Роль генеративного ИИ и больших языковых моделей в HR (Josh Bersin)

Управление персоналом — одна из самых усложненных и несовершенных сфер. 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 — оплата труда (например, общий ФОТ в США составляет около 15 триллионов долларов), такие решения стоят очень дорого.
В моем мире, где мы глубоко погружаемся в изучение каждой части менеджмента, лидерства и HR, мы часто пытаемся сопоставить различные «HR-практики» с результатами, чтобы выяснить, что работает. Это наш бизнес, и мы регулярно переоцениваем наши исследования каждые несколько лет по мере изменения культуры, рынка труда и технологий.
Например, сейчас мы уже знаем, что стресс на рабочем месте, равенство оплаты труда и карьерные возможности — главные факторы удовлетворенности сотрудников и эффективности рабочей силы. А всего несколько лет назад мы говорили об экстравагантных бенефитах, премиях и значимых титулах.
Я хочу сказать, что большая часть HR основана на организационной психологии, исследованиях в области социальных наук и непрекращающихся попытках экспериментировать, учиться у других и выяснять, что работает. И это сложно, неидеально и всегда спорно.

Базовый набор данных в HR является текстовым

Большая часть «точных наук» в HR и менеджменте всегда была сосредоточена на цифрах. Мы просим людей пройти тесты, мы смотрим на оценки эффективности и средние баллы «успеваемости», которые крайне субъективны, и мы просим людей проходить опросы, предоставлять отзывы и множество других данных для принятия решений. А затем мы сопоставляем бизнес-результаты (продажи, прибыль, долю рынка) с различными человеческими показателями и думаем: «Мы нашли ответ!».
В рекрутинге мы учитываем опыт работы, тесты способностей, 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 решаем, кого повышать, кого понижать в должности и кто должен попасть на первые позиции компании.
Все предпосылки для продвижения по службе основаны на старых представлениях о готовности кандидата к повышению или «потенциале». Мы оцениваем это по сравнению с «текущей эффективностью работы» (nine box). 

Этот подход, который кажется количественным, наполнен предвзятостью, потому что нам нужно решать, кто обладает высоким потенциалом, на основе различных оценок, наблюдений и входных данных. Теоретически, когда мы получаем много данных (ретроспективно рассмотрев биографию и поведение многих высокоэффективных сотрудников), мы можем узнать больше о продвижении по службе. Но по большей части это основано на суждениях.
Мудрость и знания HR часто уходит корнями в промышленную психологию, изучающую поведение и психологию на работе. И хотя я восхищаюсь этой наукой и слежу за ней, компании не слишком часто используют ее. Существует миллиардная индустрия «оценки кандидатов перед приемом на работу», и они чрезвычайно полезны. Но для многих профессий они недостоверны, и компании должны дополнительно подтверждать результаты тестирований.
Таким образом, если вы решите провести анализ «больших данных» навыков, опыта и пригодности вашей рабочей силы для другой работы, вы вынуждены будете иметь дело с огромным количеством данных и историй, скрытых в биографиях, результатах работы, моделях лидерства компаний, результатах оценки персонала и множестве коммуникаций. Добавьте сюда еще оценки производительности, бизнес-результаты и многое другое.
Для примера, рассмотрим два общераспространенных массива HR-сведений: описание вакансии и требования к вакансии. Рекрутеры и менеджеры по персоналу собирают эту информацию, часто на основе того, что люди думают о работе, а также набора стандартов компании и требованиях к навыкам потенциального кандидата. Как мы все знаем, это все на самом деле не предсказывает, кто из сотрудников в итоге добьется успеха, потому что большая часть «успеха» основана на амбициях сотрудника, быстроте обучения, соответствии культуре и соответствии цели.
Другими словами, вот одна из самых сложных и захватывающих задач о «смешанных данных». Здесь принятие решений, которые будут на несколько процентов лучше, может принести компаниям миллиарды долларов.

Как могут помочь генеративный ИИ и большие языковые модели?

Учитывая сложность, важность и энтропию нашего бизнеса, как могут помочь Генеративный ИИ и Большие языковые модели? Рано судить, но позвольте мне предположить, что этот новый вид искусственного интеллекта поможет полностью переосмыслить работу HR. И в этих разрушительных изменениях (disrupting) мы увидим новые платформы, новых игроков рынка и новые способы управления нашими компаниями.
Для тех из вас, кто не знает, что такое генеративный ИИ и большие языковые модели , сообщу, что эти системы ИИ могут индексировать, классифицировать и группировать миллиарды единиц информации (токенов), которые включают слова, фразы, числа и даже код, чтобы найти шаблоны или сделать прогнозы, которые вы можете запросить. А через интерфейс на естественном языке они могут анализировать, обобщать и делать выводы из всего этого беспорядка. Читайте о том как это работает, здесь .
Далее я перечислю несколько вариантов использования языковых моделей ИИ, которые мы обнаружили за последние несколько месяцев:

1. Наполнение 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 фактических наблюдений. 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, ИИ 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 ИИ «прочитать все наши тренинги по продажам и продуктам» и «дать мне краткое описание того, что людям нужно изучить 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, но вам не нужно покупать это у Salesforce, вы можете сделать это самостоятельно.
Затем вы можете задать ИИ вопрос: «Кто наши главные клиенты 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 или переписать все ваши должностные инструкции, но и помочь вам «определить критерии успеха», помочь вам «оценить, кто работает хорошо и почему», а затем создать исключительные «учебные материалы по продажам», которые, как вы знаете, очень востребованы.
Теперь масштабируйте эту практику 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 в течение года появится соответствующие коробочные решения для бизнеса.

