随着人工智能在商业中的应用近年来，该技术已被应用于越来越复杂的应用领域。现在，它开始征服人力资源领域——这可能是计算机能解决的最复杂的领域之一。本文将阐述所使用的不同方法，呈现人才生命周期中的一些用例，并描述新技术的机遇和挑战。
预测性格——从文本、语言和行为
研究人员、初创企业和组织使用不同类型的数据来预测性格、工作适合度和满意度，并最终预测工作表现。虽然大多数方法都有一个共同点，那就是将候选人的个人资料与当前的工作人员进行比较，但用于这种比较的数据可能是高度多样化的。最常见的三种数据源是:
文本(例如Seedlink, Xing, LinkedIn):在自然语言处理算法的基础上，标准化的文件(如简历或申请信)或问题的答案(如关于失败和其他与工作相关的能力的故事)被分析并与应用领域的当前工作所有者进行比较。
语言(例如:Precire):申请人回答预先设定的关于他们自己、动机和经历的问题。该算法分析语音的多个方面，如水平(单词的频率、词汇量、句法)、调性或语速。
- 行为(例如HireVue):分析身体语言、手势或眼球运动可以用来预测性格。在最近的一篇论文中，科学家们通过跟踪被试在日常情况下10分钟的眼球运动来预测一些(但不是全部)性格特征。
虽然上面分别介绍了这三种方法，但各种初创企业已经将它们结合起来，以获得更好的结果和见解。英国和德国的初创公司SOMA Analytics通过手机使用数据，包括说话模式、发短信行为、睡眠和运动数据，预测了职场人群患抑郁症的风险。
在整个人才生命周期中使用案例
各种组织已经利用了上述新技术带来的机会。应用程序涵盖了人才的整个生命周期，从匹配机会到选择，人员发展和保留:
匹配:招聘人员通常会收到100份以上的求职申请。因此，他们要花大量时间筛选和评估可能不合适的候选人。有两种方法可以减少招聘人员的工作量:
(1)增加合适求职者的申请比例——初创企业如MeetFrank，以及已建立的平台如LinkedIn，利用求职者提供的信息，只向他们展示合适的工作机会，将他们与感兴趣的工作相匹配——以及
(2)通过自动评估候选人的档案来为组织预先选择合适的候选人。
诊断:组织使用人工智能来预测个性或核心能力，作为应用程序的筛选机制。例如，一家大型人事服务提供商要求所有申请人进行15分钟的电话面试，人工智能将根据他们的答案建立42个维度的性格档案。只有符合各自职位要求的候选人才会被邀请参加真正的面试。
发展:获得更好的性能是第三组应用程序的目标。而德国一家大型保险公司使用人工智能来更好地了解哪些领导人可能会这样做推动数字化转型基于他们的个性，领先的全球管理咨询公司已经开始努力了解团队需要如何配备人员，以最适合客户的需求。
保留:最后，一些组织试图预测员工的行为和健康状况——目标是尽早干预，以减少由于员工满意度不足或健康问题造成的不必要的人员流失。上述SOMA Analytics公司为个人和组织提供匿名档案和量身定制的干预措施，以降低压力相关问题的风险。
上面的例子表明，人工智能可以在人才生命周期的几乎所有方面发挥重要作用。这就引出了一个问题，人工智能的用户认为哪些优势可能会超过批评者的反对。
机会:更快、客观、全面
纵观人工智能在选择和开发方面的好处，支持者基本上指出了这些方法提供的三个机会:
一致性:一些使用Precire等软件解决方案的用户对人格模型的准确性感到惊讶。他们声称，这与他们的其他选择和评估方法的结果有很大的一致性，包括多日评估周期。例如，一家公司报告说，软件评估与其模型之间的重叠高达80-90%。此外，应该指出的是，目前的筛选和开发方法还不是100%完美的——研究人员已经证明，求职申请的微小变化，如字体大小、性别或名字，对邀请和候选人的成功率有很大影响。
