1. بینکس
  2. بانک دانش
  3. پژوهش
پژوهش

هوش مصنوعی آماده است؛ تیم منابع انسانی چطور؟

مسئله دیگر این نیست که هوش مصنوعی وارد منابع انسانی می‌شود یا نه؛ مسئله این است که وقتی وارد شد، تیم منابع انسانی چقدر برای کار کردن هدفمند، مسئولانه و مؤثر با آن آماده است.

تیم بینکس
۱۲ دقیقه مطالعه
فهرست مطالب
  1. استفاده از هوش مصنوعی، با آمادگی برای آن یکی نیست
  2. اشتیاق زیاد است؛ آمادگی نه لزوماً
  3. شاید سؤال اشتباه این باشد: «چه ابزار هوش مصنوعی بخریم؟»
  4. داده‌های نامرتب، با هوش مصنوعی مرتب نمی‌شوند
  5. تیم منابع انسانی آماده، خروجی هوش مصنوعی را باور نمی‌کند؛ آن را بررسی می‌کند
  6. مهارت آینده منابع انسانی، «دستور نوشتن» نیست
  7. آمادگی یک نفر، آمادگی تیم نیست
  8. منابع انسانی فقط خودش را برای هوش مصنوعی آماده نمی‌کند
  9. پس یک تیم منابع انسانی آماده برای هوش مصنوعی چه شکلی است؟
  10. مسابقه بر سر استفاده بیشتر از هوش مصنوعی نیست
  11. منابع

این مقاله فاصله میان «استفاده از ابزارهای هوش مصنوعی» و «آمادگی واقعی منابع انسانی برای هوش مصنوعی» را بررسی می‌کند و نشان می‌دهد آمادگی به راهبرد روشن، داده قابل اعتماد، مهارت، حاکمیت و توانایی ارزیابی خروجی هوش مصنوعی نیاز دارد.

مسئله دیگر این نیست که هوش مصنوعی وارد منابع انسانی می‌شود یا نه؛ مسئله این است که وقتی وارد شد، ما چقدر برای کار کردن با آن آماده‌ایم.

در مقاله قبلی بینکس از یک سؤال شروع کردیم: «هوش مصنوعی هم‌اکنون اینجاست؛ پایان کار انسان یا آغاز فصلی تازه؟»

آن‌جا به این نتیجه رسیدیم که مسئله آینده کار، رقابت انسان و ماشین نیست. هوش مصنوعی می‌تواند بخشی از کار را سریع‌تر انجام دهد، حجم بزرگی از اطلاعات را تحلیل کند و در تصمیم‌گیری به ما کمک کند؛ اما همچنان بخش مهمی از ارزش انسان در قضاوت، درک زمینه، مسئولیت‌پذیری، همدلی و تصمیم‌گیری باقی می‌ماند.

حالا سؤال بعدی جدی‌تر است: اگر قرار است انسان و هوش مصنوعی کنار هم کار کنند، آیا ما واقعاً برای این همکاری آماده‌ایم؟

برای تیم منابع انسانی، این سؤال شاید از بسیاری از واحدهای دیگر سازمان مهم‌تر باشد. چون منابع انسانی فقط قرار نیست خودش از هوش مصنوعی استفاده کند؛ قرار است سازمان را هم برای تغییراتی آماده کند که هوش مصنوعی در شغل‌ها، مهارت‌ها، یادگیری، استخدام و حتی تعریف عملکرد ایجاد خواهد کرد.

استفاده از هوش مصنوعی، با آمادگی برای آن یکی نیست

امروز استفاده از ابزارهای هوش مصنوعی دشوار نیست. یک کارشناس جذب می‌تواند از هوش مصنوعی بخواهد شرح شغل بنویسد، یک مدیر منابع انسانی می‌تواند گزارشی را خلاصه کند، یک متخصص آموزش می‌تواند در چند دقیقه طرح اولیه یک دوره را آماده کند و یک استخدام‌کننده می‌تواند صدها رزومه را سریع‌تر از گذشته مرور کند.

