Notfallplan Cyberangriff - CyTRAP Cybersecurity Report 2023: Daten die wir wissen sollten - für eine bessere Sicherheit von Data.

Trends in AI Recruiting: Leitfaden mit Checkliste

AI in Recruiting heisst hier: Wie kann AI beim Recruiting helfen? Liefert AI bis 2026 die richtige, falsche oder keine nutzbare Antwort für KMU und / oder Konzerne? 

2019 haben Taina Temmen, Patrizia Sinistra und ich ein White Paper zum Thema AI / KI für den Deutschen Marketing Verband (heute Bundesverband Marketing Clubs) geschrieben.

Schon damals war uns klar, dass Warren Buffet wieder einmal richtig lag in seiner Einschätzung,

Elon Musk ist auch 2024 noch voll euphorisch und behauptet, dass AI (artificial intelligence) oder auf Deutsch KI (künstliche Intelligenz) den Menschen bis Ende 2025 übertrumpfen wird. 

Das würde heissen, dank AI wird die Rekrutierung von neuem Personal oder auch die Karriereplanung einfacher? 

Warum ist dieses Thema von Interesse? 

Die Auffindung von qualifiziertem Personal ist schon heute schwierig und wird mit dem demografischen Wandel nicht einfacher (z.B. Economiesuisse, 2023; BFS Arbeitsmarktstatus, Erwerbstätige, 2024 und DE Bundesinstitut für Berufsb-ildung (BIBB) 

In Deutschland kann z. B. 2023/2024 jeder achte Ausbildungsplatz – das sind 74,000 Lehrstellen – von Firmen nicht mit einem qualifizierten Jugendlichen besetzt werden. Die Rekrutierung von Fachkräften der Generation Z ist auch noch morgen schwierig 

Zusätzlich hat Generation Z ganz konkrete Vorstellungen wie die Berufskarriere mit dem Privatleben geplant sein sollte inklusive Auszeiten.

Vielleicht steht 6 Monate nach Abschluss der dualen Ausbildung ein halbes Jahr Reisen auf dem Programm. Auch die Weiterbildung mit einem Vollzeitstudium oder die attraktive Offerte von einem Konkurrenten führen dazu, dass Arbeitnehmerinnen die Stelle verlassen.

Inwiefern AI Recruiting Software, AI Recruiting Tools oder ein AI Recruiting Assistant bei diesen Herausforderungen helfen können, ist Thema hier. 

Mehr zum Thema AI: Von Elon Musk, Open AI, über WEF Davos bis zu KitKat gibt es hier:


1. AI Recruiting: IST Situation im Human Resource Bereich

Bevor wir die Frage beantworten können, ob und wie wir AI bestmöglich unseren Recruiting Prozess einsetzen können, lohnt sich eine IST-Analyse im Unternehmen.  

Human Resource Management (HRM), auch Personalwirtschaft oder Personalwesen genannt, ist eine Dienstleistungsfunktion für das Unternehmen. Es ist also keine zentrale Funktion (“core competence”) wie Produktion oder Verkauf. Aus diesem Grunde ist das Budget wie auch die Entlohnung der Angestellten in diesem Fachbereich oft tiefer als z.B. im Verkauf oder Sales.

Weil Management diese Aufgaben oft nicht als “core competence” einstuft, sind verschiedene Funktionen hier Spitzenkandidaten für deren kostengünstige Verlagerung. Die Arbeiten werden dann, wenn möglich, fernab von der DACH Region von einem Tochterunternehmen oder einem Outsourcer erledigt. In  beiden Fällen stirbt die Hoffnung, fixe und variable Kosten dank diesem Outsourcing zu sparen, immer zuletzt. 

Die Auslagerung eines Teils dieser HRM Aufgaben bringt neue Herausforderungen. Diese gehen bei der Planung und der regelmässigen Überprüfung der ausgelagerten HR Arbeiten oft unter.

Beispielsweise, versteht die in Polen arbeitende Recruiting Expertin beim Outsourcer die lokalen Gegebenheiten hier im Vorarlberg, Bayern oder der Ostschweiz? Weitere Beispiele sind die Arbeitsmarktsituation,  das Ausbildungssystem, die Kultur, usw. 

