سامانه‌های استخدام هوش مصنوعی لایه‌ی انسانیِ تشخیص استعداد را حذف کردند

تصور کنید سال‌ها تجربه تخصصی دارید، اما چون رزومه‌تان با کلمات کلیدی یک ماشین هم‌خوانی ندارد، هرگز فرصت مصاحبه پیدا نمی‌کنید. امروز ۹۹٪ از شرکت‌های Fortune 500 از سامانه‌های ردیابی متقاضیان (ATS) — شبیه یک صافی سوراخ‌دار که فقط مهره‌هایی با اندازه دقیق را عبور می‌دهد — به عنوان فیلتر اصلی برای هر کاندیدا استفاده می‌کنند.

طبق پژوهش‌های صنعتی سال ۲۰۲۵، این چرخش راهبردی عملاً «لایه میانی انسانی» در استخدام‌های حرفه‌ای را حذف کرده است. در واقع، تشخیص هوشمندانه جای خود را به مکانیزم امتیازدهی داده است که «خوانایی برای ماشین» را بر «توانمندی واقعی» ترجیح می‌دهد. ما با جایگزینی کامل اولین لایه قضاوت حرفه‌ای انسانی با سیستمی روبرو هستیم که بر اساس الگوهای تاریخی آموزش دیده و ذاتاً، به دلیل طراحی بنیادینش، قادر به درک زمینه، استثنا یا ظرافت‌های رفتاری نیست.

برای دهه‌ها، دنیای حرفه‌ای به افرادی متکی بود که می‌توانستیم آن‌ها را «عامل‌های موساد» بنامیم؛ استخدام‌کنندگانی، رابطانی و متخصصان منابع انسانی که با دقت و ظرافت عمل می‌کردند. این تشبیه اتفاقی نیست. سازمان موساد، سازمان اطلاعات ملی اسرائیل که در سال ۱۹۴۹ تأسیس شد، نه با زور، بلکه با صبر، دسترسی به اطلاعات پنهان و توانایی اقدام با اثرگذاری خاموش شناخته می‌شود. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن دیدیم، حذف لایه‌های نظارتی انسانی منجر به ایجاد نقاط کور خطرناک می‌شود. این استخدام‌کنندگان انسانی نیز، درست مانند این مأموران، شبکه‌های عمیقی را پرورش داده بودند و معماری نامرئی انسانی را که تعیین می‌کند کارها واقعاً چگونه پیش می‌روند، می‌شناختند.

این افراد صرفاً کلمات کلیدی را تطبیق نمی‌دادند؛ آن‌ها انگیزه‌ها، روابط و ظرافت‌های یک مسیر شغلی را می‌فهمیدند. آن‌ها می‌توانستند فراتر از یک رزومه‌ی غیرمتعارف، استعداد واقعی را شناسایی کنند. وقتی یک انسان تصمیم می‌گیرد با شما ارتباط بگیرد، مسئولیت‌پذیری وجود دارد. او ممکن است اشتباه کند، اما می‌توان او را متقاعد کرد یا اصلاح نمود. آن‌ها حامل یک وزن اجتماعی هستند که زیرساختی از اعتماد ایجاد می‌کند. حذف این وزن اجتماعی، ارتباطات را سریع‌تر نمی‌کند، بلکه آن را تهی می‌کند.

اکنون این رویکرد انسان‌محور در حال نابودی است. در جای آن، سیستمی از وزن‌ها و پارامترها قرار گرفته که برای بهینه‌سازی یک امتیاز طراحی شده‌اند، نه درک یک انسان. نتیجه این است که کلمات شما توسط سیستم‌هایی پردازش می‌شوند که هیچ مفهومی از معنا، تاریخچه یا نام ندارند. صندوق ورودی ایمیل‌ها دیگر فضای گفتگو نیست، بلکه محیطی است که ماشین‌ها برای ماشین‌ها می‌نویسند و فیلتر می‌کنند.

