רוב תהליכי הגיוס עדיין בנויים לעולם שכבר לא קיים

למה דווקא עכשיו כולם מתחילים לדבר על Bayes, ו־Decision Systems בגיוס?

פעם, הרבה מה־signals בתהליך באמת היו נדירים:• קורות חיים טובים• ניסוח איכותי• הכנה לראיון• portfolio מסודר• יכולת להציג את עצמך היטב. סיגנלים הם המאפיינים הייחודיים שעזרו לסנן את המועמדים.

הם לא היו מושלמים אבל היה בהם לא מעט מידע.

היום AI שינה את המשוואה. לא משום שכל הארגונים הטמיעו AI דווקא אלא משום שמועמדים רבים משתמשים בבינה מלאכותית להתכונן ולהציע עצמם.

פתאום כמעט כל מועמד יכול להגיע עם:• קורות חיים מצויינים• ראיון ברמה יותר גבוהה• פרופיל LinkedIn שנראה מעולה• הכנה אינסופית לראיונות• אפילו סימולציות בזמן אמת

כלומר:היכולת “להיראות טוב” הפכה לזולה ,נגישה ודמוקרטית.

וזה יצר כמובן בעיה חדשה:

הסיגנלים שהיו בעבר כבר לא מצליחים לחזות היטב הצלחה בעבודה.

זו בעצם הסיבה שבגללה Bayes עולה עכשיו מחדש.

מה זה בעצם Bayes?

בפשטות, Bayes :אנחנו מתחילים מהערכה ראשונית,ומעדכנים אותה ככל שמצטבר מידע חדש.

 עדכון מתמשך של רמת הביטחון שלנו.

וזה אולי נשמע טריוויאלי אבל רוב תהליכי הגיוס עובדים בדיוק הפוך.

בפועל, הרבה ארגונים עדיין מקבלים החלטות לפי:• רושם ראשוני• כריזמה• חברה קודמת• אוניברסיטה• “הייתה לי תחושת בטן טובה”• או ראיון אחד שהיה “ממש חזק”

כלומר:במקום לעדכן הסתברות לאורך הדרך,אנחנו מתאהבים מוקדם מדי בהחלטה.

ופה מתחילה הבעיה.

הוא עוסק ביכולת לחזות הצלחה בתפקיד ועד כמה תהליך הגיוס באמת קשור לחיים עצמם. האם מי שאנו מגייסים באמת יקיים את ההבטחה שהוא מגלם בתהליך.

זו מגמה שכבר קיימת בארגונים עם ניסיון לשלב יותר מטלות ותרגילים. יותר סימולציות המדמות את העבודה עצמה. יותר רצון למצוא עקביות ותהליך גיוס יותר מובנה ויותר מבוסס נתונים. המחיר לגייס בלי כבר יקר מדי.

במובן מסוים, AI יצר פרדוקס:

ככל שנהיה קל יותר לייצר תשובות טובות כך נהיה חשוב יותר להבין איזה מידע בכלל שווה משהו.

וזה לא קורה רק בגיוס.זה קורה כמעט בכל תחום של קבלת החלטות:השקעות, רפואה, ביטחון, מודיעין, מכירות.

כולם מבינים פתאום את אותו הדבר:הבעיה האמיתית כבר איננה מחסור במידע.הבעיה היא איכות האותות.

ובדיוק בגלל זה Bayes חוזר עכשיו למרכז הבמה.

איך יודעים מהו הערך החיזוי של מידע בתהליך?

מה זה Diagnostic Signal?

זה אחד המושגים הכי מעניינים שעולים עכשיו בעולם הגיוס.

לא כל מידע באמת עוזר לחזות הצלחה.

יש מידע שנראה מרשים.ויש מידע שבאמת משנה את הסיכוי לגייס עובד מצוין.

הוא מידע שבאמת עוזר להבדיל בין: מועמד שיצליח כאן לבין מועמד שלא.

לא:“מי הרשים אותנו?”

אלא:“איזה מידע באמת שינה את רמת הביטחון שלנו?”

וזה הבדל עצום.

כי הרבה תהליכי גיוס בנויים כרגע על הגיון שנראה חזק אבל בפועל יש להם ערך חיזויי נמוך.

זו בעצם שאלת מיליון הדולר של גיוס מודרני:

איך יודעים אם מידע בתהליך באמת מנבא הצלחה או רק מרגיש לנו “איכותי”?

ופה הרבה ארגונים מגלים משהו די לא נעים:

חלק גדול ממה שהם בודקים בכלל לא נמדד מול תוצאות אמיתיות.

כלומר:יש המון דעות על גיוס,אבל מעט מאוד תוקף.

