وقتی هوش مصنوعی باید – و نباید – با استخدام کار کند

وبینار «انجمن تأثیر هوش مصنوعی» این هفته به یک سوال بازمی گردد: واقعا یک شرکت به دلیل هوش مصنوعی چه کاری می تواند بهتر انجام دهد؟

Firdaus Bhathena، معاون اجرایی و مدیر ارشد فناوری و تحول در S&P Global، به دکتر Ranjit Tinaikar برای آخرین گفتگوی ما با عنوان «هوش مصنوعی سازمانی وقتی کار می‌کند به نظر می‌رسد» پیوست و بحث فراتر از توسعه سریع‌تر و هزینه‌های کمتر بود.

Bhathena در مورد تلاش S&P Global برای بازنگری در محصولات پیرامون گردش کار مشتریان، نظم و انضباط مورد نیاز برای محدود کردن صدها پروژه هوش مصنوعی به تعداد معدودی که می تواند ارزش معناداری ایجاد کند و خطر تلقی از پذیرش خود به عنوان معیار موفقیت صحبت کرد. یک سوال که او از مدیران پرسید واقعا این موضوع را به تصویر می کشد: "امروز با هوش مصنوعی چه کاری برای مشتریان خود انجام می دهید که دو سال پیش نمی توانستید انجام دهید؟"

اعتماد یکی دیگر از موضوعات اصلی بود. بهاتنا گفت که امنیت، انطباق و انعطاف پذیری باید از ابتدا ایجاد شود و او شفافیت را بخشی از چگونگی جلب اعتماد مشتریان S&P Global توصیف کرد. نقطه رهبری گسترده‌تر او نیز به من چسبیده است، این تجربه زمانی می‌تواند به ضعف تبدیل شود که مدیران را از درک میزان نیاز سازمان‌هایشان به تغییر باز دارد.

می توانید خلاصه کامل گفتگوی من را بخوانید و اگر وبینار را به صورت زنده از دست دادید، تماشا کنید.

این تأکید بر آنچه که هوش مصنوعی واقعا بهبود می‌بخشد، به ضبط سیگنال این هفته نیز وارد می‌شود، زیرا ما بر روی اتفاقاتی که برای نامزدهای شغلی رخ می‌دهد تمرکز می‌کنیم، زیرا بیشتر استخدام‌ها خودکار می‌شوند - از جمله اینکه چگونه شرکت‌ها متقاضیان را مطلع می‌کنند و قضاوت انسانی هنوز اهمیت دارد.

مدیر عامل TalentBridge: هوش مصنوعی می تواند استخدام را کمتر از جعبه سیاه کند

شکاف های طولانی بین درخواست ها، مصاحبه ها و تصمیمات استخدام می تواند باعث شود جویندگان کار تصور کمی از پیشرفت درخواست خود نداشته باشند. Thomas C. Ioele، مدیرعامل شرکت استخدام و استخدام TalentBridge، می گوید که هوش مصنوعی می تواند با کاهش این عدم اطمینان، استخدام را بهبود بخشد.

آیوئل به نیوزویک گفت: «یک تیم استخدام انسان و هوش مصنوعی کاملا متصل «جعبه سیاه» را که نامزدها در فرآیند درخواست از آن می‌ترسند، حذف می‌کند.

او گفت هوش مصنوعی می‌تواند به‌روزرسانی‌های وضعیت را ارائه دهد، زمان‌بندی را مدیریت کند و بازخورد مصاحبه، تصمیم‌گیری‌های تیم استخدامی و سوالات نامزدها را در طول فرآیند به هم متصل نگه دارد. غربالگری سریعتر ممکن است به کارفرمایان کمک کند، اما نامزدها همچنین نیاز به دید بهتری نسبت به اتفاقات بعدی دارند.

TalentBridge از یک استخدام کننده هوش مصنوعی به نام Caroline برای کارهایی که شامل توسعه، برنامه ریزی و غربالگری اولیه است، استفاده می کند. Ioele گفت که این وظایف اولیه به خوبی برای هوش مصنوعی مناسب هستند زیرا انجام دستی آنها زمان می برد که استخدام کنندگان می توانند در عوض صرف استراتژی و روابط نامزد کنند.

او خاطرنشان کرد که استخدام‌کنندگان انسانی هنوز باید انگیزه‌های یک نامزد، تناسب با یک سازمان و پتانسیل طولانی‌مدت را ارزیابی کنند.

