وقتی هوش مصنوعی آینده نیروی کار را پیش‌بینی و مدیریت می‌کند

به گزارش خبرگزاری توانیر، در دنیای امروز که سرعت تغییرات محیط کسب‌وکار، تحولات تکنولوژیک و دگرگونی مدل‌های رقابتی به‌صورت مستمر در حال افزایش است، مدیریت سرمایه انسانی دیگر نمی‌تواند در چارچوب رویکردهای سنتی و مبتنی بر عملیات اداری باقی بماند. مدیریت منابع انسانی که زمانی عمدتاً بر فرآیندهایی مانند جذب و استخدام، حضور و غیاب، ثبت سوابق شغلی، محاسبه حقوق و مزایا و رسیدگی به امور رفاهی متمرکز بود، اکنون در حال گذار به نقشی استراتژیک، داده‌محور و آینده‌نگر است. در این گذار، هوش مصنوعی و تحلیل پیشرفته داده‌ها به عنوان زیرساختی کلیدی، در حال بازتعریف نحوه برنامه‌ریزی، تصمیم‌سازی و راهبری سرمایه انسانی هستند؛ به‌گونه‌ای که سرمایه انسانی از یک واحد هزینه‌بر اداری، به دارایی هوشمند و قابل پیش‌بینی سازمان تبدیل می‌شود.

نقش هوش مصنوعی در بازتعریف سرمایه انسانی
در این چشم‌انداز نوین، نسلی جدید از سامانه‌های مدیریت سرمایه انسانی مبتنی بر هوش مصنوعی و الگوریتم‌های یادگیری ماشین در حال شکل‌گیری است. این سامانه‌ها با اتکا بر تحلیل حجم وسیعی از داده‌های ساخت‌یافته و غیرساخت‌یافته، تصویری پویا، چندبعدی و مبتنی بر شواهد از نیروی کار ارائه می‌دهند. در چنین مدلی، مدیریت سرمایه انسانی صرفاً متکی بر شهود مدیران و تجربه فردی نیست، بلکه بر پایه شاخص‌های کمی، الگوهای رفتاری و مدل‌های پیش‌بینی‌کننده استوار می‌شود. نتیجه این تحول، ارتقای نقش واحد منابع انسانی از یک واحد پشتیبان به یک مرکز تصمیم‌سازی استراتژیک است که می‌تواند در تعیین جهت‌گیری‌های کلان سازمان، برنامه‌ریزی جانشین‌پروری، توسعه شایستگی‌ها، مدیریت ریسک‌های انسانی و طراحی ساختارهای آینده نیروی کار مشارکتی فعال داشته باشد.

معماری سامانه مدیریت سرمایه انسانی و تجمیع داده‌های چرخه عمر کاری
در معماری این مدل نوین، سامانه مدیریت سرمایه انسانی با جمع‌آوری و یکپارچه‌سازی داده‌های گسترده از چرخه کامل عمر کاری افراد در سازمان، بستری برای تحلیل هوشمند فراهم می‌کند. داده‌های عملکردی شامل شاخص‌های کمی بهره‌وری، کیفیت تحویل کار، رعایت زمان‌بندی‌ها، تحقق اهداف فردی و تیمی، مشارکت در پروژه‌های بین‌بخشی و میزان تحقق شاخص‌های کلیدی عملکرد، تنها بخشی از این داده‌هاست. در کنار آن، اطلاعات مرتبط با سوابق آموزشی، گواهینامه‌های حرفه‌ای، مسیرهای توسعه فردی، نتایج آزمون‌های شایستگی، ارزیابی‌های دوره‌ای ۳۶۰ درجه، بازخورد همتایان و مدیران، میزان تعامل در بسترهای سازمانی، مشارکت در جلسات و انجمن‌های تخصصی، و حتی الگوهای ارتباطی در محیط‌های دیجیتال داخلی سازمان نیز جمع‌آوری و تحلیل می‌شود.

