سِر جکی استوارت، راننده سابق مسابقات اتومبیلرانی، یک بار گفت: «همیشه ممکن نیست که بهترین باشید، اما همیشه ممکن است که عملکرد خود را بهبود ببخشید.» این موضوع در مورد هوش مصنوعی در منابع انسانی نیز صدق میکند – به خصوص اگر یاد بگیرید که از آن برای بهینهسازی عملکرد و فرآیندهای ارزیابی عملکرد استفاده کنید.
حدود ۷۵٪ از سازمانها، توانایی خود را در ارزیابی دقیق ارزشی که کارکنان ایجاد میکنند، ناکارآمد یا کاملاً ناکارآمد میدانند. طبیعتاً، این موضوع پتانسیل هوش مصنوعی را برای تبدیل ارزیابیهای عملکرد ناکارآمد به ابزاری ارزشمند برای رشد و توسعه شغلی کارکنان باز میکند.
این مقاله به بررسی این میپردازد که هوش مصنوعی در ارزیابی عملکرد شامل چه مواردی است، چرا مفید است و چگونه میتوانید از آن برای بهبود فرآیند ارزیابی عملکرد در سازمان خود استفاده کنید. همچنین مقایسهای از ابزارهای مختلف هوش مصنوعی مرتبط که میتوانید برای این منظور استفاده کنید، ارائه میدهد.
برای کسب اطلاعات بیشتر درخصوص “هوش مصنوعی در مدیریت عملکرد” کلیک کرده و مقاله را بخوانید.
نکات کلیدی
هوش مصنوعی در ارزیابی عملکرد از ابزارهایی برای شناسایی سوگیری، ردیابی اهداف، ارزیابی عملکرد، و پیشنویس ارزیابیها استفاده میکند.
این به کاهش ذهنیتگرایی (سوبژکتیویته)، بهبود انصاف، و کارآمدتر و قابل اعتمادتر شدن ارزیابیها کمک میکند.
منابع انسانی میتواند از بین ابزارهای هوش مصنوعی متعدد، از تولیدکننده پیشنویس ارزیابی گرفته تا پلتفرمهای کامل با ویژگیهای پیشرفته، یکی را انتخاب کند.
علیرغم توانایی هوش مصنوعی در کاهش سوگیری و سادهسازی فرآیندها، به نظارت انسانی نیاز دارد تا اطمینان حاصل شود که ارزیابیهای عملکرد سفارشی و واقعاً کمککننده هستند.
برای “آموزش مدیریت عملکرد کارکنان” کلیک کرده و در دوره شرکت نمایید.
هوش مصنوعی برای ارزیابی عملکرد چیست؟
هوش مصنوعی برای ارزیابی عملکرد به استفاده از ابزارها و فناوری هوش مصنوعی در فرآیند ارزیابی عملکرد اشاره دارد. این ابزارهای هوش مصنوعی میتوانند برای شناسایی سوگیری، ردیابی اهداف، تحلیل عملکرد کارکنان و نگارش پیشنویس ارزیابی عملکرد استفاده شوند و ارزیابیها را عینیتر (Objective)، سازگارتر و مبتنی بر دادهها کنند.
جای امیدواری است که ۷۵٪ از کارکنان نسبت به ارزیابیهای عملکرد تولید شده توسط هوش مصنوعی نگرش مثبتی دارند، مشروط بر اینکه انسانها (یعنی مدیرانشان) آنها را برای اطمینان از صحت، ارزیابی و تنظیم کنند.
چرا از هوش مصنوعی برای ارزیابی عملکرد استفاده کنیم؟
ارزیابیهای عملکرد با مجموعهای از کاستیهای شناخته شده همراه هستند. این کاستیها شامل تمرکز بر عملکرد گذشته به جای توسعه آینده، ذهنیتگرایی و عدم تکرار کافی است.
