Κάποτε αποτελούσε ένα φανταστικό σενάριο για το μέλλον που έδινε έμπνευση στις ταινίες επιστημονικής φαντασίας. Ωστόσο, η τεχνητή νοημοσύνη καθίσταται πλέον κομμάτι της καθημερινής μας εργασίας. Για τα τμήματα Διοίκησης Ανθρώπινου Δυναμικού, το Artificial Intelligence προσφέρει σημαντικές ευκαιρίες και ακόμα μεγαλύτερες υποσχέσεις.

Η σύγχρονη ιδέα και αντίληψη για την τεχνητή νοημοσύνη έχει τις ρίζες της στην παγκόσμια μυθολογία, μέσω μορφών όπως η Γαλάτεια ή τα Γκόλεμ. Αργότερα μέσα στην ιστορία, οι στοχαστές του Μεσαίωνα και της εποχής του Διαφωτισμού θα διεύρυναν την έννοια της τεχνητής νοημοσύνης συμβάλλοντας άμεσα ή έμμεσα στην ανάπτυξη του σύγχρονου υπολογιστή. Η ιδέα του Artificial Intelligence έχει επίσης ευδοκιμήσει στη λογοτεχνία επιστημονικής φαντασίας, με ένα από τα πιο διάσημα παραδείγματα να αποτελεί ο «Frankenstein» της Mary Shelley.

Ωστόσο, η έρευνα γύρω από την τεχνητή νοημοσύνη, όπως την αντιλαμβανόμαστε σήμερα, αναδείχτηκε το 1956, στο συνέδριο του Dartmouth, το οποίο συνέβαλε στη σύγχρονη κατανόηση και διάρθρωση των σχετικών ορισμών του AI. Υπάρχουν πολλοί ορισμοί και υποκατηγορίες ορισμών που θα πρέπει να ληφθούν υπόψη και οι οποίοι διαφοροποιούνται ανάλογα με την πολυπλοκότητα της τεχνολογίας και των διεργασιών. Οι ειδικοί συμφωνούν ότι είναι μάλλον δύσκολη η ύπαρξη ενός ενιαίου ορισμού. Ο κοινός παρονομαστής όλων είναι ότι η τεχνητή νοημοσύνη έχει να κάνει με την προσπάθεια ή την πρόθεση που επιτρέπει στους υπολογιστές να συμπεριφέρονται με τρόπους οι οποίοι μιμούνται την ανθρώπινη ευφυΐα.

Η τεχνητή νοημοσύνη διαθέτει μία μεγάλη πληθώρα εφαρμογών στο σύγχρονο επιχειρηματικό πλαίσιο, όπως είναι για παράδειγμα οι επαναλαμβανόμενες, χαμηλής προστιθέμενης αξίας, εργασίες. Προσφέρει απτά επιχειρηματικά οφέλη, όπως η ικανότητα αφομοίωσης και ανάλυσης μεγάλων όγκων δεδομένων, η μείωση του χρόνου εισαγωγής δεδομένων καθώς και η πιθανότητα λάθους. Σύμφωνα με τη μελέτη της Deloitte «2018 Global Human Capital Trends», οι εταιρείες στη συντριπτική τους πλειοψηφία συμφωνούν ότι η τεχνητή νοημοσύνη είναι πολύ σημαντική, σε ποσοστό 72%. Ωστόσο, εξ αυτών, μόλις το 31% εμφανίζεται έτοιμο να αξιοποιήσει σχετικές τεχνολογίες και εφαρμογές. Τα τμήματα Διοίκησης Ανθρώπινου Δυναμικού που έχουν ήδη εφαρμόσει την τεχνητή νοημοσύνη στις διαδικασίες τους αναφέρουν εντυπωσιακά αποτελέσματα και δείχνουν, ίσως, ότι το μέλλον ανήκει στην τεχνητή νοημοσύνη.