ترکیب داده‌های فردی با متغیرهای محیطی و سازمانی
این داده‌ها، زمانی ارزش واقعی خود را نشان می‌دهند که با متغیرهای محیطی و سازمانی ترکیب شوند. عواملی مانند مدل‌های کاری (حضوری، دورکار، ترکیبی)، بار عملیاتی واحدها، نوع و پیچیدگی پروژه‌ها، چرخه‌های اوج و رکود کاری، ساختار سلسله‌مراتبی و شبکه‌ای، فرهنگ سازمانی، استراتژی‌های کلان کسب‌وکار، سیاست‌های جبران خدمات، و شرایط عمومی بازار کار، در کنار داده‌های فردی، به موتورهای تحلیلی پیشرفته سپرده می‌شود. خروجی این فرآیند، یک نمای ۳۶۰ درجه، پویا و مبتنی بر زمان از هر فرد و نیز از کل سرمایه انسانی سازمان است؛ نمایی که نه‌تنها وضعیت موجود را توصیف می‌کند، بلکه روندهای آتی را نیز با دقت قابل‌قبولی پیش‌بینی می‌نماید.

پیش‌بینی افت بهره‌وری، فرسودگی و رفتار شغلی کارکنان
یکی از مهم‌ترین قابلیت‌های این سامانه‌ها، توانایی تحلیل پیش‌بینانه در حوزه رفتار و وضعیت شغلی کارکنان است. الگوریتم‌های یادگیری ماشین با استفاده از داده‌های تاریخی، الگوهای زمانی، رویدادهای بحرانی و داده‌های مقایسه‌ای درون‌سازمانی و بین‌سازمانی، قادرند احتمال وقوع رویدادهای کلیدی را تخمین بزنند. برای مثال، سامانه می‌تواند احتمال افت بهره‌وری یک فرد یا یک تیم را در ماه‌های آتی بر اساس نشانه‌هایی مانند افزایش خطاها، کاهش کیفیت خروجی، افزایش تأخیر در تحویل کار، کاهش مشارکت داوطلبانه در فعالیت‌های فراتر از شرح وظایف و کاهش تعاملات سازنده تشخیص دهد. به همین ترتیب، می‌توان خطر فرسودگی شغلی را از طریق پایش طولانی‌مدت ساعات کار، کاهش تدریجی رضایت شغلی، تغییر در الگوی حضور، یا افزایش تنش‌های گزارش‌شده در تیم‌ها شناسایی کرد.

برآورد احتمال ترک سازمان و جابجایی نیروی انسانی
یکی دیگر از حوزه‌های کاربردی این تحلیل‌های پیش‌بینانه، برآورد احتمال ترک سازمان و جابجایی نیروی انسانی است. در بازار کار رقابتی امروز، از دست دادن کارکنان کلیدی می‌تواند تبعات جدی برای سازمان داشته باشد. سامانه‌های هوشمند مدیریت سرمایه انسانی با تحلیل متغیرهایی مانند مدت حضور در نقش فعلی، سطح تطابق مهارت‌ها با وظایف، فرصت‌های رشد در مسیر شغلی، میزان مشارکت در برنامه‌های توسعه‌ای، سطح رضایت از ساختار جبران خدمات، مقایسه موقعیت فرد با الگوهای مشابه در بازار کار و بررسی نشانه‌های رفتاری نظیر کاهش انگیزه یا بی‌تفاوتی نسبت به اهداف سازمان، احتمالات ترک شغل را برآورد می‌کنند. این اطلاعات به مدیران امکان می‌دهد اقدامات پیشگیرانه، مانند بازطراحی نقش، ارائه فرصت رشد، بازنگری در بسته‌های جبران خدمات یا گفت‌وگوهای توسعه‌ای را به‌موقع برنامه‌ریزی کنند.

