Η επανάσταση της Τεχνητής Νοημοσύνης (ΑΙ) στην πρόσληψη προσωπικού

Στη σύγχρονη εποχή, η Τεχνητή Νοημοσύνη (AI) έχει μεταμορφώσει ριζικά τη διαδικασία πρόσληψης. Από τη διαλογή βιογραφικών έως τις αυτοματοποιημένες συνεντεύξεις, οι αλγόριθμοι αποφασίζουν ποιοι υποψήφιοι θα προκριθούν. Ωστόσο, πολλές έρευνες αποκαλύπτουν μια σκοτεινή πλευρά: Οι αλγόριθμοι αυτοί συχνά ενσωματώνουν φυλετικές, κοινωνικές ή εθνοτικές προκαταλήψεις, αναπαράγοντας ανισότητες.
Σε αυτό το πλαίσιο, ο σύμβουλος επαγγελματικού προσανατολισμού γίνεται κρίσιμος σύμμαχος βοηθώντας τους υποψηφίους να προσαρμοστούν ή ακόμη και να «ξεγελάσουν» αυτά τα συστήματα.

Αλγοριθμική προκατάληψη: Ένας αόρατος «επιθεωρητής»

Οι αλγόριθμοι είναι σαν τις συνταγές μαγειρικής. Γράφονται για να παραγάγουν ένα αποτέλεσμα. Δίνουμε εντολές σε έναν αλγόριθμο και περιμένουμε το ανάλογο αποτέλεσμα.

Οι αλγόριθμοι AI εκπαιδεύονται σε ιστορικά δεδομένα, τα οποία συχνά αντικατοπτρίζουν ανθρώπινες προκαταλήψεις. Για παράδειγμα, αν μια εταιρία έχει προηγούμενη τάση να προσλαμβάνει άνδρες για τεχνικές θέσεις, το AI μπορεί να υποβαθμίσει βιογραφικά γυναικών. Πρόσφατες μελέτες, όπως αυτή του MIT το 2018, έδειξαν ότι συστήματα AI μπορεί να εμφανίζουν προκατάληψη έως και 50% εναντίον γυναικών σε τομείς όπως η τεχνολογία.

Μορφές προκατάληψης:

- Φυλετική/εθνοτική: Αποκλεισμός βιογραφικών με «ξένα» ονόματα ή πτυχία από συγκεκριμένα πανεπιστήμια.

- Φύλου: Χρήση γλωσσικών μοντέλων που ευνοούν αρσενικές λέξεις (π.χ. «επικοινωνιακός vs επικοινωνιακή», «δημιουργικός vs δημιουργική»).

- Κοινωνική τάξη: Εκτίμηση διευθύνσεων, σχολείων ακόμα και πανεπιστημίων που σχετίζονται με οικονομικό status.

Ας δούμε μερικά παραδείγματα:

1. Φιλτράρισμα βιογραφικών με βάση ονόματα  

   Αλγόριθμοι που «μαθαίνουν» από ιστορικά δεδομένα να προτιμούν υποψηφίους με ελληνόφωνα ή ευρωπαϊκά ονόματα αποκλείοντας αυτούς με ονόματα από μειονότητες (π.χ. αλβανικά, ασιατικά).

2. Αξιολόγηση πτυχίων/πανεπιστημίων

   Αλγόριθμοι που δίνουν υψηλότερη βαθμολογία σε πτυχία από ελιτίστικα ιδρύματα (συνήθως προσβάσιμα από υψηλότερες κοινωνικές τάξεις) ή υποβαθμίζουν πτυχία από χώρες της Αφρικής/Ασίας.

3. Γλωσσικά κριτήρια

   Αλγόριθμοι που απορρίπτουν αυτόματα υποψηφίους με μικρά λάθη στα ελληνικά (π.χ. πρόσφυγες, μετανάστες), ακόμα κι αν η θέση δεν απαιτεί άρτια γνώση της γλώσσας.

4. Ανάλυση κοινωνικών μέσων

   Εργαλεία που σκανάρουν προφίλ LinkedIn ή Facebook και «τιμωρούν» υποψηφίους από χαμηλότερες κοινωνικές τάξεις (π.χ. αναφορές σε χειρωνακτικές εργασίες, περιορισμένη δικτύωση κ.λπ.).

