KI im Personalwesen: Die Zukunft der Arbeit verändern

Die Auswirkungen der KI auf die Humanressourcen

Die Arbeitswelt verändert sich rasant, sowohl weil immer mehr Unternehmen traditionelle Data-Science-Verfahren übernehmen als auch weil generative KI-Tools wie ChatGPT und BARD von Google bei nichttechnischen Arbeitnehmern immer beliebter werden. Laut einem Leitartikel von Goldman Sachs aus dem Jahr 2023 hat KI das Potenzial, das globale BIP um 7 % zu steigern, was zum Verlust von Millionen von Arbeitsplätzen führen wird, obwohl für die entlassenen Arbeitnehmer auch neue Arbeitsplätze geschaffen werden.

Darüber hinaus wird KI traditionelle HR-Prozesse revolutionieren, die Rolle von HR-Fachleuten neu definieren und datengesteuerte Entscheidungsfindung verbessern.

Wird meine Personalabteilung durch KI ersetzt?

Eine Möglichkeit ist, dass KI die HR-Funktionen revolutioniert und aufwertet und Rollen neu definiert. Dabei würde KI bedeuten, dass Personalfachleute sich KI-Kompetenzen aneignen und sie zur Verbesserung ihrer Produktivität einsetzen. Ich halte es für unwahrscheinlich, dass KI HR-Fachleute ersetzen wird. KI ist gut darin, Daten zu verarbeiten, aber für Aufgaben, die Empathie oder Strategie erfordern, wie etwa die strategische Personalplanung, werden immer noch Menschen benötigt.

Einige Unternehmen nutzen KI bereits für ihre HR-Prozesse, etwa bei der Personalbeschaffung und der Verbesserung des Wohlbefindens ihrer Mitarbeiter. Accenture nutzt ein KI-gestütztes Tool, um unbewusste Voreingenommenheit in Stellenbeschreibungen und im Bewerbungsprozess zu vermeiden , und Adidas verwendet prädiktive Modellierung für die Personalplanung .

Auch ohne den Einsatz modernster Technologien wie generativer KI können herkömmliche Modelle des maschinellen Lernens Faktoren wie die Fluktuation der Belegschaft vorhersagen. Im Jahr 2021 übernahm Fast Data Science einen Beratungsauftrag für den NHS , und wir stellten fest, dass es eine Reihe von Faktoren gibt, anhand derer sich die Wahrscheinlichkeit ermitteln lässt, dass ein Mitarbeiter den NHS ganz verlässt . Basierend auf Daten in den Personal- und Gehaltsabrechnungssystemen des NHS konnten wir ein Modell des maschinellen Lernens trainieren, das sowohl die Fluktuation der Mitarbeiter auf individueller Ebene vorhersagen als auch die dahinter stehenden Schlüsselfaktoren identifizieren konnte, die zur Beratung bei Einstellungs- und Bindungspraktiken verwendet werden können.

Wir haben in unseren Fallstudien ähnliche Vorhersagemodelle verwendet, um die Kundenabwanderung vorherzusagen , oder um die Leistungen junger Menschen im Bildungssystem Schottlands vorherzusagen , oder um das Risiko eines Schulabbruchs bei High-School-Schülern einzuschätzen .

Auf einer niedrigeren Ebene könnte KI eingesetzt werden, um Mitarbeiter-E-Mails zu verfassen, Fragen für Vorstellungsgespräche vorzuschlagen und Beschäftigungsziele festzulegen. Allerdings ist jede KI nur so gut wie die Daten, mit denen sie trainiert wird.

Wenn Sie beispielsweise ein generatives KI-Bildmodell bitten, ein Foto eines CEOs zu erstellen, wird Ihnen mit größerer Wahrscheinlichkeit das Bild eines weißen Mannes angezeigt.

Oben: die ersten beiden Bilder, die ich von einem KI-Bildgenerator erhalten habe. Die Eingabeaufforderung war die Zeichenfolge „CEO“.