In einem dieser Fälle waren wir dann auch nicht überrascht, dass für den HRM Experten in Ungarn das duale Ausbildungswesen in DE oder CH ein Buch mit 7 Siegeln war und bleibt. 

Die Auswirkungen dieser Situation auf das Recruiting aber auch der Karriereplanung skizzieren wir unten kurz auf. 


1.1 Braucht es im Job die im Stelleninserat geforderte Ausbildung?

Die Problematik fängt damit an, dass das Anforderungsprofil für eine Stelle stimmen muss.

Was reicht, wenn wir eine Software Ingenieurin oder Maschinenbau Ingenieurin einstellen müssen?

Braucht die Position jemanden mit Qualifikationen wie z.B.: 

  1. Abgeschlossene duale Ausbildung, oder

  2. Lehrabschluss/Abitur und zusätzlich einen Bachelor im gewünschten Fachgebiet?

Aber auch beim Bachelor gibt es unterschiedliche Möglichkeiten wie z.B. Kandidaten mit:

  1. Bachelor Studium an einer Universität oder einer Fachhochschule?

Wie die Stellenausschreibung unten aufzeigt, wird jedoch oft kein Unterschied gemacht. Uni, Fachhochschule (HF), Technische Universität (ETH oder EPFL), ja sogar eine Höhere Fachschule (HF) werden als geforderte Ausbildung für eine mögliche Stelleninhaberin aufgelistet. 

Der Unterschied  zwischen z.B. einer HF versus einer FH Ausbildung ist jedoch nicht zu unterschätzen. 

Das Beispiel von einem Job Inserat unten von Denner (Migros Gruppe) illustriert dies. Der Frust für eine neue Stelleninhaberin je nach Ausbildung im neuen Job vorprogrammiert.

Denner sucht Data Integration Engineer: Was sagt diese Stellenausschreibung aus - abgeschlossenes Studium wird erwartet - ABER - hier werden Äpfel und Orangen einander gleichgestellt.

Denner sucht Data Integration Engineer: Was sagt diese Stellenausschreibung aus – abgeschlossenes Studium wird erwartet – ABER – hier werden Äpfel und Orangen einander gleichgestellt.

Doch nicht nur die Gleichstellung von Lehrgängen, die vom Inhalt her sehr unterschiedlich sind, kann ein Problem sein. Das wird dann zur Herausforderung, wenn der Recruiting Partner in Polen die duale Ausbildung nicht genau versteht. 

Obwohl lokale Manager überzeugt sind, dass  ein Kandidat mit Lehrabschluss die notwendigen Schlüsselqualifikationen hat, setzt sich der Recruiting Partner öfters mit dessen Wünschen durch. Dadurch wird die von möglichen Bewerberinnen gewünschte Qualifikation vom Lehrabschluss auf ein Bachelor Abschluss hochgeschraubt. 

Im freigeschalteten Inserat heisst es dann, ein Bachelor sei erwünscht. Der Lehrabschluss reicht nicht mehr.


1.2 Karriereplanung und Mitarbeiterentwicklung

Normalerweise neigen grosse Unternehmen dazu, sich Gedanken über die Nachfolgeplanung für die obersten 200 Führungskräfte zu machen.

Der neueste Hype oder Versprechen von AI Verkäufern oder Protagonisten ist, dass AI diese Arbeit auch für alle anderen Mitarbeiter übernehmen kann.

AI kann gemäss diesen AI Verkäufern dem Unternehmen die Möglichkeit bieten, auch Nachfolgepläne für Mitarbeiter mit niedrigeren Rängen zu erarbeiten. Dies hilft der Firma, Kandidaten für freie Stellen aus einem grösseren internen Pool (VWLer nennen dies den “internal labor market”) zu identifizieren (5 Ways AI helps).

In der Theorie mag dies stimmen. Viele Firmen vernachlässigen jedoch schon das Mitarbeitergespräch, das sicherlich 1 x im Jahr stattfinden sollte. Hier werden verschiedene Dinge angesprochen wie Leistung, Teamgeist, Weiterbildung oder aber auch zukünftige Karrieremöglichkeiten.

Doch was  tun, wenn das Mitarbeitergespräch nicht stattgefunden hat? 

Was tun, wenn die talentierte Informatikerin nach 1 Jahr das Handtuch wirft und kündigt oder an die Fachhochschule geht. Grund:  Technische Qualifikationen welche im damaligen Stellenbeschrieb als muss aufgeführt wurden, werden bei der Arbeit nicht wirklich benötigt?

