本文來自微信公衆号：經濟觀察網 （ID：eeojjgcw），作者：韓踐，題圖來源：AI 生成
當前，業務主管對于人力資源管理職能最常見的批評是 " 招聘和甄選的産出跟不上業務的需求 "。這個批評覆蓋了數量和質量兩個方面。其中，提升質量比數量問題更具挑戰性，因爲涉及匹配問題。
科學管理時代以來，" 人與崗位的匹配 " 和 " 人與組織的匹配 " 問題，始終是企業管理面臨的挑戰之一，導緻這個問題出現的原因有很多。
比如，很多企業在招聘時采用一些相對粗糙的人才标準，甚至不使用事先規劃的人才标準，看着順眼就進。或者，企業在甄選時過于強調可量化的硬技能，而忽視了崗位實際需要的軟素質。負責招聘的管理者爲了節約時間和成本，傾向于使用直覺主導的、信度和效度較低的方法（如非結構化面試）。
此外，很多公司内部的招聘政策、導向和流程都出現不一緻的問題，随意性很強。這些問題都會影響招聘和甄選的效果，降低人員選拔對企業應有的價值。
随着數智技術的發展，我們都期待新技術能夠提升人才匹配的效率，即用 AI 技術将招聘和甄選過程中重複耗時的工作自動化，并在整個招聘過程中實現個性化的數據分析和推薦功能，使招聘人員可以專注于複雜的甄選判斷和溝通工作。據 LinkedIn 等招聘網站的調研估計，全球約有 35% — 45% 的企業已經在員工招聘的流程中采用自動化或 AI 工具。
數智技術的優勢
數智技術在提升招聘和選拔效率方面有很多優勢。
比如，它可以快速處理大量簡曆，通過自動化的初步篩選，大大降低初篩階段的人力和時間成本。現在，市場上的一些工具通過自然語言處理（NLP）分析簡曆和社交媒體數據，評估視頻面試的表現，甚至利用算法判斷個人與職位的匹配度。此外，越來越多的算法還能結合各種心理測量量表，比如認知能力和責任心等，根據不同的崗位需求進行加權處理來預測員工的績效表現。
在面試環節，數智應用可以記錄和分析候選人的聲音（音調、音量和節奏）、身體動作（手勢、姿勢等）以及面部表情（快樂、驚訝、憤怒等），從而綜合評估候選人的個人特點、表達風格、溝通技巧、說服力、抗壓性以及邏輯能力，并結合其它測評數據預測申請者的工作表現。随着算法分析的預測因子增多以及數據量的增加，算法能更加深入地理解這些因子和工作表現之間的關系，減少預測誤差，幫助管理者們更有效地進行人才選拔。
很多企業招聘面臨的主要問題是缺乏結構化的人員招聘和選拔流程。在這些企業中，面試官和決策者的主觀喜好起到了比較重要的作用，很可能導緻有偏見的決策，從而降低整個招聘體系内部的一緻性和甄選效能。在這種場景下，使用數智工具促進人員選拔流程的标準化和結構化，可以增加申請者們對于申請流程的公平感。
數智技術還有一個重要優勢，就是其個性化和适配能力。
通過分析簡曆和招聘需求，算法能夠根據市場變化和企業需求，給管理者提供适配建議。相較于傳統的信息處理方式，當前數智技術的發展趨勢是處理多種數據形式，如文本、音頻和視頻，爲拉通和整合大量無結構、嘈雜的數據提供了新的可能性。
随着數據管理能力的提升，算法甚至可能打破公司傳統的人才選拔框架，發現一些以前未被重視但非常有價值的标準。
近些年，一些研究揭示了算法可能會在甄選時帶來的驚喜：即從數據中挖掘出 " 非傳統 " 人才。這些人可能來自非精英院校，不一定滿足企業常用的一些 " 硬杠杠 "，如相關工作經驗、專業資質或大學成績，但因其在某些方面表現出的強項（如責任心強或表達能力出衆）而被算法選中。算法這些不走尋常路的思考方式可以啓發我們拓展人才招聘的思路，提升人崗匹配的效果。
