تصور کنید متقاضی شغلی هستید که تمام مهارت‌های لازم را دارد، اما به‌دلیل نام خانوادگی یا نام دانشگاهش، رزومه‌اش هرگز به دست مدیر استخدام نمی‌رسد. این همان شکافی است که بارب هایمن، بنیان‌گذار و مدیرعامل Sapia.ai، آن را «پاداش دادن به امتیازات به‌جای استعداد» می‌نامد. هایمن معتقد است تکیه بر «حس درونی» (Gut Feel) مدیران استخدام در واقع پوششی برای پیش‌فرض‌های طبقاتی و امتیازات اجتماعی است. او استدلال می‌کند که این اتکا به شهود به این معناست که فرآیند سنتی استخدام به‌طور بنیادی معیوب است؛ زیرا به‌جای شناسایی استعداد واقعی، به متقاضیانی پاداش می‌دهد که نام دانشگاه معروفی در رزومه دارند.
bسیاری از شرکت‌ها با استخدام مانند مجموعه‌ای از میان‌برها برخورد می‌کنند. آن‌ها برای تصمیمات حساس درباره اینکه چه کسی به سازمان بپیوندد یا آن را رهبری کند، به رزومه‌ها تکیه می‌کنند؛ فرمتی که از زمان اختراع آن توسط لئوناردو داوینچی به‌سختی تغییر کرده است. این تکیه، پدیده‌ای به نام «استخدام آینه‌ای» (Mirror Hiring) ایجاد می‌کند؛ وضعیتی که در آن مدیران به‌طور ناخودآگاه افرادی را استخدام می‌کنند که یادآور خودشان هستند. هایمن اشاره می‌کند که در ویکی‌پدیا بیش از ۱۸۰ سوگیری انسانی مستند شده است که می‌تواند در این فرآیند نفوذ کند. نتیجه این شکست سیستماتیک است: یک‌سوم متقاضیان در آمریکای شمالی که فرم درخواست شغل را تکمیل می‌کنند، دو ماه بعد همچنان بدون هیچ پاسخی باقی می‌مانند.
برای حل این مشکل و ایجاد رویکردی عقلانی‌تر، Sapia.ai در سال ۲۰۱۸ پلتفرمی را معرفی کرد که رزومه‌های ایستا را با ارزیابی‌های ساختاریافته و گفتگومحور جایگزین می‌کند. هدف این است که از «حس درونی» به سمت «هوش داده‌محور» حرکت کنیم تا اطمینان حاصل شود که فرصت‌ها به‌اندازه استعدادها به‌طور برابر توزیع می‌شوند. هایمن با تکیه بر پیشینه خود به عنوان وکیل در شرکت Herbert Smith Freehills و رهبر پروژه در Boston Consulting Group (BCG)، متوجه یک گسست عمیق شد: در حالی که توصیه‌های اتاق هیئت‌مدیره نیازمند تحقیقات دقیق و سخت‌گیرانه است، اما حساس‌ترین تصمیم یک شرکت — یعنی اینکه چه کسی استخدام شود — اغلب بر اساس معیارهای سطحی مانند نام دانشگاه گرفته می‌شود.
زمینه: مسیری در مدیریت فرهنگ و نیروی انسانی
دیدگاه بارب هایمن حاصل یک سفر حرفه‌ای متنوع در زمینه‌های حقوق، مشاوره مدیریت، بازاریابی و منابع انسانی است. او پس از فعالیت در Herbert Smith Freehills و BCG، نقش‌های ارشدی را در نظارت بر یادگیری، توسعه، منابع انسانی و بازاریابی در سراسر منطقه استرالاسیا بر عهده داشت. تجربیات رهبری او شامل ریاست بخش بازاریابی و حمایت مالی در موزه هنر معاصر سیدنی و مدیریت اجرایی بخش مردم و فرهنگ (People & Culture) در گروه REA است.
