Het belang van goede werving en selectie kun je eigenlijk niet overschatten. Niet voor niets berekende McKinsey ooit dat – voor complexe functies en rollen – de beste kandidaten maar liefst 800% méér resultaat kunnen opleveren dan gemiddelde mensen. En een recente studie van Harvard Business School liet zien dat er zelfs nog grotere voordelen zitten aan het vermijden van wat zij noemen ‘toxic workers‘.
Slagen we erin om de verkeerde kandidaat buiten de deur te houden? ‘Nog niet zo goed’
Maar met dat enorme belang komt natuurlijk ook de vraag: hoe goed slagen we er al in om dat juiste talent te herkennen, en minstens zo belangrijk: om de verkeerde kandidaat buiten de deur te houden? Nog niet zo goed, stelt Tomas Chamorro-Premuzic in Harvard Business Review.
‘Te veel op intuïtie vertrouwd’
‘Organisaties vertrouwen nog steeds meer op hun intuïtie in plaats van op door data gedreven praktijken om talent te identificeren’, zegt de Chief Talent Scientist van de ManpowerGroup, tevens professor aan het University College in Londen en aan Columbia University. ‘En dat doen ze dan ook nog eens vooral aan de top, waar de belangen eigenlijk het grootst zijn.’
‘Organisaties vertrouwen nog steeds meer op hun intuïtie in plaats van op data’
In het boek Why Do So Many Incompetent Men Become Leaders?: (And How to Fix It) schrijft Chamorro-Premuzic al dat de meeste bedrijven zich richten op verkeerde kenmerken bij kandidaten. Ze verkiezen daardoor zelfvertrouwen boven competentie, charisma boven bescheidenheid, en narcisme boven integriteit. Dit leidt tot wat hij noemt: ‘the surplus of incompetent and male leaders’.
Kan AI het probleem verhelpen?
Een prikkelende gedachte, maar, zo vraagt hij zich vervolgens af: zou nieuwe technologie kunnen helpen om dit probleem op te lossen? Er is inmiddels immers heel wat technologie hiervoor beschikbaar, vaak gebaseerd op wat dan AI genoemd wordt. ‘Zouden vrouwen beter af zijn als AI en algoritmes de baas waren in onze recruitmentprocessen?’
‘Als we onze leiders zouden selecteren op basis van hun emotionele intelligentie, zou de meerderheid vrouw zijn.’
Vrouwen worden aan de ene kant stelselmatig negatiever geevalueerd door anderen dan mannen – zelfs als er weinig verschil is in hun gedrag, aldus Chamorro-Premuzic (foto). Aan de andere kant blijkt uit meta-analyses dat vrouwen (licht) beter scoren als het aankomt op de soft skills die nodig zijn om een effectieve leider te zijn, en dat ze over het algemeen ook effectievere leiderschapsstijlen weten te ontwikkelen. Of, om het simpel te zeggen: als we onze leiders zouden selecteren op basis van hun emotionele intelligentie, zelfbewustzijn, bescheidenheid, integriteit, en coachbaarheid, dan zou de meerderheid vrouw zijn in plaats van man.
Ook algoritmes discrimineren
Kan AI daarbij helpen? Recente ervaringen, zoals bij Amazon, laten zien dat dit nog niet zo makkelijk is. Ook algoritmes blijken nog steeds (onterecht) te discrimineren.
Maar we moeten dat ook in perspectief zien, zegt de hoogleraar. ‘Het is een beetje zoals met de zelfrijdende auto. Als er daar een ongeluk mee gebeurt, zijn we geschokt. Maar we hebben het zelden over de 1,2 miljoen dodelijke en 50 miljoen gewone ongelukken die per jaar vallen in de auto’s die we zelf besturen.’
Laten we dus eerst vaststellen dat onze huidige selectiepraktijken ineffectief zijn, zegt hij, zoals hij ook al deed in een eerder boek. Waarna hij stelt dat AI in elk geval geen emoties, onderbuikgevoelens of ongefundeerde opinies heeft. ‘En AI heeft ook geen vooroordelen nodig om voor een boost van het zelfvertrouwen te zorgen.’
We kunnen het hem wel goed leren
Natuurlijk, zo geeft hij toe, als we AI trainen met biased data dan zullen er net zulke biased oordelen uitkomen als bij menselijke selecteurs zou gebeuren. ‘Maar dit kunnen we oplossen door AI te leren hoe relevante en objectieve uitkomsten te voorspellen, in plaats van menselijke intuïtie na te bootsen.’
Hij noemt daarbij een paar redenen waarom hij denkt dat AI-tools beter kunnen voorspellen dan mensen:
- Momenteel zijn sollicitatiegesprekken nog veruit de favoriete methode om kandidaten te keuren – inclusief onze hoogste leiders. Maar tal van studies hebben al laten zien dat zulke gesprekken alleen zin hebben als ze behoorlijk gestructureerd zijn. Zoals je bijvoorbeeld via video-interviews zou kunnen doen.
- Natuurlijk bestaan er best een paar héél goede interviewers die beter kunnen voorspellen dan een algoritme. Om maar een voorbeeld te noemen: Netflix weet ook lang niet altijd precies wat je hierna wilt kijken, misschien weet een vriend dat wel. Het probleem is evenwel dat de meeste mensen zichzelf niet goed kunnen inschatten. Tegenover elke héél goede interviewer staan 100 mensen die niet zo goed zijn, maar wel dénken dat ze erin uitblinken (het zogeheten Dunning-Kruger-effect). Dit effect zorgt ervoor dat mensen minder geneigd zijn tot zichzelf verbeteren dan AI is, zo stelt Chamorro-Premuzic. ‘Bij mensen staat er iets op het spel. Fouten accepteren doet hen stom overkomen. Maar AI maakt het niet uit hoe het overkomt.’
- AI is over het algemeen heel goed in dingen ontdekken. Maar minstens zo belangrijk, zegt Chamorro-Premuzic, is dat AI ook heel goed is in dingen negeren. Voor mensen is de instructie ‘Denk niet aan een paarse olifant’ vrijwel onmogelijk om uit te voeren, voor een algoritme is het heel normaal. Dit kan ook bij selectiebeslissingen heel nuttig zijn. AIgoritmes kun je trainen om alleen op relevante kenmerken te letten, wat zeer waarschijnlijk in het voordeel van vrouwen is.
- Kritische succesfactor is of organisaties in staat zijn om échte prestatiedata te genereren, om de algoritmes te trainen. Garbage in is garbage out. Maar als de algoritmes getraind worden om de échte prestaties te identificeren, kunnen we een veel eerlijker en accurater assessment verwachten van iemands potentieel.
Betekent dit dat alle bias dan weg is? Niet meteen. Maar het biedt wel hoop voor wie niet alleen meer vrouwelijk leiderschap wil, maar sowieso de kwaliteit van onze leiders wil verhogen, zegt Chamorro-Premuzic. Veel van de innovatieve technologieën zijn nog in ontwikkeling, en nog lang niet accuraat. ‘Maar laten we in elk geval toegeven dat onze huidige selectiepraktijken verre van effectief zijn. Want alleen dan kunnen we een begin maken met verbetering ervan.’