اما هیچ‌کدام از این‌ها به‌تنهایی به این معنا نیست که آن فرد یا آن تیم برای هوش مصنوعی آماده است.

وِروو میان «آشنایی با هوش مصنوعی» و «آمادگی برای هوش مصنوعی» تفاوت می‌گذارد. در این نگاه، آشنایی یعنی شناخت مفاهیم و ابزارها؛ اما آمادگی زمانی معنا پیدا می‌کند که فرد بتواند در نقش واقعی خود، با کمک هوش مصنوعی عملکرد مؤثرتری داشته باشد، خروجی آن را ارزیابی کند، خطا را تشخیص دهد و با تغییر ابزارها سازگار شود.

به بیان ساده‌تر: بلد بودن استفاده از هوش مصنوعی یک مهارت است؛ بلد بودن کار کردن با هوش مصنوعی یک توانمندی است. این دو یکی نیستند.

اشتیاق زیاد است؛ آمادگی نه لزوماً

پژوهش ای‌آی‌اچ‌آر درباره آمادگی هوش مصنوعی در تیم‌های منابع انسانی بر پایه داده‌های ۳۳۴ تیم منابع انسانی نشان می‌دهد که ۶۵ درصد تیم‌ها از نظر پذیرش و حمایت از هوش مصنوعی وضعیت خوبی دارند؛ اما فقط ۳۰ درصد هدف روشن، ارزش مورد انتظار و کاربردهای اولویت‌بندی‌شده برای آن تعریف کرده‌اند. فقط ۲۹ درصد به آمادگی داده، ابزار و زیرساخت خود برای استفاده در مقیاس بزرگ اطمینان دارند و تنها ۳۵ درصد معتقدند مهارت، تجربه و فرصت توسعه کافی برای وارد کردن هوش مصنوعی به کار روزمره را دارند.

این فاصله مهم است: علاقه به فناوری می‌تواند خیلی زود شکل بگیرد، اما تبدیل آن به یک توانمندی پایدار سازمانی، به تصمیم‌های روشن‌تر و زیرساخت‌های جدی‌تری نیاز دارد.

در سطح گسترده‌تر، گزارش رَند درباره دلایل شکست پروژه‌های هوش مصنوعی با استناد به یک پیمایش گزارش می‌کند که ۸۴ درصد رهبران کسب‌وکار انتظار داشته‌اند هوش مصنوعی اثر قابل‌توجهی بر کسب‌وکارشان بگذارد، در حالی که فقط ۱۴ درصد سازمان‌ها خود را کاملاً آماده یکپارچه‌کردن آن می‌دانستند. همین گزارش به برآوردهایی اشاره می‌کند که بر اساس آن بیش از ۸۰ درصد پروژه‌های هوش مصنوعی شکست می‌خورند؛ رقمی که حدود دو برابر پروژه‌های فناوری اطلاعاتِ بدون هوش مصنوعی است.

نکته مهم‌تر، علت این شکست‌هاست. مسئله معمولاً این نیست که فناوری به‌اندازه کافی پیشرفته نبوده است. رَند در گفت‌وگو با متخصصان باتجربه، عواملی مانند انتخاب مسئله اشتباه، ضعف داده، تمرکز بر فناوری به‌جای نیاز واقعی کسب‌وکار، ضعف زیرساخت و انتظار غیرواقع‌بینانه از هوش مصنوعی را از مهم‌ترین دلایل شکست معرفی می‌کند.

