اگر کسب و کار شما همچنان درگیر مشکلات استعفای بزرگ است یا در تلاش برای رسیدن به اهداف متنوع خود است، ممکن است سیستم ردیابی متقاضی (ATS) هیچ لطفی به شما نکرده باشد.

طبق تحقیقات Jobscan، 99 درصد از شرکت‌های Fortune 500 از نوعی سیستم ATS استفاده می‌کنند – مانند Oracle’s Taleo، PeopleFluent، Avature یا Greenhouse، در میان تعداد انگشت شماری دیگر. در میان شرکت های کوچکتر، Capterra دریافت که 75 درصد از استخدام کنندگان و مدیران استعدادها به طور کلی از نوعی نرم افزار ردیابی متقاضی استفاده می کنند. بنابراین، به جرات می توان گفت که اکثر موقعیت هایی که امروزه پر می شوند با کمک این سیستم ها پر می شوند.

کسانی که از آنها استفاده می کنند این کار را با نیت خوب و دلیل بسیار خوبی انجام می دهند. سیستم‌های ATS به رهبران منابع انسانی و استخدام‌کنندگان این امکان را می‌دهد تا با حذف نامزدهایی که معیارهای خاصی را ندارند، حجم زیادی از برنامه‌ها را در مدت زمان بسیار کوتاهی بررسی کنند. و از آنجایی که طبق گفته Glassdoor، هر آگهی شغلی آنلاین به طور متوسط ​​250 متقاضی را جذب می کند، راهی برای جدا کردن گندم از کاه کاملاً ضروری است.

سیستم‌های ردیابی متقاضیان سال‌ها ابزاری بوده‌اند که مدیران استعداد و استخدام‌کنندگان را قادر می‌سازد تا به سطوح بسیار بالاتری از کارایی نسبت به بدون آنها دست یابند. از طریق استفاده از کلمات کلیدی، در درجه اول، استخدام کنندگان و مدیران استعدادها به ATS می گویند که به دنبال چه هستند، و سیستم مسئولیت را بر عهده می گیرد، رزومه هایی را پیدا می کند که معیارهای مورد نظر را برآورده می کند و مواردی را که چنین نیستند نادیده می گیرد. این دستگاه در عرض چند دقیقه کاری را انجام می دهد که ممکن است ساعت ها کار دستی طول بکشد و رزومه های فردی را یک به یک بررسی کند. اما مشکل اینجاست: این فرآیند می‌تواند ذاتاً تبعیض‌آمیز باشد و به احتمال زیاد از آن دسته از رهبرانی که مردم واقعاً می‌خواهند پیروی کنند اجتناب می‌کند. و هوش مصنوعی وضعیت بد را بدتر می کند.

دلیل این امر این است: به یاد داشته باشید، سیستم های ATS از کلمات کلیدی اختصاص داده شده توسط استخدام کننده برای یافتن نامزدهای ایده آل استفاده می کنند، بنابراین هرگونه سوگیری ناخودآگاهی که توسط استخدام کننده وجود دارد در الگوریتم برنامه ریزی می شود. علاوه بر این، به دستگاه آموزش داده می شود که به دنبال ایده آل باشد و هر چیزی را که مطابق آن نیست نادیده بگیرد – آنها بر اساس حذف منفی کار می کنند. بنابراین، اگر بهترین مدارس درخواست شود، هرکسی که در هر چیز دیگری شرکت کرده باشد، حذف خواهد شد. در صورت درخواست اشتغال مستمر، هرکس که خلأ داشته باشد حذف می شود. به دنبال تجربه شغلی خاصی می‌گردید، بنابراین یک شغل تابستانی یا شغل دوم در یک صنعت غیرفعال برای گذراندن زندگی یا بازپرداخت وام‌ها، باعث می‌شود که یک نامزد بازگردد. اگر از جغرافیا خواسته شود، جایی که شما زندگی می کنید می تواند یک قاتل باشد. شما ایده را دریافت می کنید.

