Перевод статьи The Role Of Generative AI And Large Language Models in HR

автор Josh Bersin, и это имя не нуждается в представлении. 

Роль генеративного ИИ и больших языковых моделей в HR

Управление персоналом — одна из самых сложных и несовершенных сфер бизнеса. Практически каждое решение, которое мы принимаем о людях (кого нанять, кого продвигать, сколько платить кому-то, как кого-то развивать), основано на суждениях, опыте, личных предубеждениях и некотором количестве данных. А поскольку более 50% всех корпоративных расходов приходится на заработную плату (фонд заработной платы в США составляет около 15 триллионов долларов), эти «оценочные решения» обходятся компаниям в большие деньги.

И в моем мире, где мы глубоко изучаем каждую часть управления, лидерства и HR, мы часто пытаемся сопоставить различные «практики HR» с результатами, чтобы выяснить, что работает. Большая часть нашего бизнеса основана на этой работе, и мы регулярно «пересматриваем» большую часть нашего анализа каждые несколько лет по мере изменения культуры, рынка труда и технологий.

Например, сейчас мы знаем, что стресс на рабочем месте, равенство в оплате труда и карьерный рост являются одними из наиболее важных факторов, определяющих удовлетворенность сотрудников и производительность труда. Всего несколько лет назад речь шла о причудливых привилегиях, бонусах и грандиозных титулах.

По сути, я хочу сказать, что большая часть HR основана на организационной психологии, многих формах исследований в области социальных наук и бесконечных попытках экспериментировать, учиться у других и выяснять, что работает. И это сложно, несовершенно и всегда подлежит обсуждению.

Данные в HR чаще являются текстом

В то время как эти масштабные усилия продолжались, большая часть «точных наук» в области управления персоналом и управления была сосредоточена на цифрах. Мы просим людей пройти тесты, мы смотрим на их «рейтинги успеваемости» и средние баллы (которые крайне субъективны), и мы просим людей проводить опросы, отзывы и множество данных для принятия решений. А затем мы сопоставляем бизнес-результаты (продажи, прибыль, долю рынка) с различными человеческими показателями и думаем: «У нас есть ответ».

При найме и отборе мы учитываем опыт, тесты, связанные с работой, а также мнения и оценки интервьюеров. Теоретически, если мы получим достаточно этих данных, мы сможем принимать все более и более эффективные решения о найме. Точно то же самое происходит, когда мы смотрим, кого повышать, кого понижать в должности и кто должен попасть в самые верхние ряды компании.

Вся предпосылка продвижения по службе основана на старых представлениях о «способностях к продвижению по службе» или «потенциале», оцениваемых по сравнению с «текущей эффективностью работы» (сетка из 9 клеток). Этот подход, который кажется количественным, наполнен предвзятостью, поэтому мы должны «выводить», кто обладает высоким потенциалом, на основе различных оценок, наблюдений и входных данных. Опять же, когда мы получаем много данных (рассмотрев биографию и поведение многих высокоэффективных сотрудников), мы можем улучшить науку о продвижении по службе. Но по большей части это основано на суждениях.

Основная «наука» HR часто уходит корнями в промышленную психологию, увлекательную область, изучающую атрибуты, поведение и психологию на работе. И хотя я восхищаюсь этой наукой и слежу за ней, большинство компаний не используют ее слишком часто. Существует миллиардная индустрия «подтвержденных оценок перед приемом на работу», и они чрезвычайно полезны. Но для многих профессий они вводят в заблуждение, и компании должны подтверждать эти тесты, чтобы их не привлекли к ответственности за дискриминацию.

Таким образом, если вы действительно хотите провести анализ «больших данных» навыков, опыта и пригодности вашей рабочей силы для другой работы, вы имеете дело с горами «анекдотических данных», большая часть которых закодирована в биографиях, результатах работы, компании. рамки лидерства, оценки и множество коммуникаций. И, конечно же, есть оценки производительности, бизнес-результаты и многое другое.

