Das Potential von KI fürs Personalmanagement

Künstliche Intelligenz (KI) ist zweifellos ein leistungsfähiges Hilfsmittel. Ihr ökonomischer Wert steigt stetig und transformiert zahlreiche Industrien, wie zum Beispiel die Herstellung, FinTech, das Gesundheitswesen und die Automobilbranche. Arbeitnehmer*innen im Finanzwesen und im Marketing können KI-Technologien bereits erfolgreich nutzen, während Personalmanager*innen bei deren Integration in ihre alltäglichen Praxen noch Schwierigkeiten haben.

Prasanna Tambe, Peter Cappelli und Valery Yakubovich legen in ihrer Recherche dar, dass «es in HR systemische und strukturelle Unterschiede gibt, welche die Konstruktion eines auf KI-basierenden Systems erschweren» [1]. Weil die Qualität und das Erklärungspotential von Big Data und KI begrenzt sind, werden sie im Personalmanagement und bei der Einstellung immer noch als eher unkonventionell betrachtet. Um ein besseres Verständnis hiervon zu erhalten, müssen wir KI-Probleme im Hinblick auf Data Science im Personalmanagement (HRM) betrachten.

In Bezug auf Data Science gibt es drei Hauptherausforderungen für die HR-Praxis. Die erste Angelegenheit betrifft den Mangel an Konstanz in der Messung des HR-Prozesses während eines Mitarbeiterlebenszyklus. Wenn zum Beispiel zu bestimmen ist, welche*r Kandidat*in angestellt oder befördert werden soll, ist es wichtig, dabei fortlaufend die Kriterien und Fähigkeiten, welche bei der Entscheidung ausschlaggebend waren, zu dokumentieren und zu analysieren.

Das zweite Problem der HR-Praxis ist, dass im HRM produzierte Datensets beschränkt sind. Ferner sind solche Daten oftmals unstrukturiert (auf dem Papier, in Excel oder PDF) und, konsequenterweise, für den Computer schwierig zu prozessieren.

Die dritte Schwierigkeit ergibt sich aus den ethischen Bedenken im Hinblick auf die Datenverarbeitung. Resultate von HR-Entscheidungen können einen starken Einfluss auf die Karriere haben. Deshalb ist es unerlässlich, sich Gedanken darüber zu machen, wie Fairness und Transparenz erreicht werden können. Darüber hinaus ist es ebenfalls wichtig zu wissen, wie Angestellte auf Resultate die nur durch datengestützte Algorithmen erzeugt werden, reagieren. Wie Morgan Hampton von Tesla findet, «sollte Rekrutierung so viel wie möglich automatisiert werden, nicht aber die Einstellung, welche möglichst persönlich bleiben soll».

Nebst dem Miteinbezug dieser drei Probleme sollten Personalmanager*innen sich bei der Suche nach KI-Lösungen auf die folgenden Aspekte konzentrieren, um KI effektiver zu nutzen. Erstens müssen Personalmanager*innen den richtigen HR-Prozess entwickeln, also einen der dem digitalen Zeitalter und der KI-Technologie entspricht.

Gegenwärtig laufen die KI-Technologien separat, zum Beispiel in der Rekrutierung und Talentgewinnung, in der Lohnverwaltung und in der SB-Transaktion. Jedoch fehlt dabei ein Mechanismus, der Daten generiert, welche dem gesamten KI-Prozess in den HR-Praxen zuträglich sind.

Personalmanager*innen behalten oftmals nur die Bewerbungen die sie auch interessieren. Die Bewerbungen, welche herausgefiltert werden, führen zu eindimensionalen Schlussfolgerungen [1]. Eigentlich sollten alle Kriterien bei der Datensammlung erfasst und zu Schluss evaluiert werden, um die Entwicklung von Big-Data-Modellen und KI-Prozessen zu optimieren.

Des Weiteren ist es wesentlich, dass die Daten auf nachhaltige Art und Weise erhoben werden.  Beispielsweise gibt es KI-Applikationen, die voraussagen können, welche Angestellten ihren Job kündigen werden und solche, die sogar die Datenpunkte von den Social-Media-Accounts und E-Mail-Adressen der Angestellten verfolgen können [2]. Wenn Angestellte sich solch einem System bewusst wären, würden sie möglicherweise ihr Verhalten ändern und bewusst irreführende Daten produzieren.

Letztes Jahr machte die Geschichte über ein KI-Tool von Amazon, welches einen Bias gegenüber Frauen hatte, Schlagzeilen. Es wurde als Beweis dafür, dass Machinelles Lernen menschliche Haltungen nachahmen kann erachtet. Das Geschlecht einer Person ist aber lange nicht der einzige Aspekt, der zur Grundlage für Diskriminierung dienen kann. Alter, Nationalität oder Ethnie können ebenfalls einen negative Einfluss darauf haben, wie integrativ und divers eine Firma anstellt.

Personalmanager*innen sollten nur wichtige Daten sammeln und für erklärbare-KI-Lösungen suchen. Die komplexen neuralen Netzwerke im Deep Learning sind bei weitem nicht selbsterklärend.

Bis heute gibt es keine einheitliche Liste von Kriterien, die Personalmanager*innen in der HR-Praxis beachten sollten. Dies bedeutet, dass Personalmanager*innen mit der firmeninternen IT-Abteilung oder externen KI-Anbietern zusammenspannen müssen, um die besten Analyseverfahren zu etablieren. Diese Praktiken können dazu verwendet werden, Daten mittels KI zu tracken und zu messen.

Bei JANZZ.technology sind wir davon überzeugt, dass das Sammeln und Strukturieren von Daten essentiell ist. Unser Parser-Tool extrahiert die richtigen Einheiten von Papier, Excel oder PDF und stellt sicher, dass ein durchgehend fairer End-to-End Prozess gewährleistet wird. Möchten Sie mehr über unseren Parser und seine Fähigkeiten, Ihnen bei Ihrer KI-Transformierung zu helfen, erfahren? Dann schreiben Sie bitte an sales@janzz.technology

 

 

[1]Prasanna Tambe, Peter Cappellli and Valery Yakubovich. 2019. Artificial intelligence in human resources management: Challenges and a path forward. URL:https://www.researchgate.net/profile/Peter_Cappelli/publication/328798021_Artificial_Intelligence_in_Human_Resources_Management_Challenges_and_a_Path_Forward/links/5c5edc7f299bf1d14cb7dc5f/Artificial-Intelligence-in-Human-Resources-Management-Challenges-and-a-Path-Forward.pdf [2019.10.20]

[2] Samantha Mclaren. 2019. Here’s how IBM predicts 95% of its turnover using data. URL:https://business.linkedin.com/talent-solutions/blog/artificial-intelligence/2019/IBM-predicts-95-percent-of-turnover-using-AI-and-data[2019.10.20]