5. Πολιτισμική ευθυγράμμιση

   Αλγόριθμοι που ελέγχουν συμβατότητα με την εταιρική κουλτούρα υποβαθμίζοντας υποψηφίους με διαφορετικά πολιτισμικά πρότυπα (π.χ. μουσουλμάνοι, Ρομά).

6. Αξιολόγηση βίντεο-συνεντεύξεων

   Συστήματα αναγνώρισης προσώπου που έχουν χαμηλότερη ακρίβεια για σκούρα δέρματα ή «τιμωρούν» μη δυτικές ενδυμασίες/χτενίσματα.

7. Γεωγραφική τοποθεσία

   Αλγόριθμοι που συνδέουν διευθύνσεις κατοικίας με κοινωνική τάξη (π.χ. απόρριψη υποψηφίων από φτωχές γειτονιές ή προσφυγικούς καταυλισμούς).

8. Αυτοματοποιημένα τεστ προσωπικότητας

   Ερωτηματολόγια που ευνοούν πολιτισμικά συγκεκριμένες απαντήσεις (π.χ. ομαδικότητα όπως ορίζεται σε δυτικές κοινωνίες vs συλλογικές κουλτούρες).

9. Αλγόριθμοι παραπομπών (referrals)

   Συστήματα που ενισχύουν προτάσεις από εργαζομένους, διαιωνίζοντας ομοιογενή δημογραφικά (π.χ. λευκοί άνδρες με πανεπιστημιακές σπουδές).

10. Πρόβλεψη μισθών

    Μοντέλα που βασίζονται σε ιστορικά δεδομένα μισθών προσφέροντας χαμηλότερες προσφορές σε γυναίκες ή μειονότητες.

Πώς λειτουργούν τα συστήματα παρακολούθησης υποψηφίων;

Τα Συστήματα Παρακολούθησης Υποψηφίων (Applicant Tracking Systems - ATS), όπως το Taleo ή το Workday, σαρώνουν βιογραφικά για λέξεις-κλειδιά, εμπειρία και δεξιότητες που ταιριάζουν με την περιγραφή της θέσης.

Το 98% των εταιριών που εντάσσονται στο Fortune 500 χρησιμοποιεί  συστήματα ATS. Ωστόσο, εάν τα δεδομένα εκπαίδευσης περιλαμβάνουν προκαταλήψεις, το AI μπορεί να αγνοήσει αξιόλογους υποψηφίους.

Πώς να «ξεγελάσετε» την Τεχνητή Νοημοσύνη (ΑΙ)

1. Λέξεις-κλειδιά

Αναλύστε την αγγελία εργασίας και εντάξτε ακριβείς φράσεις (π.χ. «διαχείριση έργων», «Python»). Χρησιμοποιήστε εργαλεία όπως το Jobscan για αντιστοίχιση.

Παράδειγμα: Αν η θέση ζητά «ομαδικό πνεύμα», αποφύγετε τη λέξη «συνεργασία» και χρησιμοποιήστε την ακριβή φράση. Αναζητήστε αγγελίες για παρόμοιες θέσεις σε άλλες εταιρίες και χρησιμοποιήστε λέξεις που επαναλαμβάνονται.

2. Δομή και μορφοποίηση: Απλότητα πάνω από όλα

Χρησιμοποιήστε τυπικές γραμματοσειρές (Arial, Calibri) και αποφύγετε γραφικά ή πίνακες. Ακολουθήστε τη δομή: Επικοινωνία > Εμπειρία > Εκπαίδευση.

Προσοχή: Τα PDF με εικόνες μπορεί να μην αναγνωρίζονται σωστά.

3. Αποφυγή προκλητικών πληροφοριών

Παραλείψτε φωτογραφίες, ηλικία ή ονόματα που υποδηλώνουν φύλο/εθνικότητα.

Παράδειγμα: Αντικαταστήστε το «Μαρία Παππά» με «Μ. Παππά».

4. Επισήμανση δεξιοτήτων με αριθμούς

Μετατρέψτε επιτεύγματα σε ποσοτικά αποτελέσματα (π.χ. «Αύξηση πωλήσεων κατά 30% σε 6 μήνες»). Τα AI αναγνωρίζουν αριθμούς ως δείκτες επιτυχίας.

5. Εργαλεία ανάλυσης και δοκιμές

Πλατφόρμες όπως το ResumeWorded ή το Skillroads μπορούν να ελέγξουν τη συμβατότητα του βιογραφικού με ATS.

