هوش مصنوعی در منابع انسانی: آگهی، غربال و ارزیابی
کدام بخش از کار منابع انسانی را میشود به هوش مصنوعی سپرد و کدام بخش را نباید. راهنمای عملی برای آگهی شغلی، غربال رزومه، سؤال مصاحبه و ارزیابی عملکرد.
یک شرکت نرمافزاری چهلنفره در تهران برای یک موقعیت بکاند، سیصد رزومه گرفت. سه روز صرف خواندنشان شد و هفت نفر به مصاحبه دعوت شدند. سؤال این است: آن سه روز صرف قضاوت شد، یا صرف بازکردن PDF و فهمیدنِ اینکه «این آدم اصلاً بکاند کار کرده یا نه»؟
بخش بزرگی از کار منابع انسانی از جنس دوم است — تکراری، متنی، قابل ساختاردهی. همین بخش است که هوش مصنوعی در آن کمک میکند. قضاوت دربارهی آدمها جای دیگری است. این مقاله مرز این دو را مشخص میکند.
آگهی شغلی که آدم درست را جذب کند
بیشتر آگهیهای فارسی شبیه هماند: فهرستی از «مسلط به»، فهرستی از «روحیه کار تیمی»، و هیچ اطلاعاتی دربارهی اینکه این آدم روزش را چطور میگذراند. نتیجهاش رزومههای نامرتبط است.
مدل اینجا خوب کار میکند، به یک شرط: بهجای «یک آگهی برای برنامهنویس بنویس»، خامترین اطلاعات واقعی را بدهید و بگذارید ساختارش دهد.
از یادداشتهای خام زیر یک آگهی شغلی بنویس.
— نقش: توسعهدهندهی بکاند، PHP و لاراول
— تیم: ۵ نفر، محصول حسابداری، تهران، هفتهای ۲ روز دورکاری
— کار واقعی: نگهداری API قدیمی + ساخت ماژول گزارش
— چالش واقعی: دیتابیس قدیمی است و مهاجرت تدریجی دارد
— نمیخواهیم: کسی که SQL بلد نیست
قالب: معرفی کوتاه، «یک روز کاری چطور میگذرد»،
«چه چیزی لازم است»، «چه چیزی لازم نیست».
از کلیشههایی مثل «محیط پویا» استفاده نکن. حداکثر ۳۰۰ کلمه.بند «چه چیزی لازم نیست» بیشترین اثر را دارد. وقتی بنویسید «تجربهی Kubernetes لازم نیست»، متقاضیان مناسبی که خودشان را حذف میکردند، درخواست میدهند.
غربال رزومه: پرکاربردترین و پرریسکترین بخش
مدل میتواند سیصد رزومه را در چند دقیقه بر اساس معیار شما دستهبندی کند. اگر بیملاحظه انجامش دهید، سه مشکل پیش میآید.
سوگیری: اگر رزومه با نام و جنسیت و نام دانشگاه برود، اینها روی قضاوت اثر میگذارند — حتی وقتی نگفتهاید بگذارند. حریم خصوصی: شماره تماس و کد ملی هیچ نقشی در ارزیابی ندارند، پس دلیلی ندارد به سرویس بیرونی بروند؛ اگر با دادهی افراد سروکار دارید، راهنمای امنیت اطلاعات در هوش مصنوعی را ببینید. حذف بیبازگشت: اگر مدل رزومهای را رد کند و شما هیچوقت نبینیدش، خطا قابل کشف نیست.
هوش مصنوعی رزومهها را مرتب کند، نه حذف. خروجی سه دسته باشد — «مطابق»، «شاید»، «نامطابق» — و برای هر رزومه یک جمله دلیل بنویسد. هر سه دسته را مرور کنید، حتی سریع. جایی که دلیلِ رد ضعیف است، خودتان میبینید.
معیار را قبل از دیدن رزومهها بنویسید
این نکته ربطی به هوش مصنوعی ندارد ولی با آن بحرانیتر میشود: اگر معیار را بعد از دیدن چند رزومه بسازید، ناخودآگاه آن را روی آدمهایی که پسندیدهاید تنظیم میکنید. پنج معیار بنویسید، وزن بدهید، همان را به مدل بدهید.
سؤال مصاحبهای که چیزی را کشف کند
«نقطه ضعفت چیست؟» فقط توانایی حفظکردن جواب را میسنجد. سؤال خوب به کارِ واقعیِ همان نقش وصل است.
