Sich online zu bewerben, ist eine der schlimmsten Erfahrungen unserer digitalen Welt. Und sich persönlich zu bewerben, ist nicht viel besser. [So arbeiten wir] Gängige Einstellungsverfahren funktionieren an vielen Fronten nicht. Es ist eine entsetzliche Erfahrung. Etwa 75 Prozent aller Bewerber, die sich im letzten Jahr auf unterschiedliche Weise bewarben. haben keine Rückmeldung vom Arbeitgeber bekommen. Auf Unternehmensebene ist es nicht viel besser. 46 Prozent der Angestellten werden gefeuert oder kündigen innerhalb des ersten Jahres. Ziemlich krass. Dies ist auch schlecht für die Wirtschaft. Erstmals in der Geschichte gibt es mehr offene Stellen als Arbeitslose, das weist auf ein Problem hin. Der Knackpunkt ist ein Blatt Papier: der Lebenslauf. Eine Lebenslauf beinhaltet zweifellos wichtige Infos: Frühere Jobs, Computerkenntnisse, Sprachkentnisse, aber man kann nicht das Potenzial erkennen, das jemand noch nicht verwirklichen konnte. Und bei einer sich rapide ändernen Wirtschaft, wo Jobs neue Fähigkeiten erforden, reicht es nicht, nur vergangene Tätigkeiten anzuschauen. Zukünftige Jobs werden so nicht richtig besetzt. Hier kann Technologie sehr hilfreich sein. Sie haben vermutlich bemerkt, dass Algorithmen gut darin sind, Menschen mit Dingen zu matchen. Wie wäre es, wenn wir dieselbe Technologie nutzen, die uns helfen, geeignete Jobs für uns zu finden? Ich weiß, was Sie denken. Algorithmen den Job auswählen zu lassen, klingt beänstigend, aber es gibt eine Methode, die den zukünftigen Erfolg sehr gut vorhersagend kann. Sie nennt sich Multimeasure-Test. Multimeasure-Tests sind nichts wirklich Neues, sie waren jedoch ziemlich teuer, und mussten von Promovierten durchgeführt werden. Viele Fragen mussten beantwortet und Berichte geschrieben werden. Multimeasure-Tests sind ein Weg, jemandes charakteristische Eigenschaften zu erkennen -- wie Erinnerung und Aufmerksamkeit. Wenn wir nun Multimeasure-Tests durchführen und sie anpassen und zugänglich machen könnten. Und Arbeitgebern Daten über die wahren Eigenschaften geeignerter potenzieller Angestellten zu liefern? Das klingt abstrakt. Machen wir mal einen Tests gemeinsam. Sie sehen nun einen blinkenden Kreis, klatschen Sie genau dann, wenn sich der Kreis rot färbt und tun Sie nichts, wenn er grün ist. [Fertig?] [Los geht’s!]
Applying for jobs online is one of the worst digital experiences of our time. And applying for jobs in person really isn't much better. [The Way We Work] Hiring as we know it is broken on many fronts. It's a terrible experience for people. About 75 percent of people who applied to jobs using various methods in the past year said they never heard anything back from the employer. And at the company level it's not much better. 46 percent of people get fired or quit within the first year of starting their jobs. It's pretty mind-blowing. It's also bad for the economy. For the first time in history, we have more open jobs than we have unemployed people, and to me that screams that we have a problem. I believe that at the crux of all of this is a single piece of paper: the résumé. A résumé definitely has some useful pieces in it: what roles people have had, computer skills, what languages they speak, but what it misses is what they have the potential to do that they might not have had the opportunity to do in the past. And with such a quickly changing economy where jobs are coming online that might require skills that nobody has, if we only look at what someone has done in the past, we're not going to be able to match people to the jobs of the future. So this is where I think technology can be really helpful. You've probably seen that algorithms have gotten pretty good at matching people to things, but what if we could use that same technology to actually help us find jobs that we're really well-suited for? But I know what you're thinking. Algorithms picking your next job sounds a little bit scary, but there is one thing that has been shown to be really predictive of someone's future success in a job, and that's what's called a multimeasure test. Multimeasure tests really aren't anything new, but they used to be really expensive and required a PhD sitting across from you and answering lots of questions and writing reports. Multimeasure tests are a way to understand someone's inherent traits -- your memory, your attentiveness. What if we could take multimeasure tests and make them scalable and accessible, and provide data to employers about really what the traits are of someone who can make them a good fit for a job? This all sounds abstract. Let's try one of the games together. You're about to see a flashing circle, and your job is going to be to clap when the circle is red and do nothing when it's green. [Ready?] [Begin!]