Ioele گفت: "هوش مصنوعی می تواند کارهای تکراری، اداری و داده های سنگین را به خوبی انجام دهد، اما هنر استخدام هنوز به قضاوت انسانی، همدلی، اعتماد و توانایی کمک به افراد در تصمیم گیری های شغلی مهم بستگی دارد." هنگامی که شرکت‌ها از آن نقطه عبور می‌کنند، خطر حذف همان تعاملی را دارند که باعث ایجاد اعتماد، زمینه و اعتماد در فرآیند استخدام می‌شود.»

زمانی که هوش مصنوعی به پیشرفت کسی کمک می کند، خودکارسازی اهمیت بیشتری پیدا می کند. Ioele گفت که نامزدها باید بدانند که کدام بخش از فرآیند استخدام از هوش مصنوعی استفاده می‌کند، چه اطلاعاتی را ارزیابی می‌کند و چه میزان وزنی را در خروجی آن به همراه دارد. آنها همچنین باید بدانند که آیا شخص ارزیابی را قبل از تصمیم گیری بررسی می کند یا خیر.

این دید اهمیت دارد زیرا شرکت‌ها از هوش مصنوعی بیشتر از برنامه‌ریزی یا ارتباطات استفاده می‌کنند. او گفت که غربالگری به کمک هوش مصنوعی می‌تواند قابلیت‌های فنی، تجربه قابل انتقال و پتانسیل رشد را فراتر از آن چیزی که یک بررسی رزومه مبتنی بر کلمه کلیدی ممکن است نشان دهد، در نظر بگیرد.

Ioele گفت که نتیجه گیری نهایی باید با استخدام کنندگان انسانی باقی بماند. استخدام‌کنندگان می‌توانند از اطلاعات به دست آمده توسط هوش مصنوعی برای ارزیابی کیفیت‌هایی مانند مهارت‌های نرم، انگیزه و تناسب طولانی‌مدت به جای ارزیابی خودکار به عنوان نتیجه‌گیری استفاده کنند.

آیول گفت: ساعت‌هایی که دیگر برای مرتب‌سازی برنامه‌ها صرف نمی‌شود و برنامه‌های هماهنگی را می‌توان به سمت گفتگوهای عمیق‌تر با نامزدها، مشاوره به مدیران استخدام و توسعه خطوط لوله استعدادهای بلندمدت هدایت کرد.

با نگاهی به آینده، Ioele گفت که هوش مصنوعی باید مراحل غیرضروری و درخواست‌های مکرر برای اطلاعات را کاهش دهد و در عین حال زمان بیشتری را برای مکالمات معنادار به استخدام‌کنندگان می‌گذارد.

او گفت: «هوش مصنوعی به کاندیداها شفافیت در مورد جایگاه آنها و این توانایی را می دهد که بدون اتلاف وقت در جستجوی شغل خود به جلو حرکت کنند.

انتخابات هوش مصنوعی: چگونه هوش مصنوعی انتخابات میان دوره ای 2026 را شکل داد؟

انتخابات میان دوره ای 2026 در مورد سیاست های نوظهور هوش مصنوعی به ما چه گفت؟

گابریل اسنایدر، سردبیر اجرایی نیوزویک، بحثی را با کارشناسان سیاست و خودی های واشنگتن که نتایج میان دوره ای را از طریق دریچه هوش مصنوعی بررسی می کنند، مدیریت خواهد کرد.

در این پنل، Nathaniel Persily، استاد حقوق در دانشکده حقوق استنفورد حضور خواهد داشت. برنت بوکانان، بنیانگذار و مدیر عامل Cygnal؛ نیک پنیمن، بنیانگذار و مدیر عامل شماره یک؛ و اندرو مامو، مشاور ارتباطات در بنچ.

با استفاده از کارت امتیازی سیاست هوش مصنوعی نیوزویک به عنوان نقطه شروع، این پانل بررسی خواهد کرد که کجا سیاست هوش مصنوعی به یک موضوع کمپین تبدیل شده است، چگونه موقعیت ها از خطوط سنتی حزب عبور می کند و چگونه بحث ها در مورد مقررات، مراکز داده، مشاغل، حریم خصوصی و امنیت ملی در رقابت های فردی انجام می شود.

این گفتگو همچنین به نحوه برخورد کمپین‌ها و گروه‌های بیرونی با این موضوعات، از جمله نقش هزینه‌های صنعت، و اینکه نتایج می‌تواند برای مبارزات سیاسی پیش رو معنی داشته باشد، بررسی خواهد کرد.

