کاربردها، مزایا و چالش‌های سازمانی استفاده از هوش مصنوعی در منابع انسانی

گزارش SHRM درباره وضعیت هوش مصنوعی در منابع انسانی در سال ۲۰۲۵ نشان می‌دهد که ۴۳ درصد سازمان‌های بررسی‌شده از هوش مصنوعی در فعالیت‌های HR استفاده می‌کنند؛ رقمی که در سال ۲۰۲۴ معادل ۲۶ درصد بود. این تغییر نشان‌دهنده گسترش استفاده از فناوری است، اما به‌تنهایی اثبات نمی‌کند که سازمان‌ها توانسته‌اند از آن ارزش اقتصادی پایدار ایجاد کنند. برای درک اثر واقعی این فناوری باید بررسی کرد که AI در کدام فرایندها به کار گرفته می‌شود، در اخذ چه نوع تصمیم‌هایی را استفاده می‌شود و چه محدودیت‌هایی دارد.

هوش مصنوعی در منابع انسانی چیست؟

هوش مصنوعی در مدیریت منابع انسانی (Artificial Intelligence in Human Resource Management) به استفاده از الگوریتم‌ها و سامانه‌های هوشمند برای تحلیل اطلاعات، پیش‌بینی الگوها، خودکارسازی فعالیت‌ها و کمک به تصمیم‌گیری در فرایندهای مرتبط با کارکنان گفته می‌شود.

این فناوری مجموعه‌ای از رویکردهای مختلف را در بر می‌گیرد:

• یادگیری ماشین (Machine Learning): شناسایی الگوها در داده‌های کارکنان، پیش‌بینی احتمال خروج نیروی انسانی و تحلیل روندهای استخدام.
• پردازش زبان طبیعی (Natural Language Processing): استخراج اطلاعات از رزومه‌ها، تحلیل متن بازخورد کارکنان و پردازش درخواست‌های متنی.
• هوش مصنوعی مولد (Generative AI): تدوین شرح شغل، تدوین محتوای آموزشی، تهیه گزارش‌های منابع انسانی و پاسخ‌گویی به پرسش‌های کارکنان.
• سیستم‌های پیشنهاددهنده (Recommendation Systems): پیشنهاد دوره‌های آموزشی، فرصت‌های شغلی داخلی و مسیرهای توسعه حرفه‌ای.
• تحلیل پیش‌بینانه (Predictive Analytics): برآورد نیاز آینده به نیروی انسانی و شناسایی عوامل مرتبط با ترک شغل.

تفاوت مهم این فناوری‌ها در نوع مسئله‌ای است که حل می‌کنند. برای مثال، یک مدل پیش‌بینی‌کننده می‌تواند احتمال خروج کارکنان را بر اساس داده‌های تاریخی برآورد کند؛ درحالی‌که یک مدل مولد می‌تواند گزارش تحلیلی این داده‌ها را تهیه کند. هیچ‌یک از این دو وظیفه لزوما به معنای تصمیم‌گیری مستقل درباره وضعیت استخدامی افراد نیست.

هوش مصنوعی در کدام فرایندهای منابع انسانی کاربرد دارد؟

جذب و استخدام نیروی انسانی

استخدام یکی از شناخته‌شده‌ترین حوزه‌های استفاده از هوش مصنوعی در منابع انسانی است. سازمان‌ها می‌توانند از این فناوری در مراحل مختلف جذب استعداد استفاده کنند؛ از تدوین آگهی شغلی گرفته تا بررسی اولیه درخواست‌ها.

مهم‌ترین کاربردهای هوش مصنوعی در فرایندهای HR عبارت‌اند از:

• تدوین شرح شغلی: مدل‌های مولد می‌توانند بر اساس مهارت‌ها و مسئولیت‌های موردنیاز، پیش‌نویس آگهی استخدام تولید کنند.
• غربالگری رزومه: سامانه‌های مبتنی بر پردازش زبان طبیعی (NLP) اطلاعات رزومه‌ها را استخراج و مهارت‌ها و سوابق متقاضیان را با الزامات شغل مقایسه می‌کنند.
• تطبیق مهارت‌ها: الگوریتم‌ها می‌توانند متقاضیان را بر اساس میزان انطباق مهارت‌هایشان با نیاز شغلی دسته‌بندی کنند.
• ارتباط با متقاضیان: چت‌بات‌ها می‌توانند به پرسش‌های متداول پاسخ دهند و اطلاعات مراحل استخدام را در اختیار داوطلبان قرار دهند.
• هماهنگی مصاحبه‌ها: ابزارهای هوشمند می‌توانند بخشی از فرایند زمان‌بندی و اطلاع‌رسانی را خودکار کنند.

