Pošljete več prijav za zaposlitev, odziva pa ni? Razlog morda ni v vašem življenjepisu

Kot opozarja Your Tango, se del odgovora skriva v nedavni raziskavi univerze Stanford, ki razkriva, da težava pogosto ni v kandidatih, temveč v načinu, kako podjetja danes izbirajo nove zaposlene.

Raziskava z naslovom Algorithmic Monocultures in Hiring je analizirala približno 4 milijone prijav več kot 3 milijonov kandidatov. Pri tem so raziskovalci ugotovili, da sodobni zaposlitveni postopki postajajo vse bolj odvisni od avtomatiziranih sistemov, ki že v prvi fazi filtrirajo prijave.

Po ocenah strokovnjakov danes več kot 90 odstotkov delodajalcev v ZDA uporablja določeno obliko algoritmov ali umetne inteligence za pregled življenjepisov, še preden jih vidi kadrovik.

To pomeni, da o tem, ali bo kandidat sploh dobil priložnost za razgovor, pogosto odloča programska oprema, ki išče točno določene vzorce, ključne besede ali vedenjske značilnosti.

Ena ključnih ugotovitev raziskave je pojav, ki ga raziskovalci poimenujejo algoritmična monokultura. V praksi to pomeni, da veliko podjetij pri izbiri kandidatov uporablja enaka ali zelo podobna orodja umetne inteligence istih ponudnikov.

Zaradi tega prihaja do zanimivega učinka. Če kandidat v enem postopku dobi slabšo oceno, obstaja precejšnja verjetnost, da bo podobno ocenjen tudi drugje. Sistemi namreč delujejo po podobnih pravilih, zato različnim delodajalcem pogosto predlagajo zelo podobne odločitve.

Posledice so lahko precej oprijemljive. Podatki kažejo, da približno štirje odstotki kandidatov, ki se prijavijo na deset delovnih mest, prejmejo zavrnitev pri vseh prijavah. Takšen vzorec presega pričakovanja, ki bi jih lahko razložili zgolj z naključjem, in nakazuje, da se pri odločanju ponavljajo isti kriteriji.

Najbolj zaskrbljujoča ugotovitev raziskave je, da številni kandidati niso zavrnjeni zaradi pomanjkanja kompetenc, temveč zaradi samega načina filtriranja.

Algoritmi namreč temeljijo na podatkih in vzorcih, ki lahko vsebujejo pristranskosti. Pojavljajo se namreč razlike v tem, kako so obravnavane posamezne skupine kandidatov. Pri nekaterih se je izkazalo, da so bili pogosteje izločeni že v zgodnjih fazah, in to ne nujno zaradi slabših kompetenc, temveč zaradi značilnosti, ki niso neposredno povezane z njihovimi dejanskimi sposobnostmi.

Dodatno težavo predstavlja dejstvo, da se ocena kandidata lahko ohrani dlje časa. Če sistem enkrat "odloči", da kandidat ni primeren, se ta presoja lahko ponavlja tudi pri kasnejših prijavah, zato lahko prihaja do začaranega kroga.

Za iskalce zaposlitve ima to zelo konkretne posledice. Proces postaja manj transparenten, povratne informacije pa so redke ali avtomatizirane. Kandidati tako težko razumejo, kaj bi lahko izboljšali, pogosto pa dobijo občutek, da njihov trud sploh ni opažen.

Težava je tudi v tem, da algoritmi "berejo" življenjepis drugače kot ljudje. Kandidat lahko ima prave izkušnje, vendar jih ne predstavi na način, ki bi ga sistem prepoznal, zato sploh ne pride do naslednjega kroga izbora.

Raziskava Stanforda odpira širše vprašanje o prihodnosti zaposlovanja. Uporaba umetne inteligence sicer podjetjem prinaša hitrost in učinkovitost, a hkrati ustvarja tveganje, da se priložnosti za delo neenakomerno porazdelijo.

Če več podjetij uporablja enake sisteme, lahko ena sama pristranskost vpliva na tisoče odločitev hkrati. To pomeni, da posamezni kandidat ne izpade iz postopka le pri enem delodajalcu, temveč potencialno pri več njih obenem.

Čeprav sistem ni popoln, strokovnjaki svetujejo nekaj prilagoditev. Pomembno je, da kandidati življenjepis jasno prilagodijo posamezni zaposlitvi in vključijo ključne izraze iz razpisa, saj algoritmi pogosto delujejo na podlagi teh ujemanj. Prav tako je smiselno širiti mrežo poznanstev, saj osebni stik še vedno poveča možnosti, da prijava pride do dejanske osebe.

Hkrati pa raziskava jasno kaže, da bo v prihodnje vse več pozornosti usmerjene tudi v regulacijo in nadzor nad uporabo umetne inteligence pri zaposlovanju, saj gre za odločanje, ki ima neposreden vpliv na življenja ljudi.

Viri: Your Tango, Stanford University