التعلم الآلي في الموارد البشرية: دليل 2026 للتوظيف المدعوم بالذكاء الاصطناعي

ملخص سريع: يستخدم التعلم الآلي في إدارة الموارد البشرية الخوارزميات لتحليل بيانات القوى العاملة، والتنبؤ بسلوك الموظفين، وأتمتة عمليات التوظيف. وتشير الدراسات إلى أن 83% من أصحاب العمل يستخدمون الآن أدوات الذكاء الاصطناعي في التوظيف، مع انخفاض تكلفة التوظيف بنسبة 30%. ويُحوّل التعلم الآلي إدارة الموارد البشرية من إدارة تفاعلية إلى عملية صنع قرار استراتيجية قائمة على البيانات.

تواجه إدارات الموارد البشرية ضغوطًا متزايدة. فبحسب شهادة لجنة تكافؤ فرص العمل، يستخدم ما يصل إلى 83% من أصحاب العمل، وما يصل إلى 99% من شركات قائمة فورتشن 500، نوعًا من الأدوات الآلية لفرز المرشحين أو تصنيفهم. هذا ليس مجرد اتجاه، بل هو الوضع الطبيعي الجديد.

يُحدث التعلّم الآلي تغييراً جذرياً في طريقة عمل فرق الموارد البشرية. فبدلاً من فرز مئات السير الذاتية يدوياً، تُحدد الخوارزميات الأنماط عبر آلاف نقاط البيانات في ثوانٍ معدودة. لكن هذا التحوّل يجلب معه التعقيد إلى جانب الكفاءة.

تعد هذه التقنية بتوظيف أكثر ذكاءً، وتكاليف أقل، واحتفاظ أفضل بالموظفين. لكن بصراحة، تُضيف مخاطر جديدة تتعلق بالتحيز والشفافية والامتثال القانوني. المنظمات التي تُدرك كلا الجانبين تُهيئ نفسها للمنافسة على المواهب، بينما تتخلف المنظمات التي لا تُدرك ذلك.

ما الذي يعنيه التعلم الآلي فعلياً لفرق الموارد البشرية؟

يُعدّ التعلّم الآلي فرعاً من فروع الذكاء الاصطناعي، ويركّز على التعرّف على الأنماط. فبدلاً من اتباع قواعد جامدة، تتعلّم خوارزميات التعلّم الآلي من البيانات. عند تزويد النظام بعشرة آلاف سجلّ للموظفين، يحدّد النظام الخصائص المرتبطة بالأداء العالي أو سرعة ترك العمل.

تظهر ثلاثة أنواع من التعلم الآلي في تطبيقات الموارد البشرية:

• يستخدم التعلم الخاضع للإشراف بيانات تاريخية مصنفة - مثل الموظفين السابقين المصنفين على أنهم "محتفظ بهم" أو "مغادرون" - للتنبؤ بنتائج المرشحين الجدد. وهذا ما يدعم معظم أدوات فحص التوظيف.
• يكتشف التعلم غير الخاضع للإشراف أنماطًا خفية دون الحاجة إلى تصنيفات مسبقة. تستخدم فرق الموارد البشرية هذه التقنية لتقسيم الموظفين، واكتشاف مجموعات طبيعية بناءً على السلوك أو المهارات أو مستويات المشاركة.
• يتحسن التعلم المعزز من خلال التجربة والتغذية الراجعة. تقوم بعض الأنظمة المتقدمة بتعديل أسئلة المقابلة بناءً على إجابات المرشحين، على الرغم من أن هذا الأسلوب لا يزال أقل شيوعًا من الأساليب الأخرى.

هذا التمييز مهم. تحتاج النماذج الخاضعة للإشراف إلى بيانات تاريخية دقيقة، مما يعني أن التحيزات السابقة قد تتغلغل في التنبؤات. المنظمات التي اعتمدت تاريخياً على ممارسات توظيف متحيزة معرضة لخطر أتمتة تلك الأنماط نفسها.

