האם אתם משתמשים ב-AI כדי להאיץ את העבודה בתחום משאבי אנוש, או שאתם מעבירים לאלגוריתם החלטות שהוא לעולם לא היה צריך לקבל בעצמו? כאן הדיוןבנושא AI בתחום משאבי אנוש הופך לרציני. בחברות קטנות ובינוניות באיטליה, הבעיה אינה להבין אם הבינה המלאכותית מועילה. היא אכן מועילה. הבעיה היא להבין היכן היא מייצרת ערך אמיתי, והיכן היא דווקא יוצרת חוסר שקיפות, הטיות וסיכונים רגולטוריים.
כיזם, ראיתי עד כמה מפתה לאוטומטי את השלבים המתישים ביותר. אם יש לך מאות קורות חיים לקרוא, סקרים פנימיים שצריך לסכם או עובדים שתמיד שואלים את אותן השאלות בנוגע לחופשות ולמדיניות, הבינה המלאכותית חוסכת לך זמן באופן מיידי. אבל ראיתי גם את הצד השני. ציון התאמה שנוצר על ידי מודל נראה אובייקטיבי, ובדיוק משום כך הוא עלול להיות מסוכן יותר מהערכה אנושית שהיא סובייקטיבית במפורש.
הפרשנות הנכונה אינה "כן ל-AI" או "לא ל-AI". היא נמצאת במציאת האיזון הנכון בין אוטומציה לאחריות אנושית. למי שמעוניין בגישה מעשית מאוד בנושא חברות קטנות ובינוניות, אני ממליץ גם על הספר " AI in HR for SMEs".
השאלה הנכונה אינה האם הבינה המלאכותית יכולה לסייע למחלקת משאבי אנוש. השאלה הנכונה היא האם היא באמת יכולה לבחור את המועמד הבא שלך מבלי לעוות את התהליך.
בפועל, כיום הבינה המלאכותית כבר משולבת בבדיקת קורות חיים, בצ'אטבוטים פנימיים, בניתוח סקרים, בתהליכי קליטת עובדים ובהפקת מסמכים. זוהי טכנולוגיה שימושית במיוחד כאשר העומס התפעולי גבוה והערך של המהירות הוא מיידי. אך בתחום משאבי אנוש, כל החלטה משפיעה על אנשים אמיתיים, על קריירות אמיתיות ועל זכויות אמיתיות. לכן יש להתייחס לאימוץ הטכנולוגיה הזו בגישה שונה מזו שבה מכניסים "טייס משנה" לכתיבת מיילים או לסיכום ישיבות.
היעילות חשובה. עם זאת, כאשר מדובר בהחלטות הנוגעות לאנשים, לא די במהירות בלבד.
בשוק האיטלקי הנושא רגיש עוד יותר. תקנות ה-GDPR וחוק ה-AI האירופי מצמצמים מאוד את מרווח הטעות כאשר מערכת אוטומטית משפיעה על תהליכי גיוס, הערכה וניהול כוח אדם. אם אתם שוקלים להשתמשב-AI בתחום משאבי אנוש, עליכם להקפיד על כלל פשוט: אוטומציה של העבודה המכנית, והשארת קבלת ההחלטות בידי בני אדם.
השימוש ב-AI בתחום משאבי אנוש אינו מדע בדיוני. זהו כבר חלק מהעבודה היומיומית. כיום, חברות רבות משתמשות בו כדי להקל על משימות חוזרות, להאיץ תהליכים ולהקדיש לצוות משאבי אנוש יותר זמן לעבודה הדורשת הבנה של ההקשר ושיקול דעת.
על פי נתוני Yomly בנוגע לאימוץ הבינה המלאכותית (AI) בתחומי משאבי אנוש, 44% מהחברות כבר משתמשות בה לצורך גיוס עובדים. כלי הבינה המלאכותית יכולים לקצר את משך תהליך הגיוס בכ-50% ולבצע אוטומציה של כמעט 40% מהמשימות החוזרות על עצמן.