Τόσο οι επιχειρηματικοί ηγέτες όσο και τα στελέχη του HR φαίνεται ότι πιστεύουν ότι η ενσωμάτωση της τεχνητής νοημοσύνης σε λειτουργίες της Διοίκησης Ανθρώπινου Δυναμικού, όπως το onboarding και η διαχείριση των benefits, μπορεί να συμβάλλει στη βελτίωση της συνολικής εμπειρίας των εργαζομένων. Σύμφωνα με τη μελέτη της IBM «Extending expertise: How cognitive computing is transforming HR and the employee experience», η οποία δημοσιεύτηκε το 2017 και στην οποία συμμετείχαν 6.000 στελέχη, 66% των CEOS πιστεύουν ότι η γνωστική πληροφορική (cognitive computing) μπορεί να προσδώσει σημαντική αξία στη Διοίκηση Ανθρώπινου Δυναμικού. Σε αυτή την άποψη συνηγορεί και το 50% των στελεχών του HR, δηλώνοντας ότι αναγνωρίζει πως η γνωστική πληροφορική έχει τη δύναμη να μετασχηματίσει βασικές διαστάσεις του HR. Παράλληλα, το 54% των στελεχών του HR πιστεύει ότι η τεχνητή νοημοσύνη θα επηρεάσει βασικούς ρόλους μέσα στο τμήμα Διοίκησης Ανθρώπινου Δυναμικού.

Προφανώς και δεν είναι όλα ρόδινα. Η Human Resources Professional Association (HRPA) σε μελέτη της το 2017 αναφέρει ότι το 52% των συμμετεχόντων δήλωσε ότι οι εταιρείες είναι απίθανο να υιοθετήσουν AI λύσεις για το τμήμα HR τα επόμενα πέντε χρόνια. Περίπου το 36% πιστεύει ότι η εταιρεία τους είναι πολύ μικρή για να προβεί σε σχετικές επενδύσεις, ενώ το 28% δήλωσε ότι η ανώτερη διοίκηση δεν συμφωνεί με την ανάγκη για απόκτηση τέτοιων τεχνολογιών. Το «να επενδύσει κανείς σε τεχνητή νοημοσύνη ή να μην επενδύσει» εξακολουθεί να αποτελεί ένα ερώτημα για πολλούς οργανισμούς – αν και κάποιες βρίσκονται ήδη σε τροχιά AI.

Ο ΡΟΛΟΣ ΤΟΥ ΑΙ ΣΤΟ HR ΚΑΙ ΣΤΟ MANAGEMENT
Θα πρέπει σε αυτό το σημείο να υπογραμμιστεί ότι η τεχνητή νοημοσύνη δεν είναι κάποια μαγική μηχανογραφημένη persona. Πρόκειται για ένα ευρύ φάσμα αλγορίθμων και εργαλείων μηχανικής μάθησης που μπορούν να τροφοδοτήσουν με δεδομένα, να προσδιορίσουν τα πρότυπα και να βελτιστοποιήσουν και να προβλέψουν τις τάσεις. Τα συστήματα αυτά μπορούν να κατανοήσουν την ομιλία, να αναγνωρίσουν τις φωτογραφίες και να χρησιμοποιήσουν την αντιστοίχιση προτύπων για να πάρουν τα σήματα σχετικά με τη διάθεση, την ειλικρίνεια και ακόμη και την προσωπικότητα. Αυτοί οι αλγόριθμοι δεν είναι «διαισθητικοί» όπως τα ανθρώπινα όντα, αλλά είναι γρήγοροι, ώστε να μπορούν να αναλύουν εκατομμύρια κομμάτια πληροφοριών σε δευτερόλεπτα και να τα συσχετίζουν γρήγορα με πρότυπα και μοτίβα.

Στατιστικά, τα συστήματα ΑΙ μπορούν να «προβλέψουν» και να «μάθουν», σχεδιάζοντας καμπύλες πιθανών αποτελεσμάτων και στη συνέχεια βελτιστοποιώντας τις αποφάσεις βάσει πολλών κριτηρίων. Μέσα σε αυτό το πλαίσιο, θα μπορούσε να φανταστεί κάποιος ένα σύστημα AI που εξετάζει τα πιθανά δημογραφικά στοιχεία, το ιστορικό θέσεων εργασίας και τις ερωτήσεις της συνέντευξης με έναν υποψήφιο και στη συνέχεια «προβλέπει» πόσο καλά θα αποδώσει στην εργασία του ο συγκεκριμένος υποψήφιος-πολλές εταιρείες πληροφορικής και τεχνολογίας δουλεύουν ήδη πάνω σε αυτό.

