هل نستخدم الذكاء الاصطناعي في فرز المرشحين وإعداد القائمة المختصرة؟

هل نستخدم الذكاء الاصطناعي في فرز المرشحين وإعداد القائمة المختصرة؟

الفكرة تبدو مغرية: آلاف الطلبات، وفريق توظيف صغير، وأداة تعدك بأنها ستقرأ كل سيرة ذاتية خلال ثوانٍ، وتقيّم المرشحين، ثم تساعدك في إعداد قائمة مختصرة. أسرع من الإنسان، وكما يقول مزوّدو هذه الأدوات: أكثر اتساقًا.

لكن القرار ليس بسيطًا. أمام الجهة ثلاثة خيارات مختلفة:

1. أن تترك الذكاء الاصطناعي يفرز المرشحين ويستبعد بعضهم تلقائيًا.
2. أن تستخدمه كأداة مساعدة، بينما يبقى القرار النهائي بيد الإنسان.
3. أن تُبقي عملية الفرز والمراجعة بيد الفريق البشري بالكامل.

والفرق بين هذه الخيارات هو موضع الخطر الحقيقي.

ولنبدأ بتحفظ واضح: معظم الأدلة المستقلة والموثوقة عن استخدام الذكاء الاصطناعي في التوظيف لا تركز على سؤال: هل يوفّر الوقت؟ نعم، هو يوفّر الوقت بوضوح. لكنها تركز على سؤال أهم: ما الأخطاء التي قد يرتكبها؟ ومن الذي قد يتضرر منها؟

لذلك، يقيّم هذا الموجز القرار من أربع زوايا: التحيز، والإشراف البشري، وتجربة المرشح، والامتثال النظامي. أما سرعة الإنجاز فهي فائدة حقيقية، لكنها الجزء الأسهل من النقاش.

التحيز في أدوات التوظيف بالذكاء الاصطناعي موثّق وواقعي، وليس مجرد احتمال نظري. يوضح تحليل مفتوح الترخيص نُشر في The Conversation عام 2024 أن إحدى أدوات مقابلات الفيديو واسعة الاستخدام فضّلت أنماطًا معينة من تعابير الوجه، وطريقة الكلام، ونبرة الصوت، مما أضرّ بشكل أكبر بمرشحين من فئات أقل تمثيلًا. وقد وصل الأمر إلى شكوى فيدرالية في الولايات المتحدة عام 2019.

كما أن أداة التوظيف التجريبية لدى أمازون، التي دُرّبت على سير ذاتية تعود إلى فترة كانت الغالبية فيها لمرشحين رجال، انتهت إلى تفضيل المرشحين الذكور؛ إذ خفّضت تقييم بعض الطلبات لمجرد احتوائها على مؤشرات مرتبطة بالنساء، مثل الإشارة إلى أنشطة أو مؤسسات تعليمية نسائية.

كما أن أدوات تحليل الوجه قد تخطئ أكثر مع بعض الفئات الأقل تمثيلًا، خصوصًا النساء.

الخلاصة واضحة: عندما يتعلّم الذكاء الاصطناعي من بيانات تاريخية منحازة، فقد يعيد إنتاج الانحياز نفسه.

كيف يحدث ذلك؟ قد يتعلّم النموذج مؤشرات غير مباشرة لصفات لا يجوز الاختيار على أساسها. يوضح مقال آخر في The Conversation أن النظام قد يتعلّم، دون أن يُطلب منه ذلك صراحة, تفضيل اسم مثل “Mark” على اسم مثل “Mary”. لا لأنه يفهم الكفاءة، بل لأنه يلتقط ارتباطات زائفة موجودة في البيانات.

بعبارة أبسط: التحيز لا يحتاج دائمًا إلى خانة واضحة مثل الجنس أو الجنسية. قد يستنتجه النموذج من الاسم، أو الحي، أو الفجوات في السيرة الذاتية، أو الهوايات، أو حتى طريقة كتابة السيرة.

وهنا تكمن المشكلة: الأداة قد تبدو محايدة من الخارج، لكنها في الواقع قد تتعلم إشارات بديلة لصفات يفترض ألا تؤثر في قرار التوظيف.

الضمانة المعتادة: “هناك إنسان يراجع القرار” ليست كافية غالبًا. في دراسة منشورة في Frontiers in Psychology عام 2024، طبّق نظام آلي عقوبة ثابتة قدرها 10 نقاط على المتقدمين أصحاب الأسماء التركية. والنتيجة أن 41% فقط من المشاركين لاحظوا وجود هذا التمييز.

هذا يعني أن أغلب المراجعين اتبعوا نتيجة النظام دون أن ينتبهوا إلى وجود تحيز واضح.