استفاده از هوش مصنوعی برای ارزیابی عملکرد میتواند به سازمانها کمک کند تا بر برخی از این چالشها غلبه کرده و فرآیند کلی را بهبود بخشند. مزایای آن شامل به حداقل رساندن سوگیری، استفاده از دادهها برای شناسایی دقیق عملکرد برتر و ضعیفتر، بهبود زمانبندی و چرخههای بازخورد، همسویی بهتر اهداف، و پشتیبانی از بازخورد ۳۶۰ درجه است.
نمونههایی از هوش مصنوعی برای ارزیابی عملکرد
هوش مصنوعی ارزیابیهای عملکرد را با کاهش سوگیری، ردیابی پیشرفت و ارائه بینشهای مبتنی بر داده، عادلانهتر و مؤثرتر میکند. در اینجا نمونههای کلیدی از نحوه حمایت هوش مصنوعی از این فرآیند آمده است:
تشخیص سوگیری: هوش مصنوعی میتواند الگوهای موجود در ارزیابیهای عملکرد را شناسایی کرده و سوگیری ناخودآگاه را برجسته کند. این به شما امکان میدهد تا اقدامات لازم را برای به حداقل رساندن پیشداوری و ایجاد یک فرآیند ارزیابی عادلانهتر انجام دهید، که به نوبه خود باعث ایجاد اعتماد در میان کارکنان و تقویت اطمینان به تصمیمات مدیریتی میشود.
ردیابی پیشرفت: هوش مصنوعی در مدیریت عملکرد با ترکیب معیارهای استاندارد صنعت، اهداف شرکت و عملکرد گذشته، به تعیین شاخصهای کلیدی عملکرد (KPIs) واضح کمک میکند. این ابزار پیشرفت را به صورت لحظهای ردیابی میکند و پرامپتهایی را برای مدیران ایجاد میکند تا دستاوردها را برجسته کرده یا شکافها را بررسی کنند و از دادههای دقیق و بهموقع اطمینان حاصل شود.
بازخورد بهتر: شما میتوانید از هوش مصنوعی برای تحلیل حجم زیادی از اطلاعات عملکرد استفاده کنید تا تصویری دقیق و بهروز از مشارکتهای کارکنان به مدیران ارائه دهد. این امر مدیران را قادر میسازد تا بازخورد سازگارتر و عینیتری ارائه دهند و اتکا به مشاهدات نادر یا جانبدارانه را کاهش دهند.
تولید خودکار خلاصهسازی: هوش مصنوعی میتواند بازخورد را از منابع متعدد، از جمله مدیران، همکاران، مشتریان و خودارزیابیها، جمعآوری و فشرده کند. این امر خلاصهای کامل و قابل فهم ایجاد میکند که دیدگاهی همهجانبه از عملکرد کارکنان ارائه داده و از تصمیمات مبتنی بر داده پشتیبانی میکند.
