目前，企业领导者对人力资源管理职能最常见的批评是“招聘和选拔的产出跟不上业务需求”。这种批评涵盖了定量和定性两个方面。其中，提高质量比提高数量更具挑战性，因为它涉及到匹配问题。
科学管理时代以来，“人与岗位匹配”、“人与组织匹配”问题一直是企业管理面临的挑战之一。造成这个问题的原因有很多。
例如，很多企业在招聘时采用一些相对粗糙的人才标准，甚至不采用预先规划的人才标准。或者，企业在选拔过程中过于注重可量化的硬技能，而忽视了该职位实际需要的软素质。为了节省时间和成本，负责招聘的管理者倾向于使用可靠性和有效性较低的直觉驱动方法（例如非结构化面试）。
此外，许多公司内部的招聘政策、指南和流程不一致且高度随意。这些问题都会影响招聘选拔的有效性，降低人才选拔对企业的价值。
随着数字智能技术的发展，我们都期待新技术能够提高人才匹配的效率，即利用AI技术将招聘选拔过程中重复性、耗时的工作自动化，并实现个性化的数据分析和筛选。推荐功能可以让招聘人员专注于复杂的选拔判断和沟通工作。据LinkedIn等招聘网站的研究估计，全球约35%至45%的公司在员工招聘过程中采用了自动化或人工智能工具。
数字智能技术优势
数字智能技术在提高招聘选拔效率方面具有诸多优势。
例如，通过自动化初筛，可以快速处理大量简历，大大减少初筛阶段的人力和时间成本。现在市场上的一些工具使用自然语言处理（NLP）来分析简历和社交媒体数据，评估视频面试表现，甚至使用算法来确定个人是否适合工作。此外，越来越多的算法可以结合各种心理测量量表，例如认知能力和责任心，并根据不同的工作要求对其进行加权，以预测员工的绩效。
在面试过程中，数字智能应用可以记录和分析候选人的声音（音调、音量和节奏）、身体动作（手势、姿势等）和面部表情（高兴、惊讶、愤怒等），以全面了解候选人的情况。评估候选人的个性。性格特征、表达风格、沟通能力、说服力、抗压能力和逻辑能力，结合其他评估数据来预测申请人的工作表现。随着算法分析的预测因素增多、数据量增加，算法可以更深入地了解这些因素与工作绩效之间的关系，减少预测误差，帮助管理者更有效地选拔人才。
许多企业在招聘中面临的主要问题是缺乏结构化的人才招聘和选拔流程。在这些企业中，面试官和决策者的主观偏好起着相对重要的作用，这很可能导致决策出现偏差，从而降低整个招聘系统的内部一致性和选拔效率。在这种场景下，利用数字智能工具推动人才选拔流程的标准化和结构化，可以增加申请人在申请过程中的公平感。
数字智能技术的另一个重要优势是个性化和适应性。
通过分析简历和招聘需求，算法可以根据市场变化和企业需求为管理者提供自适应建议。与传统信息处理方式相比，数字智能技术当前的发展趋势是对文本、音频、视频等多种数据形式进行处理，这为统一整合大量非结构化、噪声数据提供了新的可能性。
随着数据管理能力的提高，算法甚至可能会打破公司传统的人才选拔框架，发现一些以前不被重视但非常有价值的标准。
近年来，一些研究揭示了算法可以给选拔过程带来的惊喜：从数据中挖掘“非传统”人才。这些人可能来自非精英院校，不一定符合企业常用的一些“硬杠杆”，例如相关工作经验、专业资格或大学成绩，但由于他们在某些方面的优势（例如强责任感或表现力）突出的能力）并被算法选中。算法非常规的思维方式可以启发我们拓展人才招聘思路，提高岗位匹配的有效性。
目前，人工智能选择的有效性已经积累了一定的实证结果。例如，对视频选择的研究表明，专家评估的模型通过分析申请人的面部表情、语言和声音信息（例如音调），可以更好地预测申请人的性格特征。其中，口头表达的内容文本，即申请人“说”了什么，对预测效果贡献最大；而面部和声音节奏信息对预测效果的贡献相对较小。
进一步来看，在训练人工智能评估“责任心”和“外向性”等人格特质时，使用面试官评估数据比使用申请人自我报告的评估数据更有效。
此外，人工智能正在显示分析社交媒体数据的初步结果，例如申请人如何在社交媒体中展示自己。例如，通过分析Facebook（美国社交媒体平台，现称为Meta）上的文本内容，AI模型可以预测申请人的性格特征和智力水平，其预测结果在六个月的时间间隔内保持相对稳定。
研究表明，与自我报告的性格测试相比，人工智能可以根据社交媒体数据预测性格特征，准确性略高于人类招聘人员。
还有研究表明，通过算法筛选的候选人通过面试并被录用的可能性比一般筛选过程高 14%。这些员工在加入后的工作效率提高了 0.2 至 0.4 个标准差，并且在薪资谈判中提出异议的可能性降低了 12%。此外，大多数研究都提到使用算法可以显着节省选择成本。
数字智能应用的局限性
消除算法偏差很大程度上取决于用于训练模型的数据：如果用于训练模型的数据继承了过去招聘和选拔模式的偏差，即使算法和模型可靠，偏差也可能在数字招聘中持续存在。存在于系统中，甚至在系统标准化实施过程中被放大。
2014 年，亚马逊工程师团队启动了一个旨在实现招聘流程自动化的项目，其中包括筛选简历的算法。然而，该公司发现该算法系统地歧视软件工程师职位的女性申请人。用于训练算法的数据主要基于男性工程师的简历，导致算法倾向于选择与现有男性员工简历相似的应聘者。
