Veštačka inteligencija i transformacija selekcije radne snage u novoj ekonomiji procenjivanja

Rađanje ekonomije procenjivanja u regrutaciji

Masovna primena generativnih tehnologija dovela je do toga da radne biografije kandidata izgledaju sve ujednačenije i profesionalnije oblikovane. Zbog te pojave, tradicionalni načini filtriranja aplikacija gube svoju prvobitnu svrhu i pouzdanost. Tržište rada ulazi u fazu koja se opisuje kao ekonomija procenjivanja, gde rutinsku obradu podataka preuzimaju algoritmi, dok ključna arbitraža ostaje u rukama stručnjaka. Ljudska procena više ne sme da se oslanja isključivo na subjektivni osećaj ili intuiciju. Umesto toga, ona postaje jasna izvršna nadležnost u situacijama u kojima algoritamski modeli ne daju jednoznačan odgovor.

Kada automatizovani sistemi preuzmu prikupljanje i razvrstavanje informacija, osnovni izazov postaje interpretacija tih izlaznih rezultata. Zaposleni koji uočavaju važne signale u moru podataka i prenose ih u konkretne poslovne odluke postaju najcenjeniji resurs svake organizacije. To zahteva značajnu promenu u pristupu upravljanju ljudskim resursima, gde se odustaje od zastarelih ideoloških stavova u korist strukturanog vrednovanja. Prepoznavanje i razvoj sposobnosti odlučivanja postaje osnovni cilj modernih regrutnih strategija. Zbog toga se organizacije moraju fokusirati na to kako se ljudsko procenjivanje objektivno meri i izgrađuje unutar timova.

Skrivene mane pretrage zasnovane na profilima

Oslanjanje na pretragu prirodnim jezikom donosi neprikosnoveno poverenje u digitalne baze podataka i profesionalne mreže. Istraživanje koje je sproveo Pjer-Andre Fortin na uzorku od 150.000 francuskih profila na mreži LinkedIn pokazalo je ozbiljne nedostatke u kvalitetu dostupnih podataka. Veliki broj korisničkih naloga nema kompletirane ključne sekcije, poput detalja o poslednjoj kompaniji ili uvodnog opisa. Sistemi zasnovani na veštačkoj inteligenciji prirodno zapostavljaju takve nepotpune profile prilikom rangiranja.

Problem nastaje jer nepotpun profil ne odražava uvek nedostatak stručnosti ili nizak kvalitet kandidata. Često je reč o stručnjacima koji jednostavno ne pridaju važnost sopstvenoj vidljivosti na mreži ili nemaju potrebu za aktivnim traženjem posla. Kada se algoritmi izvorno oslone na tekstualnu potpunost, najbolji kandidati mogu ostati potpuno nevidljivi za regrutere. Automatizovano pretraživanje stoga stvara privid objektivnosti, dok u stvarnosti može potisnuti vrhunske talente van domašaja organizacije. Zbog toga je neophodno kombinovati algoritamsku pretragu sa tradicionalnim metodama dubinskog istraživanja tržišta.

Pritisak na rezultate i pad juniorskih pozicija

Analiza podataka o zapošljavanju ukazuje na vidljiva odstupanja u potražnji za početničkim i juniorskim kadrovima. Dva dominantna faktora direktno utiču na smanjenje broja ulaznih pozicija u mnogim sektorima. Prvi je percepcija da će veštačka inteligencija uskoro moći samostalno da obavlja osnovne operativne zadatke, što smanjuje dugoročnu potrebu za otvaranjem takvih mesta. Drugi faktor je pritisak operativnih menadžera da se odmah postignu merljivi poslovni rezultati. Usled toga, odobrena budžetska sredstva preusmeravaju se na iskusne stručnjake koji mogu odmah doneti vrednost bez dugog perioda obuke.

Glavni ekonomista kompanije Antropik, Pit Makrori, objašnjava da automatizacija ne dovodi do trenutnog nestanka čitavih radnih mesta, već do transformacije pojedinačnih zadataka. Većina poslova sastoji se od niza povezanih aktivnosti od kojih su samo neke pogodne za algoritamsku obradu. Radnik koji koristi napredne alate postaje višestruko produktivniji, što smanjuje ukupnu potrebu za masovnim zapošljavanjem novih kadrova na nižim nivoima. Ovaj trend dovodi do uskog grla u razvoju budućih stručnjaka, jer kompanije prestaju da ulaganjem u juniore grade sopstvenu bazu budućih lidera.

