- Steeds meer bedrijven gebruiken algoritmen in recruitment
- Welke soorten algoritmen worden bij werving en selectie gebruikt?
- Zoeken, screenen, matchen, interviewen, beoordelen en meer
- Het probleem van vooringenomenheid zien we ook bij algoritmische recruitment
- Hoe zorgen we dat wervingsalgoritmen gelijkheid ook echt bevorderen?
AI en human resources in één zin noemen is misschien wat tegenstrijdig, maar veel HR-managers zijn van mening dat AI een belangrijke rol kan spelen in het wervings- en selectieproces, waardoor recruiters zich meer op mensen kunnen focussen. Redenen voor het gebruik van op AI gebaseerde oplossingen in HR zijn onder meer tijd- en kostenbesparingen, nauwkeurigere besluitvorming en een betere werknemerservaring. En hoewel algoritmen ons leven in positieve zin kunnen veranderen, moeten we ons ook realiseren dat er een reëel risico bestaat dat AI de problemen van ongelijkheid juist verergert, wat vaak een aanzienlijke impact heeft op de meest gemarginaliseerde en kwetsbare mensen in onze samenleving. Is het gebruik van algoritmen bij personeelswerving eigenlijk wel een goed idee?
Steeds meer bedrijven gebruiken algoritmen in recruitment
Hoewel we ons veelal focussen op het feit dat algoritmen invloed hebben op de samenleving, moeten we bedenken dat het tegenovergestelde ook waar is: onze samenleving en de veranderingen die wereldwijd plaatsvinden beïnvloeden ook de schaal waarop we algoritmen gebruiken en hoe ze worden toegepast, met name in werving en selectie. Zo heeft de pandemie geleid tot wijdverbreid banenverlies en mensen die solliciteren op de beperkte aantallen vacatures. En om hun wervings- en HR-afdelingen te ontlasten, zetten steeds meer bedrijven algoritmen in om het wervings- en selectieproces efficiënter te maken.
Als je bedenkt dat een recruiter gemiddeld 34 seconden de tijd neemt om een cv te bekijken – wat 21 procent korter is vergeleken bij 2017 – kun je je voorstellen wat een algoritme in die 34 seconden zou kunnen doen. Door de pandemie zijn veel bedrijven gedwongen om sollicitanten op afstand te screenen in plaats van kandidaten persoonlijk te interviewen. Ze maken daarbij gebruik van tools om cv’s te analyseren en recruiters te helpen bij het beoordelen van skills, persoonlijkheidskenmerken, cognitieve vaardigheden, emotionele intelligentie en meer.
Welke soorten algoritmen worden bij werving en selectie gebruikt?
Wervingsplatforms als LinkedIn, Indeed en Monster maken steeds vaker gebruik van algoritmen om te bepalen wie welke vacatures ziet en om recruiters te helpen bij het vinden van potentiële kandidaten. Deze algoritmen worden getraind met gegevens van vergelijkbare of eerdere sollicitanten en kunnen de tijd en moeite die men normaliter investeert in het maken van de juiste aanwerving aanzienlijk minimaliseren. Recruiters maken voor het hele wervings- en selectieproces gebruik van AI – van adverteren en het aantrekken van potentiële kandidaten tot het voorspellen hoe een toekomstige werknemer mogelijk zal presteren.
Aaron Rieke van de digital technology onderzoeksgroep Upturn vertelt: “Net als met andere digitale advertenties helpt AI ook om te bepalen wie welke functiebeschrijvingen ziet en wie welke jobmarketing ziet.” Volgens een rapport van LinkedIn over welke impact diversiteit, nieuwe interviewmethoden, data en AI hebben op recruitment, zei 67 procent van de wervingsmanagers en recruiters wereldwijd dat AI hen tijd bespaart. Ongeveer 43 procent zei dat het gebruik van AI menselijke vooringenomenheid minimaliseert en 31 procent zei dat AI de beste kandidaat-matches genereert. Ongeveer 58 procent van de respondenten zei dat AI zeer nuttig is bij het zoeken naar kandidaten, en 56 procent vond AI waardevol voor het screenen van kandidaten.