Рассмотрим две наиболее распространенные части HR: вакансию (объявление о вакансии) и описание вакансии. Оба эти артефакта «собираются вместе» менеджерами по найму или специалистами по персоналу, часто на основе того, что люди думают о работе, наборе стандартов компании и некоторых «технических навыках», которые, как мы знаем, будет использовать этот человек. Как мы все знаем, эти артефакты на самом деле не предсказывают, кто добьется успеха, потому что большая часть «успеха» основана на амбициях, быстроте обучения, соответствии культуре и соответствии цели.

Другими словами, это одна из самых сложных и захватывающих задач «смешанных данных» в мире, и принятие решений на несколько процентов лучше.

Как могут помочь генеративный ИИ и большие языковые модели

Учитывая сложный, важный и беспорядочный бизнес, которым мы занимаемся, как могут помочь Генеративный ИИ и Большие языковые модели? Что ж, пока все еще рано, позвольте мне предположить, что эта новая ветвь ИИ может полностью переосмыслить то, как работает HR. И в этих разрушительных изменениях мы увидим новые платформы, новых поставщиков и новые способы управления нашими компаниями.

(Для тех из вас, кто не знает, что такое генеративный ИИ и модели большого языка, позвольте мне просто сказать, что эти системы ИИ могут индексировать, классифицировать и группировать миллиарды «токенов», которые включают слова, фразы, числа и даже код, чтобы найти шаблоны и прогнозы, которые вы можете запросить. А через интерфейс на английском языке (и на другом языке) они могут анализировать, обобщать и делать выводы из всего этого беспорядка.)

Позвольте мне перечислить несколько огромных вариантов использования, которые мы обнаружили за последние несколько месяцев:

1/ Создание контента для должностных инструкций, руководств по компетенциям, планов обучения, а также инструментов адаптации и перехода.

Я всегда считал, что лучший способ «описать работу» — это посмотреть, что делают люди. Если вы действительно пронаблюдаете, зафиксируете и проанализируете несколько месяцев работы, вы сможете буквально «написать описание работы» на основе фактической работы. Генеративный ИИ может это сделать.

Вы можете использовать Генеративный ИИ, чтобы посмотреть на «операции продаж в вашей компании» и проанализировать все биографии, истории работы, инструменты продаж и различные материалы по продажам в вашей торговой организации. И, вероятно, он мог бы описать, «чем занимаются продавцы в вашей компании», и помочь вам написать реалистичные требования к работе, основанные на реальных ролях.

Затем, если вы хотите узнать, как обучать продавцов, вы можете спросить: «Расскажи мне, что делают лучшие исполнители по сравнению с низкими». И он найдет то, чего вы, возможно, не знаете. А затем вы можете попросить генеративную машину ИИ «прочитать все наши тренинги по продажам и продуктам» и «дать мне краткое описание того, что людям нужно узнать и узнать». Затем он может создавать для вас тесты, обучающие онлайн-руководства и, в конечном итоге, стать «тренером по продажам» для вашей компании. (Это, по сути, то, что пытается сделать Salesforce Einstein GPT — вам, кстати, не нужно покупать это у Salesforce, вы можете сделать это самостоятельно.)

Затем вы можете задать инструменту вопрос: «Кто является нашими ведущими клиентами, измеряемыми по общему доходу и общей прибыли», и если у него есть доступ к финансовым данным, он сможет ответить и на этот вопрос. Таким образом, это может не только помочь вам улучшить и переписать все ваши должностные инструкции, но и помочь вам «определить критерии успеха», помочь вам «оценить, кто работает хорошо и почему», а затем создать убийственные «учебные материалы по продажам», которые вы знаете. очень нужны.

Теперь воспроизведите эту идею в производстве, маркетинге, финансах, логистике и даже HR.

Я уверен, что все это не будет идеальным, но за короткий промежуток времени вы узнаете то, чего не знали, и я не удивлюсь, увидев, что такие типы приложений появляются «из коробки». В течение года.

