معرفی ۱۳ نمونه پروژه هوش مصنوعی در منابع انسانی

مدیر منابع انسانی‌مان می‌گفت:« با اومدن هوش مصنوعی خیلی از کارهام رو با همین ابزار انجام می‌دم و می‌تونم از زمانم مفیدتر استفاده کنم». هوش مصنوعی در فرایندهای استخدام، آن‌بوردینگو مدیریت عملکرد به او کمک می‌کند. بسیاری از شرکت‌ها هم مانند زپیر از این ابزار برای تصمیم‌گیری سریع‌تر و هوشمندانه‌تر استفاده می‌کنند که باعث پیشرفت سریع‌تر کارها می‌شود. در ادامه با چند نمونه پروژه هوش مصنوعی در منابع انسانی آشنا می‌شویم.

۱. بهبود عملکرد در Zapier

Zapier شرکتی کاملا دورکار است که تمام فعالیت‌هایش بر پایه اتوماسیون شکل گرفته‌اند و سیستم‌های کارآمدی برای چرخه عمر کارکنان دارد. با ظهور چت جی‌پی‌تی مدیرعامل زپیر وضعیت هشدار قرمز اعلام کرد و دستور داد همه کارکنان از مهندسان گرفته تا کارشناسان منابع انسانی از هوش مصنوعی در کار خود استفاده کنند. مدیران کسب‌وکار به این نتیجه رسیده بودند که پذیرش هوش مصنوعی برای حفظ مزیت رقابتی ضروری خواهد بود.

برای تیم منابع انسانی، این موضوع به معنای حل چالش‌‌های هوش مصنوعی در حوزه توانمندسازی عملکرد بود؛ به‌خصوص چالش‌هایی که به نحوه تعیین و پیگیری اهداف توسط کارکنان مربوط می‌شد. با وجود اتوماسیون‌های قبلی، فرایند هدف‌گذاری در Zapier همچنان ناهماهنگ و دشوار بود. کارکنان برای تعریف اهداف قابل‌اندازه‌گیری و هم‌راستا با سازمان مشکل داشتند و مدیران نیز دید کافی نسبت به کیفیت اهداف در بخش‌های مختلف نداشتند. چارچوب‌های سنتی هدف‌گذاری نتوانسته بودند جای خود را در سازمان باز کنند و کارکنانی که با کمبود زمان مواجه بودند، اغلب از این فرایند فاصله می‌گرفتند؛ مسئله‌ای که می‌توانست به شکاف در هم‌راستایی اهداف و کاهش کیفیت عملکرد کارکنان منجر شود.

راهکارهای هوش مصنوعی در شرکت Zapier

Emily Mabie، مسئول توانمندسازی مدیران در Zapier، یک سیستم سرتاسری مبتنی بر هوش مصنوعی برای پشتیبانی از هدف‌گذاری طراحی کرد؛ سیستمی که از کوچینگ افراد تا تحلیل روندهای کل تیم را پوشش می‌داد. این پروژه با استفاده از فناوری‌های هوش مصنوعی و پنج ابزار داخلی Zapier در کمتر از دو هفته به یکدیگر متصل و پیاده‌سازی شد:

• چت‌بات کوچینگ هوش مصنوعی: این بات روی یک صفحه وب ساخته‌شده با Zapier قرار داشت و کارکنان را براساس چارچوب اختصاصی AMP در فرایند هدف‌گذاری راهنمایی می‌کرد. هوش مصنوعی راهنمایی، یادآوری و مثال‌های لحظه‌ای ارائه می‌داد که همگی براساس انتظارات Zapier برای طراحی اهداف منعطف و اثربخش تنظیم شده بودند. این کار ضمن کاهش وظایف تکراری منابع انسانی، مشارکت کارکنان را نیز افزایش داد.
• جمع‌آوری خودکار داده‌ها: اطلاعات قابل‌شناسایی شخصی (PII) از مکالمات حذف و سپس با استفاده از یک گردش‌کار سفارشی Zapier به پایگاه داده Zapier Table منتقل می‌شد. به این ترتیب، یک مخزن متمرکز از داده‌های کارکنان ایجاد شد که در عین حال حریم خصوصی افراد را حفظ می‌کرد. این مجموعه‌داده‌ها به منبع ارزشمندی برای تحلیل‌های مستمر تبدیل شدند.
• عامل هوش مصنوعی در بک‌اند: سپس یک Zapier Agent با استفاده از یادگیری ماشین تمام مکالمات ثبت‌شده را تحلیل می‌کرد تا نقاطی را که کاربران فرایند را رها می‌کردند مشخص کند و بخش‌های ضعیف اهداف، مانند مبهم بودن یا عدم هم‌راستایی، را شناسایی کند. این تحلیل داده‌ها الگوهایی را آشکار کرد که در بررسی دستی قابل مشاهده نبودند.
• لایه گزارش‌دهی برای مدیران: این عامل به‌طور مستمر بینش‌هایی برای کوچینگ ارائه می‌داد تا تیم یادگیری و توسعه (L&D) بتواند فرایند توانمندسازی در هدف‌گذاری را بهینه کند. به این ترتیب، داده‌های مکالمات به ورودی استراتژیک تبدیل شدند و از بهبود مستمر برنامه‌های آموزشی پشتیبانی کردند. مدیران کسب‌وکار نیز اکنون می‌توانستند شاخص‌های مشخصی درباره روند کیفیت اهداف مشاهده کنند.
• استراتژی توزیع و پذیرش: تبلیغ همتا‌به‌همتا در Slack، استفاده از افراد تأثیرگذار داخلی در هر بخش و پیام‌رسانی شفاف درباره اینکه «این ابزار چه فایده‌ای برای شما دارد» باعث شد نرخ مشارکت در نخستین دوره به ۹۱٪ برسد؛ بیش از ۸۰۰ استفاده منحصربه‌فرد از چت‌بات که نشان‌دهنده موفقیت در پذیرش هوش مصنوعی بود.

استفاده دائمی از هوش مصنوعی در منابع انسانی شرکت Zapier نتایج زیر را به همراه داشت:

• ۹۱٪ مشارکت در فرایند هدف‌گذاری با استفاده از چت‌بات هوش مصنوعی؛ رقمی بسیار بالاتر از میزان مشارکت کارکنان در سیستم‌های قبلی.
• بیش از ۸۰۰ مکالمه هدف‌گذاری تحلیل شد که به بهبود قابل‌اندازه‌گیری در مشخص بودن و هم‌راستایی اهداف منجر شد.
• افزایش کیفیت اهداف در دوره‌های مختلف؛ اهداف قابل‌اندازه‌گیری‌تر، استراتژیک‌تر و به‌شکل روشن‌تری با اهداف هر بخش و کل شرکت هم‌راستا شدند و به‌طور مستقیم شاخص‌ مدیریت عملکرد کارکنان را بهبود دادند.
• اجرای کامل از مرحله آزمایشی تا مقیاس گسترده در کمتر از دو هفته، به‌دلیل فرهنگ آزمایش و زیرساخت Low-Code در Zapier.

این پروژه تنها جایگزین کردن یک فرم با هوش مصنوعی نبود؛ بلکه هوش مصنوعی یک حلقه بازخورد ایجاد کرد. Zapier هوش مصنوعی را در تمام مراحل فرایند هدف‌گذاری به کار گرفت: کوچینگ، تحلیل، بهبود و تقویت فرهنگ سازمانی. موفقیت این سیستم به این دلیل نبود که هوش مصنوعی همه کارها را انجام می‌داد، بلکه به این دلیل بود که متخصصان منابع انسانی تجربه‌ای را با درنظر گرفتن همدلی، زمینه و شفافیت طراحی کرده بودند.

حتی سیستم‌های هوش مصنوعی که از نظر فنی به‌خوبی طراحی شده‌اند، اگر بر یک چارچوب ضعیف بنا شوند، شکست می‌خورند. Zapier این موضوع را زمانی تجربه کرد که چارچوب اولیه هدف‌گذاری آن‌ها با وجود برخورداری از یک چت‌بات فنی مناسب، عملکرد خوبی نداشت. تغییر به مدل ساده‌تر و قابل‌فهم‌تر AMP نتایج بهتری ایجاد کرد.

اگر می‌خواهید مانند Zapier تجربه خوبی از هوش مصنوعی در منابع انسانی داشته باشید کافی است اقدامات زیر را عملی کنید:

• با یک چارچوب قوی شروع کنید: هوش مصنوعی نمی‌تواند یک پایه ضعیف را اصلاح کند. ساختاری ساده و منعطف انتخاب کنید که برای تیم شما مناسب باشد.
• سیستمی برای دریافت بازخورد طراحی کنید: از هوش مصنوعی برای شناسایی نقاط ریزش، بخش‌های گیج‌کننده و موفقیت‌ها استفاده کنید و سپس سریعاً تغییرات لازم را اعمال کنید.
• از فرهنگ داخلی سازمان استفاده کنید: افراد تأثیرگذار درون تیم و ترویج همتا‌به‌همتا در Slack، معمولاً اثربخشی بیشتری نسبت به دستورهای از بالا به پایین دارند.
• ابزارهای خودتان را در اختیار داشته باشید: استفاده Zapier از ابزارهای داخلی و Low-Code باعث شد هزینه‌ها پایین بماند و امکان اصلاح و تکرار سریع فراهم شود.

۲. پروژه Flowable

یکی از سه بانک بزرگ مدیریت ثروت در جهان با یکی از پیچیده‌ترین فرایندهای بانکداری خصوصی، تأیید منبع ثروت (SOW)، درگیر بود. پیش از آنکه یک مشتری جدید با دارایی بالا وارد فرایند آنبوردینگ شود، بانک باید با دقت زیادی مطمئن می‌شد که منبع دارایی او قانونی، شفاف و قابل‌ردیابی است. این کار به بررسی صدها صفحه سند، سوابق عمومی، معاملات تجاری و تاریخچه‌های مالی نیاز داشت.