چه می‌شود اگر هوش مصنوعی رزومه‌های نوشته‌شده با هوش مصنوعی را ترجیح دهد؟

بااین‌حال، تطبیق رزومه با شرح شغل نباید معادل تشخیص قطعی شایستگی فرد تلقی شود. ممکن است متقاضی توانمندی‌های موردنیاز را داشته باشد، اما رزومه او به شکل متعارف یا با واژگان موردانتظار الگوریتم نوشته نشده باشد.

آموزش و توسعه کارکنان

آموزش سازمانی معمولا با یک مسئله اساسی روبه‌رو است. کارکنان نقش‌ها، تجربه‌ها و نیازهای مهارتی متفاوتی دارند، اما برنامه‌های آموزشی در بسیاری از سازمان‌ها برای گروه‌های بزرگی از افراد به شکل یکسان طراحی می‌شوند. هوش مصنوعی می‌تواند این فرایند را شخصی‌سازی کند. برای مثال، یک سامانه هوشمند می‌تواند اطلاعات مربوط به مهارت‌های فعلی کارکنان، الزامات شغلی و مسیرهای توسعه حرفه‌ای را تحلیل کند و دوره‌های آموزشی متناسب با نیاز هر فرد پیشنهاد دهد. کاربردهای مهم در این حوزه عبارت‌اند از:

• شناسایی شکاف میان مهارت‌های موجود و مهارت‌های موردنیاز
• پیشنهاد مسیر یادگیری متناسب با نقش شغلی
• تولید محتوای آموزشی و تمرین‌های تعاملی
• پاسخ‌گویی به پرسش‌های آموزشی از طریق دستیارهای هوشمند
• تحلیل نتایج آموزش و شناسایی حوزه‌های نیازمند تقویت

در این کاربرد، هوش مصنوعی می‌تواند از یک سامانه صرفا ارائه‌دهنده دوره آموزشی به ابزاری برای مدیریت توسعه مهارت تبدیل شود. بااین‌حال، اثربخشی آموزش باید با تغییر واقعی عملکرد و توانمندی کارکنان سنجیده شود، نه صرفا تعداد دوره‌های تکمیل‌شده.

مدیریت و ارزیابی عملکرد

ارزیابی عملکرد کارکنان معمولا به اطلاعاتی از منابع مختلف نیاز دارد؛ از شاخص‌های عملیاتی و نتایج پروژه‌ها گرفته تا بازخورد مدیران و همکاران. هوش مصنوعی می‌تواند این اطلاعات را سازمان‌دهی و تحلیل کند و به مدیران در شناسایی روندها کمک کند. به‌عنوان‌مثال یک سامانه تحلیل داده می‌تواند تغییرات عملکرد یک تیم را در طول زمان بررسی کند، ارتباط میان شاخص‌های عملیاتی را نشان دهد یا گزارش‌هایی درباره پیشرفت اهداف تهیه کند. هوش مصنوعی مولد نیز می‌تواند اطلاعات موجود را به گزارش‌های مدیریتی تبدیل کند و در تهیه بازخوردهای ساختاریافته به مدیران کمک کند.

اما یک محدودیت مهم وجود دارد. عملکرد کارکنان همیشه از طریق داده‌های کمی قابل‌اندازه‌گیری نیست. کیفیت همکاری، خلاقیت، توانایی حل مسئله و شرایط محیطی ممکن است در شاخص‌های عددی به‌خوبی منعکس نشوند. بنابراین، استفاده از AI برای ارزیابی عملکرد کارکنان می‌بایست تنها در نقش ابزار تحلیل و پشتیبانی باشد. واگذاری تصمیم‌های مهمی مانند ارتقا شغلی، تنزل رتبه یا خاتمه همکاری به یک الگوریتم، بدون بررسی زمینه و امکان اعتراض می‌تواند پیامدهای جدی داشته باشد.

