قصّة أمازون التي تُعلّم كل شركة معنى AI في التوظيف

في عام ٢٠١٤، فريق صغير من مهندسي التعلّم الآلي في مقرّ أمازون في سياتل بدأ مشروعاً بدا واعداً. الفكرة بسيطة: بنك ضخم من السير الذاتية للموظّفين الحاليّين والسابقين. قرارات توظيف موثّقة لعشر سنوات. لماذا لا ندع نموذج تعلّم آلي يتعلّم من هذه البيانات ما هي "السيرة الذاتية الجيّدة" ثمّ يقيّم المتقدّمين الجدد آلياً؟

الفكرة كانت ذكيّة، والتنفيذ متقن. النموذج بُنيَ على بيانات عشر سنوات، دُرّب لتقييم كل سيرة على مقياس من نجمة إلى خمس نجوم، كما تُقيَّم منتجات أمازون. الهدف تقليل ساعات المُوظّفين في الموارد البشرية، وتسريع دورة التوظيف التي تصل أحياناً لأسابيع.

بعد سنة من التشغيل التجريبي، اكتشف الفريق شيئاً غريباً.

اللحظة التي انكسر فيها كل شيء

في ٢٠١٥، بدأ المهندسون يلاحظون نمطاً في تقييمات النموذج. حين يستقبل سيرة ذاتية تحتوي على كلمة "women's" (كنادي شطرنج نسائي، أو كليّة نسائية، أو فريق كرة قدم نسائي)، يخفّض التقييم تلقائياً. حين تخلو السيرة من هذه الإشارات، يرفع التقييم.

المهندسون لم يبرمجوا هذا. لم يقل أحد للنموذج "فضّل الرجال". النموذج تعلّمه بنفسه من البيانات.

السبب واضح إحصائياً. معظم المهندسين التقنيين في أمازون خلال عشر سنوات كانوا رجالاً. النموذج، مهمّته أن يجد أنماطاً تُميّز الموظّف "الناجح"، وجد نمطاً واضحاً: الذكورة مؤشّر إيجابي. لم يكن يفهم ما هي الذكورة، ولا لماذا تهمّ. فقط لاحظ أنّ الناجحين تاريخياً كانوا رجالاً، فحاول أن يُعيد إنتاج هذا النمط.

المشكلة أنّ هذا التاريخ يعكس عقوداً من التحيّز البشري في قطاع التقنية، لا موهبة حقيقية. النموذج، بدل أن يُصلح المشكلة، كان يُخلّدها ويؤتمتها.

ثلاث سنوات من محاولات الإصلاح

الفريق لم يُلغِ المشروع فوراً. حاول ٢٠١٥-٢٠١٧ إصلاح النموذج بطرق مختلفة.

المحاولة الأولى: حذف كلمة "women" من قائمة الميّزات التي يعتبرها النموذج. الحلّ فشل. النموذج وجد بدائل. أسماء كلّيات نسائية معروفة (Wellesley, Barnard, Bryn Mawr) صارت مؤشّرات سلبية. أسماء فرق رياضية نسائية. حتى نمط كتابة معيّن يميل إليه المتقدّمات أكثر.

المحاولة الثانية: إعادة موازنة بيانات التدريب لتشمل عدداً متساوياً من الرجال والنساء. الحلّ فشل جزئياً. النموذج قلّل التحيّز الصريح، لكنّه احتفظ به بطرق أخفى. الأنماط الإحصائية العميقة لا تُمحى بسهولة.

المحاولة الثالثة: بناء ضوابط "عدل" صريحة. لا يُسمح للنموذج بتغيير التقييم بأكثر من نسبة معيّنة بناء على متغيّرات مرتبطة بالجنس. الحلّ فشل أيضاً. النموذج بدأ يعتمد على متغيّرات أخرى (اسم الجامعة، الاسم الأوّل نفسه) للوصول لنفس النتيجة.

في ٢٠١٨، الفريق استسلم. المشروع أُلغي بهدوء. لم تُصدر أمازون بياناً. لم يعرف أحد خارج الشركة لأشهر.

Reuters يكشف القصّة

في أكتوبر ٢٠١٨، وكالة رويترز نشرت تحقيقاً بعنوان "أمازون تُلغي أداة توظيف سرّية بالذكاء الاصطناعي أظهرت تحيّزاً ضدّ النساء". القصّة استقيت من خمسة مصادر داخلية.

الأثر كان فورياً وواسعاً. الصحف حول العالم نقلت الخبر. البرلمان الأوروبي ذكره في نقاشات حول تنظيم AI. جامعات وأخلاقيّون درسوه في مقالات ومناهج. الرسالة الأساسية: حتى شركات بمستوى أمازون، بأفضل المهندسين وأكبر ميزانيات، فشلت في بناء نموذج توظيف عادل.