برترین ابزارهای هوش مصنوعی برای ارزیابی عملکرد
هوش مصنوعی میتواند از فرآیند ارزیابی عملکرد به روشهای گوناگون سود ببرد، اما بهترین ابزارهای هوش مصنوعی برای این منظور کدامند؟ در زیر فهرستی از این ابزارها برای مقایسه و انتخاب شما آمده است:
ابزار | ویژگیهای کلیدی | مورد استفاده | سطح قیمت | قابلیت هوش مصنوعی | مزایا | معایب |
Betterworks | همسویی اهداف، خلاصهی بازخورد | شرکتهای متوسط تا بزرگ | درخواستی | توصیههای مبتنی بر هوش مصنوعی، هوش مصنوعی مولد (GenAI) | تشویق به گفتگوهای مستمر، ابزارهای عالی برای تعیین و ردیابی هدف | برای شرکتهای کوچک در دسترس نیست |
Effy AI | فرمهای قابل تنظیم، بازخورد چند منبعی، گزارشهای تولید شده توسط هوش مصنوعی | شرکتهای بزرگ | رایگان برای حداکثر ۵ عضو (به علاوه قیمت سفارشی) | مدلسازی ترکیبی (مبتنی بر قانون + یادگیری عمیق)، مدلهای هوش مصنوعی قابل تنظیم، NLP پیشرفته | یکپارچهسازی انعطافپذیر و مقیاسپذیری | قیمتگذاری ممکن است برای شرکتهای کوچک کمتر در دسترس باشد |
Lattice | خلاصهی بازخورد همکاران، یکپارچهسازی هدف و OKR | سازمانهای کوچک تا بزرگ | از ۱۱ دلار به ازای هر کاربر/ماه | تحلیل مبتنی بر NLP | بسیار کاربرپسند؛ ویژگیهای ارزیابی عملکرد قابل تنظیم | ممکن است برای شرکتهایی با بودجه محدود گران باشد |
Easy-Peasy.AI | تولید ارزیابی عملکرد با هوش مصنوعی | شرکتها در همه اندازهها | رایگان برای استفاده | تولید ارزیابی چندزبانه | کمک به ایجاد محتوای ارزیابی؛ پشتیبانی از زبانهای متعدد | محدود به دو گزارش در روز؛ فاقد گزینه دانلود فایل |
15Five | نگارش ارزیابی با کمک هوش مصنوعی، معیارهای عملکرد استاندارد شده | کسبوکارهای کوچک و متوسط | از ۱۰ دلار به ازای هر کاربر/ماه | هوش مصنوعی پیشبینیکننده و مولد، تحلیلها | | با برنامههای اصلی HRIS و بهرهوری یکپارچه میشود؛ گزارشدهی و تحلیل قوی | رابط کاربری ممکن است در ابتدا کمی گیجکننده باشد |
۵ روش عملی برای استفاده از هوش مصنوعی در ارزیابی عملکرد
در اینجا پنج روش عملی وجود دارد که میتوانید از هوش مصنوعی برای پشتیبانی و سادهسازی فرآیند ارزیابی عملکرد سازمان خود استفاده کنید:
۱. تولید خلاصهی بازخورد با مدلهای زبان بزرگ (LLMs): مدلهای زبان بزرگ (LLMs) میتوانند به طور خودکار خلاصهای از منابع بازخورد متعدد تولید کنند. این منابع شامل پاسخهای نظرسنجی، خودارزیابیها، بازخورد مشتریان، بازخورد ۳۶۰ درجه، KPIها و OKRها، دادههای آموزش و توسعه (L&D)، و دادههای حضور و مشارکت هستند. این میتواند یک صرفهجویی قابل توجه در زمان برای مدیران و منابع انسانی باشد.
۲. شناسایی روندها و احساسات در بازخوردهای همکاران: روش جالب دیگر برای استفاده از هوش مصنوعی برای ارزیابی عملکرد، تحلیل احساسات کارکنان است. در این سناریو، میتوانید از LLMs برای اسکن مجموعههای بزرگ بازخورد کارکنان استفاده کنید تا احساسات زمینهای را شناسایی کنید. هوش مصنوعی همچنین میتواند الگوها یا موضوعات تکراری مانند نگرانیهای مدیریتی، استرس یا فرسودگی شغلی را تشخیص دهد.
۳. تحلیل خودکار همسویی با OKRها (اهداف و نتایج کلیدی): برخی از ابزارهای هوش مصنوعی برای مدیریت عملکرد، ویژگیهایی را ارائه میدهند که به شما امکان میدهند به راحتی نظارت کنید که آیا عملکرد یک کارمند با OKRهای شخصی او همسو است یا خیر. علاوه بر این، برخی از این ابزارها ممکن است به شما اجازه دهند تا مشخص کنید که عملکرد هر کارمند چقدر با OKRهای سازمانی مطابقت دارد.