Προφανώς, είναι πιο περίπλοκο από όσο ακούγεται, αλλά είναι μια σημαντική και ευγενής προσπάθεια. Σύμφωνα με δήλωση του κορυφαίου αναλυτή σε θέματα HR, Josh Bersin, «οι περισσότερες επιχειρηματικές αποφάσεις που λαμβάνουμε σήμερα βασίζονται σε εμάς. Εάν τα συστήματα αυτά μας κάνουν λίγο πιο έξυπνους, μπορούμε να βελτιώσουμε τις δραστηριότητές μας με απίστευτους τρόπους». Ναι, υπάρχουν πολλοί κίνδυνοι και εμπόδια σε ό,τι αφορά στην αξιοποίηση των τεχνολογιών τεχνητής νοημοσύνης, αλλά η δυναμική τους είναι πολύ μεγάλη.

Η ΕΠΟΧΗ ΤΟΥ AI ΕΧΕΙ ΦΤΑΣΕΙ
Με βάση την έρευνα της Norhstar Research Partners, το 61% των συμμετεχόντων δήλωσε ότι συνολικά η κοινωνία θα γίνει καλύτερη μέσα από την ενίσχυση της αυτοματοποίησης και του ΑΙ. Μόλις το 22% διαφώνησε. Και παρόλο που το 36% υποστήριξε ότι η τεχνητή νοημοσύνη έχει σήμερα σημαντικό αντίκτυπο στη ζωή τους, ένα εντυπωσιακό 92% εκτιμά ότι αυτό θα αποτελεί αδιαμφισβήτητη πραγματικότητα μέχρι το 2027.

Μία από τις πλέον συζητημένες και αμφιλεγόμενες τάσεις στους κύκλους της Διοίκησης Ανθρώπινου Δυναμικού είναι το γιατί, το πότε και το πώς θα αξιοποιηθεί η τεχνητή νοημοσύνη. Η σημασία της και η επιρροή της τόσο στην προσωπική όσο και στην επαγγελματική μας ζωή είναι αδιαμφισβήτητη. Η Siri, η Alexa και η Google χρησιμοποιούν ΑΙ. Το Facebook και το Netflix χρησιμοποιούν ΑΙ. Οι εφαρμογές GPS οι οποίες αξιοποιούν σε πραγματικό χρόνο τις κυκλοφοριακές συνθήκες για να προβλέψουν την ταχύτερη διαδρομή, τα συστήματα παρακολούθησης και εντοπισμού απάτης μέσω πιστωτικών καρτών και το φίλτρο αναγνώρισης ανεπιθύμητων emails χρησιμοποιούν AI.

Η εποχή της τεχνητής νοημοσύνης είναι εδώ και ολοένα και περισσότερα τμήματα HR υιοθετούν τις σχετικές τεχνολογίες. Σε έρευνα του Institute for Business Value της IBM, στην οποία συμμετείχαν περίπου 400 επικεφαλής διευθύνσεων Ανθρώπινου Δυναμικού, διαπιστώθηκε ότι οι μισοί αναγνωρίζουν τη δύναμη της γνωστικής πληροφορικής να μετασχηματίσει βασικούς τομείς του ανθρώπινου δυναμικού, όπως η απόκτηση ταλέντων και η ανάπτυξη ανθρώπων.

Για τους επαγγελματίες του HR, αυτή είναι μια συναρπαστική στιγμή. Chatbots ή αλγόριθμοι υπολογιστών που έχουν σχεδιαστεί για να προσομοιώνουν ανθρώπινες συνομιλίες, προσλαμβάνουν εργαζόμενους, απαντούν σε γενικές ερωτήσεις HR και εξατομικεύουν τις μαθησιακές εμπειρίες. Οι τεράστιοι όγκοι δεδομένων που συλλέγονται μπορούν να μεταφραστούν γρήγορα, αποτελεσματικά και με ακρίβεια σε αξιοποιήσιμη γνώση και analytics. Η «συνάντηση» των big data και της τεχνητής νοημοσύνης θα μπορούσε να είναι το σημείο ανατροπής για το HR – το σημείο όπου τα οφέλη σαφώς υπερβαίνουν τις ανησυχίες.