השימוש הנפוץ ביותר הוא סינון ראשוני של המועמדים. מודל שפה גדול (LLM) קורא קורות חיים ותיאורי משרה, משווה כישורים, ניסיון וסימנים סמנטיים, ולאחר מכן בונה רשימה מצומצמת וממוינת.
בפועל, זה עובד היטב כאשר התפקיד הוא די סטנדרטי. אני חושב על תפקידים אדמיניסטרטיביים, תמיכת לקוחות, מכירות פנימיות ופיתוח תוכנה עם סטק מוגדר. אם מתארים את הדרישות היטב, המודל מאיץ מאוד את השלב הראשון.
זה פחות יעיל כאשר מדובר במרכיבים שקשה להפיק מקורות חיים.
כלל מעשי: השתמש ב-AI כדי לצמצם את רשימת 500 קורות החיים לרשימה שניתן לנהל בקלות רבה יותר. אל תשתמש בה כדי להחליט בעצמך מי ראוי לראיון סופי.
השימוש השני פחות בולט, אך לעתים קרובות שימושי יותר. צוותי משאבי אנוש מקדישים חלק ניכר מזמנם לטיפול בבקשות חוזרות ונשנות. על פי הניתוח של תומאסו מריה ריצ'י בנושא בינה מלאכותית בתחום משאבי אנוש, צוותי משאבי אנוש מקדישים בין 40% ל-60% מזמנם לטיפול בבקשות כגון חופשות, תלושי שכר ומדיניות החברה. צ'אטבוטים בתחום משאבי אנוש יכולים לפנות עד 2-3 שעות ביום לפעילויות אסטרטגיות יותר.
הערך כאן הוא מיידי. צ'אט-בוט פנימי עונה על שאלות בנוגע לימי חופשה שנותרו, מסמכים, נהלים, דוחות הוצאות, תקנות ותהליך קליטה מנהלי. היתרון אינו רק הזמן שנחסך לצוות משאבי אנוש. הוא טמון גם באיכות החוויה של העובד, שמקבל תשובה מהירה במקום להמתין למייל.
הנקודה שבה הבינה המלאכותית באמת מפתיעה היא בניתוח טקסטים ארוכים ומפוזרים. הסקרים הפנימיים מהווים דוגמה מושלמת לכך. במקום לקרוא באופן ידני מאות תשובות פתוחות, המודל מזהה נושאים חוזרים, סנטימנטים, נקודות תורפה מתעוררות ודפוסים שראוי לבחון לעומק.
היישומים השימושיים ביותר שאני רואה בחברות קטנות ובינוניות הם אלה:
תיאור תפקיד ומדיניות
הבינה המלאכותית מייצרת טיוטה ראשונית עקבית, שהצוות משאבי אנוש מתקן לאחר מכן מבחינה משפטית ותרבותית.
הכשרה מותאמת אישית
ניתן להתאים את התכנים, החומרים וסדר ההופעה בהתאם לתפקיד או למחלקה.
מיפוי כישורים
מסייע במיפוי הכישורים הקיימים והפערים בהכשרה, במיוחד כאשר הנתונים מפוזרים בין קורות חיים, הערכות ורישומים ניהוליים.
ניתוח האקלים
הופך טקסט לא מובנה לאיתותים שימושיים המסייעים להבין היכן יש לפעול.
יש גם הבחנה הולכת וגוברת בין מודלים כלליים למודלים אנכיים. בתחום האנכי, Wisq פיתחה את HRLM כמודל ייעודי לתחום משאבי אנוש. בתחום הכללי, GPT, Claude ו-Gemini כבר נמצאים בשימוש בחברות רבות לביצוע משימות תפעוליות בתחום משאבי אנוש, באמצעות פקודות מתוכננות היטב. ההבדל, עם זאת, אינו טמון רק באיכות התפוקה, אלא גם בממשל.