پیش‌بینی ترک شغل و نگهداشت کارکنان

ترک شغل کارکنان، به‌ویژه نیروهای متخصص و دارای مهارت‌های کمیاب، می‌تواند هزینه‌های مستقیم و غیرمستقیم زیادی برای سازمان ایجاد کند. مدل‌های یادگیری ماشین می‌توانند داده‌های تاریخی مربوط به جابه‌جایی نیروی انسانی را بررسی و الگوهای مرتبط با خروج کارکنان را شناسایی کنند. این مدل‌ها ممکن است متغیرهایی مانند سابقه اشتغال، تغییرات نقش، فرصت‌های ارتقا شغلی، میزان مشارکت در فعالیت‌های سازمانی و اطلاعات مرتبط با رضایت شغلی را تحلیل کنند. خروجی چنین سامانه‌ای می‌تواند به مدیران نشان دهد که کدام بخش‌های سازمان به بررسی دقیق‌تری نیاز دارند.

نه زیرساخت، نه داده، نه هزینه‌کرد؛ نگهداشت استعداد بحران اصلی شرکت‌های هوش مصنوعی است

بااین‌حال، پیش‌بینی احتمال ترک شغل به معنای شناخت قطعی قصد یک فرد نیست. حتی اگر الگوریتم احتمال خروج کارمندی را بالا برآورد کند، نمی‌توان نتیجه گرفت که او حتما سازمان را ترک خواهد کرد. به همین دلیل، استفاده از این تحلیل‌ها برای شناسایی مشکلات ساختاری مانند فرصت‌های محدود رشد، ضعف مدیریت یا نارضایتی از شرایط کاری، منطقی‌تر از استفاده تنبیهی از امتیازهای پیش‌بینی‌شده است.

برنامه‌ریزی نیروی کار و تحلیل سرمایه انسانی

یکی از کاربردهای راهبردی هوش مصنوعی در HR، کمک به برنامه‌ریزی نیروی کار است. در این رویکرد، سازمان صرفا به نیازهای استخدامی فعلی توجه نمی‌کند، بلکه می‌کوشد نیازهای مهارتی و نیروی انسانی آینده را نیز پیش‌بینی کند. برای مثال، سازمانی که قصد توسعه فعالیت‌های دیجیتال خود را دارد، باید مشخص کند در آینده به چه تعداد متخصص داده، مهندس نرم‌افزار یا مدیر محصول نیاز خواهد داشت. مدل‌های پیش‌بینانه می‌توانند با تحلیل اطلاعات مربوط به ساختار فعلی کارکنان، مهارت‌ها، نرخ خروج، برنامه‌های توسعه و سناریوهای کسب‌وکار، به برآورد این نیازها کمک کنند.

خبری از مهارت‌های هوش مصنوعی در مصاحبه‌های شغلی نیست؛ اما باید باشد

این تحلیل‌ها همچنین می‌توانند در تصمیم‌گیری درباره جذب نیروی جدید، بازآموزی کارکنان فعلی یا جابه‌جایی داخلی استعدادها مفید باشند. در سطحی گسترده‌تر، ترکیب هوش مصنوعی و People Analytics می‌تواند واحد منابع انسانی را از یک واحد عمدتا اجرایی به شریکی تحلیلی در تصمیم‌گیری‌های سازمان تبدیل کند.

اتوماسیون خدمات و عملیات منابع انسانی

بخشی از زمان کارکنان منابع انسانی صرف پاسخ‌گویی به پرسش‌های تکراری، پردازش درخواست‌ها و تهیه اسناد اداری می‌شود. دستیارهای هوشمند می‌توانند برخی از این فعالیت‌ها را خودکار کنند؛ برای مثال:

• پاسخ به پرسش‌های مربوط به مرخصی و مزایا
• راهنمایی کارکنان درباره رویه‌های داخلی
• کمک به فرایند ورود کارکنان جدید (Onboarding)
• تهیه پیش‌نویس نامه‌ها و اسناد اداری
• استخراج اطلاعات از آیین‌نامه‌ها و دستورالعمل‌های سازمانی

برای استفاده سازمانی، این دستیارها می‌توانند به پایگاه دانش داخلی متصل شوند تا پاسخ‌هایشان بر اساس اسناد معتبر سازمان تولید شود. بااین‌حال، دسترسی به اطلاعات محرمانه باید بر اساس سطح دسترسی کارکنان کنترل شود و پاسخ‌های سامانه نیز در موضوعات حساس امکان بررسی انسانی داشته باشند.

