Machine Learning e AI na Gestão de Talento
Nos últimos anos, as tecnologias de Machine Learning e AI (Inteligência Artificial) têm transformado os processos de negócio, em praticamente todas as indústrias, um pouco por todo o mundo. Tal deve-se à sua mais-valia num factor-chave: a sua capacidade de análise de dados, aprendizagem, geração de insights e conclusões e apoio/ autonomia na tomada de decisões.
Por Carlos Sezões, Managing partner da Darefy – Leadership & Change Builders
De facto, o que antes exigia grandes volumes de tempo e recursos (humanos e materiais) pode hoje ser executado rapidamente, de modo cada vez mais rápido e automatizado – com forte componente de precisão e predição. Tal é visível em domínios tão diversos como os algoritmos que definem o que vemos nas redes sociais – desde notícias a propostas comerciais – até à manutenção preventiva de equipamentos industriais.
As funções e processos de gestão de Pessoas, a nível organizacional, estão agora a testemunhar, progressivamente, uma transformação significativa com base nestas tecnologias. A forma como se gere o talento, desde a atracção e recrutamento até ao envolvimento dos colaboradores, nos vários pontos-chave do seu ciclo de vida (employee experience), poderá ser optimizada de modo exponencial. Neste âmbito, destaco desde já três áreas de impacto.
Primeiro, atracção e selecção de talento. Efectivamente, uma das primeiras aplicações de AI tem sido o processo de recrutamento. Os modelos com base em algoritmos podem analisar grandes quantidades de dados e variáveis para identificar os melhores candidatos para uma posição (skills & culture matching), com muito mais eficiência do que os métodos tradicionais. Aplicações para triagem de currículos usam processamento de linguagem natural (NPL) para compreender e avaliar as experiências e conhecimentos relevantes dos candidatos. Além disso, os chatbots com tecnologia de AI podem interagir com os candidatos, responder às suas dúvidas e melhorar a experiência – inclusive, acumulando e agindo sobre dados de entrevistas em vídeo (percebendo sinais e propensões inerentes a micro-expressões) – um bom exemplo é a plataforma HireVue.
Em segundo lugar, na liderança e gestão da performance. Ao analisar dados de desempenho, a AI pode ajudar os líderes a definir metas mais objetivas e fornecer feedback mais personalizado às suas equipas. Além disso, a análise preditiva pode prever tendências futuras de desempenho e identificar potenciais riscos ou entropias (ex. turnover), permitindo a tomada de decisões proactivas. Na própria definição de modelos de liderança, poder-se-ão isolar e analisar variáveis (crenças, comportamentos, valores que espelham a cultura) e prever os que gerarão, previsivelmente, maior engagement e performance das equipas.
Por último, na experiência do colaborador. Plataformas baseadas em AI (com respectivos chatbots), numa óptica de helpdesk “inteligente”, podem solucionar rapidamente questões administrativas, recomendar oportunidades de desenvolvimento de competências e recursos de aprendizagem adaptados aos objetivos de um indivíduo – um bom exemplo é o recente ‘My Assistant” da Walmart, desenvolvido para fornecer informações instantâneas, treino personalizado e suporte RH permanente. Além disso, será mais fácil recolher feedback sobre satisfação e engagement, identificando áreas de melhoria e fornecer aos gestores recomendações práticas de acção.
Estou ciente que este é um caminho que apenas agora está a ser iniciado, nomeadamente por organizações globais, de grande dimensão. Mas estou certo que os próximos 3 – 5 anos testemunharão a disseminação e massificação destas tecnologias.
Uma breve nota final. A integração da machine learning e AI na gestão de talento apresenta grandes desafios – deste as questões relativas à privacidade e segurança dos dados ao potencial da AI para gerar enviesamentos ou perpetuar preconceitos, se não for cuidadosamente concebida. Construir uma boa aquitectura de dados, assegurar datasets consistentes (na fase de treino dos modelos), garantir a transparência nos processos de tomada de decisão em AI e auditar continuamente os algoritmos quanto à imparcialidade e precisão, serão tarefas essenciais neste caminho.