ایچ آر کے پاس اے آئی، ٹیلنٹ اور سورسنگ پر غلط جوابات ہیں | Ben Eubanks

Ben Eubanks نے نوعمری میں ہی ایچ آر میں کام کرنے کی خواہش کی تھی۔ کئی سال اس شعبے میں گزارنے کے بعد وہ تحقیق کی طرف آئے، رجحانات پر نظر رکھی اور وہ کتابیں لکھیں جو CHROs اپنی شیلف پر رکھتے ہیں۔ ان کی پہلی کتاب Artificial Intelligence for HR اس موضوع پر سب سے زیادہ حوالہ دی جانے والی کتاب بن گئی۔ دوسری کتاب Talent Scarcity نے وہ سوال اٹھایا جو ہر ایچ آر لیڈر پوچھ رہا تھا: تمام ورکرز کہاں چلے گئے؟

اس Xobin Talks کی قسط #18 میں، Guru مشکل سوالات پر بات کرتے ہیں۔ وہ پوچھتے ہیں کہ ایچ آر لیڈرز اب بھی اے آئی پر ہچکچاہٹ کا شکار کیوں ہیں اور ٹیلنٹ کی کمی آبادیاتی لحاظ سے کیا معنی رکھتی ہے۔ وہ یہ بھی سوال کرتے ہیں کہ کیا عالمی سطح پر تنخواہوں میں برابری حقیقت پسندانہ ہے اور سورسرز کو خودکاریت آنے سے پہلے کیا کرنا چاہیے۔

کیا ایچ آر لیڈرز اے آئی میں سرمایہ کاری کے لیے تیار ہیں یا اب بھی پیچھے ہٹ رہے ہیں؟

Guru وہ سوال اٹھاتے ہیں جو وہ Xobin کے صارفین سے اکثر سنتے ہیں: اے آئی پر اتنی بات چیت کے باوجود، بہت سے CHROs اور ایچ آر خریدار اب بھی ہچکچاہٹ کا شکار ہیں۔ کیا یہ ہچکچاہٹ معقول ہے؟

Ben: "اے آئی تیزی سے روزمرہ کی ہائرنگ کا حصہ بن چکی ہے، کمپنیاں اسے امیدواروں کی سورسنگ، درخواستوں کی اسکریننگ، لوگوں کو رولز سے میچ کرنے اور ممکنہ ہائرز کی جانچ کے لیے استعمال کر رہی ہیں۔ لیکن کچھ لوگ اب بھی ہچکچاتے ہیں۔ خاص طور پر قانونی تقاضوں کے حوالے سے خدشات ہیں کہ کیا ہم اسے کسی کو نوکری دینے کے لیے استعمال کر سکتے ہیں۔"

Lighthouse Research ہر سال ٹیلنٹ ایکوزیشن پر ایک بڑی تحقیق کرتا ہے۔ اس سال کے ڈیٹا میں ایک دلچسپ بات سامنے آئی: کچھ آجر کہتے ہیں کہ وہ ہائرنگ میں اے آئی استعمال نہیں کریں گے۔ جب وجہ پوچھی گئی تو تین بڑے جوابات ایک واضح پیٹرن میں سامنے آئے۔

Ben: "پہلی وجہ یہ تھی: ہم انسانوں کو تبدیل نہیں کرنا چاہتے۔ ہم چاہتے ہیں کہ اس فیصلے میں انسان شامل ہوں۔ دوسری وجہ: ہم اپنے ایمپلائر برانڈ کو نقصان نہیں پہنچانا چاہتے۔ اے آئی کچھ ایسا کہہ یا کر سکتی ہے جس پر ہمارا کنٹرول نہ ہو۔ تیسری وجہ: ہمیں نہیں لگتا کہ اے آئی بنیادی بھرتی کے کام سنبھالنے کے لیے تیار ہے۔"

جونیئر ریکروٹر کی مثال

یہاں Ben ایک ایسی مثال دیتے ہیں جو پوری بحث کو نئے زاویے سے دیکھنے پر مجبور کرتی ہے۔

