人工智能在人力资源管理中的应用：经验主义的局限性
本文探讨了人工智能（AI）在人力资源管理（HRM）中的应用，特别是其在招聘、薪酬、排班和绩效管理四个核心职能中的作用。文章认为，尽管AI被寄予厚望，但其应用存在重大风险和局限性。
背景与动机
人力资源管理（HRM）自20世纪80年代以来以“战略人力资源管理”为主导范式，强调将企业绩效与HRM实践联系起来。这一范式推动了人力资源分析领域的兴起，为AI的应用奠定了基础。HRM领域对AI的接受部分源于对职业合法性的追求，希望通过基于证据的管理（EBM）和数据密集型工具提升自身价值。
AI系统的工作原理
文章提出了评估AI系统在HRM中有效性的三个关键参数：
- 系统目标：定义清晰且可量化的目标，但在实践中难以实现。
- 数据：AI系统依赖训练数据学习模式和关系，但数据质量问题（如低质量、偏见）限制了输出质量。
- 编程：算法是AI系统的核心，但编程可能存在偏见，且机器学习过程往往不透明。
AI在人力资源各职能中的应用
招聘
AI在招聘中的应用贯穿整个流程，包括广告定位、筛选、面试和选拔。然而，AI系统可能存在以下问题：
- 广告定位：平台算法可能导致对特定群体的歧视性广告展示。
- 筛选与选拔：简历筛选和面试评估可能过度简化，忽略复杂的人类行为。
- 社交媒体数据：利用社交媒体数据可能涉及隐私和法律风险。
薪酬
AI在薪酬领域的应用主要涉及薪酬确定和结构设计。AI系统可能存在以下问题：
- 数据适用性：基于外部数据构建的算法可能不适用于特定组织。
- 个性化薪酬：高度个性化的薪酬方案可能违反薪酬平等规定。
- 透明度：AI系统的透明度不足可能损害薪酬公平性。
排班
AI在排班中的应用历史悠久，旨在优化资源利用。然而，AI排班系统可能存在以下问题：
- 数据来源：依赖于有限的数据来源，可能忽略关键信息。
- 任务分配：基于性格推断的任务分配可能不准确，且缺乏透明度。
绩效管理
AI在绩效管理中的应用最为广泛，旨在提高效率和生产力。然而，AI绩效管理系统可能存在以下问题：
- 数据解读：收集的数据可能无法准确反映绩效，且难以解读。
- 过度监控：对知识工作者的监控可能侵犯隐私，且缺乏有效反馈。
无节制的乐观
文章指出，HRM领域对AI的乐观态度源于对实证主义的偏向，但这种倾向可能导致对AI系统局限性的忽视。HRM专业人员需要提高对AI系统工作原理的理解，以确保其应用符合实际需求。
人力资源经理的应对策略
文章建议HRM专业人员参与AI系统的设计、实施和监督，以确保：
- 明确目标：确保AI系统的目标清晰且可衡量。
- 数据适用性：确保使用的数据适合特定情境和目标。
- 编程透明度：确保AI系统的编程方式透明，避免偏见和不公平结果。
结论
AI在HRM中的应用具有巨大潜力，但同时也存在风险和局限性。HRM专业人员需要采取谨慎和以人为本的方法，确保AI系统的设计和应用符合伦理和法律要求，并真正提升工作质量和职场公平。