ثبت نام کنید و به بحث زنده در 10 نوامبر بپیوندید.

هوش مصنوعی سازمانی در دنیای فیزیکی: پیمایش در مرز آشفته زنجیره تامین

انبارها، کارخانه‌ها و شبکه‌های حمل‌ونقل هوش مصنوعی سازمانی را در معرض نوع دیگری از آزمون قرار می‌دهند: تصمیمات دیجیتال پیامدهای فوری در دنیای فیزیکی دارند.

دانکن آنگوو، مدیر اجرایی Blue Yonder، در 19 نوامبر به دکتر رنجیت تینایکار، میزبان "انجمن تاثیر هوش مصنوعی" نیوزویک می‌پیوندد تا درباره وارد کردن سیستم‌های مستقل به طور فزاینده در عملیات زنجیره تامین پیچیده صحبت کند.

این بحث نقش مدل‌های تخصصی را پوشش می‌دهد که شرکت‌های تخصصی باید با خودکار شدن تصمیمات بیشتر حفظ کنند و اینکه آیا اقتصاد فناوری سازمانی می‌تواند به سمت نتایج قابل اندازه‌گیری تجاری مانند بهره‌وری، هزینه‌های عملیاتی و جابجایی کالا حرکت کند.

برای پیوستن به بحث زنده پنجشنبه 19 نوامبر ساعت 12:30 ثبت نام کنید. ET .

یکی از بینش های اخیری که در مورد هوش مصنوعی آموخته اید چیست؟

«الگوی قدرتمندتر کار را آسان‌تر نمی‌کند. هنوز تصمیم نمی‌گیرد که چه زمینه‌ای مهم است، کدام اقدامات بی‌خطر هستند یا چه نتیجه‌ای خوب به نظر می‌رسد.

من به LLM ها به عنوان اره برقی فکر می کنم. آنها برش را سریعتر انجام می دهند، اما نجاری را انجام نمی دهند. هنوز کسی باید انتخاب کند که چه چیزی را برش دهد، شکل دهد و آن را با دقت تمام کند. یک اره قوی تر می تواند برش بد را بزرگتر کند.

این نحوه ساخت ما در Docusign را تغییر داد. ما سیستم را در اطراف کار طراحی می کنیم، از مدل مناسب برای هر کار استفاده می کنیم، زمینه مورد نیاز را به آن می دهیم و یک فرد را برای نتیجه پاسخگو نگه می داریم.

باعث شد بیشتر اوقات بپرسم "پس چی؟" می‌توانید نمودارها را از داده‌های خود بیرون بکشید، مهارت دیگری اضافه کنید، عامل دیگری را بچرخانید. پس چی؟ اگر نتوانم به زمان صرفه جویی شده، دلارهای ساخته شده یا بازیابی شده، یا وضعیت انطباق نسبتا بهتر اشاره کنم، سوالم تمام نشده است.

این فیلتر ما برای اینکه چه چیزی بسازیم است. ما به دنبال جایی هستیم که فرآیند توافق دارای اصطکاک واقعی است و ارزش هوش مصنوعی بالاترین است. اگر آن تقاطع وجود نداشته باشد، ما نمی سازیم.

من همچنین دست به کار می شوم و دو یا سه کار شخصی در ماه را خودکار می کنم. برخی کار می کنند، برخی شکست می خورند.»

درس خود را برای به اشتراک گذاشتن دارید؟ به من ایمیل بزنید: a.mills@newsweek.com

با یک سازمان تحقیق و توسعه تقریبا 500 نفره که در پشته فناوری کار می کند که میلیون ها تعامل روزانه با کاربر را مدیریت می کند، monday.com که نرم افزاری برای مدیریت کار و گردش کار تولید می کند، برای همگام شدن با آن به روند بررسی خود نیاز داشت. بررسی‌های مبتنی بر قانون می‌توانند استانداردهای تعیین‌شده را اجرا کنند، اما در تشخیص مشکلاتی که بستگی به نحوه تطابق تغییر پیشنهادی با بقیه پایگاه‌های کد دارد، مؤثر نبودند.