انگیزه او برای بازاندیشی در نظام استخدام، ریشه در تجربیات شخصی‌اش نیز دارد. هایمن که مهاجر است و از خانواده‌ای می‌آید که هیچ‌کس در آن به دانشگاه نرفته بود — پدرش یک دکاندار بود — اذعان می‌کند که اگرچه خودش در «دسته خوش‌شانس‌ها» قرار داشت (به دلیل سفیدپوست بودن و داشتن نامی که تلفظش آسان است)، اما بسیاری دیگر با استعداد و پشتکار مشابه، نادیده گرفته می‌شوند. او سیستم فعلی را مانند منشوری می‌بیند که تجربه کارفرما را محدود کرده و او را نسبت به پتانسیل میلیاردها کارگر در سراسر جهان کور می‌کند.
زمینه: گسست در دنیای مشاوره
بسیاری از باورهای هایمن از دوران تحصیل در MBA و سپس فعالیت در حوزه مشاوره مدیریت شکل گرفته است. او متوجه تضاد شدیدی بین نحوه برخورد کسب‌وکارها با تصمیمات مالی یا استراتژیک در مقابل تصمیمات مربوط به استعدادها شد. در یک اتاق هیئت‌مدیره، هیچ توصیه‌ای بدون تحقیق واقعی ارائه نمی‌شود. با این حال، در خدمات حرفه‌ای — جایی که انسان‌ها دارایی اصلی هستند و نه صرفاً یک ردیف در ترازنامه مالی — تصمیم درباره اینکه چه کسی بپیوندد یا رهبری کند، اغلب به شهود سپرده می‌شود.
او استخدام را به عنوان یک رابطه می‌بیند و آن را با «قرار ملاقات‌های عاشقانه» (Dating) مقایسه می‌کند. از آنجایی که کارکنان زمان بیشتری را با همکاران خود می‌گذرانند تا با شریک زندگی‌شان، او استدلال می‌کند که همان سخت‌گیری و داده‌هایی که برای هر تصمیم حیاتی دیگر در کسب‌وکار insisted می‌شود، باید در فرآیند استخدام نیز به کار گرفته شود.
معماری اعتماد
به گزارش unite.ai، هایمن معتقد است پذیرش هوش مصنوعی در محیط کار اغلب به‌اشتباه به عنوان یک «پروژه بهره‌وری» دیده می‌شود، در حالی که باید یک «پروژه اعتماد» باشد. او هشدار می‌دهد که اندازه‌گیری صرفِ دستاوردهای بهره‌وری — مانند ساعات ذخیره شده در هر استخدام یا هزینه هر استخدام — این موضوع را نادیده می‌گیرد که آیا کارکنان واقعاً به سیستم اعتماد دارند یا خیر.
اعتماد، زیربنای فرهنگ سازمانی است. وقتی از هوش مصنوعی برای استخراج داده‌ها از شبکه‌های اجتماعی استفاده می‌شود تا حدس زده شود آیا کسی ریسک «خوب» یا «بدی» است، این کار فرهنگ شرکت را تخریب می‌کند. هایمن پیشنهاد می‌کند که اعتماد باید به عنوان یک معیار اصلی اندازه‌گیری شود؛ این کار با پرسش مستقیم از کارکنان صورت می‌گیرد: آیا می‌دانید چرا از هوش مصنوعی استفاده می‌شود و آیا باور دارید که این سیستم عادلانه است؟ اگر شرکتی نتواند به هر دو سوال پاسخ مثبت دهد، دستاوردهای بهره‌وری در واقع وام‌هایی هستند که با هزینه تخریب آرام فرهنگ سازمانی گرفته شده‌اند.
حل مسئله «سوگیری در مقیاس بزرگ»
بسیاری از ابزارهای استخدام AI بر اساس داده‌های تاریخی استخدام آموزش می‌بینند؛ یعنی اینکه چه کسی استخدام شد، چه کسی ارتقا یافت و چه کسی اولین مصاحبه را دریافت کرد. هایمن این رویکرد را «صنعتی کردن سوگیری» می‌نامد. اگر یک مدل از این الگوها یاد بگیرد، صرفاً هرگونه تصمیم بر اساس «تناسب فرهنگی» (Culture Fit) و میان‌برهای شهودی را سریع‌تر تکرار می‌کند، آن هم با پوششی از عینیت که به چالش کشیدن آن را سخت‌تر می‌کند.
