Kogemusest sündinud magistritöö

Viimased kümmekond aastat olen tegutsenud personalivaldkonnas, kuhu sattusin juhuse tahtel, kui pärast psühholoogiaõpinguid, eneseotsinguid ja Austraalias rändamist pakuti mulle tööd värbajana agentuuris. Aktiivsest värbamisest olen mõnda aega eemal olnud, kuid lõputöö teemat kaaludes tundus värbamise- ja valikuprotsessi nurk mulle tuttava ja kodusena. Lisaks sellele on mind alati paelunud uuenduslikud tööviisid ning tõhus töötamine, milleks tehisaru pakub erinevaid võimalusi, mistõttu vahetasin viimasel hetkel oma magistritöö teemat ning otsustasin uurida tehisintellekti personalitöös. Koos juhendajaga panime paika täpsema suuna ja eesmärgiks sai uurida, kui tõhusad on AI-rakendused kandidaatide eelvalikul võrreldes värbajatega.

Traditsiooniline vs AI-põhine eelvalik

Traditsioonilise värbamise eelvaliku käigus viib värbaja või värbav juht läbi CV-de sõelumise, mille käigus hinnatakse kandidaatide sobivust ametikohale dokumentide ja motivatsioonikirja või muu lisatud info põhjal. Selle käigus valitakse välja kandidaadid, kes kutsutakse järgmisesse etappi (näiteks intervjuule) ning kandidaadid, kellega protsessi ei jätkata. CV-de sõelumine on aga väga ajamahukas ning rutiinne töö – eriti kui kandidaate on palju, mis on praeguses tööturu olukorras tavapärane. Antud töölõigu automatiseerimine tehisaru abil säästaks oluliselt aega ja vaeva: värbajad saaksid panustada rohkem kandidaatidega suhtlusesse ning värbamisprotsess oleks kandidaatide jaoks kiirem.

Oma uurimuse raames mõõtsingi AI-rakenduste kiirust, täpsust ja kallutatust (bias) kandidaatide CV-de hindamisel võrreldes värbajatega. Selleks sai palutud kogenud värbajatel hinnata kokku kümmet CV-d ning AI-rakendustes läbi viidud samade CV-de hindamissimulatsioonid. Hindamise läbiviimiseks valitud suured keelemudelid olid GPT-4o, Claude 3.7 Sonnet, Grok 3 ja Gemini 2.5 Pro. Tulemuste põhjal oli tehisaru kandidaatide hindamisel vägagi täpne, eriti AI-rakenduste tulemusi kombineerides ning parima AI-mudeli puhul – selgus, et selleks oli antud ülesandes Claude 3.7 Sonnet. Kuna värbajad ja AI-rakendused hindasid kandidaatide CV-de sobivust etteantud töökohale 13 kategoorias 10-pallisel skaalal, siis sai tuvastatud, milliste kriteeriumite hindamisel oli tehisaru täpseim – ehk millistel juhtudel hindasid AI-rakendused kandidaate inimestega sarnaselt.

Kas inimene ja tehisintellekt on värbamises sama meelt?

Tulemused näitasid, et AI hindas paljusid kriteeriume — nagu töökogemus, tehnilised ja sotsiaalsed oskused, keeleoskus ja haridus — inimese hinnanguga väga sarnaselt, mõnel juhul kuni 88% täpsusega. Vähem täpsed olid AI-rakendused selliste kriteerimite hindamisel, mille puhul CV-s oli info puudulik – näiteks professionaalsetesse ühingutesse kuulumise või auhindade olemasolu hindamisel. Paistis, et inimhindajad täitsid lünki seal, kus CV-des infot nappis ning võisid kompenseerivate omaduste ilmnemisel hinnata kandidaati teatud kategooriates kõrgemalt kui AI. Siiski, ka selliste kriteeriumite puhul hindas AI vähemalt pooltel juhtudel kandidaate värbajatega ühtmoodi.

Lisaks näitas tehisaru suurt täpsust kandidaatide järjestamisel tööle sobivuse alusel. AI-rakenduste loodud kandidaatide pingerida ühtis värbajate omaga kõige sobivamate ja mittesobivamate kandidaatide osas. Seega saab AI-d värbamises edukalt rakendada, et sorteerida välja kandidaadid, keda järgmisse valikuetappi kutsuda ning kandidaadid, kellele esimeses valikuringis ära öelda.

Vabas vormis kandidaatide tugevuste ja puudujääkide hindamisel ilmes aga rohkem nüansse, milles tehisaru ja inimeste vastused erinesid. Värbajad tõid muuhulgas välja ülekvalifitseeritust, arengupotentsiaali, motivatsiooni ja lojaalsust, mida tehisaru ei maininud. Kommentaaridest tuli välja ka võimalik AI-põhine kallutatus – vanemapuhkusel viibiva kandidaadi puhul tõi tehisaru kandidaadi puudujäägina välja tema karjääripausi kordades sagedamini kui inimene seda tegi.

Uurimuse käigus sai muuhulgas värbajatelt küsitud kui heaks kandidaatide hindajaks nad AI-d peavad (ilma uuringu tulemusi nägemata) ning vastama pidi iga kolmeteistkümne kriteeriumi kohta eraldi. Tuli välja, et nende arvates on tehisaru kõikide kriteeriumite hindamisel inimesest veidi parem, kuid sotsiaalsete oskuste hindamisel inimesest kehvem. Antud töö seda arvamust siiski ei kinnitanud ja vähemalt CV-de skaalapõhiselt hindamisel oli tehisaru ka sotsiaalsete oskuste hindamisel täpne.

Täiendava AI täpsuse analüüsi käigus, kus sai parima AI-rakenduse tulemusi võrreldud värbajate hinnangute mediaanväärtustega, selgus siiski, et tehisarul on veel arenguruumi ning praegu ei ületa ta inimest kandidaatide hindamise täpsuses. Küll aga ületab AI inimest kiiruses – täpsemalt oli tehisaru antud uuringus kandidaatide CV-de hindamisel värbajatest keskmiselt 8,5 korda kiirem.

Kuidas AI värbamises enda kasuks tööle panna?

Organisatsioonidesse töötajate värbamise kontekstis tähendab see, et tehisaru saab edukalt kasutada kandidaatide eelvaliku automatiseerimiseks ja seeläbi värbamises efektiivsuse tõstmiseks, kui rakendada kandidaatide CV-dening avalduste hindamist etteantud kriteeriumite põhjal, kasutades skaalasid. Kõige otstarbekam oleks kasutada AI-d esimese filtrina CV-de sõelumisel, et tuvastada sobivaimad kandidaadid ning liikuda kiiremini protsessis edasi, samal ajal sõeludes välja kõige vähem sobivad kandidaadid, et anda kiiret tagasisidet. Siiski tasub AI kasutamisega kaasnevate võimalike riskide maandamiseks säilitada tänasel hetkel veel värbaja osa eelvaliku protsessis.Minu soovitus on jätta lõplik otsus kandidaadiga edasi liikumise või äraütlemise osas inimesele.

Arvestades, et suured keelemudelid arenevad pidevalt, võib arvata, et tehisaru täpsus ja usaldusväärsus kandidaatide sobivuse hindamisel kasvab lähiajal veelgi ning tööandjad võivad AI-tööriistu värbamise- ja valikuprotsessis järjest riskivabamalt kasutada.