Перевод статьи New TA Metrics in the AI Era

ПРИГЛАШАЮ ОТСЛЕЖИВАТЬ НАС В ТЕЛЕГРАМ 

Автор: Steve Levy, 🌎 Global Talent Acquisition 🔎 Sourcing Expert 💻 Technical Recruiting Leader ⚙️ Engineering Mind 📣 Global Conference Speaker 🛟🌊 Jones Beach Ocean Lifeguard

Новые метрики подбора талантов в эпоху искусственного интеллекта

Я всегда считал, что если ты остаёшься тем же человеком, каким был 10 лет назад, или продолжаешь делать всё так же, как и 10 лет назад — ты потратил 10 лет своей жизни впустую.

Пару недель назад я размышлял, почему те же самые старые метрики продолжают существовать в этой новой эре подбора талантов — эре, на которую повлияли уникальные политические, экономические, социальные и технологические силы.

Ты, наверное, знаешь поговорку: «Когда ты настолько хорошо владеешь молотком, всё вокруг начинает казаться гвоздём».

Возможно, есть лучшие способы определить эффективность вашей функции подбора.

И так родился этот пост.

Но кое-что не давало мне покоя — влияние ИИ на эти метрики.

И вот я снова размышляю о двух вещах:

1. Как ИИ может повлиять на то, как измеряется метрика?

2. Как каждая из метрик в статье должна измениться, чтобы учесть это влияние?

Я воспроизвёл метрики из своего оригинального поста и добавил две новые категории: «Влияние ИИ» и «Изменение метрики»; я также отметил, какие метрики, по моему мнению, являются опережающими или запаздывающими индикаторами.

Цветовая легенда:

🟠 Метрики, ориентированные на кандидата
🟡 Метрики, ориентированные на рекрутера
🔴 Метрики, ориентированные на нанимающего менеджера
🔵 Метрики уровня C-Level / стратегические

🟠 🟡 🔴 Time in Status Variance — Вариативность времени на этапах (опережающая)
Измеряет, сколько времени кандидаты проводят на каждом этапе процесса найма (например, сорсинг, взаимодействие / проверка заявки, планирование интервью), и выделяет отклонения.
ИИ: автоматизация на базе ИИ (автопланирование, чат-боты) может резко сократить или изменить продолжительность этапов.
Изменение метрики: скорректировать бенчмарки для более быстрых переходов; отслеживать время по ИИ и вручную.

🟠 🟡 🔴 🔵 Net Hiring Experience Score — Совокупный индекс опыта найма (запаздывающая)
Оценка в стиле NPS, объединяющая отзывы кандидата, рекрутера и нанимающего менеджера после каждого цикла найма.
ИИ: чат-боты и автоматическая обратная связь могут улучшить или ухудшить восприятие.
Изменение метрики: сегментировать по взаимодействиям с ИИ и человеком, чтобы видеть, что помогает, а что вредит опыту.

🟠 🟡 🔴 Feedback Loop Closure Rate — Доля завершённых циклов обратной связи (опережающая)
Измеряет процент людей (особенно после интервью), получивших содержательную обратную связь, и скорость её предоставления.
ИИ: ИИ может автоматизировать шаблонные ответы, но с потерей нюансов.
Изменение метрики: отслеживать глубину содержательной обратной связи, а не только скорость.

🔴 Interview-to-Decision Velocity — Скорость принятия решения после интервью (опережающая)
Измеряет время от финального интервью до решения по офферу.
ИИ: ИИ может подталкивать нанимающих менеджеров к ускорению решений.
Изменение метрики: пересмотреть, что считать «медленным» решением с учётом напоминаний от ИИ.

🔴 Internal Mobility Friction Index — Индекс трения внутренней мобильности (опережающая)
Отслеживает, как часто внутренние кандидаты подают заявки, продвигаются и получают офферы, или отпадают.
ИИ: ИИ может точнее подбирать внутренних кандидатов.
Изменение метрики: отслеживать, как рекомендации ИИ влияют на «трение» в процессе.

