Шрифт:
Закладка:
В рамках эвристики "из уст в уста" организации рассчитывают на то, что их сотрудники порекомендуют кандидатов на открытые вакансии. Факты свидетельствуют о том, что такой реферальный найм работает. Например, анализ двадцатилетней истории трудовых отношений и социального страхования в Мюнхене (Германия) показал, что работники, нанятые по рекомендациям, лучше соответствовали потребностям компаний-нанимателей и реже уходили. 13 Передача информации из уст в уста может обеспечить доступ к информации, которую иначе трудно получить, тем самым уменьшая информационный дефицит на рынке труда. В другом исследовании сотрудники приводили более качественных кандидатов, когда получали вознаграждение за результаты работы своих рекомендателей, а сотрудники с высокими способностями рекомендовали кандидатов с более высокими способностями, чем сотрудники с низкими способностями. 14 Однако организациям также следует опасаться непреднамеренных негативных побочных эффектов использования эвристики "из уст в уста" при приеме на работу. Даже несмотря на то, что Апелляционный суд США по Седьмому округу постановил, что в случае с корейским владельцем бизнеса, о котором говорилось в главе 3, наем по принципу "из уст в уста" не был дискриминационным, а скорее являлся наименее затратным и наиболее эффективным способом найма, 15 все же существует вероятность того, что эта практика может снизить разнообразие сотрудников и привести к риску дискриминации. Это иллюстрирует, что любая эвристика, как и любой алгоритм, имеет свои ограничения и должна применяться с умом.
Прозрачные решения уменьшают дискриминацию
Опасения по поводу дискриминации не ограничиваются реферальным наймом, но и распространяются на алгоритмы искусственного интеллекта (ИИ), используемые при найме. Как предупредила председатель Комиссии по равным возможностям в сфере занятости (EEOC) Шарлотта Берроуз: "Новые технологии не должны становиться новыми способами дискриминации". 16 Чтобы подчеркнуть эту обеспокоенность, 12 мая 2022 года Министерство юстиции США и EEOC совместно выпустили предупреждение о том, что использование организациями алгоритмов искусственного интеллекта при приеме на работу может привести к дискриминации по признаку инвалидности и нарушить Закон об американцах с ограниченными возможностями.
В документе о технической помощи, выпущенном EEOC в тот же день, приводятся некоторые примеры того, как искусственный интеллект может дискриминировать людей с ограниченными возможностями. Например, организации все чаще используют чат-боты с искусственным интеллектом для взаимодействия с соискателями, и алгоритмы, лежащие в основе таких чат-ботов, могут отклонить любого соискателя, который обнаружит значительный пробел в трудовой биографии во время такого взаимодействия. Однако этот пробел может быть вызван инвалидностью (например, необходимостью пройти курс лечения), и в этом случае отказ будет представлять собой дискриминационное решение. Как отмечает EEOC, такая дискриминация вполне может иметь место, даже если работодатели и поставщики программного обеспечения утверждают, что используемые ими алгоритмы принятия решений "свободны от предвзятости" и не оказывают негативного влияния по признаку расы, пола, национального происхождения, цвета кожи или религии. 17.
Еще хуже то, что алгоритмы искусственного интеллекта, которые организации все чаще используют при приеме на работу, продвижении по службе, увольнении и принятии других кадровых решений, зачастую непрозрачны, что затрудняет определение в каждом конкретном случае, было ли решение принято справедливо или имела место дискриминация. Это может быть удобно для организаций как способ избежать ответственности. Однако это не обеспечивает справедливости по отношению к соискателям. Умная эвристика позволяет организациям принимать не только точные, но и справедливые решения. Их большое преимущество перед более сложными процессами, включая ИИ, заключается в том, что их простота способствует прозрачности. А прозрачность способствует справедливости, поскольку явно несправедливый процесс принятия решений вызывает критику и сопротивление. Таким образом, даже если не все эвристики изначально являются справедливыми, они облегчают определение источника и размера проблемы, позволяя организациям принимать контрмеры и со временем вносить улучшения.
Например, простое правило менеджера нанимать только мужчин (или женщин) было бы вопиющей дискриминацией для большинства рабочих мест. Однако одно из преимуществ адаптивного инструментария заключается в том, что он содержит множество эвристик, разработанных для конкретных целей. Если компания хочет нанять больше представителей меньшинств, чтобы создать более разнообразное рабочее место, она может рассмотреть возможность использования вариации эвристики 1/N. 18 Другими словами, она может установить определенный процент или квоту на прием на работу представителей разных групп, а затем попытаться определить и нанять лучших кандидатов в каждой группе. Такие системы квот все чаще используются в компаниях. Критики утверждают, что при таких системах не всегда нанимаются самые квалифицированные кандидаты. Но эта критика упускает важный момент: цель эвристики не сводится к тому, чтобы нанять лучшего человека. Скорее, эвристика пытается сбалансировать две цели: нанять подходящих людей и одновременно увеличить разнообразие.
Всегда ли больше интервьюеров лучше?
Если больше - значит лучше, как утверждает традиционная точка зрения, то можно подумать, что наличие большего числа интервьюеров приведет к принятию лучших решений о найме. При оценке кандидатов, проходящих собеседование, руководители часто голосуют независимо друг от друга и применяют правило большинства, чтобы решить, кто получит предложение. Однако в таких ситуациях, если первое собеседование проводит интервьюер с наилучшим послужным списком, добавление второго интервьюера никогда не повышает точность. 19
Рассмотрим компанию, которой необходимо определить десять лучших кандидатов среди большого числа претендентов. Предположим, что лучший интервьюер имеет коэффициент попадания 80 процентов, то есть он правильно определил восемь из десяти кандидатов в пуле, но пропустил двух (см. рисунок 4.6 , вверху). Добавление второго интервьюера с коэффициентом попадания 60 % (рис. 4.6, середина) и применение правила большинства приводит к тому, что ожидаемый общий коэффициент попадания составляет всего 70 %. Это видно из рисунка 4.6 (внизу), где добавлены голоса обоих интервьюеров. Четыре кандидата получили по два голоса, и они являются целевыми. Из двенадцати кандидатов, получивших по одному голосу, случайным образом выбираются шесть, в результате чего ожидаемое число целей составляет три человека. В сумме ожидаемая эффективность работы двух интервьюеров составляет 4 + 3 = 7 правильных идентификаций - на одну меньше, чем нашел бы лучший интервьюер, если бы решал один.
Рисунок 4.6
Один интервьюер может быть лучше, чем два. Процент попадания интервьюера 1 составляет 80 %, то есть он правильно определяет восемь из десяти лучших кандидатов (целей) в большом пуле претендентов, а процент попадания интервьюера 2 составляет 60 %. Даже если интервьюер 2 определит оставшихся двух кандидатов, которых пропустил интервьюер 1, их коллективное решение (с использованием правила большинства) имеет ожидаемый коэффициент попадания всего 70 %, что уступает показателю одного