6. Χρήση ουδέτερης γλώσσας για φύλο

Χρησιμοποιήστε εργαλεία όπως το Gender Decoder (gender-decoder.katmatfield.com) για να ελέγξετε αν το κείμενό σας ευνοεί λέξεις που συνδέονται με συγκεκριμένο φύλο.

7. Απομόνωση κοινωνικών δεικτών

Παράδειγμα: Αν έχετε φοιτήσει σε ένα πανεπιστήμιο που δεν αναγνωρίζεται εύκολα, προσθέστε μια σύντομη περιγραφή (π.χ. «Κορυφαίο ινστιτούτο τεχνολογίας στη Νότια Αμερική»).

Αποφύγετε διευθύνσεις σε γειτονιές που σχετίζονται με χαμηλό εισόδημα. Γράψτε απλώς την πόλη (π.χ. «Αθήνα» αντί «Πετράλωνα, Αθήνα»).

8. Χρήση επαγγελματικού προφίλ LinkedIn ως επέκταση

Αν το βιογραφικό σας έχει περιορισμένο χώρο, προσθέστε στο LinkedIn λεπτομέρειες όπως πρότζεκτ ή συστάσεις. Πολλά ATS συνδέονται με το LinkedIn.

Βελτιστοποιήστε το προφίλ σας με hashtags (π.χ. #DigitalMarketing, #DataAnalysis) για να σας βλέπουν πιο πολύ.

9. Αποφυγή «υπερφόρτωσης» πληροφοριών

Αν έχετε εργαστεί σε 10 θέσεις, αναφέρετε μόνο τις 5 πιο σχετικές. Οι αλγόριθμοι μπορεί να μπερδεύονται με υπερβολικές λεπτομέρειες.

Χρησιμοποιήστε το μοντέλο «Περίληψη – Εμπειρία – Δεξιότητες» για ευκολότερη ανάγνωση από το AI.

10. Χρήση πιστοποιήσεων για αντικατάσταση πτυχίων

Παράδειγμα: Αν δεν έχετε πτυχίο Πληροφορικής, προσθέστε πιστοποιήσεις από Coursera ή Udemy (π.χ. «Python για Data Science»).

Οι αλγόριθμοι αναγνωρίζουν πλέον πιστοποιήσεις από γνωστές πλατφόρμες (Google, Microsoft) ως ισοδύναμα προσόντων.

11. Αξιοποίηση κάθε πλατφόρμας δικτύωσης

Στείλτε μήνυμα σε υπεύθυνους πρόσληψης στο LinkedIn πριν υποβάλετε αίτηση.

12. Επισήμανση «αόρατων» δεξιοτήτων

Παράδειγμα: Αν έχετε εργαστεί σε πολυπολιτισμικό περιβάλλον, γράψτε «διαπολιτισμική επικοινωνία» αντί «δουλειά με μετανάστες».

Μεταφράστε εμπειρίες που μπορούν να ερμηνευτούν αρνητικά (π.χ. ανεργία) σε δεξιότητες (π.χ. «αυτοδιαχείριση χρόνου»).

13. Δημιουργία πολλαπλών εκδοχών βιογραφικού

Παράδειγμα: Ένα βιογραφικό με έμφαση, ανάλογα με τη θέση, στο «Marketing» και ένα άλλο στη «Διαχείριση Προϊόντων».

Το μέλλον είναι ανθρώπινο και δίκαιο

Ενώ οι στρατηγικές αυτές βοηθούν τους υποψηφίους να ξεπεράσουν τα εμπόδια των «προκατειλημμένων» αλγορίθμων, η μακροπρόθεσμη λύση είναι η δημιουργία διαφανών και δίκαιων συστημάτων AI.

Ωστόσο, μέχρι τότε, ο σύμβουλος επαγγελματικού προσανατολισμού παραμένει απαραίτητος οδηγός, ισορροπώντας μεταξύ τεχνολογικής προσαρμογής και ανθρώπινης αξιοπρέπειας.

Η πραγματική πρόκληση δεν είναι να «ξεγελάσουμε» την τεχνολογία, αλλά να εξασφαλίσουμε ότι αυτή εξυπηρετεί τον άνθρωπο και δεν τον αντιμετωπίζει ως εχθρό.

Γράφει,

Ανδρομάχη Παπαγιαννάκη

Σύμβουλος Επαγγελματικού Προσανατολισμού About Career

Share this post