Így talál célba a mesterséges intelligenciával írt álláshirdetés a különleges szaktudású jelölteknél

A legtöbben azt hiszik, a szűk szakterületi pozícióknál a legnagyobb gond a kevés jelentkező. Valójában gyakran már az álláshirdetés címe félreviszi a keresést, az ajánlórendszereket és a jelölti értelmezést is.

A magyar munkaerőpiacon megjelennek olyan állások is, amelyek első olvasásra szokatlannak tűnnek, miközben pontosan körülhatárolható feladatkört takarnak. Ilyenkor a toborzás első kérdése nem az, mennyire különleges a szerep, hanem az, hogy a szervezet milyen nyelven ír róla. A mesterséges intelligencia ebben akkor hasznos, ha a rendszer nem díszíti a szöveget, hanem lefordítja a belső szakzsargont kereshető, érthető és célzott hirdetéssé.

Miért bukik el egy rétegpozíció már a címmezőben?

Egy speciális munkakör belső elnevezése ritkán azonos azzal, amire a jelöltek keresnek. Az ATS-rendszer, vagyis a jelentkezőkezelő szoftver a cím, a kulcsszavak és a korábbi kampányadatok alapján rangsorol, a hirdetési felületek algoritmusai pedig ugyanezekből számítják a megjelenést. Ha a cím túl kreatív vagy túl vállalatspecifikus, a hirdetés rossz keresésekhez kapcsolódik, vagy egyáltalán nem jelenik meg elég ember előtt.

A mesterséges intelligencia itt konkrét adatokból dolgozik: korábbi hirdetések átkattintási arányaiból, keresési kifejezésekből, a jelentkezők önéletrajzaiban előforduló megnevezésekből és az ATS-ben tárolt konverziós mintákból. A rendszer több címváltozatot készít, majd összeveti, hogy a „hegesztőrobot-programozó”, a „robotikai beüzemelő mérnök” vagy a „PLC- és robotintegrációs szakember” melyik közönségnél hoz több releváns megnyitást. Ettől még a döntés nem automatikus: kis mintánál a rendszer könnyen túlbecsül egy rosszul teljesítő változatot.

A cím átírása a kereshetőséget is módosítja. A „laborautomatizálási specialista” például szakmailag pontos lehet, de a jelöltek nagyobb része „laborműszer mérnök”, „automatizálási mérnök” vagy egy konkrét technológia neve alapján keres. A jó hirdetés ezért két szintet használ: egy piacképes főcímet és egy pontosító alcímet a feladatról.

Mit tud hozzátenni a mesterséges intelligencia a szöveghez?

A szűk szakterületi hirdetések gyakori hibája, hogy a szervezet mindent beleír, amit a vezető fontosnak tart. Ettől a szöveg hosszú lesz, de nem informatív. A mesterséges intelligencia akkor ad értéket, ha szétválasztja egymástól a kötelező elemeket, a betanulható tudást és a valódi kizáró okokat.

Ez különösen hasznos ott, ahol a feladatkör több szakma határán áll. Egy orvostechnikai szervizmérnöknél más súlya van az utazási hajlandóságnak, mint a műszaki angol dokumentáció olvasásának vagy a szabályozott iparági rutinak. A rendszer a korábbi felvételi adatok alapján jelezheti, mely követelményeknél esett vissza aránytalanul a jelentkezések száma, miközben a felvett munkatársak teljesítménye nem lett jobb.

A generált szöveg ettől még könnyen hordozhat torzítást. Ha a tanító adatokban egy szerepkörhöz jellemzően azonos életkorú, azonos hátterű vagy azonos nemű jelöltek kapcsolódtak, a rendszer olyan szóhasználatot másolhat, amely szűkíti a merítést. Magyarországon ezt különösen indokolttá teszi az Egyenlő Bánásmódról szóló szabályozási környezet és a GDPR, vagyis az általános adatvédelmi rendelet logikája: a hirdetés nem terelheti indokolatlanul egy szűk csoport felé a kiválasztást.

Hol dől el a célzás minősége?

A jó célzás nem azzal kezdődik, hogy a rendszer kiválaszt egy felületet. Előbb rendbe kell tenni a jelöltpersona helyett a valós munkapiaci mintát: honnan érkeztek korábban alkalmas jelentkezők, milyen kulcsszavakkal találtak rá a hirdetésre, és mely csatornán estek ki. Egy ritka szaktudású karbantartási szerepnél például a szakmai csoportok, a földrajzi mobilitás és a műszakrendre adott reakciók többet mondanak, mint egy általános korosztályi címke.

A célzás szövegoldali része ugyanilyen fontos. A hirdetés külön változatot kaphat a pályakezdőből továbbképzett jelölteknek és a hosszabb iparági múlttal érkezőknek, miközben a munkakör azonos marad. Erről részletes szerkesztőségi példa olvasható itt: Így változik a jó álláshirdetés, ha huszonéves és ötven feletti jelölt is célkeresztbe kerül.

• A munkakörcím feleljen meg a jelölti kereséseknek is.
• A kötelező feltételek száma maradjon szűk és indokolható.
• A földrajzi, műszakos vagy utazási elvárás szerepeljen korán.
• A technológiák neve kerüljön be a szövegbe, ne csak a belső szerepkör.

Milyen adatvédelmi határ húzódik a jó automatizálás köré?

A mesterséges intelligencia a toborzásban rendszerint személyes adatokkal érintkezik: önéletrajzokkal, keresési előzményekkel, kampányreakciókkal és interjújegyzetekkel. A szervezetnek ezért pontosan rögzítenie kell, mely adatból milyen célra készül szöveg, rangsor vagy célzási javaslat. A GDPR szerint az adatkezelési célhoz kötöttség és az adattakarékosság itt nem jogi díszítés, hanem működési feltétel.

A gyakorlatban ez legalább három lépést jelent. A rendszer elkülöníti a hirdetésszöveg javításához szükséges mintákat a jelöltértékelési adatoktól, rövid megőrzési időt állít be a kampányadatokra, és emberi ellenőrzést tart a közzététel előtt. Ha ez elmarad, a technológia gyorsít ugyan, de közben pontatlan célzást, jogi kockázatot és bizalmi veszteséget termel.

A különleges szaktudású pozícióknál a siker ritkán a hangzatos hirdetésen múlik. Inkább azon, hogy a rendszer képes-e ugyanazt a munkát a piac nyelvén megnevezni, majd ehhez fegyelmezett adatkezelést rendelni.

Iratkozz fel hírlevelünkre a legfrissebb cikkeinkért! Feliratkozás