شاید سؤال اشتباه این باشد: «چه ابزار هوش مصنوعی بخریم؟»

فرض کنیم مدیر منابع انسانی یک سازمان تصمیم گرفته است امسال استفاده از هوش مصنوعی را جدی‌تر کند. اولین وسوسه معمولاً این است: چه نرم‌افزاری بخریم؟ کدام ابزار برای استخدام بهتر است؟ کدام سامانه می‌تواند رزومه‌ها را بررسی کند؟ کدام ابزار گزارش عملکرد تولید می‌کند؟

اما یک تیم آماده برای هوش مصنوعی، احتمالاً سؤال را از جای دیگری شروع می‌کند: «کدام مسئله را می‌خواهیم بهتر حل کنیم؟»

آیا مشکل ما طولانی بودن غربال رزومه‌هاست؟ آیا کیفیت مصاحبه‌های ما بین مدیران مختلف تفاوت زیادی دارد؟ آیا اطلاعات کارکنان در چند سامانه پراکنده است؟ آیا نمی‌دانیم برای توسعه هر فرد روی چه مهارتی سرمایه‌گذاری کنیم؟ آیا بخش بزرگی از زمان تیم صرف کارهایی می‌شود که ارزش تصمیم‌گیری بالایی ندارند؟

تا وقتی مسئله مشخص نباشد، هوش مصنوعی خیلی راحت تبدیل می‌شود به راه‌حلی که دنبال مسئله می‌گردد. برای تیم منابع انسانی، این موضوع حتی حساس‌تر است، چون سریع‌تر کردن یک فرایند ضعیف، آن را به فرایند خوب تبدیل نمی‌کند.

اگر معیارهای غربالگری کاندیداها دقیق نباشند، خودکار کردن غربالگری فقط باعث می‌شود همان خطاها سریع‌تر تکرار شوند. اگر مصاحبه ما بدون ساختار باشد، اضافه کردن هوش مصنوعی لزوماً مصاحبه را معتبرتر نمی‌کند. اگر تعریف شایستگی‌های یک نقش مبهم باشد، هوش مصنوعی هم بر پایه همان ابهام تحلیل خواهد کرد.

گاهی قبل از اضافه کردن هوش مصنوعی، باید خود فرایند را درست کنیم.

داده‌های نامرتب، با هوش مصنوعی مرتب نمی‌شوند

برای یک تیم منابع انسانی ایرانی، این تصویر احتمالاً ناآشنا نیست: عنوان یک شغل در یک فایل «کارشناس فروش» است، در سامانه دیگر «کارشناس توسعه بازار» و در فایل دیگری عنوانی متفاوت دارد. شرح شغل چند سال پیش نوشته شده است. اطلاعات مصاحبه در فایل‌های مختلف نگهداری می‌شود. ارزیابی عملکرد یک واحد با واحد دیگر قابل مقایسه نیست. بخشی از اطلاعات کارکنان داخل سامانه است، بخشی در فایل‌های اکسل، بخشی در پیام‌ها و بخشی هم فقط در ذهن مدیران قرار دارد.

بعد از همین داده‌ها انتظار داریم هوش مصنوعی «بینش» تولید کند. اینجاست که یکی از دشوارترین واقعیت‌های آمادگی برای هوش مصنوعی آشکار می‌شود: هوش مصنوعی از بی‌نظمی داده، دانایی تولید نمی‌کند.

راهنمای فایندم درباره پیاده‌سازی هوش مصنوعی در منابع انسانی تأکید می‌کند که آمادگی داده یکی از عوامل تعیین‌کننده موفقیت است. داده‌های ناقص، عنوان‌های شغلی ناسازگار، اطلاعات پراکنده و داده‌های قدیمی مستقیماً کیفیت پیشنهادهای سیستم را پایین می‌آورند؛ هوش مصنوعی این مشکلات را اصلاح نمی‌کند، بلکه آن‌ها را به ارث می‌برد.

این بخش شاید هیجان‌انگیزترین قسمت تحول هوش مصنوعی نباشد، اما احتمالاً یکی از مهم‌ترین‌هاست. قبل از اینکه بپرسیم «هوش مصنوعی ما چقدر هوشمند است؟» باید بپرسیم «اطلاعاتی که به آن می‌دهیم چقدر قابل اعتماد است؟»

تیم منابع انسانی آماده، خروجی هوش مصنوعی را باور نمی‌کند؛ آن را بررسی می‌کند

یکی از خطرناک‌ترین ویژگی‌های هوش مصنوعی این نیست که اشتباه می‌کند. انسان‌ها هم اشتباه می‌کنند. مسئله این است که هوش مصنوعی می‌تواند اشتباه را بسیار قانع‌کننده بیان کند. متنی منسجم، تحلیلی حرفه‌ای یا نمره‌ای دقیق ممکن است حس اطمینان ایجاد کند؛ حتی زمانی که منطق پشت آن ناقص است.