این گردش‌کار دستی، تکراری و زمان‌بر بود. مشاور مشتری و کارشناس بررسی‌های لازم باید بارها با یکدیگر در ارتباط می‌بودند و همین موضوع باعث می‌شد کل فرایند گاهی ۵ تا ۶ هفته طول بکشد. در نتیجه، تجربه مشتری نیز نامطلوب بود و نرخ ریزش در همین مرحله ابتدایی به ۲۵ تا ۳۰ درصد می‌رسید.

راهکارهای هوش مصنوعی در پروژه Flowable

اگرچه مسئله در ظاهر به تجربه مشتری مربوط می‌شد، ریشه اصلی آن در گردش‌کارهای داخلی بانک بود؛ فرایندهایی که برای کارکنان نیز تجربه‌ای خسته‌کننده ایجاد می‌کردند. بانک برای حل این مشکل با Flowable همکاری کرد. Flowable نیز با استفاده از الگوریتم‌ یادگیری ماشین، یک معماری پیشرفته مبتنی بر هوش مصنوعی عامل‌محور طراحی کرد تا فرایند بررسی منبع ثروت را خودکار کند. این تحول در دو مرحله انجام شد:

• مرحله اول؛ عامل‌های تخصصی هوش مصنوعی: Flowable عامل‌های اختصاصی‌ای را به کار گرفت که می‌توانستند اطلاعات را از فایل‌های PDF استخراج کنند، داده‌ها را با سوابق عمومی تطبیق دهند، سوابق شغلی را دسته‌بندی کنند و با استفاده از پردازش زبان طبیعی، روند مالی افراد را خلاصه‌سازی کنند. برای مثال، این عامل‌ها می‌توانستند خروج یک بنیان‌گذار از یک کسب‌وکار را با پوشش رسانه‌ای مرتبط بررسی و تأیید کنند.
• مرحله دوم؛ سیستم هماهنگ‌شده عامل‌محور: در مرحله بعد، یک لایه هماهنگ‌سازی مبتنی بر پرونده، بیش از ۲۸ عامل هوش مصنوعی را برای مدیریت کل فرایند از ابتدا تا انتها با یکدیگر هماهنگ می‌کرد. بعضی از این عامل‌ها درآمدهای گذشته را با معیارهای مرجع مقایسه می‌کردند، برخی مسیر دارایی‌ها را بررسی می‌کردند و برخی دیگر مسئول ارزیابی انطباق با مقررات منطقه‌ای بودند. همه این فعالیت‌ها نیز در چارچوب محدودیت‌های سخت‌گیرانه دسترسی به داده انجام می‌شد.

یکی از نکات مهم این سیستم، حفظ نقاط کنترل HITL در مراحل کلیدی تصمیم‌گیری بود. هیچ عامل هوش مصنوعی نمی‌توانست بدون بررسی نهایی یک متخصص انسانی، پرونده‌ای را تأیید یا رد کند. این رویکرد هم به حفظ اعتماد کمک می‌کرد و هم الزامات انطباق را رعایت می‌کرد.

این نمونه پروژه هوش مصنوعی در منابع انسانی Flowable نتایج زیر را به همراه داشت:

• نرخ ریزش مشتریان در مرحله SOW از ۲۵ تا ۳۰ درصد به کمتر از ۱ درصد کاهش پیدا کرد؛ تغییری که با حفظ بهتر مشتریان، صرفه‌جویی مالی قابل‌توجهی برای بانک به همراه داشت.
• زمان پردازش به‌شدت کاهش یافت و از ۴۰ تا ۴۵ روز، به‌طور میانگین به فقط ۱ تا ۲ روز رسید.
• ۹۵٪ از گردش‌کار SOW اکنون کاملا خودکار انجام می‌شود. در نتیجه، مشاوران مشتری و کارشناسان بررسی‌های لازم می‌توانند زمان بیشتری را صرف وظایفی کنند که به قضاوت، تحلیل و تخصص انسانی نیاز دارند.
• مقاومت قابل‌توجهی در برابر این تغییر وجود نداشت؛ برعکس، کارکنان از آن استقبال کردند، چون مدت‌ها بود از سنگینی و تکراری بودن این فرایند خسته شده بودند. این موضوع نشان می‌دهد با حداقل چالش استفاده از هوش مصنوعی در سازمان پذیرفته شد.

اگر می‌خواهید شما هم مانند Flowable از هوش مصنوعی در فرایندهای حساس، پرریسک و مهم خود استفاده کنید کافی است به نکات زیر توجه کنید:

• به‌جای ساخت راهکارهای جداگانه و پراکنده، کل فرایند را از ابتدا تا انتها ببینید و راهکاری طراحی کنید که همه مراحل را پوشش دهد.
• حاکمیت را در اولویت قرار دهید. ورودی‌ها و خروجی‌ها باید قابل‌ردیابی باشند، محدوده عملکرد هر عامل باید مشخص باشد و دسترسی به داده‌ها نیز به‌دقت کنترل شود.
• حضور انسان در فرایند استفاده از هوش مصنوعی هم لایه ایمنی است و هم باعث ایجاد اعتماد می‌شود.

برای نتیجه‌گیری بهتر از هوش مصنوعی لازم است با نحوه استفاده از این ابزار در فرایندهای منابع انسانی آشنا شویم. بوت‌کمپ هوش مصنوعی در منابع انسانی دانشکار فرصتی برای یادگیری دقیق‌تر و عمیق‌تر این مفاهیم است.

۳. هوش مصنوعی مایا برای استخدام

یکی از شرکت‌های بزرگ ارائه‌دهنده بیمه عمر با چالش‌هایی روبه‌رو بود که معمولاً در فرایندهای استخدام با حجم بالا دیده می‌شوند. متخصصان منابع انسانی زمان زیادی را صرف بررسی دستی رزومه‌ها، برقراری ارتباط با متقاضیان، رسیدگی به افراد فاقد شرایط لازم و پیگیری آن‌ها می‌کردند؛ آن هم در میان چندین پلتفرم جدا از هم مانند سیستم‌های ATS، لینکدین، ایمیل و سایت‌های کاریابی.

این فرایند تکراری و ناهماهنگ بود و احتمال ریزش متقاضیان در مراحل مختلف آن بالا بود. فاصله زیاد تا برگزاری مصاحبه و حاضر نشدن برخی متقاضیان در جلسات، فشار زیادی به تیم استخدام وارد می‌کرد و باعث تاخیر در روند جذب نیرو می‌شد. این مسئله هم تجربه نیروهای جدید را تحت تأثیر قرار می‌داد و هم بهره‌وری فعالیت‌های اصلی منابع انسانی را کاهش می‌داد.

راهکارهای هوش مصنوعی مایا

این شرکت بیمه، مایا را پیاده‌سازی کرد؛ یک پلتفرم هوش مصنوعی مکالمه‌ای و اتوماسیون گردش‌کار که با استفاده از پردازش زبان طبیعی، مراحل ابتدایی قیف استخدام را مدیریت می‌کند. مایا طوری تنظیم شد که بتواند:

• به‌صورت خودکار و از طریق پیامک، ایمیل یا فرم‌های اختصاصی، با پیام‌هایی شخصی‌سازی‌شده و مکالمه‌ای با متقاضیان ارتباط برقرار کند.
• متقاضیان را براساس معیارهای از پیش تعیین‌شده غربال و ارزیابی کند. این فرایند شامل تحلیل رزومه‌ها و پرسیدن سؤالات مرتبط با هر موقعیت شغلی با استفاده از الگوریتم‌های یادگیری ماشین بود؛ در واقع، بررسی رزومه‌ها در مقیاس بالا خودکار شد.
• براساس زمان‌های آزاد استخدام‌کنندگان، مصاحبه‌ها را به‌صورت خودکار برنامه‌ریزی کند و با ارسال یادآوری، احتمال غیبت متقاضیان را کاهش دهد. به این ترتیب، یکی از زمان‌برترین فعالیت‌های منابع انسانی بهینه شد.
• خلاصه‌ای ساختاریافته از هر متقاضی در اختیار استخدام‌کنندگان قرار دهد و افراد واجد شرایط و فاقد شرایط را همراه با دلایل دسته‌بندی کند. این کار امکان تصمیم‌گیری داده‌محورتر و تحلیل بهتر کیفیت متقاضیان را فراهم کرد.
• لحن و شخصیت مکالمات را با توجه به هویت برند شرکت و نوع موقعیت شغلی، از حالت دوستانه تا رسمی، تغییر دهد.

شرکت بیمه، پس از استفاده از هوش مصنوعی مایا در فرایند استخدام با نتایج زیر مواجه شد:

• نرخ استخدام به ۷۰٪ رسید. یعنی ۷۰ درصد از متقاضیانی که از طریق مایا در آژانس‌های مختلف این سازمان پردازش شدند، در نهایت استخدام شدند.
• هزینه هر مصاحبه از ۳۷ دلار به ۱۳ دلار کاهش یافت؛ یعنی طی دو ماه، ۶۵٪ کاهش هزینه. این صرفه‌جویی به شرکت اجازه داد منابع خود را بهتر میان سایر فعالیت‌ها توزیع کند.
• زمان رسیدن به مرحله مصاحبه از ۵ تا ۷ روز به تنها یک روز کاهش یافت و سرعت فرایند استخدام و تجربه متقاضیان به‌شکل چشمگیری بهبود پیدا کرد.
• ۹۲٪ متقاضیان تصور می‌کردند با یک انسان در حال گفتگو هستند، نه هوش مصنوعی؛ نتیجه‌ای که سطح پیشرفت پردازش زبان طبیعی در این سیستم را نشان می‌دهد.
• مایا فرایند غربالگری متقاضیان واجد و فاقد شرایط را به‌طور کامل مدیریت کرد و در نتیجه، استخدام‌کنندگان توانستند تمرکز خود را روی متقاضیان باکیفیت و فعالیت‌های استراتژیک منابع انسانی بگذارند.