برای نقش [عنوان] با این مسئولیتهای واقعی: [فهرست]،
شش سؤال مصاحبه بنویس. برای هر سؤال بنویس:
— چه چیزی را میسنجد
— جواب ضعیف چه شکلی است
— جواب قوی چه شکلی است
— یک سؤال پیگیری اگر جواب کلی بودستون «جواب ضعیف چه شکلی است» را دستکم نگیرید. وقتی چند نفر از تیم مصاحبه میگیرند، همین یک ستون قضاوتها را به هم نزدیک میکند.
ارزیابی عملکرد: از یادداشت پراکنده تا بازخورد
بیشتر مدیران ارزیابی را عقب میاندازند چون نوشتنش سخت است، نه چون نظر ندارند. نظر هست؛ به شکل یادداشتهای پراکنده در تقویم و چت. کاری که مدل خوب انجام میدهد این است: یادداشت خام را به بازخورد ساختاریافته تبدیل میکند — با مثال مشخص، بدون برچسب کلی مثل «ضعیف در ارتباطات». همان منطقی که در خلاصهکردن متن با هوش مصنوعی گفتهایم، اینجا روی یادداشت مدیر اعمال میشود.
کاری که نباید بکند: نمرهدادن. مدل نمیداند فلان پروژه چرا عقب افتاد و سهم این فرد چقدر بود.
| کار | قابل واگذاری | چه چیزی دست شما میماند |
|---|---|---|
| نوشتن آگهی شغلی | زیاد | اطلاعات واقعیِ نقش و تیم |
| دستهبندی رزومه | متوسط | معیار، و مرور همهی دستهها |
| طراحی سؤال مصاحبه | زیاد | انتخاب نهایی سؤالها |
| قضاوت در مصاحبه | هیچ | کل کار |
| تبدیل یادداشت به بازخورد | زیاد | نمره و تصمیم |
| پاسخ به سؤالهای تکراری کارکنان | زیاد | صحت اطلاعات پایه |
آنبوردینگ و سؤالهای تکراری
هر سازمانی مجموعه سؤالی دارد که ماهی چند بار پرسیده میشود: مرخصی چطور ثبت میشود، بیمهی تکمیلی چه چیزی را پوشش میدهد، تجهیزات از کجا. اگر آییننامهها را بدهید و بخواهید فقط بر اساس همانها جواب دهد، یک لایهی پاسخگویی اولیه میسازید — دقیقاً همان الگویی که در پشتیبانی مشتری با هوش مصنوعی کار میکند. شرطش این است که بگویید «اگر جواب در متن نبود، بگو نمیدانم». بدون این جمله، مدل خلأ را با چیزی که شبیه آییننامه است پر میکند.
سه مرزی که نباید رد شوند
- تصمیم دربارهی آدمها. استخدام، اخراج، ارتقا و حقوق. مدل ورودی میدهد، نه رأی.
- دادهی سلامت و مسائل شخصی. پروندهی پزشکی و شکایتهای داخلی به سرویس بیرونی نمیروند.
- ادعای «بیطرفیِ ماشین». اینکه الگوریتم انتخاب کرده، انتخاب را عادلانه نمیکند. مسئولیت با سازمان است.
در اتحادیهی اروپا سامانههای استخدامی در دستهی «پرخطر» طبقهبندی شدهاند؛ خلاصهی قانون هوش مصنوعی اروپا تصویر خوبی از این نگاه میدهد. حتی اگر مشمولش نیستید، منطقش قابل استفاده است.
جمعبندی
هوش مصنوعی در منابع انسانی کارِ نوشتاری را برمیدارد و وقت شما را آزاد میکند برای چیزی که فقط از آدم برمیآید: حرفزدن با آدمها. اگر نتیجهی معکوس گرفتید — یعنی وقتِ آزادشده صرف مصاحبهی بیشتر نشد بلکه صرف ور رفتن با ابزار شد — جایی را اشتباه سپردهاید.
یک هفته، یک کار: آگهی بعدیتان را با روش بالا بنویسید و کیفیت رزومهها را با دفعهی قبل مقایسه کنید. اگر تیم کوچکی دارید، راهنمای هوش مصنوعی برای کسبوکار کوچک نقطهی شروع بهتری است. پرامپتهای بالا را میتوانید در نارنگی امتحان کنید.
مطالب مرتبط:
