In de afgelopen twee weken heeft Hung Lee een tiental redenen opgesomd (10 x reasons why AI adoption in TA is slow, part 1 | 10 x reasons why AI adoption in TA is slow, part 2) waarom de adoptie van GenAI binnen het recruitment domein langzaam verloopt. Deze stelling onderbouwt Lee helaas niet, dus we gaan er om redenen van eenvoud maar even vanuit dat dit het geval is. Mogelijk heeft Lee zijn oren laten hangen naar Chief Profeet Laurens Waling die vrijwel zonder ophouden het recruitment domein loopt af te zeiken op precies dit punt. Maar dat lijkt me eerlijk gezegd onwaarschijnlijk.

Het leek me aardig om de tien redenen van Lee te vertalen en daarbij te voorzien van een argument vóór en een argument tegen de reden. Dit alles om een discussie over de zegeningen en zorgen van GenAI beter onderbouwd te kunnen voeren.

63% van alle recruiters geeft aan dat ze slechts op basisniveau GenAI gebruiken voor het opstellen van berichten, het samenvatten van grote documenten en dergelijke. Waarom is dit zo, is dit een probleem en wat kunnen we eraan doen?

1. Gebrek aan capaciteit Raad eens? ‘Meer doen met minder’ heeft een prijs! Die prijs is dat we op 100% capaciteit opereren en daardoor zo overwerkt zijn dat we niet de capaciteit hebben om de technologie te implementeren die ons helpt met overwerk. Recruitment managers moeten de ruimte creëren voor innovatie om wortel te schieten…

Argument vóór: Het creëren van specifieke tijd en ruimte
voor AI-training en -implementatie kan op de lange termijn de efficiëntie
waarschijnlijk verhogen, waardoor de initiële investering in tijd kan worden
terugverdiend.

Argument tegen: In een omgeving waar iedereen al overwerkt
is, kan de extra taak van het leren en implementeren van nieuwe AI-tools leiden
tot burn-out en weerstand, waardoor de adoptie juist verder vertraagt.

2. Gebrek aan product-markt-fit Regel nr. 1 van PMF is ‘haal de gebruiker niet uit hun workflow’. Te veel oplossingen bieden een complete herschrijving van hoe werving werkt, maar kopers zoeken naar tools die bestaande workflows sneller kunnen maken. Verschillende dingen.

Argument vóór: Tools die naadloos integreren in bestaande
workflows en concrete, incrementele verbeteringen bieden, zullen veel sneller
worden geaccepteerd en gebruikt door recruiters.

Argument tegen: Vasthouden aan oude workflows met kleine
aanpassingen kan de potentie van AI belemmeren; soms is
een radicale herziening van processen nodig om de volledige voordelen van AI te
benutten. Radicale herzieningen kosten meer tijd om alle veranderingen goed te kunnen implementeren.

3. Gebrek aan afstemming tussen leiderschap en uitvoerders Wie profiteert van AI? Vrij duidelijk zijn dat bedrijven dat doen, omdat ze efficiënter kunnen werken. Maar als die efficiëntie alleen maar wordt omgezet in grotere winsten voor de top, verwacht dan niet dat wij, de werkbijen, er zo enthousiast over zullen zijn. We moeten keep what we kill om de efficiëntiewinsten om te zetten in werk met hogere waarde. (MD: Hung Lee is geen Amerikaan, zoveel is duidelijk).

Argument vóór: Het delen van de voordelen van AI-adoptie met werknemers, bijvoorbeeld door hen te bevrijden van repetitieve taken zodat ze zich kunnen richten op strategischer en waardevoller werk, stimuleert motivatie en adoptie. Het is ook waar eenhoorns leven.

Argument tegen: De primaire focus van AI is vaak kostenbesparing en efficiëntie, wat voor werknemers kan leiden tot angst voor baanverlies of het gevoel dat ze alleen worden gebruikt om de winst van de top te verhogen, wat weerstand creëert.

4. Asymmetrische fouttolerantie! We verwachten onfeilbaarheid van AI en beschouwen een fout als doorslaggevend bewijs van systeemfalen, terwijl we meestal veel vergevingsgezinder zijn voor een gelijkwaardige fout begaan door de mens. Waarom? Geen idee. Maar ik denk dat het waar is! (MD: die hogere verwachting wordt gevoed door de zogenaamde AI slangenolieverkopers die overspannen verwachtingen schetsen met als onvermijdelijk gevolg dat het werkelijke product alleen maar teleur kan stellen)

Argument vóór: Door een realistischer beeld te schetsen van AI’s mogelijkheden en beperkingen, en door te benadrukken dat AI een hulpmiddel is dat menselijk toezicht nodig heeft, kan de acceptatiegraad toenemen.

Argument tegen: De hoge verwachtingen van AI zijn inherent aan de belofte van geavanceerde technologie; als AI niet significant beter presteert dan menselijke alternatieven (of zelfs slechter lijkt door incidentele fouten), is de motivatie voor adoptie laag.

5. Keuze-overload op HR Tech Heeft iemand Mary Meeker’s AI Trends rapport gezien? De eerste 40 pagina’s waren gewijd aan de snelheid van AI-innovatie. Het is niet alleen snel, maar wordt steeds sneller met nieuwe producten, modellen, use cases, demo’s die ons met duizelingwekkende snelheid bereiken. We lijden aan keuze-overload en kunnen geen due diligence uitvoeren, vandaar dat we na een demo niet tot implementatie overgaan.

Argument vóór: Door zich te richten op een paar bewezen AI-oplossingen die specifiek zijn afgestemd op de behoeften van het recruitmentteam, kan de overweldigende hoeveelheid keuzes worden verminderd en gerichte implementatie worden bevorderd.

Argument tegen: Het negeren van de snel evoluerende AI-markt kan leiden tot het missen van potentieel superieure oplossingen; een zorgvuldige, zij het tijdrovende, selectieprocedure is noodzakelijk om de beste tools te vinden.

6. Compliance / Juridisch risico Mobley vs Workday, EU AI Act, GDPR… misschien is de aard van Gen AI, getraind op gegevens die van iemand anders waren, een zeer reële rem op AI-adoptie in recruitment. (MD: de rem is alleen van toepassing voor de EU, de VS voert sinds de komst van Trump een nadrukkelijk andere koers waarbij het individu (lees: privacy) een ondergeschikte rol heeft ten opzichte van AI-ontwikkeling (lees: bedrijfsresultaten)

Argument vóór: Het proactief aanpakken van compliance en juridische risico’s door middel van robuuste gegevensbeveiliging, transparante AI-algoritmen en het naleven van regelgeving, bouwt vertrouwen op en versnelt de adoptie.

Argument tegen: De voortdurend veranderende en complexe regelgeving rondom AI en privacy creëert een onzekere omgeving, waardoor bedrijven huiverig zijn om te investeren in AI uit angst voor boetes of reputatieschade. (MD: dit is feitelijk geen argument tegen maar een gezonde situatie waarin privacy daadwerkelijk wordt beschermd)

7. Risico op IP-lekken Wat heb JIJ geüpload naar GenAI? Ik ken meer dan een paar hoofden van recruitment die bedrijfsgegevens hebben geüpload naar commerciële AI-tools, waardoor het bedrijf werd blootgesteld aan IP-lekken. Het vergroten van het bewustzijn van dit risico werkt als een valkuil voor AI-adoptie.

Argument vóór: Strikte interne richtlijnen, training over dataveiligheid en het gebruik van AI-tools met geavanceerde beveiligingsprotocollen kunnen het risico op IP-lekken minimaliseren en de adoptie bevorderen.

Argument tegen: De inherente aard van veel generatieve AI-tools, die externe servers gebruiken voor verwerking, vormt een fundamenteel risico voor bedrijfsinformatie, wat de adoptie van gevoelige AI-toepassingen afremt. (MD: if you are not paying, you are the product)

8. Angst voor AI-bias Misschien is de grootste zorg voor recruitment hoe bias te verminderen. AI-leveranciers beloven voornamelijk tijdsbesparing – wat we broodnodig hebben – maar het lijkt te komen met de lelijke afweging van het potentieel versnellen en versterken van bias. (MD: initieel beloofden AI-aanbieders bias-vrije oplossingen, maar de mythe is ondertussen volledig doorgeprikt. AI-toepassingen voor recruitment zijn broeinesten van meer bias-vormen dan ooit en door hu veel geroemde snelheid kunnen ze op een veel grotere schaal discrimineren dan ooit voor mogelijk werd gehouden)

Argument vóór: Het ontwikkelen van ethische AI-richtlijnen, het implementeren van bias-detectie en -mitigatietechnieken, en het trainen van AI met diverse en representatieve datasets kan de angst voor bias verminderen en eerlijkere resultaten opleveren.

Argument tegen: Ondanks inspanningen is het volledig elimineren van bias in AI-algoritmen een complexe uitdaging, en de mogelijkheid dat AI bestaande maatschappelijke vooroordelen versterkt, blijft een significante rem op de adoptie, vooral in gevoelige gebieden zoals recruitment.

9. Verergering van slechte Candidate eXperience (geen menselijk contact) Candidate Resentment Score (met dank aan Kevin W. Grossman) is mijn favoriete recruitment-metric. Raad eens waar die in 2025 zal zijn. We hebben het menselijke contact nodig in werving, maar meer menselijk betekent niet betere werving. In plaats daarvan moeten we de psychologie van CX begrijpen en proberen de momenten van hoge angst in het proces te verminderen.

Argument vóór: Door AI in te zetten voor routinetaken, kunnen recruiters zich meer richten op hoogwaardig menselijk contact, zoals persoonlijke gesprekken en het opbouwen van relaties, wat de kandidaatervaring juist kan verbeteren.

Argument tegen: Overmatig gebruik van AI in kandidaatinteracties kan leiden tot een onpersoonlijke en frustrerende ervaring, waardoor kandidaten zich niet gewaardeerd voelen en de reputatie van het bedrijf schade oploopt.

10. Gebrek aan aantoonbare ROI Dit is waar omdat onze evaluatievensters veel te kort zijn. Nogmaals, we ‘weten’ intuïtief wanneer we een uitzonderlijke werving hebben gedaan, maar moeten te lang wachten voordat we de gegevens hebben om het te meten. Kunnen we de manier vinden om ROI te meten… zonder data, of misschien met een andere vorm van data?

Argument vóór: Door kortere evaluatiecycli te implementeren en innovatieve meetmethoden te ontwikkelen (bijvoorbeeld kwalitatieve feedback of proxy-metriek), kan de ROI van AI sneller worden aangetoond, wat investeringen rechtvaardigt.

Argument tegen: De lange-termijn aard van succesvolle wervingen en de complexiteit van het isoleren van de specifieke impact van AI maken het moeilijk om een directe, kortetermijn-ROI aan te tonen, wat investeringsbeslissingen vertraagt.

Dat was het dan, met dank aan Hung Lee en GenAI Gemini