Ben: "جب ہم اپنی ٹیم میں جونیئر ریکروٹر رکھتے ہیں تو وہ بھی یہی خطرات لے کر آتا ہے۔ وہ غلط بات کہہ سکتا ہے، آن لائن کچھ نامناسب پوسٹ کر سکتا ہے، کسی عمل میں گڑبڑ کر سکتا ہے یا عام کام میں مشکل محسوس کر سکتا ہے۔ ہم یہ تمام خدشات اے آئی پر ڈال دیتے ہیں، حالانکہ یہ خدشات ہمیشہ سے موجود تھے اور رہیں گے۔ ہم فرض کرتے ہیں کہ اے آئی کو بالکل پرفیکٹ ہونا چاہیے۔ یہی ایک مسئلہ ہے۔"

یہ مثال بحث کو واضح کر دیتی ہے۔ کوئی بھی ادارہ جونیئر ریکروٹرز کو اس لیے نہیں روکتا کہ وہ غلطی کر سکتے ہیں۔ انسانی غلطی برداشت کرنا اور الگورتھم سے مکمل پرفیکشن کی توقع کرنا اصولی نہیں بلکہ جذباتی رویہ ہے۔ Ben واضح کرتے ہیں کہ اپنانا بہرحال ہو رہا ہے۔

Ben: "بہت سی کمپنیاں پہلے ہی اسے اپنا چکی ہیں اور اسے اپنی مسابقتی برتری کے طور پر استعمال کر رہی ہیں۔ ہم توقع کرتے ہیں کہ یہ فرق بڑھتا جائے گا کیونکہ جو کمپنیاں اسے استعمال کر رہی ہیں وہ ان کمپنیوں سے آگے نکل جائیں گی جو پیچھے رہ گئی ہیں۔"

SHRM کی 2024 Talent Trends رپورٹ کے مطابق تین چوتھائی ایچ آر پروفیشنلز متفق ہیں کہ اگلے پانچ سال میں اے آئی ہائرنگ میں انسانی فیصلے کی اہمیت کو بڑھا دے گی۔ Ben کے لیے اصل تشویش یہ ہے کہ وہ فرق جو پہلے ہی پیدا ہو چکا ہے، ان اداروں کے درمیان جو اے آئی کو مسابقتی ٹول کے طور پر استعمال کر رہے ہیں اور وہ جو اب بھی انتظار میں ہیں۔

کیا مختلف نسلیں اے آئی سے متعلق فیصلے مختلف انداز میں کرتی ہیں؟

Guru Xobin کے ڈیٹا میں ایک رجحان دیکھتے ہیں: اب پلیٹ فارم پر جمع ہونے والے زیادہ تر ریزیومے جنریٹیو اے آئی سے بنائے یا ترمیم کیے گئے ہیں۔ آج کے امیدوار اے آئی کے عادی ہیں، جبکہ فیصلہ ساز اکثر نہیں۔

وہ خودکار آفر جس نے ایچ آر لیڈرز کو چونکا دیا

Ben: "جب میں اے آئی کے استعمال پر تعلیم دیتا ہوں تو Amazon کی مثال دیتا ہوں۔ کوئی شخص نوکری کے لیے اپلائی کرتا ہے، سسٹم اس کی ڈگری اور تجربہ پڑھتا ہے، خودکار اسیسمنٹ بھیجتا ہے، امیدوار پاس ہو جائے تو مارکیٹ ریٹ پر آفر جنریٹ ہو جاتی ہے، نہ ریکروٹر سے بات، نہ ہائرنگ مینیجر سے۔ جب میں یہ مثال ایچ آر لیڈرز کو دیتا ہوں تو انہیں خوف محسوس ہوتا ہے۔"