Ohne gut geführtes und dokumentiertes Mitarbeitergespräch ist es für das Unternehmen schwierig zu wissen:

  • welche Jobs die Mitarbeiterin interessieren könnten oder welche
  • Weiterbildung die Chance für Führungsfunktionen verbessern.

Die Mitarbeiterin weiss womöglich auch nicht, welche Aufstiegschancen sie bei der Firma hat. Ob zusätzliche Qualifikationen ihre Chancen bei einer internen Bewerbung verbessern, ist vielleicht auch unbekannt.

All diese Dinge erschweren die effektive Nutzung des “internal labor markets” und die Möglichkeit, dank einem internen Transfer den produktiven und motivivierten Mitarbeiter behalten zu können. 

Wir sind uns alle bewusst, Personalwechsel ist immer kostspielig. Es gilt, den Personalwechsel von motivierten und qualifizierten Mitarbeitern möglichst tief zu halten.

Anstrengungen müssen also unternommen werden, sodass überdurchschnittlich produktive Mitarbeiterinnen möglichst lange ihre Arbeitsstelle im Unternehmen behalten wollen. 


2. KI im Personalbereich: Was bringt AI Recruiting und AI Career Development heute?

Die kurze Antwort ist, AI kann nützlich sein, aber nur, wenn wir unsere Hausaufgaben vorher richtig gemacht haben! Meistens scheint dies aber nicht der Fall zu sein.

Das Erheben von genauen Daten beim Mitarbeitergespräch (z.B. was will Mitarbeiterin – Karriereplanung) und korrekte Daten (z.B. welche Schlüsselqualifikationen braucht es für die effektive und produktive Ausfüllung dieser Funktion) sind Pflichtprogramm.  

Zwei kurz Beispiele illustrieren die Wichtigkeit dieser Arbeit: 

1.  Bäcker hat die letzten 18 Monaten trotz mehrmaliger mündlicher und schriftlicher Nachfrage weder ein Mitarbeitergespräch noch Karriereplanung Gespräch gehabt,

2.  Die in der Stellenausschreibung erwünschten Schlüsselqualifikationen kann die Informatikerin im neuen Job, auch nach 6 Monaten, kaum wenn überhaupt einsetzen. 

Im ersten Fall zeigt das Beispiel, dass zur Performance des Mitarbeiters fast zu 100% keine genauen Daten vorhanden sind. Die Leistungsevaluation wird normalerweise im  Mitarbeitergespräch besprochen. Fand dieses nicht statt, wurde wohl kaum eine systematische und faire Leistungsevaluation durchgeführt.  

Beim 2. Beispiel wird es ein wenig komplexer. Warum werden vom Bewerber gewisse Schlüsselqualifikationen oder Skills gefordert, welche aber zur erfolgreichen Ausführung der verschiedenen Tätigkeiten im neuen Job kaum, wenn überhaupt benötigt werden?

Die 2 Beispiele zeigen, bestimmte Personal- oder Führungsfunktionen müssen  gewissenhaft und genau ausgeführt werden. Wenn Reporting Daten fehlen wie Leistungen, Karriereziele, usw, kann AI nichts ausrichten. 

In anderen Fällen mag das Mitarbeitergespräch stattgefunden haben. Aber die Daten, welche sich aus dem Gespräch ergaben, sind nicht strukturiert. Das heisst, diese können nicht einfach in die AI Datenbank eingespielt werden.

Warum ist dies wichtig? Weil AI oft auf Deep Learning basiert, d.h. AI lernt mit Hilfe der Daten. Nur wenn diese genau sind und stimmen, gibt es Resultate, die Sinn machen. 

Die vollbrachte Arbeit des AI Systems ist nur dann zuverlässig (reliable) und gültig (valide), wenn die Qualität der eingespeisten Daten dies zulässt. Auch die Algorithmen – Regeln, Programmierung – müssen natürlich korrekt sein. 

Wenn also schon die Daten zur Stellenausschreibung, welche auf den Angaben zum Stellenbeschrieb basieren, nicht korrekt sind, ist der Frust mit AI vorprogrammiert. 

Das zeigt, wenn Leistungsdaten, Karrierewünsche, usw. fehlen, kann das AI System wenig bis gar nichts ausrichten.

