KI im Personalwesen: Die Zukunft der Arbeit verändern

Die Auswirkungen von KI auf die Humanressourcen

Die Arbeitswelt verändert sich rasant, sowohl aufgrund der Einführung traditioneller Data-Science-Praktiken in immer mehr Unternehmen als auch aufgrund der zunehmenden Beliebtheit generativer KI-Tools wie ChatGPT und Googles BARD bei nicht-technischen Arbeitnehmern. Laut einem Leitartikel von Goldman Sachs aus dem Jahr 2023 hat KI das Potenzial, das weltweite BIP um 7 % zu steigern und dabei Millionen von Arbeitsplätzen zu verlieren, obwohl sie auch neue Arbeitsplätze für die entlassenen Arbeitnehmer schaffen wird.

KI ist auch bereit, traditionelle HR-Prozesse zu revolutionieren, die Rolle von HR-Fachleuten neu zu definieren und die datengesteuerte Entscheidungsfindung zu verbessern.

Wird meine Personalabteilung durch KI ersetzt?

Eine Möglichkeit besteht darin, dass KI HR-Funktionen stört und beschleunigt und Rollen neu definiert, wobei KI dazu führen würde, dass Personalfachkräfte kompetent im Umgang mit KI werden und diese zur Verbesserung ihrer Produktivität nutzen. Ich halte es für unwahrscheinlich, dass KI HR-Fachleute ersetzen wird. KI ist gut darin, Daten zu verarbeiten, aber für Aufgaben, die Einfühlungsvermögen oder Strategie erfordern, wie etwa die strategische Personalplanung, werden immer noch Menschen benötigt.

Einige Unternehmen nutzen KI bereits für ihre HR-Prozesse, etwa für die Personalbeschaffung und das Wohlbefinden der Mitarbeiter. Accenture nutzt ein KI-gestütztes Tool, um unbewusste Voreingenommenheit in Stellenbeschreibungen und im Vorstellungsgesprächsprozess zu vermeiden , und Adidas nutzt prädiktive Modelle für die Personalplanung .

Ohne auf Spitzentechnologien wie generative KI zurückgreifen zu müssen, können herkömmliche Modelle des maschinellen Lernens auch Faktoren wie die Fluktuation von Arbeitskräften vorhersagen. Im Jahr 2021 übernahm Fast Data Science einen Beratungsauftrag für den NHS und wir stellten fest, dass es eine Reihe von Faktoren gab, die genutzt werden konnten, um die Wahrscheinlichkeit eines Mitarbeiters zu ermitteln, den NHS ganz zu verlassen . Basierend auf Daten in den Personal- und Gehaltsabrechnungssystemen des NHS konnten wir ein maschinelles Lernmodell trainieren, das sowohl die Fluktuation von Mitarbeitern auf individueller Ebene vorhersagen als auch Schlüsselfaktoren dahinter identifizieren konnte, die zur Beratung von Einstellungs- und Bindungspraktiken verwendet werden konnten.

Wir haben in unseren Fallstudien ähnliche Vorhersagemodelle verwendet, um die Kundenabwanderung vorherzusagen , die Ergebnisse junger Menschen im Bildungssystem in Schottland vorherzusagen oder das Risiko eines Schulabbruchs für Oberstufenschüler zu bewerten .

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

Wenn Sie beispielsweise ein generatives KI-Bildmodell bitten, ein Foto eines CEO zu erstellen, ist die Wahrscheinlichkeit höher, dass Ihnen das Bild eines weißen Mannes gezeigt wird.

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 erleichtern. IT-Systeme im Personalwesen können als HRIS (Human Resources Information Systems) bezeichnet werden.

Zu den traditionellen Anwendungen von HRIS gehören die Personalplanung, die Verwaltung der Leistung und Zufriedenheit der Mitarbeiter, des Gehalts, der Prämien und Zusatzleistungen. Alle diese Bereiche betreffen derzeit automatisierte Systeme und IT in großen Organisationen, aber die zunehmende Verbreitung von KI wird sich wahrscheinlich besonders auf einige dieser Bereiche auswirken.

Verarbeitung natürlicher Sprache und Textanalyse im Personalwesen

Die Verarbeitung natürlicher Sprache wird wahrscheinlich Auswirkungen auf HRIS haben. HR-Abläufe erzeugen eine große Menge unstrukturierter Textdaten und NLP kann für die Analyse dieser Dokumente sehr nützlich sein. Wenn beispielsweise eine große Anzahl von Mitarbeitern in ihren Austrittsgesprächen ein bestimmtes Thema erwähnt, könnte ein NLP- Trenderkennungsmodell dies aufgreifen und das für Mitarbeiterbindungsinitiativen zuständige Team alarmieren.

Bei einem Beratungsauftrag hatten wir eine große Anzahl von Lebensläufen von Arbeitssuchenden aus einer Jobbörse zusammen mit zusätzlichen Informationen über die gewünschte Gehaltsklasse und die Branche, in der jeder Arbeitssuchende arbeiten wollte. Anhand dieser Daten konnten wir einen ausbilden Vorhersagemodell, das Gehaltsspannen aus Lebensläufen und Stellenausschreibungen vorhersagen und Arbeitssuchende auch Branchen zuordnen könnte.

Eine häufige Verwendung von HRIS in mittleren bis großen Unternehmen ist das Bewerberverfolgungssystem (ATS), mit dem Personalmanager den Weg einer Bewerbung vom ersten Kontakt bis zur Einstellung überwachen und verwalten. ATS sind aufgrund der großen Menge an strukturierten und unstrukturierten Daten, die sich in ihnen ansammeln, ein erstklassiger Kandidat für KI . Es bedarf keiner großen Vorstellungskraft, um sich ein Triage-System für Personalvermittler vorzustellen, das mithilfe einer Textanalyse ermitteln kann, welche Lebensläufe zur menschlichen Prüfung weitergeleitet werden sollten.

Allerdings könnte jede automatische Verarbeitung von Lebensläufen oder anderen Freitexten, die von außerhalb der Organisation stammen, zu einer heiklen Angelegenheit werden. Arbeitssuchende neigen dazu, Keyword-Matching-Algorithmen nicht zu mögen, und der vermeintliche Einsatz dieser Algorithmen kann dazu führen, dass Arbeitssuchende den Algorithmus durch Keyword-Stuffing austricksen: Sie geben Schlüsselwörter ein, von denen sie glauben, dass sie ihre Chancen verbessern, an einem automatisierten CV-Sortierungssystem vorbeizukommen. Da die in der Personalabteilung eingesetzten 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

Mangelnde Transparenz bedeutet ein erhöhtes Risiko für Verzerrungen bei der algorithmischen Bewertung im Personalwesen. Es gibt eine Reihe unpopulärer Anwendungen numerischer Metriken zur Messung der Mitarbeiterleistung , insbesondere mit Key Performance Indicators oder KPIs. KPIs stoßen bei der Belegschaft oft auf große Ablehnung, insbesondere wenn sie schlecht umgesetzt werden. Ein Beispiel für einen abwesenheitsorientierten KPI wäre die Bradford-Faktor- Formel zur Messung der Fehlzeiten von Arbeitnehmern, bei der die von einem Mitarbeiter versäumten Tage in Abschnitte aufeinanderfolgender Tage unterteilt und dann multipliziert werden, um eine Gesamtbewertung zu erhalten, die die Störung des Geschäftsbetriebs darstellen soll durch Abwesenheiten des Arbeitnehmers verursacht werden.

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 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.