Ben کے مطابق یہ ردعمل حقیقی ہے: کارپوریٹ رولز کے لیے مکمل خودکار سلیکشن نہ امیدوار چاہتے ہیں نہ ہی یہ معیاری فیصلوں کے لیے کافی ہے۔ لیکن یہ بھی حقیقت ہے کہ جیسے جیسے نوجوان نسل قیادت میں آئے گی، یہ سوچ بدلنی پڑے گی۔

کیوں ریزیومے اب قابل اعتبار سگنل نہیں رہا

Ben: "نئی تحقیق بتاتی ہے کہ تقریباً 70% کالج گریجویٹس GPT اور جنریٹیو اے آئی ٹولز سے اپنا ریزیومے تیار یا جاب پوسٹنگ سے میچ کر رہے ہیں۔ اس کا مطلب ہے کہ اب اس آبادی سے ہائرنگ پہلے سے کہیں زیادہ مشکل ہو گئی ہے کیونکہ سب کے ریزیومے ایک جیسے ہوں گے۔ تو اس کا حل کیا ہے؟ ہمیں اسکریننگ کے نئے طریقے اپنانے ہوں گے۔"

حل یہ نہیں کہ اے آئی سے بنے ریزیومے کو پکڑ کر رد کر دیا جائے، بلکہ ریزیومے کو بنیادی سگنل ماننا ہی چھوڑ دینا چاہیے۔ Ben یونیورسٹیوں کی مثال دیتے ہیں: اب وہ ہوم اسائنمنٹس پر اصل کام کی توقع نہیں کرتیں۔ ریکروٹرز کو بھی یہی حقیقت تسلیم کرنی ہوگی۔ سگنل بدل گیا ہے تو اسکریننگ کا طریقہ بھی بدلنا ہوگا۔

اگر اب زیادہ تر ریزیومے اے آئی سے تیار ہو رہے ہیں تو اسکریننگ کے لیے اس کا کیا مطلب ہے؟

یہ وہ سوال ہے جس پر Guru سب سے زیادہ زور دیتے ہیں، کیونکہ یہی Xobin کا بنیادی مسئلہ ہے۔ Ben کا جواب امیدواروں کی تحقیق پر مبنی ہے، صرف آجر کی ترجیح پر نہیں۔

Ben: "جب ہم امیدواروں کے ڈیٹا کو دیکھتے ہیں تو وہ بتاتے ہیں کہ انہیں یہ زیادہ پسند ہے: اگر انہیں صرف ریزیومے جمع کرانے یا ریزیومے کے ساتھ کوئی مختصر جاب سے متعلق ٹیسٹ دینے کا انتخاب دیا جائے تو وہ دوسرا آپشن پسند کرتے ہیں۔ اس سے انہیں معلوم ہوتا ہے کہ کمپنی کو کیا اہم ہے، جاب میں کیا ضروری ہے اور وہ اپنی صلاحیتیں دکھا سکتے ہیں۔ صرف ریزیومے کی تحریر پر انحصار نہیں رہتا۔"

یہ اسیسمنٹ کی بحث کو مکمل طور پر بدل دیتا ہے۔ پری ایمپلائمنٹ ٹیسٹنگ کو اکثر اداروں کی سہولت کے لیے پیش کیا جاتا ہے: اسکریننگ کی رفتار، کم تعصب، بہتر سگنل۔ Ben کا نکتہ یہ ہے کہ امیدوار بھی یہی چاہتے ہیں، کیونکہ جب ہر ریزیومے ایک جیسا ہو تو اچھے امیدواروں کے پاس خود کو نمایاں کرنے کا کوئی طریقہ نہیں رہتا۔ جاب سے متعلق ٹیسٹ انہیں یہ موقع دیتا ہے۔

کیوں مارکیٹ میں تیزی اعتماد کے برابر نہیں

Guru کے لیے یہ Xobin کے بنیادی طریقہ کار کی توثیق ہے: ریزیومے کو پڑھیں، ہدفی اسیسمنٹ بنائیں، تصدیق کریں کہ جمع کرانے والا واقعی وہ کام کر سکتا ہے۔