اگر شما هم قصد استفاده از هوش مصنوعی مایا در فرایند استخدام را دارید به نکات زیر توجه کنید:

• پیش از استفاده گسترده از هوش مصنوعی در استخدام، اهداف واقع‌بینانه‌ای برای جذب نیرو مشخص کنید. اگر فقط به ۵ نیروی جدید نیاز دارید، درخواست ۱۰ هزار سرنخ استخدامی منطقی نیست.
• هوش مصنوعی را مانند یک کارمند آموزش دهید: مشخص کنید چه چیزهایی باید بگوید، چه چیزهایی نباید بگوید و لحن ارتباطی آن تا چه اندازه رسمی یا شخصی باشد.
• از هوش مصنوعی برای تقویت نیروی انسانی استفاده کنید، نه جایگزینی آن. وظیفه مایا غربالگری متقاضیان است؛ اما استخدام‌کنندگان همچنان باید وارد عمل شوند، ارتباط انسانی ایجاد کنند و فرایند استخدام را نهایی کنند.

۴. نمونه پروژه هوش مصنوعی در منابع انسانی آنبوردینگ با Tonkean

تیم منابع انسانی یک شرکت بزرگ بین‌المللی در ارائه یک تجربه آنبوردینگ سریع و شخصی‌سازی‌شده مخصوصا برای افراد قراردادی و پیمانکاری مشکل داشت. فرایندهای دستی منابع انسانی باعث می‌شد آماده‌سازی کامل ابزارها، دسترسی‌ها و سیستم‌های موردنیاز یک نیروی جدید معمولاً بیش از ۲۰ روز و گاهی حتی بیش از ۳۰ روز طول بکشد. این تأخیر، بهره‌وری نیروهای تازه‌وارد را کاهش می‌داد و عملاً هدف از استخدام سریع را زیر سؤال می‌برد.

از طرف دیگر، کیفیت آنبوردینگ نیز یکدست نبود و اغلب به‌شکل عمومی و غیرشخصی اجرا می‌شد. مدیران استخدام و کارکنان جدید باید زمان زیادی را صرف مسائل اجرایی و حجم بالایی از اطلاعات می‌کردند؛ موضوعی که از همان روز اول روی تجربه و مشارکت کارکنان تأثیر منفی می‌گذاشت. از کارکنان انتظار می‌رفت مطالب مربوط به آنبوردینگ را از طریق اینترانت یا پورتال‌های آموزشی به‌صورت مستقل پیدا و مطالعه کنند؛ اما این منابع اغلب بدون زمینه و ساختار کافی ارائه می‌شدند و نمی‌توانستند شروع کار مؤثری برای نیروی جدید ایجاد کنند.

راهکارهای هوش مصنوعی Tonkean در شرکت بین‌المللی

این شرکت با Tonkean همکاری کرد؛ پلتفرمی که با استفاده از عامل‌های هوش مصنوعی و الگوریتم‌های یادگیری ماشین، عملیات منابع انسانی را هماهنگ و خودکار می‌کند. Tonkean در فرایند آنبوردینگ اقدامات زیر را انجام داد:

• پایش رویدادها در سیستم‌های HRIS مانند Workday یا Rippling برای شناسایی استخدام‌های جدید، تغییر سمت‌ها یا سالگردهای کاری.
• خودکارسازی گردش‌کارها برای شروع خودکار مسیرهای آنبوردینگ شخصی‌سازی‌شده براساس نقش، محل کار و تیم هر فرد.
• تولید محتوای شخصی‌سازی‌شده برای آنبوردینگ با استفاده از منابع داخلی بدون ساختار، مانند اسلایدها، اسناد منابع انسانی، راهنماهای مزایا و متن دوره‌های آموزشی. Tonkean با استفاده از پردازش زبان طبیعی، این داده‌های پراکنده را به یک تجربه یادگیری منسجم تبدیل می‌کرد؛ قابلیتی که یکی از مزایای مهم پلتفرم‌های تجربه یادگیری نیز محسوب می‌شود.
• استفاده از عامل‌های هوش مصنوعی برای تعامل با مدیران استخدام از طریق Slack یا Teams و طراحی مشترک برنامه‌های ۳۰، ۶۰ و ۹۰ روزه با زبان طبیعی. این کار به تصمیم‌گیری داده‌محورتر درباره توسعه کارکنان و مسیر رشد شغلی آن‌ها کمک می‌کرد.
• امکان تعامل مستقیم با عامل هوش مصنوعی از طریق پاسخ به ایمیل یا پورتال‌های داخلی، به‌طوری که کارکنان جدید می‌توانستند سؤال‌هایی مانند «برای استفاده از مزایا باید کجا ثبت‌نام کنم؟» بپرسند و بلافاصله پاسخ‌های دقیق، تأییدشده و متناسب با شرایط خود دریافت کنند.
• پاسخ‌گویی ناشناس به سؤالات پرتکرار مانند مرخصی زایمان یا زمان‌بندی ثبت‌نام مزایا، از طریق رابط‌های مکالمه‌ای؛ رویکردی که هم اصطکاک را کاهش می‌داد و هم حریم خصوصی کارکنان را حفظ می‌کرد.

در این سیستم، هوش مصنوعی هم به‌صورت پیش‌فعال عمل می‌کرد، برای مثال با آغاز خودکار برنامه‌های آنبوردینگ، و هم به‌صورت واکنشی، با پاسخ‌گویی به سؤالات کارکنان. در نتیجه، تجربه‌ای یکپارچه، شخصی‌سازی‌شده و باکیفیت برای کارکنان ایجاد شد و در عین حال، حجم زیادی از وظایف تکراری تیم منابع انسانی کاهش پیدا کرد.

استفاده از هوش مصنوعی Tonkean نتایج زیرا را به همراه داشت:

• زمان آنبوردینگ پیمانکاران از ۲۰ تا ۳۰ روز به‌طور میانگین به کمتر از ۵ روز کاهش پیدا کرد.
• کارکنان تجربه آنبوردینگ را بسیار شخصی‌سازی‌شده ارزیابی کردند؛ تا حدی که احساس می‌کردند «۳ یا ۴ نفر برای طراحی آن وقت گذاشته‌اند»، در حالی که بخش عمده کار توسط هوش مصنوعی انجام شده بود.
• امتیاز رضایت از آنبوردینگ افزایش پیدا کرد؛ زیرا فرایند شفاف‌تر، سریع‌تر و هماهنگ‌تر با فرهنگ سازمان شده بود و همین موضوع مستقیماً به افزایش مشارکت کارکنان کمک کرد.
• نگاه سازمان به هوش مصنوعی تغییر کرد؛ هوش مصنوعی دیگر فقط ابزاری برای صرفه‌جویی در زمان نبود، بلکه به ابزاری برای افزایش کیفیت تبدیل شد. مهم‌ترین بازگشت سرمایه این پروژه نه صرفاً سرعت بیشتر، بلکه ارائه تجربه‌ای بهتر برای کارکنان بدون نیاز به افزایش تعداد نیروهای منابع انسانی بود.

آن‌بوردینگ شخصی‌سازی‌شده می‌تواند یکی از مزیت‌های استراتژیک سازمان شما باشد اگر زمان آماده‌سازی پیمانکاران را از ۳۰ روز به ۵ روز کاهش دهید؛ اطلاعات مربوط به مزایا را به‌صورت خودکار و متناسب با منطقه یا نقش هر فرد ارائه دهید؛ بدون افزایش فشار کاری مدیران استخدام، برنامه‌های اختصاصی ۳۰، ۶۰ و ۹۰ روزه ایجاد کنید. نکاتی که هنگام استفاده از این ابزار باید در نظر بگیرید عبارت‌اند از:

• هماهنگ‌سازی و اتوماسیون را در همان ابزارها و گردش‌کارهای فعلی سازمان، مانند ایمیل، Slack و HRIS، پیاده‌سازی کنید؛ نه اینکه صرفاً ابزارهای جدیدی اضافه کنید.
• فقط روی افزایش بهره‌وری تمرکز نکنید؛ کیفیت را نیز در اولویت قرار دهید، چون هوش مصنوعی می‌تواند هر دو را بهبود دهد.
• سیستم را از قبل با انواع مختلف محتوا، از جمله اسلایدها، متن جلسات و اسناد داخلی تغذیه کنید.
• مسئولیت تعیین «پاسخ‌های تأییدشده» را به تیم منابع انسانی بسپارید و برای عامل‌های هوش مصنوعی محدودیت‌ها و چارچوب‌های زمینه‌ای مشخص تعریف کنید.
• تیم‌های منابع انسانی، فناوری اطلاعات و مدیران ارشد را بر سر تعریف جدیدی از اینکه «سیستم درست کار می‌کند» به توافق برسانید.

۵. تحول فرایند تطبیق مالی و BPO با CogNet و هوش مصنوعی

یکی از مشتریان BPO شرکت CogNet، یک آژانس استخدام سراسری، درگیر فرایندی پرهزینه، کند و به‌شدت دستی برای تطبیق مالی بود. این شرکت هر ماه فاکتورهای خود را به یک شریک تأمین مالی می‌فروخت. اما پیش از آنکه وجه آزاد شود، شرکت تأمین مالی باید بررسی می‌کرد مبلغی که انتظار داشت پرداخت کند، براساس توافق‌های قبلی، با مبلغی که واقعاً بدهکار بود مطابقت دارد یا نه. به بیان ساده، مشکل اصلی اختلاف میان اطلاعات فاکتورهای داخلی و صورت‌حساب‌هایی بود که از بیرون با قالبی متفاوت دریافت می‌شدند.