Zoeken, screenen, matchen, interviewen, beoordelen en meer
Dankzij wervingsalgoritmen hoeven recruiters minder tijd te steken in het lezen van sollicitatiebrieven en cv’s van kandidaten die uiteindelijk ongeschikt blijken te zijn voor de functie in kwestie. In plaats van cv’s handmatig te moeten doorzoeken om te zien welke kandidaten de juiste kwalificaties hebben, sollicitatierondes te houden en kandidaten te beoordelen, kunnen recruiters algoritmen nu (een groot deel van) het werk laten doen.
Zoekalgoritmen
Zoekalgoritmen zijn ontwikkeld om het meest tijdrovende deel van het wervingsproces – op verschillende platformen naar kandidaten zoeken – gemakkelijker te maken. Het bedrijf geeft aan naar welke vaardigheden het op zoek is en vervolgens scant de software duizenden cv’s en profielen op platforms als LinkedIn. De gegevens van de kandidaten die aan de meeste criteria voldoen worden naar de HR-afdeling gestuurd. Vervolgens plaatst een menselijke recruiter deze kandidaten op de shortlist en neemt contact met hen op. Dankzij deze zoekalgoritmen kunnen recruiters niet alleen meer potentiële kandidaten bereiken, maar ze helpen ook bij het vinden van ‘passieve kandidaten’ die bijvoorbeeld op de meest populaire professionele netwerken niet zichtbaar zijn of hun verouderde profielen niet geüpdatet hebben.
De sourcingtool van AmazingHiring is volledig geautomatiseerd en kan de belangrijkste vaardigheden en professionele competenties uit het profiel van een kandidaat filteren. De AI-technologie maakt een lijst met de meest relevante profielen voor de desbetreffende vacature en het enige dat een recruiter dan nog hoeft te doen is de kernvaardigheid of specialisatie uit de lijst selecteren. AmazingHiring AI analyseert vervolgens de profielen van potentiële kandidaten op verschillende platforms, waaronder LinkedIn, StackOverflow, GitHub, Reddit en ook ongebruikelijke platforms als Telegram.
Filter- of screeningalgoritmen
Nadat verschillende cv’s zijn verzameld analyseert een filteralgoritme de informatie en duikt vervolgens dieper in de analyse van de kandidaat. Op basis van verschillende gedefinieerde gedragscriteria kunnen sommige van deze filteralgoritmen zelfs de mate van compatibiliteit van een sollicitant en een toekomstige werkgever analyseren.
Volgens Somen Mondal, CEO en mede-oprichter van screening- en matchingplatform Ideal, dat wordt gebruikt om 5 miljoen kandidaten per maand te screenen, kunnen deze systemen de werkervaring die in cv’s vermeld staat leren begrijpen en vergelijken en deze vervolgens rangschikken op basis van hoe goed ze bij een vacature zouden aansluiten. Mondal zegt: “Zie het als een recruiter die een bedrijf googelt om er meer over te weten te komen”.
Matchingalgoritmen
Waar zoek- en filteralgoritmen gebruikt worden om recruiters met hun werk te helpen, fungeren matchingalgoritmen als een soort zoekmachine voor werkzoekenden. Sollicitanten uploaden hun cv, die vervolgens wordt geanalyseerd om banen te vinden die het beste bij het profiel en de vereisten van de kandidaat aansluiten. Matchingalgoritmen kunnen ook als zoekalgoritmen fungeren. Ze kunnen werkzoekenden bijvoorbeeld vacatures aanbieden of gematchte sollicitanten naar recruiters sturen. Zo kunnen ze beide partijen helpen en profiteert het bedrijf dat de matchingservice levert van twee afzonderlijke inkomstenstromen.