Ben: "میں نے حال ہی میں یہ مثال کئی بار دی ہے۔ ایچ آر ٹیکنالوجی کی ایک کمپنی نے ایسا ٹول بنایا جو پوری جاب ڈسکرپشن خودکار طور پر تیار کر دیتا ہے۔ انہوں نے یہ تین چار سال پہلے بنایا، اس پر لاکھوں ڈالر خرچ کیے۔ اب ہم میں سے کوئی بھی ChatGPT پر جا کر وہی کام مفت میں کر سکتا ہے۔"

کموڈیٹائزیشن کی رفتار حقیقت ہے اور Guru اسے براہ راست محسوس کرتے ہیں۔ Ben کا جواب رہنمائی کرتا ہے: مارکیٹ میں تیزی اعتماد کے برابر نہیں۔ ان کے مطابق، ایچ آر ٹیکنالوجی خریدنے والا Xobin جیسے تجربہ کار ادارے پر زیادہ اعتماد کرے گا بنسبت کسی نئے آنے والے کے۔ اصل مسابقتی برتری جدت نہیں بلکہ یہ ثبوت ہے کہ پروڈکٹ اصل مسائل حل کرتا ہے اور ادارہ نئے مسائل پر توجہ دیتا ہے۔

ٹیلنٹ کی کمی کی اصل وجہ کیا ہے؟ کیا یہ حقیقت ہے یا صرف ایک چکر؟

بات کتاب کی طرف آتی ہے۔ Guru تسلیم کرتے ہیں کہ ٹیلنٹ کی کمی کا کوئی آسان جواب نہیں اور وہ ایسا جواب چاہتے بھی نہیں۔ وہ سمت جاننا چاہتے ہیں۔

Ben: "دنیا بھر کے آبادیاتی ماہرین کہتے ہیں کہ اگر کسی آبادی کو طویل مدت تک برقرار رکھنا ہے تو فی خاندان تقریباً 2.3 بچے ہونے چاہئیں۔ امریکہ میں آخری بار یہ شرح 50 سال پہلے تھی۔ تو ہم اتنے لوگ پیدا نہیں کر رہے کہ تمام مواقع، رولز اور نوکریاں بھر سکیں۔ اب تک حل امیگریشن رہا ہے: مزید لوگوں کو لائیں۔ لیکن یہ عارضی حل ہے۔ ایک وقت آئے گا جب دوسرے ممالک بھی اپنے لوگوں کو روک لیں گے۔ انہیں خود ضرورت ہوگی۔"

اس گفتگو کے بعد کے اعداد و شمار

اس گفتگو کے بعد اعداد و شمار مزید خراب ہو گئے ہیں۔ امریکہ میں 2025 میں فی عورت شرح پیدائش 1.6 رہی، جو 2.1 کے پائیدار معیار سے کافی کم ہے۔ لیبر فورس میں شمولیت 2025 میں 62.4%-62.7% کے درمیان رہی اور 2026 میں مزید کم ہو گئی۔ نیٹ مائیگریشن 2025 میں تقریباً 515,000 رہ گئی، جو 2024 میں تقریباً 2.2 ملین تھی۔

Ben: "بھارت میں فی خاندان تقریباً دو بچے ہیں۔ یہ اب بھی زیادہ تر ترقی یافتہ ممالک سے زیادہ ہے مگر وہ بھی اس معیار سے نیچے ہیں۔ اور عام طور پر یہ رجحان ایک بار نیچے جائے تو پھر مسلسل نیچے ہی جاتا ہے۔"

یہ کوئی معاشی چکر نہیں جو اگلے معاشی عروج پر واپس آ جائے۔ یہ ساختی آبادیاتی تبدیلی ہے، اور خودکاریت صرف جزوی خلا پر کرتی ہے، کاموں کی نوعیت بدلتی ہے، لوگ پیدا نہیں کرتی۔

جب لوگ کم ہوں تو آجر کیا کریں؟

Ben دو راستے بتاتے ہیں اور کہتے ہیں کہ زیادہ تر ادارے صرف ایک ہی راستہ اختیار کر رہے ہیں۔