مقاله سووا درباره آمادگی برای هوش مصنوعی در استخدام روی همین موضوع تأکید می‌کند: ارزشمندتر از تسلط بر یک ابزار خاص، توانایی ارزیابی خروجی هوش مصنوعی، تشخیص خطا و سازگار شدن با ابزارهای جدید است.

فرض کنید هوش مصنوعی بعد از یک مصاحبه به شما می‌گوید: «این کاندیدا برای نقش موردنظر تناسب بالایی دارد.» یک تیم ناآماده شاید سؤال بعدی‌اش این باشد: «نمره‌اش چند شده؟»

اما یک تیم آماده سؤال‌های دیگری می‌پرسد: بر اساس چه شواهدی؟ کدام پاسخ‌های فرد باعث این نتیجه شده‌اند؟ چه بخش‌هایی از اطلاعات ناقص بوده‌اند؟ سیستم چقدر نسبت به این تحلیل اطمینان دارد؟ آیا داده‌ای وجود دارد که نتیجه را نقض کند؟ و در نهایت: آیا ما هم با این نتیجه موافقیم؟

این شاید یکی از مهم‌ترین مهارت‌های منابع انسانی در عصر هوش مصنوعی باشد: نه صرفاً توانایی استفاده از هوش مصنوعی، بلکه توانایی مخالفت آگاهانه با آن.

مهارت آینده منابع انسانی، «دستور نوشتن» نیست

در یکی دو سال گذشته، بخش بزرگی از گفت‌وگو درباره مهارت‌های هوش مصنوعی به نوشتن دستورهای بهتر محدود شده است. این مهارت مفید است، اما بعید است به‌تنهایی مزیت پایدار ایجاد کند. ابزارها ساده‌تر می‌شوند، مدل‌ها بهتر می‌شوند و بسیاری از کارهایی که امروز به چندین دستور دقیق نیاز دارند، احتمالاً به قابلیت عادی نرم‌افزارهای فردا تبدیل خواهند شد.

در مقابل، مرسر و متل در تحلیل «چابکی انسان و هوش مصنوعی» بر توانمندی‌هایی مانند تفکر نقادانه، استدلال تحلیلی، خلاقیت، چابکی در یادگیری، سازگاری، همکاری، تصمیم‌گیری اخلاقی، رهبری تغییر و تسلط دیجیتال تأکید می‌کنند.

دلیلش روشن است. وقتی هوش مصنوعی بتواند پاسخ تولید کند، ارزش انسان بیشتر به سمت توانایی سنجیدن پاسخ حرکت می‌کند. وقتی هوش مصنوعی بتواند چند گزینه پیشنهاد دهد، ارزش انسان بیشتر در انتخاب گزینه درست خواهد بود. و وقتی فناوری دائماً تغییر کند، مهم‌تر از اینکه امروز کدام ابزار را بلد هستیم، این است که فردا چقدر سریع می‌توانیم یاد بگیریم.

آمادگی یک نفر، آمادگی تیم نیست

ممکن است در یک تیم منابع انسانی، یک نفر تقریباً تمام کارهایش را با هوش مصنوعی انجام دهد و فرد دیگری هنوز استفاده محدودی داشته باشد. این یعنی در تیم «استفاده از هوش مصنوعی» اتفاق افتاده است؛ اما هنوز نمی‌توان گفت تیم برای هوش مصنوعی آماده است.

آمادگی زمانی شکل می‌گیرد که استفاده از هوش مصنوعی از تجربه شخصی چند نفر عبور کند و تبدیل به توانمندی مشترک تیم شود؛ یعنی مشخص باشد برای چه کارهایی از هوش مصنوعی استفاده می‌کنیم، برای چه کارهایی استفاده نمی‌کنیم، چه اطلاعاتی اجازه ورود به ابزارها را دارد، چه خروجی‌هایی حتماً باید توسط انسان بررسی شوند، چه زمانی باید نتیجه سیستم را زیر سؤال برد، موفقیت را چگونه اندازه می‌گیریم و مسئولیت نهایی تصمیم با چه کسی است.

