如果你以发掘人的潜力、招募人才为生，或者对聘用合适的人担任合适的职位感兴趣，那么有充分的理由对人工智能(AI)作为招聘工具的兴起充满热情。

在世界任何一个地方，在任何一个特定的时间点，劳动力市场都是低效的，脱离工作、表现不佳的员工从事的工作不适合他们的能力、兴趣和个性;关键职位长期空缺，尽管不缺乏吸引和寻找合适人选的投资;还有那些真正有才华和潜力的人，他们努力找工作。尽管这种效率低下在一定程度上是结构性的，但它们也是组织对人类潜力的有限理解的产物，或者至少是它们无法将自己的理解转化为有效的招聘实践。

这里人工智能可以帮助:通过观察更大范围的信号——包括更深层次的信号,甚至逃避训练有素的观察者和传统人才工具——它可能揭示了隐藏的联系一个人的背景和职业潜力,识别人才的基本“语法”,并最终升级我们的招聘决策的质量,降低就业市场效率低下(以及对他们的职业人减少痛苦)。然而，实现这一点的先决条件是首先解决我们不应该期望人工智能能够解决的五大招聘问题:

预测性能:

您只能预测您所度量的内容。由于大多数组织对员工实际工作表现的数据有限，人工智能无法提高他们预测的准确性。人工智能的本质是更便宜的，更可扩展的，更高效的预测。因此，组织对人工智能的应用仅限于预测人类的判断:“在这种情况下，人类会做什么?”虽然回答这个问题所需的数据很容易得到，但这就是人工智能最终如何模仿甚至扩大人类偏见的方法。例如，预测应聘者在面试中受欢迎的程度要比预测应聘者在面试中的实际表现容易得多:前者只要求面试官打分;后者实际上需要将求职者的行为与他们未来在工作中的表现联系起来。同样地，训练人工智能来预测员工是否会在工作中得到老板的正面评价，或者他们是否会得到晋升，与预测候选人的实际表现或对团队、单位或组织的贡献有很大的不同。当然，这个问题对人工智能来说并不新鲜，但除非我们解决了这个问题，否则人工智能将会继承它。事实上，人工智能提高预测效率和规模的能力可能会加剧以往的招聘问题，即缺乏客观的工作绩效指标来验证我们的选择方法。在这种情况下，即使存在偏见，我们的招聘协议也可能传达出准确性的假象。例如，一个人被雇佣可能基于与工作无关的属性(例如，性别、年龄、吸引力和种族)，但如果面试官和随后的经理有相同的偏见，或者他们是同一个人，这种歧视就会被掩盖。更糟糕的是，这些不公平的选拔标准可能会影响客户对候选人的看法。在美国，吸引力不仅会提高求职者在面试中的表现，还会提高经理对他们工作表现的评价，以及客户对他们的能力和可信度的看法。所有这一切都意味着人工智能可以合法地预测候选人的成功，同时也会延续偏见和不公平:忽略那些应该重要但不应该重要的变量，只关注那些应该重要但不应该重要的变量。

评估潜力:

即使人工智能提高了我们预测性能的能力，这通常也仅限于在未来与过去相当一致的情况下。在工业组织心理学中有一条古老的格言:“过去的行为是未来行为的一个很好的预测者”，只要环境没有改变。也就是说，人是相当一致和可预测的，但为了预测一个人从未做过的事情，过去的行为本身就具有有限的价值。例如，有兴趣将员工从个体贡献者提升为经理角色(或经理晋升为领导者)的组织，将不可避免地关注候选人过去的表现，以决定其可晋升性。然而，当你是一个独立的贡献者时，成为一个优秀的执行者。你的任务是服从命令，解决相对明确的问题，主要是你自己管理和成为一个管理者或其他人的领导者之间有很大的区别。这就是为什么那么多的员工在晋升到下一个级别时表现不佳(晋升到他们既不能也不愿意担任的角色)。使用过去的性能数据训练AI模型。即使与我在第一点所指出的相反，这些数据实际上是可用的——并不能解决这个问题。那么,什么呢?接受这样一个事实，即组织中一些最优秀的潜在管理者或领导者可能是作为个体贡献者的平庸甚至糟糕的执行者。也就是说，不能把过去的表现作为被选为不同角色的先决条件。相反，组织应该关注管理或领导潜能的已知要素，如专业知识、人际技能、诚信和自我意识(无论是否有人工智能)。