הדרך להבין ערך חיזויי (predictive value) היא יחסית פשוטה בתיאוריה:

בודקים בדיעבד אילו signals באמת היו קשורים להצלחה בתפקיד.

למשל:• האם אנשים שקיבלו ציון גבוה ב־case study באמת הצליחו יותר אחרי שנה?• האם רפרנסים טובים באמת ניבאו ביצועים?• האם interview panel מסוים מנבא טוב יותר מאחרים?• האם יש correlation בין performance review עתידי לבין שלבים מסוימים בגיוס?

ואז מתחילים לראות משהו מעניין:

לא כל שלב בתהליך תורם באותה מידה.

לפעמים:• חמישה ראיונות כמעט לא מוסיפים מידע חדש• שני מראיינים נותנים בעצם אותו signal• תרגיל קצר מנבא יותר מיום ראיונות שלם• מנהל מגייס מסוים מדייק מאוד• ואחר מייצר הרבה false positives

וזה בדיוק המקום שבו Bayes נכנס.החשיבה הופכת להיות:האם המידע החדש באמת משנה את ההסתברות להצלחה?או שהוא רק:• מחזק bias קיים• יוצר תחושת ודאות מזויפת• או מוסיף “רעש” במקום signal

והקטע הכי חשוב:ערך חיזויי הוא לא דבר אבסולוטי.

אותו signal יכול להיות בעל ערך בארגון אחד וחסר ערך באחר.

לדוגמה:• אלגוריתמיקה יכולה לנבא מצוין בחברת infrastructure• אבל להיות כמעט חסרת משמעות בתפקיד product-heavy• כריזמה יכולה לעזור במכירות• אבל לפגוע בהערכת engineering depth

כלומר: ערך החיזוי תמיד תלוי הקשר.

וזו אחת הסיבות שהרבה חברות מתחילות עכשיו להסתכל על גיוס כמו על מערכת decision intelligence:

לא “איך עושים עוד ראיונות”,אלא:• איזה מידע באמת משנה החלטה• איזה שלב מוסיף signal חדש• איפה יש overlap• איפה יש bias• ואיפה הארגון רק מייצר תחושת ביטחון במקום חיזוי אמיתי

אז איך יודעים אם מידע באמת בעל ערך חיזויי?

זו כנראה אחת השאלות הכי חשובות בגיוס מודרני.

והתשובה יחסית פשוטה:

בודקים בדיעבד מה באמת ניבא הצלחה.

למשל:• האם אנשים שקיבלו ציון גבוה ב־case study הצליחו יותר אחרי שנה?• האם רפרנסים איכותיים באמת ניבאו performance?• האם coding exercise מסוים מנבא הצלחה או רק יכולת לעבור ראיונות?• האם hiring manager מסוים מדייק יותר מאחרים?• אילו signals חוזרים אצל ?

וכשמסתכלים על הנתונים, מתחילים לראות דברים מעניינים מאוד.

לפעמים:• חמישה ראיונות כמעט לא מוסיפים מידע חדש• שני מראיינים נותנים בעצם אותו signal• תרגיל קצר מנבא יותר מיום ראיונות• consistency לאורך זמן מנבא יותר מראיון מבריק אחד• ורפרנס ממנהל ישיר שווה יותר משלוש שיחות התרשמות

מה זה אומר בפועל על תהליכי גיוס?

כנראה שנראה יותר תהליכי גיוס מובְנים ומדידים: , תהליכי גיוס מובנים, scorecards אמיתיים, סימולציות עבודה המדמות את המציאות, ובדיקות שמנסות להבין לא רק אם המועמד “הרשים” אלא אם נאסף מידע שבאמת מנבא הצלחה בתפקיד.

זה יבוא יחד עם פחות הישענות על תחושות בטן רגעיות, ויותר דגש על מדדי איכות :איזה שלב בתהליך באמת מוסיף מידע חדש, איזה signal הוכיח ערך חיזויי לאורך זמן, ואיפה הארגון רק מייצר תחושת ודאות בלי לשפר באמת את איכות ההחלטה.במילים אחרות:פחות ראיונות שמטרתם “להתרשם מהמועמד”.יותר תהליכים שמטרתם לצמצם אי־ודאות בצורה חכמה.

1. פחות החלטות מוקדמות מדי

ברוב התהליכים היום, ההחלטה האמיתית מתקבלת הרבה לפני סוף התהליך.

לפעמים כבר ב־15 הדקות הראשונות.

אחר כך כל שאר הראיונות פשוט:• מאשרים• מצדיקים• או מגנים על ההחלטה הראשונית

בתהליך Bayesian טוב, מנסים למנוע את זה.

