Sve veći broj kompanija širom sveta prepušta prve krugove selekcije kandidata algoritmima. Obećanje je bilo privlačno i jednostavno: brža obrada hiljada prijava, smanjenje troškova i, što je najvažnije, potpunost i objektivnost bez ljudskih emocija i predrasuda. Međutim, praksa pokazuje sasvim drugu stranu medalje. Umesto da eliminiše pristrasnost, veštačka inteligencija je u mnogim slučajevima samo preuzela, ubrzala i automatizovala ljudske greške iz prošlosti.
Problem ne leži u tome da je algoritam „zao“ ili „pokvaren“, već u činjenici da se uči na istorijskim podacima. Ako je kompanija tokom proteklih deset godina pretežno zapošljavala određeni profil ljudi, sistem zasnovan na mašinskom učenju to prepoznaje kao pobednički šablon. Svi kandidati koji odstupaju od tog istorijskog obrasca bivaju automatski eliminisani, često bez ikakvog ljudskog uvida.
Kako algoritmi zapravo uče da diskriminišu
Da bismo razumeli gde nastaje problem, moramo pogledati kako se AI modeli treniraju. Algoritmi ne analiziraju biografije s razumevanjem ljudskog potencijala, već traže statističke obrasce i reči koje se podudaraju sa dosadašnjim uspešnim zaposlenima.
Postoji nekoliko ključnih načina na koje veštačka inteligencija pravi nepravdu prema kandidatima:
-
Predrasude u istorijskim podacima: Ako su u nekoj industriji na rukovodećim pozicijama istorijski dominirali muškarci, AI uči da je muški pol poželjna karakteristika. Poznati slučaj kompanije Amazon pokazao je kako je njihov interni algoritam za regrutaciju automatski penalizovao radne biografije koje su sadržale reč „ženski“ (na primer, „kapiten ženskog šahovskog kluba“) ili nazive ženskih fakulteta.
-
Problem posrednih pokazatelja: Čak i kada se iz sistema izbace podaci o polu, rasi ili godinama, algoritam pronalazi indirektne zamene. To mogu biti poštanski broj mesta stanovanja, hobiji, pa i nazivi škola. Na taj način sistem nesvesno vrši diskriminaciju na osnovu socijalno-ekonomskog statusa kandidata.
-
Analiza glasa i lica: Određeni softveri za video intervjue koriste algoritme za analizu mikro-ekspresija lica, tona glasa i izbora reči. Ovi sistemi su izuzetno pristrasni prema osobama kojima engleski ili drugi jezik nije maternji, kao i prema kandidatima sa specifičnim dijalektima ili neurodivergentnim osobinama.
Privid objektivnosti i efekat „crne kutije“
Jedan od najopasnijih aspekata upotrebe veštačke inteligencije u resursima poput HR-a jeste takozvana „crna kutija“ (black box problem). Često ni sami kreatori softvera ne mogu precizno da objasne zašto je algoritam odbio jednog kandidata, a favoritizovao drugog.
Kada čovek donosi odluku, od njega se može tražiti obrazloženje. Kod AI sistema, HR menadžeri se često zaklanjaju iza prividne matematičke preciznosti, verujući da je mašina nepristrasna. Ova kombinacija tajnovitosti algoritma i slepog poverenja u tehnologiju stvara okruženje u kom je nemoguće uložiti prigovor na nepravednu eliminaciju.
Koje su posledice po kompanije i kandidate
Ovaj problem ne pogađa samo regrutovane pojedince, već nanosi direktnu štetu i samim poslodavcima.
-
Gubitak vrhunskih i inovativnih talenata: Algoritmi nagrađuju prosečnost i uniformnost. Kandidati sa nestandardnim karijernim putevima, ali sa ogromnim kreativnim potencijalom, bivaju odbijeni jer se ne uklapaju u šablon.
-
Reputaciona i pravna šteta: Regulativa širom sveta počinje oštro da sankcioniše netransparentnu upotrebu AI tehnologija. EU AI Act izričito svrstava sisteme za zapošljavanje u kategoriju visokog rizika, što donosi stroge kontrole i visoke kazne za neodgovornu upotrebu.
-
Gušenje raznolikosti: Timovi sastavljeni od ljudi sličnog porekla i obrazovanja ređe dolaze do inovativnih rešenja, što dugoročno smanjuje konkurentnost kompanije na tržištu.
Kako izgraditi pravedniji sistem zapošljavanja
Rešenje nije u potpunom odbacivanju tehnologije, već u njenom pravilnom i kontrolisanom korišćenju. Veštačka inteligencija treba da služi kao pomoćni alat, a ne kao konačni sudija.
Evo ključnih koraka koje kompanije moraju preduzeti:
-
Redovna revizija algoritama: Neophodno je konstantno testirati sisteme na prisustvo skrivenih predrasuda i prilagođavati ulazne podatke.
-
Ljudska kontrola (Human-in-the-loop): Nijedan kandidat ne bi trebalo da bude eliminisan isključivo od strane mašine. Ljudski faktor mora ostati obavezan u procesu donošenja konačne odluke.
-
Transparentnost prema kandidatima: Ljudi moraju znati da ih procenjuje AI i imati pravo na uvid u kriterijume, kao i mogućnost da traže ponovnu promenu ili ljudsku procenu.
-
Fokus na veštine, a ne na šablone: Umesto analize stila pisanja CV-ja, sistemi treba da budu usmereni na praktične testove znanja i sposobnosti.
Veštačka inteligencija može ubrzati procese i obraditi velike količine podataka, ali dobar regrutacijski proces i dalje zahteva ljudsku empatiju, kontekstualno razumevanje i sposobnost prepoznavanja potencijala koji se ne može izraziti kroz čistu statistiku.