Granice i potencijali automatizovanih intervjua

Primena glasovnih AI agenata za primarno filtriranje ponudila je značajno povećanje kapaciteta selekcije, koje po nekim procenama dostiže i do deset puta veći obim. Alati poput platforme Grinhauz omogućavaju struktuirane dvosmerne razgovore koje kandidati mogu obaviti u vreme koje im najviše odgovara. Sistem ocenjuje odgovore prema unapred zadatim kriterijumima i pruža regruterima uvid u logiku iza svake dodele bodova. Konačnu odluku o prolasku u naredni krug i dalje donose ljudski timovi, čime se zadržava neophodna kontrola nad procesom.

Uprkos povećanoj efikasnosti, automatizacija intervjua otvara važna pitanja u vezi sa iskustvom kandidata i regulativom. Mnogi kandidati nerado pristaju na dugačke razgovore sa veštačkom inteligencijom, posebno ako ih sprovode eksterne agencije za zapošljavanje. Stručnjak za usklađenost sa propisima Martin Redston ističe važnost jasnog definisanja odgovornosti za odluke koje donosi softver. Pravni okviri sve strože zahtevaju transparentnost i dokazivost nepristrasnosti algoritama. Zbog toga primena AI agenata mora biti pažljivo balansirana sa pravima kandidata i prirodom radne pozicije.

Stabilizacija fleksibilnih modela radnog mesta

Nakon intenzivnih rasprava o obaveznom povratku u kancelarije, podaci pokazuju da se obim rada od kuće stabilizovao na globalnom nivou. Istraživanja koja sprovodi Gad Levanon ukazuju da je period naglih promena završen i da su organizacije pronašle hibridni kompromis. Međutim, stabilizacija opšteg proseka prikriva značajne razlike između specifičnih grupa zaposlenih. Tri posebne kategorije pretrpele su najveći pritisak za fizičkim prisustvom na radnom mestu tokom proteklog perioda.

Prvu grupu čine mladi radnici na početku karijere koji često sami priželjkuju rad iz kancelarije radi bržeg učenja i umrežavanja. Druga grupa su tehnološki stručnjaci, kod kojih je u špicu pandemije procenat rada na daljinu bio nesrazmerno visok u poređenju sa drugim sektorima. Treću grupu predstavljaju zaposleni u državnom sektoru, gde su odluke o povratku donesene direktnim administrativnim uredbama. Analiza ovih trendova pokazuje da fleksibilnost rada nije univerzalna kategorija, već zavisi od prirode posla, nivoa iskustva i regulatornog okruženja.

Matematika regrutnog budžeta i operativna efikasnost

Tradicionalni pokazatelji uspeha u regrutaciji, kao što je trošak po zaposlenom, sve više pokazuju svoja ograničenja u modernom poslovnom okruženju. Analitičar Endru Marit naglašava da fokusiranje isključivo na ovaj parametar može dovesti do pogrešnih poslovnih odluka i smanjenja ukupnog kvaliteta novozaposlenih. Operativna istraživanja ukazuju da se regrutni budžet mora posmatrati kroz dinamiku varijabli odlučivanja i postojećih ograničenja unutar sistema. Umesto pukog kresanja troškova, cilj je maksimizacija povrata investicije u ljudski kapital.

Rukovodioci sektora za ljudske resurse imaju na raspolaganju različite poluge za povećanje efikasnosti, od izbora kanala privlačenja do brzine selekcijskog procesa. Pravilno mapiranje uskih grla omogućava bolju raspodelu finansijskih i ljudskih resursa. Prihvatanje naprednih analitičkih modela pomaže organizacijama da razumeju stvarni uticaj regrutacije na dugoročne poslovne rezultate. Time se funkcija zapošljavanja transformiše iz čistog troškovnog centra u strateškog partnera poslovanja.

Izvor: Hung Lee, Recruiting Brainfood · Fotografija: Pexels / Freepik (ilustracija)