2/ Создайте модели навыков, модели опыта и профили кандидатов для найма

Вторая и, вероятно, самая большая область расходов на улучшение — это рекрутинг. Вы все знаете, как трудно найти, оценить и выбрать «правильного человека» для работы. Что ж, сейчас все без ума от «найма на основе навыков». Но что это на самом деле означает? Означает ли это, что этот человек прошел тест по какому-то инструменту или языку программирования? Означает ли это, что они делали это 100 раз раньше? Или это означает, что они работали в компании, которая была действительно хороша в этом, поэтому они, вероятно, многое узнали об этом там?

Видите, это сложно. Предположим, вы можете просканировать миллионы профилей сотрудников, а затем посмотреть на «работу, которую они выполнили» (т. е. просмотреть Github, написанные статьи, юридические заключения и т. д.), а затем решить, «насколько хорош» этот человек в этой работе? Это было бы почти невозможно сделать вручную, но Генеративный ИИ может это сделать. И это может сделать гораздо больше.

Предположим, он просматривает биографию и опыт работы этого человека, а затем сравнивает их с другими кандидатами. Вероятно, он мог бы сказать вам, у кого высшее образование, у кого лучше правописание и какие другие личностные характеристики различаются. У одного из поставщиков данных о талантах второго поколения, с которым мы работаем, теперь есть инструмент, который может показать вам «профиль лидерства компании А» в сравнении с «профилем лидерства компании Б», просто просматривая, анализируя и глубоко понимая различный опыт, язык, образование и полномочия руководителей этих двух компаний. Неплохой способ провести конкурентный анализ или рекрутинг, а?

Я знаю поставщиков L&D, которые уже использовали ChatGPT для создания планов уроков, целей обучения и оценки навыков на основе существующего контента. Такой анализ, примененный к миллиардам кандидатов на работу, может начать показывать рекрутерам, кто является «соседними квалифицированными» профессионалами, которые могли бы взяться за эту трудную работу. У них может быть «сопутствующий опыт», который на 100% идеально подходит для работы, которую вы выполняете. Это уже происходит, и это будет улучшаться.

И, кстати, при настройке этих моделей можно устранить гендерную предвзятость, возрастную предвзятость, расовую предвзятость и многое другое. Таким образом, они не только потенциально более полезны, но и на самом деле могут быть «безопаснее».

3/ Анализировать и улучшать контрольные показатели заработной платы и вознаграждения

Третьей серьезной проблемой в HR является «сколько платить людям» и «какие преимущества предоставлять». И это очень сложная тема. Более 95% компаний уже имеют проблемы с справедливой оплатой труда (наше новое исследование подробно описывает всю эту область), и поскольку инфляция растет, а зарплаты продолжают варьироваться в зависимости от спроса, отделы кадров всегда пытаются не отставать.

Генеративный ИИ может быстро проводить сравнительный анализ заработной платы, оценивать уровни оплаты на миллионах открытых вакансий и анализировать внешние данные и данные рынка труда, чтобы помочь понять конкурентоспособную заработную плату, вознаграждения, стимулы и другие программы льгот. Большинство компаний пытаются сделать это, нанимая дорогих консультантов: вскоре эти консультанты должны быть вооружены инструментами с поддержкой ИИ, и тогда вы сможете получить эти инструменты самостоятельно. Я знаю, по крайней мере, пять поставщиков, склоняющихся к этому сегодня, и это, вероятно, сделает все эти решения лучше.