سمجھداری سے بھرتی کریں یا بہتر برقرار رکھیں

Ben: "ہمارے پاس دو لیورز ہیں۔ ہم زیادہ سمجھداری سے بھرتی کر سکتے ہیں: زیادہ غور سے دیکھیں، اپنے ٹیلنٹ پولز کو وسیع کریں۔ یا پھر جو لوگ ہمارے پاس ہیں انہیں برقرار رکھیں: ان اعلیٰ معیار کے لوگوں کو جو پہلے ہی اچھی کارکردگی دکھا رہے ہیں، جن کے پاس وہ علم اور مہارت ہے جو ہم کھونا نہیں چاہتے۔ اور تحقیق میں بار بار یہ بات سامنے آتی ہے کہ چاہے ہائرنگ ہو یا برقرار رکھنے کا معاملہ، ایک ہی طریقہ سب پر لاگو نہیں کیا جا سکتا۔"

Ben کی تحقیق کا نکتہ واضح ہے: ایک ہی طریقہ سب کے لیے کارگر نہیں۔ مسئلہ یہ ہے کہ ہر فرد کے مطابق حکمت عملی اپنانا اتنے متغیرات کا تقاضا کرتا ہے جو کوئی ایک مینیجر ذہن میں نہیں رکھ سکتا۔ یہی وہ خلا ہے جسے اے آئی پُر کر سکتی ہے: فیصلہ سازی کی جگہ نہیں بلکہ درست معلومات بروقت سامنے لانا۔

کیسے اے آئی بروقت برقرار رکھنے کے خطرے کی نشاندہی کرتی ہے

Ben: "ایک کمپنی ہے جس کے ساتھ ہم نے کام کیا، ان کے پاس برقرار رکھنے کی پیش گوئی کرنے والا الگورتھم ہے۔ یہ بتاتا ہے کہ آپ کے کون سے لوگ نوکری چھوڑنے والے ہیں۔ یہ سو سے زیادہ سگنلز دیکھتا ہے۔ جیسے ہی اشارے ملتے ہیں کہ کوئی چھوڑنے والا ہے، وہ شفاف عوامل کی نشاندہی کرتے ہیں: Ben نے تین ماہ سے مینیجر سے ون آن ون نہیں کیا، چار سال سے تنخواہ میں اضافہ نہیں ہوا، آخری پرفارمنس ریویو نیچے گیا۔ یہ سب اشارے ہیں کہ Ben جانے والا ہے۔"

اے آئی مینیجر کی گفتگو کی جگہ نہیں لیتی، بلکہ یہ یقینی بناتی ہے کہ مینیجر کے پاس بروقت وہ معلومات ہو جو اس گفتگو کے لیے ضروری ہے۔ بہترین مینیجرز اپنے قریبی لوگوں کے لیے یہ فطری طور پر کرتے ہیں۔ اے آئی یہ صلاحیت ان لوگوں تک بڑھا دیتی ہے جو خاموشی سے غیر متحرک ہو رہے ہیں۔

کیا ٹیلنٹ کو دنیا میں کہیں بھی رہنے پر ایک جیسی تنخواہ ملنی چاہیے؟

Guru Xobin کے ڈیٹا سے سوال اٹھاتے ہیں: سان فرانسسکو کے انجینئر کو بھارت کے انجینئر کے مقابلے میں پانچ گنا زیادہ تنخواہ کیوں ملتی ہے جبکہ کام ایک جیسا ہے؟ اور کیا یہ فرق کم ہو رہا ہے؟

Ben: "برابر کام کے لیے برابر تنخواہ، یہ اہم بات ہے۔ اگر آپ کے پاس امریکہ میں ایسی ٹیم ہے جس کی مہارت اور کام کسی فلپائن یا سنگاپور کے فرد سے ملتا جلتا ہے اور آپ ایک کو دوسرے کے مقابلے میں بہت کم دے رہے ہیں تو مجھے اس پر اعتراض ہوگا۔"