Ausbildungen wie an einer FH oder der ETH werden gleich gewertet? Wie werden hier die Anforderungen priorisiert und die Daten über Kandidaten in das AI Recruiting Programm eingespiesen?

Ausbildungen wie an einer FH oder der ETH werden gleich gewertet? Wie werden hier die Anforderungen priorisiert und die Daten über Kandidaten in das AI Recruiting Programm eingespiesen?


2.1 AI Recruiting bei Amazon

Wenn AI in der Rekrutierung genutzt werden soll, gilt es viel Aufmerksamkeit auf die mögliche  Voreingenommenheit bei der Einstellung und andere unangenehme (hoffentlich unbeabsichtigte) Folgen zu richten.

Wenn die Daten menschliche Voreingenommenheit enthalten, werden sich diese in potenziell diskriminierenden AI-Entscheidungen widerspiegeln.

AI macht Entscheidungen basierend auf Daten. Sind diese nicht genau oder nicht vorhanden, kann AI diese Fehler nicht wirklich korrigieren.

Das von Amazon aufgebaute KI-System hat korrekt den Fakt registriert, dass jüngere Frauen z.B. Kinder kriegen und dann vielleicht die Stelle kündigen oder aber das Arbeitspensum runter schrauben.

Es zog dann unter anderem den rationalen Schluss, dass Männer bei der Rekrutierung oder Beförderung zu bevorzugen seien. Diese Schlussfolgerung und deren Umsetzung bei der Rekrutierung ist jedoch aus gesetzlichen aber auch ethischen Gründen inakzeptabel. 

2 Punkte die zeigen, warum alle AI System einem Audit unterzogen werden müssen sind:

1. Die Unsicherheit, ob die Daten zum richtigen Resultat führen (siehe Amazon Beispiel), wie auch der 

2. Grad der Genauigkeit, bei der Programmierung und Analytics der kritischen Faktoren im Personalwesen. 

Bei Amazon waren AI Ingenieure und Programmierer nicht in der Lage, auch nach unzähligen Audits diese Fehler inkl. Diskriminierung gegenüber Frauen beim Recruiting auszumerzen. 

Dies hatte zur Folge, dass  beim Amazon AI für Recruiting 2017 der Stecker gezogen wurde


3. Schlussfolgerungen: Was muss gefixt werden, bevor AI wirklich helfen kann?

Die Vorhersage der Ergebnisse von AI unterstützten Modellen hat mehrere schwerwiegende Auswirkungen auf die Gesellschaft. 

Unsicherheit / Uncertainty was die Daten betrifft und inwiefern der Genauigkeit / Accuracy vertraut werden kann sind weitere wichtige Faktoren die wir berücksichtigen müssen. Bei riesigen Datenmengen ist es z.B. schwierig, die Vorhersagegenauigkeit zu überprüfen, d.h. “…little oversight of the predictive accuracy…”. 

Diese Aussage trifft selbst dann zu, wenn die KI-Programmierer in kleinem Umfang „Trainingsmengen“ verwenden (FT Leserbrief 29.1.2024) https://ft.pressreader.com/article/281749864234454

Das heisst, Deep Learning, die Technologie hinter den fortschrittlichsten KI-Systemen von heute, ist nur so gut wie die Daten, mit denen sie gefüttert wird. 

Und egal wie viele Daten es gibt, es ist einfach unmöglich, sie auf alles zu trainieren, was die Welt ihnen vorsetzt. (Waters, FT 2023-11-10, p. 6   https://ft.pressreader.com/article/281625310019366)

Neben diesen Einschränkungen der AI Software wird die Problematik jedoch noch verschlimmert, wenn die Daten inkorrekt sind oder aber nur sehr spärlich.

Mit anderen Worten, Fehler, Ungenauigkeiten, oder nicht vorhandene Schlüsselkennzahlen (KPIs) im Bereich Recruiting, Personal- und Karriereplanung, können selten, wenn überhaupt, von AI wettgemacht oder korrigiert werden. In einigen Fällen werden diese heute durch AI noch verschlimmert.

Sind die im AI Recruiting Programm oder der AI Career Development Software gespeicherten Daten präzise und genau.
Sind die im AI Recruiting Programm oder der AI Career Development Software gespeicherten Daten präzise und genau.