چرا هوش مصنوعی مولد برای کارکنان تا این حد تهدیدآمیز به نظر می‌رسد؟

مهم‌ترین مزایای هوش مصنوعی در منابع انسانی چیست؟

مزایای این فناوری را می‌توان در چند دسته اصلی طبقه‌بندی کرد:

نکته مهم آن است که این مزایا تضمین‌شده نیستند. کیفیت داده‌ها، تناسب ابزار با مسئله، نحوه طراحی فرایند و میزان پذیرش فناوری توسط کارکنان تعیین می‌کنند که این ظرفیت‌ها تا چه اندازه محقق شوند.

استفاده از هوش مصنوعی در منابع انسانی چه چالش‌هایی دارد؟

سوگیری الگوریتمی و تبعیض

مدل‌های هوش مصنوعی از داده‌های موجود برای شناسایی الگوها استفاده می‌کنند. اگر داده‌های آموزشی اطلاعات ناکافی، ناقص یا اشتباه و دارای سوگیری‌های خاص داشته باشند، الگوریتم نیز ممکن است همان الگوها را بازتولید کند. برای مثال، اگر داده‌های استخدام گذشته یک سازمان نشان دهد که گروه مشخصی از متقاضیان بیشتر استخدام شده‌اند، مدل ممکن است به‌اشتباه ویژگی‌های مشترک آن گروه را نشانه شایستگی تلقی کند. در نتیجه، استفاده از هوش مصنوعی لزوما سوگیری انسانی را حذف نمی‌کند و حتی می‌تواند آن را در مقیاس گسترده‌تری بازتولید کند.

حریم خصوصی و امنیت اطلاعات

داده‌های منابع انسانی شامل اطلاعات شخصی و گاهی حساس کارکنان است؛ از اطلاعات هویتی و سوابق شغلی گرفته تا حقوق، ارزیابی عملکرد و اطلاعات مربوط به وضعیت استخدام. ارسال این اطلاعات به سامانه‌های هوش مصنوعی بدون بررسی سیاست‌های پردازش داده، کنترل دسترسی و شرایط نگهداری اطلاعات می‌تواند مخاطرات امنیتی و حقوقی ایجاد کند. سازمان باید مشخص کند چه داده‌هایی مجاز به پردازش هستند، چه کسانی به خروجی‌ها دسترسی دارند و اطلاعات در چه شرایطی ذخیره یا حذف می‌شوند.

لزوم شفافیت و توضیح‌پذیری

اگر سامانه‌ای یک متقاضی را در رتبه پایین قرار دهد یا احتمال ترک شغل یک کارمند را بالا ارزیابی کند، متخصص و مدیر منابع انسانی باید بتواند منطق و محدودیت‌های این خروجی را بررسی کند. خروجی یک مدل پیچیده، به‌ویژه در تصمیم‌های حساس، نباید به‌عنوان حقیقت قطعی پذیرفته شود.

وابستگی بیش از حد به خروجی الگوریتم

ممکن است مدیران به دلیل اعتماد بیش از اندازه به ابزارهای هوشمند، بررسی مستقل اطلاعات را کنار بگذارند. این مسئله به‌ویژه زمانی خطرناک است که خروجی مدل مبنای تصمیم‌های استخدامی یا ارزیابی کارکنان قرار گیرد. پیاده‌سازی AI به نرم‌افزار مناسب، زیرساخت داده، یکپارچه‌سازی با سامانه‌های موجود، نیروی متخصص و آموزش کارکنان نیاز دارد و به همین دلیل، خرید یک ابزار هوش مصنوعی به‌تنهایی به معنای تحول در مدیریت منابع انسانی نیست.