مشکل اینجا بود که تیم داخلی باید فایل‌های PDF شامل میلیون‌ها ردیف داده و فایل‌های Excel با ساختار نامناسب را به‌صورت دستی با هم تطبیق می‌داد. این کار توسط یک حسابدار انجام می‌شد که مجموع دریافتی سالانه او بیش از ۹۰ هزار دلار بود. فقط پیدا کردن مغایرت‌ها در هر ماه بیش از ۱۶ ساعت زمان می‌برد؛ آن هم بدون درنظر گرفتن زمانی که بعداً صرف پیگیری و حل این اختلاف‌ها می‌شد. این فرایند هم جریان نقدی را به تأخیر می‌انداخت و هم فرصت تیم مالی برای انجام تحلیل‌های باارزش‌تر را کاهش می‌داد.

CogNet در میان سایر مشتریان و واحدهای کاری نیز الگوی مشابهی مشاهده کرد: نیروهای متخصص و باتجربه زمان زیادی را صرف کارهای تکراری و طاقت‌فرسایی می‌کردند که انجامشان ضروری بود، اما ارزش تحول‌آفرین چندانی برای منابع انسانی یا سایر بخش‌های کسب‌وکار ایجاد نمی‌کردند.

راهکار CogNet برای کاهش هزینه و خودکارسازی تطبیق مالی با هوش مصنوعی

CogNet برای بهینه‌سازی این فرایند حیاتی، از رویکردی دو مرحله‌ای موسوم به «Texas Two-Step» استفاده کرد که ترکیبی از یادگیری ماشین و پردازش زبان طبیعی بود:

• مرحله اول؛ کاهش هزینه از طریق BPO: در ابتدا، همان فرایند موجود بدون تغییر به CogNet منتقل شد. تحلیلگران برون‌مرزی CogNet می‌توانستند همان تطبیق دستی را با نرخ بسیار پایین‌تری، حدود ۱۱.۵۰ دلار در ساعت، انجام دهند. همین تغییر به‌تنهایی هزینه هر چرخه تطبیق را از ۶۹۲.۳۱ دلار به ۱۸۴ دلار کاهش داد؛ یعنی کاهش قابل‌توجه هزینه بدون اینکه هنوز هوش مصنوعی وارد فرایند شده باشد.
• مرحله دوم؛ هماهنگ‌سازی فرایند با هوش مصنوعی: در مرحله بعد، CogNet یک لایه اتوماسیون با حضور انسان در حلقه طراحی کرد که از الگوریتم‌ها و یک مدل زبانی بزرگ (LLM) برای مقایسه اسناد با فرمت‌های مختلف، مانند PDF، اکسل و CSV، و تحلیل کارآمدتر داده‌ها استفاده می‌کرد.به‌جای اینکه افراد مجبور باشند مغایرت‌ها را ردیف‌به‌ردیف پیدا کنند، مدل زبانی در عرض چند ثانیه اختلاف‌ها را مشخص می‌کرد. به این ترتیب، تصمیم‌گیری داده‌محورتر شد و تحلیل داده نیز با سرعت و دقت بیشتری انجام گرفت. حالا تحلیلگر CogNet فقط حدود ۲ ساعت زمان نیاز داشت تا موارد شناسایی‌شده را بررسی و مشکلات واقعی را برای پیگیری ارجاع دهد. در نتیجه، هزینه فرایندی که قبلاً ۶۹۲ دلار بود، به حدود ۳۰ دلار رسید.یکی از نقاط قوت مهم این سیستم، معماری ماژولار آن بود. لایه هماهنگ‌سازی CogNet اجازه می‌داد براساس نوع وظیفه، حساسیت‌های قانونی و نوع داده، عامل‌های مختلف هوش مصنوعی مانند چت جی‌پی‌تی یا کلاد جایگزین یکدیگر شوند. برای مثال، در مواردی که داده‌های حساس سلامت، اطلاعات حقوق و دستمزد یا سایر اطلاعات محرمانه وجود داشت، می‌شد ابزار متناسب با سیاست‌های مشتری و الزامات قانونی را انتخاب کرد. این طراحی باعث شد شرکت‌ها بتوانند بدون قربانی کردن انطباق و امنیت، اعتماد بیشتری به اتوماسیون داشته باشند.

اجرای هوش مصنوعی در فرایند تطبیق مالی نتایج زیر را به همراه داشت:

• زمان فرایند تطبیق مالی از ۱۶ ساعت به تنها ۲ ساعت کاهش پیدا کرد.
• هزینه هر چرخه از ۶۹۲.۳۱ دلار به حدود ۳۰ دلار رسید و کاهش بسیار چشمگیری ایجاد شد.
• سرعت فرایند افزایش یافت و مشکلات می‌توانستند در کمتر از ۲۴ ساعت شناسایی و مبالغ مربوطه بازیابی شوند.
• حسابدار مجموعه به وظایف استراتژیک‌تر منتقل شد و به‌جای صرف وقت روی کارهای تکراری Excel، روی فعالیت‌هایی مانند تحلیل سودآوری تمرکز کرد.
• نگاه مشتریان به BPO تغییر کرد؛ دیگر برون‌سپاری صرفاً راهی برای کاهش هزینه نیروی انسانی نبود، بلکه به ابزاری برای تحول فرایندها با کمک هوش مصنوعی تبدیل شد؛ چه در منابع انسانی و چه در سایر واحدهای کسب‌وکار.

CogNet سپس همین مدل را که آن را صرفه‌جویی از هزاران بهبود کوچک توصیف می‌کرد، در ده‌ها گردش‌کار پرتکرار برای مشتریان مختلف پیاده کرد و نگاه تیم‌های منابع انسانی، حقوق و دستمزد و حسابداری به عملیات برون‌سپاری‌شده را تغییر داد.

اگر شما هم هنوز برای تطبیق فایل‌های PDF با اکسل یا گوگل‌شیت زیاد هزینه می‌کنید مشکل از کمبود نیروی انسانی نیست. مشکل در فرایندتان است. برای توسعه استفاده از هوش مصنوعی در مقیاس بزرگتر و مانند CogNet به نکات زیر توجه کنید:

• ابتدا فرایندهای موجود را «همان‌طور که هستند» منتقل کنید تا نیروهای متخصص از کارهای تکراری آزاد شوند.
• سپس لایه اتوماسیون را اضافه کنید و از وظایف ساختاریافته‌ای مانند مقایسه، دسته‌بندی و مسیریابی شروع کنید.
• گردش‌کارهای هوش مصنوعی را طوری طراحی کنید که نیروی انسانی را تقویت کنند، نه اینکه الزاماً جایگزین آن شوند. موارد خاص و پیچیده را به انسان ارجاع دهید.
• انتظارات را درست تنظیم کنید: مدل‌های زبانی همیشه یک پاسخ کاملاً یکسان ارائه نمی‌دهند، اما ممکن است چند پاسخ متفاوت و در عین حال معتبر تولید کنند.
• بازگشت سرمایه را فقط با تعداد نیروی حذف‌شده نسنجید؛ زمان انسانی آزادشده و شاخص‌هایی را اندازه‌گیری کنید که واقعاً برای کسب‌وکار اهمیت دارند.

۶. بهبود آنبوردینگ در Customer.io با گردش‌کارهای مبتنی بر Slack و GPT

Customer.io، یک شرکت کاملاً دورکار با فعالیت در بیش از ۳۰ کشور، متوجه شد که مدل کاری غیرهم‌زمان آن با وجود بهره‌وری بالا، باعث می‌شود بعضی از نیروهای جدید در شروع کار احساس سردرگمی کنند. فرایند آنبوردینگ ساختار مشخصی نداشت و مدیران نیز گاهی در ارائه انتظارات روشن و برنامه‌های مشخص برای شروع کار نیروهای جدید تأخیر می‌کردند؛ مسئله‌ای که مستقیماً بر تجربه کارکنان تأثیر منفی می‌گذاشت.

نیروهای تازه‌وارد تجربه روزهای ابتدایی خود را با عبارت «هنوز دارم سعی می‌کنم بفهمم همه‌چیز چطور کار می‌کند» توصیف می‌کردند. این ابهام، هم سرعت رسیدن افراد به بهره‌وری را کاهش می‌داد و هم انتقال فرهنگ سازمانی را دشوارتر می‌کرد؛ در نتیجه، مشارکت و عملکرد کارکنان نیز تحت تأثیر قرار می‌گرفت. از آنجا که شرکت دفتر مرکزی یا تعاملات حضوری منظمی نداشت، به راهکاری مقیاس‌پذیر نیاز داشت که آنبوردینگ را هم شفاف‌تر و هم ارتباط‌محورتر کند؛ بدون اینکه فشار اضافه‌ای به مدیران پرمشغله وارد شود یا سایر فعالیت‌های مهم منابع انسانی مختل شوند.