التبني الحالي عبر المنظمات

بحسب دراسة أجرتها جمعية إدارة الموارد البشرية (SHRM)، يعمل 621% من متخصصي الموارد البشرية في مؤسسات تستخدم الذكاء الاصطناعي في عملياتها. لنُفصّل هذه النسبة أكثر:

• تم اعتماد الذكاء الاصطناعي في وظائف الموارد البشرية تحديدًا في شركة 39%
• تخطط شركة 7% لإطلاق حلول الذكاء الاصطناعي التي تركز على الموارد البشرية هذا العام
• يستخدم برنامج 23% الذكاء الاصطناعي في أماكن أخرى، ولكن ليس بعد في مجال الموارد البشرية.
• لا توجد لدى 31% أي خطط لإطلاق الذكاء الاصطناعي

ولا تقف الشركات الصغيرة مكتوفة الأيدي أيضاً. فالتطبيق الحقيقي للتعلم الآلي، حيث تُحسّن الأنظمة التنبؤات بمرور الوقت، لا يزال محصوراً بين الشركات الكبيرة.

لكن الأمر المهم هو أن التبني لا يعني بالضرورة التطور. تستخدم العديد من المؤسسات أنظمة أتمتة أساسية مثل تحليل السير الذاتية وتطلق عليها اسم "الذكاء الاصطناعي".“

التطبيقات الأساسية التي تُحدث تحولاً في وظائف الموارد البشرية

التوظيف وفحص المرشحين

هنا يكمن التأثير الفوري الأكبر للتعلم الآلي. فبحسب بيانات لجنة تكافؤ فرص العمل الصادرة في فبراير 2022، يستخدم 791% من أصحاب العمل الذكاء الاصطناعي أو الأتمتة في عمليات التوظيف والتعيين.

تقوم الخوارزميات بفحص الطلبات بناءً على أنماط من عمليات التوظيف الناجحة. فهي تحلل السير الذاتية، وتقيّم مدى توافق المهارات، وتصنف المرشحين - كل ذلك قبل أن يراجعها شخصٌ مختص. تُظهر أبحاث جمعية إدارة الموارد البشرية (SHRM) أن التوظيف باستخدام الذكاء الاصطناعي يُقلل تكلفة التوظيف بنسبة 30%، وأن 86.1% من مسؤولي التوظيف الذين يستخدمون الذكاء الاصطناعي أفادوا بتسريع عمليات التوظيف.

تستطيع هذه التقنية التعامل مع كميات هائلة من الطلبات تفوق قدرة العمليات اليدوية. فعندما يجذب منصب ما 500 متقدم، تقوم أنظمة التعلم الآلي بتقليص عدد المتقدمين إلى 20-30 مرشحًا من أفضل المرشحين في دقائق معدودة بدلاً من أيام.

لكن مهلاً، هذه الكفاءة تأتي مصحوبة بمخاطر موثقة. فقد استبعدت الأنظمة الآلية مرشحين مؤهلين لأن الخوارزميات تعلمت من أنماط التوظيف السابقة التي استبعدت فئات ديموغرافية معينة. وقد أطلقت لجنة تكافؤ فرص العمل مبادرة محددة في أكتوبر 2021 لمعالجة مسألة العدالة الخوارزمية في التوظيف.

التحليلات التنبؤية للاحتفاظ بالعملاء

تحلل نماذج التعلم الآلي بيانات الموظفين للتنبؤ بمن هم الأكثر عرضة للمغادرة. وتشمل المتغيرات مدة الخدمة، والتقدم في الراتب، وتقييمات الأداء، وإجابات استبيانات الرضا الوظيفي، وسجل الترقيات.

حققت إحدى الدراسات التي استخدمت تصنيف الغابات العشوائية دقة بلغت 88% في التنبؤ بمعدل دوران الموظفين بناءً على بيانات الاختبار، وذلك استنادًا إلى عوامل مثل الرضا الوظيفي، والتوازن بين العمل والحياة، والدخل الشهري. وعندما تُشير النماذج إلى الموظفين المعرضين لخطر كبير، يمكن لإدارة الموارد البشرية التدخل بجهود مُوجّهة للاحتفاظ بهم.

يحوّل هذا النهج إدارة الموارد البشرية من رد الفعل إلى الاستباقية. فبدلاً من إجراء مقابلات الخروج بعد استقالة الموظف، تحدد الإدارات مؤشرات عدم الرضا قبل ذلك بأشهر.

