taupyti laiką ir didina produktyvumą. DI leidžia priimti sprendimus remiantis objektyviais duomenimis, o ne vien intuicija. Tai ypač svarbu didelėse organizacijose, kur duomenų srautas ir sprendimų mastas yra didelis. Teoriškai DI gali sumažinti žmogišką šališkumą. Tačiau praktikoje viskas priklauso nuo duomenų kokybės ir algoritmų kūrimo principų.
Galimos rizikos – šališkumas, privatumas ir teisiniai aspektai. Nepaisant reikšmingų privalumų, dirbtinio intelekto taikymas personalo atrankoje kelia kompleksinių ir tarpusavyje susijusių rizikų. Šios rizikos tampa vis aktualesnės, nes DI nebeveikia kaip eksperimentinė technologija – jis tiesiogiai veikia sprendimus dėl žmonių karjeros, pajamų ir profesinių galimybių. Svarbu suprasti, kad DI rizikos nėra vien techninės – jos apima socialinius, etinius, teisinius ir organizacinius aspektus, kurie dažnai pasireiškia tik realiame naudojime.
Moksliniai tyrimai rodo, kad DI sistemos dažnai paveldi istorinius šališkumus iš duomenų. Tai reiškia, kad algoritmas „mokosi“ iš ankstesnių sprendimų, kurie jau gali būti paveikti žmogiškų stereotipų, organizacinės kultūros ar net sisteminės diskriminacijos. Dėl to DI gali netyčia atkartoti arba sustiprinti šališkumą pagal lytį, amžių, išsilavinimo instituciją ar net gyvenimo aprašymo formavimo stilių. Kaip tai atrodytų praktikoje? Tarkim kandidatai iš tam tikrų universitetų ar regionų sistemingai gauna žemesnius įvertinimus, net netiesioginiai signalai (pvz., kalbos stilius CV) tampa diskriminacijos pagrindu. Dar svarbesnis aspektas – automatizuotas šališkumo sustiprinimas. Kai DI modeliai naudojami dideliu mastu, net nedideli duomenų iškraipymai gali tapti sistemine problema. Naujausi eksperimentai taip pat rodo, kad žmonės, dirbdami su DI rekomendacijomis, dažnai linkę pernelyg pasitikėti algoritmo sprendimu, net kai jis akivaizdžiai klaidingas. Tai vadinama „automatizacijos šališkumu“ (automation bias). Tokiu atveju žmogaus vaidmuo atrankoje tampa formalus, o ne realiai koreguojantis, kas kelia rimtų klausimų dėl vadinamosios „žmogaus priežiūros“ (human-in-the-loop) efektyvumo. Ilgainiui tai gali sukurti situaciją, kai organizacijoje tampa nebeaišku nebesuprantama, kodėl kandidatai atmetami, prarandamas sprendimų skaidrumą, sunku ar neįmanoma atsekti, kur atsirado klaida – duomenyse ar modelyje.
Personalo atrankos metu įprastai tvarkomi itin jautrūs kandidatų duomenys: gyvenimo aprašymai, kontaktai, darbo istorija, atlyginimų lūkesčiai, o kartais net įvairūs testai ar vaizdo interviu įrašai. DI sistemoms integruojant šiuos duomenis, atsiranda papildomas rizikos, susijusios su BDAR (GDPR) reikalavimų vykdymo užtikrinimu, duomenų teisėtumu ir minimalumu (renkama tik tai, kas būtina), kandidatų informavimu, kaip duomenys bus naudojami, duomenų saugojimu ir prieigos kontrolę.
Dirbtinio intelekto naudojimo kontekste atsiranda papildomų iššūkių: duomenys dažnai apdorojami trečiųjų šalių platformose (HR įrankiai ir pan.), gali būti naudojami išoriniai duomenys, kuriuos sunku ar net neįmanom „visiškai ištrinti“. Svarbu tai, kad atsakomybė lieka organizacijai, o ne DI tiekėjui. Kitaip tariant, jei algoritmas priima šališką sprendimą, teisiškai atsako darbdavys, o ne technologijos kūrėjas. Tai iš esmės keičia požiūrį į DI – iš „inovacijos įrankio“ jis tampa reguliuojama atsakomybe. Norint efektyviai išnaudoti DI galimybes ir sumažinti rizikas, svarbu laikytis kelių esminių principų. Šie principai ne tik didina efektyvumą, bet ir padeda organizacijai atitikti teisės aktų reikalavimus bei išlaikyti kandidatų pasitikėjimą.