具体形式的歧视包括使从女子大学毕业的候选人处于不利地位、降低包含“女性”词语的简历的评级以及偏向使用带有男性倾向的动词的简历。尽管程序员试图解决这个问题，但最终失败了，一年后亚马逊停止使用该软件。
这一事件引发了对算法偏差的广泛关注，并提醒人们，数字智能技术在进一步提高企业招聘和选拔效率的同时，企业需要不断识别和刷新能够真正促进企业成功和员工高绩效的驱动因素。并以此为基础来训练模型，以减少数据偏差或人为偏差造成的选择“噪音”。
招聘和选拔中使用的人才标准通常是根据职位描述和公司内高绩效员工的特征制定的。但对于这种做法一直存在质疑。
首先，输出绩效分数和高绩效员工特征的绩效管理系统可靠吗？当被问到“什么特征可以解释和区分员工之间的绩效差异？”恐怕很多企业对自己的绩效考核和管理体系都不是很有信心。因为大多数公司的绩效考核体系严重偏向于财务指标和明确的量化结果。这些数字对数字的系统很容易忽视工作流程和员工的日常行为。事实上，高绩效员工是有血有肉的，他们的特质与绩效之间的关系是复杂的、立体的。需要大量的过程数据和行为数据来解释和提炼它们的特征，以形成有效的模型。
在选拔过程中，如果我们只关注一些明显的表面特征（如毕业学校、性别、工作经历）而忽视了影响实际工作表现的深层次因素（如合作精神、学习潜力等），它就是基于这样一个模型构建的。该算法还会错过一些具有真正潜力的候选人。
这就是为什么我们在依靠算法做出重要决策之前必须仔细考虑和验证我们的假设的完整性和合理性以及用于构建算法的数据的质量。
如何让人工智能更可靠
首先，我们需要分析选拔体系的整体效率和效果。
自20世纪90年代以来，企业采用了多种方法来量化和分析招聘效果。招聘系统的分析主要包括成本效益分析、时间效率分析、招聘质量分析（如新员工早期表现、离职率、员工满意度）、招聘渠道效应、应聘体验、招聘转化率、招聘回报率等。投资。 （投资回报率）等
这些方法可以帮助组织更准确地评估员工招聘的成本、速度、质量以及招聘活动对组织的长期影响。
此外，通过对不同招聘渠道的分析，组织可以找到更有效的招聘方法；通过调查新员工的申请经历、入职后表现和满意度，可以帮助组织提高招聘活动的质量和公司的雇主品牌。当这些方面的运营数据积累到一定程度时，企业还可以构建模型，全面提升招聘选拔的投入和产出。
值得注意的是，使用数字智能工具并不是改善选择结果的灵丹妙药。目前，企业的招聘选拔制度常常被诟病为“无效”。关键问题是缺乏经验、投入不足或急功近利。
许多企业倾向于选择低成本、便捷的招聘方式，比如仅通过面试来做出决定，而无需结合笔试、特质评估、工作样本等多种测试。虽然这降低了当地成本，但可能会导致人员配置不当，从而影响整个组织的效率和效力。
工业心理学的大量研究表明，管理成熟度较高的企业通常采用多种选拔方法相结合的方式来提高人才选拔的有效性，精心策划和实施的招聘活动也将在企业与员工之间建立良好的雇佣关系。 。 。因此，我们常说，管理员工体验的起点是招聘流程开始的那一刻，而不是报名公司时。
面对人工智能的发展，企业无不怀揣着“提升效率的梦想”。需要提醒企业的是，实施算法招聘需要在数据获取、清洗、软硬件、培训等方面进行大量前期投入；这包括重复训练算法以提高其模型的有效性和准确性。初期投资会消耗大量资源，企业必须对此有合理的预算和预期。
其次，我们可以从问一些“可靠”的问题开始。
无论是否使用算法，企业在招聘和选拔时都必须面临两个关键问题：如何不断迭代人员选拔的标准和流程，以便帮助预测应聘者未来的工作表现？如何不断提升求职者在招聘和选拔过程中的体验，从而有助于提升公司吸引力和雇主品牌？
从管理流程来看，我们也可以将这两个大问题分解为一系列的小问题。如果我们使用数字智能工具进行筛选，我们能在多大程度上有效预测求职者的实际工作表现？数字智能工具是否通过历史数据或员工试用期数据分析等实证研究进行测试？选择模型是否使用广泛且多样化的数据样本进行训练，以确保数字智能工具对不同群体做出的预测准确且公正？算法的设计是否体现了工作的职责和要求？算法选出的内容能否由公司内外专家参与评估，确保选出的内容与实际工作紧密相关？算法选择过程是否透明、易于理解且值得用户（例如人力资源从业者、企业高管或候选人）信任？
要回答这些问题，企业需要不断实践、实验、回顾和迭代。重复这些问题和答案，可以帮助我们在提取技术价值、提高招聘选拔效率方面少走弯路。
此外，一个常见的问题是，专业的招聘经理会被算法取代吗？
笔者认为，目前与经验丰富的招聘经理相比，算法无法在认知上复制人类招聘和评估员工的直觉或经验。当评估领导力或团队合作等难以量化和情境因素时，当涉及到软技能时，使用算法的结果并不理想。
面向未来，员工选拔的有效性仍取决于组织目标、岗位分析、选拔设计等因素的匹配，而最佳选拔结果通常来自人类专家和机器的协作：人工智能提高选拔效率和数据-驱动的洞察力，帮助减少人为偏见；人类专家通过情境理解、适应性判断和伦理考虑来提高整体选择效果。
（作者为中欧国际工商学院管理学教授，中欧国际工商学院研究助理郭景浩对本文亦有贡献）