مهمتر از همه، این سیستم ها می توانند نتایج آشکارا تبعیض آمیز ایجاد کنند. به گفته Headstart، “مطالعه بیش از 20000 متقاضی نشان می دهد که پلتفرم های قدیمی ATS فرآیندهای استخدام ناعادلانه را امکان پذیر می کنند که منجر به تبعیض شدید می شود.” این اتفاق نمی‌افتد زیرا اپراتورها ذاتاً نژادپرست یا جنسیت‌گرا هستند، بلکه به این دلیل است که آنها به دنبال اجتناب از کار و کلمات کلیدی جمعیت‌شناختی هستند که برای متقاضیان زن و اقلیت معمول است، مانند شکاف‌های شغلی برای مراقبت از کودکان، مدارس درجه دوم، مناطق خاص جغرافیایی، مشاغل دوم برای پرداخت. برای مدرسه، رشته های خاص محبوب بین اقلیت ها و غیره. از آنجایی که داوطلبانی که این سوابق را دارند ویژگی های مورد نظر را نخواهند داشت، از دستشان حذف می شود.

در نتیجه، ATS به سمت نیروی کار همگنی از استخدام‌های تقریباً یکسان و غیرمتنوع هدایت می‌شود که معیارهای دقیقی را که مدیر استخدام معتقد است برای موفقیت در نقش‌هایی که می‌خواهند پر کنند، برآورده می‌کند. به عبارت دیگر، این سیستم دقیقاً همان چیزی را که مدیران استخدام می‌کنند، می‌دهد.

همان مطالعه Capterra که در بالا به آن اشاره شد نشان داد که تنها 5 درصد از افراد مورد بررسی معتقدند که سیستم ATS آنها تأثیر منفی بر عملکرد آنها داشته است. بنابراین به وضوح، تقریباً به اتفاق آرا، این افراد به طرز سعادتمندانه ای از پیامدهای تبعیض آمیز این سیستم ها بی اطلاع هستند. و این به نژاد و جنسیت ختم نمی شود.

از مهارت های نرم استفاده کنید. به طور معمول، مهارت های نرم در الگوریتم های ATS گنجانده نشده است. مهارت های سخت و کلمات عمل / نتیجه مانند “نتیجه”، با این حال، هستند. بر این اساس، رهبران همدل تر تقریبا همیشه توسط سیستم های ATS به نفع شارژ سخت نوع-As نادیده گرفته می شوند. بنابراین، اگر یک رهبر دلسوز و دلسوز، مهارت‌های سختی را که با مدل مدیریت خرد و مستبدی که رهبران منابع انسانی به دنبال آن هستند، فهرست نمی‌کند، خوب، آنها از کار افتاده‌اند. به همین ترتیب، استخدام‌کنندگان اغلب از ردیف‌بندی مدرسه و معدل زمانی که بتوانند آن را پیدا کنند، به‌عنوان پروکسی برای هوش استفاده می‌کنند، که هنوز معتقدند پیش‌بینی‌کننده موفقیت است. در نتیجه اتکای بیش از حد به سوگیری برای اقدام و هوشمندی به قیمت مهارت‌های نرم، سیستم‌های ATS ترکیبی غیرقابل تشخیص از رهبران اجرایی را ارائه می‌دهند که تعداد کمی واقعاً مایل به کار برای آنها هستند – در واقع، دقیقاً انواع رهبرانی که مردم در حال اجرا هستند. دور از 4+ میلیون در هر ماه در استعفای بزرگ. و انتظار نداشته باشید که هوش مصنوعی اوضاع را بهتر کند.

من با سرجیو سوارز جونیور، مدیرعامل TackleAI درباره این معضل صحبت کردم. سرجیو از 11 سالگی کد می نویسد، ابتدا برای کمک به کسب و کار خانواده اش و اکنون به عنوان رهبر یک شرکت هوش مصنوعی نوپا که بر پردازش داده ها متمرکز است. سرجیو آنچه را که در مورد سیستم‌های ATS و نتایج تاسف‌آور، هرچند غیرعمدی که امروز رانندگی می‌کنند، آموخته بودم، تأیید کرد. او گفت: “انتخاب در استخدام مهم است، اما نحوه رفتار الگوریتم های استخدام تبعیض آمیز است و از توجه قانونی به استعدادهای شایسته امتناع می ورزد.”