Het nieuwe algoritme van ZipRecruiter wordt getraind met gegevens van miljarden interacties tussen werkgevers en werkzoekenden op het ZipRecruiter-platform. Het algoritme laat werkzoekenden voor elke vacature een matchscore zien – optimale match, goede match, redelijke match of geen match – en geeft aan hoe groot de kans is dat de kandidaat voor een bepaalde functie in aanmerking komt. ZipRecruiter geeft bovendien aanbevelingen om de kans op succes te vergroten, zoals tips voor het verbeteren van de cv. ZipRecruiter CEO en mede-oprichter Ian Siegel vertelt: “ZipRecruiter geeft werkzoekenden informatie over wat bedrijven zoeken en hoe ze hun sollicitaties kunnen verbeteren, net als een persoonlijke recruiter. Door werkzoekenden expliciet te laten zien wat onze geavanceerde matchingalgoritmen hebben gevonden kan de kandidaat veel tijd besparen en wordt giswerk nagenoeg geëlimineerd. Dit transformeert het zoekproces voor werkzoekenden enorm, alsof je hen een routebeschrijving geeft.”
Chatbots die eenvoudige vragen beantwoorden
Wervingsalgoritmen werken niet alleen achter de schermen. Zo kunnen chatbots met natuurlijke taalverwerkingstechnologie ingezet worden om contact met sollicitanten op te nemen over vacatures of om eenvoudige informatie te verzamelen. Dit bespaart menselijke recruiters enorm veel tijd. Deze bots kunnen door middel van e-mail en sms of via kanalen als WhatsApp of Facebook contact opnemen met potentiële kandidaten. Chatbots kunnen bijvoorbeeld tot 80 procent van de standaardvragen binnen enkele minuten afhandelen. Dit is vooral waardevol als je bedenkt dat meer dan 50 procent van de sollicitanten het opgeeft als ze binnen 14 dagen niets van een bedrijf hebben gehoord.
Veel kandidaten verwachten ook een ‘persoonlijke’ reactie, iets waar chatbots – die steeds slimmer worden – voor kunnen zorgen door gebruik te maken van bestaande gegevens, machine learning en natuurlijke taalverwerking. Ze zijn zelfs zo slim dat veel kandidaten vooral in de eerste instantie niet door hebben dat ze met een chatbot communiceren.
Algoritmen die kandidaten beoordelen
Hoewel je in een cv veel kunt lezen over de vaardigheden en werkervaring van een kandidaat blijven persoonlijke kwaliteiten in een cv vaak onderbelicht. Beoordelingsalgoritmen kunnen recruiters aanvullende informatie geven waarmee ze beter geïnformeerde beslissingen kunnen nemen over wie ze voor een persoonlijk gesprek moeten uitnodigen. Pymetrics verkoopt bijvoorbeeld neurowetenschappelijke computerspellen voor wervingsdoeleinden. De BCG Pymetrics-tests van het bedrijf maken gebruik van datawetenschap en algoritmen om kandidaten met eigenschappen die bij specifieke functie-eisen aansluiten te identificeren. Het systeem bestudeert miljoenen datapunten waarmee het sollicitanten aan banen kan koppelen wanneer dit op basis van de voorspellende algoritmen van Pymetrics een goede match lijkt te zijn.
De test, die op een smartphone kan worden gemaakt, duurt 25 minuten en bestaat uit verschillende korte games die 91 vaardigheden en eigenschappen beoordelen, zoals focus en aandacht, emotionele intelligentie, inspanning, eerlijkheid en vrijgevigheid, besluitvormingsvaardigheden, risicotolerantie, leren en geheugen, en meer. Op basis van het gedrag van de kandidaat past het systeem de voorwaarden van elk spel aan om zijn of haar persoonlijke kwaliteiten verder te bepalen en te meten. Na de test ontvangen kandidaten een rapport met de persoonlijke eigenschappen die tijdens de minigames zijn geanalyseerd en beoordeeld en welke eigenschappen het meest uniek zijn voor de kandidaat.
Geautomatiseerde video-sollicitatiegesprekken
Geautomatiseerde video-interviews bestaan uit een reeks vooraf opgenomen vragen die een sollicitant op video moet beantwoorden. Kandidaten presenteren zichzelf door naast het beantwoorden van vragen ook hun professionele uitstraling en persoonlijkheid op beeld vast te leggen. Omdat alle kandidaten dezelfde vragen krijgen, helpt dit type sollicitatiegesprek om het wervingsproces eerlijker te maken. Het gesprek begint meestal met een welkomstbericht van de recruiter en een camera- en microfoontest. De vragen kunnen door middel van tekst of vooraf opgenomen video worden gesteld. Deze screeningsystemen bieden de kandidaat bovendien ‘herkansingen’: de mogelijkheid om de gesprekken opnieuw op te nemen. De opnames worden door een personeelsmanager of AI- en gezichtsanalysesoftware geëvalueerd.