وهذه نقطة مهمة جدًا: وجود إنسان في العملية لا يعني بالضرورة وجود إشراف فعّال. إذا كان الإنسان لا يرى التحيز، فلن يستطيع إيقافه.

المرشحون يلاحظون عندما تحكم عليهم أداة آلية، وهذا يؤثر في ثقتهم بالجهة. في دراسة نُشرت عام 2021، شعر 54.1% من المشاركين بأنهم غير مستعدين، أو غير مستعدين بما يكفي، لخوض عمليات اختيار تعتمد على الذكاء الاصطناعي. وكان أسوأ استخدام في نظرهم هو أن يقيّم الذكاء الاصطناعي شخصياتهم.

وفي دراسة عام 2025 شملت 921 مشاركًا، حصل الرفض بالذكاء الاصطناعي من دون تفسير على أدنى درجات العدالة في جميع المقاييس. لكن عندما قُدّم تفسير واضح للقرار، تقلصت الفجوة بشكل كبير.

المعنى هنا بسيط: الرفض الآلي الغامض يضر تجربة المرشح وسمعة الجهة. والشفافية ليست تفصيلًا إضافيًا، بل جزء أساسي من عدالة العملية.

لكن الصورة ليست كلها سلبية: إذا استُخدم الذكاء الاصطناعي بطريقة صحيحة، فقد يقلل بعض أشكال التحيز البشري. تشير بعض الأبحاث إلى أن الذكاء الاصطناعي قد يجعل التوظيف أكثر شمولًا إذا بُني على بيانات تمثل المتقدمين بشكل عادل، وإذا خضع لتدقيق منتظم وإشراف حقيقي.

لكن هذا مشروط بوجود تقييم للأثر، ومراجعة مستمرة للنتائج، واختبار واضح لما إذا كانت الأداة تضر فئات معينة أكثر من غيرها.

بمعنى آخر: الفائدة ممكنة، لكنها لا تأتي تلقائيًا. تحتاج عملًا جادًا قبل الاستخدام وبعده.

الخلاف الحقيقي ليس بين استخدام الذكاء الاصطناعي أو رفضه بالكامل. الخلاف هو بين استخدامه كأداة تساعد الإنسان على اتخاذ قرار منظم، وبين تركه يصبح صاحب القرار.

الأول يمكن الدفاع عنه إذا وُجدت ضوابط واضحة. أما الثاني فيحمل مخاطر عالية: تحيز واسع، وقرارات غير مفهومة، ومشكلة امتثال محتملة.

مصادر مفتوحة الترخيص:

• رافي (2024)، When AI plays favourites: how algorithmic bias shapes the hiring process، The Conversation — المصدر الأصلي · الترخيص: CC BY-ND 4.0.
• كيلان (2023)، AI can reinforce discrimination — but used correctly it could make hiring more inclusive، The Conversation — المصدر الأصلي · الترخيص: CC BY-ND 4.0.
• روزنتال-فون دير بوتن وزاخ (2024)، Michael is better than Mehmet: exploring the perils of algorithmic biases and selective adherence to advice from automated decision support systems in hiring، Frontiers in Psychology — المصدر الأصلي · الترخيص: CC BY.
• شيك وفيشر (2021)، Dear Computer on My Desk, Which Candidate Fits Best? Candidates' Perception of Assessment Quality When Using AI in Personnel Selection، Frontiers in Psychology — المصدر الأصلي · الترخيص: CC BY.
• مالين وزملاؤه (2025)، Rejected by an AI? Comparing job applicants' fairness perceptions of artificial intelligence and humans in personnel selection، Frontiers in Artificial Intelligence — المصدر الأصلي · الترخيص: CC BY.

نتائج مستشهد بها (للإحالة فقط، ولا تحمل ترخيصًا مفتوحًا):

• أداة التوظيف بالذكاء الاصطناعي التي ألغتها أمازون (نشرتها رويترز، 2018) — الحالة التحذيرية المرجعية: نموذج دُرّب على سير ذاتية يغلب عليها الرجال فتعلّم معاقبة المؤشرات المرتبطة بالنساء.
• قانون الذكاء الاصطناعي للاتحاد الأوروبي (اللائحة (EU) 2024/1689) — EUR-Lex. يصنّف الذكاء الاصطناعي المستخدم في التوظيف وتقييم المرشحين بأنه عالي المخاطر.
• نظام حماية البيانات الشخصية السعودي (PDPL) — تشرف عليه الهيئة السعودية للبيانات والذكاء الاصطناعي (SDAIA)؛ يحكم بيانات المرشحين داخل المملكة بصرف النظر عن موقع جهة المعالجة.

كل الروابط محفوظة وتشير إلى المصادر الإنجليزية الأصلية.