Personalvermittler*innen und andere Talentprofis wissen, dass es von Vorteil ist, immer auf dem neuesten Stand der Technik zu sein, aber die innovative und bahnbrechende Technologie, die es heute gibt, birgt auch Risiken. Künstliche Intelligenz und maschinelles Lernen können beispielsweise dazu beitragen, manuelle Aufgaben in Ihrem Personalbeschaffungsprozess zu automatisieren, aber sie können auch zu einer Voreingenommenheit gegenüber Kandidat*innen führen und Ihre Einstellungsentscheidungen beeinflussen.

In einer aufschlussreichen Sitzung auf der Greenhouse Open 2022 moderierte Henry Tsai (VP of Product bei Greenhouse) eine Diskussionsrunde mit Susanna Vogel (HR Reporterin bei Morning Brew), Mona Khalil (Data Science Manager bei Greenhouse) und Dave Dyer (Senior Data Scientist bei Greenhouse), um zu erörtern, wie maschinelles Lernen zur Bewältigung von Recruiting-Problemen eingesetzt werden kann, und um Greenhouses Meinung zu den potenziellen Vorteilen, Risiken und Ansätzen zu teilen. Hier finden Sie die Highlights aus ihrem wichtigen Gespräch.

Die wichtigsten Einstellungsprobleme, die KI und ML lösen können

In dieser Sitzung hebt Henry vier Bereiche hervor, in denen einige der schwierigsten Probleme bei der Personalbeschaffung bestehen, und fragt die Diskussionsteilnehmer, wie künstliche Intelligenz und maschinelles Lernen genutzt werden können, um Talentspezialisten bei der Bewältigung dieser Probleme zu helfen.

Der erste Bereich ist die Suche nach qualifizierten Kandidat*innen, wobei sich die Frage stellt: Gibt es effizientere Wege oder bessere Orte, um großartige Talente zu finden? Er skizziert die Untereimer als Probleme bei der Beschaffung von Vielfalt, Pipeline-Parität und der Art und Weise, wie Kandidat*innen – vergangene, gegenwärtige und zukünftige – gespeichert werden.

Der zweite Bereich ist die Verbesserung und Iteration des Einstellungsprozesses. Woher wissen Sie, wann Sie gut bei der Personalbeschaffung sind oder ob Sie besser werden? Wie können Maschinen uns helfen, dieses Erlebnis zu optimieren? Zu den Untereimern in diesem Bereich gehören Benchmark-Daten, Erkenntnisse zum Handeln, die Festlegung effektiver Kennzahlen und das Wachsen in Ihrer Rolle.

Der dritte Bereich ist eine effektive Einstellung. Was bedeutet es, erfolgreich in großem Umfang einzustellen? Wie können Sie Talente an sich binden? Können Sie die Produktivität eines Teams messen? Zu den Untereimern gehören hohe Einstellunszahlen, die Einstellung und Bindung von Talenten, intelligente Bewerbungsgespräche und die Produktivität von Teams.

Der letzte Bereich ist DE&I Enablement, was die Frage aufwirft: Wie können Sie die von Ihnen gesammelten Daten in wertvolle Erkenntnisse umwandeln und bessere Ergebnisse erzielen? Zu den Untereimern gehören Einstellung, Bindung, Beschaffung und Bewerber*innen-Erfahrung.

Vorteile und Risiken der Anwendung von maschinellem Lernen in der Personalbeschaffung

Der Einsatz von maschinellem Lernen für die Personalbeschaffung bringt unzählige potenzielle Vorteile, aber auch Risiken mit sich, die sich negativ auf den Einstellungsprozess auswirken können.