3.1 Kaliforniens Anti-AI Bill plus 600 AI Gesetzesentwürfe in den USA

Mehr als 600 AI-Gesetzesentwürfe wurden von den Gesetzgebern der US-Bundesstaaten für das Jahr 2024 vorgelegt.

Die kalifornische Gesetzesvorlage SB-1047 geht dabei sehr weit. Entwickler müssen bescheinigen, dass ihre KI-Modelle nicht dazu verwendet werden können, Schaden anzurichten.

Dies ist eine gute Anforderung an grosse AI System, welche namhafte AI Wisschenschaftler unterstützen (siehe Brief und Artikel in Time über den Brief).

Aber auch der Klimawandel und die Treibhausgase sind ein Thema (mehr Daten hier).

Die Treibhausgasemissionen des US-Technologieriesen Google sind in den letzten 5 Jahren um 48 % gestiegen.

Grund dafür ist der Ausbau seiner Rechenzentren, die die Grundlage für die Systeme der künstlichen Intelligenz bilden. Deshalb ist die Verpflichtung des Unternehmens, bis zum Jahr 2030 auf „Netto-Null“ zu kommen, fraglich.


3.2 Hat die AI Recruiting Software die falsche oder richtige Antwort?

Die Fragen stellten wir Anfangs. In diesem Blogeintrag haben wir beschrieben, wie AI bei der Rekrutierung von Fachpersonal oder der Karriereplanung für Mitarbeiter:innen helfen kann. Wenigstens in der Theorie. 

Leider ist es in der Praxis aber so, dass AI oft weder genaue noch gültige Daten bekommt. Der Grund ist dabei oft, dass die notwendigen Daten für das AI System gar nicht in digitaler Form vorhanden sind.

AI macht also die Karriereplanung nicht einfacher, wenn die internen Hausaufgaben, wie die reguläre Erörterung der Leistung und Karrierewünsche, NICHT regelmässig gemacht werden. Die Resultate oder Ziele für die Mitarbeiter Karriere im Betrieb,  die sich bei einem solchen Gespräch herauskristallisieren lassen, müssen danach digitalisiert in die AI Datenbank eingespielt werden.

Nur mit diesen Schritten können wir AI mit relevanten Daten versorgen. Erst dadurch befähigen wir das AI Programm, eine mögliche Karriereplanung zu erstellen. 

Inwiefern diese genauen (reliable) und gültigen (valide) Daten heute für alle Mitarbeiter vorhanden sind, darf bezweifelt werden. 

Tipps für den effektiven Einsatz von AI Recruiting und AI Karriereplanung

Die grossen Investitionen, die es braucht, um schon heute AI effektiv und ethisch einsetzen zu können, machen die Technologie für KMU zur Zeit unattraktiv. Wir wissen, dass z.B. in der DACH Region,  KMU mehr als 96 % aller marktwirtschaftlicher Unternehmen sind. 

Fast ⅔ aller Arbeitnehmer sind in der DACH Region in einem KMU beschäftigt, d.h. in einer Firma mit  weniger als 250 Mitarbeitern. Zusätzlich gilt es zu beachten, 15 – 25% aller Arbeitnehmer arbeiten in einem KMU mit weniger als 10 Vollzeit Arbeitsplätzen.

Wie Tabelle 1 Checkliste für AI Recruiting Assistant und AI Career Development Software unten aufzeigt, lässt sich AI im Recruiting Bereich aber auch im AI Career Development zur Zeit möglicherweise nur bei Konzernen effektiv einsetzen.

Damit AI Recruiting Tools richtig funktionieren und ein AI Recruiting Bias (siehe Amazon) auf ein akzeptables Niveau reduziert werden kann, braucht es ein grösseres Finanzbudget. Viel Wissen auf dem Gebiet des Personalwesens, Statistik, Programmierung, usw. ist ebenfalls notwendig, um reüssieren zu können. 

All dies ist mit grossem Aufwand verbunden. Trotzdem kann es dann sein, dass der AI Recruiting Assistant seine Arbeit nicht effektiv und zufriedenstellend ausführt.

Sind die im AI Recruiting Programm oder der AI Career Development Software gespeicherten Daten präzise und genau.
Sind die im AI Recruiting Programm oder der AI Career Development Software gespeicherten Daten präzise und genau.