速度:许多用户看到了使用人工智能的一个主要好处，即为招聘人员节省了时间。考虑到大量的申请，例如大型跨国组织的一个职位有100多个申请，人工智能可以通过将正确的职位与正确的简历相匹配来吸引更高质量的申请，根据申请或额外的问题预先评分，或者像任仕达公司那样在第一轮面试中工作。除了能够管理大量的申请，这也为招聘人员腾出了时间来从事其他活动。
客观性:最后，研究表明，选择过程非常容易受到各种偏见的影响——从相似性偏见(选择与我们相似的人)和光环效应(单一特征决定一个人的整体形象)到无意识偏见(包括基于性别或外貌的刻板印象和歧视)。在这些流程中使用人工智能可以减少这种脆弱性，并通过将申请人的数据与数据库内容进行比较，以更客观、更平衡的视角来看待申请人。
值得注意的是，目前只有少数支持者真正在考虑完全取代人类的决策——大多数人认为，虽然所建议的方法可以支持和增强决策，但最终的决策应该由人类决策者做出。
挑战:透明度、重要性和有效性
更挑剔的评论者认为，这项技术的使用面临三个主要挑战，主要是缺乏透明度，个性与工作绩效之间的关系不完善，以及缺乏独立的有效性研究:
透明度:许多人在处理人工智能时感到某种不安，尤其是涉及到与人有关的应用时。其中一个原因在于缺乏内部和外部的透明度。内部透明度是关于这样一个事实，即尽管大量数据被输入到算法中，但通常即使是程序员也不能确切地说出他们是如何得到结果的(即什么数据以什么方式使用以及为什么使用)。另一方面，外部透明度是关于对数据隐私的担忧，例如，担心除了数据的明显应用之外，在申请人不清楚何时和出于什么目的使用数据的情况下，数据将被用于进一步的应用(例如，在做出晋升决策时预测压力脆弱性)。
意义:上述许多公司和方法都利用这些数据来预测性格特征，包括与当前在职人员相比应对压力的能力。直觉和经验告诉我们，虽然在某些职位上(成功的)工作人员之间可能有相似之处，但也有巨大的差异。科学研究支持这一观点:性格并不是工作适合度、满意度或表现的完美预测指标。除了目前的表现和性格，候选人的潜力也是至关重要的，尤其是在选择年轻人才时。此外，背景和团队能力方面的多样性是优秀表现的重要预测因素——将候选人的简介与当前在职人员的简介进行比较，会削弱这一点。
有效性:虽然支持者和初创企业的主张非常有前途，申请人和从业者报告了所使用方法的深刻结果，但目前严重缺乏外部独立研究来支持这些主张。因此，这些方法的结果可能对相关应用并不有效，从而导致穷人决策的风险。
增强智能:通过数据做出更好的决策，而不是替代
在人才生命周期中，人工智能有很多应用和机会——如上面的例子所示。尽管许多人对这项新技术仍有相当多的保留意见，但越来越多的研究人员、初创企业和知名机构已经开始试验它的应用。这也表明，企业越来越重视人才的识别、发展和留住。
尽管在透明度、重要性和有效性方面存在挑战，但人工智能很可能会越来越多地成为人才生命周期管理的一部分——今天，我们已经看到许多组织开始接受这项新技术的承诺。最新的改进表明未来有很大的潜力。
总之，即使是新技术潜力的倡导者也不认为它是一个替代品招聘人员和领导力顾问他们看到了潜力
扩展解决方案空间(例如，通过增加客观性和匹配合适的候选人)
提高他们与候选人互动的质量(例如，通过提供更多关于候选人的见解，更有针对性的面试测试假设，通过指出-潜在的隐藏-与工作相关的方面)
把时间转移到高价值的活动上(例如，与企业合作、与高潜力候选人互动、发展讨论)
最后，最近的研究表明，大多数候选人和员工都认为，与未来或现在的同事之间的互动，对于做出正确的工作决策和感觉与工作场所的联系至关重要。最终，人工智能提供了额外的工具和方法来支持领导力顾问的工作——让他们专注于与合适的候选人互动，从而做出更好的人事决策和发展。