🟡 Recruiter Role Complexity Load — Нагрузка по сложности на рекрутера (опережающая)
Взвешивает заявки не по количеству, а по сложности (уровень, редкость, локация, навыки).
ИИ: ИИ может сам приоритизировать сложные роли и перераспределять нагрузку.
Изменение метрики: учитывать, как ИИ снижает нагрузку и что теперь считать «сложной» ролью.

🔵 Hiring Forecast Accuracy — Точность прогноза по найму (запаздывающая)
Сравнивает прогнозы и фактические результаты (сроки, объёмы, качество).
ИИ: предиктивные модели ИИ могут повысить точность.
Изменение метрики: включить показатели уверенности ИИ в прогноз и сравнивать с реальностью.

🟡 Requisition Approval to Launch Lag — Задержка между одобрением и публикацией вакансии (опережающая)
Измеряет время между утверждением заявки и её размещением.
ИИ: ИИ может полностью автоматизировать публикацию.
Изменение метрики: скорректировать допустимые задержки в условиях высокой скорости ИИ.

🟠 Candidate Sentiment Delta — Изменение настроения кандидата (опережающая)
Сравнивает настроение кандидатов до и после интервью через опросы.
ИИ: ИИ может как улучшить, так и ухудшить восприятие.
Изменение метрики: отслеживать изменения по этапам с ИИ и без, чтобы понять влияние.

🟠 Offer Drop-Off Signal Index — Индекс риска отказа от оффера (опережающая)
Использует сигналы (задержки, встречные предложения, разрывы коммуникации) для прогнозирования риска отказа.
ИИ: ИИ может заранее выявлять риски на основе данных о вовлечённости.
Изменение метрики: включить оценки ИИ и расширить спектр сигналов.

🔴 Hiring Manager Touchpoint Index — Индекс взаимодействия менеджера по найму (опережающая)
Измеряет частоту и качество участия менеджера в процессе (брифинг, стратегия, интервью, обратная связь).
ИИ: ИИ может отслеживать и подталкивать к активности.
Изменение метрики: различать «живое» участие и автоматические напоминания.

🟡 🔵 AI Augmentation Ratio — Коэффициент использования ИИ (опережающая)
Доля задач (поиск, скрининг, планирование), выполненных с помощью ИИ по сравнению с ручной работой.
ИИ: прямой показатель роста роли ИИ в подборе.
Изменение метрики: отслеживать, где ИИ приносит наибольшую пользу и где нужен человек.

🔵 Talent Scarcity Exposure Score — Индекс дефицита талантов (опережающая)
Индекс, объединяющий критичность роли, географию, конкурентность зарплаты и насыщенность рынка.
ИИ: ИИ может в реальном времени анализировать рынок.
Изменение метрики: использовать обновляемые данные ИИ, а не точечные прогнозы.

🔵 First-Year Success Alignment — Соответствие успеха в первый год (запаздывающая)
Проверяет, соответствует ли новый сотрудник целям, на которые он нанимался, в течение первого года. Это не «качество найма», а объективный показатель.
ИИ: ИИ может заранее оценивать вероятность успеха.
Изменение метрики: измерять точность предсказаний ИИ по соответствию и результатам.

🟠 🔵 Experience Consistency Index — Индекс стабильности опыта (опережающая)
Измеряет разницу в опыте кандидатов по локациям, функциям и демографическим признакам.
ИИ: ИИ может быстрее выявлять несогласованности, но не всегда видеть нюансы.
Изменение метрики: отслеживать различия, создаваемые ИИ и людьми, для выравнивания процессов.

Важные моменты в завершение:

• Перезапускайте отсчёт метрик каждый квартал, чтобы выявлять сезонность.

• Разделяйте влияние ИИ и человека — пока слишком рано всё объединять.

• Обновляйте цели с учётом ускорения и точности, которые даёт ИИ.

• Постоянно проверяйте эффективность ИИ, чтобы не испортить опыт и не ввести предвзятость.

• Инструменты не нанимают — нанимают люди.

Что думаете?

ПРИГЛАШАЮ ОТСЛЕЖИВАТЬ НАС В ТЕЛЕГРАМ