إدارة الأداء والتطوير

تتتبع أنظمة التعلم الآلي مؤشرات الأداء باستمرار بدلاً من الاعتماد فقط على التقييمات السنوية. فهي تحدد فجوات المهارات، وتوصي ببرامج تدريبية، وتقترح مسارات وظيفية بناءً على ملفات تعريف الموظفين المشابهة لأولئك الذين نجحوا في أدوار محددة.

وفقًا لتقرير SHRM لعام 2026 حول حالة الذكاء الاصطناعي في الموارد البشرية، فإن التأثير التنظيمي للذكاء الاصطناعي من المرجح أن يؤدي إلى تغيير مسؤوليات الوظائف بمقدار 5.7 مرة، ومن المرجح أن يؤدي إلى إنشاء أدوار جديدة بمقدار ثلاثة أضعاف، مقارنة باستبدال الوظائف بالكامل.

تقوم بعض المنصات بتحليل أنماط التواصل، ومعدلات إنجاز المشاريع، وتقييمات الزملاء لاستخلاص رؤى قد يغفل عنها المديرون البشريون. بينما تقوم منصات أخرى بربط الموظفين بموجهين بناءً على بيانات المسار الوظيفي.

تخطيط القوى العاملة وتخصيص الموارد

تتنبأ النماذج التنبؤية باحتياجات التوظيف بناءً على توقعات نمو الأعمال، والأنماط الموسمية، ومعدلات دوران الموظفين. كما تعمل على تحسين جدولة الورديات، وتحديد النقص في المهارات قبل أن يصبح حرجاً، ووضع نماذج لسيناريوهات إعادة الهيكلة التنظيمية.

تستخدم العمليات واسعة النطاق تقنيات التعلم الآلي لموازنة تكاليف العمالة مع تقلبات الطلب. تعالج هذه التقنية متغيرات بالغة التعقيد يصعب التعامل معها باستخدام جداول البيانات، مثل معدلات دوران الموظفين الخاصة بكل موقع، وتواريخ انتهاء صلاحية شهادات المهارات، ونشاط أصحاب العمل المنافسين في الأسواق المحلية.

قم ببناء أدوات تعلم الآلة للموارد البشرية باستخدام الذكاء الاصطناعي المتفوق

عادةً ما يكون التعلم الآلي في مجال الموارد البشرية أكثر فعالية عندما يكون الهدف محددًا - على سبيل المثال، التنبؤ أو التصنيف أو المطابقة أو دعم سير العمل. متفوقة الذكاء الاصطناعي يمكن أن يساعد فرق الموارد البشرية وإدارة شؤون الموظفين في تحديد حالة الاستخدام، ومراجعة البيانات، وبناء نموذج يمكن اختباره قبل التنفيذ الكامل.

يشمل عملهم الاستشارات في مجال الذكاء الاصطناعي، وعلم البيانات، والتعلم الآلي، ومعالجة اللغات الطبيعية، وتطوير برمجيات الذكاء الاصطناعي، وتطوير نماذج إثبات المفهوم، وتقييم النماذج. وهذا يناسب مشاريع الموارد البشرية التي تتطلب معالجة دقيقة لبيانات الموظفين، وبيانات المرشحين، والوثائق، أو سير العمل الداخلي.

بإمكان شركة AI Superior دعم فرق الموارد البشرية من خلال:

• تحديد حالة استخدام التعلم الآلي للموارد البشرية ونطاق المشروع
• مراجعة بيانات المرشحين أو الموظفين أو الأداء أو المستندات
• بناء نماذج إثبات المفهوم
• تطوير نماذج معالجة اللغة الطبيعية أو نماذج التعلم الآلي
• اختبار دقة النموذج وموثوقيته واستخدامه العملي
• تخطيط التكامل مع برامج إدارة الموارد البشرية أو الأنظمة الداخلية
• دعم تطوير منتجات الذكاء الاصطناعي من النموذج الأولي إلى النشر

بالنسبة للموارد البشرية، قد ينطبق هذا على مطابقة المرشحين، وتحليل السير الذاتية، وتحليلات القوى العاملة، والتنبؤ بالاستنزاف الوظيفي، وتحليل ملاحظات الموظفين، وأدوات أتمتة الموارد البشرية الداخلية.

 تواصل مع شركة AI Superior لمناقشة المشروع.

