Het talent van gisteren als maat voor het talent van de toekomst?

Onlangs stond in NRC (27 juli jl.) een lofzang op het gebruik van Big Data, Artificial Intelligence (AI) en machine learning bij de werving en selectie van nieuwe medewerkers. Zowel softwareontwikkelaars, AI-deskundigen, neurowetenschappers als recruiters waren laaiend enthousiast. Door van de nieuwste technologie gebruik te maken, wordt de kwaliteit van werving en selectie van nieuwe medewerkers aanzienlijk verbeterd, zo stelden zij. Het lijkt allemaal prachtig, toch zitten er nogal wat ‘adders onder het gras’.

De aanpak is in grote lijnen hetzelfde
Inmiddels is er een veelheid van toepassingen waarbij gebruik gemaakt wordt van de genoemde technologie. De aanpak is in grote lijnen steeds hetzelfde. Gegevens van succesvolle medewerkers binnen de organisatie worden verzameld en op overeenkomsten geanalyseerd. Op grond van deze analyse wordt een algoritme ontwikkeld. Wanneer zich vervolgens een sollicitant aandient, dan worden dezelfde gegevens verzameld en wordt met het algoritme berekend in hoeverre de gegevens van de betreffende kandidaat overeenstemmen met die van succesvolle medewerkers. Is dat het geval, dan hebben we dus te maken met een geschikte kandidaat.

Taal- en woordgebruik
Het soort data dat bij succesvolle medewerkers verzameld wordt, kan overigens zeer uiteenlopend zijn. Het kan gaan om biografische gegevens, om testresultaten uit hun selectieprocedure, om nieuw verzamelde testgegevens, maar bijvoorbeeld ook om een analyse van hun taal- en woordgebruik. Succesvolle leiders praten anders, hetzelfde geldt voor succesvolle verkopers en ingenieurs. In dit laatste geval volstaat het dus om succesvolle medewerkers een aantal vragen te stellen en bij sollicitanten hetzelfde te doen. Vooral deze aanpak zou een enorme besparing kunnen opleveren, kandidaten kunnen van overal ter wereld inbellen, de vragen kunnen gesteld worden door een robot en een computer doet de analyse.

Representatieve data
Het lijkt allemaal prachtig, toch zitten er wat ‘adders onder het gras’. Zo’n adder is bijvoorbeeld het soort data. Wanneer je besluit om oude testgegevens van succesvolle medewerkers te gebruiken het algoritme, is de vraag in hoeverre deze nog representatief zijn. Wanneer je besluit om aan medewerkers te vragen om opnieuw een aantal tests en vragenlijsten in te vullen, is het de vraag of zij dat met hetzelfde enthousiasme zullen doen als sollicitanten. Als dat niet zo is, wat betekent dat dan voor de uitkomst?

Achteruit kijken
Belangrijkste bezwaar is echter dat al dit soort systemen voorlopig nog ‘achteruit kijken’. Er wordt data verzameld van medewerkers die tot nu toe succesvol geweest zijn. Maar is de succesvolle medewerker van gisteren wel de maat der dingen als het gaat om de medewerker van morgen?

Vraagt een organisatie om meer van hetzelfde, meer van wat ze al hebben? Of juist om vernieuwing en verandering?

Het doet mij denken aan het project ‘De nieuwe Rembrandt’. Hierbij werden alle schilderen van Rembrandt gedigitaliseerd en opgeslagen in een systeem. Vervolgens heeft een slim programma geanalyseerd wat de gemeenschappelijkheden waren, op grond van de uitkomsten is er een nieuwe Rembrandt gemaakt. Hoe indrukwekkend ook, ik zou pas echt onder de indruk geweest zijn wanneer de computer een ‘nieuwe Mondriaan’ geschilderd zou hebben!

Big Data, AI en machine learning kunnen een belangrijke bijdrage leveren aan het verbeteren van de werving en selectie van medewerkers; ook bij LTP speelt Data Science een belangrijke rol in het steeds verder optimaliseren van onze adviezen. Maar voorzichtigheid is op z’n plaats. Wanneer u een Mondriaan zoekt, omdat u al veel Rembrandts heeft, dan is een individueel assessment (eventueel als aanvulling op het algoritme) een effectievere aanpak. De psycholoog die zo’n assessment uitvoert, kent immers uw organisatie en weet voor welke uitdagingen en veranderingen uw organisatie staat. Die is niet snel te vervangen door een robot (hoop ik)….


Oorspronkelijke artikel: Algoritme geeft werkzoekende sollicitatie-advies (NRC, 27-07-2017) 
Reactie Frank van Luijk: Algoritmes leiden tot behoudzucht en conservatisme (NRC, 01-08-2017) 
Reactie Merlijn Kuin: Imitatie is stap één (NRC, 05-08-2017)
Frank van Luijk

Frank van Luijk

Frank was jarenlang assessmentpsycholoog en lid van het managementteam bij LTP met een sterke focus op integriteit. Nu is hij met pensioen!
Op welk mailadres wil je het voorbeeldrapport ontvangen?