3.3 Checkliste für AI Recruiting Assistant und AI Career Development Software

Herausfor- derungenRecruitingKarriereplanung
Überprüfung / Audit Sind diese Daten für das AI vorhanden und maschinenlesbar?Sind diese Daten für das AI vorhanden und maschinenlesbar?
1. Haben wir Schlüsselkenn- zahlen – Key Performance Indicator(s) oder KPIsPro Position (z.B. Zahl oder Prozentsatz):- # qualifizierte Bewerbungen pro ausgeschriebener Stelle, – # Interviews um Stelle zu besetzen- Anzahl / Durchschnitt, die unser  Jobangebot ablehnt, usw. Pro Mitarbeiter wissen wir:- Wie lange beim Unternehmen- Wie lange in Position- Gehalt im Vergleich zum Team und Industrievergleich – Absenzen, usw.
2.Sind Daten präzise und genau?Antworten der Bewerber im strukturierten Job-Interview sind genau dokumentiert, ebenso Daten aus dem Lebenslauf, usw. Genau Daten aus Lebenslauf, Mitarbeitergesprächen, usw. helfen die Karriereplanung zu optimieren.
3.Gültigkeit der DatenGestellte  Anforderungen in Sachen Ausbildung/Skills sind notwendig, d.h. ohne Skill waren andere Mitarbeiter weniger produktiv als solche mit der geforderten Ausbildung.Daten vom Mitarbeitergespräch, Lebenslauf sowie gestellte Ausbildungsanforderungen sind kongruent mit gewünschter Arbeitsleistung der eingestellten Mitarbeiterin, Karriereoptionen, Weiterbildung, usw. im neuen Job.
4. Generation Z „pick’n’mix‘oder „playlist“Geboren 1997 – 2012, Alter 2024: 12 – 27 Übernahmequote von Lehrlingen, nach erfolgreichem AbschlussWiedereinstellung beim Unternehmen nach z.B. Weiterbildung FH, Weltreise, usw.Karriereentwicklung im Vergleich zu anderen Gruppen z.B. welche duale Ausbildung anderswo  gemacht haben, d.h. erst später bei uns Arbeitsstelle antreten. 

Notiz. Erster Ansatz für eine Checkliste, um ein AI Recruiting Tool oder AI Recruiting Assistant entwickeln zu können. Eine zusätzliche Checkliste, um eine AI Career Development Software oder einen AI Career Development Assistant zu entwickeln.

In Kürze: Erhält AI keine genauen und gültigen Daten, sind die von einem AI System gelieferten Resultate weder genau noch gültig. Sie sind schlichtweg falsch und unbrauchbar.

Warren Buffetts Aussage, wenn alle euphorisch was wollen, dann gilt es aufzupassen, trifft auch heute zu im AI Bereich. 

Die von Elon Musk gemachte Behauptung, dass AI den Menschen bis 2025 übertrifft, lässt sich im Recruiting Bereich nicht bestätigen. 

Eine weitere Herausforderung ist,  dass die Verwendung von computergenerierten „synthetischen Daten“ zum Trainieren von KI-Spitzenmodellen problematisch ist. Forschungsergebnisse zeigen, dass solche Daten zu unsinnigen Ergebnissen führen können.

Ein Versuch, bei dem synthetischer Eingabetext über mittelalterliche Architektur verwendet wurde, endete nach weniger als 10 Generationen von Output in einer Diskussion über Karnickel.

Fazit: AI hat Potential auch im Recruiting, Karriereplanung und Personalwesen ganz allgemein. Nichtdestrotz, das Erledigen der Hausarbeit (z.B. genaue Job Profile und gut dokumentierte Mitarbeitergespräche) ist die erste Voraussetzung für 

  • AI recruiting tools
  • AI recruiting bias
  • AI recruiting software
  • AI recruiting assistant

die funktionieren. Synthetische Daten helfen hier nicht.

Die demografischen Entwicklungen zwingen Arbeitgeber sich hier zu verbessern. Beispielsweise war die Jugenderwerbslosigkeit (Jugendliche im Alter von 15 – 24 Jahren) in Deutschland 2023 mit 5,9 % so niedrig wie zuletzt im Jahr 2019 (5,8 %) (DESTATIS | Statistisches Bundesamt 2024-08-09). Jede Hilfe von AI, Talente zu finden und zu binden, ist hier willkommen.