راهکار Customer.io برای ساخت آنبوردینگ ساختاریافته با Slack و ChatGPT

Customer.io مجموعه‌ای از گردش‌کارهای مبتنی بر هوش مصنوعی و پردازش زبان طبیعی را پیاده‌سازی کرد تا ضمن حفظ انعطاف فرهنگ دورکاری، ساختار و یکپارچگی بیشتری به فرایند آنبوردینگ بدهد. این راهکارها عبارت‌اند از:

• ساخت برنامه‌های ۳۰، ۶۰ و ۹۰ روزه متناسب با هر نقش با Slack و ChatGPT: برای حل مشکل نبود شفافیت، تیم یک گردش‌کار اختصاصی طراحی کرد که ChatGPT را با Slack یکپارچه می‌کرد. این سیستم به مدیران کمک می‌کرد برنامه‌های آنبوردینگ ۳۰، ۶۰ و ۹۰ روزه را متناسب با هر موقعیت شغلی، با سرعت بیشتری تهیه کنند.
  این راهکار زمان موردنیاز برای تهیه برنامه‌ها را حدود ۳۰ تا ۵۰ درصد کاهش داد و در عین حال، هم‌راستایی میان نیروی جدید، مدیر و اهداف کسب‌وکار را افزایش داد. این موضوع همچنین به تصمیم‌گیری داده‌محورتر درباره رشد و توسعه کارکنان کمک کرد.
• ترکیب محتوای تولیدشده با هوش مصنوعی و نظارت متخصصان منابع انسانی: Customer.io به‌جای اینکه استفاده از ChatGPT را به مدیران واگذار کند، متخصصان منابع انسانی را نیز وارد فرایند کرد. آن‌ها همراه با مدیران، محتوای آنبوردینگ تولیدشده با هوش مصنوعی را بازبینی و اصلاح می‌کردند تا لحن، سطح انتظارات و اهداف توسعه‌ای با فرهنگ Customer.io هم‌خوانی داشته باشد.
  این ترکیب اتوماسیون و بازبینی انسانی باعث شد مدیران بتوانند با اعتماد بیشتری از گردش‌کار جدید استفاده کنند، بدون اینکه کیفیت یا جنبه انسانی فرایند آنبوردینگ کاهش پیدا کند.
• تقویت فرهنگ استفاده از هوش مصنوعی از طریق به‌اشتراک‌گذاری تجربه‌ها در Slack: برای افزایش پذیرش هوش مصنوعی در سایر فرایندهای منابع انسانی، Customer.io یک کانال اختصاصی با نام #AI-wins در Slack ایجاد کرد. کارکنان در این کانال نمونه‌های موفق استفاده از هوش مصنوعی را با یکدیگر به اشتراک می‌گذاشتند.
  این کار باعث شد آزمایش کردن ابزارهای هوش مصنوعی به بخشی طبیعی از فرهنگ داخلی شرکت تبدیل شود و اعتماد کارکنان به استفاده از این فناوری افزایش پیدا کند. براساس داده‌های داخلی شرکت، در نهایت بیش از ۹۰ درصد کارکنان به‌صورت فعال از هوش مصنوعی در گردش‌کارهای خود استفاده می‌کردند.

نتایج استفاده از GPT و Slack عبارت بودند از:

• زمان تهیه برنامه‌های آنبوردینگ ۳۰ تا ۵۰ درصد کاهش یافت.
• شفافیت فرایند آنبوردینگ افزایش پیدا کرد و این بهبود در نظرسنجی‌های بعد از آنبوردینگ و شاخص‌های تجربه کارکنان نیز مشاهده شد.
• بیش از ۹۰ درصد کارکنان به‌صورت فعال از هوش مصنوعی در گردش‌کارهای خود استفاده می‌کردند؛ نشانه‌ای از پذیرش بالای این فناوری در سازمان.
  هم‌راستایی نیروهای جدید با اهداف کسب‌وکار از همان مراحل ابتدایی بهتر شد و همین موضوع باعث شد کارکنان سریع‌تر به بهره‌وری برسند و عملکرد بهتری داشته باشند.

هوش مصنوعی قرار نیست آنبوردینگ کارکنان را به‌طور کامل به‌جای شما انجام دهد، اما می‌تواند به شما کمک کند این فرایند را بسیار بهتر اجرا کنید. برای استفاده از این ابزار در منابع انسانی نکات زیر را در نظر بگیرید:

• از GPT برای ساخت چارچوب اولیه و ساختار برنامه آنبوردینگ استفاده کنید و سپس اجازه دهید مدیران جزئیات، منتورینگ و نکات انسانی را به آن اضافه کنند.
• فقط یک ابزار در اختیار مدیران نگذارید؛ به آن‌ها آموزش دهید چگونه پرامپت مناسب بنویسند، خروجی را ارزیابی کنند و آن را به‌درستی ویرایش کنند.
• برای شروع، از پروژه‌های کوچک استفاده کنید. برنامه‌های آنبوردینگ یکی از کم‌ریسک‌ترین و در عین حال پربازده‌ترین حوزه‌ها برای افزایش مهارت استفاده از هوش مصنوعی در تیم منابع انسانی هستند.

۷. کاهش کارهای اداری استخدام با هوش مصنوعی تعبیه‌شده در Landing Point

Landing Point، یک شرکت فعال در حوزه جذب و تأمین نیروی انسانی، با مشکلی رایج در بهره‌وری تیم استخدام مواجه بود. استخدام‌کنندگان هر هفته چندین ساعت از زمان خود را صرف کارهای اداری و دستی مانند قالب‌بندی رزومه‌ها، نوشتن معرفی‌نامه کوتاه برای متقاضیان و ویرایش و بهبود شرح موقعیت‌های شغلی می‌کردند.

هرکدام از این وظایف به‌تنهایی زمان زیادی نمی‌گرفتند، اما در مجموع باعث می‌شد هر استخدام‌کننده هفته‌ای حدود ۳ تا ۴ ساعت از زمان خود را صرف کارهای تکراری کند. هم‌زمان، برخی استخدام‌کنندگان شروع به استفاده آزمایشی از ابزارهای عمومی هوش مصنوعی مولد کرده بودند؛ موضوعی که نگرانی‌هایی درباره امنیت و حریم خصوصی داده‌های حساس کارکنان و متقاضیان ایجاد کرد. شرکت به راهکاری نیاز داشت که هم بهره‌وری را افزایش دهد، هم استانداردهای امنیت و انطباق در سطح سازمانی را رعایت کند و هم فرایندهای کلیدی منابع انسانی را بهینه‌تر سازد.

راهکار Landing Point برای تعبیه امن هوش مصنوعی در ابزارهای روزمره استخدام

رویکرد Landing Point بر ساخت گردش‌کارهای هوش مصنوعی امن و یکپارچه تمرکز داشت؛ گردش‌کارهایی که مستقیم در همان محیطی قرار می‌گرفتند که استخدام‌کنندگان از قبل در آن کار می‌کردند. راهکارهای لندینگ پوینت عبارت بودند از:

• تعبیه قابلیت‌های GPT مستقیم در سیستم ATS: Landing Point به‌جای اینکه از استخدام‌کنندگان بخواهد ابزارهای جدیدی یاد بگیرند، قابلیت‌های مبتنی بر GPT را مستقیم در سیستم رهگیری متقاضیان (ATS) خود پیاده‌سازی کرد. این قابلیت‌ها با استفاده از پردازش زبان طبیعی به بخشی از ابزارهای روزمره منابع انسانی تبدیل شدند. به کمک این سیستم، متخصصان منابع انسانی می‌توانستند رزومه‌ها را در حدود ۳ دقیقه قالب‌بندی کنند؛ درحالی‌که این کار قبلا ۱۰ تا ۲۰ دقیقه زمان می‌برد؛ معرفی‌نامه متقاضی را که قبلا حدود یک‌ربع طول می‌کشید در عرض ۱ دقیقه تهیه کنند و می‌توانستند متن آگهی‌های شغلی را به‌صورت خودکار ویرایش و بهینه کنند.
  در نتیجه، هر استخدام‌کننده هفته‌ای حدود ۳ تا ۴ ساعت در زمان صرفه‌جویی می‌کرد و می‌توانست تمرکز بیشتری روی فعالیت‌های باارزش‌تر منابع انسانی داشته باشد. این صرفه‌جویی زمانی مستقیماً به کاهش هزینه نیز منجر شد، زیرا تیم می‌توانست بدون افزایش تعداد نیرو، حجم بیشتری از فرایندهای استخدام را مدیریت کند.
• راه‌اندازی چت‌بات خصوصی برای استفاده داخلی و حفاظت از داده‌ها: برای اینکه استخدام‌کنندگان بتوانند در طیف گسترده‌تری از فعالیت‌ها از یک دستیار هوش مصنوعی استفاده کنند، تیم یک چت‌بات اختصاصی در محیط AWS شرکت راه‌اندازی کرد. دسترسی به این چت‌بات از طریق ورود یکپارچه (SSO) کنترل می‌شد و تمام فعالیت‌ها نیز در لاگ‌های قابل حسابرسی ثبت می‌شدند. پرامپت‌ها و خروجی‌ها به‌شکل امن ذخیره می‌شدند و مدل‌هایی مانند OpenAI و Gemini نیز با تنظیمات عدم نگهداری داده اجرا می‌شدند تا از اطلاعات حساس کارکنان و متقاضیان محافظت شود. این محیط امن آزمایش هوش مصنوعی به استخدام‌کنندگان اجازه می‌داد بدون به خطر انداختن حریم خصوصی، یادداشت‌های تحقیقاتی تولید کنند یا اطلاعات متقاضیان را خلاصه و ترکیب کنند و تصمیم‌های داده‌محورتری بگیرند.
• ایجاد قوانین کنترلی و الزام بازبینی انسانی برای خروجی‌های هوش مصنوعی: برخی موارد اولیه توهم هوش مصنوعی باعث شد Landing Point کنترل‌های سخت‌گیرانه‌تری برای استفاده از این فناوری ایجاد کند. برای مثال، در یکی از موارد، استخدام‌کننده مرحله بازبینی انسانی را نادیده گرفت و یکی از مشتریان متوجه شد مهارت‌هایی نادرست به یک متقاضی نسبت داده شده است. Landing Point در واکنش به این اتفاق پرامپت‌ها را بازطراحی و دقیق‌تر کرد، بازبینی انسانی را اجباری کرده و گردش‌کارها را از طریق یک اتاق فکر هوش مصنوعی داخلی آزمایش و ارزیابی کرد.
  شرکت همچنین ابزارهایی را که استقبال چندانی از آن‌ها نشده بود، مانند مولد ایمیل‌های قالبی، کنار گذاشت و تمرکز خود را روی ابزارهایی گذاشت که شخصی‌سازی ارتباطات را حفظ می‌کردند و تجربه بهتری برای متقاضیان ایجاد می‌کردند؛ موضوعی که برای حفظ روابط انسانی در فرایند استخدام اهمیت زیادی دارد.