ایتامار فریدمن، مدیرعامل و یکی از بنیان‌گذاران Qodo، شرکتی که ابزارهای هوش مصنوعی را برای بررسی کد توسعه می‌دهد، گفت monday.com Qodo را در درخواست‌های کششی یکپارچه کرده است، جایی که مهندسان تغییرات پیشنهادی را قبل از ادغام آنها بررسی می‌کنند.

Qodo هر تغییر را در کنار پایگاه کد اطراف، شیوه های مهندسی monday.com و تغییرات قبلی تجزیه و تحلیل می کند. هوش مصنوعی می‌تواند مشکلات احتمالی را علامت‌گذاری کند، پیشرفت‌هایی را پیشنهاد کند و قبل از رسیدن کد به تولید بازخورد ارائه کند.

فریدمن گفت Qodo به طور متوسط ​​800 مشکل احتمالی را در ماه قبل از رسیدن به تولید شناسایی کرد و چرخه های بازبینی را حدود یک ساعت در هر درخواست کشش کاهش داد.

فریدمن گفت: «از آنجایی که هوش مصنوعی سرعت و حجم ایجاد کد را افزایش داد، تیم‌ها به رویکردهای جدیدی برای تأیید، زمینه و مدیریت نیاز دارند.

ایجاد کد سریعتر فشار بیشتری بر روند بررسی وارد می کند. تیم های مهندسی که خروجی به کمک هوش مصنوعی را مقیاس بندی می کنند نیز به ظرفیت کافی برای تعیین اینکه آیا این تغییرات آماده ارسال هستند یا خیر، نیاز دارند.

آیا یک مورد جالب استفاده از هوش مصنوعی برای به اشتراک گذاشتن با من دارید؟ به من ایمیل بزنید: a.mills@newsweek.com

■ محققان دانشگاه میشیگان دریافتند که هوش مصنوعی مولد می‌تواند انرژی بیشتری مصرف کند و اغلب خروجی دقیق‌تری در زبان‌های غیرانگلیسی تولید می‌کند، در حالی که هندی و بنگالی به انرژی ۷.۹ و ۱۵.۳ برابر انرژی معادل انگلیسی نیاز دارند. [دانشگاه میشیگان]

■ سیاست هوش مصنوعی به عنوان یک موضوع مهم در میان دوره ای 2026 ظاهر شد، به طوری که گروه های رقیب ده ها میلیون دلار به عنوان نامزدهای تبلیغاتی در مراکز داده، تأثیرات کارگران، ایمنی کودکان و مقررات هوش مصنوعی هزینه کردند. [سیاسی]

■ برخی از کارگران یقه سفید مشاغل ثابت خود را ترک می کنند زیرا هوش مصنوعی جوهر شغل آنها را تغییر می دهد و نگرانی ها در مورد ثبات بلندمدت را دامن می زند، حتی با وجود اینکه داده های اقتصادی گسترده تری هنوز از دست دادن مشاغل ناشی از هوش مصنوعی را نشان نداده است. [گاردین]

ردیابی حرکت های اجرایی در سراسر چشم انداز هوش مصنوعی

سم مکی که WestCX را رهبری کرد و پلتفرم تعامل با مشتری بومی هوش مصنوعی خود را راه‌اندازی کرد، به عنوان مدیر عامل FinThrive انتخاب شد، جایی که اولویت‌های او شامل بکارگیری هوش مصنوعی و اتوماسیون برای مدرن‌سازی عملیات چرخه درآمد و بهبود نتایج مشتری است.

راب تی لی، مدیر ارشد سابق هوش مصنوعی و رئیس تحقیقات موسسه SANS، به عنوان اولین مدیر ارشد هوش مصنوعی دراگوس نقل مکان کرد و به سازمان‌های زیرساخت‌های صنعتی و حیاتی کمک کرد تا هوش مصنوعی را در فناوری عملیاتی بپذیرند و ایمن کنند و برای تهدیدات مبتنی بر هوش مصنوعی آماده شوند.

Srinivas Attipalli، پس از نقش‌های رهبری ارشد در ZoomInfo، Allstate، Macy's و Magellan Health، به عنوان معاون ارشد و رئیس بخش هوش مصنوعی و داده به Definitive Healthcare پیوسته و قابلیت‌های هوش مصنوعی و داده‌های خود را در حالی که آماده راه‌اندازی یک پلتفرم اطلاعاتی جدید است، ارتقا می‌دهد.