الفوائد الموثقة التي تدفع إلى التبني

تُظهر بيانات جمعية إدارة الموارد البشرية (SHRM) أن 851% من أصحاب العمل الذين يستخدمون الأتمتة أو الذكاء الاصطناعي يُبلغون عن توفير في الوقت وزيادة في الكفاءة. هذا هو الحد الأدنى المطلوب. وتظهر فوائد أعمق عند دراسة مؤشرات محددة.

تتفوق المؤسسات التي تقدم تجارب مميزة لموظفيها عادةً في نمو الإيرادات بنسبة 311 إلى 313 مقارنةً بالشركات الأخرى. ويُمكّن التعلم الآلي من تحقيق هذه التجربة على نطاق واسع، من خلال خطط التطوير الشخصية، والتفاعل الاستباقي، واستراتيجيات الاحتفاظ بالموظفين المُستهدفة.

تعالج التكنولوجيا حلقات التغذية الراجعة التي لا يستطيع البشر القيام بها. فعندما يرتبط برنامج تدريبي بزيادة معدل الاحتفاظ بالموظفين في قسم ما، ولكنه لا يُظهر أي تأثير في قسم آخر، يحدد التعلم الآلي النمط ويعدل التوصيات وفقًا لذلك.

مشكلة التحيز التي لا أحد يريد التحدث عنها

وهنا تكمن المشكلة. فالتعلم الآلي لا يقضي على التحيز، بل قد يزيده.

أبرزت الشهادات أمام لجنة تكافؤ فرص العمل كيف أن الخوارزميات المدربة على بيانات التوظيف التاريخية ترث التمييز السابق. فقد تعلم أحد الأنظمة معاقبة السير الذاتية التي تحتوي على كلمة "نساء" لأنها تظهر في عبارات مثل "نادي الشطرنج النسائي". بينما قام نظام آخر بتخفيض تصنيف المرشحين من جامعات معينة لأن قلة من التعيينات السابقة جاءت من تلك الجامعات.

أطلقت لجنة تكافؤ فرص العمل مبادرة الذكاء الاصطناعي والعدالة الخوارزمية تحديدًا لأن الأنظمة الآلية تُثير مخاوف تتعلق بالحقوق المدنية. وأشارت رينيكا مور في شهادتها إلى أن إعلانات التوظيف في أوائل القرن العشرين كانت تُصنّف الوظائف حسب الجنس - الدعم الإداري للنساء، والأدوار التقنية للرجال. ويُحتمل أن تُرسّخ تقنيات التعلّم الآلي الحديثة أنماطًا مماثلة إذا عكست بيانات التدريب تلك التحيزات التاريخية.

تظهر ثلاثة أنواع من التمييز الخوارزمي:

• الاستبعاد المباشر: تقوم الأنظمة تلقائيًا برفض المرشحين بناءً على خصائص محمية أو بيانات بديلة. ترتبط الرموز البريدية بالعرق؛ وقد يكون للتصفية حسب الموقع آثار تمييزية.
• المتغيرات البديلة: تحدد الخوارزميات العلاقات بين العوامل التي تبدو محايدة والفئات المحمية. تحليل الاسم، والانتماء الجامعي، وفترات انقطاع العمل - كلها يمكن أن تكون بمثابة مؤشرات للعرق أو الجنس أو حالة الإعاقة.
• الشفافية: تعمل معظم أنظمة التعلم الآلي كصناديق سوداء. لا يعرف المرشحون سبب رفضهم. ولا يستطيع أصحاب العمل تفسير القرارات الخوارزمية، مما يجعل التمييز صعب التحديد والطعن فيه.

تتطور الأطر القانونية ببطء. وقد أكدت شهادة آدم كلاين على أن فعالية التكلفة لا تبرر اتخاذ قرارات التوظيف إذا نتج عنها تأثير غير متناسب على الفئات المحمية. ولا تزال قاعدة الأربعة أخماس من تحليل الأثر السلبي سارية؛ فإذا حققت أداة اختيار تقدمًا لفئة ديموغرافية واحدة بمعدل أقل من معدل تقدم الفئة الأعلى أداءً، فإنها تستدعي التدقيق.