پس از استفاده از Landing Point نتایج استفاده از هوش مصنوعی در فرایندهای روزمره استخدام مشخص شد که عبارت بودند از:

• زمان ارسال اولین متقاضی برای بررسی مشتری از ۳ تا ۶ ساعت به کمتر از ۳۰ دقیقه کاهش پیدا کرد.
• نرخ خطا در رزومه‌ها از ۳ تا ۴ درصد به کمتر از ۱ درصد رسید و کیفیت خروجی‌ها بهبود پیدا کرد.
• هر استخدام‌کننده هفته‌ای ۳ تا ۴ ساعت زمان آزاد کرد که قبلاً صرف قالب‌بندی و کارهای اداری می‌شد.
• پذیرش ابزارها به‌صورت طبیعی افزایش پیدا کرد؛ چون قابلیت‌های هوش مصنوعی مستقیماً در ابزارهای موجود تعبیه شده بودند و پرامپت‌ها نیز داخل همان سیستم بهبود داده می‌شدند.
• هزینه اجرای پروژه پایین باقی ماند؛ زیرساخت هوش مصنوعی به‌طور میانگین حدود ۲۰۰ دلار در ماه هزینه داشت و تنها یک مهندس هوش مصنوعی برای مدیریت آن درگیر بود.

هوش مصنوعی قرار نیست جای استخدام‌کنندگان را بگیرد، اما می‌تواند ساعت‌ها از زمان آن‌ها را آزاد کند. اما اگر شما هم قصد استفاده از ابزارهایی مانند Landing Point را دارید نکات زیر را در نظر داشته باشید:

• ابزارها در همان محیطی تعبیه شوند که افراد از قبل در آن کار می‌کنند.
• امنیت و انطباق از همان روز اول بخشی از طراحی سیستم باشند.
• چیزهایی که درست کار نمی‌کنند اصلاح شوند و ابزارهایی که استفاده نمی‌شوند کنار گذاشته شوند.
• حاکمیت و کنترل هوش مصنوعی به‌عنوان بخشی از طراحی محصول دیده شود، نه یک کار اضافی و اداری.

۸. افزایش سرعت و بهره‌وری استخدام در Integrity Staffing با استخدام‌کننده مجازی ConverzAI

در استخدام‌های پرتعداد، سرعت اهمیت زیادی دارد. متقاضیان موقعیت‌های شغلی صنعتی و انبارداری معمولاً به‌طور هم‌زمان برای چندین فرصت شغلی درخواست می‌فرستند. بنابراین، استخدام‌کنندگان فقط چند ساعت فرصت دارند تا با آن‌ها ارتباط مؤثری برقرار کنند؛ در غیر این صورت، احتمال زیادی وجود دارد که متقاضی علاقه خود را از دست بدهد یا پیشنهاد دیگری را بپذیرد. اما تیم استخدام Integrity Staffing با چند مشکل اساسی روبه‌رو بود:

• غربالگری اولیه متقاضیان به‌صورت دستی، هر روز ساعت‌ها زمان می‌گرفت.
• استخدام‌کنندگان نمی‌توانستند به‌اندازه کافی سریع با همه متقاضیان ارتباط برقرار کنند.
• بسیاری از متقاضیان واجد شرایط پیش از شروع ارتباط از دست می‌رفتند.
• برای جبران این مشکل، شرکت مجبور بود هزینه بیشتری برای انتشار آگهی در سایت‌های کاریابی پرداخت کند و بودجه تبلیغات به‌طور مداوم افزایش پیدا می‌کرد.

نتیجه، تجربه‌ای نامطلوب برای متقاضیان، فرسودگی تیم منابع انسانی و افزایش هزینه‌هایی بود که ادامه آن در بلندمدت امکان‌پذیر نبود. شرکت به راهکاری نیاز داشت که بتواند ارتباط شخصی‌سازی‌شده با تعداد زیادی از متقاضیان را مدیریت کند؛ بدون اینکه نیروی بیشتری استخدام شود یا از اتوماسیون‌های سرد و عمومی استفاده کند که تجربه متقاضیان را بدتر می‌کردند.

راهکار Integrity Staffing برای برقراری سریع ارتباط با متقاضیان از طریق استخدام‌کننده مجازی هوش مصنوعی

Integrity Staffing از ConverzAI استفاده کرد؛ یک استخدام‌کننده مجازی مبتنی بر هوش مصنوعی که با نام «Recruiter Jamie» شناخته می‌شد. Jamie با استفاده از پردازش زبان طبیعی و الگوریتم‌های یادگیری ماشین طراحی شده بود تا بتواند در مقیاس بالا و به‌صورت لحظه‌ای با متقاضیان وارد گفتگو شود. مهم‌ترین وظایف این ابزار عبارت بودند از:

• حداکثر ۱۵ دقیقه پس از ثبت درخواست متقاضی در سیستم ATS شرکت (Bullhorn) با او ارتباط برقرار می‌کرد.
• براساس ترجیح متقاضی، از طریق پیامک، تماس تلفنی یا ایمیل با او ارتباط می‌گرفت.
• یک غربالگری اولیه ساختاریافته انجام می‌داد که موارد زیر را بررسی می‌کرد:
• سابقه کاری
• محل سکونت یا کار
• زمان‌های در دسترس برای شروع همکاری
• انتظار متقاضی از حقوق و دستمزد
• شرایط و نیازهای اختصاصی موقعیت شغلی
• سپس متقاضیان را در یکی از سه گروه قرار می‌داد:
• علاقه‌مند و مناسب
• نامتناسب با موقعیت شغلی
• نیازمند پیگیری
• متقاضیان واجد شرایط و علاقه‌مند را مستقیم به استخدام‌کنندگان انسانی ارجاع می‌داد تا آن‌ها زمان خود را فقط صرف افرادی کنند که احتمال استخدامشان بیشتر است.

استفاده از هوش مصنوعی برای Integrity Staffing نتایجی داشت که عبارت‌اند از:

• تعداد کل استخدام‌ها و جایابی‌ها ۷۶٪ افزایش پیدا کرد.
• تعداد متقاضیان مستقیمی که در نهایت استخدام شدند ۸۰٪ افزایش یافت.
• بهره‌وری استخدام‌کنندگان ۵۵٪ افزایش پیدا کرد؛ یعنی هر استخدام‌کننده توانست تعداد بیشتری موقعیت شغلی را با موفقیت تکمیل کند.
• زمان پاسخ‌گویی به متقاضیان از چند روز یا حتی چند هفته به کمتر از ۱۵ دقیقه رسید و تجربه متقاضیان به‌شکل چشمگیری بهبود پیدا کرد.
• هزینه تبلیغات در برخی بازارها بیش از ۷۵٪ کاهش یافت.
• نرخ انصراف از تعامل با هوش مصنوعی کمتر از ۰.۵٪ بود؛ از میان ۶۶٬۳۹۱ متقاضی، فقط ۳۱۱ نفر تمایلی به ادامه تعامل با هوش مصنوعی نداشتند. این رقم نشان می‌دهد بخش بزرگی از متقاضیان با این شیوه ارتباطی مشکلی نداشتند.

اگر شما هم مانند Integrity Staffing قصد استفاده از هوش مصنوعی در فرایند استخدام خود را دارید به نکات زیر توجه کنید:

• هوش مصنوعی را به بخشی از فرایند استاندارد کاری (SOP) تبدیل کنید، نه ابزاری اختیاری که هر فرد در صورت تمایل از آن استفاده کند.
• استخدام‌کنندگان را از همان ابتدا آموزش دهید که چگونه با هوش مصنوعی همکاری کنند و برای این کار برنامه‌های آموزشی مشخص داشته باشید.
• استخدام‌کنندگان انسانی را در جریان فرایند نگه دارید تا نحوه ارجاع متقاضیان از هوش مصنوعی به انسان برای آن‌ها شفاف و قابل‌اعتماد باشد.
• از داده‌های پایلوت برای کاهش تردید و مقاومت استفاده کنید و ارزش واقعی ابزار را با نتایج قابل‌اندازه‌گیری نشان دهید.
• حلقه‌های بازخورد مستمر ایجاد کنید تا کیفیت مکالمات، نحوه تعامل با متقاضیان و یکپارچگی سیستم‌ها به‌طور مداوم بهبود پیدا کند.