حقیقی مثال: عالمی ٹیلنٹ کو مقامی ریٹ پر ادائیگی

Ben ذاتی مثال دیتے ہیں۔ Lighthouse Research نے فلپائن میں ایک ایڈمنسٹریٹر Jessa کو امریکی ایڈمن ریٹ پر رکھا ہے تاکہ وہ ان کے کام کو ترجیح دے اور وہ اسے کھونا نہ چاہیں۔

Ben: "ہم پہلے ہی اس طریقے پر عمل کر رہے ہیں۔ لیکن بہت سی کمپنیوں کے لیے یہ چیلنج ہے۔ امریکہ کے اندر بھی جب سب کچھ ریموٹ ہوا تو یہ سوال اٹھا: کیا کسی دور دراز علاقے میں رہنے والے کو کم تنخواہ دینی چاہیے؟ بہت سی کمپنیوں نے کہا نہیں۔ ایک ہی ریموٹ ریٹ ہونا چاہیے، آپ جہاں چاہیں رہیں۔ میں حیران ہوں کہ انہوں نے یہی اصول امریکہ سے باہر کی ٹیموں کے لیے کیوں نہیں اپنایا۔"

گفتگو کسی واضح جواب پر نہیں پہنچتی کیونکہ Ben ایمانداری سے تسلیم کرتے ہیں کہ ڈیٹا میں کوئی حتمی جواب نہیں۔ لیکن Guru کا سوال اس بحث کو مزید اہم بنا دیتا ہے۔ وہ نشاندہی کرتے ہیں کہ LLMs زبان کی رکاوٹیں دور کر رہے ہیں، ریموٹ ورک نے تقسیم شدہ ٹیموں کو معمول بنا دیا ہے اور Xobin جیسے پلیٹ فارمز اب جغرافیہ سے قطع نظر صلاحیت کو ایک ہی پیمانے پر ناپتے ہیں۔ تکنیکی طور پر برابر تنخواہ کا جواز مضبوط ہو رہا ہے، اگرچہ اداروں کی آمادگی ابھی پیچھے ہے۔

سورسرز اور ابتدائی کیریئر ایچ آر افراد کو خودکاریت آنے سے پہلے کیا کرنا چاہیے؟

یہ وہ سوال ہے جو Guru کہتے ہیں کہ Ben سے پہلے کبھی کسی نے اتنے براہ راست انداز میں نہیں پوچھا۔ وہ اسے نوٹ کرتے ہیں اور پھر جواب دیتے ہیں۔

Ben: "وہ مہارتیں جو اہم ہیں اور جنہیں الگورتھم نقل کرنا مشکل ہے، وہ انسانی مہارتیں ہیں۔ یہ صرف ایچ آر تک محدود نہیں۔ ہمدردی، تخلیقی سوچ، تنقیدی سوچ۔ انہیں الگورتھم میں ڈالنا مشکل ہے۔"

Ben ایک دو بائی دو گرڈ کی مثال دیتے ہیں: ایک محور انسان مرکوز سے عمل مرکوز تک، دوسرا معمولی اور دہرائے جانے والے سے نئے اور غیر متوقع تک۔ انسانی اور غیر متوقع کام سب سے کم خودکار ہوتے ہیں، جبکہ عمل اور معمولی کام سب سے زیادہ خطرے میں ہیں۔

وہ تعلقات جو الگورتھم نہیں بنا سکتا

Ben: "اگر آپ کی سب سے بڑی مہارت ڈیٹا دیکھ کر رجحانات نکالنا ہے تو جلد ہی کوئی اور مہارت سیکھ لیں کیونکہ اے آئی اس میں ہم سے بہتر ہے۔ لیکن تعلقات بنانا، ریزیومے میں کسی خاص بات کو پکڑ کر گفتگو شروع کرنا، یہ وہ چیز ہے جو انسان کو الگورتھم سے ممتاز کرتی ہے۔"

