ה-AI ואתם: מנהלי.ות משאבי האנוש

לאחר הפוגת מלחמה קצרה, אנחנו חוזרים לסדרת המדריכים שלנו למנהלים בכירים, שאני מכנה "ה-AI ואתם". או אתן. אחרי המנמ"ר, המנכ"ל, ה-CTO, סמנכ"ל התפעול, ה-CFO וסמנכ"ל השיווק, הגיע תורם – ובדרך כלל תורן – של מנהלי.ות משאבי האנוש.

מחלקת משאבי האנוש, או ה-HR, היא המקום שבו הטכנולוגיה פוגשת את החומר הכי רגיש בארגון: האנשים. בדיוק בגלל זה, הבינה המלאכותית יכולה להיות מכפיל כוח אמיתי עבור מנהל משאבי האנוש – או מכפיל סיכונים, במיוחד כשזה נוגע לאפליה בגיוס עובדים או בקידום. בפסקאות הבאות נציע לכם.ן מה לעשות וממה להיזהר.

שלוש התועלות המרכזיות של ה-AI – גם למנהלי.ות ה-HR

כפי שלמדנו מהמדריכים הקודמים לעמיתיכם (ולעמיתיכן – מעתה, כפי שכותבים במודעות דרושים, הניסוח בלשון זכר אך מיועד לכל המגדרים) בהנהלת החברה, לבינה המלאכותית יש שלוש תועלות מרכזיות שחוזרות על עצמן:

הראשונה היא זמן. ה-AI מורידה עומס מהעבודה התפעולית. היא יכולה לנסח מודעות דרושים, לכתוב טיוטות מיילים, לסכם שיחות, להכין שאלות ראיון מובנות ואפילו לבצע ראיונות שלמים במקומכם, להפיק מסמכי קליטה ולכתוב הודעות פנים ארגוניות. זה לא גימיק – זה להחזיר לכם זמן שבעבר הייתם צריכים להשקיע אותו בלית ברירה. עכשיו יש לכם כזו.

השנייה היא שיפור החלטות. כשמחברים נתוני גיוס, חניכה, למידה, תחלופה, היעדרויות ומבנה ארגוני, אפשר לזהות דפוסים שלא תמיד נראים לעין. זה מאפשר להציע התערבויות כוח אדם מדויקות יותר: איפה לחזק מנהלים, היכן לשנות תהליך קליטה ואיפה להשקיע בהכשרה פנימית, כדי להימנע מעוד גיוס חיצוני.

התועלת השלישית היא עקביות. בארגונים גדולים, המדיניות בדרך כלל טובה, אבל היישום – לא תמיד. עוזרים מבוססי בינה מלאכותית יכולים לייצר שפה אחידה לתהליכי משוב, להציע תבניות עבודה קבועות למנהלים, ולהזכיר נקודות שמונעות טעויות קלאסיות בתקשורת עם עובדים.

בסופו של דבר, זה הכול למענם.ן – עודות ועובדי ההיי-טק. צילום: ג'מיני

שלושה שלבים

בשלב הראשון, כדאי לכם להשתמש ב-AI לשימושים תפעוליים בסיכון נמוך. כאן המטרה היא להחזיר זמן ולבנות הרגלי עבודה. דוגמאות שכמעט תמיד מצליחות: ניסוח מודעות דרושים ושיפור ניסוחי תפקיד, תקצירי ראיונות אוטומטיים, הכנת שאלות ראיון עקביות, כתיבת טיוטות מכתבים לעובדים ותבניות הודעות פנימיות. בכולם הסיכון הוא נמוך. אלה משימות שקל להטמיע לתוכן כלי בינה מלאכותית ולקבל תוצאות מיידיות.

השלב השני הוא שימושים תומכי החלטה – אך לא מחליפים אותה. כאן נכנסים כלי התאמה מבוססי כישורים בגיוס, ניתוח אפקטיביות חניכה, מיפוי מיומנויות והצעות למסלולי למידה לעובדים קיימים. העיקרון הוא שהמערכת מציעה והאדם מחליט, תוך תיעוד והסבר.

לבסוף, השלב השלישי, והמתקדם יותר, הוא אנליטיקה פעילה: זיהוי סיכון לעזיבה של עובד.ת, הערכות עומס ושחיקה, ופערי קידום בין יחידות או אוכלוסיות. זה המקום שבו חייבים משמעת ניהולית גבוהה, כי ניבוי הוא התראה – לא פסק דין בגיוס או פיטורים. אחרת אתם באמת עלולים להטריח את עורכי הדין והמנהלים של הארגון להגיע לבית הדין לעבודה.