KI in Personalinformationssystemen (HRIS)

Die Personalabteilung nutzt bereits seit einiger Zeit IT, um ihre Abläufe zu vereinfachen. IT-Systeme im HR-Bereich werden als HRIS (Human Resources Information Systems) bezeichnet.

Zu den traditionellen Einsatzmöglichkeiten von HRIS gehören Personalplanung, Management von Mitarbeiterleistung und -zufriedenheit, Gehalt, Prämien und Zusatzleistungen. In großen Organisationen sind derzeit alle diese Bereiche mit automatisierten Systemen und IT verbunden, aber die zunehmende Nutzung von KI dürfte einige dieser Bereiche besonders beeinflussen.

Natürliche Sprachverarbeitung und Textanalyse im Personalwesen

Die Verarbeitung natürlicher Sprache wird sich wahrscheinlich auf HRIS auswirken. HR-Abläufe erzeugen eine große Menge unstrukturierter Textdaten und NLP kann bei der Analyse dieser Dokumente sehr nützlich sein. Wenn beispielsweise viele Mitarbeiter in ihren Austrittsgesprächen ein bestimmtes Thema erwähnen, könnte ein NLP- Trenderkennungsmodell dies aufgreifen und das für Mitarbeiterbindungsinitiativen zuständige Team darauf aufmerksam machen.

Im Rahmen eines Beratungsauftrags erhielten wir von einem Jobportal zahlreiche Lebensläufe von Arbeitssuchenden sowie Zusatzinformationen zu der gewünschten Gehaltsklasse und Branche, in der die einzelnen Arbeitssuchenden arbeiten wollten. Anhand dieser Daten konnten wir ein Prognosemodell trainieren, das aus Lebensläufen und Stellenausschreibungen Gehaltsklassen vorhersagen und Arbeitssuchende Branchen zuordnen konnte.

Eine häufige Anwendung von HRIS in mittleren bis großen Unternehmen ist das Bewerbermanagementsystem (ATS), mit dem Personalmanager den Weg einer Bewerbung vom ersten Kontakt bis zur Einstellung überwachen und verwalten. ATS sind aufgrund der großen Menge strukturierter und unstrukturierter Daten, die sich in ihnen ansammeln, ein idealer Kandidat für KI . Man braucht nicht viel Vorstellungskraft, um sich ein Sichtungssystem für Personalvermittler vorzustellen, das mithilfe von Textanalysen erkennt, welche Lebensläufe zur menschlichen Überprüfung weitergeleitet werden sollten.

Die automatische Verarbeitung von Lebensläufen oder anderen freien Texten von außerhalb des Unternehmens kann jedoch zu einer heiklen Angelegenheit werden. Jobsuchende mögen Keyword-Matching-Algorithmen in der Regel nicht , und die wahrgenommene Verwendung dieser Algorithmen kann dazu führen, dass Jobsuchende den Algorithmus durch Keyword-Stuffing austricksen: Sie geben Schlüsselwörter ein, von denen sie glauben, dass sie damit ihre Chancen verbessern, ein automatisiertes System zur Sichtung von Lebensläufen zu überwinden. Wenn die in der Personalabteilung verwendeten Algorithmen zur Verarbeitung natürlicher Sprache über einfache schlüsselwortbasierte Metriken hinausgehen, wird es hoffentlich schwieriger, das System zu verstehen und den Algorithmus auszutricksen.

Abkehr von vereinfachenden Kennzahlen im Personalwesen

Ein Mangel an Transparenz bedeutet ein erhöhtes Risiko für Verzerrungen bei der algorithmusbasierten Bewertung im Personalwesen. Es gibt eine Reihe unpopulärer Verwendungen numerischer Kennzahlen zur Messung der Mitarbeiterleistung , insbesondere bei Key Performance Indicators oder KPIs. KPIs stoßen bei der Belegschaft oft auf große Ablehnung, vor allem wenn sie schlecht umgesetzt sind. Ein Beispiel für einen abwesenheitsorientierten KPI ist die Bradford-Faktor- Formel zur Messung der Abwesenheit von Mitarbeitern. Dabei werden die Fehltage eines Mitarbeiters in Abschnitte aufeinanderfolgender Tage unterteilt und dann multipliziert, um einen Gesamtwert zu erhalten, der die durch die Abwesenheit des Mitarbeiters verursachte Störung des Geschäftsbetriebs darstellen soll.

