Տաղանդների ներգրավման գործընթացում Generative AI-ի (գեներատիվ արհեստական բանականության) խոստումը վաղուց դիտարկվում էր որպես հավասարության հասնելու վերջնական գործիք։ Վերացնելով «մարդկային գործոնը»՝ իր բնորոշ հոգնածությամբ, ենթագիտակցական նախապաշարմունքներով և հուզական անկայունությամբ՝ բիզնեսի ղեկավարները հույս ունեին հիմնելու մերիտոկրատիայի (արժանիքների վրա հիմնված համակարգի) մի դարաշրջան։ Տրամաբանությունը պարզ էր. եթե մարդկային գնահատականի սուբյեկտիվությունը փոխարինեք գերարագ օրինաչափությունների վերլուծությամբ, կստանաք կատարելապես օբյեկտիվ ընտրացանկ։

Սակայն վերջին հետազոտությունները ստիպում են վերանայել այդ լավատեսությունը։ Մենք բացահայտում ենք, որ Large Language Models (LLMs)-ի (լեզվական մեծ մոդելների) ճարտարապետությունը՝ մեր ժամանակակից թվային փոխակերպման շարժիչ ուժը, կարող է հակված լինել ներքին, ի հայտ եկող նախապաշարմունքների ձևավորմանը, որոնք գործում են իրենց ուսուցողական տվյալներից անկախ։ Ընկերությունների համար, որոնք շտապում են ավտոմատացնել հավաքագրման գործընթացները, սա լուրջ վտանգ է ներկայացնում կազմակերպության առողջության, արդարության և երկարաժամկետ ROI-ի (ներդրումների եկամտաբերության) համար։

Ուրվականը գործընթացում. ի հայտ եկող նախապաշարմունքները vs. ուսուցողական տվյալները

Տարիներ շարունակ ԱԲ-ի արդարության մասին քննարկումները կենտրոնացած էին բացառապես «տվյալների թունավորման» վրա. այն գաղափարի, որ եթե LLM-ը սնվի այնպիսի ընկերության պատմական տվյալներով, որը նախապատվությունը տվել է կոնկրետ ժողովրդագրական խմբի, ապա մոդելը պարզապես կարտացոլի այդ նախապաշարմունքները։ Սա լավ ուսումնասիրված մարտահրավեր է, որը տվյալագետները մեղմացնում են խիստ աուդիտի և տվյալների մաքրման գործընթացների միջոցով։

Սակայն նոր ապացույցները ցույց են տալիս ավելի բարդ և անհանգստացնող իրականություն. LLM-ները իրենց ուսուցողական հավաքածուների պասիվ հայելիներ չեն։ Քանի որ այս համակարգերը նախագծված են հավանականությունները կանխատեսելու և լեզվական օրինաչափությունները օպտիմալացնելու համար, դրանք կարող են զարգացնել սեփական ներքին էվրիստիկաները։ Երբ նրանց հանձնարարվում է պատասխանատու որոշումներ կայացնել՝ օրինակ՝ ռեզյումեների վերլուծություն, այս մոդելները կարող են սկսել «խմբավորել» թեկնածուներին այնպիսի հատկանիշների հիման վրա, որոնք ոչ մի կապ չունեն աշխատանքի հիմնական պահանջների հետ։

Այստեղ տեխնոլոգիան արդյունավետ գործիքից վերածվում է համակարգային ռիսկի։ Եթե թեկնածուների զտման համար նախատեսված ԱԲ գործակալը սկսում է լեզվական որոշակի ոչ վնասակար հնարքներ կամ ձևավորման ոճեր կապել «հաջողության» հետ՝ հիմնվելով իր ներքին հաշվարկների վրա, այն արդյունավետորեն ստեղծում է թվային «ապակե առաստաղ», նախքան մարդ հավաքագրողը կտեսնի գոնե մեկ դիմում։

Սրա բիզնես հետևանքները լուրջ են.

  • Իրավական և համապատասխանության ռիսկեր. Ավտոմատացված գործընթացները, որոնք աննկատորեն ներմուծում են խտրական օրինաչափություններ, կարող են հանգեցնել դատական հայցերի և վնասել գործատուի համբավին։
  • Տաղանդների կորուստ. Երբ ալգորիթմը զտում է բարձր ներուժ ունեցող, ոչ ավանդական թեկնածուներին, ընկերությունները զրկվում են ճանաչողական բազմազանությունից, որն անհրաժեշտ է իրական նորարարության համար։
  • Գործառնական անարդյունավետություն. Եթե մոդելը մշակում է նեղ «կույր կետ», այն կարող է բազմիցս անտեսել որակյալ թեկնածուներին՝ երկարացնելով հավաքագրման ժամանակը և ավելացնելով ծախսերը։

«Սև արկղի» մոտեցումից դուրս

HR-ում ավտոմատացման գրավչությունը հասկանալի է։ Երբ CRM-ը կամ դիմորդների հետևման համակարգը (ATS) ինտեգրվում են խելացի ԱԲ գործակալների հետ, դիմումների ծավալը դառնում է կառավարելի։ Սակայն մենք պետք է տարբերակենք արդյունավետությունը և ինտելեկտը։ Հավաքագրման ոլորտում իրական թվային փոխակերպումը պահանջում է անցում «կարգավորիր և մոռացիր» մտածելակերպից դեպի շարունակական վերահսկողության մտածելակերպ։

Այս միջավայրում կողմնորոշվելու համար բիզնեսի ղեկավարները պետք է առաջնահերթություն տան բացատրելիությանը։ Եթե ԱԲ գործակալը թեկնածուին դասակարգում է որպես Tier 1 (առաջնային) համապատասխանող, ձեր տեխնիկական թիմը պետք է կարողանա քարտեզագրել այդ որոշման հիմքում ընկած տրամաբանությունը։ Մենք տեսնում ենք անցում դեպի Explainable AI (XAI) (բացատրելի ԱԲ)՝ շրջանակ, որտեղ մոդելից պահանջվում է տրամադրել իր արդյունքների հիմնավորումը։ Սա պարզապես տեխնիկական առանձնահատկություն չէ, այլ բիզնեսի հրամայական։

Ավելին, ԱԲ-ի ինտեգրումը պետք է դիտարկել որպես մասնագիտացված նախագիծ, այլ ոչ թե «միացրու և աշխատեցրու» տիպի տեղադրում։ Այն ընկերությունները, որոնք հաջողությամբ օգտագործում են այս գործիքները, իրականացնում են «Human-in-the-Loop» (HITL՝ մարդը՝ համակարգում) աշխատանքային հոսքեր։ Այս մոդելում ԱԲ-ն իրականացնում է ամփոփման և նախնական տրամադրության վերլուծության ծանր աշխատանքը, սակայն վերջնական որոշումը մնում է մարդկային ինտուիցիայի և բիզնես ռազմավարության վերահսկողության ներքո։ Այս մոտեցումը նվազագույնի է հասցնում ինքնավար նախապաշարմունքների ռիսկը՝ միաժամանակ պահպանելով ավտոմատացված գործընթացների ժամանակի խնայողության մեծ առավելությունները։

Արդար հավաքագրման ապագան

Նայելով առաջիկա երեքից հինգ տարիներին՝ մրցակցային առավելությունը պատկանելու է ոչ թե ամենահզոր ԱԲ ունեցող ընկերություններին, այլ նրանց, որոնք ունեն կառավարման ամենաամուր կառուցվածքները։ LLM-ի որոշումների կայացման գործընթացի աուդիտը նույնքան սովորական կդառնա, որքան ֆինանսական հաշվետվությունների