Daten des US Census Bureau zeigen, dass die KI-Nutzungsrate in Unternehmen bis zum Frühherbst 2024 etwa 6,6 % erreichen wird. Dementsprechend sind wir noch nicht einmal annähernd in der Lage, den KI-Traum zu verwirklichen.

PS. Die Definition für AI, welche das Census Bureau (siehe S. 7, Fussnote 10) teilnehmenden Firmen bietet, wird sehr generell gehalten. 

“Künstliche Intelligenz – AI oder KI – sind Computersysteme und Software, die in der Lage sind, Aufgaben zu erfüllen, die normalerweise menschliche Intelligenz erfordern.

Intelligenz erfordern heisst hier wie z. B. Entscheidungsfindung, visuelle Wahrnehmung, Spracherkennung und Sprachverarbeitung.

Zu den Arten oder Anwendungen der KI gehören maschinelles Lernen, Verarbeitung natürlicher Sprache, virtuelle Agenten, prädiktive Analytik, maschinelles Sehen, Spracherkennung, Systeme der Entscheidungsfindung, Datenanalyse, Textanalyse, Bildverarbeitung usw.“

US Census Bureau – Tracking Firm Use of AI in Real Time: A Snapshot from the Business Trends and Outlook Survey – 03-2024

Basierend auf dieser Definition können wohl viele Firmen der Meinung sein, dass sie AI nutzen. Doch hat es AI bis anhin nicht geschafft, die Produktivität zu verbessern (siehe “Why AI work­horse is no high-level decision maker). 

AI Recruiting Programm oder AI Career Development Software. Auf was Fachleute aus dem Personalwesen, Marketing, Physik und Statistik achten bevor sie den gespeicherten Daten trauen.
AI Recruiting Programm oder AI Career Development Software. Auf was Fachleute aus dem Personalwesen, Marketing, Physik und Statistik achten bevor sie den gespeicherten Daten trauen.

Der Elliott Hedge Fund teilte seinen Kunden in einem Brief mit, dass viele vermeintliche Anwendungen der KI-Technologie “niemals wirklich funktionieren werden”. Er warnt im Brief die Anleger ebenfalls davor, dass KI „überbewertet“ sei. Darüber hinaus führt der Hedge Fund an, dass KI bisher nicht den versprochenen enormen Produktivitätszuwachs gebracht hat.

Daron Acemoglu schlägt ähnliche Töne an, wenn er feststellt, dass wirklich transformative Veränderungen sich kaum schnell mit AI vollziehen lassen. Nur wenige bahnbrechende Veränderungen, wenn überhaupt, werden innerhalb den nächsten 10 Jahren stattfinden.

Unsere Fragen am Anfang, ob AI beim Recruiting helfen kann oder ob AI die richtigen Daten liefert, können wir noch verneinen. Vielleicht werden in 10 oder 15 Jahren AI Recruiting Tools oder AI Career Development Software die korrekten Antworten liefern. Bis dahin können wir die Tools weiterhin testen und entwickeln, aber insbesondere verbessern!

Übrigens, Goldman Sachs schlägt ebenfalls vorsichtige Töne an was das Potential von AI Investitionen betrifft:

A wave of investment worth nearly $1 trillion is expected to pour into generative AI in the coming years. Will it be worth it?

Goldman Sachs Insights 2024-08-05

Beitrag teilen

8 Antworten

  1. Urs

    Quite interesting to read about the problems AI can give us, if our data are neither reliable nor valid.
    But you are right, we need to use real data from our work in human resource management to empower AI to help us.
    If we fail to enter these data …. what is the AI supposed to work with when doing career planning?
    Hilsen
    Jens

    1. Hi Jens

      Thanks for the input. Yes we need to get better in enterin relevant data into database when doing work in HRM such as performance appraisal, career development and so forth.

      PS. The new real­ity in US energy: not enough pro­duc­tion amid rock­et­ing demand for electricity from data centers and the rapidly increasing use of AI such as ChatGPT (expect 68 Mio users by the end of 2024 in the US alone).