استراتيجيات التنفيذ التي تُجدي نفعاً

تتبع المؤسسات الناجحة في استخدام التعلم الآلي في الموارد البشرية أنماطًا محددة. فهي لا تشتري منصة وتنتظر النتائج.

تدقيق البيانات التاريخية أولاً

قبل تدريب أي نموذج، افحص مجموعة البيانات بحثًا عن أي تحيزات كامنة. إذا كانت عمليات التوظيف السابقة قد فضّلت فئات ديموغرافية معينة، فقم بتعديل هذا الخلل وإلا ستستمر الخوارزمية في ترسيخه.

تتفوق البيانات النظيفة على الخوارزميات المعقدة. ويبقى مبدأ "المدخلات الرديئة تؤدي إلى مخرجات رديئة" صحيحاً. فقد اكتشفت إحدى الشركات أن تصنيفات "الأداء العالي" لديها مرتبطة بمدراء بالغوا في التقييمات، وليس بالأداء الفعلي. وكان من شأن تدريب نموذج الاحتفاظ بالموظفين على هذه البيانات أن يؤدي إلى نتائج خاطئة.

التحقق من صحة التوقعات مقابل الفئات المحمية

أجرِ تحليلات دورية للأثر السلبي. بالنسبة لأدوات التوظيف، احسب معدلات الاختيار حسب العرق والجنس والعمر والفئات المحمية الأخرى. قارن أدنى معدل بأعلى معدل - إذا انخفضت النسبة عن 80%، فابدأ بالتحقيق فورًا.

هذا ليس اختيارياً. إنه شرط قانوني بموجب الباب السابع من قانون الحقوق المدنية، وقانون التمييز على أساس السن في التوظيف، وقانون الأمريكيين ذوي الإعاقة.

الحفاظ على الرقابة البشرية

ينبغي أن تُعزز تقنيات التعلم الآلي عملية اتخاذ القرار البشري، لا أن تحل محلها. استخدم الخوارزميات لتقليص عدد المرشحين من 500 إلى 50، ثم طبّق التقييم البشري على القائمة المختصرة.

بحسب بن يوبانكس، كبير مسؤولي الأبحاث في جمعية إدارة الموارد البشرية (SHRM)، "لا يمكننا الاستغناء عن العنصر البشري في الموارد البشرية، أو التوظيف، أو التعيين، لأن هذا هو المكان الذي سنشعر فيه بالخسارة الأكبر". فالتكنولوجيا تتعامل مع الكم الهائل من البيانات، بينما يقوم البشر بتقييم التوافق الثقافي، ومهارات التواصل، والصفات غير الملموسة التي يصعب قياسها كمياً.

وثّق كل شيء

احتفظ بسجلات لمعايير اتخاذ القرارات الخوارزمية، ونتائج اختبارات التحقق، وتحليلات الأثر. في حال الطعن قانونياً، يتعين على المؤسسات إثبات أن الأنظمة الآلية لا تمارس التمييز.

تتوقع لجنة تكافؤ فرص العمل من أصحاب العمل معرفة كيفية عمل أدوات الذكاء الاصطناعي الخاصة بهم. ولا يُعدّ قول "لم نكن نعلم" عذراً مقبولاً. ولا تزال الأنظمة التي يوفرها الموردون تتطلب التحقق الداخلي.

تدريب فرق الموارد البشرية على أساسيات التعلم الآلي

لا يحتاج متخصصو الموارد البشرية إلى شهادات في علوم الحاسوب، لكنهم بحاجة إلى معرفة أساسية بكيفية عمل التعلم الآلي. إن فهم مفاهيم مثل بيانات التدريب، والتخصيص الزائد، والفرق بين الارتباط والسببية، يمنع التبني الساذج للأنظمة المعيبة.

تُشكّل فجوة المعرفة خطراً. فقد يفترض قادة الموارد البشرية غير المتخصصين تقنياً أن "الذكاء الاصطناعي" يعني الموضوعية والدقة، في حين أن أياً منهما ليس مضموناً.

