‘Hoe een computer straks over je baan beslist’, ‘Sollicitatie wordt eerlijker dankzij computer’, ‘Amsterdam krijgt robot met neus voor talent’. Zomaar wat krantenkoppen bij de introductie van het Chinese bedrijf Seedlink op de Nederlandse markt. Het bedrijf analyseert met behulp van algoritmen en big data het taalgebruik van sollicitanten en voorspelt op basis daarvan welke kandidaten de beste slagingskans hebben. Eng? Daarover valt te twisten. Maar het komt niet zomaar uit de lucht vallen.
Door: Rob Feenstra
Startups die kunstmatige intelligentie gebruiken om personeel te werven schieten de laatste paar jaar als paddenstoelen uit de grond. Sommige bedrijfjes zetten technologie in om te kijken op welke plekken de doelgroep het meest te vinden is en hoe ze het best benaderd kunnen worden. Daarbij gaat het niet om de traditionele middelen, maar om sociale media, Google of bannering op websites.
Ook in het selectieproces zelf neemt het gebruik van algoritmen toe. Hoe werkt dat? De vele startups die zich hiermee bezighouden hebben allemaal hun eigen methodiek, die ze in ronkende bewoordingen adverteren. Maar in grote lijnen komt het meestal hierop neer: het werving- en selectiebureau (of recruitment agency, want dit is de wereld van post & pray, employer branding en talent pitching) inventariseert bij de opdrachtgever over welke kwaliteiten een kandidaat moet beschikken. Daarbij hoeft het niet alleen te gaan over opleiding en ervaring, maar ook om zaken als ‘past de kandidaat in de bedrijfscultuur?’ Aan de hand van vragensets, die vaak online worden afgenomen, analyseert de software of de kandidaat voldoet aan het profiel.
Het werken met algoritmes vindt vooral plaats bij grote bedrijven die veel personeel aannemen met een vergelijkbaar profiel. Dat is ook wel logisch: er moet veel tijd gestoken worden in het maken en finetunen van een algoritme dat een betrouwbaar resultaat oplevert – en dat is niet efficiënt als het maar om één positie gaat.
500 posities
Softwaregigant SAP wilde bijvoorbeeld wereldwijd werven onder pasafgestudeerde academici voor 500 posities op het gebied van sales. Hiervoor werd een online assessment tool ontwikkeld die zeer specifieke vaardigheden en eigenschappen moest filteren. Het eerste deel van de test beoordeelde of de kandidaat paste binnen de cultuur. Als dat deel positief was afgesloten, volgde een test die het situationeel bewustzijn beoordeelde. Pas als ook die test met goed gevolg was afgesloten, volgde een door een echt mens afgenomen assessment.
Volgens het bedrijf dat de test ontwikkelde, bespaarde SAP via deze methode 250.000 pond in één jaar. Ook de kandidaten zouden tevreden zijn over het proces. Ze werden minder lang in onzekerheid gehouden en voelden zich, wederom volgens datzelfde bedrijf, door de gekozen selectiewijze meer betrokken.
Verdere ontwikkelingen
Bovenstaand voorbeeld is nog redelijk recht-toe-recht-aan, maar de ontwikkelingen voltrekken zich in een razend tempo. Er wordt onderzoek gedaan naar computerinteractietechnieken zoals het herkennen en interpreteren van gezichtsemoties en spraakherkenning, men werkt aan een robot die ondersteunend is bij een sollicitatiegesprek en die menselijke communicatie, verbaal en non-verbaal, kan interpreteren. Er is een bedrijf dat geïnteresseerde kandidaten een persoonlijke website stuurt. Zo kunnen ze monitoren hoe lang en hoe vaak een kandidaat naar een bepaald gedeelte van de site kijkt. Op basis daarvan kunnen ze vervolgens bijvoorbeeld nagaan of de kandidaat vooral geïnteresseerd is in het salaris of meer in de locatie.