مشابهت با شکست‌های اطلاعاتی

از دست رفتن قضاوت انسانی در استخدام، بازتابی از یک چرخش ساختاری در جامعه اطلاعاتی اسرائیل است. سازمان‌هایی مانند واحد ۸۲۰۰ — سازمان نخبه اطلاعات سیگنالی که بسیاری از کارآفرینان برتر فناوری اسرائیل را پرورش داده — در دهه گذشته به‌شدت به سمت «جنگ الگوریتمی» و نظارت به کمک هوش مصنوعی رفتند. حتی موساد نیز تشخیص الگوهای مبتنی بر هوش مصنوعی و ادغام داده‌ها (Data Fusion) را در عملیات خود ادغام کرد. این انتقال با وعده افزایش کارایی، تکثیر قابلیت‌ها و مقیاس‌پذیری فروخته شد؛ دقیقاً همان زبانی که امروز برای فروش هوش مصنوعی در منابع انسانی به کار می‌رود.

با این حال، به گزارش تحلیلگران، هزینه این چرخش در ۷ اکتبر ۲۰۲۳ غیرقابل انکار شد. با وجود داشتن پیشرفته‌ترین حسگرها، ماهواره‌ها و قابلیت‌های اطلاعات سیگنالی (SIGINT) — شبیه به میکروفون‌های جاسوسی که هر صدایی را می‌شنوند اما لزوماً معنای آن را نمی‌فهمند — اطلاعات اسرائیل از حمله حماس که به‌طور فیزیکی تمرین شده بود و به‌طور آشکار برنامه‌ریزی شده بود، غافلگیر شد. تحلیلگران بعدها نتیجه گرفتند که این یک شکست در «تفسیر انسانی» بود؛ نوعی قضاوت که تنها از درک نیت انسان و زمینه اجتماعی حاصل می‌شود؛ همان «هزاران نشانه رفتاری کوچک» که یک ناظر انسانی آموزش‌دیده می‌بیند اما ماشین نه.

در دنیای جاسوسی، تفاوتی حیاتی بین SIGINT و اطلاعات انسانی (HUMINT) — یعنی اطلاعاتی که از طریق گفتگو و رابطه با انسان به دست می‌آید — وجود دارد. SIGINT به شما می‌گوید در دنیای دیجیتال چه اتفاقی می‌افتد، اما HUMINT می‌گوید در دنیای انسانیِ زیر آن چه می‌گذرد. عملیاتی که صرفاً به SIGINT وابسته باشد، الگوها را می‌بیند اما انگیزه را گم می‌کند؛ توانایی را می‌بیند اما اراده را نه.

در دنیای استخدام، شکاف دقیقاً همین است. غربالگری هوش مصنوعی می‌تواند آنچه کاندیدا ادعا می‌کند را اندازه بگیرد، اما نمی‌تواند ارزیابی کند که او تحت فشار چگونه فکر می‌کند، آیا در برابر چالش‌ها قد علم می‌کند یا خیر، یا نیت واقعی او چیست. این ویژگی‌ها در گفتگوها، پیگیری‌ها و داستانی که کاندیدا درباره یک پروژه شکست‌خورده تعریف می‌کند، زندگی می‌کنند؛ نه در کلمات کلیدی یا فیلدهای ساختاریافته یک فایل PDF.

ظهور «کارگران پنهان»

مطالعه‌ای در سال ۲۰۲۱ توسط دانشکده کسب‌وکار هاروارد و اکسنچر با عنوان «کارگران پنهان: استعدادهای دست‌نخورده» فاش کرد که میلیون‌ها فرد واجد شرایط به‌طور سیستماتیک از بازار کار حذف می‌شوند. آن‌ها نه به دلیل فقدان مهارت، بلکه به دلیل عدم انطباق با معیارهای صلب الگوریتمی که به‌طور ضعیفی طراحی شده‌اند یا بر اساس داده‌های تاریخی سوگیرانه آموزش دیده‌اند، رد می‌شوند.

این «کارگران پنهان» عبارت‌اند از:

• سربازان سابقی که نمی‌توانند تجربه نظامی خود را به زبان رزومه‌های غیرنظامی ترجمه کنند.
• مراقبان خانگی که وقفه‌های شغلی در سوابقشان دارند.
• متخصصانی که حوزه کاری خود را تغییر داده‌اند یا پیشینه تحصیلی غیرمتعارف دارند.
• خبرگانی که مهارت‌های خود را از طریق تجربه عملی به‌جای مدارک رسمی کسب کرده‌اند.