Naujausi tyrimai rodo, kad geriausi rezultatai pasiekiami tada, kai DI naudojamas kaip pagalbinis sprendimų įrankis, o ne kaip galutinis sprendimų priėmėjas. Žmogaus vaidmuo lieka interpretuoti DI rekomendacijas, įvertinti kontekstą (kurio algoritmas dažnai nemato), prisiimti atsakomybę už galutinį sprendimą. Toks modelis sumažina klaidų riziką ir leidžia išvengti „aklo automatizavimo“. Užtikrinant skaidrumą, atrankose dalyvaujantys kandidatai turi žinoti, kad jų vertinime naudojamas DI. Skaidrumas šiuo atveju nėra tik teisinis formalumas – tai tiesiogiai veikia darbdavio reputaciją. Praktikoje tai reiškia aiškų informavimą darbo skelbimuose, galimybę kandidatui gauti pagrindinę informaciją apie vertinimo logiką. Ne mažiau svarbu testuoti šališkumą, algoritmų tikrinimas yra būtini, norint užkirsti kelią diskriminacijai. Šališkumo testavimas turėtų apimti ne tik techninius rodiklius, bet ir realių rezultatų analizę: ar skirtingos grupės turi vienodas galimybes patekti į kitus atrankos etapus; ar DI rekomendacijos nesiskiria pagal lytį, amžių ar kitus netiesioginius požymius ir t.t. Svarbu, kad šie testai būtų atliekami nuolat, o ne tik diegiant sistemą.
Svarbu investavimas į duomenų kokybę. Kuo kokybiškesni duomenys, tuo patikimesni DI sprendimai. Tai vienas svarbiausių, bet dažnai nuvertinamų aspektų. Prasta duomenų kokybė gali lemti: netikslias kandidatų rekomendacijas, klaidingus atrankos filtrus, šališkų modelių sustiprinimą. Organizacijos turėtų investuoti į vieningas kandidatų duomenų bazes, duomenų valymo procesus, struktūrizuotą informacijos rinkimą.
Reziumuojant – DI diegimas personalo atrankoje nėra vien technologinis sprendimas – tai organizacinis pokytis, apimantis etiką, teisę, duomenų valdymą ir kandidatų patirties gerinimą. Didžiausios rizikos kyla ne iš pačios technologijos, o iš jos netinkamo arba nepakankamai kontroliuojamo naudojimo, taip pat iš skaidrumo stokos priimant sprendimus. Todėl sėkmingos organizacijos nėra tos, kurios DI naudoja daugiausiai, bet tos, kurios jį naudoja atsakingiausiai – aiškiai komunikuodamos atrankose dalyvaujantiems kandidatams, kaip ir kodėl naudojami automatizuoti sprendimai, bei užtikrindamos žmogaus įsitraukimą kritiniuose atrankos etapuose.
Kokios ateities perspektyvos? Dirbtinio intelekto vaidmuo personalo valdyme neišvengiamai didės, tačiau tai liks kaip pagalbinis įrankis, pagreitinant ir struktūruojant atrankos procesą, gerinant komunikaciją, padės automatizuojant pirminę kandidatų atranką, rengiant atrankos skelbimus, struktūruojant pozicijos reikalavimus, suformuojant kompetencijų modelį, rengiant užduotis, analizuojant kompetencijas, sisteminant jau turimą informaciją ar net prognozuojant darbuotojų sėkmę organizacijoje. Tačiau ateities personalo atranka įmonėse greičiausiai nebus visiškai automatizuota – ji taps hibridine, derinančia technologijų efektyvumą ir žmogaus kompetencijas bei intuiciją. Personalo specialistas galės gauti DI rekomendacijas, tačiau galutinis sprendimas išliks žmogaus rankose. Taip pat vis daugiau dėmesio bus skiriama „atsakingam dirbtiniam intelektui“ (Responsible AI), kuris kritiškai vertins DI pateikiamą info, užtikrins skaidrumą, nediskriminavimą, duomenų apsaugą ir aiškią atsakomybės ribą tarp žmogaus ir algoritmo. Taip pat svarbus taps nuolatinis DI sistemų veikimo stebėsena, klaidų analizė, veikiant realiomis sąlygomis. Organizacijos, kurios sugebės suderinti inovacijas su etika ir aktyvia komunikacija su kandidatais, turės didžiausią konkurencinį pranašumą.
