Hoofdstuk 2
Opkomende technologieën en hun grenzen
Automatisering, voorspelling en generatie onderscheiden om evenredige toepassingen te kiezen.
2.1 Machinaal leren
Machinaal leren past modellen aan op basis van voorbeelden. In HR kan het documentclassificatie, het zoeken naar competenties of het herkennen van collectieve patronen ondersteunen. Het nut hangt af van de kwaliteit van de doelstelling, de representativiteit van de gegevens en een evaluatie die onafhankelijk is van de training.
Een voorspelling identificeert op zichzelf niet de oorzaken van een uitkomst. Als de context verandert, kunnen aangeleerde verbanden instabiel worden. Het model moet met eenvoudige alternatieven worden vergeleken en er moet worden nagegaan of de verbetering opweegt tegen de extra kosten, complexiteit en risico’s.
2.2 Taal en generatieve assistenten
Taalmodellen kunnen helpen functiebeschrijvingen te schrijven, beleid samen te vatten of opleidingsmateriaal voor te stellen. Hun antwoorden moeten worden gecontroleerd voordat arbeidsvoorwaarden worden gecommuniceerd of regels worden uitgelegd. Een vloeiende uitleg bewijst niet dat de bron bestaat of dat de conclusie juist is.
Een interne assistent moet zijn bronnen afbakenen, onzekerheid aangeven en gevoelige vragen naar professionals doorverwijzen. Ook opgehaalde documenten kunnen kwaadaardige instructies bevatten. Tests moeten dubbelzinnige vragen, tegenstrijdig beleid en verzoeken buiten de bevoegdheden van de gebruiker omvatten.
2.3 Procesautomatisering
Regelgestuurde automatisering kan herhaalde taken oplossen zonder kunstmatige intelligentie. Een volledige aanvraag verwerken of een verplicht veld controleren zijn voorbeelden van relatief afgebakende handelingen. Een eenvoudige oplossing maakt testen gemakkelijker en verkleint de afhankelijkheid van moeilijk uitlegbare componenten.
Elke geautomatiseerde werkstroom moet uitzonderingen afhandelen en voorkomen dat een fout op grote schaal wordt herhaald. Er moeten een beoordelingswachtrij, een verantwoordelijke persoon en een mogelijkheid om de uitvoering te stoppen bestaan. Verbeteringen worden over het gehele proces gemeten, inclusief het werk om incidenten te corrigeren.
2.4 Emoties, biometrie en surveillance
Er mag niet worden aangenomen dat stem, gezicht of micro-expressies valide conclusies over eerlijkheid, persoonlijkheid of geschiktheid voor werk toelaten. Een schijnbare correlatie kan context, een beperking, taal of opnameomstandigheden weerspiegelen. Deze toepassingen vereisen een bijzonder grondige wetenschappelijke en juridische beoordeling.
Binnen het Europese kader bevat de AI-verordening een verbod op bepaalde emotie-inferenties op het werk, met afgebakende uitzonderingen om medische of veiligheidsredenen. Dit is geen algemene toestemming om welzijn te monitoren. De geldende tekst en de officiële, voor de casus relevante richtsnoeren moeten worden geraadpleegd [R1].
2.5 Evenredige technologiekeuze
De keuze begint met een verifieerbare behoefte. Vervolgens worden alternatieven, benodigde gegevens, toegankelijkheid, onderhoudskosten en mogelijkheden tot beëindiging onderzocht. Een nieuw hulpmiddel verdient niet alleen vanwege die nieuwheid de voorkeur. Sommige behoeften zijn beter op te lossen met organisatorische veranderingen of opleiding.
De analyse moet meenemen wie het voordeel ontvangt en wie het risico draagt. Een oplossing die de afdeling tijd bespaart, kan sollicitanten barrières opleggen. De beslissing moet deze perspectieven opnemen en de gebruiksgrenzen begrijpelijk beschrijven.
Vragenlijsten
Begrip van het hoofdstuk & Dilemma’s in het personeelsbeleid
De dilemma’s krijgen geen morele score en worden niet gebruikt om sollicitanten te beoordelen.