Lukeeko CV:itä oikeasti ihminen?
Työpaikan hakijat esittävät aika ajoin kysymyksiä rekrytointiprosessiimme liittyen, ja erityisesti heitä tuntuu kiinnostavan alkukarsinta CV:iden perusteella. Tämä lieneekin kaikista ”salaisimpana” näyttäytyvä vaihe, sillä alkuvaiheen karsinnan perusteita ei yleensä avata hakijoille kovin tarkasti – elleivät he itse ole aktiivisia asian suhteen. Monesti hakijoita kiinnostaa, käytämmekö alkuvaiheen karsinnoissa automatiikkaa, ja lukeeko CV:itä oikeasti ihminen. Kyllä lukee, ja aina – ainakin meillä MPS:llä.
Algoritmien käytöstä rekrytoinnissa käydään kuumaa keskustelua, mutta tällä hetkellä näen ihmisen pystyvän toteuttamaan rekrytointeja konetta paremmalla laadulla. Automatiikan käyttöä puoltavia argumentteja on monia, mutta mitalilla on kaksi puolta – näitä avaan hieman alla.
Automaattinen hakemusten käsittely säästää paljon konsultin aikaa.
Ehdottomasti totta. Tätä voi lähestyä kuitenkin eri suunnasta: uskomme siihen, että hyvin tehty rekrytointi-ilmoitus kantaa pitkälle myös ajan säästössä. Realistinen työtehtävän ja rekrytoivan organisaation kuvaus sekä selkeä kannanotto hakijalta odotettaviin ominaisuuksiin karsii yllättävän paljon ei-relevantteja hakemuksia. Täysin tehtävänkuvaan sopimattomia CV:itä ja hakemuksia näemme oikeastaan hyvin harvoin. Valtaosa CV:istä on tehtävän kannalta joko relevantteja tai erittäin relevantteja.
Ihminen tekee konetta enemmän virheitä.
Totta. Mutta ihminen myös tunnistaa paremmin ne erinomaiset hakijat hyvien joukosta, ja pidämme sitä erityisen tärkeänä rekrytointiemme onnistumisen kannalta. Kone ei ole yhtä taitava erottelemaan erittäin hyvät hyvistä kuin ihminen – ainakaan vielä. Se on kyllä mahdollista, mutta jotta algoritmin tuottamat analyysit olisivat riittävän tarkkoja, algoritmin kehittämiseen tarvitaan iso määrä (vähintäänkin satoja) juuri kyseisen tehtävän kannalta erittäin relevantteja, melko relevantteja ja ei-niin-relevantteja CV:itä ja hakemuksia. Tämä ei liene käytännössä tällä hetkellä mahdollista.
Hakija ei pysty huijaamaan konetta.
Näin on, mutta data pystyy. Validin päätöksen tekemiseen algoritmi tarvitsee paljon dataa – ja sitä ei juuri ole yleensä saatavilla. Tämä ongelma voidaan kiertää käyttämällä dataa toissijaisista lähteistä, kuten aiempaa käyttäytymisdataa esim. sosiaalisesta mediasta ym. Sillä saadaan kuitenkin aikaan toinen ongelma: päätöksenteko perustuu valtaosin tehtävän kannalta epäoleelliseen tietoon. Näen tämän yhtenä suurimmista ongelmista automatiikalla tehtävässä rekrytoinnissa.
Subjektiivisuudella on iso rooli ihmisen tekemässä arvioinnissa. Algoritmien kohdalla sitä ei ole.
Totta tämäkin, mutta subjektiivisuuden ongelmaan on olemassa hyviä lääkkeitä. Kokenut ja koulutettu konsultti tunnistaa subjektiivisen tulkinnan lähteet ja pyrkii mahdollisimman objektiiviseen arviointiin. Oleellisinta on kuitenkin monimenetelmäisyys: tietoa on saatava eri lähteistä. Siksi arvioinnissa käytetään useita erilaisia testejä haastattelun lisäksi. Subjektiivisen tulkinnan merkitys pienenee tällä tavalla oleellisesti, ja itse uskon, että laadukkaasti toteutetussa arvioinnissa ihminen pääsee kaikessa subjektiivisuudessaan muodostamaan paljon tarkemman ja monipuolisempaan kuvan kandidaatista kuin algoritmi.
Tulevaisuudessa algoritmit tekevät tarkempia soveltuvuuspäätöksiä kuin ihmiset, sillä algoritmi perustaa päätöksensä isoon käyttäytymisdataan eikä henkilökohtaisiin havaintoihin ja tulkintoihin.
Algoritmit ovat hyviä tekemään laskelmia isolla datalla. Uskon, että esimerkiksi lääkärin työssä niistä voisi olla paljonkin hyötyä – esimerkiksi diagnosoinnissa, jossa oirekuvaan sovelletaan erilaisia vaihtoehtoisia diagnooseja. Siinä tarvitaan aika lailla todennäköisyyslaskentaa, josta kone suoriutuu hetkessä. Hypoteesityöskentelystä on kyse myös henkilöarvioinnissa – tosin ihmisen käyttäytymis- tai työskentelytyyliä arvioitaessa olemme tekemisissä hyvin abstraktien ja monimuotoisten asioiden parissa. Esimerkiksi vuorovaikutustaitojen arvioinnissa ihminen on konetta parempi ja uskon, että tulee olemaan vielä hyvin kauan.
Näen teknologian merkityksen rekrytoinnissa olevan tulevaisuudessakin lähinnä avustavana ja kokonaisprosessia tukevana. Algoritmeilla on toki selviä etuja – suurimpana ja merkittävimpänä näen niiden mahdollistaman ajansäästön. Esimerkiksi täysin tehtäväprofiiliin soveltumattomien hakijoiden tunnistamisen ja karsinnan voisi ulkoistaa koneille – siinä säästää aikaa. Jos samaan tehtävään rekrytoidaan usein ja paljon, algoritmia voisi opettaa tarkemmin tunnistamaan halutun kandidaatin kokemusprofiilin tai testiprofiilin, jos on varaa karsia hakijoita pelkän kokemuksen ja testituloksen perusteella. Myös testitulosten ”ristiintulkinnan” voisi opettaa koneelle, ja käyttää algoritmin tekemää tulkintaa konsultin tulkinnan tukena, ikään kuin objektiivisena "second opinionina". Kokonaisvastuuta rekrytoinnista en ulkoistaisi koneelle missään tapauksessa, enkä näe sitä realistisena tulevaisuudessakaan.