Весь вопрос о справедливости в оплате труда также требует решения. В то время как некоторые поставщики ИИ начинают сосредотачиваться на этом, мы знаем из нашего исследования, что большинство компаний имеют 5-15% своего общего совокупного фонда заработной платы в некоторых случаях распределения «несправедливой оплаты». Люди получают повышение по политическим причинам, а затем со временем мы получаем высокооплачиваемых людей с большим стажем работы, которым платят намного больше, исходя из их рыночной зарплаты или конкуренции с другими. Я знаю инженеров-программистов, которые зарабатывают 500 000 долларов и более только потому, что их наняли в «горячую компанию в жаркое время». Внезапно через несколько месяцев они зарабатывают в 1,5-2 раза больше, чем их сверстники. Компании ненавидят пытаться решить эти проблемы.

4/ Управление эффективностью и обратная связь

Одной из самых сложных и часто презираемых частей HR является управление эффективностью, оценка эффективности и планирование развития. Хотя существуют сотни фантастических книг и моделей, описывающих этот процесс, часто все сводится к личным суждениям. И в большинстве случаев руководитель дает оценку, не анализируя весь год работы сотрудника. Представьте, если бы система генеративного ИИ индексировала год работы сотрудника, отработанные часы, встречи и другую продукцию и помогала менеджерам оценить, что произошло?

Представьте себе, если бы Генеративный ИИ взял эту работу и, возможно, сравнил ее с аналогичными ролями, чтобы показать менеджеру, где этот сотрудник превосходит и, возможно, неэффективен? Я знаю, что технология может в некоторой степени сделать это сегодня: недавно я попросил Bing Chat рассказать мне, как финансовые показатели Microsoft менялись с 2021 по 2022 год, и он справился со своей задачей довольно хорошо. Многие из новых моделей генеративного ИИ могут «обучаться навыкам» в результате такого анализа, и эти «навыки» можно сохранять и делиться ими с другими. И это подводит меня к следующему варианту использования: Коучинг и развитие.

5/ Коучинг и развитие лидерских качеств

Как известно большинству из нас, самый ценный помощник в нашей карьере — это «коуч». Коуч — это тот, кто наблюдает за тем, что мы делаем, знает, как это нужно делать, и дает нам обратную связь по развитию. Коуч может быть или не быть «экспертом» (многие модели коучинга построены на идее «коуч как психолог»), поэтому коуч может просто наблюдать за нами и оказывать нам крайне необходимую поддержку. Они могут взять интервью у наших сверстников и помочь нам увидеть слепые пятна и понять сложные ситуации.

Что ж, сегодня этот рынок взрывоопасен. Такие поставщики, как BetterUp, CoachHub, Torch, SoundingBoard, Skillsoft и многие другие, создали почти миллиардный рынок для «коучинга по запросу». А что, если бы этот инструктаж исходил от умного бота? Медицинские работники создали эти системы для предотвращения самоубийств, медицинского вмешательства и других потребностей в поддержке, и они работают достаточно хорошо. В деловом мире это огромная область «низко висящих фруктов».

Представьте, например, если мне придется кого-то уволить. Я мог легко спросить чат-бота (у которого может быть доступ ко многим руководствам, книгам и видео от нашей компании и экспертов): «Как мне подойти к разговору об увольнении?» Или «Как лучше всего тренировать человека, который постоянно опаздывает на собрания? Или даже «как я могу оказать большее влияние на свою команду» или даже «как я могу сделать свои встречи более эффективными?»

Подобные вопросы миллионы раз задавали миллионы руководителей, поэтому для каждого из них есть хорошо отточенные ответы, предложения и советы. И у большинства компаний сейчас есть лицензия на контент для развития лидерства, контент для соблюдения требований и все виды контента для «трудных разговоров». Система генеративного ИИ может легко найти это, интерпретировать и упростить использование менеджерами.

И станет лучше. Представьте, как я описал выше, если вы заложите в эту систему свою особую модель лидерства и подход к управлению. Вы могли бы получить «тренер менеджера магазина Starbucks» или «тренер лидера производства Fiat Chrysler» и так далее. Мои друзья из индустрии развития лидерства и коучинга, вероятно, взволнованы (и нервничают). Это происходит быстро.