2. Создание модели компетенций и профили кандидатов для найма

Вторая и, вероятно, самая дорогая область, нуждающаяся в улучшении — это рекрутинг. Вы все знаете, как трудно найти, оценить и выбрать «правильного человека» для работы. Что ж, сейчас все без ума от «рекрутинга на основе навыков». 
Но что это на самом деле означает? Достаточно ли, что кандидат сдал тест по какому-то инструменту или языку программирования? Означает ли это, что кандидат делал что-то 100 раз ранее? Или это означает, что кандидат работал в компании, которая была действительно хороша в чем-либо, поэтому, вероятно, кандидат многому научился там?
Видите, это непросто. 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 он 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 лучше образование, кто грамотнее пишет тексты, какие другие характеристики сотрудников различаются. У одного из вендоров talent intelligence gen.2 (продвинутый центр оценки — прим. переводчика), с которым мы работаем, теперь есть инструмент, который может показать вам сравнение «профиля лидерства» двух компаний, просто просматривая, анализируя и глубоко понимая различный факторы, язык, образование и полномочия руководителей этих двух компаний. Как считаете, это ведь неплохой способ провести конкурентный анализ или рекрутинг?
Я знаю поставщиков решений для обучения, которые уже внедрили ChatGPT для создания планов развития, целей обучения и оценки навыков на основе существующего контента. Такой анализ, примененный к миллиардам кандидатов на работу, может показывать рекрутерам, кто является «достаточно квалифицированными» профессионалами, которые могли бы взяться за эту трудную работу. У них может быть «связанный опыт», который на 100% идеально подходит для работы, которую вы выполняете. Это уже происходит и дальше будет совершенствоваться.
И, кстати, при настройке этих моделей можно устранить гендерную, возрастную и расовую предвзятость, а также многое другое. Таким образом, языковые модели не только потенциально более полезны, но и на самом деле могут быть более этичными.

3. Анализ и улучшение использования ФОТ

Третьей серьезной проблемой в HR является «сколько платить людям» и «какие льготы предоставлять». И это очень сложная тема. Более 95% компаний уже имеют проблемы с справедливой оплатой труда, и поскольку инфляция растет, а зарплаты продолжают варьироваться в зависимости от спроса, HR пытаются справиться с этим.
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. 
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 распределяют 5-15% ФОТ несправедливо. Люди получают повышение по политическим причинам, а затем со временем мы получаем высокооплачиваемых людей с большим стажем работы, которым платят намного больше их рыночной зарплаты. Я знаю инженеров-программистов, которые зарабатывают 500 000 долларов и более только потому, что их наняли в «горячую компанию в горячее время». Внезапно через несколько месяцев они зарабатывают в 1,5-2 раза больше, чем их коллеги в других компаниях. Компании ненавидят решать эти проблемы.

4. Управление эффективностью и обратная связь

Одной из самых сложных и даже ненавистных частей HR является управление эффективностью, оценка эффективности и планирование развития. Хотя существуют сотни фантастических книг и моделей, описывающих этот процесс, часто оценка сводится к личным суждениям (ссылка добавлена переводчиком). 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 другие результаты 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 других или, наоборот, 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 сделал довольно хорошую работу. Многие из новых моделей генеративного ИИ могут «обучаться навыкам» в результате такого анализа, и эти «навыки» можно сохранять и делиться ими с другими. И тут мы переходим к следующему кейсу: Коучинг и развитие.

5. Коучинг и развитие лидерских качеств

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 просто наблюдение коуча может оказывать нам крайне необходимую поддержку. Они могут взять интервью у наших коллег 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?» Можно спросить «как я могу оказать большее влияние на свою команду?» или даже «как я могу сделать свои встречи более эффективными?»
Подобные вопросы миллион 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 по комплаенсу и все виды контента для «трудных разговоров». Система генеративного ИИ может легко найти это, интерпретировать и упростить использование этих сведений менеджерами.
Станет лучше. Мы, как пользователи, можем учить ИИ. Представьте, как я описал выше, если вы заложите в эту систему свою особую модель лидерства и подход к управлению. Вы могли бы получить обученного бота «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 генеративного искусственного интеллекта стал триумф таких инструментов, как Woebot, которые помогают лечить психическое здоровье, стресс и суицид. Этот инструмент, запущенный в 2017 году , снизил уровень стресса, беспокойства и суицида, почти вдвое превысив эффективность терапии. Как они смогли сделать это насколько 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 (Может ли ИИ лечить психические заболевания), которая убедительно объясняет, как эта технология стала такой успешной. Эти инструменты не были обучены терапии стресса, связанного с работой, но проблема очень похожа. За последние пять лет рынок wellbeing вырос до более чем 50 миллиардов долларов, а наше исследование Healthy Organization показало, что типичные решения, например программы поддержки сотрудников (EAP — Employee Assistance Program), онлайн-тренеры, обучение, осознанности, 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 в это вложены 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. Кадровое 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». 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 провокационные 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 распространяться во всех других областях.
Будет ли это идеально? Конечно, нет. Но сегодня, как я уже упоминал выше, мы принимаем тысячи критических решений на основе недостаточных 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 за счет того, что мы сделаем все хотя бы немного лучше, наши сотрудники получат лучший опыт работы (employee experience), а наши компании сработают на более высоком уровне.

Перевод статьи The Role Of Generative AI And Large Language Models in HR в блоге JOSH BERSIN от 10.03.2023