[Green circle]
[Green circle]
[Red circle]
[Green circle]
Vielleicht sind Sie der Typ, der eine Millisekunde nach dem roten Kreis klatscht. Oder vielleicht der Typ Mensch, der etwas zu länger braucht, um absolut sicherzugehen. Vleileicht klatschen Sie fälschlicherweise bei Grün. Das Tolle daran: es ist nicht wie bei standardisierten Tests, bei denen manche geeignet sind -- und andere nicht. Vielmehr geht es um die Passung zwischen den Eigenschaften und dem spezifischen Job. Wir fanden heraus, wenn man bei Rot spät und bei Grün niemals klatscht, hat man eine hohe Aufmerksamkeit und Zurückhaltung. Solche Menschen sind meist gute Studenten und sehr gut bei Prüfungen, prima in Projektmanagement oder Buchhaltung. Aber wenn man sofort bei Rot und manchmal bei Grün klatscht, ist man eventuell impulsiver und kreativer. Sehr gute Verkaufsleute verkörpern diese Eigenschaften oft. In der praktischen Anwendung lassen wir Leistungsträger solche neurowissenschaftliche Tests machen. Dann entwickeln wir einen Algorithmus, der versteht, was Topleute so einzigartig macht. Und wenn sich jemand für den Job bewirbt, können wir die besten Kandidaten herausfischen. Sie denken vielleicht, hierin schlummert eine Gefahr. Die heutige Arbeitswelt ist nicht sehr divers und werden Algorithmen basierend auf den Topleuten entwickelt, wie können wir sicherstellen, dass wir keine bestehenden Vorurteile festigen? Wenn wir etwa einen Algorithmus basierend auf den leistungsstärksten CEOs schaffen, und den Aktienleitindes als Referenz nehmen, würde man herausfinden, man stellt besser einen weißen Mann namens John ein, als irgendeine Frau. Das spiegelt die aktuelle Rollenverteilung wieder. Aber die Technologie eröffnet interessante Chancen. Wir können Algorithmen schaffen, die gerechter und fairer sind als Menschen jemals waren. Jeder hergestellte Alorithmus wurde vorgetestet, um sicherzugehen, dass kein Geschlecht oder Ethnie bevorzugt wird. Und wenn eine Bevölkerungsgruppe bevorzugt wird, können wir den Algorithmus verändern, bis das nicht mehr der Fall ist. Wenn wir uns auf inheränten Eigenschaften konzentrieren, die jemanden für den Job geeignet machen, können wir Rassismus, Sexismus, Alterdiskriminierung überwinden -- sogar hohe Bildung. Unsere beste Technologienn und Algorithmen sollten nicht nur genutzt werden, um den nächsten FIlm oder Justin Bieber-Hit zu finden, Stellen Sie sich vor wir könnten Technologie nutzen, um echte Orientierung zu erhalten, was wir beruflich tun sollten.
[Red circle] Maybe you're the type of person who claps the millisecond after a red circle appears. Or maybe you're the type of person who takes just a little bit longer to be 100 percent sure. Or maybe you clap on green even though you're not supposed to. The cool thing here is that this isn't like a standardized test where some people are employable and some people aren't. Instead it's about understanding the fit between your characteristics and what would make you good a certain job. We found that if you clap late on red and you never clap on the green, you might be high in attentiveness and high in restraint. People in that quadrant tend to be great students, great test-takers, great at project management or accounting. But if you clap immediately on red and sometimes clap on green, that might mean that you're more impulsive and creative, and we've found that top-performing salespeople often embody these traits. The way we actually use this in hiring is we have top performers in a role go through neuroscience exercises like this one. Then we develop an algorithm that understands what makes those top performers unique. And then when people apply to the job, we're able to surface the candidates who might be best suited for that job. So you might be thinking there's a danger in this. The work world today is not the most diverse and if we're building algorithms based on current top performers, how do we make sure that we're not just perpetuating the biases that already exist? For example, if we were building an algorithm based on top performing CEOs and use the S&P 500 as a training set, you would actually find that you're more likely to hire a white man named John than any woman. And that's the reality of who's in those roles right now. But technology actually poses a really interesting opportunity. We can create algorithms that are more equitable and more fair than human beings have ever been. Every algorithm that we put into production has been pretested to ensure that it doesn't favor any gender or ethnicity. And if there's any population that's being overfavored, we can actually alter the algorithm until that's no longer true. When we focus on the inherent characteristics that can make somebody a good fit for a job, we can transcend racism, classism, sexism, ageism -- even good schoolism. Our best technology and algorithms shouldn't just be used for helping us find our next movie binge or new favorite Justin Bieber song. Imagine if we could harness the power of technology to get real guidance on what we should be doing