۴. ایجاد پرامپتهایی برای بازخورد متعادلتر: از آنجایی که هوش مصنوعی میتواند الگوها را تشخیص دهد، میتوانید از آن برای برجسته کردن مواردی استفاده کنید که مکانیسمهای بازخورد یا ارزیابیهای عملکرد ممکن است جانبدارانه باشند. اگر سوگیری مرتبط با یک گروه خاص از افراد (به عنوان مثال، کارکنان مسنتر یا افراد از گروههای اقلیتی قومی) را شناسایی کند، میتوانید از یک ابزار هوش مصنوعی مولد (GenAI) برای تولید پرامپتهایی که بر نتایج قابل اندازهگیری و عینی تمرکز دارند، استفاده کنید.
۵. آموزش مدیران با استفاده از سناریوهای مبتنی بر هوش مصنوعی: میتوانید از هوش مصنوعی برای تولید سناریوهای مبتنی بر هوش مصنوعی برای آموزش بازخورد مدیران استفاده کنید. به عنوان مثال، یک ابزار GenAI میتواند سناریویی شامل عملکرد ضعیف کارکنان ایجاد کرده و از مدیران بپرسد که چگونه وضعیت را مدیریت میکنند. سناریوی دیگر میتواند شامل یک ارزیابی عملکرد جانبدارانه باشد تا به شما کمک کند ارزیابی کنید که مدیران چگونه این موضوع را مدیریت میکنند.
استفاده از هوش مصنوعی برای نگارش ارزیابی عملکرد: بایدها و نبایدها
در اینجا مواردی وجود دارد که باید در نظر بگیرید اگر میخواهید از ابزارهای هوش مصنوعی برای کمک به نگارش ارزیابی عملکرد یا حتی شروع آزمایش با آنها استفاده کنید.
بایدها:
از هوش مصنوعی برای غلبه بر مشکل شروع به نوشتن استفاده کنید: اجازه دهید هوش مصنوعی یک پیشنویس اولیه از ارزیابی تهیه کند تا مجبور نباشید از صفر شروع کنید. این پیشنویس ساختار و عبارتبندی را فراهم میکند که میتوانید آن را برای مطابقت با عملکرد واقعی هر کارمند اصلاح کنید.
با یک پیشنویس شروع کنید و خروجی را سفارشیسازی کنید: هرگز متن هوش مصنوعی را کلمه به کلمه کپی نکنید. پیشنویس را با مثالها، نتایج و متن خاص شخصیسازی کنید تا ارزیابی معتبر و مرتبط به نظر برسد.
از پرامپتهای صحیح استفاده کنید: دستورالعملهای واضح و اطلاعات دقیق (مانند اهداف محقق شده یا بازخورد همکاران) به هوش مصنوعی ارائه دهید. پرامپتهای قوی، خروجیهای دقیقتر و مفیدتری تولید میکنند.
ابزار مناسب را انتخاب کنید: گزینههایی مانند ChatGPT، Mistral یا تولیدکنندگان تخصصی ارزیابی با هوش مصنوعی را آزمایش کنید. برخی از آنها رایگان هستند، که آزمایش اینکه کدام یک بهتر با فرآیندهای منابع انسانی شما یکپارچه میشود را آسان میکند.
نبایدها:
صرفاً به خروجی هوش مصنوعی تکیه کنید: هوش مصنوعی میتواند پیشنویس را تسریع بخشد، اما نمیتواند جایگزین قضاوت مدیر شود. نظارت انسانی برای اطمینان از صحت، انصاف و زمینه صحیح ضروری است.
بازخورد عمومی ارائه دهید:کارکنان برای بازخورد شخصی، جزئی و سازنده ارزش قائل هستند. ارزیابیهای عمومی و صرفاً مبتنی بر هوش مصنوعی احتمالاً غیرشخصی به نظر میرسند و ممکن است اعتماد کارکنان به این فرآیند را تضعیف کنند.