Der wohl größte Vorteil der Nutzung von maschinellem Lernen in Ihrem Einstellungsprozess ist die Möglichkeit, schneller bessere Entscheidungen zu treffen. Susanna sagt: „Eine der interessantesten Möglichkeiten, die ich gesehen habe, ist, Einblicke in den Interviewer und nicht in den Interviewten zu geben. Sagen wir, Sie haben diese Bewerber*innen so oft unterbrochen, oder vielleicht gibt es hier ein Muster, dass Sie männliche Bewerber bevorzugen, ihnen mehr Redezeit einräumen als Frauen, solche Dinge.“ In diesen Fällen können ML-Modelle Unternehmen dabei helfen, ihren Einstellungsprozess zu verbessern, indem sie derartige Verzerrungen aufdecken.

ML-Modelle können auch ein Risiko darstellen, wenn es darum geht, Einstellungsentscheidungen zu treffen. Mona erklärt, dass die Algorithmen, die zur Erstellung von Produktempfehlungen verwendet werden, auch zur Erstellung von Bewerberempfehlungen genutzt werden können. „Unter der Haube laufen oft noch andere Modelle, die von Ihren demografischen Kategorien ausgehen und diese Informationen dann nutzen, um Ihnen weitere Produkte zu empfehlen. Plötzlich haben Sie eine Feedbackschleife. Etwas so Einfaches wie das Ansehen von Produkten auf einer Website und dann die Verwendung eines ähnlichen Algorithmus für eine viel folgenreichere Entscheidung wie die Empfehlung von Bewerber*innen.“ Dies kann tiefgreifende Auswirkungen auf die Einstellungsergebnisse haben und stellt ein Risiko dar, da die Auswirkungen und Folgen dieser Ergebnisse unbekannt sind.

Ansatz von Greenhouse zur Nutzung von KI und ML zur Verbesserung der Bewerber*innen-Erfahrung

Welchen Ansatz verfolgt Greenhouse bei der Nutzung von KI und ML, um die Bewerber*innen-Erfahrung zu verbessern? Mona sagt: „Wir lernen immer noch dazu. Wir haben uns zum Beispiel weitgehend davon zurückgezogen, direkte Bewerber*innen-Bewertungen und -entscheidungen bei Greenhouse vorzunehmen, weil wir noch nicht sicher sind, dass wir dies ohne eine Voreingenommenheit tun können, die wir nicht im Auge behalten können.“ Sie fügt hinzu: „Wenn wir EEOC-Informationen über Bewerber*innen sammeln, können wir damit sicherstellen, dass wir Bewerber*innen nicht aufgrund dieser Kategorien diskriminieren, aber das ist nicht die Endgültigkeit der Erfahrung eines Menschen. Im Moment sind wir nicht sicher, ob wir nicht Bewerber*innen in einem toten Winkel benachteiligen würden, der uns nicht bewusst ist.“

Als Henry die Runde fragt, wie wir KI und ML-Technologie nutzen können, um ein großartiges Bewerbererlebnis zu schaffen, sieht die Runde die Möglichkeiten eher positiv.

Mona sagt, dass der Einsatz von KI und ML zur Ableitung von Intelligenz als Teil des Einstellungsprozesses eine großartige Möglichkeit sein könnte, die Erfahrung der Bewerber*innen zu verbessern. Sie erklärt, dass die Identifizierung von Gesprächen, die zu verschiedenen Zeitpunkten des Einstellungsprozesses wichtig sind, eine schnellere Entscheidungsfindung ermöglicht, so dass Kandidat*innen schneller ausgewählt und früher aus dem Prozess entfernt werden können, wenn sie nicht zum Unternehmen passen.

Dave teilt mit, dass er gerne Vorhersagemodelle dafür sehen würde, wie erfolgreich eine Person sein wird oder wie glücklich und erfüllt diese Person in ihrem Job sein wird. „Ich würde gerne sehen, dass Kandidat*innen, mit denen man schon lange nicht mehr gesprochen hat, genau zu dem Zeitpunkt angesprochen werden, zu dem wir ihnen helfen können, ihr Ziel zu erreichen. Das sind die Dinge, die ich für sehr positiv halte.“


Wenn Sie bei Open 2022 dabei waren und weitere Ressourcen wünschen, können Sie hier den Teilnehmer-Hub besuchen.