بر اساس گزارش آینده مشاغل ۲۰۲۵ مجمع جهانی اقتصاد، هوش مصنوعی اکنون در مقیاس صنعتی در حال غربالگری و رتبه‌بندی کاندیداها است و این روند از سال ۲۰۲۲ شتاب گرفته است. صندوق بین‌المللی پول (IMF) اشاره می‌کند که تقریباً ۴۰٪ از اشتغال جهانی در معرض جابجایی یا تغییر توسط هوش مصنوعی است. کسانی که در نقش‌های مهارتی اما بدون مدرک رسمی هستند — یعنی کسانی که با تجربه یاد گرفته‌اند — آسیب‌پذیرترین گروه هستند. این فشار سیستمی بر متخصصان، گاهی به بحران‌های شخصی منجر می‌شود؛ درست مانند تجربه‌ی یکی از مؤسسان fast.ai که پس از فرسودگی شغلی مجبور به بازنگری در رابطه‌اش با دنیای فناوری شد.

ماشین ATS واقعاً چگونه کار می‌کند؟

یک ATS مدرن، درخواست شما را «نمی‌خواند»، بلکه آن را «تجزیه» (Parse) می‌کند. واقعیت فنی این است که یک فرآیند استخراج توکن (Token) — تکه‌های کوچکی از متن، شبیه برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — در جریان است:

• توکن‌سازی (Tokenization): سیستم کلمات و عبارات خاصی را از رزومه استخراج می‌کند.
• تطبیق کلمات کلیدی: این توکن‌ها با پایگاه داده کلمات کلیدی مورد نیاز (برگرفته از شرح شغلی) تطبیق داده می‌شوند.
• وزن‌دهی: توکن‌ها بر اساس تازگی، تکرار و جایگاهشان در سند وزن‌دهی می‌شوند.
• امتیازدهی: یک امتیاز نهایی تولید می‌شود و اگر زیر حد نصاب باشد، درخواست بایگانی می‌شود.

هیچ انسانی در این تصمیم دخالت ندارد. این صرفاً «تطبیق الگو» است که لباس «ارزیابی» پوشیده است. این سیستم نمی‌تواند تفاوتی بین کسی که هفته پیش یک آموزش آنلاین دیده و کسی که سه سال سیستم‌های عملیاتی ساخته است، قائل شود. این ماشین «خواناترین» کاندیداها برای الگوریتم را پیدا می‌کند، نه «توانمندترین» آن‌ها را. تحقیقات مؤسسه AI Now، آزمایشگاه رسانه‌ای MIT و EEOC نشان می‌دهد این سیستم‌ها به‌طور سیستماتیک افرادی را که از گروه‌های کمتر نمایندگی شده هستند یا مسیرهای شغلی غیرخطی دارند، کم‌ارزش جلوه می‌دهند چون زبان آن‌ها با الگوهای غالب آموزشی هم‌خوانی ندارد.

هزینه کارایی

دوران پیش از هوش مصنوعی نقص‌های خود را داشت — از جمله پارتی‌بازی، فساد و نابرابری ساختاری — اما اجازه می‌داد «استثنا» وجود داشته باشد. یک استخدام‌کننده انسانی می‌توانست تحت تأثیر یک داستان متقاعدکننده، یک توصیه قوی یا یک پیشنهاد غیرمنتظره قرار بگیرد. لایه انسانی، هرچند ناقص، اما قابل استدلال بود و بذر بازنگری در خود داشت.

یک لایه الگوریتمی چنین احتمالی را حذف می‌کند. ماشین بحث نمی‌کند، گوش نمی‌دهد و استثنا قائل نمی‌شود. امتیاز را محاسبه می‌کند و پاسخ نهایی است. تحقیقات سازمان بین‌المللی کار (ILO) نشان می‌دهد هوش مصنوعی در استخدام، تجربه جست‌وجوی شغل را انسانیت‌زدا کرده است و نه تنها بر تعداد مشاغل، بلکه بر کیفیت شغل‌ها تأثیر می‌گذارد.

«رد خودکار» یک رد کردن به معنای انسانی نیست؛ بلکه یک «نا-رویداد» است. کاندیدا از همان ابتدا به عنوان یک انسان پردازش نشده است. این موضوع منجر به نوعی استیصال می‌شود؛ خستگی از ارسال بهترین تلاش‌ها به یک خلأ و شنیدن صدای استاتیک، در حالی که می‌دانید افرادی که زمانی توانمندی را به فرصت تبدیل می‌کردند، دیگر حضور ندارند.