目前，對于人工智能甄選的有效性已經積累了一定的實證結果。例如，視頻甄選方面的研究表明，經過專家評估的模型通過分析申請者的面部表情、語言和聲調信息（如音高），能夠較好地預測申請者的性格特質。其中，口頭表述的内容文本，即申請者 " 說了什麽 "，對預測效果的貢獻最大；而面部和聲音節律信息對預測效果的貢獻則相對較少。
進一步看，在訓練人工智能評估人格特質，例如 " 責任心 " 和 " 外向性格 " 時，使用面試官的評價數據，比使用申請者自我報告的評估數據效果更好。
此外，AI 在分析社交媒體數據，如申請者如何在社交媒體中展示自己等方面初現成果。例如，通過分析 Facebook（美國社交媒體平台，現稱 Meta）上的文本内容，AI 模型可以預測申請者的人格特質和智力水平等，且其預測結果在六個月的時間間隔内保持相對穩定。
研究顯示，相比自我報告的人格測試，AI 基于社交媒體數據預測的人格特質，比人類招聘者的預測準确度略有提高。
還有一些研究表明，由算法選拔的候選人通過面試并入職的可能性，比一般選拔流程高出 14%。這些員工入職後的生産力會高出 0.2 至 0.4 個标準差，且在薪資談判中提出異議的可能性也要低 12%。此外，大部分研究都提到使用算法可以大幅節省選拔成本。
數智化應用的局限性
消除算法的偏見在很大程度上取決于用來訓練模型的數據 : 如果訓練模型的數據承接了過往招聘和甄選模式的偏見，即便算法和模型是可靠的，偏見可能依然會在數智化招聘中存在，甚至在系統标準化執行的過程中被放大。
2014 年，亞馬遜工程師團隊啓動了一個旨在自動化招聘流程的項目，包括一個用于篩選簡曆的算法。然而，公司發現該算法對申請軟件工程師職位的女性申請者存在系統性歧視。訓練算法的數據主要基于男性工程師的簡曆，導緻算法傾向于選擇與現有男性員工簡曆相似的申請者。
具體歧視的方式包括對畢業于女子學院的候選人不利，降低包含 " 女性 " 詞彙的簡曆評分，以及偏好使用男性傾向動詞的簡曆等。盡管程序員嘗試修複這一問題，但最終未能成功，亞馬遜在一年後也停止使用了該軟件。
這個事件引起了人們對算法偏見的廣泛關注，并警醒人們，在數智技術進一步提升企業招聘和甄選效率的同時，企業需要持續識别和刷新那些真正能夠促進企業成功和員工高績效的驅動因素，并以此爲基礎訓練模型，減少由于數據偏差或人類偏見帶來的甄選 " 噪音 "。
在招聘和甄選時使用的人才标準，一般是基于崗位描述以及企業内部績優員工的特征來構建的。但對于這種做法一直存在質疑的聲音。
首先，輸出績效分數和績優員工特征的績效管理體系是否可靠？當被問及 " 哪些特征能夠解釋和區分員工之間的績效差異 " 時，恐怕很多企業對其績效評估和管理體系都不是十分自信。因爲，大多數企業的績效考核體系嚴重偏向财務指标和顯性的量化結果，這些從數字到數字的體系，很容易忽略工作過程和員工的日常行爲。而現實中的績優員工是有血有肉的，其特質和績效之間的關系複雜而立體，需要大量過程數據和行爲數據來诠釋和提煉他們的特點，才能形成有效的模型。
在甄選的時候，如果我們隻關注一些顯而易見的表面特征（如畢業院校、性别、工作經驗），而忽略影響實際工作績效的深層要素（如合作精神、學習潛力等），根據這樣的模式構建的算法，也會錯過一些真正有潛力的候選人。
這就是爲什麽在依賴算法做出重要決策之前，我們必須仔細考量和驗證假設的完整性與合理性以及用來構建算法的數據質量的原因。
如何讓 AI 更靠譜
首先，我們需要分析選拔體系的整體效率和效益。