چگونه هوش مصنوعی را در واحد منابع انسانی مستقر کنیم؟

استقرار موفق AI بهتر است با انتخاب یک مسئله مشخص آغاز شود، نه خرید یک محصول یا انتخاب یک مدل مشهور. یک مسیر اجرایی مناسب شامل مراحل زیر است:

• شناسایی مسئله کسب‌وکار: مشخص کنید سازمان در کدام فرایند با مشکل روبه‌رو است. برای مثال، زمان طولانی استخدام، هزینه بالای آموزش یا دشواری پیش‌بینی نیازهای نیروی انسانی.
• بررسی آمادگی داده‌ها: اطمینان حاصل کنید اطلاعات موردنیاز در دسترس، معتبر، به‌روز و قابل‌استفاده هستند. داده‌های ناقص یا ناسازگار می‌توانند خروجی مدل را بی‌اعتبار کنند.
• انتخاب فناوری متناسب با مسئله: برای تحلیل داده‌های ساختاریافته ممکن است یادگیری ماشین مناسب باشد؛ برای پردازش اسناد و متون، NLP و برای تولید محتوا یا پاسخ‌گویی به پرسش‌ها، هوش مصنوعی مولد کاربرد بیشتری داشته باشد.
• اجرای پروژه آزمایشی: فناوری را ابتدا در یک فرایند کوچک آزمایش کنید. برای مثال، از یک ابزار هوشمند برای کمک به تدوین شرح شغل یا دسته‌بندی اولیه رزومه‌ها استفاده کنید.
• تعریف نظارت انسانی: مشخص کنید کدام خروجی‌ها نیازمند تأیید مدیر یا متخصص منابع انسانی هستند. در تصمیم‌های حساس درباره افراد، امکان بررسی و اصلاح خروجی الگوریتم اهمیت ویژه‌ای دارد.
• ارزیابی و توسعه: نتایج پروژه را با وضعیت پیش از استقرار مقایسه کنید. اگر بهبود قابل‌اندازه‌گیری حاصل شده و ریسک‌ها کنترل شده‌اند، می‌توان دامنه استفاده را گسترش داد.

میزان موفقیت پروژه‌های هوش مصنوعی مختص منابع انسانی را چگونه اندازه‌گیری کنیم؟

برای ارزیابی میزان ارزش‌آفرینی هوش مصنوعی در فرایندهای منابع انسانی می‌بایست میان شاخص‌های عملیاتی، کیفیت تصمیم‌گیری و پیامدهای سازمانی تفاوت قائل شد.

برای مثال، کاهش زمان بررسی رزومه‌ها یک دستاورد عملیاتی است؛ اما برای اثبات ارزش اقتصادی پروژه باید بررسی کرد آیا این کاهش زمان به کاهش هزینه استخدام، افزایش کیفیت انتخاب یا آزادشدن ظرفیت کارکنان منابع انسانی منجر شده است یا خیر. همچنین باید هزینه‌های پیاده‌سازی، نگهداری، آموزش و نظارت را در محاسبه بازگشت سرمایه لحاظ کرد.

الزامات قانونی و حکمرانی هوش مصنوعی در منابع انسانی

استفاده از هوش مصنوعی در تصمیم‌های مرتبط با اشتغال به دلیل تأثیر مستقیم بر حقوق و فرصت‌های افراد، در برخی نظام‌های حقوقی تحت نظارت ویژه قرار دارد. به‌عنوان‌مثال، قانون هوش مصنوعی اتحادیه اروپا (EU AI Act) بسیاری از سامانه‌های مورداستفاده برای استخدام و انتخاب افراد از جمله ابزارهای رتبه‌بندی و غربالگری متقاضیان را در دسته سامانه‌های پرریسک قرار می‌دهد. این دسته‌بندی به دلیل احتمال بازتولید تبعیض و تأثیر خروجی الگوریتم بر فرصت‌های شغلی افراد اهمیت دارد.

