Gefragter denn je: Künstliche Intelligenz im Recruiting

Das Consulting Unternehmen Accenture hat in einer Studie zum Thema AI herausgefunden, dass sich die durchschnittliche Profitabilität von Unternehmen, aufgrund der potenziellen Effizienz, um 38% steigern könnte. In Oberösterreich wurde zuletzt eine neue Universität angekündigt, welche sich schwerpunktmäßig mit dem Thema der Digitalen Transformation beschäftigen wird. Zunehmende Automatisierung sieht man auf der einen Seite als Hoffnungsträger, welcher uns die nächste industrielle Revolution herbeibringen wird, auf der anderen als Hauptgrund für Massenarbeitslosigkeit und den Wegfall traditioneller Arbeiterjobs. Im Jahr 2019 wurden über $70 Milliarden in AI investiert, auch im akademischen Feld ist die Forschung mit oder an künstlicher Intelligenz in jeglichen Sparten in den letzten Jahren stark gewachsen. Im Zusammenhang mit AI fallen auch oft die Begriffe Machine Learning und Deep Learning. AI ist im Grunde genommen die übergeordnete Disziplin, Machine Learning ist ein Teilgebiet dieser Disziplin und beschreibt die Kunst, bei der Computer durch das Zusammenspiel von Daten und Algorithmen ein selbstlernendes Computerprogramm kreieren können. Spam Filter sind ein bekanntes Beispiel für die Anwendung von Machine Learning. Deep Learning hingegen ist ein Teilbereich des Machine Learnings, hier kommt das Konzept der neuronalen Netze ins Spiel, einfach gesagt: man versucht die Struktur und Funktion des menschlichen Gehirns zu rekonstruieren. Deep Learning Modelle werden meist in der Sprach- oder Bildverarbeitung genutzt. Für Anwendungen im Recruiting würde man sich grundsätzlich zunächst am Machine Learning orientieren und für einige spezialisierte Aufgaben durch genügend Daten und den richtigen Algorithmus eine automatisierte Lösung schaffen.

In Folge sehen Sie nun mögliche Anwendungen für AI im Recruiting:

1. Das Suchen von KandidatInnen

Der Suchprozess, unabhängig davon ob er auf sozialen Netzwerken oder im Bewerbermanagement-System selbst stattfindet, gestaltet sich nicht nur schwierig, sondern vor allem sehr aufwändig. Auch ist es überaus wichtig im immer stärker saturierten Feld des Recruitings, so schnell wie möglich an die richtigen KandidatInnen zu kommen. Hier könnte man durch einen ausgeklügelten Algorithmus Abhilfe schaffen, indem ein Computerprogramm alle verfügbaren KandidatInnen in kürzester Zeit screent und mit den Anforderungen des Kunden abgleicht. Beispielsweise findet man auf LinkedIn über 4,6 Tsd. Personen, welche in Österreich wohnen und die Kenntnisse des maschinellen Lernens in ihrem Profil hinterlegt haben - der Computer könnte diese Profile ganz schnell vorselektieren, um die richtigen Leute zu finden. Ein weiterer Einsatzbereich wäre das Anschreiben mit Machine Learning, um die Effektivität einzelner Textbausteine zu analysieren und persönlichere Anschreiben voll automatisiert zu verfassen.

 

2. Das Bearbeiten von Bewerbungen

Auch beim Eingang von Bewerbungen könnte man mithilfe der Technik eine höhere Effizienz erzielen. Ähnlich wie beim Active Sourcing werden KandidatInnen für RecruiterInnen vorselektiert und je nach ihrer Qualifikation für die jeweilige Position bewertet. Sollten es KandidatInnen nicht in die engere Auswahl geschafft haben, könnte man auch noch abgleichen, ob es nicht eine andere freie Position gibt, welche auf die Qualifikationen der Person passt. Sollte dies auch nicht der Fall sein, dann könnte das System automatisch eine E-Mail verfassen und die KandidatInnen über den Verlauf der Bewerbung informieren, sie in Evidenz aufnehmen und in einen Pool für weitere Berücksichtigung sortieren. Wenn es in Zukunft eine Position gibt, welche für den/die KandidatIn passen könnte, werden diese den RecruiterInnen ebenfalls gleich vorgeschlagen. Zum einen würde dies den Arbeitsaufwand verringern, zum anderen versichern, dass KandidatInnen so schnell wie möglich eine Rückmeldung bekommen und in Zukunft auch berücksichtigt werden. Eine weitere Möglichkeit, AI im Recruiting Prozess zu integrieren, wäre in der Form eines Chat Bots. KandidatInnen könnten den Chat Bot zu aktuellen Vakanzen und dem Bewerbungsstatus befragen.

3. Einsatzplanung im Bereich der Arbeitskräfteüberlassung

In der Arbeitskräfteüberlassung sind die Einsätze der MitarbeiterInnen oft zeitlich befristet, enden manchmal abrupt oder Personal wird relativ schnell benötigt. In einem hektischen Arbeitsumfeld könnte man durch die Unterstützung von AI Abhilfe schaffen und die Effizienz erhöhen. Das Programm würde hier einen Überblick über den Pool an verfügbaren MitarbeiterInnen halten und RecruiterInnen bei der Einsatzplanung unterstützen, indem automatisch passende BewerberInnen angezeigt und auch kontaktiert werden. Weiters könnte man eine Analyse zu Performance Faktoren der MitarbeiterInnen machen.

4. Beim Verfassen und Schalten von Stellenanzeigen 

Welche Faktoren bewegen welche Menschen sich für einen Job zu bewerben, welche Wörter sollte man verwenden, damit möglichst viele Leute die Anzeigen sehen und wann bzw. wo sollte man Anzeigen schalten? Anzeigen auf Jobportalen zu schalten ist eine teure Angelegenheit und natürlich will man einen möglichst hohen Rücklauf sehen. Hier könnten Algorithmen, wie NLP, Abhilfe schaffen und RecruiterInnen Daten zu den Erfolgsfaktoren geben.

5. Bei Bewerbungsgesprächen

Wie schon erwähnt wird Deep Learning für die Analyse von Bild- und Sprachdaten genutzt. Vor allem in der Zeit von Corona ist das Video Interview zu einem beliebten Tool für das erste Kennenlernen geworden. Durch Deep Learning könnte man die Performance von KandidatInnen auf der Grundlage von Daten analysieren, auch automatisierte Video Interviews wären eine Möglichkeit, um ohne viel Aufwand eine erste Einschätzung von KandidatInnen zu bekommen.

 

AI könnte es schaffen, das Einstellen von MitarbeiterInnen zu verbessern und ArbeitnehmerInnen sowie Unternehmen ermöglichen, das richtige Gegenstück, den Perfect Match, zu finden.

Autor: Hadis Mehinovic, Recruiting Spezialist bei Trenkwalder Österreich

Quellen:

https://partners.wsj.com/accenture/breaking-through/ai-future-growth/