نقش هوش مصنوعی در ارتقای شغلی و جانشین‌پروری
در حوزه ارتقای شغلی و جانشین‌پروری نیز سامانه‌های مبتنی بر هوش مصنوعی نقش تعیین‌کننده‌ای ایفا می‌کنند. این سامانه‌ها با تحلیل مسیر رشد گذشته، سطح شایستگی‌های فعلی، پتانسیل توسعه، میزان یادگیری‌پذیری، عملکرد در شرایط فشار، توانایی کار تیمی و مهارت‌های رهبری، می‌توانند آمادگی افراد برای تصدی نقش‌های بالاتر را برآورد کنند. به این ترتیب، فرآیند شناسایی استعدادهای کلیدی و طراحی مسیرهای جانشین‌پروری از یک فعالیت مقطعی و مبتنی بر قضاوت شخصی، به فرآیندی مستمر، نظام‌مند و مبتنی بر داده تبدیل می‌شود. علاوه بر این، امکان شبیه‌سازی سناریوهای مختلف ترکیب نیروی انسانی و ارزیابی تأثیر جابجایی‌ها و ارتقاهای احتمالی بر عملکرد کلی سازمان فراهم می‌گردد.

استخراج روابط پیچیده و غیرخطی میان متغیرهای سازمانی
کارکرد مهم دیگر این سامانه‌ها، توانایی شناسایی و تحلیل روابط پیچیده میان متغیرهای مختلف سازمانی است. در بسیاری از موارد، ریشه چالش‌های منابع انسانی در روابط چندبعدی و غیرخطی بین عوامل متعدد پنهان است؛ عواملی که شناسایی آنها با اتکای صرف بر تجربه انسانی دشوار و زمان‌بر است. هوش مصنوعی با تحلیل حجم بزرگی از داده‌ها می‌تواند الگوهای ظریف و روابط غیرمستقیم را استخراج کند. برای مثال، ممکن است سامانه نشان دهد که افزایش هم‌زمان حجم کاری و تغییر در سبک رهبری یک مدیر در یک بازه زمانی مشخص، به‌طور مشترک منجر به افزایش نرخ غیبت و افت انگیزه در یک واحد خاص شده است. یا مشخص شود که کارکنان با تیپ‌های شخصیتی مشخص، در پروژه‌هایی با سطح ابهام بالا عملکرد مطلوب‌تری دارند و در مقابل، گروهی دیگر در پروژه‌های ساختارمند و رویه‌محور بیشترین کارایی را نشان می‌دهند.

کاربرد بینش تحلیلی در طراحی تیم‌ها و تخصیص منابع
این سطح از بینش تحلیلی، به مدیران اجازه می‌دهد تصمیم‌های خود را در زمینه طراحی ساختار تیم‌ها، تخصیص منابع انسانی به پروژه‌ها، انتخاب سبک‌های رهبری مناسب، تدوین برنامه‌های انگیزشی و حتی طراحی محیط فیزیکی و دیجیتال کار، مبتنی بر شواهد و داده اتخاذ کنند. به‌عنوان نمونه، اگر سامانه نشان دهد که در یک تیم خاص، تنوع مهارتی و شخصیتی پایین است و این مسئله منجر به کاهش نوآوری شده، مدیر می‌تواند در دوره‌های بعدی جذب و جابجایی نیرو، سیاست‌های اصلاحی اتخاذ کند. یا اگر مشخص شود که برخی از مدیران در مدیریت کار از راه دور موفق‌ترند، این افراد می‌توانند مسئولیت تیم‌های پراکنده جغرافیایی را برعهده گیرند.