آیا استفاده از هوش مصنوعی برای ارزیابی عملکرد اخلاقی است؟
ارزیابیهای عملکرد ذاتاً انسانمحور هستند و به همین دلیل مستعد نقص و سوگیری میباشند. طبق گزارش Betterworks، کمتر از یک سوم کارکنان، ارزیابیهای عملکرد را «بسیار عادلانه و منصفانه» میدانند. علاوه بر این، ۶۴٪ این فرآیند را «هدر رفتن جزئی یا کامل زمان» میدانند که به آنها کمکی نمیکند عملکرد بهتری داشته باشند.
در حالی که استفاده از هوش مصنوعی در ارزیابی عملکرد میتواند به سازمانها کمک کند تا بر این نگرانیها (و موارد دیگر) غلبه کنند، برخی دغدغههای اخلاقی در این زمینه باقی میماند. این موارد شامل سوگیری در دادههای آموزشی، شفافیت، اعتماد کارکنان، انصاف، و حریم خصوصی دادهها و انطباق است.
خروجی هوش مصنوعی تنها به اندازه دادهای که به آن وارد میکنید خوب است، بنابراین ضروری است مطمئن شوید که از دادههای واقعی و دقیق استفاده میکنید، نه دادههایی که تحت تأثیر سوگیری شخصی قرار گرفتهاند. در عین حال، شفافیت با حریم خصوصی دادهها و انطباق مرتبط است، زیرا مردم اغلب نگران نحوه استفاده از دادههایشان و اینکه آیا جمعآوریکنندگان به قوانین مربوط به حریم خصوصی دادهها و بهترین شیوهها پایبند هستند یا خیر، میباشند.
عدم شفافیت در مورد استفاده، مالکیت و ذخیرهسازی دادهها نیز میتواند بر اعتماد کارکنان تأثیر منفی بگذارد. علاوه بر این، عدم وجود دادههای تمیز میتواند منجر به سوگیری شود، که انصاف فرآیند ارزیابی عملکرد را به خطر میاندازد.
منابع انسانی میتواند با اصرار بر انصاف، شفافیت و نظارت انسانی در تصمیمگیری، از استفاده اخلاقی از هوش مصنوعی اطمینان حاصل کند. این به معنای استفاده از هوش مصنوعی برای کاهش سوگیری با آموزش ابزارها بر روی دادههای متنوع و نماینده و حسابرسی منظم خروجیها برای اطمینان از صحت است. شما باید بینشهای تولید شده توسط هوش مصنوعی را به عنوان راهنما در نظر بگیرید، نه قضاوت نهایی، و مدیران باید متن و ظرایف را اضافه کنند.
همچنین باید در مورد نحوه استفاده از هوش مصنوعی در ارزیابیهای عملکرد یا استخدام با کارکنان شفاف باشید و از دادههای شخصی برای حفظ اعتماد محافظت کنید. در نهایت، هوش مصنوعی باید قضاوت انسانی را تقویت کند، نه جایگزین آن شود.
چه کسی باید ابتکارات هوش مصنوعی برای ارزیابی عملکرد را رهبری کند؟
یک جزئیات مهم که باید قبل از راهاندازی هر گونه ابتکار هوش مصنوعی مشخص شود این است که چه کسی مسئول آن خواهد بود. تمایزی بین مالکیت فناوری منابع انسانی در داخل تیم منابع انسانی و خارج از آن وجود دارد. پیادهسازی هوش مصنوعی در منابع انسانی باید یک مسئولیت مشترک بین دپارتمانهای مختلف (مانند IT، حقوقی، مالی و منابع انسانی) باشد.
اینکه چه کسی باید هوش مصنوعی در منابع انسانی را مدیریت کند، کاملاً به اندازه واحد منابع انسانی شما و میزان آمادگی افراد آن برای هوش مصنوعی بستگی دارد. تیم تحلیل دادههای کارکنان (People Analytics) میتواند مسئول انتخاب ابزار هوش مصنوعی و تحلیل نتایج باشد، و تیم آموزش و توسعه (L&D) میتواند از ابتکارات ارتقاء مهارتهای هوش مصنوعی برای مدیران و تیمهایشان پشتیبانی کند.