הדרך הגרועה ביותר לאמץ בינה מלאכותית בתחום משאבי אנוש היא לחשוב במונחים מוחלטים. היעדר אוטומציה מוחלט מותיר אתכם עם תהליכים איטיים, עומס עבודה מצטבר והחלטות המתקבלות על סמך מידע חלקי. אוטומציה מוחלטת מובילה אתכם לטעות ההפוכה: התייחסות לאנשים ולמועמדים כאל כרטיסים שיש לסווג.
המטאפורה של עקומת לאפר מתאימה גם כאן. בהתחלה, כל שלב בהטמעת הבינה המלאכותית מביא ליעילות. אוטומציה של שאלות נפוצות פנימיות, טיוטות ראשוניות של מסמכים, ניתוח טקסט, דירוג ראשוני של קורות חיים. הערך הולך וגדל.
ואז מגיע סף מסוים. אם ממשיכים להטיל על האלגוריתם משימות רגישות יותר ויותר, הערך מתחיל לרדת. לא משום שהמודל אינו שימושי, אלא משום שהסיכון גדל בקצב מהיר יותר מהתועלת.
על פי הסקירה של Workday בנושא בינה מלאכותית בתחום משאבי אנוש, הסיבות העיקריות לאימוץ הטכנולוגיה הן שיפור תהליך קבלת ההחלטות (41%), אוטומציה של תהליכים חוזרים (35%) ושיפור שימור העובדים וחווית העובד (32%). נתונים אלה מסבירים היטב מדוע הבינה המלאכותית מושכת כל כך את תחום משאבי אנוש. אך הם אינם מציינים היכן יש לעצור. זו הנקודה שלעתים קרובות חסרה בדיונים.
הערך המרבי אינו טמון בהחלפת צוות משאבי האנוש, אלא בהפיכתו ליעיל ומהיר יותר בביצוע הפעולות הנכונות.
כדי למצוא את הנקודה האופטימלית, אני משתמש בהבחנה פשוטה בין משימות מכניות למשימות הדורשות קבלת החלטות.
| סוג העסק | רמת ה-AI המומלצת | פיקוח אנושי |
|---|---|---|
| שאלות נפוצות: עובדים, חופשות, מדיניות | גבוה | נמוך, עם בדיקה תקופתית |
| טיוטות של תיאורי תפקיד | גבוה | יש צורך בביקורת משאבי אנוש |
| סינון ראשוני של קורות חיים | מְמוּצָע | פיקוח אנושי מתמיד |
| הערכת המועמדים שהגיעו לשלב הגמר | נמוכה | גבוה |
| קידומים, ביצועים קריטיים, סיכון עזיבה אישי | נמוכה מאוד | החלטה אנושית מלאה |
אם יש לך עסק קטן או בינוני, הנקודה האופטימלית היא בדרך כלל לא טכנית. היא ארגונית. עליך להחליט בבירור היכן ה-AI מציעה, היכן היא מורה, היכן היא מסכמת, והיכן, לעומת זאת, היא לא צריכה להחליט.
שלוש שאלות שעוזרות מאוד:
החלק המסוכן ביותרבבינה המלאכותית (AI) עבור מחלקת משאבי אנוש אינו הטכנולוגיה עצמה, אלא ההילה הכוזבת של נייטרליות שהיא מקרינה. כאשר מגייס מעריך מועמד, כולם יודעים שהערכה זו כוללת מידה מסוימת של סובייקטיביות. כאשר מערכת מעניקה ציון, אנשים רבים מפסיקים לשאול שאלות.
זהו לב ליבו של בעיית ההטיה האלגוריתמית. כאשר מאמנים או מגדירים מערכת על סמך נתוני גיוס היסטוריים, המערכת נוטה לשכפל את ההיגיון שכבר היה קיים בנתונים. אם ההיסטוריה הארגונית העדיפה פרופילים מסוימים והפלתה אחרים, האלגוריתם עלול לעשות את אותו הדבר בצורה מהירה יותר ופחות גלויה.