自上世紀 90 年代以來，企業采納了多種方法，以量化和分析招聘的效能。針對招聘體系的分析主要包括成本效益分析、時間效率分析、招聘質量分析（如新員工的早期績效、離職率和員工滿意度）、招聘渠道效果、應聘者體驗、招聘轉化率以及招聘投資回報率（ROI）等。
這些方法能夠幫助組織更精準地評估員工招聘的成本、速度、質量以及招聘活動對組織的長期影響。
此外，通過對不同招聘渠道的分析，組織可以找到更有效的招聘途徑；通過調查新員工的應聘體驗、入職後績效和滿意度，可以幫助組織提升招聘活動的質量和公司的雇主品牌。當這些方面的運營數據積累到一定程度時，企業還可以建立模型來全面提升招聘和甄選的投入和産出。
值得注意的是，使用數智化工具并不是提升甄選效果的靈丹妙藥。當前，企業的招聘和選拔體系常常被诟病 " 無效 "，關鍵問題在于經驗不足、投入不足或急功近利。
很多企業傾向于選擇低成本且方便的招聘方法，如僅僅采用面試就做出決策，省去了筆試、特質評估和工作樣本等多種測試結合的方法。這樣做雖然降低了局部成本，但可能導緻因人員配置不當而影響整個組織的效率和效益。
工業心理學的大量研究表明，管理成熟度更高的企業通常會采用多種甄選方式的組合以提升人才選拔的效果，而精心規劃和實施的招聘活動還将爲企業和員工奠定良好的雇傭關系。因此，我們經常說，管理員工體驗的起點是招聘工作開始的那一刻，而不是進入公司簽約之時。
面對 AI 的發展，企業都有一個 " 提效夢 "。需要提醒企業的是，實施算法招聘需要在數據獲取、清洗、軟硬件以及培訓等方面進行大量的前期投資；包括對算法進行反複培訓，提升其模型的有效性和準确度。前期的投入會耗費大量資源，企業對此要有合理的預算和預期。
其次，我們可以從提出一些 " 靠譜 " 的問題開始。
無論是否使用算法，企業在進行招聘和甄選時，都要面對兩個關鍵問題：如何不斷叠代人員甄選的标準和過程，使之有助于預測申請者未來的工作績效？如何不斷提升申請者在招聘和甄選過程中的體驗，使之有助于提升企業的吸引力和雇主品牌？
從管理過程看，我們還可以把這兩個大問題拆解成一系列的小問題。如果我們在甄選中使用數智化工具，在多大程度上可以有效預測申請人的實際工作表現？數智化工具是否經過曆史數據或員工試用期的數據分析等實證研究檢測？是否使用了廣泛而多樣的數據樣本訓練甄選模型，以确保數智化工具對于不同群體的預測是準确而無偏差的？算法的設計能否反映工作的職責和要求？算法選拔的内容是否能夠通過企業内外部專家的參與和評估，以确保其選拔的内容與實際的工作密切相關？算法選拔的過程是否透明且能夠被用戶（如人力資源從業人員、業務主管或應聘者）理解和信任？
回答這些問題，企業需要不斷實踐、試驗、複盤和叠代。不斷重複這些問與答，能夠讓我們在萃取技術價值、提升招聘和甄選效能方面少走彎路。
此外，還有一個常見的問題是，專業的招聘經理會不會被算法所替代？
筆者認爲，目前看，跟有經驗的招聘經理相比，算法還無法從認知角度複制人類招聘和評測雇員的直覺或經驗感，當評估諸如領導力或團隊合作等難以量化、具有情境性的軟技能時，使用算法的效果并不理想。
面向未來，員工甄選的有效性依然取決于組織目标、職位分析、甄選設計等要素的匹配，而最優的甄選結果通常來自于人類專家與機器的協作：人工智能提升甄選效率和數據驅動的洞察，助力減少人爲偏見；人類專家則通過情境理解力、适應性判斷和倫理考量來整體提升甄選的效果。
（作者系中歐國際工商學院管理學教授，中歐國際工商學院研究助理郭景豪對此文亦有貢獻）