در عین حال، شرکای تجاری منابع انسانی (HRBPs) میتوانند از همسویی با فرهنگ و سیاستهای شرکت اطمینان حاصل کرده و بازخورد مدیران و کارکنان در مورد ابزارهای هوش مصنوعی منابع انسانی را به تیم منابع انسانی ارائه دهند.
۵ گام برای شروع استفاده از هوش مصنوعی در ارزیابی عملکرد
اگر میخواهید بدانید چگونه استفاده از هوش مصنوعی برای ارزیابی عملکرد را شروع کنید، در اینجا چند گام برای بررسی وجود دارد:
۱. فرآیند ارزیابی فعلی خود را ممیزی کنید: بر اساس بازخورد کارکنان و مدیران از نظرسنجیها و مصاحبههای ماندگاری و خروج، تنگناها یا ناهماهنگیها کجا رخ میدهند؟
۲. فرصتهای اتوماسیون را شناسایی کنید: یک نقطه شروع خوب این است که به دنبال وظایف و فعالیتهای تکراری، وقتگیر یا دستی باشید که هوش مصنوعی میتواند برای شما انجام دهد.
- ابزارها را بررسی کنید: با یک برنامه آزمایشی (پایلوت) در یک تیم با استفاده از یک ابزار یا سرویس مبتنی بر هوش مصنوعی شروع کنید، قبل از اینکه تصمیم بگیرید آن را در کل سازمان پیادهسازی کنید.
- مهارتهای تیم منابع انسانی خود را ارتقا دهید: میزان آمادگی تیم خود را برای هوش مصنوعی ارزیابی کنید تا مهارتها، دانش و منابع مورد نیاز آنها را تعیین کنید.
- نظارت و اصلاح: مطمئن شوید که تأثیر ابتکار هوش مصنوعی را با جمعآوری بازخورد از همه افراد درگیر اندازهگیری میکنید. این کار دادههای لازم را برای تغییر رویکرد خود در صورت لزوم در اختیار شما قرار میدهد.
هوش مصنوعی میتواند ارزیابیهای عملکرد را عادلانهتر، سریعتر و مبتنی بر داده کند، اما برای حفظ دقت و جنبه شخصی، باید با نظارت انسانی همراه شود. با انتخاب ابزارهای مناسب و ارتقاء مهارتهای تیمها، منابع انسانی میتواند ارزیابیها را به فرآیندی تبدیل کند که اعتماد ایجاد کرده و از رشد کارکنان پشتیبانی کند.
سؤالات متداول
نمونههای رایج عبارتند از: خلاصهسازی بازخورد از منابع متعدد، اجرای تحلیل احساسات برای تشخیص موضوعات زمینهای، شناسایی سوگیری ناخودآگاه در ارزیابیها، پیشنویس متن ارزیابی، و ردیابی اهداف کارکنان در برابر KPIها یا OKRها.
بله. ChatGPT و سایر ابزارهای هوش مصنوعی مولد میتوانند به متخصصان و مدیران منابع انسانی کمک کنند تا پیشنویس ارزیابیهای عملکرد را با تبدیل بازخورد خام به متن ساختاریافته تهیه کنند. همچنین میتوانند نظرات را برای سوگیریهای احتمالی اسکن کنند، موضوعات تکراری را برجسته سازند و سؤالاتی را پیشنهاد دهند که مدیران میتوانند برای هدایت گفتگوهای عملکردی استفاده کنند.
پاسخ به اهداف هر تیم منابع انسانی بستگی دارد. برای تهیه پیشنویس ارزیابیها، ابزارهای GenAI مانند ChatGPT یا Mistral مفید هستند. اگر تمرکز بر ردیابی اهداف، شناسایی روندها، یا یکپارچهسازی بازخورد از منابع متعدد است، پلتفرمهایی مانند Betterworks، Lattice یا Effy AI ممکن است تناسب بهتری داشته باشند.
