Sådan bliver jobsøgning mindre pinefuld

Tidligere startede jobsøgning med at man sendte sit CV en million steder hen og aldrig hørte fra de fleste af dem. Nu bruger flere og flere virksomheder screeningsteknologi til at udvælge kandidater. Hvis kunstig intelligens er fremtiden indenfor jobsøgning, hvad betyder det så for dig? Teknologieksperten Priyanka Jain deler sin viden om jobsøgningens nye verden.

Jobsøgning på nettet

er en af de værste digitale
oplevelser i vor tid.

Og personlig jobsøgning
er ikke meget bedre.

[Måden vi arbejder på]

Ansættelse som vi
kender det, fungerer ikke

Det er en dårlig oplevelse.

Omtrent 75% af de

der søgte job
det seneste år

fortæller at de aldrig hørte
noget fra arbejdsgiveren.

I virksomhederne er
det ikke meget bedre

46% af de ansatte
bliver fyret eller siger op

indenfor det første år
af deres ansættelse.

Det er chokerende tal.

Og skidt for økonomien.

For første gang i historien

har vi flere ledige jobs
end arbejdsløse i USA,

og det viser et
tydeligt problem

Jeg tror sagens kerne er et
enkelt stykke papir: CV'et.

Et CV indeholder utvivlsomt
vigtig information:

tidligere ansættelser,
IT-evner,

hvilke sprog de taler,

men sjældent noget om de potentialer

der måske ikke tidligere
er blevet udlevet

Og med en økonomi i forandring,
hvor de job der opslås på nettet

måske kræver evner som ingen har ...

hvis vi kun kigger på hvad
folk har lavet tidligere,

vil vi ikke kunne matche folk
til de rette jobs i fremtiden.

Det er her teknologien
kan være til stor hjælp

Algoritmer er gode til

at matche folk med ting,

men måske kan vi anvende
denne teknologi

til at finde jobs
vi matcher godt?

Men jeg ved hvad I tænker.

Algoritmer der vælger dit næste job,
lyder lidt skræmmende,

men der er en faktor som påviseligt er

en stærk indikator for en
kandidats fremtidige jobsucces

og det er en såkaldt multifaktortest.

Multifaktortests er egentlig ikke nye,

men de plejede at være meget dyre

og krævede at en PhD sad sammen med dig

og svar på en masse spørgsmål
og rapportskrivning.

Multifaktortests er en måde

at afdække folks naturlige talenter -

deres hukommelse, deres opmærksomhed.

Hvad hvis vi kunne gøre multifaktortests

tilgængelige i stor skala

og levere data til arbejdsgivere om
hvilke egenskaber den bedste ansøger

til jobbet bør have.

Det kan lyde abstrakt.

Lad os prøve en af testene sammen.

Snart vil I se en blinkende cirkel,

og jeres opgave er at klappe,
når cirklen er rød

og ingenting, når den er grøn.

[Klar?]

[Start!]

[Grøn cirkel]

[Grøn cirkel]

[Rød cirkel]

[Grøn cirkel]

[Rød cirkel]

Måske er du typen

der klapper øjeblikkeligt,
når en rød cirkel vises.

Eller måske er du typen,

der lige tager sig tid
til at være 100% sikker.

Eller måske klapper du på grøn,
selvom det ikke er meningen.

Det fede her er, at det ikke er
som en standardiseret test,

hvor nogle kan bruges
og andre ikke kan.

I stedet handler det om at forstå
matchet mellem dine talenter

og hvad der gør dig egnet
til et givent job

Vi har opdaget, at hvis du klapper
sent på rød og aldrig på grøn,

så scorer du nok højt i opmærksomhed
og højt i tilbageholdenhed.

Folk i den kvadrant er ofte gode
til at studere og tage tests,

gode til projektledelse eller bogføring.

Men hvis du klapper øjeblikkeligt på rød
og nogle gange på grøn,

kan det betyde, at du er
mere impulsiv og kreativ

Og vi ser at de bedste sælgere
ofte besidder disse talenter.

Vi bruger dette i ansættelser

ved at lade de dygtigste udføre
neurovidenskabelige øvelser

som denne.

Så udvikler vi en algoritme,

der kan udpege, hvad der
gør dem i toppen unikke.

Og når folk så søger jobbet,

kan vi udpege de kandidater,
der sandsynligvis er bedst.

Du fornemmer
måske en risiko

Arbejdsmarkedet i dag
er ikke så alsidigt,

og hvis vi laver algoritmer
baseret på de dygtigste i job,

hvordan sikrer vi så

at vi ikke gror fast
i gamle mønstre?

F.eks. hvis algoritmen baseres
på de dygtigste topchefer

og fodres med data fra S&P 500
(de største amerikanske virksomheder)

ville du opdage at

flere hvide mænd hedder John
end der totalt set er kvinder.

Sådan er sammensætningen af dem,
der har disse jobs nu.

Men teknologien giver os
en interessant mulighed.

Vi kan lave algoritmer,
der er mere retfærdige

og mere fair end mennesker
nogensinde har været.

Alle vores algoritmer er testet

for favorisering af
køn og etnicitet

Og hvis en bestemt
gruppe favoriseres,

så kan vi ændre algoritmen
så dette ikke sker.

Når vi fokuserer på
de naturlige talenter,

der er basis for et
et godt match,

kan vi undgå diskrimination på
race, køn, klasse og alder -

sågar uddannelsesniveau.

Vores bedste teknologi og algoritmer
skal ikke bare bruges

til at finde den næste film
eller favoritsang med Justin Bieber.

Vi kan udnytte
teknologiens kraft

til at få reel vejledning i
hvad vi burde lave

baseret på hvem vi er inderst inde.