ما تُظهره الأبحاث بالفعل

انظر، تتفاوت الدراسات المتعلقة بالتعلم الآلي في مجال الموارد البشرية بشكل كبير في الجودة. لكن بعض الأنماط تبقى ثابتة في الأبحاث الموثوقة:

أظهرت دراسة أجرتها جمعية إدارة الموارد البشرية (SHRM) عام 2022 أن ما يقرب من ربع المؤسسات تستخدم الأتمتة أو الذكاء الاصطناعي لدعم أنشطة الموارد البشرية. وبعد عامين، ارتفع هذا العدد إلى 621 مؤسسة تستخدم الذكاء الاصطناعي في مكان ما ضمن أنشطتها.

يُظهر قطاع التوظيف تحديدًا أعلى معدلات تبني الذكاء الاصطناعي. فقد اعتمدت ما بين 351 و451 شركة الذكاء الاصطناعي في عمليات التوظيف لديها، ومن المتوقع أن ينمو هذا القطاع بمعدل نمو سنوي مركب قدره 6.171 مليار دولار أمريكي خلال الفترة من 2023 إلى 2030. أما بين شركات قائمة فورتشن 500، فيستخدم ما يصل إلى 991 مليار دولار أمريكي نوعًا من الأدوات الآلية لفرز المرشحين أو تصنيفهم.

تُعدّ وفورات التكاليف حقيقية، لكنها تختلف باختلاف طريقة التطبيق. تشير تقارير جمعية إدارة الموارد البشرية (SHRM) إلى انخفاض تكلفة التوظيف بنسبة 30% عند استخدام الذكاء الاصطناعي في التوظيف. ونظرًا لأن الشركات تخسر في المتوسط 17000 دولار أمريكي على كل موظف غير مناسب، وقدّرت وزارة العمل الأمريكية أن التكلفة قد تصل إلى 30% من أجور السنة الأولى للموظف (وقد تصل إلى 24000 دولار أمريكي لشخص يتقاضى راتبًا قدره 80000 دولار أمريكي)، فإن تحسين عملية الفرز يُحقق عائدًا استثماريًا ملموسًا.

مع ذلك، تتطلب ادعاءات الدقة تدقيقًا. فقد أشارت إحدى الدراسات إلى دقة بلغت 88% في التنبؤ بتسرب الموظفين باستخدام خوارزميات الغابات العشوائية. يبدو هذا الرقم مثيرًا للإعجاب، لكن لا يمكن إدراكه عند النظر إلى المعدل الأساسي. فإذا كان 15% من الموظفين يغادرون سنويًا، فإن نموذجًا يتنبأ دائمًا ببقاء الموظفين سيبلغ دقته 85% دون أي ذكاء اصطناعي. والسؤال الحقيقي هو: هل يتفوق التعلم الآلي على النماذج الأساسية البسيطة بما يكفي لتبرير تكاليف التنفيذ؟.

البيئة التنظيمية ومتطلبات الامتثال

إن لجنة تكافؤ فرص العمل لا تقف مكتوفة الأيدي. فقد أشار اجتماعها الذي عُقد في يناير 2023 بعنوان "التعامل مع التمييز في التوظيف في أنظمة الذكاء الاصطناعي والأنظمة الآلية: أفق جديد للحقوق المدنية" إلى نوايا إنفاذ فعالة.

ينطبق الباب السابع من قانون الحقوق المدنية على قرارات التوظيف الخوارزمية تمامًا كما ينطبق على القرارات البشرية. إذا أحدث نظام التعلم الآلي تأثيرًا غير متناسب على الفئات المحمية، فإن صاحب العمل يتحمل المسؤولية القانونية، حتى لو كان التحيز غير مقصود ومضمنًا في برامج المورد.

أكدت شهادة غاري د. فريدمان على أنه لا يمكن لأصحاب العمل التخلي عن مسؤولياتهم. فاستخدام أدوات الذكاء الاصطناعي الخارجية لا يحمي المؤسسات من دعاوى التمييز. قد يوفر المورد التكنولوجيا، لكن يبقى صاحب العمل مسؤولاً عن آثارها.

تُوفّر قاعدة الأربعة أخماس اختبارًا عمليًا. احسب معدلات الاختيار لكل فئة ديموغرافية. إذا كان معدل أي فئة أقل من 80% من معدل الفئة الأعلى، فهذا يدل على وجود تأثير سلبي يستدعي التبرير.

