Värbamisprotsessi automatiseerimine tehisintellektiga ei tähenda, et süsteem palkab inimese ära. Hea automatiseerimine teeb midagi palju praktilisemat: vähendab käsitööd, hoiab andmed korras, tuletab õigel ajal meelde ja valmistab konsultandile ette parema tööjärjekorra.
Eesti agentuurides on see eriti oluline, sest tiimid on sageli väikesed ja projektid nõuavad palju konteksti. Kui konsultant peab iga kandidaadi kohta käsitsi kopeerima profiili, otsima eelmisi märkmeid ja jälgima staatuseid, kaob fookus sealt, kus see peaks olema: inimeselt ja kliendilt.
Automatiseerimise kolm taset
Esimene tase on administratiivne: profiilide loomine, staatuse uuendamine, meeldetuletused, kalendri- ja e-posti ajalugu. Teine tase on otsing ja analüüs: sobivate kandidaatide leidmine, sarnasuse põhjendamine, andmebaasi elustamine. Kolmas tase on suhtlus: kirjade mustandid, kliendile mõeldud kokkuvõtted ja tagasiside ettevalmistus.
Kõige targem on alustada esimesest tasemest. See ei tekita suurt õiguslikku ega usaldusriski, aga säästab kiiresti aega. Kui andmed on korras ja tööjärjekord toimib, saab lisada keerukama tehisintellekti kihi.
Kus tehisintellekt annab kiireima võidu
Kandidaadiprofiilide loomine
Profiilide käsitsi loomine tundub väike töö, kuni seda mõõta. Mõni minut ühe kandidaadi kohta, kümned kandidaadid nädalas, mitu konsultanti. Kuu lõpuks on see terve tööpäevade hulk, mis ei loonud ühtegi paremat vestlust.
Tehisintellekt saab CV-st ja LinkedIni profiilist välja võtta põhiväljad, märkida puuduvad andmed ja siduda kandidaadi õige projektiga. Inimene kontrollib. Aga inimene ei pea alustama tühjalt lehelt.
Olemasoleva andmebaasi otsing
Vanad kandidaadibaasid on sageli alakasutatud. Seal on palju väärtust, aga see on peidus ebaühtlaste märksõnade, vanade ametinimetuste ja lõpetatud projektide all. Semantiline otsing aitab leida sobivust karjääri loogika, sektori ja oskuste järgi.
See on oluline juhtide otsingus, tehnilistes rollides ja väiksemates turgudes, kus hea kandidaat ei pruugi kanda täpselt sama ametinimetust, mida klient kasutab briifis.
Protsessi meeldetuletused
Paljud värbamisprotsessi probleemid ei ole suured strateegilised vead. Need on väikesed viivitused. Kandidaat ootab vastust. Klient ei andnud tagasisidet. Konsultant ei uuendanud staatust. Automaatne töövoog saab sellised kohad nähtavaks teha enne, kui usaldus kannatab.
Mida ei tohiks pimesi automatiseerida
Kandidaadi lõplik tagasilükkamine, lühinimekirja kinnitamine ja kliendile antav nõu peaksid jääma inimesele. Tehisintellekt võib pakkuda argumente ja tuua välja riske, aga konsultant peab aru saama, miks inimene edasi liigub või miks mitte.
See on oluline ka regulatsiooni pärast. AI Act Service Desk selgitab, et tööhõivet ja kandidaatide võimalusi mõjutavad tehisintellekti süsteemid võivad kuuluda kõrge riski kategooriasse. Agentuur peab teadma, mida süsteem teeb, milliseid andmeid kasutab ja kus inimene kontrollib tulemust.
Kuidas mõõta, kas automatiseerimine töötab
Mõõtke neli asja. Esiteks, aeg esimese kasutatava kandidaatide nimekirjani. Teiseks, kasutatavate profiilide osakaal esimeses nimekirjas. Kolmandaks, mitu kandidaati leiti olemasolevast andmebaasist. Neljandaks, mitu protsessi sammu jäi üle 48 tunni seisma.
Kui need näitajad paranevad, on automatiseerimisel mõte. Kui tööriistal on rohkem nuppe, aga konsultant teeb sama käsitööd, on probleem lihtsalt ilusamasse liidesesse kolitud.
Praktiline algus Eesti agentuurile
Valige üks töövoog, mitte terve agentuuri ümberkorraldus. Alustage profiilide loomisest või andmebaasi otsingust ühe aktiivse rolli jaoks. Võrrelge käsitsi tehtud tulemusega. Vaadake, kus süsteem eksib, kus aitab ja millised andmed peavad enne korda saama.
Yena aitab seda teha samas tööruumis: värbamistarkvara, kandidaadibaas, LinkedIni profiilide lisamine ja tehisintellekti otsing töötavad koos. Kui tahad assistendi vaadet, loe ka tehisintellekti värbamisassistendist, kes teeb ettevalmistava töö ära.