ΚΙΝΔΥΝΟΙ ΚΑΙ ΠΡΟΒΛΗΜΑΤΙΣΜΟΙ
Όλες αυτές οι εφαρμογές είναι καινούριες και όσο συναρπαστικές και αν φαίνονται, δεν έρχονται χωρίς κινδύνους και προκλήσεις που πρέπει να αντιμετωπιστούν. Ο μεγαλύτερος είναι ότι το AI δεν μπορεί να λειτουργήσει χωρίς «training data». Με άλλα λόγια, οι αλγόριθμοι μαθαίνουν από το παρελθόν. Εάν οι τρέχουσες πρακτικές διοίκησης του ανθρώπινου δυναμικού χαρακτηρίζονται από προκαταλήψεις και διακρίσεις, είναι υπερβολικά ιεραρχικές, η αξιοποίηση της τεχνητής νοημοσύνης μπορεί να καταλήξει απλά να θεσμοθετήσει όλα όσα πρέπει να αλλάξουν. Για αυτό τον λόγο, χρειαζόμαστε τεχνολογία AI που να είναι διαφανής και «ευέλικτη» ώστε να μπορέσουμε να ελέγχουμε τους αλγόριθμους και να διασφαλίζουμε ότι κάνουν τα σωστά πράγματα. Ακριβώς όπως τα πρώτα αυτοκίνητα δεν πήγαιναν πάντα ευθεία, οι πρώτοι αλγόριθμοι θα χρειαστούν «προφυλακτήρες» και «κουμπιά ρύθμισης» έτσι ώστε να μάθουμε πώς να τους κάνουμε πιο ακριβείς.

Τα συστήματα τεχνητής νοημοσύνης μπορούν να παγιώσουν τις προκαταλήψεις. Ας υποθέσουμε ότι μία εταιρεία δεν έχει προσλάβει ποτέ γυναίκες μηχανικούς και έχει πολύ λίγους μηχανικούς μετανάστες. Το σύστημα προσλήψεων του AI θα κατέληγε φυσικά στο συμπέρασμα ότι οι γυναίκες και οι αλλοδαποί μηχανικοί είναι λιγότερο πιθανό να προσληφθούν. Είναι σημαντικό τέτοιου είδους μεροληψίες να εξαλειφθούν προσεκτικά από τους αλγόριθμους και θα χρειαστεί χρόνος για να γίνει αυτό καλά.

Ένας ακόμα κίνδυνος είναι αυτός της έκθεσης δεδομένων και της ακούσιας κακής χρήσης αυτών. Ας πάρουμε για παράδειγμα μια κοινή χρήση των analytics, όπου προσπαθούμε να προβλέψουμε την πιθανότητα ενός high performer να εγκαταλείψει την εταιρεία. Αν πούμε στους managers ότι «αυτό το άτομο έχει μεγάλη πιθανότητα να φύγει», μπορούμε στην πραγματικότητα να δημιουργήσουμε μια λανθασμένη συμπεριφορά-ο manager μπορεί να αγνοήσει αυτό το πρόσωπο ή να τον μεταχειριστεί διαφορετικά.

Mέσα σε αυτό το πλαίσιο, αναδύεται η ανάγκη δημιουργίας «ερμηνευτικών» και «διαφανών» συστημάτων AI. Με άλλα λόγια, κάθε φορά που το σύστημα λαμβάνει μια απόφαση, θα πρέπει να αιτιολογήσει γιατί έλαβε αυτή την απόφαση, έτσι ώστε εμείς ως άνθρωποι να μπορούμε να αποφασίσουμε εάν τα κριτήρια που χρησιμοποιούνται είναι σωστά και ακριβή. Για να επιτευχθεί αυτό υπάρχει ακόμα δρόμος. Όταν ένα από τα καινούρια αυτοκινούμενα αυτοκίνητα συντριβεί, ξοδεύουμε πολύ χρόνο να διαγνώσουμε το πώς συνέβη, ποια οπτικά ή αλγοριθμικά συστήματα απέτυχαν και ποιες συνθήκες μπορεί να οδήγησαν στο ατύχημα. Τι γίνεται αν η τεχνητή νοημοσύνη κάνει λανθασμένη αναφορά για έναν υποψήφιο ή για μια προσαρμογή μισθού; Θα μάθουμε; Θα το διαγνώσουμε; Θα το ανακαλύψουμε πριν να είναι πολύ αργά; Καταληκτικά, υπάρχει πολύ δρόμος ακόμα μέχρι να μάθουμε πώς να «εκπαιδεύουμε» τα συστήματα AI να δουλεύουν σωστά.

Η ΧΡΗΣΗ ΤΟΥ ΑΙ ΣΤΟ HR
Οι χρήσεις της τεχνητής νοημοσύνης είναι πολλές και σίγουρα όσο η ίδια η τεχνολογία εξελίσσεται και όσο όλοι εξοικειωνόμαστε περισσότερο με αυτή, τόσο θα διευρύνεται η αξιοποίηση σε περισσότερες διαδικασίες και λειτουργίες γενικά του επιχειρείν και ειδικά του ΗR. Aς εξετάσουμε μερικές από τις πλέον σημαντικές, στις οποίες οι προσδοκίες για εντυπωσιακά αποτελέσματα είναι μεγάλες.