      Enjoy your Sunday.
      Urs

    1. Danke für das Feedback Cecile

      Ja ich glaube diese 3 Punkte können hier helfen, die Betreuung von Young Talents (hoffenglich viele Auszubildende welche nach Abschluss übernommen wurden) zu optimieren:

      1️⃣ Hyperbolde im Marketing – Personal Branding und Recruiting – Yaël Meier vs. Antje von Dewitz (anklicken)
      2️⃣ Lehrlinge den Übergang von Ausbildung ins Leben als Mitarbeiter erleichtern (anklicken) und
      3️⃣ AI beim Recruiting und der Karriereplanung für Mitarbeiter:innen funktioniert nur dann, wenn es “reliabe und valid” Daten sind (siehe diesen Beitrag).

      Es gibt noch viel zu tun, packen wir es an.
      Urs
      DrKPI, CyTRAP

    2. #Musk hat #xAI #chatbot gestartet
      Er behauptet, er sei genauso leistungsfähig wie die Konkurrenten OpenAI, Google und Anthropic.
      Jetzt haben wir die Wahl zwischen 5 Modellen der Klasse GPT-4:
      1️⃣ GPT-4o,
      2️⃣ Claude 3.5,
      3️⃣ Gemini 1.5,
      4️⃣ Llama 3.1 und jetzt
      5️⃣ Grok-2 ➡️ Die Bilderzeugungsfunktionen von Grok scheinen nur minimale Sicherheitsvorkehrungen zu haben, so dass die Nutzer potenziell kontroverse Inhalte erstellen können.)
      ABER niemand ist zur Zeit wirklich besser als GPT-4 … noch.

  2. IMPORTANT UPDATE
    Eine Studie zu den Jahresberichten der grössten US-Unternehmen – Generative AI in SEC Filings) zeigt, dass künstliche Intelligenz zunehmend als möglicher Risikofaktor angesehen wird.

    1️⃣ 281 Fortune-500-Unternehmen, sehen KI als Risiko, das sind
    2️⃣ 56,2 % der Unternehmen. Dies repräsentiert einen Anstieg um
    3️⃣ 473,5 % im Vergleich zu 2023, wo nur
    4️⃣ 49 Unternehmen auf KI-Risiken hinwiesen UND mehr als
    5️⃣ 273 Unternehmen aus dieser Gruppe gaben generative KI als Risiko an wobei wohlgemerkt, NUR
    6️⃣ 33 der 108 Unternehmen, die sich speziell mit generativer KI befassten – d.h. einer Technologie, die in der Lage ist, menschenähnliche Texte und realistische Bilder zu erstellen – sahen diese als Chance/Opportunität an…

    Mögliche Vorteile sind

    – Kosteneffizienz,
    – betriebliche Vorteile und
    – Beschleunigung der Innovation

    die von diesen Firmen in deren SEC Filings genannt wurden.

    Motorola schrieb in deren SEC Filing:

    AI funktioniert möglicherweise nicht immer wie beabsichtigt, und die Datensätze können unzureichend sein oder illegale, voreingenommene, schädliche oder beleidigende Informationen enthalten. Dies könnte sich negativ auf unsere Betriebsergebnisse, den Ruf unseres Unternehmens oder die Akzeptanz unserer KI-Angebote durch die Kunden auswirken.“

    Für das Recruiting aber auch Career Development oder Karriereplanung gelten die von Motorola erwähnten Risikofaktoren ebenfalls!

    1. Die Risiko Einschätzung der Grossfirmen im Kommentar oben zeigen ebenfalls:

      Die Entwicklung von Kenntnissen über KI und ihre Auswirkungen auf die Entscheidungsfindung aber auch Risiken ist nicht länger eine Option. Dieses sich kontinuierlich ändernde Basiswissen ist eine Voraussetzung, um als Organisation und Mitarbeiter:in wettbewerbsfähig zu sein.
      Urs E. Gattiker
      DrKPI CyTRAP

      PS. Der erste Schritt, um KI zu verstehen, besteht darin, AI zu nutzen oder wenigstens auszuprobieren.

    2. Generative AI wie Chat-GPT basiert heute auf Large Langue Models (LMMs). Diese können (durch Eingabeaufforderungen) keinen Sinn in Situationen erkennen, die sich wesentlich von den Situationen in ihren Trainingsdaten unterscheiden.

      Das bedeutet, LLMs besitzen keine allgemeine Intelligenz in einem nennenswerten Ausmass.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

Überblick

Erhalten Sie jetzt unseren Newsletter!