HireVue, een toonaangevend bedrijf voor interviewtechnologie dat werd opgericht door voormalige Google- en McKinsey-medewerkers, zegt dat zijn systemen door meer dan 700 bedrijven worden gebruikt en er inmiddels meer dan 10 miljoen sollicitatiegesprekken met de systemen zijn gevoerd. Tijdens de pandemie heeft een toonaangevende supermarktketen in de VS zijn wervingsproces efficiënter gemaakt door elke dag 15.000 geautomatiseerde videogesprekken te voeren, aldus HireVue CEO Kevin Parker. HireVue-klanten zijn onder meer Randstad, Boston Red Sox, Honeywell, Intel, FedEx, Unilever en anderen.
Het probleem van vooringenomenheid zien we ook bij algoritmische recruitment
Veel werkgevers proberen ook oplossingen te vinden voor problemen rond vooringenomenheid en discriminatie bij het aannemen van nieuwe werknemers. Ze hopen dat ze met algoritmen hun eigen vooringenomenheid kunnen vermijden en het wervingsproces eerlijker en consistenter kunnen maken. Wervings- en selectieplatforms hebben verschillende stappen ondernomen om ervoor te zorgen dat de algoritmen die ze gebruiken voorspelbaar, evenwichtig en eerlijk zijn. Maar aangezien discriminatie en vooringenomenheid beginnen bij menselijke besluitvorming, is het niet verwonderlijk dat we dezelfde vooringenomenheid ook in algoritmische besluitvorming aantreffen.
De gegevens waarmee algoritmen worden getraind worden door menselijke beslissingen beïnvloed en bevatten vaak menselijke vooroordelen. Bovendien worden historische en institutionele vooroordelen door algoritmen gerepliceerd. En hoewel algoritmen enige subjectiviteit uit het wervingsproces kunnen verwijderen, worden de uiteindelijke beslissingen nog steeds door mensen genomen. Uit onderzoek blijkt dat veel algoritmen standaard naar vooroordelen neigen en dat alleen tools die diepere ongelijkheden proactief aanpakken hoop bieden op meer – in plaats van minder – eerlijkheid.
Een goed voorbeeld is de AI-tool die Amazon tussen 2014 en 2017 ontwikkelde om sollicitanten te beoordelen. De programmeurs van Amazon realiseerden zich al snel dat het algoritmische systeem alleen echt goed was in het identificeren van mannen. En dit was geen verrassing, aangezien het systeem werd getraind op cv’s die Amazon in de voorgaande tien jaar – van voornamelijk mannen – had ontvangen. Het algoritme weerspiegelde uiteindelijk de vooroordelen waar Amazon zich in het verleden zelf schuldig aan had gemaakt. Woorden als ‘vrouwen’ – zoals in vrouwenclub of vrouwensport – en zelfs de namen van vrouwenuniversiteiten in een cv werden door het algoritme als ‘minder wenselijk’ gecategoriseerd. Amazon heeft nog wel geprobeerd het algoritme aan te passen en de vooringenomenheid en vooroordelen ervan te beperken, maar het bedrijf besloot het wervingssysteem uiteindelijk volledig terug te trekken.
Jordan Weissmann schreef voor Slate: “Dit is een opmerkelijk duidelijke illustratie van waarom veel tech-experts bang zijn dat kunstmatige intelligentie in plaats van menselijke vooringenomenheid uit belangrijke beslissingen te verwijderen, deze juist zal automatiseren. Het siert Amazon dat het de problemen van zijn tool realiseerde, probeerde op te lossen en uiteindelijk besloot van het gebruik van het systeem af te zien. Maar in deze tijd, waarin veel bedrijven kunstmatige intelligentie voor recruitment omarmen, dient Amazon als een lichtend voorbeeld van hoe moeilijk het is om deze technologie zonder kwalijke gevolgen te gebruiken. En als een bedrijf als Amazon dit niet zonder problemen voor elkaar krijgt, is het moeilijk voor te stellen dat minder geavanceerde bedrijven dat wel zouden kunnen”.