۱۰. کاهش زمان استخدام و استانداردسازی تصمیم‌گیری با دستیار هوش مصنوعی Smartbridge

یک شرکت متوسط فعال در صنعت خدمات نفت و گاز با حدود ۵۰۰ تا ۱۰۰۰ کارمند، برای استخدام نیرو در مقیاس بالا با مشکل مواجه بود. استخدام‌کنندگان زمان زیادی را صرف جست‌وجوی دستی برای یافتن متقاضیان، ارزیابی آن‌ها و پیگیری مراحل استخدام می‌کردند. بخش زیادی از این تصمیم‌ها نیز براساس شهود یا معیارهای متفاوت هر استخدام‌کننده گرفته می‌شد؛ موضوعی که هم فرایند استخدام را کند می‌کرد و هم احتمال سوگیری را افزایش می‌داد. با توجه به اینکه چندین استخدام‌کننده در موقعیت‌ها و مناطق مختلف حجم بالایی از درخواست‌ها را مدیریت می‌کردند، شرکت سه نیاز اصلی داشت:

• کاهش زمان استخدام برای جلوگیری از افت بهره‌وری و بهبود تجربه متقاضیان
• استانداردسازی تصمیم‌های استخدامی برای افزایش یکپارچگی، کاهش سوگیری و حرکت به سمت تصمیم‌گیری داده‌محور
• آزاد کردن زمان متخصصان منابع انسانی برای تمرکز بیشتر بر ارتباط با متقاضیان، به‌جای صرف وقت روی غربالگری و اولویت‌بندی اولیه

راهکار Smartbridge برای ساخت دستیار هوش مصنوعی در فرایند استخدام

این شرکت برای تحول فرایند استخدام با Smartbridge، یک شرکت مشاوره تحول دیجیتال، همکاری کرد تا یک دستیار اختصاصی برای استخدام‌کنندگان با استفاده از هوش مصنوعی مولد طراحی و پیاده‌سازی کند.

این ابزار عامل‌محور به‌گونه‌ای طراحی شد که مستقیم به BambooHR و سیستم ATS شرکت متصل شود. در نتیجه، بدون ایجاد وقفه در گردش‌کار فعلی، قابلیت‌های هوش مصنوعی در همان ابزارهایی قرار گرفت که استخدام‌کنندگان از قبل استفاده می‌کردند و درعین‌حال، حفاظت از داده‌های کارکنان و متقاضیان نیز حفظ شد. این راهکار قابلیت‌های زیر را در اختیار تیم قرار داد:

• غربالگری خودکار متقاضیان براساس داده‌های ATS، از جمله بررسی و تحلیل رزومه‌ها، برای کاهش یکی از زمان‌برترین فعالیت‌های منابع انسانی
• ارائه پیشنهادهای متناسب برای پیگیری متقاضیان و اولویت‌بندی آن‌ها براساس کیفیت و فوریت، برای کمک به تصمیم‌گیری داده‌محورتر
• تولید سؤالات استاندارد مصاحبه براساس شرح موقعیت شغلی با استفاده از هوش مصنوعی
• کاهش سوگیری در ارزیابی متقاضیان از طریق اعمال معیارهای یکسان و ساختاریافته برای همه افراد
• ارائه به‌موقع اقدامات و بینش‌های موردنیاز استخدام‌کنندگان براساس ویژگی‌های هر موقعیت شغلی، تا هیچ متقاضی یا اقدام مهمی در فرایند از قلم نیفتد

فناوری به‌تنهایی کافی نیست؛ برای موفقیت، باید از همان روز اول همراهی استخدام‌کنندگان را به دست آورد. برای استفاده از هوش مصنوعی در فرایند استخدام به توصیه‌های Smartbridge‌ توجه کنید:

• تیم را غافلگیر نکنید. استخدام‌کنندگان را از مراحل ابتدایی طراحی و پیاده‌سازی درگیر کنید.
• هوش مصنوعی را به‌عنوان کمک معرفی کنید، نه جایگزین. سیستم بهتر است پیشنهاد ارائه دهد، نه اینکه تصمیم را به افراد تحمیل کند.
• هوش مصنوعی را در همان ابزارهایی قرار دهید که تیم از قبل استفاده می‌کند. اگر هوش مصنوعی خارج از سیستم اصلی ثبت و مدیریت اطلاعات باشد، احتمال استفاده از آن بسیار کمتر می‌شود.
• تأثیر سیستم را اندازه‌گیری و شفاف کنید. به استخدام‌کنندگان نشان دهید که ابزار چگونه به آن‌ها کمک می‌کند موقعیت‌های شغلی را سریع‌تر، باکیفیت‌تر و منصفانه‌تر تکمیل کنند.

۱۱. بهبود استخدام، تحلیل مشارکت کارکنان و مدیریت دانش در Docebo با هوش مصنوعی

Docebo، یک شرکت جهانی فعال در حوزه فناوری آموزش با حدود ۱۰۰۰ کارمند در آمریکای شمالی و اروپا، در مقیاس بزرگ با چالش‌های پیچیده‌ای در استخدام و عملیات منابع انسانی روبه‌رو بود. تیم جذب استعداد برای ارزیابی یکدست متقاضیان، یادداشت‌برداری در مصاحبه‌ها و تبدیل سریع گفت‌وگوهای مدیران استخدام به تصمیم‌های اجرایی مشکل داشت. در همین حال، تیم منابع انسانی هر ماه هزاران نظر ثبت‌شده در نظرسنجی‌های مشارکت کارکنان را به‌صورت دستی بررسی می‌کرد؛ فرایندی که زمان زیادی می‌گرفت و باعث می‌شد واکنش سازمان به بازخوردها و اجرای اقدامات اصلاحی با تأخیر انجام شود.

اشتراک‌گذاری دانش میان تیم‌ها نیز یکی دیگر از نقاط اصطکاک بود؛ به‌خصوص در پروژه‌هایی مانند بازطراحی ساختار سازمانی که دسترسی سریع به اطلاعات به‌روز اهمیت زیادی داشت. Docebo به‌دنبال استفاده نمایشی از هوش مصنوعی نبود. هدف این بود که با کمک AI، شفافیت عملیاتی بیشتری ایجاد کند، سرعت تصمیم‌گیری را افزایش دهد و کیفیت ارزیابی متقاضیان را در یک سازمان جهانی بهبود دهد؛ به‌گونه‌ای که چندین فرایند منابع انسانی به‌طور هم‌زمان کارآمدتر شوند.

راهکار Docebo برای استفاده از هوش مصنوعی در استخدام، تحلیل بازخورد کارکنان و مدیریت دانش

Docebo هوش مصنوعی را با استفاده از یادگیری ماشین و پردازش زبان طبیعی در چهار گردش‌کار مهم منابع انسانی به کار گرفت:

• بهبود کیفیت مصاحبه و ثبت اطلاعات استخدام با Granola.ai: ابزار Granola.ai برای پشتیبانی از استخدام‌کنندگان و مدیران استخدام در جلسات مصاحبه به کار گرفته شد تا مکالمات را به‌صورت خودکار ثبت، پیاده‌سازی و خلاصه کند.این ابزار نیاز به یادداشت‌برداری یا بازنویسی مکالمات بعد از مصاحبه را کاهش داد و به مدیران اجازه داد تمرکز بیشتری روی گوش دادن فعال و خودِ گفتگو داشته باشند. در نتیجه، یکپارچگی و انصاف در تصمیم‌های استخدامی نیز افزایش پیدا کرد. خلاصه‌های تولیدشده اکنون به یک آرشیو قابل‌تحلیل تبدیل شده‌اند که نشان می‌دهد چه نوع سؤال‌ها و گفتگوهایی در گذشته به استخدام‌های موفق منجر شده‌اند. این داده‌ها به تیم کمک می‌کنند روش مصاحبه را به‌طور مستمر بهبود دهد و ارزیابی متقاضیان را داده‌محورتر کند.
• تولید شرح شغل هم‌راستا با فرهنگ سازمان و تحلیل بهتر پروفایل متقاضیان: تیم Docebo از ابزارهای هوش مصنوعی برای تهیه شرح موقعیت‌های شغلی متناسب با ارزش‌های شرکت استفاده کرد. این کار به بهبود کیفیت متقاضیان ورودی و ایجاد تجربه بهتر از همان اولین تعامل کمک کرد. استخدام‌کنندگان همچنین به‌صورت آزمایشی از هوش مصنوعی برای تحلیل محتوای عمومی منتشرشده توسط متقاضیان، مانند پست‌های لینکدین، استفاده کردند تا نشانه‌هایی از هم‌راستایی آن‌ها با ارزش‌های فرهنگی سازمان، مانند رویکرد انسان‌محور در رهبری، پیدا کنند.
  این اطلاعات برای تصمیم نهایی استخدام استفاده نمی‌شد، اما به‌عنوان یک ورودی کمکی در ارزیابی موقعیت‌های مدیریتی و گفتگوهای مرتبط با مسیر شغلی افراد کاربرد داشت.
• تحلیل سریع‌تر هزاران نظر کارکنان در نظرسنجی‌های مشارکت: پیش از استفاده از هوش مصنوعی، بررسی هزاران نظر ماهانه کارکنان ممکن بود چند هفته زمان ببرد. با استفاده از خلاصه‌سازی و تحلیل داده مبتنی بر هوش مصنوعی، تیم منابع انسانی توانست موضوعات پرتکرار و تغییرات احساسات کارکنان را در عرض چند ساعت شناسایی کند و سریع‌تر برای آن‌ها اقدام کند. با این حال، تمام نظرات همچنان توسط متخصصان منابع انسانی به‌صورت دستی بررسی می‌شوند. نقش هوش مصنوعی این است که در مرحله اول، مسائل مهم و فوری را برجسته کند و فاصله میان دریافت بازخورد و اقدام سازمان را کاهش دهد. این رویکرد علاوه‌بر افزایش سرعت پاسخ‌گویی به مسائل کارکنان، امکان شناسایی زودهنگام برخی نشانه‌های مرتبط با ریسک ماندگاری و خروج کارکنان را نیز فراهم کرد.
• دسترسی سریع‌تر کارکنان به دانش داخلی سازمان با Glean: Glean، یک ابزار مدیریت دانش مبتنی بر هوش مصنوعی، برای کاهش جزیره‌های اطلاعاتی و ساده‌تر کردن دسترسی کارکنان به اطلاعات داخلی سازمان پیاده‌سازی شد. کارکنان می‌توانند از Glean درباره اولویت‌های هر واحد، ساختار سازمانی، پروژه‌های داخلی و به‌روزرسانی‌های مختلف سؤال کنند و خلاصه‌ای سریع از اطلاعات مرتبط دریافت کنند.
  این دسترسی می‌تواند به شفاف‌تر شدن مسیرهای رشد و توسعه شغلی نیز کمک کند. برای مثال، تیم منابع انسانی در پروژه‌های طراحی ساختار سازمانی از Glean استفاده کرد تا اهداف، ساختارها و اولویت‌های به‌روز تیم‌ها را در لحظه پیدا کند. براساس گزارش مدیران، این قابلیت سرعت برنامه‌ریزی استراتژیک را به‌شکل قابل‌توجهی افزایش داده است.