من المفارقة أنّ أمازون نفسها، بعد أشهر من التحقيق، وسّعت استخدامها لأدوات AI أخرى في التوظيف، لكن هذه المرّة كمساعدات لا كقرار نهائي. النموذج يفرز، البشر يقرّرون.

لماذا القصّة تعلّم درساً أعمق

قصّة أمازون تُعلّم درساً أوسع من التحيّز ضدّ النساء. الدرس أنّ AI في التوظيف يعكس بيانات المؤسّسة، لا فلسفتها.

إن كانت الشركة تاريخياً تُوظّف من جامعات معيّنة، سيتعلّم النموذج تفضيل خرّيجيها. إن كانت تفضّل خلفيات معيّنة عرقياً أو اجتماعياً، سيتعلّم النموذج ذلك. إن كانت تدفع رواتب أدنى للنساء أو الأقلّيات، سيتعلّم النموذج أنّ هذه الفئات تستحقّ أقلّ.

المشكلة ليست في الأدوات، بل في الأدوات تكشف ما كنّا نُخفيه عن أنفسنا. حين تُصمّم النموذج، تكتشف بيانات مؤسّستك. غالباً، ما تكتشفه غير مريح.

بحث MIT عام 2023 رصد نفس النمط في عشرات الأنظمة التجارية. تحليل CV، تحليل نبرة الصوت في المقابلات، تحليل تعابير الوجه، جميعها تُعيد إنتاج تحيّزات موجودة إلا إذا صُمّمت عمداً لتصحيحها.

كيف يعمل ATS اليوم

Applicant Tracking System برنامج فرز السير الذاتية. ٧٥٪ من الشركات الكبرى تستخدم واحداً منها. الأشهر عالمياً: Workday، Oracle Fusion Cloud HCM، Greenhouse، Lever، SmartRecruiters.

الآليّة الأساسية:

المرشّح يقدّم سيرته الذاتية عبر بوابة الشركة. النظام يحوّل النصّ من PDF أو Word إلى بيانات مهيكلة. يستخرج الاسم، التعليم، الخبرة، المهارات. يُقارن هذه البيانات بمتطلّبات الوظيفة. يعطي مطابقة كنسبة مئوية أو ترتيب.

الأنظمة الحديثة أضافت طبقة AI لتحسين المطابقة الدلالية. إن كتب الإعلان "Python developer"، النظام يعرف أنّ "برمجة بايثون" و"مطوّر بلغة Python" و"Django/Flask engineer" كلها تعابير مماثلة.

المشكلة أنّ ATS ليس مثالياً. تحويل PDF المعقّد (بجداول، أعمدة، صور) يفشل أحياناً وتضيع بيانات. النظام لا يقرأ نصوصاً في الصور. تنسيقات غير قياسية تربكه.

قواعد كتابة CV يجتاز ATS

بعد فهم كيف يعمل، القواعد تصبح واضحة.

استخدم كلمات مفتاحية من الوصف الوظيفي حرفياً. إن قال الإعلان "React.js"، اكتب "React.js" لا "React" فقط. إن ذكر "AWS Certified Solutions Architect"، اكتب الشهادة بالاسم الكامل.

تنسيق بسيط. لا جداول متعدّدة الأعمدة (ATS يفشل في قراءة أعمدة أحياناً). لا صور. لا خطوط مزخرفة. Arial أو Calibri أو Times New Roman. حجم ١٠ أو ١١ للنصّ.

حفظ بصيغة PDF عادي (لا PDF مصدّر من InDesign) أو Word .docx. تجنّب Google Docs export لأنّه يُضيف تنسيقات غريبة أحياناً.

عناوين قسم قياسية بالإنجليزية إن كان الإعلان بالإنجليزية: "Experience"، "Education"، "Skills"، "Certifications"، "Projects". ATS يبحث عن هذه الكلمات لتنظيم المعلومات.

لا معلومات في header/footer. بعض أنظمة ATS تتجاهلها.

لا نصوص في الصور. اسمك، معلومات الاتصال، كل شيء يجب أن يكون نصّاً قابلاً للنسخ.

طول معقول. صفحة إلى صفحتَين للخبرة تحت عشر سنوات. ثلاث صفحات كحدّ أقصى للخبرة الأعلى.

مقابلات الفيديو الآلية

بعد ATS، الطبقة التالية في التوظيف الحديث هي مقابلات الفيديو الآلية. Shell وUnilever وGoldman Sachs من الشركات الكبرى التي تستخدمها لملء وظائف بأعداد كبيرة.

الآليّة: المرشّح يستقبل رابطاً، يفتحه، يجد أسئلة موحّدة، يُسجّل إجاباته أمام الكاميرا. النظام يحلّل ثلاثة عناصر عادةً: مضمون الكلام (Speech-to-Text ثمّ NLP)، النبرة والإيقاع، وأحياناً تعابير الوجه.

HireVue وModern Hire الأشهر. HireVue تحديداً واجه انتقادات كثيرة على مدى ٢٠١٩-٢٠٢٢، حتى أنّها ألغت رسمياً استخدام "تحليل الوجه" عام ٢٠٢١ بعد شكوى قدّمتها منظّمة EPIC للجنة التجارة الفدرالية.

المشاكل الأساسية بتقنية مقابلات الفيديو الآلية: تُقصي أنماط تواصل بشرية عاديّة (تحدّث ببطء، عدم التحديق في الكاميرا، حياء، أعصاب). قد تتحيّز ضدّ اللكنات غير الأمريكية. صعبة على من لا يتقن الإنجليزية بطلاقة عالية. اختلاف الإضاءة والكاميرا يؤثّر على التحليل.

للمرشّح، النصائح العمليّة: اختر مكاناً هادئاً بإضاءة جيّدة. الكاميرا على مستوى العين. تحدّث بوضوح وثقة، لكن كن طبيعياً (المبالغة تظهر). أعطِ إجابات بنية STAR (Situation, Task, Action, Result). كرّر السؤال جزئياً في إجابتك لضمان التقاطه بدقّة.

مقارنة أنظمة ATS الشائعة

| النظام | الحصّة السوقية | التخصّص | الشركات السعودية التي تستخدمه | |---|---|---|---| | Workday | ~14% (Fortune 500) | مؤسّسات كبرى | STC، مصرف الراجحي، Alinma | | Oracle Fusion HCM | واسع في الخليج | مؤسّسات + حكومي | Aramco، Sabic | | SuccessFactors (SAP) | واسع | مؤسّسات | كثير من الشركات الكبرى | | Greenhouse | شائع في تقنية | Startups + Growth | شركات ناشئة | | Lever | شائع في تقنية | Startups | بعض ناشئات الرياض | | SmartRecruiters | متوسّط | Retail + Enterprise | Almarai، Alshaya |

الوضع السعودي وقوى وطاقات

في السعودية، منصّة "قوى" تنتقل تدريجياً لمطابقة وظيفية آلية أعمق. "طاقات" من صندوق تنمية الموارد البشرية يُقدّم توصيات مبنيّة على مهارات المستخدم وحاجات السوق.

الشركات الكبرى (أرامكو، سابك، STC، الراجحي، الأهلي) تستخدم Workday أو Oracle. البنوك تعتمد أنظمة داخلية إضافية للتحقّق من الخلفيات. المكاتب الحكومية تعتمد منصّات مثل "جدارة".

لائحة تنظيمية مخصّصة للـAI في التوظيف لا توجد بعد. نظام حماية البيانات الشخصية (PDPL) الذي دخل حيّز التنفيذ في ٢٠٢٣ ينطبق: أي معالجة لبيانات المتقدّمين تحتاج موافقتهم، ولهم حقّ الاطّلاع وحقّ التصحيح.

في الممارسة، معظم المتقدّمين لا يعلمون أنّ سيرهم تُفرز آلياً، ولا كيف. الشفافية جانب يحتاج تطويراً قانونياً وثقافياً.

نصائح للباحث عن عمل عربياً

إن كنت تتقدّم لشركة سعودية كبرى أو خليجية، افترض دائماً أنّ نظام ATS سيقرأ سيرتك أوّلاً. اكتبها لذلك.

استخدم النسخة العربية والإنجليزية من الكلمات المفتاحية إن كان الوصف بلغتَين. مثلاً: "برمجة بايثون / Python programming".

لا تعتمد على تصاميم CV الجميلة من Canva. تُبهر العين البشرية، لكنّها كثيراً ما تكسر ATS.

جرّب سيرتك بأداة مجّانية مثل Jobscan أو Resume Worded. كلاهما يُقارن سيرتك بالوصف الوظيفي ويُخبرك ما ينقصها.

للوظائف التقنية، حافظ على حساب LinkedIn محدَّث. كثير من الشركات تكمّل بيانات ATS بمعلومات LinkedIn.

للمقابلات الآلية، تدرّب مسبقاً. مواقع مثل Big Interview تُوفّر أسئلة نموذجية مع نصائح.

القصّة الأعمق

قصّة أمازون تُعلّمنا شيئاً عن أنفسنا أكثر ممّا تُعلّمنا عن التقنية. AI مرآة تعكس بياناتنا. إن كانت البيانات متحيّزة، الأداة ستكون كذلك. الحلّ ليس رفض الأدوات، بل مراجعة البيانات، فحص النتائج بانتظام، وترك القرارات الحاسمة للبشر مع مساعدة الأدوات لا استبدال البشر بها.

الشركات التي تفهم هذا تستخدم AI لتوسيع خيارات مسؤولي التوظيف، لا لتضييقها. الشركات التي لا تفهم، ستكرّر قصّة أمازون بأسماء مختلفة.

اقرأ أيضاً:

• قانون الذكاء الاصطناعي الأوروبي والتنظيم العالمي
• الذكاء الاصطناعي للمحامي