為什麼面試表現最好的AI候選人反而不是最成功的應徵者？

麥肯錫全球研究院的數據顯示，兩年內對人工智慧技能的需求增加了近七倍，增速超過了對任何其他技能的需求。

這種觀點在我與科技領袖的交流中也得到了印證；幾乎我遇到的每個人都在尋找具備人工智慧技能的員工。

但問題是，他們當中很少人能告訴我，在他們的組織中，掌握人工智慧在實際工作中應用究竟是什麼樣子。

麥肯錫發現，近90%的公司都投資了人工智慧。但只有不到40%的公司表示獲得了可衡量的收益。

大多數人工智慧實施後的評估都集中在模型、數據和工作流程。

但很少有人關注那些被聘請來領導人工智慧轉型的人，或者他們是如何以及為什麼被選中的。

自信與能力混淆的危險

人工智慧進步帶來的一個副作用是，它使得談論其應用變得更加容易。候選人可以先列出每個模型的名稱，然後解釋他們上週讀到的架構結構。在簡短的對話中，幾乎不可能將優美的語言與成熟的實際應用區分開來。

那些給招募經理留下深刻印象的人，往往是那些最能自如談論人工智慧的人。至於他們是否真的能運用人工智慧完成工作，則是另一個問題，也是大多數招募流程中從未提及的問題。

不妨把麵試想像成一場由候選人精心挑選、精心準備並講述自己故事的演示。但問題也正是在工作場所使用人工智慧時開始出現的：如果缺乏足夠的人工智慧技能，就很容易失控。

許多公司僅以應徵者對工具的熟悉程度作為招募標準。但如果深入探究，並將獨立且有據可查的使用情況作為標準，就能立即發現真正的能力差距。

團隊可以對招募流程進行多項更改，以改變衡量人工智慧有效性的方式：

1. 在對話之前測試作品。

向候選人展示模擬實際工作的場景，並根據一套預先約定好的技能評估他們的表現。例如，如果您正在招募產品設計師，請給他們一項涉及真實產品限制的實際任務，並在每個步驟中詢問他們「為什麼」。

能說一口流利話的應徵者會提供你四十條框清晰的指示。而真正能把工作做好的人會告訴你哪些指示能在極端條件下有效，需要符合哪些無障礙標準，以及哪位工程師負責施工。這才是大多數面試中都不會涉及的測驗。

2. 修改面試問題

別再問別人用什麼工具了。問問他們上一次人工智慧給錯誤答案是什麼時候，以及他們是怎麼發現的；或讓他們給你一個失敗的提示，以及他們是如何解決的。

深入分析一個真實的項目：哪些方面發生了變化，哪裡出了問題，他們檢查了哪些內容，以及誰受到了結果的影響。這些問題，沒有實際參與這項工作的人是無法回答的。

3. 改變情景

給候選人一項與人工智慧相關的實際任務，然後在任務進行到一半時，透過移除工具、增加限制條件或改變目標來改變任務內容。優秀的候選人會重新定義問題並繼續完成，而表現一般的候選人要么會停止，要么會描述他們理論上會如何解決。

要要求查看整個過程，而不僅僅是最終產品。允許人們在評估中使用人工智慧，前提是他們能夠展示其工作流程、自動化流程、提示訊息以及背後的邏輯。現在任何人都能產出精美的產品，但最重要的是他們是如何做到的。

4. 共同評估績效

面試前，應向每位面試者提供相同的評估標準，然後在共同評審環節中比較證據。此次聯合評審將成為最終錄用決定的關鍵因素，並用於界定候選人的人工智慧能力。

如今，人工智慧領域的招募過程仍然陷入這樣的陷阱：選擇面試表現最佳的候選人，但在三個月後發現他無法勝任實際工作。

不透明的招募流程看似高效，因為它對執行人員來說工作量較少。然而，它對企業的實際影響是巨大的，會將成本轉移到實施階段，導致追蹤難度更大，補救成本也更高。

下次你聘請人工智慧專家時，不要問他們使用哪些工具。相反，你應該注意他們上次使用的工具故障是什麼時候，以及他們是如何解決的。

我們已經介紹了最好的人力資源專案。