استفاده از هوش مصنوعی در فرایندهای منابع انسانی Docebo نتایج زیر را به همراه داشت:

• بیش از ۲ ساعت صرفه‌جویی در زمان هر استخدام برای استخدام‌کنندگان و مصاحبه‌کنندگان، به‌دلیل خودکار شدن یادداشت‌برداری
• تحلیل هزاران نظر کارکنان در چند ساعت به‌جای چند هفته و در نتیجه واکنش سریع‌تر به مسائل مرتبط با مشارکت کارکنان
• تولید سریع‌تر و باکیفیت‌تر شرح موقعیت‌های شغلی و بهبود کیفیت ورودی قیف استخدام
• یکپارچگی بیشتر در ارزیابی متقاضیان از طریق تحلیل دوباره متن مصاحبه‌های گذشته و استفاده از داده‌های واقعی برای بهبود فرایند
• افزایش سرعت طراحی و بازطراحی ساختار سازمانی با استفاده از خلاصه‌های لحظه‌ای و داخلی Glean

اگر شما هم قصد استفاده از هوش مصنوعی در منابع انسانی را دارید به نکات زیر توجه کنید:

۱. کوچک شروع کنید و هوشمندانه توسعه دهید: ابتدا ابزار را در چند تیم یا یک پروژه پایلوت اجرا کنید، بازخورد بگیرید و فقط در صورت مشاهده ارزش واقعی و شاخص‌های مشخص، آن را گسترش دهید.
۲. هوش مصنوعی را با حالت Autopilot اشتباه نگیرید: تیم‌ها همچنان به تفکر انتقادی، تحلیل و قضاوت انسانی برای تفسیر و استفاده از بینش‌های AI نیاز دارند.
۳. حاکمیت داده را جدی بگیرید: محدوده دسترسی ابزارها به داده‌ها را مشخص کنید، از دسترسی غیرضروری به سیستم‌های حساس منابع انسانی جلوگیری کنید و چارچوب روشنی برای استفاده مسئولانه از داده‌های کارکنان داشته باشید.

۱۲. استفاده اسنپ‌مارکت از بنفشه برای مصاحبه اولیه و بهبود تجربه استخدام

اسنپ‌مارکت در فرایند جذب با مسئله‌ای روبه‌رو بود که بسیاری از تیم‌های منابع انسانی تجربه می‌کنند: حجم بالای مراحل اولیه استخدام باعث می‌شود بخش زیادی از زمان تیم جذب صرف مصاحبه‌های اولیه شود؛ درحالی‌که این زمان می‌تواند برای ارزیابی‌های عمیق‌تر و تصمیم‌های مهم‌تر استخدامی استفاده شود. از طرف دیگر، مصاحبه اولیه برای بسیاری از متقاضیان تجربه‌ای پراسترس است. تفاوت در شیوه مصاحبه افراد مختلف نیز می‌تواند باعث شود تجربه و شرایط ارزیابی متقاضیان یکسان نباشد.

اسنپ‌مارکت برای حل این مسئله با استارتاپ ایرانی هایلایت همکاری کرد و دستیار هوش مصنوعی استخدامی به نام «بنفشه» را وارد فرایند جذب خود کرد. اسنپ‌مارکت سه هدف اصلی این پروژه را سریع‌تر و شفاف‌تر شدن فرایند، کاهش استرس مصاحبه اولیه و ایجاد تجربه‌ای یکسان‌تر و منصفانه‌تر برای متقاضیان عنوان کرده است.

راهکار اسنپ‌مارکت برای انجام مصاحبه‌های اولیه با دستیار هوش مصنوعی

بنفشه برای انجام بخشی از مراحل ابتدایی استخدام طراحی شد. متقاضیانی که از مرحله بررسی رزومه عبور می‌کنند، می‌توانند بخشی از مصاحبه اولیه خود را با این دستیار هوش مصنوعی انجام دهند. در این مدل، هدف حذف کامل تیم منابع انسانی نیست. هوش مصنوعی بخشی از تعاملات اولیه و جمع‌آوری اطلاعات را انجام می‌دهد تا متخصصان منابع انسانی زمان بیشتری برای ارزیابی‌های تخصصی‌تر و تصمیم‌گیری داشته باشند.

خود اسنپ‌مارکت اعلام کرده است افرادی اکنون در این شرکت مشغول به کار هستند که فرایند استخدامشان با مصاحبه توسط بنفشه آغاز شده است. تیم منابع انسانی این شرکت نیز گزارش کرده که استفاده از این ابزار باعث شده مراحل استخدام سریع‌تر و شفاف‌تر پیش برود و زمان بیشتری برای تصمیم‌های عمیق‌تر در اختیار تیم قرار بگیرد.

نتایج استفاده از هوش مصنوعی در مصاحبه‌های اولیه اسنپ‌مارکت عبارت‌اند از:

• نیروهایی به‌صورت واقعی از این مسیر استخدام شده‌اند و اکنون در اسنپ‌مارکت فعالیت می‌کنند.
• فرایند استخدام از نگاه تیم منابع انسانی سریع‌تر و شفاف‌تر شده است.
• تیم جذب توانسته زمان بیشتری را به تصمیم‌های دقیق‌تر و مراحل تخصصی استخدام اختصاص دهد.
• در روایت منتشرشده توسط اسنپ‌مارکت، برخی از افرادی که این نوع مصاحبه را تجربه کرده‌اند، از استرس کمتر و احساس قضاوت‌شدن کمتر در گفتگو با دستیار هوش مصنوعی صحبت کرده‌اند.

بهتر است هوش مصنوعی در چنین مدلی نقش دستیار تیم جذب را داشته باشد و تصمیم نهایی همچنان بر عهده انسان باقی بماند؛ رویکردی که خود های‌لایت نیز در توضیح نحوه استفاده از محصولش بر آن تأکید کرده است. اگر شما هم مانند اسنپ‌مارکت دستیار هوش مصنوعی منابع انسانی خود را دارید قبل از استفاده از آن به نکات زیر توجه کنید:

• از موقعیت‌های پرتعداد و مراحل ابتدایی استخدام شروع کنید.
• سؤال‌ها و معیارهای ارزیابی را پیش از سپردن مصاحبه به هوش مصنوعی استاندارد کنید.
• برای متقاضی شفاف کنید که با هوش مصنوعی گفتگو می‌کند و هوش مصنوعی چه نقشی در تصمیم استخدام دارد.
• خروجی هوش مصنوعی را ورودی تصمیم‌گیری بدانید، نه تصمیم نهایی.
• تجربه متقاضیان را بعد از مصاحبه اندازه‌گیری و براساس بازخوردها سیستم را اصلاح کنید.

۱۳. استفاده دیجی‌کالا از آوا برای مدیریت ارتباط و مصاحبه با حجم بالای متقاضیان هندآپ

در برنامه‌های استخدامی یا کارآموزی پرتعداد، یکی از بزرگ‌ترین چالش‌ها فاصله میان دریافت رزومه و برقراری ارتباط واقعی با متقاضی است. وقتی هزاران نفر هم‌زمان وارد قیف جذب می‌شوند، تماس با افراد، انجام گفتگوهای اولیه و انتقال اطلاعات به تیم استخدام می‌تواند بخش بزرگی از ظرفیت تیم را مصرف کند. فصل دوم برنامه هندآپ دیجی‌کالا با بیش از ۶ هزار رزومه آغاز شد. مدیریت ارتباط و ارزیابی اولیه چنین حجمی از متقاضیان به یک فرایند مقیاس‌پذیر نیاز داشت.

راهکار دیجی‌کالا برای مقیاس‌دادن ارتباط اولیه با دستیار هوش مصنوعی آوا

در این پروژه، دیجی‌کالا با های‌لایت همکاری کرد و از دستیار هوش مصنوعی «آوا» برای تعامل با بخشی از متقاضیان استفاده کرد. طبق گزارش های‌لایت، آوا در پروژه هندآپ طی سه روز حجم گسترده‌ای از گفتگو با کارجویان را مدیریت کرد و اطلاعات حاصل از این تعاملات به‌صورت یکپارچه در اختیار تیم جذب دیجی‌کالا قرار گرفت. هدف این بود که متقاضیان فرصتی فراتر از اطلاعات محدود یک رزومه برای توضیح تجربه‌ها و توانایی‌هایشان داشته باشند و تیم جذب نیز پیش از ادامه فرایند، شناخت ساختاریافته‌تری از افراد به دست آورد. استفاده از این هوش مصنوعی نتایج زیر را برای دیجی‌کالا به همراه داشت:

• فصل دوم هندآپ با بیش از ۶ هزار رزومه آغاز شد.
• طبق گزارش های‌لایت، بیش از ۳۵۰ ساعت گفتگو با کارجویان تنها طی سه روز انجام شد.
• اطلاعات گفتگوها به‌صورت یکپارچه در اختیار تیم جذب قرار گرفت تا ارزیابی متقاضیان فقط به رزومه محدود نباشد.
• دستیار آوا در همین پروژه طی سه روز حدود ۸۰۰ تماس برای دعوت متقاضیان منتخب به مصاحبه اولیه انجام داده است.

منبع: peoplemanagingpeople.com