למשל:• לא משתפים מוקדם מדי• כל מראיין נותן הערכה עצמאית לפני דיון קבוצתי• מפרידים בין “signal” לבין “interpretation”• בודקים מה באמת השתנה בעקבות כל שלב

כלומר:מנסים למנוע ״עוגן״ מוקדם.

2. כל שלב צריך להוסיף מידע חדש

זו נקודה קריטית.

בהרבה ארגונים יש חמישה ראיונות שבודקים בערך אותו דבר.

זה מרגיש “יסודי” אבל בפועל כמעט לא מוסיף signal חדש.

בחשיבה Bayesian:כל שלב צריך לענות על uncertainty אחרת.

למשל:• שלב אחד בודק problem solving• אחר collaboration• אחר ambiguity• אחר execution under pressureאם שני שלבים נותנים אותו מידע כנראה שאחד מהם מיותר. זה מחליש את התהליך.

3. פחות “התרשמות כללית”, יותר confidence calibration

במקום לשאול:“איך היה לך עם המועמד?” שואלים מה ראית שהעניק לך ביטחון בהחלטה?

מה חסר לך על מנת להחליט?וזה משנה את איכות השיחה.

4. יותר עבודה אמיתית, פחות ראיונות ראווה

זו אחת ההשלכות הכי גדולות של AI.

כי אם מועמדים יכולים להתכונן כמעט לכל שאלה אזראיונות קלאסיים נהיים פחות יעילים. הראיון עצמו מעולם לא היה כלי מצוין אבל כעת הוא מאבד את מעט יכולת החיזוי שלו אם לא ממסגרים אותו היטב.

ולכן תהליכים מתחילים לעבור ל:סימולציות, תרגילים, הגנה על התשובה, דיונים וראיונות חיים.

.

5. שינויים באופן שבו עושים Debrief

במקום מה אהבהת או לא אהבת..

• איזה signal קיבלנו?• כמה הוא חזק?• האם הוא חדש או שכבר ראינו אותו?• האם אנחנו מייחסים משקל יתר ל כריזמה?• איזה פער עדיין נשאר?• האם צריך עוד מידע או שכבר יש מספיק ביטחון ?

זו כבר שיחה הרבה יותר בוגרת.

6. פחות “hire / no hire” בינארי

זו אולי הנקודה הכי מעניינת.

כי בעולם Bayesian:אין באמת ודאות.

יש:• probability• risk• trade-offs• confidence level

ולכן ארגונים טובים מתחילים לחשוב פחות במונחים של:“מושלם / לא מושלם”

ויותר:• מה הסיכון פה?• איפה החוזקות באמת חריגות?• מה אפשר להשלים דרך ניהול או תמיכה?• ומה ההסתברות להצלחה בסביבה הספציפית הזאת?

7. מדידה אמיתית של איכות החלטות

ופה מגיע השלב שרוב החברות עדיין לא עושות.

אם רוצים לחשוב Bayesian צריך לבדוק בדיעבד:אילו signals באמת ניבאו הצלחה.

למשל:• מי מהמראיינים מדויק יותר לאורך זמן• אילו exercises predictive• איזה שלב כמעט לא מוסיף מידע• איפה יש false positives• ואיפה false negatives

כלומר:לא רק למדוד pipeline.למדוד איכות החלטה.

ובסוף, זה אולי השינוי הכי עמוק

תהליך גיוס טוב כבר לא נראה כמו:סדרה של אנשים שמנסים “להרגיש” מועמד.

אלא כמו מערכת שמנסה לצמצם חוסר ודאות בצורה חכמה.

פחות אינטואיציה רגעית.יותר עדכון הסתברויות לאורך הדרך.

וזה נהיה קריטי במיוחד עכשיו כי בעולם שבו כמעט כולם יכולים להיראות מצוין בראיון,היתרון עובר ליכולת להבין איזה מידע באמת משנה

הנקודה הכי חשובה

Bayes לא מלמד אותנו להיות “יותר מתמטיים”.

הוא מלמד אותנו להיות פחות יהירים לגבי ההחלטות שלנו.

ובתקופה שבה AI הופך את היכולת “להיראות טוב” לקלה מאי פעם זו כנראה אחת היכולות הכי חשובות שארגונים יצטרכו לפתח:לא לזהות מי הכי מרשים בחדר.

אלא להבין איזה מידע באמת משנה את ההסתברות להצלחה.

רוצים ללמוד עוד על הערך החיזויי של כלי הגיוס הכי נפוצים היום?

בואו לובמינר שאני עורכת ב 25.5 בשעה 10:00 בזום ואסביר הכל