המקרה של אמזון הפך לסמל דווקא בשל כך. החברה נאלצה לבטל מערכת סינון קורות חיים שהפלתה לרעה פרופילים של נשים. זו אינה תופעה חריגה ובלתי שגרתית. זו התוצאה הצפויה של גישה המשתמשת בעבר כמודל לכישרון.
באיטליה, התמונה רחוקה מלהיות מעודדת. על פי הנתונים שפרסמה ELECTE בנושא, רק 12% מחברות משאבי האנוש המשתמשות במערכות בינה מלאכותית יישמו ביקורות שיטתיות בנושא הטיות.
מודל טוב יותר אינו פותר את הבעיה אם הנתונים, הקריטריונים או ההקשר הארגוני נותרים מוטים.
עבור מי שפועל באירופה, זו אינה רק שאלה אתית. זו שאלה משפטית. סעיף 22 לתקנת ה-GDPR מכיר במועמדים בזכות שלא להיות כפופים להחלטות המתבססות אך ורק על עיבוד אוטומטי, כאשר להחלטות אלה יש השלכות משמעותיות על האדם. החלטות בתחום משאבי אנוש נכללות במלואן בתחום רגיש זה.
בנוסף, חוק ה-AI האירופי מגדיר את הגיוס וניהול כוח האדם כשימושים בעלי סיכון גבוה. משמעות הדבר היא חובות תיעוד, שקיפות, בקרה וניהול סיכונים מחמירות בהרבה בהשוואה לשימוש כללי ב-AI לצורך שיפור הפריון האישי.
עבור חברה איטלקית, ההשלכות המעשיות ברורות:
מי שעוסק ברצינות בנושאים אלה צריך לבחון לעומק גם את עמידתן של החברות בחוק ה-AI Act.
השוק מתחלק לשתי קטגוריות שונות מאוד זו מזו. מצד אחד, ישנם מודלים LLM כלליים כמו GPT, Claude ו-Gemini. מצד שני, צצים מודלים אנכיים שתוכננו במיוחד עבור משאבי אנוש, כמו HRLM של Wisq.
עבור חברה קטנה או בינונית, לרוב מספיק מודל כללי. אם אתה זקוק ל:
מודל LLM טוב עם פרומפטים שנכתבו היטב יכול לתפקד מצוין.
היתרון הוא מעשי. מתחילים מיד, מוציאים פחות, מבצעים בדיקות במהירות. עבור צוותי משאבי אנוש קטנים או חברות עם תהליכים שאינם מורכבים מדי, גישה זו היא לרוב הדרך ההגיונית ביותר להתחיל.
עם זאת, יש כאן מגבלה. המודלים הכלליים לא נוצרו מתוך תפיסה של משאבי אנוש, ולא עם מדיניות ספציפית המתאימה להקשר שלך, ואף לא עם הבטחות משתמעותיות לעמידה בדרישות הרגולטוריות רק משום שהם חזקים.
אם אתה מנהל נפחים גדולים יותר, תהליכים רגישים יותר או מבנה עם רמות אישור רבות, המודלים האנכיים הם הבחירה הנכונה. לאו דווקא משום שהם "מבינים הכל טוב יותר", אלא משום שהם נועדו לטווח מצומצם יותר.
בדרך כלל עדיף להשתמש בהן כאשר יש צורך:
עבור חברה קטנה ובינונית המעסיקה 50 עובדים, המטרה אינה לרכוש את המערכת המתוחכמת ביותר. המטרה היא לבחור במערכת שהצוות יודע להשתמש בה, לפקח עליה ולהעיר עליה כאשר היא טועה.