Employees with chronic illnesses such as autoimmune diseases, and employees undergoing long-term treatment such as chemotherapy, complain that this kind of metric penalises them unfairly. This illustrates why human intervention is so important in HR and why simple scoring metrics such as the APGAR score cannot have exact equivalents in HR.

Furthermore, it has been argued that the Bradford Factor creates a perverse incentive, where employees with transmissible illnesses are encouraged to come to work despite feeling unwell (presenteeism), resulting in the disease spreading to others. The British trade union Unison described the Bradford Factor as “a blunt instrument that takes little account of what is happening to an individual‟s health”.

Example uses of AI in HR

AI has the potential to significantly impact HR in several ways:

Businesses may encounter a number of polarising responses when AI is introduced in the workplace. People are excited by new technology, but they are also nervous about what it could mean for them. In particular, they may be afraid of being replaced by AI. AI projects may encounter pushback from employees.

For this reason, it’s important for management to do a sanity check before introducing AI, or even mooting its introduction in an organisation. For example, you should always ask yourself if your AI is really needed. Just because it’s a cutting-edge and exciting tool, it may not deliver value. Secondly, work out the impact of your AI on your company’s bottom line, on clients, on staff, and on any external stakeholders. Thirdly, after the AI is introduced, you should monitor its performance, that is, its accuracy and any concrete impact it is having on your operations.

Challenges and considerations

While AI has the potential to revolutionise HR, it is important to consider the following challenges and considerations:

• Job displacement: AI could automate some HR tasks, which could lead to job displacement in certain areas.

• Impact on employee morale: The introduction of AI could raise concerns among employees about job security and the potential for AI to make decisions about their careers.

• Data privacy and ethics: It is important to implement robust data governance practices to protect employee privacy and ensure that AI is used ethically. When training an AI on sensitive data, we need to check that we are complying with data protection regulations such as GDPR, as well as any relevant AI-specific legislation, or even any legislation that is likely to materialise in the future.

Implementing AI responsibly

Companies need to think about introducing AI policies and informing staff about what is appropriate and inappropriate use of AI.

Organisations can implement AI responsibly in HR by following these guidelines:

• Assess the need for AI: Before implementing AI, ensure that it genuinely addresses a specific business challenge or improves an existing process.

• Evaluate the impact on employees: Consider how AI will affect employees' roles, responsibilities, and job satisfaction. Communicate openly and transparently with employees about the introduction of AI, addressing any concerns and providing opportunities for reskilling or upskilling.

• Ensure data privacy and ethics: Implement robust data governance practices to protect employee privacy and ensure that AI is used ethically. Avoid bias in AI algorithms and ensure that AI decisions are fair, transparent, and explainable.

• Evaluate the performance of the AI algorithm: Even generative language models can be validated - see my earlier blog post for a list of tools to evaluate generative language models.

• Monitor and adapt: Continuously monitor the performance of AI systems and make adjustments as needed. Be prepared to adapt AI strategies as business needs and technologies evolve.

Conclusion

AI has the potential to transform HR into a more efficient, data-driven, and employee-centric function of a business. However, it is crucial to implement AI in the business responsibly and ethically, addressing employee concerns and ensuring that AI complements, rather than replaces, human expertise. AI systems, or any kind of automated system in the HR process, can lead to perception of bias, increase employee dissatisfaction and workforce attrition, or induce cynicism or a tendency to game the system in employees and job seekers. By striking the right balance, organisations can harness the power of AI to enhance their HR operations and create a more productive and engaged workforce.

References

1. Chris Stokel-Walker, AI: how HR can ask (and answer) the right questions, People Management, 2023.

2. Unison, Sickness Absence: the Bradford Factor, 2014.

3. Votto et al, Artificial Intelligence in Tactical Human Resource Management: A Systematic Literature Review, International Journal of Information Management Data Insights, 2021.