برای جلوگیری از این اتفاق، Sapia.ai که تاکنون بیش از ۱۰ میلیون متقاضی را ارزیابی کرده، چندین حفاظ خاص را پیاده کرده است:
- فیلتر ورودی: سیستم روی رزومه‌ها، عکس‌ها، نام‌ها یا نام دانشگاه‌ها آموزش نمی‌بیند. با حذف این نشانگرهای امتیازات اجتماعی، مدل نمی‌تواند آن‌ها را با پتانسیل فرد مرتبط کند. هایمن استدلال می‌کند که نام دانشگاه نشانه‌ای از «برتری موقعیتی» است، نه لزوماً «هوش».
- تست مستمر: شرکت اثرات منفی احتمالی روی جنسیت، قومیت، سن و ناتوانی‌ها را به‌صورت لحظه‌ای رصد می‌کند. این کار به‌جای یک بازرسی تک‌باره قبل از عرضه، به‌طور مستمر انجام می‌شود، زیرا سوگیری مانند هر سیستم حساس دیگری است که باید رصد شود.
- حسابرسی شخص ثالث: هایمن بر لزوم بازرسی‌های مستقل و انتشار متدولوژی‌ها تأکید دارد تا تضاد منافع ذاتی در «خود-نظارتی» حذف شود. او معتقد است اگر ابزاری فقط توسط سازندگانی بررسی شود که انگیزه مالی برای دفاع از آن دارند، مشکل اعتماد صرفاً جابه‌جا شده است.
جزئیات: حفاظ‌های فنی
- ورودی زباله، خروجی زباله (Garbage In, Garbage Out): هایمن تأکید می‌کند که اگر ورودی دارای سوگیری باشد، هیچ مدل‌سازی هوشمندانه در مراحل بعدی نمی‌تواند آن را اصلاح کند. «زباله» در اینجا همان دهه‌ها پیش‌داوری انسانی است که در قالب رزومه لباس پوشیده است.
- فراتر از الگوریتم: حفاظ‌ها باید پیش از الگوریتم شروع شوند. با نادیده گرفتن نشانگرهای سنتی، سیستم از آموزش دادن ماشین برای تکرار تصمیمات «استخدام آینه‌ای» جلوگیری می‌کند.
- مسئولیت‌پذیری: عبارت «الگوریتم این کار را کرد» یک عذر پذیرفته شده نیست. هوش مصنوعی مسئولیت انسانی برای انصاف را حذف نمی‌کند، بلکه نیازمند طراحی آگاهانه‌تری است تا اطمینان حاصل شود که پیش‌داوری‌ها را خودکار نمی‌کند.
هوش مصنوعی زاینده در مقابل قطعی
یکی از حیاتی‌ترین تفکیک‌های فنی در Sapia.ai، جداسازی لایه‌ی گفتگو از لایه‌ی امتیازدهی است. هایمن استدلال می‌کند که ادغام این دو منجر به سیستم‌هایی می‌شود که دفاع یا توضیح آن‌ها غیرممکن است.
هوش مصنوعی زاینده (Generative AI) برای رابط کاربری گفتگویی استفاده می‌شود. این لایه تبادلات طبیعی و انسانی را مدیریت می‌کند، سوالات تکمیلی دقیق می‌پرسد و تجربه را به‌جای یک فرم خشک، به یک گفتگو تبدیل می‌کند. این لایه از ماهیت احتمالی مدل‌های زبانی بزرگ (LLM) بهره می‌برد، جایی که انعطاف‌پذیری و غیرقابل‌پیش‌بینی بودن باعث می‌شود تجربه کمتر شبیه به یک متن از پیش نوشته شده باشد. این رویکرد در تضاد با مدل‌های زبانی عمومی است که گاهی در تحلیل‌های تخصصی دچار خطا می‌شوند؛ موضوعی که در مقایسه داده‌های تراکنشی اختصاصی با مدل‌های عمومی به تفصیل بررسی شده است.