سرجیو همچنین به من کمک کرد تا بفهمم که هوش مصنوعی احتمالاً اوضاع را بدتر می‌کند، نه بهتر، زیرا به احتمال زیاد از آن برای بررسی داده‌های استخدام‌های تاریخی برای ایجاد الگوریتم‌هایی برای استخدام‌های آینده استفاده می‌شود. این سیستم به استخدام افراد اشتباه ادامه می دهد، اما، به گفته سرجیو، “از آنجایی که سیستم کنترل فرآیند تصمیم گیری را در دست گرفته است، بخش خطرناک این است که شما نمی دانید چرا افرادی را که استخدام می کنید، استخدام می کنید. ” وقتی سیستم نامزدی را پیدا می‌کند که با الگوهای تاریخی همسو می‌شود (که بر اساس الگوریتم‌های مبتنی بر تعصب قبلی ساخته شده‌اند، توجه داشته باشید)، سیستم باور می‌کند که کاری را درست انجام داده است – تعصبات خود را تأیید می‌کند و به دنبال تکرار آن‌ها خواهد بود. به طور خلاصه، احتمالاً مشکل را بدتر خواهد کرد.

بنابراین، پاسخ چیست؟ بحث راه‌اندازی این سیستم‌ها تا حد امکان نیست. این در مورد این است که قسمتی را که بیشتر اوقات به آنها بگویید چه می خواهید صحیح کنید.

به گفته سرجیو – که شرکت او در طول استعفای بزرگ هیچ بخش پس از قرنطینه را ندیده است – این مربوط به مدیریت صحیح داده ها در قسمت جلویی است، چه از یک سیستم ATS استفاده کنید یا به سمت مرزهای باز هوش مصنوعی حرکت کنید. اجازه دادن به هوش مصنوعی داده‌های استخدام شما را کنترل کند و به جای آن پیشنهاد می‌کند که با گفتن به سیستم و نه چیزهایی که به شما می‌دهید، از نو شروع کنید فکر یک استخدام موفق خواهد شد، اما شما را دانستن این کار را بر اساس افرادی که اکنون برای شما کار می کنند انجام خواهد داد. این شامل افزودن مهارت‌های نرم مهم است.

سرجیو همچنین بر اهمیت انجام درست بررسی عملکرد همکاران تاکید می کند. او می‌گوید: «اگر ارزیابی‌های همکاران (در هر جهت) ناعادلانه باشد، داده‌های استخدام مغرضانه خواهد بود. بنابراین، کلید تقلید از موفقیت TackleAI در استخدام و حفظ افراد بزرگ، حذف تعصب از سیستم با استفاده از آنچه قبلاً می‌دانید که یک استخدام عالی را ایجاد می‌کند، است.

همچنین تغییر فرآیند فکری شما به آنچه واقعاً اهمیت دارد، مهم است. به این معنی است که در نظر گرفتن این که مشارکت همکاران بیش از زمان برای استخدام اهمیت دارد. این می تواند به این معنا باشد که باور داشته باشید که گردش مالی کمتر از جایی که افراد شما به مدرسه می روند مهم تر است. همچنین ممکن است به این معنا باشد که رضایت نامزدها چیزی است که باید برای شما نیز مهم باشد. در نهایت، باید این نکته را شامل شود که مردم باید بیش از هر چیزی مهم باشند – بیشتر از سیستمی که استفاده می‌کنید، بیشتر از مهلت استخدام خودسرانه، بیشتر از تمایل شما برای گفتن به گروه در باشگاه که از هوش مصنوعی استفاده می‌کنید، و مطمئناً بیشتر از تعصبات داخلی شما