להפוך את המנהלים למגייסים

בגיוס עובדים, הבינה המלאכותית יכולה לקצר זמני תגובה ולשפר איכות החלטות, בעיקר כשמפסיקים להתייחס אליה כסוג של מאגיה שחורה, אלא כערכת כלים:

ברמת התפעול, היא יכולה לחדד פרופיל תפקיד מתוך תיאור עמום של מנהל מגייס, להציע ניסוחים שמדברים בשפה של קהלי יעד שונים ולהכין ערכת שאלות ראיון מובנות, שמפחיתה את הנטייה המאוד אנושית לראיונות אינטואיטיביים מדי. היא מאפשרת לסיכומי ראיונות להפוך לאחידים, כך שאפשר להשוות מועמדים על בסיס אותם פרמטרים ולא על בסיס מי היה יותר כריזמטי בראיון, או יצר תחושת קרבה עם המראיין, כי יש להם חבר משותף מחטיבת הביניים.

ברמת הסיוע בהחלטה, אפשר להשתמש בכלי התאמה שמציעים רשימת מועמדים מתאימים לפי מיומנויות וניסיון. כאן חשוב להגדיר כלל עבודה שמונע נעילה על דפוסי עבר, לדוגמה כשהצוות בוחן גם מדגם מוגדר של מועמדים מחוץ לקבוצה העליונה שהמערכת הציעה, בבחינת "איפכא מסתברא" למערכת, ולבדוק גם מועמדים שהמערכת סיננה. זאת נשמע טרחה קטנה, אבל זאת דרך יעילה להקטין הטיות ולשפר גיוון בלי להפוך את הגיוס למלחמה אידיאולוגית.

ומילה על ראיונות וידיאו וסינון אוטומטי: אם הכלי מנתח התנהגות או טון, זה דורש זהירות כפולה. כשהבינה המלאכותית מתיימרת לקרוא בין השורות, היא לפעמים פשוט קוראת את השורות הלא נכונות. ראיונות עבודה ב-AI הפכו באחרונה לסוג של אופנה בארגונים בארצות הברית, אבל הם גם כלי מסוכן, שיוצר מרמור ואנטגוניזם כלפי הארגון המראיין ולהניא מועמדים טובים מלהתמודד על המשרה.

אם אתם יוצאים לדרך עם שימוש תפעולי שמחזיר זמן, ממשיכים לשימושים שמסייעים להחלטה,ומגדירים מראש כללים, הסבריות ומדידה – הבינה המלאכותית יכולה להפוך את מחלקת משאבי האנוש שלכם ליחידה חזקה יותר, ולא לכזו שמתנצלת יותר

מגיליונות לקפיצת מיומנויות

אחד היישומים הכי חזקים בבינה מלאכותית במחלקת משאבי האנוש הוא מעבר מניהול הכשרות לניהול מיומנויות. במקום להחליט על קורסים לפי צו האופנה או לחץ של מנהלים שראו משהו מגניב בארגון מתחרה, אפשר למפות פערי מיומנויות אמיתיים לפי דרישות תפקידים, פרויקטים וכלים ארגוניים.

ה-AI יכולה להציע מסלולי למידה מותאמים לתפקיד או לעובד, להמליץ על תרגול מעשי תוך כדי העבודה ולהציע שיבוץ להזדמנויות פנימיות. התועלת כאן היא גם עסקית: כשאפשר להראות קשר בין הכשרה לבין ביצועים או צמצום תחלופה, השיחה עם ההנהלה והכספים הופכת קלה יותר, ומבוססת פחות על אמונה. גם עובדים יכולים להיות מרוצים כשמוצעים להם קידומים פנימיים והזדמנויות פתוחות, במקום שיצטרכו לסרוק את לוח השעם בפינת הקפה.

עוזר דיגיטלי לעובדים יכול להוריד עומס עצום מפניות חוזרות: בקשות חופשה, נהלים, הטבות, טפסים ותהליכי קליטה. כשהסוכן האוטומטי מוגדר כראוי, העובד מקבל תשובה מיידית והצוות מתפנה לטפל במקרים מיוחדים, שבהם נדרשים רגישות ושיקול דעת.

ברם, כדי שזה לא יהפוך למכונת תשובות שגויות, שני תנאים חייבים להתקיים: הראשון הוא שהעוזר נשען על מאגר ידע ארגוני מאושר ומעודכן, והשני הוא מסלול ברור להעברה לנציג אנושי ושפה שלא גורמת לעובדים להרגיש שהם מדברים עם רובוט.