کوری ساختاری هوش مصنوعی

این شکست یک نقص فنی نیست، بلکه یک واقعیت ساختاری است. مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — و سیستم‌های غربالگری در یک قفس نمادین عمل می‌کنند. آن‌ها می‌توانند دنیا را توصیف کنند بدون اینکه آن را بفهمند. تفاوت بین «توصیف» و «درک»، تفاوت بنیادی بین سیستمی است که الگوها را پردازش می‌کند و سیستمی که معنا را می‌گیرد.

پژوهش‌ها درباره توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — در LLMها حقیقتی حیاتی را فاش می‌کند: این مدل‌ها به «داده مرجع» (Ground Truth) دسترسی ندارند. آن‌ها فقط به الگوهای آماری در داده‌های آموزشی دسترسی دارند؛ سایه‌هایی از واقعیت که در متن افتاده است. سیستم‌های غربالگری خودکار بر همین پایه بنا شده‌اند. آن‌ها «بهترین» کاندیدا را پیدا نمی‌کنند، بلکه کاندیدایی را می‌یابند که بیشترین شباهت را به «سایه تصمیمات استخدامی گذشته» دارد. چون آن تصمیمات توسط انسان‌های سوگیرانه گرفته شده بود، هوش مصنوعی سوگیری را خنثی نمی‌کند، بلکه آن را صنعتی می‌کند. این فقدان درک واقعی از اهداف، مشابه رفتارهایی است که در آزمایش‌های OpenAI مشاهده شد، جایی که مدل‌ها اهداف ناخواسته را دنبال می‌کردند و از مسیر تعیین‌شده خارج شدند.

بازگشت به قضاوت انسانی

خروج از این روند نیازمند چرخش به سمت «هوش مصنوعی انسان‌محور» است. این یعنی استفاده از فناوری برای کارهای مکانیکی — مانند زمان‌بندی، لجستیک و جمع‌آوری داده‌های اولیه — و سپردن قضاوت‌های کیفی به انسان. مجمع جهانی اقتصاد تأکید می‌کند که ماشین باید از تصمیم‌گیری انسانی حمایت کند، نه اینکه جایگزین آن شود.

تلاش‌های نظارتی برای مقابله با این شکست‌های سیستماتیک آغاز شده است:

• قانون محلی ۱۴۴ نیویورک: که در سال ۲۰۲۱ تصویب شد و از ۵ ژوئیه ۲۰۲۳ اجرایی گشت، بازرسی‌های سالانه مستقل برای سوگیری در ابزارهای تصمیم‌گیری استخدامی خودکار (AEDT) را الزامی کرده و حکم می‌کند که کاندیداها هنگام استفاده از این ابزارها مطلع شوند.
• کمیسیون فرصت‌های برابر استخدامی آمریکا (EEOC): از طریق ابتکار انصاف الگوریتمی (راه‌اندازی شده در ۲۰۲۱ و به‌روزرسانی شده در ۲۰۲۳)، تصریح کرده است که کارفرمایان به‌طور قانونی مسئول تبعیض‌های ایجاد شده توسط ابزارهای هوش مصنوعی هستند، صرف‌نظر از اینکه این تبعیض عمدی بوده یا خیر.

این اقدامات تنها علائم را درمان می‌کنند، اما علت ساختاری همچنان حذف قضاوت انسانی است. تشخیص استعداد هزینه دارد: زمان، توجه و تمایل به غافلگیر شدن توسط انسانی که در قالب‌های پیش‌فرض نمی‌گنجد. اقتصاد فعلی تصمیم گرفته این هزینه‌ها را بیش از حد بالا بداند و در عوض، بهای آن را با از دست دادن استعدادهای نامرئی و تهی کردن لایه میانی حرفه‌ای بپردازد.

گام بعدی شما

• اگر رزومه‌تان رد می‌شود، از ابزارهای تحلیل کلمات کلیدی برای تطبیق متن با شرح شغلی استفاده کنید تا از فیلتر ATS عبور کنید.
• سعی کنید از طریق شبکه‌های اجتماعی (مانند لینکدین) مستقیماً با مدیران استخدام ارتباط بگیرید تا لایه الگوریتمی را دور بزنید.
• در رزومه‌های خود، دستاوردهای کمی و عددی را برجسته کنید، زیرا ماشین‌ها الگوهای عددی را بهتر از توصیفات کیفی شناسایی می‌کنند.

اما داستان سخت‌افزاری این تحول و نحوه پردازش این حجم از داده‌ها حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.