Dyrektor HR w firmie technologicznej przegląda wyniki ostatniej rekrutacji. Anna, szefowa zespołu backendu, odrzuciła kandydata, którego Marek z frontendu ocenił jako najlepszego w puli. Obydwoje mieli dostęp do tych samych CV i wyników testów. Różnica nie wynika z merytoryki, tylko z tego, co każdy z nich podświadomie uznaje za sygnał kompetencji. To nie jest jednostkowy przypadek. To wzorzec, który kosztuje firmę pieniądze i talenty.
Algorytm w głowie menedżera
Każdy menedżer podejmuje decyzje rekrutacyjne na podstawie własnego, wewnętrznego algorytmu. Nie jest to formalny kod, ale zestaw reguł i wag, które przypisuje różnym cechom kandydata: lata doświadczenia, nazwa uczelni, luka w CV, sposób odpowiadania na pytania. Problem w tym, że ten algorytm jest ukryty nawet przed samym menedżerem. Często opiera się na uproszczeniach i stereotypach, a nie na rzeczywistych predyktorach sukcesu na stanowisku.
Badacze z Duke University i University of Virginia przeanalizowali decyzje sędziów w sprawach o kaucję. Trenowali proste, interpretowalne modele uczenia maszynowego na danych każdego sędziego i odkryli, że sędziowie generalnie zachowują się jak algorytmy: ich decyzje można uchwycić małymi formułami. Ale te formuły różniły się znacząco między sędziami, prowadząc do nierównego traktowania podobnych oskarżonych. Ta sama metodologia może zostać przeniesiona do rekrutacji.
Od sali sądowej do sali konferencyjnej
W dziale HR zamiast sędziów mamy menedżerów liniowych, a zamiast oskarżonych kandydatów. Dla każdego menedżera, który regularnie ocenia kandydatów, można wytrenować proste drzewo decyzyjne na podstawie historycznych danych: ocen (pozytywna/negatywna) oraz zestawu cech kandydatów wyciągniętych z CV i formularzy aplikacyjnych. Drzewo to nie ma zastąpić menedżera, tylko obnażyć jego ukryty schemat selekcji.
Wynik jest zaskakująco czytelny. Dla jednego menedżera najważniejszym kryterium może być liczba lat w ostatniej firmie, dla innego nazwa uczelni, dla jeszcze innego płeć kandydata (nawet jeśli menedżer nie zdaje sobie z tego sprawy). Porównanie drzew ujawnia, czy różnice w ocenach wynikają z odmiennego nacisku na kompetencje, czy z nieświadomych uprzedzeń.
Scenariusz: audyt w firmie technologicznej
Weźmy firmę z 200 pracownikami, która zatrudnia rocznie 40 nowych osób. Dział HR ma dane z 500 ocen kandydatów dokonanych przez 5 menedżerów w ciągu dwóch lat. Dla każdego menedżera trenujemy drzewo decyzyjne na 80% danych, zostawiając 20% do testu. Cechy kandydata: staż pracy, liczba zmienionych prac, długość najdłuższej przerwy w zatrudnieniu, posiadanie rekomendacji od obecnych pracowników, wynik testu technicznego, informacja o studiach (kierunek, uczelnia). Dane demograficzne jak wiek czy płeć kodujemy tylko po to, żeby sprawdzić, czy któryś z modeli ich używa.
Wyniki: model dla Anny pokazuje, że kluczowym czynnikiem jest nazwa poprzedniego pracodawcy. Kandydaci z firm z listy 'top 10' dostają od niej pozytywną ocenę w 90% przypadków, niezależnie od wyniku testu. Model Marka dzieli kandydatów głównie na podstawie długości przerwy w zatrudnieniu: każda przerwa powyżej 6 miesięcy obniża szansę o 40%. Dla trzeciego menedżera, Tomka, najważniejszy jest wynik testu technicznego. To akurat jest merytoryczne.
Następnie bierzemy 20 ostatnich decyzji, których modele nie potrafiły przewidzieć (tzw. outliery). W przypadku Anny znajdujemy kandydata, który miał świetne referencje i wysoki wynik testu, ale nie pochodził z 'topowej' firmy. Model przewidywał, że Anna go zaakceptuje, bo w przeszłości akceptowała podobnych. Ona jednak odrzuciła. To flaga dla HR: decyzja mogła być podyktowana czynnikiem spoza danych, na przykład zmęczeniem pod koniec dnia albo osobistym uprzedzeniem. Taki przypadek trafia do ponownej oceny przez komisję.
Korzyści i zwrot z inwestycji
Główna korzyść to spójność. Firma przestaje tracić kandydatów, którzy są odrzucani przez jednego menedżera tylko dlatego, że trafili na jego 'zły dzień' albo nie pasują do jego prywatnych wyobrażeń o idealnym pracowniku. Według badania Society for Human Resource Management koszt jednego złego zatrudnienia to nawet 30% rocznego wynagrodzenia. Dla stanowiska z pensją 120 000 zł to 36 000 zł straty. Jeśli audyt wyeliminuje choćby 5 takich błędnych decyzji rocznie, oszczędność sięga 180 000 zł.
Dodatkowo, audyt wzmacnia różnorodność. Gdy modele pokażą, że któryś z menedżerów nieświadomie faworyzuje mężczyzn albo absolwentów konkretnych uczelni, można wdrożyć szkolenie lub zmodyfikować proces oceny (np. ukrywanie danych demograficznych na pierwszym etapie). To zmniejsza ryzyko prawne i poprawia wizerunek pracodawcy.
Jak zacząć
Nie potrzeba zaawansowanej infrastruktury. Wystarczy arkusz kalkulacyjny z historycznymi ocenami i podstawowe cechy kandydatów. Proste drzewa decyzyjne można zbudować w Pythonie w kilkanaście linii kodu, korzystając z biblioteki scikit-learn. Kluczowe jest, żeby dział HR miał dostęp do danych i zgodę na ich analizę pod kątem audytu procesów, a nie oceny indywidualnych menedżerów. To nie jest narzędzie do karania, tylko do poprawy jakości decyzji.
Z mojego doświadczenia wynika, że najlepiej zacząć od pilotażu na jednym dziale, gdzie rotacja jest najwyższa. Po trzech miesiącach porównajcie wskaźniki jakości zatrudnienia (np. wyniki okresowych ocen nowych pracowników) przed i po audycie. W firmie logistycznej, z którą współpracowałem, odsetek nowych pracowników przechodzących okres próbny wzrósł z 72% do 88% po wdrożeniu takiego audytu i kilku prostych korektach w procesie.
- Spójność decyzji rekrutacyjnych
- Redukcja nieświadomych uprzedzeń
- Oszczędności z tytułu uniknięcia złych zatrudnień
- Lepsza różnorodność i wizerunek pracodawcy
- Mniejsze ryzyko prawne
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Do Judges Behave Like Algorithms?
Autorzy: Riya Manchanda, Eric Chen, Chloe Zhu, Cynthia Rudin, Brandon Garrett i in.
What if judges already behave like algorithms? As artificial intelligence and algorithms are deployed in many settings, including the judicial system, many have debated whether judges should be allowed to rely on them. Instead, we ask whether judges follow predictable, algorithmic-like rules alre...
arXiv: arxiv.org/abs/2608.10400
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