على سبيل المثال: إذا تقدم 100 شخص أبيض وحصل 50 منهم على القبول (بمعدل 50%)، وتقدم 100 شخص أسود وحصل 30 منهم على القبول (بمعدل 30%)، فإن النسبة هي 30/50 = 60%. وهذا أقل من الحد الأدنى البالغ 80%، مما يستدعي إجراء تحقيق.

أصدر المعهد الوطني للمعايير والتكنولوجيا (NIST) إطار عمل لإدارة مخاطر الذكاء الاصطناعي، يقدم إرشادات طوعية لتطوير ذكاء اصطناعي جدير بالثقة. ورغم أنه غير ملزم قانونًا، إلا أنه يوفر هيكلًا للمؤسسات التي تسعى إلى تطبيق التعلم الآلي بمسؤولية.

أخطاء شائعة في التنفيذ

تتعثر المنظمات في عقبات متوقعة:

• الشراء قبل تحديد المشكلة: يبيع البائعون منصات تبدو مثيرة للإعجاب. ولكن بدون أهداف واضحة - مثل "تقليل وقت التوظيف بمقدار 40%" أو "تحسين معدل الاحتفاظ بالموظفين لمدة 12 شهرًا بمقدار 15%" - يصبح قياس النجاح مستحيلاً.
• الثقة في ادعاءات البائعين دون التحقق منها: تعد المواد التسويقية بالدقة والنزاهة والكفاءة. اطلب دليلاً على ذلك. اطلب تحليلات الأثر السلبي على بيانات مماثلة للتوزيع الديموغرافي للمنظمة.
• بيانات التدريب غير كافية: لا تستطيع الشركات الصغيرة التي تضم 50 موظفًا تدريب نماذج تنبؤية فعّالة. يتطلب التعلم الآلي كميات هائلة من البيانات - مئات أو آلاف الأمثلة. ينبغي للمؤسسات التي لا تملك بيانات كافية التركيز على الأتمتة البسيطة بدلًا من خوارزميات التعلم المعقدة.
• تجاهل خصوصية البيانات: لا يمكن بالضرورة إعادة استخدام بيانات الموظفين التي جُمعت لغرض واحد (الرواتب) في التنبؤ باستخدام التعلم الآلي دون موافقة ومراجعة قانونية. ويفرض قانون حماية البيانات العامة (GDPR) في أوروبا وقوانين الولايات المختلفة في الولايات المتحدة قيودًا على ذلك.
• عملية نشر سهلة وسريعة: تتغير نماذج التعلم الآلي بمرور الوقت. قد يُقدم نظام مُدرَّب على بيانات التوظيف لعام 2020 تنبؤات غير دقيقة في عام 2026 إذا تغيرت متطلبات الوظائف أو مجموعات المرشحين أو أولويات العمل. لذا، يُعدّ التدريب والتحقق المستمران ضروريين.

المستقبل يحدث بالفعل

بحسب تقرير جمعية إدارة الموارد البشرية لعام 2026 حول حالة الذكاء الاصطناعي في الموارد البشرية، تتوقع 46% من المؤسسات استخدام الذكاء الاصطناعي في هذا المجال بحلول عام 2026. والأكثر دلالةً على ذلك، أن 27% من الرؤساء التنفيذيين حددوا استقطاب أفضل المواهب كأحد أهم ثلاث أولويات لديهم خلال الاثني عشر شهرًا القادمة، بعد تبني الذكاء الاصطناعي مباشرةً. هذا التداخل ليس من قبيل الصدفة.

تتوسع التطبيقات المتطورة لتشمل مجالات أخرى غير التوظيف. فالتحليلات التنبؤية لتقييم جاهزية الموظفين للترقية، والتخطيط الآلي لخلافة المناصب، وتحليل المشاعر من خلال اتصالات الموظفين، وتحديد فجوات المهارات عبر تحليل مخرجات العمل - جميعها تنتقل من المشاريع التجريبية إلى أنظمة الإنتاج.

ستتحسن التكنولوجيا في أدائها. ستصبح الخوارزميات أكثر دقة، وستزداد مجموعات بيانات التدريب حجماً، وسترتفع القدرة الحاسوبية. وهذا يجعل التنفيذ المدروس أكثر إلحاحاً، لا أقل. وتزداد المخاطر عندما تعمل الأنظمة على نطاق واسع.

الأسئلة الشائعة