موتورهای پیشنهاددهنده عملیاتی و توصیه‌های هوشمند
در کنار تحلیل و پیش‌بینی، این سامانه‌ها مجهز به موتورهای پیشنهاددهنده عملیاتی نیز هستند. این موتورهای توصیه‌گر، بر اساس الگوریتم‌های بهینه‌سازی و تحلیل مقایسه‌ای، مجموعه‌ای از اقدامات پیشنهادی را برای مدیران و واحد منابع انسانی ارائه می‌کنند. برای مثال، سیستم ممکن است به‌طور خودکار پیشنهاد دهد که یک کارمند مشخص، با توجه به الگوی عملکرد، علایق آموزشی، نیازهای آتی سازمان و شکاف مهارتی موجود، در یک دوره تخصصی خاص شرکت کند. یا بر اساس داده‌های مرتبط با فشار کاری و ریسک فرسودگی، پیشنهاد تعدیل بار کاری یا جابجایی موقت فرد به پروژه‌ای با ماهیت متفاوت ارائه شود. همچنین، سامانه می‌تواند در فرآیند جذب نیرو، با تحلیل داده‌های بازار کار و تطبیق آن با شکاف‌های شایستگی در سازمان، مشخص کند که چه نوع مهارت‌ها و تیپ‌های شغلی باید در اولویت جذب قرار گیرند تا ریسک‌های آتی ناشی از کمبود مهارت کاهش یابد.

شبیه‌سازی سناریوهای ترکیب نیروی انسانی و پیامدهای آن
در سطح کلان‌تر، موتورهای پیشنهاددهنده قادرند سناریوهای مختلف ترکیب نیروی انسانی را شبیه‌سازی کرده و پیامدهای هر سناریو را در شاخص‌هایی مانند بهره‌وری، چابکی، هزینه‌های منابع انسانی، ریسک‌های عملیاتی و سطح رضایت کارکنان برآورد کنند. این قابلیت، تصمیم‌گیری در زمینه‌هایی مانند برنامه‌ریزی نیروی کار، برون‌سپاری، اتوماسیون فرآیندها، طراحی ساختار سازمانی و برنامه‌ریزی استراتژیک منابع انسانی را به میزان قابل‌توجهی تسهیل و دقیق‌تر می‌کند.

ملاحظات اخلاقی، حریم خصوصی و شفافیت در سامانه‌های هوشمند
با وجود این مزایا، استقرار سامانه‌های مدیریت سرمایه انسانی مبتنی بر هوش مصنوعی نیازمند توجه جدی به ملاحظات حاکمیتی، اخلاقی و حقوقی است. یکی از موضوعات کلیدی، حریم خصوصی و امنیت داده‌های کارکنان است. حجم و نوع داده‌هایی که این سامانه‌ها پردازش می‌کنند، در صورت نبود استانداردهای مناسب حاکمیت داده، می‌تواند منجر به نقض حریم خصوصی یا استفاده نادرست از اطلاعات شود. به همین دلیل، طراحی چارچوب‌های شفاف برای جمع‌آوری، ذخیره‌سازی، پردازش و دسترسی به داده‌ها، تعریف سطوح دسترسی متناسب با نقش‌ها، ناشناس‌سازی داده‌ها در تحلیل‌های کلان، و ایجاد سازوکارهای نظارتی و پاسخ‌گویی، از الزامات بنیادین در استقرار این‌گونه سامانه‌ها است.

شفافیت و توضیح‌پذیری تصمیم‌های مبتنی بر هوش مصنوعی
موضوع مهم دیگر، شفافیت و توضیح‌پذیری تصمیم‌ها و خروجی‌های مبتنی بر هوش مصنوعی است. اگرچه الگوریتم‌های پیچیده می‌توانند الگوهای بسیار ظریفی را کشف و پیش‌بینی‌های دقیقی ارائه کنند، اما در محیط سازمانی، مدیران و کارکنان نیازمند درک منطق پشت برخی تصمیم‌ها و توصیه‌ها هستند. به همین دلیل، حرکت به سمت مدل‌های توضیح‌پذیر و قابل تفسیر، ارائه خلاصه‌های قابل درک از دلایل توصیه‌ها، و ایجاد امکان بازبینی و اصلاح تصمیم‌های خودکار توسط انسان، برای جلب اعتماد و پذیرش سازمانی ضروری است. نقش مدیر منابع انسانی در این میان، ایفای نقش واسط آگاه میان تکنولوژی و انسان و اطمینان از استفاده مسئولانه و منصفانه از خروجی‌های سامانه است.