گزارش آمادگی هوش مصنوعی اس‌اچ‌ال نیز بر شناسایی نقاط قوت و زمینه‌های توسعه افراد در به‌کارگیری و همکاری با هوش مصنوعی در محیط کار تمرکز دارد؛ یعنی آمادگی را چیزی فراتر از آشنایی نظری با فناوری می‌بیند.

پس شاید معیار درست این نباشد که «چند نفر از تیم ما از هوش مصنوعی استفاده می‌کنند؟» معیار بهتر این باشد: «اگر فردا ابزار امروز عوض شود، آیا تیم ما همچنان می‌تواند مؤثر، مسئولانه و آگاهانه با هوش مصنوعی کار کند؟»

منابع انسانی فقط خودش را برای هوش مصنوعی آماده نمی‌کند

اینجا ماجرا برای منابع انسانی از بقیه واحدها متفاوت می‌شود. اگر هوش مصنوعی بخشی از وظایف یک شغل را انجام دهد، چه کسی باید آن شغل را دوباره طراحی کند؟ اگر مهارت‌های موردنیاز یک نقش تغییر کنند، چه کسی باید بفهمد کارکنان چه فاصله‌ای با وضعیت جدید دارند؟ اگر برخی کارکنان نیاز به یادگیری مهارت‌های تازه داشته باشند، چه کسی باید مسیر توسعه آن‌ها را طراحی کند؟ اگر معیارهای عملکرد تغییر کنند، چه کسی باید نظام ارزیابی را به‌روزرسانی کند؟

اگر کارکنان نسبت به آینده نقش خود نگران شوند، چه کسی باید به مدیریت این تغییر کمک کند؟ بخش بزرگی از پاسخ به این سؤال‌ها دوباره به منابع انسانی برمی‌گردد.

در گزارش جهانی روندهای استعداد ۲۰۲۶ مرسر نزدیک به ۱۲ هزار مدیر، رهبر منابع انسانی، کارمند و سرمایه‌گذار بررسی شده‌اند. نتایج نشان می‌دهد سازمان‌ها برای گرفتن ارزش واقعی از هوش مصنوعی باید فراتر از خرید ابزار بروند و کار، نقش‌ها و مهارت‌ها را بازطراحی کنند. در داده‌های این گزارش، ۹۸ درصد مدیران اجرایی برای دو سال آینده تغییراتی در طراحی سازمانی برنامه‌ریزی کرده‌اند و آمادگی برای همکاری مؤثر انسان و ماشین همچنان یک شکاف جدی است.

به همین دلیل منابع انسانی یک مسئولیت دوگانه دارد: هم خودش باید برای هوش مصنوعی آماده شود و هم سازمان را برای آن آماده کند. این شاید یکی از مهم‌ترین تغییراتی باشد که نقش منابع انسانی در سال‌های پیش رو تجربه خواهد کرد.

پس یک تیم منابع انسانی آماده برای هوش مصنوعی چه شکلی است؟

شاید لازم نباشد برای شروع یک مدل پیچیده داشته باشیم. می‌توانیم با چند سؤال ساده وضعیت خودمان را بسنجیم:

  • آیا می‌دانیم دقیقاً کدام مسائل منابع انسانی را می‌خواهیم با کمک هوش مصنوعی بهتر حل کنیم؟
  • آیا اطلاعات و داده‌های ما آن‌قدر قابل اعتماد هستند که بتوان بر اساس آن‌ها تصمیم گرفت؟
  • آیا اعضای تیم می‌توانند خروجی هوش مصنوعی را بررسی و در صورت نیاز رد کنند؟
  • آیا مشخص است کدام تصمیم‌ها نیازمند قضاوت انسانی هستند؟
  • آیا درباره محرمانگی اطلاعات، سوگیری، توضیح‌پذیری و مسئولیت تصمیم قواعد مشخصی داریم؟
  • آیا استفاده از هوش مصنوعی وارد فرایند واقعی کار شده یا هنوز مجموعه‌ای از تجربه‌های پراکنده افراد است؟
  • آیا می‌توانیم نشان دهیم استفاده از هوش مصنوعی واقعاً کیفیت، سرعت یا نتیجه کار ما را بهتر کرده است؟