了解潜力:

预测性能对于评估潜力至关重要。因为潜力是一个人在未来表现出色的可能性。如果你不能预测某件事，你就不应该试图去解释它——除非你是一名体育专家或政治分析家，这显然给了你权力为你没能预测到的事提供一个完全理性的解释。然而，仅仅因为我们能评估潜力并不意味着我们能理解它。如果没有可验证和可反驳的理论，数据本身的价值就相当有限。黑盒人工智能模型可以有效地预测未来的行为，而无需对这种关系的“原因”提供深入的了解。例如，求职者在面试中言语或非言语交流的某些物理特性与他们未来的工作表现之间存在着差异，而且对于这种联系也有一种合理的、合理的解释(例如，它们是情商、自我表现或好奇心的信号)。数字时代使我们能够收集到更广泛的信号，人工智能提高了我们将数据转化为预测的能力，但在理想情况下，我们还希望解释招聘决定背后的任何预测的本质。这就是科学的关键所在，因为科学就是数据+理论。只有当我们真正理解了未来业绩的原因，我们才能改进我们的招聘实践——仅仅预测是不够的。用直觉打破我们的爱情:即使前三个问题都解决了，也并不意味着人工智能会弥补我们的招聘错误。为什么?因为总有其他数据点和决策标准不受AI的影响，并且独立于AI。如果人工智能与人类判断结合使用，而不是作为人工智能的替代品，这一点尤其重要。最能证明这一点的是，我们已经看到了100年的坚实科学在通用的招聘实践和决策过程中被直觉所推翻。工作方法和招聘经理喜欢依赖的方法之间存在差距。问题不在于缺乏有效和无效的证据，也不在于缺乏预测工具或方法，而在于人们更喜欢随机应变，假设他们是一个很好的性格判断者，而实际上并非如此。“当我看到人才的时候，我就知道他们的才华”，“这个人是一个伟大的文化契合者”，或者“多么有魅力的人”，这些都是日常生活中本能判断的例证，这些判断很可能会掩盖任何数据和确凿的事实。在一个数据驱动的世界里,它不会是一个评估工具,非结构化面试不会首选的选择方法,并决定是否有工作的主要标准不会面临有效性或直觉,但事实,包括数据可以让我们直观的错误决策作为一个巨大的错误,,让我们(和我们的方法)负责。矛盾的是，人工智能最大的效用将来自于做出与人类预测不符的预测，从而质疑我们的直觉(和偏见)。但正是在这种情况下，我们可能会忽略人工智能，转而听从直觉。同样的道理，当人工智能和我们的直觉一致时，我们可能会用人工智能来证明我们无论如何都会做出的决定是正确的。

扼杀选择的权利:

似乎我们对直觉的热爱还不够，我们主观的、无数据的决策并非完全随机的、它们受到个人议程和影响(如果不是被吸收的话)的影响，以及影响绝大多数招聘决策的更广泛的政治因素。想象一下这样一个世界:人工智能极大地增强了我们预测性能、评估和解释潜力的能力，以至于我们愿意忽视自己的直觉，相信机器。这仍然会给我们留下一个很大的障碍，那就是做出一个对我们自己的职业不利的选择的政治含义(或者做出一个对我们比公司更好的选择的诱惑)。例如，如果雇佣一个超级巨星暴露了我们自身的局限性怎么办?如果雇佣X候选人会让我们自己的工作面临风险(因为他们显然愿意并且能够在几年内得到这份工作)怎么办?如果雇用Y候选人会惹恼我的经理怎么办?有时政治可能与我们自己的个人利益比组织的广泛的政治环境:例如,你可以遵循一个绝对战略与数据驱动的方法雇佣一个破坏性的领导人给组织带来急需的改变,,因为同样的原因,使候选人完美的理论，组织反应不利,任命和阻碍自己成功的机会。然而另一种选择，聘用一个非常合适的人，维持现状，肯定不是解决方案。更重要的一点是，即使是最好的工具，在缺乏强大的道德规范或存在有害利益的情况下，也可能被有害地使用。

综上所述，毫无疑问，人工智能可以极大地提高我们解决招聘问题的能力，只要我们能够首先承认并解决我们的招聘流程中存在的一些主要历史局限，而这些局限在今天仍然存在。如果不这样做，不仅会限制人工智能的潜在贡献，还会加剧现有问题。

文章转自Tomas Chamorro-Premuzic,Forbes