Het bedrijf BrainCompass ontwikkelde een methode om aan de hand van iemands DNA-profiel een beeld te krijgen van de persoonlijkheid van een werknemer. Op dit moment wordt de techniek alleen toegepast op eigen personeel, maar de directeur van het bedrijf beschouwt dit als een geschikte techniek om in de toekomst toe te passen bij sollicitatieprocedures.
Seedlink
En nu is er dan het Chinese bedrijf Seedlink dat aan de hand van het woordgebruik en de zinstructuur analyseert hoe iemands persoonlijkheid is en of die past bij het bedrijf van de opdrachtgever. Vaak onderzoekt Seedlink eerst het taalgebruik van de ‘high performers’ in het bedrijf om te zien hoe ze zich daarin onderscheiden van hun collega’s. Sollicitanten krijgen vervolgens, via telefoon of video, dezelfde vragen voorgeschoteld. Vervolgens kijkt de software bij wie er sterke overeenkomsten zijn in het taalgebruik, waarbij de achterliggende gedachte is dat dit ook betekent dat er een overeenkomst is in persoonlijkheid en dat deze kandidaten dus waarschijnlijk óók goed zullen presteren. Nog dit jaar neemt Seedlink de analyse van toonhoogtes op in het algoritme en ook de analyse van gezichtsuitdrukkingen staat op het programma.
Geen leeftijdsdiscriminatie?
Rina Joosten-Rabou, een van de oprichters van Seedlink, wijst er in interviews op dat traditionele sollicitatieprocedures twee grote gebreken hebben: CV’s zeggen niets over iemands prestaties en in gesprekken spelen bewuste of onbewuste vooroordelen een rol, waardoor de manager niet tot een optimale keuze komt. Ze zegt dat haar methode de vooringenomenheid weghaalt uit het sollicitatieproces. Dergelijke claims zijn te horen bij veel recruitmentbureaus.
Sekseongelijkheid en leeftijdsdiscriminatie zouden tot het verleden behoren. Dat is natuurlijk maar gedeeltelijk het geval. Aan het begin van het proces staat toch altijd een mens. Het is een gechargeerd voorbeeld, maar als de mannelijke, heteroseksuele opdrachtgever aangeeft dat hij een lekker ding wil voor de positie van personal assistent, is de kans vrij groot dat het algoritme alleen maar jonge vrouwen uitspuugt. En ook aan de andere uiteinde van het selectieproces blijft het een mens die uiteindelijk de beslissing neemt.
Maar ook kunstmatige intelligentie zelf is niet per definitie waardevrij. Een bekend voorbeeld is de bot Tay, die op basis van tweets leerde communiceren. Binnen 16 uur moest Microsoft de bot offline halen, omdat hij de meest verschrikkelijke racistische en vrouwonvriendelijke taal uitsloeg. In een recent artikel in Science waarschuwen de schrijvers dat machine learning, het verwerken van grote hoeveelheden data om tot kunstmatige intelligentie te komen, ook betekent dat de menselijke vooroordelen worden verwerkt die in die data aanwezig zijn. Ze stellen dat er nog veel onderzoek gedaan moet worden naar manieren om die vooroordelen weer uit de algoritmes te filteren.
Tijdens een Ted Talk fantaseert Rina Joosten-Rabou van Seedlink hoe een vrouw na een dag hard werken in de metro wat aan het praten is met een bot over een nieuwe baan. Terwijl ze naar huis loopt analyseert de bot al haar woorden, haar expressies en haar emoties en op het moment dat ze de sleutel in het slot steekt, biedt hij haar drie banen aan die perfect passen bij haar persoonlijkheid.
Er breken mooie tijden aan. Maar wanneer?
Rob Feenstra is projectleider/consultant bij de Universitaire Bibliotheken Leiden en heeft als aandachtsgebied bibliotheeksystemen en de digitale bibliotheek.
Deze bijdrage komt uit IP nr. 4 / 2017. Het gehele nummer kun je hier lezen.