Ben نے یہ سبق جلد سیکھا جب وہ Blackhawk ہیلی کاپٹر انسٹرکٹر پائلٹس کی بھرتی کر رہے تھے۔

Ben: "میں نے جلد سیکھ لیا کہ ایک ہی ای میل 20 لوگوں کو بھیجوں تو کوئی جواب نہیں آئے گا۔ مجھے ہر ایک کے لیے کچھ خاص نکالنا ہوگا۔ Hey Mark، میں نے دیکھا آپ ہاٹ ایئر بیلون پائلٹ بھی ہیں، یہ کمال ہے، مزید بتائیں۔ Hey Jamie، آپ کے ریزیومے میں یہ چیز دیکھی، کیا آپ اس شخص کو جانتے ہیں؟ وہ بھی آپ کی یونٹ میں تھے۔ میں نے ایسے تعلقات بنائے جو الگورتھم نہیں بنا سکتا۔"

کیوں غیر متوقع ہونا اصل دفاع ہے

Ben ایک اور اہم نکتہ اٹھاتے ہیں: زیادہ تر انسانی کام میں غیر متوقع پن ہوتا ہے جسے اے آئی محققین کم سمجھتے ہیں۔

Ben: "الگورتھمز صرف منظم ماحول میں کام کرتے ہیں۔ ان کے پاس محدود متغیرات، گارڈ ریلز اور واضح نتائج ہوتے ہیں۔ ہم میں سے زیادہ تر ایسے ماحول میں کام کرتے ہیں جہاں فیڈبیک کم یا بہت تاخیر سے ملتا ہے، اور ہر صورتحال کچھ نہ کچھ مختلف ہوتی ہے۔ آپ الگورتھم کو ایسے ماحول کے لیے پروگرام نہیں کر سکتے۔"

ابتدائی یا درمیانی کیریئر کے ایچ آر افراد کے لیے ہدایت واضح ہے: غیر متوقع کی طرف جائیں۔ انسانی پہلو کی طرف جائیں۔ وہ کام تلاش کریں جہاں آپ کو ماحول پڑھنا ہو، تعلقات سنبھالنے ہوں، ابہام میں راستہ نکالنا ہو یا نامکمل معلومات میں فیصلہ کرنا ہو۔ یہی وہ علاقہ ہے جہاں خودکاریت ابھی نہیں پہنچی اور طویل عرصے تک نہیں پہنچے گی۔

Ben Eubanks کے بارے میں

Ben Eubanks، Lighthouse Research and Advisory کے چیف ریسرچ آفیسر ہیں، جو ایک ہیومن کیپیٹل مینجمنٹ ریسرچ اور ایڈوائزری فرم ہے جو دنیا بھر کے ایچ آر، ٹیلنٹ اور لرننگ لیڈرز کی رہنمائی کرتی ہے۔ انہوں نے Artificial Intelligence for HR لکھی، جو ہائرنگ، ڈیولپمنٹ اور ملازم تجربے میں اے آئی پر سب سے زیادہ حوالہ دی جانے والی کتاب ہے۔ ان کی دوسری کتاب Talent Scarcity: How to Hire and Retain a Shrinking Workforce، لیبر شارٹیج کے مسئلے کو براہ راست حل کرتی ہے۔

Ben کو ایچ آر اور ریکروٹنگ ایگزیکٹو اور ورک فورس ریسرچر کے طور پر ایک دہائی سے زیادہ کا تجربہ ہے۔ وہ We're Only Human پوڈکاسٹ کے میزبان ہیں اور دنیا بھر کے ہزاروں ایچ آر پروفیشنلز سے خطاب کر چکے ہیں۔ انہوں نے 2009 میں ایچ آر کمیونٹی upstartHR کی بنیاد رکھی، جس سے اب تک دس لاکھ سے زائد قارئین مستفید ہو چکے ہیں۔

Ben سے LinkedIn پر رابطہ کریں | ادارہ: Lighthouse Research and Advisory