השאלה הנכונה אינה איזה מודל מתקדם יותר. השאלה היא איזה מודל מתאים לרמת הסיכון התפעולי שלך. אם המשימה היא בעלת השפעה נמוכה ונפח גבוה, יש לבחור במודל הכללי. אם התהליך כרוך בהחלטות רגישות ודורש בקרה מובנית, כדאי לשקול את המודל האנכי.
היישומים הטובים ביותר אינם מתחילים בגיוס חזוי. הם מתחילים מהחיכוכים היומיומיים. שם ה-AI בונה אמון פנימי ומראה אם הצוות באמת מוכן לנהל אותה.
הצעד הראשון נראה פשוט רק במבט ראשון. עליך להתחיל בפעילויות בהיקף גדול ובסיכון נמוך. אם תתחיל משם, תראה מיד את היתרון ותצמצם את החשיפה.
שלוש דוגמאות הגיוניות:
גישה זו מביאה לתוצאות חיוביות. צוות משאבי האנוש מפסיק לראות ב-AI איום מופשט ומתחיל להתייחס אליה כאל כלי תומך בעבודה.
השלב השני חשוב יותר מהראשון. עליך לכתוב במפורש היכן ה-AI נותן המלצות והיכן האדם מקבל את ההחלטות.
ממשל תאגידי בסיסי בחברות קטנות ובינוניות צריך לכלול:
גבולות קבלת ההחלטות
הבינה המלאכותית יכולה לסווג, לתמצת ולדווח. המנהל או מגייס כוח האדם מאשר, דוחה או בוחן את העניין לעומק.
תהליך הבדיקה
כל תוצר בעל השפעה רבה חייב להיבדק על ידי אדם אחראי.
בדיקת הטיות לפני ההשקה
אם המערכת משמשת לגיוס או להערכת עובדים, יש לבדוק אותה באמצעות מערכי נתונים מייצגים ובקרות מתועדות.
שקיפות פנימית
עובדים ומועמדים חייבים לדעת מתי נעשה שימוש ב-AI ככלי תומך בתהליך.
חברה קטנה ובינונית שמתעלמת מהבדיקות לא מאיצה את קצב הצמיחה. היא רק דוחה את הסיכון למועד מאוחר יותר.
השלב השלישי הוא הרחבה הדרגתית. נהג הפועל במסגרת תהליך משאבי אנוש בודד לומד יותר מאשר במסגרת יישום נרחב. תחילה יש לאמת את המשימה, לאחר מכן את התנהגות הצוות, ולבסוף את המסגרת הרגולטורית.
למי שרוצה לארגן את העבודה בצורה מסודרת, כדאי להיעזר בתוכנית פעולה מפורטת לשילוב הבינה המלאכותית, ולא בניסויים מפוזרים.
כדי למדוד את הצלחתה של הבינה המלאכותית בתחום משאבי אנוש, לא די בבחינת המהירות. יש להבין האם היא משפרת את איכות ההחלטה מבלי ליצור סיכונים, טעויות או תהליכים לא שקופים.
בחברות קטנות ובינוניות, הקריטריון השימושי ביותר הוא פשוט: האם הבינה המלאכותית מובילה את צוות משאבי האנוש לנקודה הנכונה בעקומת לאפר, או שהיא אוטומטית פעילויות שדורשות עדיין שיקול דעת אנושי בשלב מוקדם מדי? אם החיסכון בזמן גדל, אך במקביל עולות מחלוקות, ביקורות או ספקות לגבי תקינות התהליך, הרווח הוא רק לכאורה.
דוגמה קונקרטית לכך היא ניתוח סקרי שביעות הרצון הפנימיים. בחברות רבות, מחלקת משאבי אנוש קוראת ידנית מאות תשובות פתוחות ומזהה את הנושאים העיקריים, תהליך האורך זמן רב ומאופיין בשונות מסוימת מאדם לאדם. בעזרת מודל שפה גדול (LLM) שהוגדר כהלכה, אשכולות נושאיים, סימנים חוזרים וחריגות מתגלים מוקדם יותר.