Recruitment & hiring: Στο recruiting συχνά λαμβάνονται αποφάσεις που βασίζονται στο ένστικτο. Μελέτες έχουν δείξει ότι οι περισσότεροι υπεύθυνοι για τις προσλήψεις λαμβάνουν την απόφασή τους σχετικά με έναν υποψήφιο μέσα στα πρώτα 60 δευτερόλεπτα της συνάντησής τους μαζί του, συχνά βασιζόμενοι στην εμφάνιση, τη χειραψία, το ντύσιμο ή την ομιλία. Γνωρίζουμε πραγματικά ποια χαρακτηριστικά, εμπειρίες, εκπαίδευση και γνωρίσματα προσωπικότητας εγγυώνται την επιτυχία σε έναν συγκεκριμένο ρόλο; Η αλήθεια είναι ότι δεν γνωρίζουμε, τουλάχιστον όχι πάντα.

Οι managers και οι επαγγελματίες του HR επενδύουν δισεκατομμύρια δολάρια σε assessment, tests, simulations και παιχνίδια για να επιλέξουν τους κατάλληλους ανθρώπους και παρόλα αυτά πολλοί υποστηρίζουν ότι 30-40% των τελικών επιλογών αποδεικνύονται λανθασμένες.

Οι αλγόριθμοι που βασίζονται στην τεχνητή νοημοσύνη μπορούν να κάνουν τη διαλογή ανάμεσα στα βιογραφικά σημειώματα, να εντοπίσουν καλούς υποψηφίους που βρίσκονται ήδη στην εταιρεία, να αναγνωρίσουν το προφίλ των high performers, ακόμα και να αποκωδικοποιήσουν βίντεο συνεντεύξεων και να αναγνωρίσουν στοιχεία που δείχνουν ποιος είναι πιθανόν να επιτύχει. Κάποιες εταιρείες χρησιμοποιούν ήδη assessment συστήματα που βασίζονται σε τεχνητή νοημοσύνη για την επιλογή υποψηφίων και διαπιστώνουν σημαντική βελτίωση στις προσλήψεις, ενώ ταυτόχρονα επιτυγχάνουν αξιόλογη εξάλειψη μίας σειράς προκαταλήψεων, όπως αυτές της εμφάνισης ή της κατοχής τίτλων σπουδών από αναγνωρισμένα ιδρύματα. Οι ειδικοί εκτιμούν ότι η επίδραση της τεχνητής νοημοσύνης στις προσλήψεις θα είναι τεράστια.

Employee development & learning: Σε ό,τι αφορά στην εκπαίδευση και ανάπτυξη των ανθρώπων, θα μπορούσε να υποστηρίξει κάποιος ότι ακόμα δεν ξέρουμε πώς να «εκπαιδεύουμε» τους ανθρώπους τέλεια. Η παγκόσμια αγορά του Learning & Development εκτιμάται ότι ξεπερνάει τα 200 δισεκατομμύρια δολάρια, ωστόσο οι περισσότεροι επαγγελματίες της εταιρικής εκπαίδευσης υποστηρίζουν ότι τουλάχιστον οι μισές από αυτές τις επενδύσεις δεν αποδίδουν-ξεχνιούνται, εφαρμόζονται λάθος ή απλώς σπαταλούν τον χρόνο των ανθρώπων. Το πρόβλημα είναι ότι τελικά δεν ξέρουμε ποιες είναι αυτές οι επενδύσεις. Όλοι γνωρίζουμε περίπου τι «χρειάζεται να μάθουμε» για να κάνουμε καλύτερα τη δουλειά μας. Τι θα συνέβαινε όμως αν είχαμε αλγόριθμους οι οποίοι παρακολουθούν και μελετούν τα skills, τις συμπεριφορές και τις δραστηριότητες των πλέον αποδοτικών επαγγελματιών στις ομάδες μας και στη συνέχεια αυτοί οι αλγόριθμοι μας έλεγαν πώς μπορούμε να γίνουμε και εμείς σαν και εκείνους;

Αυτού του είδους οι αλγόριθμοι, που μοιάζουν με αυτούς που χρησιμοποιεί το Netflix, εισέρχονται πλέον στον κόσμο των learning platforms, καθιστώντας την εκπαίδευση χρήσιμη και διασκεδαστική όσο η παρακολούθηση στο Netflix. Θα πρέπει να σημειωθεί ότι η αγορά δεν είναι ακόμα ώριμη και οι τεχνολογίες είναι νέες. Ωστόσο, η ευκαιρία είναι τεράστια. Μελέτη της Deloitte by Bersin δείχνει ότι ο μέσος εργαζόμενος διαθέτει λιγότερα από 25 λεπτά την εβδομάδα για να εκπαιδευτεί και να μάθει. Αν καταφέρουμε να κάνουμε αυτό τον χρόνο πιο σχετικό με τις ανάγκες τους, όλοι θα αποδίδουν καλύτερα.