ביצועים ורווחה: תובנות בלי ליצור תרבות של חשד

ה-AI יכולה לעזור לזהות עומסים, נקודות חיכוך ופערים בין יחידות, ולעתים גם סימנים מוקדמים לשחיקה או נטישה. אבל כאן נמצא גם מוקד רגיש: הדרך שבה מודדים עלולה להשפיע על ההתנהגות. באחרונה קיימו במטא ניסוי פנימי, שדירג את רמות השימוש של עובדים בבינה מלאכותית כמדד לקידום. אחרי שהתגלה שאנשים כמו מארק צוקרברג בעצמו וסמנכ"ל התוכנה לא נמצאים אפילו ב-250 הראשונים בשימוש בטוקני AI, כלי הדירוג הפנימי נסגר. כאן נשאלת השאלה: האם מי שמבזבז הכי הרבה טוקנים על מנועי AI הוא באמת הכי יעיל? לגמרי לא בטוח. זו דוגמה טובה לאיך מדד כמותי משפיע על התנהגות עובדים.

לא בין 250 הראשונים. מארק צוקרברג. צילום: מטא

הגישה הנכונה היא להשתמש בנתונים מצרפיים ככל האפשר ולהפוך את התוצר להמלצה ניהולית: שינוי חלוקת עומסים, חיזוק חניכה או התערבות במבנה צוות. גישה בעייתית היא להציג ציונים אישיים או ליצור תחושה שמנטרים אנשים ומכמתים אותם כניסוי מעבדה, במקום לעזור להם. ברגע שעובדים מתחילים להתנהל מול לוח מחוונים ולא מול עבודה אמיתית, לא תקבלו שיפור אמיתי, אבל מה שכן יהיה אמיתי הוא הפגיעה באמון של העובדים.

שלושה עוגנים שחייבים לפני שמרחיבים

העוגן הראשון הוא כללי שימוש ברורים: מה מותר להכניס לכלים מבוססי בינה מלאכותית, ומה אסור. כלל עבודה פרקטי הוא להפריד בין תוכן תפעולי למידע אישי רגיש. ככל שאתם מתקרבים להערכות אישיות, תלונות, מידע רפואי, שכר או החלטות משמעתיות, כך הסף צריך להיות גבוה יותר, ולעיתים פשוט לא משתמשים בכלי לצרכים האלה.

העוגן השני הוא הסבריות ויכולת ערעור. לכל שימוש שמשפיע על החלטה חייבת להיות דרך להסביר לעובד או למועמד מה קרה, וחייבת להיות דרך להעביר בדיקה לאדם. זה לא רק עניין ערכי, אלא גם מה שמקטין התנגדות ומונע תקריות לא נעימות.

העוגן השלישי הוא מדידה. בלי מדדים תישארו עם פיילוט נצחי. מדידה לא חייבת להיות מסובכת! בגיוס מודדים זמן לאיוש ואיכות קליטה לאחר מספר חודשים, בשירות מודדים זמן מענה ושביעות רצון ובלמידה – מעבר לתפקידים פנימיים וצמצום גיוסים חיצוניים. כשבוחרים מעט מדדים ומנהלים לפיהם אפשר גם לתקן מהר.

אם מדובר בכלי שנוגע לתעסוקה, קידום או סינון מועמדים, אל תסתפקו בהבטחה שהוא “הוגן”. דרשו להבין איך הוא נבדק לאורך זמן ומה אתם יכולים לעשות כשהמציאות בשטח לא מסתדרת עם ההבטחות. AI טובה היא לא זו שאומרת שאין בעיה, כי אם זו שנותנת לכם דרך לזהות בעיה ולתקן.

הטמעה מוצלחת של בינה מלאכותית במחלקת משאבי האנוש נראית פשוטה – פחות אדמיניסטרציה, יותר זמן לאנשים, החלטות עקביות יותר ושירות טוב יותר לעובדים. אבל היא דורשת ניהול. לא ניהול של מודלים, אלא של גבולות, אחריות ומדדים.

לסיכום, אם אתם יוצאים לדרך עם שימוש תפעולי שמחזיר זמן, ממשיכים לשימושים שמסייעים להחלטה,ומגדירים מראש כללים, הסבריות ומדידה – הבינה המלאכותית יכולה להפוך את מחלקת משאבי האנוש שלכם ליחידה חזקה יותר, ולא לכזו שמתנצלת יותר. וזה שדרוג שיועיל לכל ארגון באשר הוא.