البته این مقررات صرفا مربوط به اتحادیه اروپا هستند و نباید به‌عنوان قوانین لازم‌الاجرا در ایران معرفی شوند. بااین‌حال، اصولی مانند شفافیت، حفاظت از داده‌های شخصی، ارزیابی ریسک، مستندسازی و نظارت انسانی می‌توانند مبنای مناسبی برای سیاست‌های داخلی سازمان‌ها باشند. ز منظر مدیریتی، سازمان باید پیش از استقرار هر سامانه مشخص کند:

• مسئولیت تصمیم نهایی با چه فرد یا واحدی است؟
• آیا کارکنان از استفاده از هوش مصنوعی در فرایندهای مرتبط با خود اطلاع دارند؟
• آیا امکان اعتراض و بازبینی تصمیم‌های گرفته‌شده توسط هوش مصنوعی وجود دارد؟
• آیا عملکرد سامانه از نظر تبعیض و خطا به طور مستمر بررسی می‌شود؟
• چه سازوکاری برای کنترل دسترسی و حفاظت از داده‌ها وجود دارد؟

هوش مصنوعی در خدمت نیروی انسانی

هوش مصنوعی زمانی برای واحد منابع انسانی ارزش راهبردی ایجاد می‌کند که از سطح خودکارسازی فعالیت‌های اداری فراتر برود و به بهبود تحلیل، برنامه‌ریزی و تصمیم‌گیری سازمان کمک کند. انتخاب مسئله مناسب، کیفیت داده‌ها، نظارت انسانی و سنجش نتایج، عوامل تعیین‌کننده موفقیت این فناوری هستند. در چنین رویکردی، هدف جایگزینی قضاوت انسانی با الگوریتم نیست؛ بلکه ایجاد ترکیبی از ظرفیت محاسباتی ماشین و شناخت انسانی برای مدیریت مؤثرتر سرمایه انسانی است.

پرسش‌های متداول درباره هوش مصنوعی در منابع انسانی

• هوش مصنوعی در منابع انسانی چه کاربردهایی دارد؟
  از مهم‌ترین کاربردهای هوش مصنوعی در HR می‌توان به جذب و استخدام، غربالگری رزومه، آموزش شخصی‌سازی‌شده، تحلیل عملکرد، پیش‌بینی ترک شغل، برنامه‌ریزی نیروی کار و خودکارسازی خدمات منابع انسانی اشاره کرد.
• آیا هوش مصنوعی می‌تواند جایگزین کارشناسان منابع انسانی شود؟
  هوش مصنوعی می‌تواند بخشی از فعالیت‌های تکراری و تحلیلی را خودکار کند، اما تصمیم‌های مرتبط با افراد به درک زمینه سازمانی، قضاوت حرفه‌ای، ارتباط انسانی و مسئولیت‌پذیری نیاز دارند. بنابراین، نقش اصلی آن کمک به کارشناسان و افزایش ظرفیت عملیاتی آن‌هاست.
• آیا استفاده از هوش مصنوعی در استخدام باعث کاهش تبعیض می‌شود؟
  نه لزوما. الگوریتم‌ها می‌توانند برخی سوگیری‌های انسانی را کاهش دهند، اما در صورت استفاده از داده‌های تاریخی نامتوازن ممکن است تبعیض موجود را بازتولید کنند. ارزیابی مستمر و نظارت انسانی ضروری است.
• هوش مصنوعی مولد چه تفاوتی با هوش مصنوعی سنتی در منابع انسانی دارد؟
  هوش مصنوعی پیش‌بینانه عمدتا برای تحلیل داده و پیش‌بینی الگوها استفاده می‌شود؛ درحالی‌که هوش مصنوعی مولد می‌تواند متن، گزارش، محتوای آموزشی و پاسخ‌های متنی تولید کند. این دو فناوری می‌توانند در یک فرایند مکمل یکدیگر باشند.
• برای استفاده از هوش مصنوعی در منابع انسانی چه داده‌هایی لازم است؟
  بسته به کاربرد، اطلاعات مربوط به سوابق شغلی، مهارت‌ها، آموزش، ساختار سازمانی، عملکرد، استخدام و جابه‌جایی کارکنان ممکن است موردنیاز باشند. جمع‌آوری و پردازش این اطلاعات باید متناسب با هدف مشخص و الزامات حفاظت از داده‌ها انجام شود.
• چگونه بازگشت سرمایه هوش مصنوعی در منابع انسانی محاسبه می‌شود؟
  باید ارزش‌های قابل‌اندازه‌گیری مانند کاهش هزینه استخدام، صرفه‌جویی در زمان، بهبود کیفیت خدمات و کاهش هزینه‌های عملیاتی را با مجموع هزینه‌های خرید، پیاده‌سازی، یکپارچه‌سازی، آموزش و نگهداری مقایسه کرد.