Management & Leadership: Σε ό,τι αφορά στη διοίκηση και στην ηγεσία, συχνά οι άνθρωποι λειτουργούν σαν δάσκαλοι διαλογισμού. Διαβάζουν βιβλία, συμμετέχουν σε σεμινάρια και workshops, αντιγράφουν τους managers που θαυμάζουν και δοξάζουν τους επιτυχημένους ηγέτες. Γνωρίζουμε όμως οι περισσότεροι πραγματικά την επιστήμη της ηγεσίας; Τα τελευταία χρόνια εστιάζουμε στον σκοπό, την αποστολή και το followership. Μόλις πριν λίγα χρόνια ωστόσο, η τάση ήταν η «servant leadership», ενώ ακόμα παλιότερα η εταιρική ηγεσία εστίαζε στην εκτέλεση και τα οικονομικά νούμερα. Οι περισσότερες μελέτες δείχνουν ότι υπάρχουν δεκάδες διοικητικά και ηγετικά χαρακτηριστικά που καθορίζουν την επιτυχία και κάθε ένας από εμάς φέρει έναν ελαφρώς διαφορετικό αλλά μοναδικό συνδυασμό αυτών.

Η τεχνητή νοημοσύνη μπορεί πλέον να αποκωδικοποιήσει αυτή την πραγματικότητα. Έχουν ήδη αρχίσει να αναπτύσσονται από τους τεχνολογικούς παρόχους «AI-based» coaching εργαλεία. Πρόκειται για συστήματα που απαιτούν feedback, διαβάζουν σχόλια και αναγνωρίζουν συναισθήματα σε εργαζόμενους και ομάδες. Στη συνέχεια, αξιοποιούν τα δεδομένα αυτά για να αντιπαραβάλουν τα ζητήματα των εργαζόμενων και των ομάδων αυτών έναντι των υψηλότερα αποδοτικών ομάδων, ενώ ταυτόχρονα προσφέρουν στους managers και τους προϊσταμένους ώθηση για το πώς μπορούν να βελτιωθούν.

Fraud & Compliance: Σε ό,τι αφορά στην πρόληψη της απάτης και στην κανονιστική συμμόρφωση, οι ευκαιρίες που προσφέρει η τεχνητή νοημοσύνη είναι τεράστιες. Μελέτες έχουν δείξει ότι οι εργαζόμενοι που κλέβουν ή προβαίνουν σε απάτες και εγκλήματα μπορούν να «κολλήσουν» τους συναδέλφους τους (οι άνθρωποι που δουλεύουν μαζί τους μπορεί να αναπτύξουν αντίστοιχες κακές συνήθειες). Η τεχνητή νοημοσύνη μπορεί να εξετάσει το δίκτυο δεδομένων μίας εταιρείας και να αναγνωρίσει περιοχές stress, περιοχές με δυνητικά ηθικά κενά και πολλά άλλα ήδη κινδύνων συμμόρφωσης και να βοηθήσουν τα στελέχη του HR ώστε να παρέμβουν πριν καν προκύψει η κακή συμπεριφορά.

Wellbeing & employee engagement: Σε ό,τι αφορά στη δέσμευση και στην ευζωία των εργαζομένων, η τεχνητή νοημοσύνη χρησιμοποιείται ήδη για την αναγνώριση συμπεριφορών που προκαλούν χαμηλά επίπεδα απόδοσης. Σε σχέση με την ασφάλεια, η τεχνητή νοημοσύνη μπορεί να αναγνωρίσει συμπεριφορές και εμπειρίες που οδηγούν σε ατυχήματα. Μία νέα γενιά εργαλείων ερευνών μπορεί πλέον να αναγνωρίσει μοτίβα άγχους και κακής συμπεριφοράς και να ειδοποιήσει αντίστοιχα τόσο το HR όσο και τους managers.