تغییر نقش مدیر منابع انسانی و شایستگی‌های آینده
نکته حائز اهمیت دیگر، تغییر نقش و شایستگی‌های مورد انتظار از متخصصان منابع انسانی است. در محیطی که سامانه‌های هوشمند بخش قابل‌توجهی از تحلیل‌ها و پیش‌بینی‌ها را انجام می‌دهند، انتظار می‌رود مدیران و کارشناسان منابع انسانی به سمت نقش‌های تحلیلی‌تر، مشورتی‌تر و استراتژیک‌تر حرکت کنند. فهم مبانی تحلیل داده، آشنایی با شاخص‌ها و مدل‌های پیش‌بینانه، توانایی تفسیر خروجی سامانه‌های هوش مصنوعی، و قابلیت ترجمه این خروجی‌ها به سیاست‌ها و اقدامات عملی، به بخشی جدایی‌ناپذیر از شایستگی‌های حرفه‌ای آنان تبدیل خواهد شد. در این فضا، منابع انسانی نه‌تنها مدیریت روابط و فرآیندها، بلکه راهبری داده و تحلیل در حوزه سرمایه انسانی را برعهده خواهد داشت.

سامانه سرمایه انسانی به‌عنوان یار تصمیم‌ساز استراتژیک
سامانه مدیریت سرمایه انسانی مبتنی بر هوش مصنوعی، چیزی بسیار فراتر از یک پلتفرم اداری برای ثبت اطلاعات و اجرای فرآیندها است. این سامانه به یک یار تصمیم‌ساز استراتژیک برای سازمان تبدیل می‌شود که می‌تواند با ترکیب داده، الگوریتم و دانش سازمانی، تصویری روشن‌تر از حال و آینده نیروی کار ارائه دهد. نتیجه این رویکرد، نیروی کاری توانمندتر، هماهنگ‌تر و آماده‌تر برای مواجهه با تغییرات، فرآیندهای چابک‌تر و انعطاف‌پذیرتر، کاهش ریسک‌های مرتبط با سرمایه انسانی، بهره‌گیری بهینه از استعدادها و در نهایت افزایش رضایت و تعلق کارکنان خواهد بود.

آینده سازمان‌های داده‌محور و هم‌افزایی انسان و هوش مصنوعی
چشم‌انداز آینده، متعلق به سازمان‌هایی است که کارکنان خود را نه صرفاً به‌عنوان منابع مصرف‌شدنی، بلکه به‌عنوان سرمایه‌های زنده، پویا و داده‌محور می‌بینند؛ سرمایه‌هایی که با کمک تحلیل هوشمند، دقیق‌تر شناخته می‌شوند، هدفمندتر رشد می‌کنند و نقشی مؤثرتر در تحقق استراتژی‌های سازمان ایفا می‌نمایند. در چنین آینده‌ای، تعامل میان انسان و هوش مصنوعی در حوزه مدیریت سرمایه انسانی، نه رابطه جایگزینی، بلکه نوعی هم‌افزایی سازنده است؛ هم‌افزایی‌ای که به خلق سازمان‌هایی یادگیرنده‌تر، هوشمندتر و نزدیک‌تر به نیازهای واقعی بازار و جامعه منجر خواهد شد.

یادداشتی از:
 مسعود قاسمی؛ معاون تحقیقات و منابع انسانی شرکت توانیر
امیره نیکخواه؛ مدیرکل فناوری اطلاعات و نظارت بر امنیت فضای مجازی شرکت توانیر