6/ Индивидуальный коучинг, психическое здоровье и благополучие

Возможно, одним из самых больших успехов в области искусственного интеллекта поколений стал успех таких инструментов, как Woebot, которые помогают лечить психическое здоровье, стресс и суицид. Этот инструмент, запущенный в 2017 году, снизил стресс, тревогу и суицид, почти вдвое превысив эффективность терапии. Как это могло быть так хорошо? Используя петли обратной связи в Генеративном ИИ (с обучением человека), система может быстро идентифицировать пользователя, который подумывает о самоубийстве, и, просто слушая, помочь ему расслабиться и двигаться вперед.

Я настоятельно рекомендую статью в New Yorker на этой неделе (Может ли ИИ лечить психические заболевания), которая убедительно объясняет, как эта технология стала такой успешной. Эти инструменты не были обучены стрессу, связанному с работой, но проблема очень похожа. За последние пять лет рынок благополучия на рабочем месте вырос до более чем 50 миллиардов долларов, и наше исследование Healthy Organization показало, что типичные решения (программы EAP, онлайн-тренеры, обучение, осознанность) оказывают меньшее влияние, чем мы ожидали. Обратите внимание на тот факт, что большинство статистических данных о психическом здоровье на рабочем месте показывают, что оно продолжает оставаться проблемой даже после того, как были инвестированы миллиарды долларов.

Этот конкретный вариант использования, который нужен каждой компании, может оказаться очень важным. Таким образом, мы можем ожидать, что поставщики медицинских услуг, страховые компании и дальновидные поставщики, такие как Ginger.io (который теперь владеет Headspace), выйдут на этот рынок.

7/ Кадровые системы самообслуживание и управление знаниями

Последний вариант использования, о котором я упомяну, — это самообслуживание и управление знаниями, пожалуй, «самый низкий висящий плод» из всех. У всех нас есть тысячи документов, книг о соответствии, руководящих принципов разнообразия, правил безопасности, карт процессов и справочных систем, которые помогают сотрудникам выбирать преимущества, понимать политику компании и даже просто сбрасывать пароль. И такие вещи, как «выяснение того, какую кнопку нажать в Workday или SAP», также относятся к этой категории.

Все это сложное «предоставление знаний» и самообслуживание идеально подходят для генеративного ИИ. Новый интерфейс Microsoft Power Platform для OpenAI позволяет компаниям встраивать рабочие процессы в систему, поэтому вы можете сказать чат-боту: «Пожалуйста, подайте заявление на отпуск по семейным обстоятельствам и попросите одобрения моего менеджера» или «Пожалуйста, подайте заявку в ИТ, чтобы я обновил свой ноутбук». И варианты использования будут сходить с ума. Многие из вас, кто работает в отделах кадров, колл-центрах и центрах предоставления услуг, почти сразу же начнут инвестировать в это. А это означает, что каждый поставщик HR-технологий, от Oracle до Workday, ServiceNow и ADP, будет внедрять эту технологию в свои платформы.

Итог: эта технология улучшит работу

Позвольте мне сделать одно заключительное замечание. Несмотря на страхи и подстрекательские заголовки, которые вы читали в New York Times (NYT, кажется, особенно недовольна этой технологией), я хочу, чтобы вы помнили, что эта технология станет огромным шагом вперед в бизнесе. На прошлой неделе я опубликовал статью двух аспирантов Массачусетского технологического института, которые проанализировали использование ChatGPT более чем 400 бизнес-профессионалами, и повышение производительности было ошеломляющим. Это начнет происходить и во всех этих других областях.

Будет ли это идеально? Конечно, нет. Но сегодня, как я уже упоминал выше, мы принимаем тысячи критических решений на основе скудных данных, непродуманных суждений и часто просто недостаточно внутренних исследований. Я верю, что генеративный ИИ и все его разновидности полностью изменят правила игры в HR. И во всем, что мы делаем немного лучше, наши сотрудники получают лучший опыт работы, а наши компании работают на более высоком уровне.