היתרון האמיתי כאן אינו רק תפעולי. הצוות מפסיק לבזבז שעות על סיכומים ויכול להתמקד בסדרי העדיפויות, במעקב ובפעולות מול המנהלים.
המדדים השימושיים, במקרה זה, הם מעטים וממוקדים: זמן הניתוח הממוצע, עקביות הסיכומים בהשוואה לבדיקה אנושית מדגמית, ומספר התובנות שהופכות לפעולות בפועל. אם הבינה המלאכותית מייצרת סיכומים מהירים אך כלליים מדי, כבר חרגת מהנקודה האופטימלית.
המקרה ההפוך הוא מורכב יותר. צ'אט-בוט שמנהל את הראיון הראשוני ומעניק ציון מוקדמות ללא בדיקה אנושית עשוי להיראות יעיל, אך עבור חברה קטנה ובינונית איטלקית הוא יוצר בעיה חמורה של מתודולוגיה, עוד לפני שמדובר בבעיה טכנולוגית.
הסיכון הוא משולש. אתה עלול לפסול מועמדים מתאימים על סמך קריטריונים לא ברורים. אתה עלול להתקשות להסביר את ההחלטה באופן שקוף. אתה עלול להיחשף לביקורת בנוגע ל-GDPR, ובמקרים בעלי השפעה רבה – אף לחובות שה-AI Act מחמיר ביחס למערכות המשמשות במקום העבודה ובתהליכי הגיוס.
כפי שראיתי בחברה, המבחן הנכון הוא זה: האם הבינה המלאכותית עוזרת לקבל החלטות טובות יותר, או שהיא רק מאיצה החלטה רעועה? ניתוח של ELECTE מדגיש בדיוק את הנקודה הזו. תהליכי מיון המנוהלים באמצעות אוטומציה בלבד נוטים לפגוע בהתאמה האמיתית בין האדם לתפקיד, בעוד שאימות סופי על ידי בני אדם מצמצם את הטעויות היקרות ביותר.
לפיכך, מדידה נכונה פירושה ניתוח משולב של ארבעה מדדים: זמן שנחסך, איכות התפוקה, שיעור התיקונים האנושיים וסיכון אי-עמידה בדרישות. אם מודדים רק מדד אחד, בדרך כלל מעריכים את הפרויקט בצורה לא נכונה.
ה-AI בתחום משאבי אנוש באמת יעיל כאשר הוא מטפל בעבודה המכנית ומשאיר לאדם את המשימה הקשה יותר: לפרש את ההקשר, המוטיבציה, הפוטנציאל וההשלכות. זהו האיזון האופטימלי. לא "AI אפס", ולא אוטומציה מוחלטת.
עבור חברה קטנה ובינונית איטלקית, העדיפות אינה לרדוף אחר החידוש המבריק ביותר. העדיפות היא לבנות מערכת שתשפר את היעילות והאיכות מבלי לעמוד בסתירה לתקנות ה-GDPR, לחוק ה-AI Act ולשכל הישר הניהולי. אם מיישמים את ההיגיון הזה, הבינה המלאכותית הופכת לגורם מכפיל מועיל. אם משתמשים בה כתחליף לשיקול דעת, היא הופכת לסיכון.
אם ברצונך להפוך נתונים תפעוליים וסימנים ארגוניים לתובנות ברורות יותר, ELECTE – פלטפורמת ניתוח נתונים מבוססת בינה מלאכותית המיועדת לעסקים קטנים ובינוניים – תסייע לך לנתח מידע מורכב, להפוך את הדיווחים לאוטומטיים ולתמוך בקבלת החלטות טובות יותר. כדי להבין כיצד היא פועלת בפועל, תוכל לצפות בפלטפורמה בפעולה ולבחון אם היא מתאימה לתהליכים שלך.
.svg)
.svg)
.svg)