با این حال، فرآیند امتیازدهی توسط سیستم‌های قطعی (Deterministic) مدیریت می‌شود. در این لایه، یک ورودی یکسان باید بدون توجه به روز هفته یا ترتیب متقاضی در صف، خروجی یکسانی تولید کند. این امر تضمین می‌کند که نتایج قابل حسابرسی و در برابر نظارت‌های قانونی قابل دفاع باشند. هایمن اشاره می‌کند جمله‌ای مانند «مدل زاینده حس کرد این پاسخ خوب است» هرگز در برابر یک بازرس قانونی یا یک خبرنگار دوام نمی‌آورد.
جزئیات: مکانیسم امتیازدهی
- ثبات: سیستم‌های قطعی تضمین می‌کنند که متقاضی اول و متقاضی هزارم به‌طور یکسان ارزیابی شوند، فارغ از اینکه دوشنبه صبح است یا جمعه بعدازظهر.
- قابلیت ردیابی: چون سیستم‌ها احتمالی نیستند، شرکت می‌تواند استدلال پشت هر امتیاز را ردیابی کند و مسیری شفاف از ورودی تا نتیجه ارائه دهد.
- دفاع قانونی: خروجی‌های قطعی برای بقا در برابر بررسی‌های خبرنگاران، رگولاتورها یا متقاضیانی که می‌خواهند بدانند چرا انتخاب نشده‌اند، ضروری هستند.
الزام «انسان در حلقه» (Human-in-the-Loop)
اتوماسیون باید تصمیمات را تقویت کند، نه اینکه آن‌ها را برون‌سپاری کند. هایمن خط قرمز مشخصی می‌کشد: هوش مصنوعی می‌تواند سیگنال‌هایی را آشکار کند که انسان‌ها از دست می‌دهند — مانند خواندن هزاران پاسخ مصاحبه بدون خستگی یا سوگیری ناشی از «یک روز بد» — اما هرگز نباید به‌تنهایی درباره سرنوشت متقاضی تصمیم بگیرد.
نظارت انسانی معنادار مستلزم آن است که یک مدیر بتواند توصیه AI را به‌طور منطقی به چالش بکشد. اگر انسانی نتواند دلیل رد شدن یک متقاضی را به زبان ساده توضیح دهد، سیستم شکست خورده است. عبارت «الگوریتم این کار را کرد» اعتراف به شکست است، نه یک عذر فنی. هایمن این وضعیت را با یک پزشک مقایسه می‌کند: پزشک بیمار را با مفاهیم پیچیده بیوشیمی پیش نمی‌برد، بلکه تشخیص و معنای آن را توضیح می‌دهد. هوش مصنوعی در استخدام نیز باید همین استاندارد صداقتِ قابل‌فهم برای انسان را داشته باشد.
جزئیات: کجا AI از انسان برتر است؟
- ثبات در مقیاس: AI می‌تواند هزاران پاسخ را بدون خستگی بخواند؛ خستگی‌ای که بر مدیر استخدامی که در هشتمین مصاحبه روزش است، اثر می‌گذارد.
- کاهش طرفداری ناخودآگاه: AI از تمایل انسان‌ها به ترجیح متقاضیانی که یادآور خودشان در سن بیست و پنج سالگی هستند، اجتناب می‌کند.
- غربالگری مهارت‌های نرم: ماشین با ساختارمند کردن بینش‌ها ارزش افزوده ایجاد می‌کند تا هر متقاضی بر اساس معیارهای یکسانی ارزیابی شود و متغیرهای قضاوت انسانی حذف گردند.
اندازه‌گیری پذیرش واقعی
اعداد بالای استفاده اغلب فقدان اعتماد را می‌پوشانند. هایمن سه نشانه هشداردهنده را شناسایی می‌کند که نشان می‌دهد سازمان به «پذیرش» رسیده اما به «اعتماد» نرسیده است:
۱. رفتارهای جایگزین (Workaround): کارکنان ابزار AI را اجرا می‌کنند اما یک فرآیند دستی موازی را برای بررسی مجدد خروجی‌ها یا یادداشت‌برداری جداگانه به عنوان «بیمه» حفظ می‌کنند.
۲. سکوت: نبودِ اعتراض یا پرسش درباره سیستم. در یک فرهنگ مبتنی بر اعتماد، مردم نتایجی را که درست به نظر نمی‌رسند گزارش می‌کنند؛ وقتی پرسش‌ها متوقف می‌شوند، این نشانه تسلیم است، نه رضایت.
