هوش مصنوعی عامل‌محور در منابع انسانی (Agentic AI in HR)

این روزها هر ابزار تازه‌ای برچسب «ایجنت» می‌خورد، و بیشترشان فقط چت‌بات‌هایی‌اند که اسم عوض کرده‌اند. ادعای هوش مصنوعی عامل‌محور در منابع انسانی بزرگ‌تر است: کارمند فقط می‌نویسد «سه روز مرخصی می‌خواهم» و بقیه‌ی کار، از چک‌کردن مانده تا رساندن درخواست به مدیر، بدون دخالت کارشناس انجام می‌شود. این مقاله نشان می‌دهد کدام بخش این ادعا شاهد دارد و سازمان باید پایلوت را از کجا شروع کند.

هوش مصنوعی عامل‌محور چیست؟

عامل هوش مصنوعی (ایجنت) ابزاری است که هدفی را از کاربر می‌گیرد، مسیر رسیدن به آن را در چند گام برنامه‌ریزی می‌کند و گام‌ها را در نرم‌افزارهای مختلف اجرا می‌کند. فرق اصلی‌اش با چت‌بات این است که چت‌بات جواب می‌دهد، اما عامل کار را انجام می‌دهد. برای تشخیصش یک آزمون ساده کافی است: ابزار باید داده را از نرم‌افزار منابع انسانی بخواند، قاعده را اعمال کند و گام بعد را خودش فعال کند، مثلاً درخواستی را ثبت کند یا تأییدیه‌ای بفرستد. ابزاری که فقط متن تولید می‌کند و در هیچ نرم‌افزاری کنشی انجام نمی‌دهد، عامل نیست.

این تعریف عامل را از اتوماسیون سنتی جدا می‌کند. اتوماسیون مبتنی بر قاعده فقط همان کاری را می‌کند که برایش نوشته‌اند و با تغییر فرایند از کار می‌افتد. عامل برای انتخاب ابزار و ترتیب گام‌ها استدلال می‌کند، اما در چارچوب حفاظ‌هایی که انسان تعیین کرده است. چت‌بات معمولی هم فقط پاسخ می‌دهد، در حالی که عامل کار را انجام می‌دهد.
برخی محصولاتی که برچسب ایجنت دارند «عامل کاذب»اند: ابزارهایی که فقط یک پرامپت‌اند و یک API را صدا می‌زنند، بدون حافظه و بدون مدیریت خطا.

کاربردهای ایجنت هوش مصنوعی در منابع انسانی

عامل‌ها امروز در پنج حوزه‌ی عملیاتی دیده می‌شوند:
• در جذب، کاندیدا را پیدا می‌کنند، رزومه می‌خوانند و زمان مصاحبه را هماهنگ می‌کنند.
• در آنبوردینگ، مدارک را ارسال و پیگیری می‌کنند و کار منابع انسانی، فناوری اطلاعات و مدیر را برای ورود کارمند جدید هماهنگ می‌کنند.
• در میزخدمت، در تمام ساعات به پرسش‌های مرخصی، مزایا و فیش حقوقی پاسخ می‌دهند.
• در حقوق و دستمزد، ورودی‌ها را بررسی و اصلاح می‌کنند و استثناها را میان سامانه‌ی منابع انسانی، تیکت و ایمیل هماهنگ می‌کنند.
• در یادگیری و عملکرد، مسیر آموزشی پیشنهاد می‌کنند، بازخورد جمع می‌کنند و پیش‌نویس گزارش ارزیابی می‌سازند.

در سطح راهبردی، مک‌کینزی از تغییر شش حوزه خبر می‌دهد: برنامه‌ریزی نیروی کار، طراحی سازمان، جذب، یادگیری، مدیریت استعداد و تجربه‌ی کارکنان. برنامه‌ریزی از نقش‌های ثابت به مدلی مبتنی بر فعالیت می‌رود که مشخص می‌کند هر وظیفه با انسان است، با عامل یا با تیمی ترکیبی، و مدیران علاوه بر انسان‌ها باید بر عامل‌ها هم نظارت کنند. جاش برسین پیش‌بینی می‌کند تیم‌های منابع انسانی کوچک‌تر و تخت‌تر شوند و خانواده‌های شغلی از ۱۲ حوزه به ۶ حوزه برسد. این پیش‌بینی هنوز اندازه‌گیری نشده است.

نمونه‌های موفق

AMD برای حدود ۳۰ هزار کارمند سامانه‌ای عامل‌محور راه انداخت که اطلاعات و کارهای منابع انسانی را یک‌جا در دسترس می‌گذارد، پاسخ را بر اساس نقش و منطقه شخصی می‌کند، تأییدها را داخل ابزارهای همکاری انجام می‌دهد و موضوعات حساس را به کارشناس می‌سپارد. نتیجه‌ی گزارش‌شده: ۸۰ درصد کاهش زمان حل، حل ۵۰ درصد پرسش‌ها با خدمت‌خود و ۷۰ درصد افزایش رضایت.