Hoe zorgen we dat wervingsalgoritmen gelijkheid ook echt bevorderen?
In onze zoektocht om gelijkheid te bevorderen bij het bouwen, trainen en gebruiken van wervingsalgoritmen, spelen regelgeving en branchebrede ‘best practices’ een belangrijke rol. Maar aangezien regelgeving vaak traag gaat en omdat er in het ontwikkelen en testen van best practices veel tijd gaat zitten, moeten bedrijven die deze tools bouwen – en degenen die ze gebruiken – overwegen verder te denken dan de minimale nalevingsvereisten. Zo is het bijvoorbeeld belangrijk om te evalueren of hun algoritmen daadwerkelijk zullen leiden tot meer rechtvaardige wervings- en selectiepraktijken en hoe subjectieve maatstaven van succes de voorspellingen van een algoritme in de loop van de tijd (negatief) beïnvloeden.
Algoritmische vooringenomenheid is een probleem waar geen eenvoudige oplossingen voor zijn. We kunnen menselijke vooroordelen misschien nooit volledig elimineren, maar we kunnen er wel voor zorgen dat algoritmen een onderdeel van de oplossing worden. Zo kunnen we ze bijvoorbeeld inzetten bij het waarborgen van ‘algoritmische hygiëne’: het identificeren van specifieke oorzaken van vooroordelen en het toepassen van best practices om vooringenomenheid in de vroege ontwikkelingsfasen van een systeem een halt toe te roepen.
Volgens Nicol Turner Lee, Paul Resnick en Genie Barton, in een stuk geschreven voor de Amerikaanse onderzoeksgroep The Brookings Institution, “moeten bedrijven en anderen die gebruikmaken van algoritmen zich realiseren dat er geen eenvoudige maatstaf bestaat die een software-engineer kan toepassen om eerlijkheid te meten. Vooral niet bij het ontwerpen van algoritmen en het bepalen hoe we nauwkeurigheid en eerlijkheid tegen elkaar afwegen. Eerlijkheid is niet iets wiskundigs, het is iets menselijks dat gebaseerd is op gedeelde ethische overtuigingen. Dus bij algoritmische beslissingen die voor mensen ernstige gevolgen kunnen hebben zullen we mensen moeten betrekken”.
Een laatste overweging
Hoewel het nog een hele tijd zal duren voordat AI-systemen zelfstandig het wervings- en selectieproces voor hun rekening kunnen nemen – als dat ooit mogelijk zal zijn – kunnen ze traditionele recruiters wel enorm veel tijd en geld besparen. Algoritmen kunnen het wervingsproces versnellen door het grondwerk te doen, zoals bijvoorbeeld grote hoeveelheden ongeschikte cv’s verwijderen, video-sollicitatiegesprekken analyseren en de meest geschikte kandidaten selecteren.
Bedrijven kunnen algoritmen bovendien gebruiken om de toekomstige werkprestaties van potentiële kandidaten te voorspellen of persoonlijkheidskenmerken en testresultaten te beoordelen. Hoewel het gebruik van deze algoritmen vooringenomenheid kunnen terugdringen, is het echter ook bekend dat ze vooringenomenheid juist introduceren of versterken, wat tot discriminerende beslissingen kan leiden. Het is daarom van cruciaal belang om menselijke controlesystemen in te voeren om ervoor te zorgen dat wervings- en selectieprocessen eerlijk verlopen. Daarnaast is het van belang om eerlijkheid en mensenrechten door middel van aanvullende regelgeving rondom het gebruik van AI te beschermen. Als we nu de juiste beslissingen nemen kunnen we profiteren van de vele voordelen die AI te bieden heeft en het risico op discriminatie en vooringenomenheid in recruitment tegelijkertijd minimaliseren.