اگر پاسخ بعضی از این سؤال‌ها «نه» باشد، لزوماً عقب مانده‌ایم؟ نه. احتمالاً فقط برای اولین بار داریم درست به مسئله نگاه می‌کنیم.

مسابقه بر سر استفاده بیشتر از هوش مصنوعی نیست

سرعت پیشرفت فناوری خیلی راحت می‌تواند این احساس را ایجاد کند که سازمان‌ها در یک مسابقه‌اند: چه کسی زودتر ابزار جدید را خرید، چه کسی تعداد بیشتری فرایند را خودکار کرد و چه کسی بیشتر از هوش مصنوعی استفاده می‌کند.

اما شواهد موجود نشان می‌دهد فاصله‌ای جدی میان «داشتن هوش مصنوعی» و «گرفتن ارزش واقعی از آن» وجود دارد. فناوری به‌تنهایی آمادگی ایجاد نمی‌کند؛ انسان، داده، فرایند و شیوه تصمیم‌گیری باید هم‌زمان با فناوری تغییر کنند.

در مقاله قبل پرسیدیم: «هوش مصنوعی، پایان کار انسان است یا آغاز فصلی تازه؟»

حالا شاید بتوانیم پاسخ را کمی روشن‌تر کنیم. فصل تازه آغاز شده است. اما بهره‌بردن از آن فقط به این بستگی ندارد که هوش مصنوعی چقدر پیشرفت می‌کند؛ به این هم بستگی دارد که ما چقدر برای کار کردن با آن تغییر می‌کنیم.

برای تیم منابع انسانی، آمادگی برای هوش مصنوعی از یاد گرفتن نام چند ابزار شروع نمی‌شود. از پرسیدن مسئله درست شروع می‌شود، با ساختن داده قابل اعتماد ادامه پیدا می‌کند، به توانایی ارزیابی و زیر سؤال بردن خروجی هوش مصنوعی نیاز دارد و در نهایت به همان چیزی برمی‌گردد که در مقاله قبل درباره‌اش صحبت کردیم:

هرچه ماشین در پاسخ دادن بهتر شود، مسئولیت انسان برای پرسیدن سؤال درست و قضاوت درباره پاسخ، بیشتر می‌شود.

منابع

  1. AIHR — Is HR Ready for AI? The Gap Between Belief and Readiness
  2. RAND Corporation — The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed
  3. Mercer — Global Talent Trends ۲۰۲۶
  4. Mercer | Mettl — Preparing Organizations for Human-AI Agility: Redesigning Work, Skills and Leadership
  5. Sova — Hiring for AI Readiness: The Cost of Getting It Wrong
  6. Vervoe — AI Readiness
  7. Findem — How to Implement AI in HR
  8. SHL — AI Readiness Profile Report
هوش مصنوعیمنابع انسانیآمادگی هوش مصنوعیمهارت‌های آیندهکیفیت داده
این مقاله را به همکارتان بفرستید
تلگراملینکدینایکسواتس‌اپ
تیم بینکس

بینکس پلتفرم ارزیابی و جذب شایستگی‌محور است: غربالگری رزومه با شاهد، مصاحبهٔ ساختاریافته با آرین و گزارشی که ارزیاب انسانی تأیید می‌کند. دربارهٔ بینکس

ببینید آرین با یکی از نقش‌های شما چه می‌کند

با یک حساب دموی چندروزه، یکی از موقعیت‌های واقعی‌تان را می‌سازید و چند مصاحبه را واقعاً امتحان می‌کنید.