یک بانک جهانی با بیش از ۴۰ هزار کارمند دستیاری عامل‌محور را نقطه‌ی ورود همه‌ی درخواست‌های منابع انسانی کرد. اجرا مرحله‌ای بود و از منطقه‌ای با بیشترین حجم آغاز شد؛ درخواست‌های پیچیده یا حساس به کارشناس می‌رسید. نتیجه‌ی گزارش‌شده: نرخ حل ۹۴ درصد برای تیکت‌های پردازش‌شده، ۸۳ درصد کاهش حجم تیکت و بدون افزایش نفرات.

Unilever در جذب از مصاحبه‌ی ویدیویی و تحلیل پیش‌بینی‌کننده استفاده می‌کند و گفته می‌شود زمان استخدام ۷۰ درصد کم و تنوع استخدام بیشتر شده است. سامانه حالت چهره و الگوی گفتار متقاضی را هم ارزیابی می‌کند.
IBM با هوش مصنوعی پیش‌بینی می‌کند کدام کارمند احتمالاً می‌رود. دقت ۹۵ درصد ادعا شده و از کاهش قابل‌توجه ریزش نیرو سخن رفته، بی‌آن‌که عددی بیاید.
Amazon چت‌بات منابع انسانی برای مرخصی، حقوق و مزایا دارد و ۴۰ درصد تیکت کمتر به آن نسبت داده شده است.
Deloitte پایش مستمر عملکرد را جایگزین ارزیابی سالانه کرده است. سامانه پروژه‌ها، بازخورد مشتری و داده‌ی همکاری را تحلیل می‌کند و ارزیابی‌ها عینی‌تر شده‌اند.

ریسک‌ها و حکمرانی هوش مصنوعی در منابع انسانی

حکمرانی مهم‌ترین شرط پذیرش است. استخدام، ارتقا و ارزیابی عملکرد حوزه‌های پرخطرند و طبق قانون هوش مصنوعی اتحادیه‌ی اروپا، کاربردهای مرتبط با اشتغال می‌توانند در رده‌ی پرخطر قرار بگیرند. چارچوب مدیریت ریسک NIST و استاندارد ISO/IEC 42001 دو مرجع عملی برای ساختن این نظام‌اند. در سطح فنی چهار الزام مطرح است: کنترل دسترسی، ثبت کامل کنش‌های عامل، توضیح‌پذیری و تأیید انسانی برای کنش‌های پرپیامد. غربالگری با هوش مصنوعی فقط وقتی منصفانه‌تر می‌شود که معیار ارزیابی روشن باشد و نتایج ممیزی شود. ارزیابی حالت چهره‌ی متقاضی نیز از بحث‌برانگیزترین کاربردهاست و پیش از هر استفاده بررسی حقوقی جدا می‌خواهد.

حفاظت از داده هم جدی است. داده‌ی منابع انسانی حقوق، عملکرد و سوابق افراد را در بر می‌گیرد؛ نمونه‌ی ساده‌ی متن‌بازی که به رکورد کارکنان وصل می‌شود، تا وقتی دسترسی، ثبت وقایع و ارزیابی خطا ندارد، برای داده‌ی واقعی آماده نیست.

پنج گام برای شروع
1. مرز تصمیم را بنویسید: عامل چه کاری را انجام می‌دهد، چه کاری فقط با انسان است، چه کسی تأیید و ممیزی می‌کند و در صورت خطا چه می‌شود.
2. از کار پرتکرار، متنی و قاعده‌محور شروع کنید، مثل پرسش‌وپاسخ سیاست‌ها، مسیریابی تیکت و گام‌های ساده‌ی آنبوردینگ.
3. پایلوت را محدود نگه دارید، برای کنش‌های حساس تأیید انسانی بگذارید و از روز اول ثبت وقایع را فعال کنید.
4. پیش از پایلوت، زمان حل، نرخ خطا و رضایت را ثبت کنید تا بعداً چیزی برای مقایسه داشته باشید.
5. نرخ انتخاب و نمره‌های عملکرد را به تفکیک گروه پایش کنید و با هر تغییر مدل یا پرامپت دوباره بیازمایید.
پس از اثبات در یک سامانه، می‌توان به گردش‌کار چندسامانه‌ای رفت و هم‌زمان مدیریت تغییر و آموزش مدیران را جلو برد.

جمع‌بندی
عامل‌ها زنجیره‌ی کار را اجرا می‌کنند و تصمیم درباره‌ی افراد با انسان می‌ماند. شواهد کمّی فعلی فقط به میزخدمت و کارهای پرحجم مربوط است و از متن فروشندگان آمده. پس پیش از خرید یا پایلوت، خط پایه‌ی خود سازمان را ثبت کنید و مرز تصمیم را بنویسید.