تجاس توتاد نقش گسترده‌ای را در Ruder Finn به‌عنوان مدیر ارشد فناوری جهانی و مدیر ارشد داده‌ها و هوش مصنوعی بر عهده گرفته است، و همزمان با ایجاد معماری پشت قابلیت‌های هوش مصنوعی آژانس، فناوری، داده و هوش مصنوعی را تحت یک مأموریت قرار داده است.

اسکات فارنسورث که از سمت مدیر اطلاعات در Confluent Health می آید، به عنوان مدیر ارشد اطلاعات به Upward Health پیوسته و دستور کار فناوری خود را حول هوش مصنوعی، داده ها و تجزیه و تحلیل و نوآوری دیجیتال هدایت خواهد کرد.

کسی را در حال حرکت در هوش مصنوعی می شناسید؟ اطلاعات تغییر شغل را به a.mills@newsweek.com ارسال کنید

جالب ترین یا غیرمنتظره ترین روشی که اخیرا از هوش مصنوعی استفاده کرده اید چیست؟

"این روزها زمان بسیار کمتری را در Outlook می گذرانم. داشبوردهایی با عوامل هوش مصنوعی ساخته ام که ایمیل من را نظارت می کنند، و این نحوه تعامل من با اطلاعات در طول روز به طور فزاینده ای است. هنگامی که شروع به ساخت ابزارهایی در مورد نحوه عملکرد واقعی خود می کنید، به یافتن چیزهای دیگری که می خواهید امتحان کنید ادامه می دهید.

یکی از پروژه‌هایی که به‌ویژه از آن لذت بردم، عامل تحقیقاتی است که ساختم، سپس به تیم توسعه‌ام معرفی کردم. ما با شرکت‌های داروسازی و مراکز پشتیبانی از بیمار کار می‌کنیم که به افراد کمک می‌کند تا به درمان بپردازند و در آن بمانند. تولیدکنندگان معمولا از طریق داشبوردها، گزارش‌ها و بررسی‌های فصلی می‌بینند که چه اتفاقی می‌افتد. می خواستم به آنها اجازه بدهم مستقیما سؤال بپرسند.

به عنوان مثال، چند بیمار پس از ماه اول درمان را متوقف کردند؟ این پاسخ ممکن است باعث سه سوال دیگر شود. به جای اینکه از کسی بخواهید گزارش دیگری ارائه کند، می توانید گفتگو را ادامه دهید. در نمونه اولیه ای که من ساختم، عامل از یک مجموعه داده خاص برای آن کلاینت استفاده می کند و می تواند در صورت نیاز اطلاعات مرجع خارجی را وارد کند.

بخش سرگرم کننده برای من این بود که دوباره به ساختن چیزی برسم، ببینم چه چیزی ممکن است و سپس آن ایده را به تیم توسعه ام بیاورم.

من فناوری مراقبت های بهداشتی را برای مدت طولانی ساخته ام، و بسیاری از این کارها شامل پیش بینی چیزی است که کسی باید بداند. شما یک گزارش یا داشبورد حول آن سوالات می سازید. اما همیشه سوالی وجود دارد که شما پیش بینی نکرده اید و پاسخ به آن درخواست دیگری برای تیم فنی می شود.

چیزی که توجه من را جلب کرد این بود که کسی می‌توانست سؤالی بپرسد، پاسخی دریافت کند و بلافاصله سؤال بعدی را بدون نیاز به گزارش دیگری بپرسد. برای تولیدکننده‌ای که سعی می‌کند بفهمد بیماران در کجا نگهداری می‌شوند، اطلاعات می‌تواند در تصمیم‌گیری‌های روزمره بسیار مفیدتر باشد.

همچنین منعکس کننده چیزی است که من در تیم خودم می بینم. بحث های زیادی در مورد اندازه گیری ارزش هوش مصنوعی بر اساس تعداد موقعیت هایی که حذف می کنید وجود دارد. تیم ما کوچک نشده است. ما کارهای بیشتری انجام می دهیم، سریعتر حرکت می کنیم و کار با کیفیت بالاتری تولید می کنیم.

من به عنوان یک CTO به ارزش این موضوع فکر می کنم. حالا چه کاری می توانیم انجام دهیم؟ کدام ایده ها را در واقع می توانیم بسازیم؟ اینکه بتوانم یک ایده را خودم کشف کنم و چیزی ملموس برای تیمم بیاورم، این احساس را بسیار واقعی می کند.»

جادوی هوش مصنوعی را تجربه می کنید؟ در مورد آن در a.mills@newsweek.com به ما بگویید