Kokia būtų išvada? Dirbtinis intelektas iš esmės keičia atrankos procesus, suteikdamas greitį, efektyvumą ir pažangias duomenų analizės galimybes, tačiau kartu jis kelia ir naujų iššūkių – ypač susijusių su šališkumu, privatumu, reguliavimu bei pasitikėjimo užtikrinimu. Todėl šiuolaikinė personalo atranka turi būti ne tik technologinė, bet ir atsakinga, orientuota į žmogų. Tik subalansuotas DI ir žmogaus sprendimų derinys, paremtas skaidrumu ir etikos principais, gali užtikrinti ilgalaikę sėkmę tiek organizacijoms, tiek kandidatams. Dirbtinis intelektas personalo atrankoje jau tampa būtinu įrankiu, tačiau didžiausią vertę sukuria tik tada, kai yra derinamas su žmogaus sprendimais, psichologiniais principais ir aiškia komunikacija su kandidatais. Ne mažiau svarbu išliks kandidato patirties valdymas, komunikacija ir darbdavio įvaizdis, dėmesys skiriamas etikai, BDAR reguliavimui, siekiant išvengti šališkumo ir užtikrinti skaidrumą. Sėkmingiausios organizacijos yra tos, kurios DI naudoja kaip pagalbinį įrankį, o ne sprendimų pakaitalą. DI HR valdyme ir personalo atrankoje Europoje nėra „sprendimų priėmėjas“, o struktūruotas pagalbininkas, kuris spartina procesą, bet privalo būti kontroliuojamas žmogaus ir atitinkantis griežtus etikos, BDAR ir kitus reikalavimus. ES kontekste DI atrankoje laikomas aukštos rizikos sistema, kuriai taikomas griežtas valdymas ir žmogaus priežiūra.
Praktiniai patarimai HR specialistams: derinkite DI su žmogaus sprendimu, užtikrinkite skaidrumą, testuokite/vertinkite šališkumą, investuokite į duomenų kokybę, sekite teisinę aplinką ir pakeitimus. Reguliavimas DI srityje keičiasi itin greitai. Tai, kas šiandien laikoma gerąja praktika, rytoj gali tapti teisiniu pažeidimu. Dirbtinis intelektas I transformuos personalo atranką į greitesnį ir duomenimis grįstą procesą, tačiau tik žmogaus ir technologijos derinys galiausiai užtikrins kokybiškus ir patikimus sprendimus.
Dažniausiai užduodami klausimai:
Ar DI gali visiškai pakeisti HR specialistą atrankoje?
Atsakymas – ne. DI Europoje laikomas sprendimų palaikymo, o ne sprendimų priėmimo įrankiu. Pagal ES AI Act (dirbtinio intelekto reglamentą), personalo atrankos DI sistemos priskiriamos aukštos rizikos sistemoms, todėl reikalaujama žmogaus priežiūros.
Praktikoje DI filtruoja CV, reitinguoja kandidatus, automatizuoja rutiną, bet galutinis sprendimas turi likti žmogui (HR / vadovui)
Kaip DI užtikrina (ar nepažeidžia) kandidatų lygybės?
Atsakymas -DI gali tiek sumažinti, tiek sustiprinti šališkumą – priklauso nuo duomenų kokybės.
ES ir EDPB (Europos duomenų apsaugos valdyba) pabrėžia, kad būtina vengti diskriminacinių duomenų, turi būti užtikrintas skaidrumas ir paaiškinamumas. Tam atliekami auditai, žmogus peržiūri galutinius trumpuosius sąrašus (shortlist’us)
Ar kandidatai turi būti informuojami, kad naudojamas DI?
Atsakymas – taip. Pagal ES BDAR (GDPR) ir AI Act principus kandidatai turi būti informuoti, kai jų duomenys analizuojami automatizuotai, turi būti aišku, kokiam tikslui DI naudojamas, kai kuriais atvejais – turi būti galimybė prašyti žmogaus peržiūros
Kokia didžiausia DI rizika personalo atrankoje?
Atsakymas – pagrindinės rizikos, kurias akcentuoja ES ir tarptautinės HR gairės – tai šališkumas, skaidrumo trūkumas, privatumo pažeidimai – per plati kandidatų duomenų analizė.
Kokie yra DI naudojimo ribotumai personalo atrankoje ir kandidatų paieškoje?
DI gali gerokai paspartinti kandidatų paiešką, CV analizę ir pirminį kandidatų rūšiavimą, tačiau jo vertinimas priklauso nuo turimų duomenų ir iš anksto nustatytų kriterijų. Todėl sistema gali nepastebėti kandidato potencialo, netradicinės karjeros patirties ar kompetencijų, kurios nėra aiškiai matomos CV. Ypač atsargiai DI reikėtų naudoti tuomet, kai pagal jo vertinimą kandidatai automatiškai reitinguojami ar atmetami. Netinkami kriterijai ar šališki istoriniai duomenys gali lemti netikslius arba diskriminacinius rezultatus. ES DI akte įdarbinimui ir kandidatų atrankai naudojamos DI sistemos priskiriamos prie didelės rizikos sistemų, todėl jų naudojimui taikomi papildomi reikalavimai. Todėl DI personalo atrankoje vertingiausias tuomet, kai jis padeda apdoroti informaciją ir pagreitina paiešką, tačiau kandidatai negali būti vertinami vien pagal automatiškai sugeneruotą rezultatą.