۳. واگذاری (Abdication): مدیران قضاوت شخصی خود را کنار می‌گذارند و صرفاً به مدل تکیه می‌کنند. این وضعیت وابستگی است، نه اعتماد.
برای مقابله با این موارد، Sapia.ai مدل FAIR™ را معرفی کرد که بر چهار ستون استوار است:
- بی‌طرفی (Unbiased): استفاده از معیارهای آماری مانند «قانون ۴/۵» (4/5ths rule) و برابری نرخ خطا برای تضمین نتایج عادلانه.
- اعتبار (Validity): اطمینان از اینکه شواهد استخراج شده توسط AI بر اساس داده‌های واقعی مرتبط با نتیجه مورد نظر است.
- تفسیرپذیری (Explainability): ارائه مستندات شفاف و ابزارهایی برای تفسیر اینکه AI چگونه ویژگی‌های خاصی را شناسایی کرده و این ویژگی‌ها چگونه در امتیاز نهایی اثر گذاشته‌اند.
- شمول‌پذیری (Inclusivity): نگاهی جامع به کل تجربه استخدام، تا اطمینان حاصل شود متقاضیان از لحظه درخواست تا تصمیم نهایی به‌طور عادلانه با آن‌ها برخورد می‌شود.
گسترش پلتفرم هوش استعداد
Sapia.ai از یک ابزار ساده غربالگری به یک پلتفرم جامع هوش استعداد تبدیل شده است. این اکوسیستم اکنون چندین عملکرد حیاتی منابع انسانی را پوشش می‌دهد:
- تحلیل شغل: استفاده از AI برای تعریف مهارت‌ها و الزامات واقعی یک نقش شغلی.
- زمان‌بندی مصاحبه: بهینه‌سازی لجستیک خط لوله استخدام.
- کوچینگ شغلی مبتنی بر AI: حرکت فراتر از مرحله ارزیابی برای حمایت از رشد بلندمدت متقاضی.
این گسترش عملیاتی نیازمند زیرساخت‌های حاکمیتی دقیقی است؛ چرا که نبودِ حاکمیت بر فرآیندها اغلب مانع از مقیاس‌پذیری عامل‌های هوش مصنوعی در سازمان‌ها می‌شود.
آن‌ها همچنین Phai را معرفی کرده‌اند؛ یک کوچ شغلی مبتنی بر هوش مصنوعی. Phai مانند یک منتور عمل می‌کند و به جویندگان کار راهنمایی‌های شخصی‌سازی شده، نقشه‌برداری از نقاط قوت و آمادگی برای مصاحبه ارائه می‌دهد تا متقاضیان حتی پس از نتیجه مصاحبه، انگیزه خود را حفظ کنند.
این تغییر نشان می‌دهد که آینده هوش مصنوعی در منابع انسانی، تنها یک لایه تصمیم‌گیرنده نیست، بلکه یک لایه گفتگویی است که به کارکنان کمک می‌کند مسیر شغلی خود را پیدا کرده و مهارت‌هایشان را توسعه دهند، در حالی که رویکرد «انسان در حلقه» برای تضمین مسئولیت‌پذیری حفظ می‌شود.
گام بعدی شما
- اگر مدیر استخدام هستید، بررسی کنید که آیا معیارهای شما بر اساس «شایستگی‌های قابل اندازه‌گیری» است یا «نشانه‌های اجتماعی» (مثل نام دانشگاه).
- در ابزارهای AI مورد استفاده در سازمانتان، بپرسید که آیا لایه‌ی تصمیم‌گیرنده «احتمالاتی» است یا «قطعی» و آیا نتایج آن قابل ردیابی است یا خیر.
- برای متقاضیان شغل، تمرکز را از «بهینه‌سازی رزومه برای ربات‌ها» به «تمرین پاسخ‌های ساختاریافته و صادقانه» تغییر دهید.
اما چالش بزرگ‌تر، پذیرش اخلاقی این ابزارها در قوانین اتحادیه اروپا است — به تحلیل ما درباره‌ی قانون AI اروپا مراجعه کنید.
گفتگو