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.
Envoyer des candidatures en ligne est l'une des pires expériences numériques de notre ère. Le faire en personne n'est pas vraiment mieux.
[The Way We Work]
[Notre façon de travailler]
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.
Aujourd'hui, le recrutement ne fonctionne pas. C'est une expérience épouvantable. Environ 75% des gens ayant déposé des candidatures par diverses méthodes l'an dernier ont dit n'avoir jamais eu de réponse de l'employeur. A l'échelle de l'entreprise, ce n'est pas mieux : 46% des gens sont virés ou démissionnent moins d'un an après avoir démarré un nouvel emploi. C'est assez incroyable. C'est mauvais pour l'économie. Pour la première fois, nous avons plus de postes à pourvoir que de gens sans emploi et, à mes yeux, cela indique qu'il y a un problème.
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.
Je crois que le nœud dans tout cela est un bout de papier : le CV. Il y a des éléments utiles dans un CV : les rôles occupés, les compétences informatiques, les langues parlées, mais il manque ce que la personne a le potentiel de faire et qu'elle n'a pas eu l'opportunité de faire par le passé. Avec une économie si changeante où des emplois sont mis en ligne et requièrent des compétences que personne n'a, si nous considérons uniquement ce que quelqu'un a fait, nous ne pouvons pas associer des gens aux emplois de l'avenir.
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.
C'est là que je pense que la technologie peut aider. Vous avez probablement vu que les algorithmes sont bons pour associer des gens et des choses. Et si l'on pouvait utiliser cette technologie pour nous aider à trouver un emploi auquel on est adapté ? Je sais ce à quoi vous pensez. Un emploi choisi par algorithme, c'est plutôt effrayant, mais nous avons démontré qu'il y a une chose permettant de prévoir la réussite de quelqu'un dans un emploi et c'est un test multi-mesure.
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?
Les tests multi-mesure ne sont pas nouveaux mais étaient très chers auparavant et nécessitaient la présence d'un doctorant, de répondre à des questions, d'écrire des rapports. Les tests multi-mesure sont une façon de comprendre les traits fondamentaux de quelqu'un -- votre mémoire, votre attention. Et si nous pouvions rendre les tests multi-mesure évolutifs et accessibles et fournir aux employeurs les données sur les traits réels de quelqu'un pouvant être bien adapté pour le poste ?
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.
Tout cela semble abstrait. Essayons un des jeux ensemble. Vous allez voir un cercle clignotant et votre rôle est de taper des mains quand le cercle est rouge et de ne rien faire quand il est vert.
[Ready?]
[Prêt ?]
[Begin!]
[C'est parti !]
[Green circle]
[Cercle vert]
[Green circle]
[Cercle vert]
[Red circle]
[Cercle rouge]
[Green circle]
[Cercle vert]
[Red circle]
[Cercle rouge]
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.
Vous êtes peut-être quelqu'un qui tape des mains juste après l'apparition du rouge. Ou vous êtes peut-être quelqu'un qui prend un peu plus de temps pour être tout à fait sûr. Ou vous tapez des mains sur le vert, quand vous ne le devez pas. Ce qui est génial c'est qu'il n'y a pas de test standardisé où certains sont employables et d'autres pas. Il est question de comprendre l'adéquation entre vos traits et ce qui vous rend bon à un poste particulier. Si vous tapez des mains tard sur le rouge et jamais sur le vert, vous avez peut-être beaucoup d'attention et de retenue. Dans ce quadrant, les gens sont de très bons étudiants, participants à des examens, chefs de projets et comptables. Si vous tapez immédiatement sur le rouge et parfois sur le vert, vous pouvez être plus impulsif et plus créatif et les meilleurs commerciaux incarnent ces 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.
Nous utilisons cela lors de l'embauche en faisant passer de tels exercices de neuroscience aux meilleurs dans un rôle. Nous développons un algorithme qui comprend ce qui rend ces personnes uniques. Quand les gens candidatent pour ce poste, nous pouvons faire émerger les candidats les plus adaptés à ce poste.
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.
Vous pensez peut-être qu'il y a un danger à cela. Le monde où nous travaillons n'est pas diversifié et si nous créons des algorithmes grâce aux actuels meilleurs, comment nous assurer que nous ne perpétuons pas des préjugés déjà existants ? Par exemple, si nous créons un algorithme se basant sur les meilleurs PDG et utilisant les données du S&P 500 pour l'entraîner, vous découvririez que vous avez plus de chances d'embaucher un homme appelé John qu'une femme. C'est la réalité des personnes tenant actuellement ces rôles. La technologie nous offre une opportunité très intéressante. Nous pouvons créer des algorithmes plus équitables et plus justes que les êtres humains. Les algorithmes produits ont été testés au préalable pour vérifier qu'ils ne favorisent pas un genre ou une ethnie. Si une population est trop favorisée, nous altérons l'algorithme pour ce que ne soit plus le cas. En nous concentrant sur les traits fondamentaux faisant que quelqu'un est adapté à un poste, nous transcendons le racisme, le classisme, le sexisme, l'âgisme -- même l'éducationnisme.
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 based on who we are at a deeper level.
Nos meilleurs technologie et algorithmes ne devraient pas être utilisés juste pour trouver un film ou une chanson de Justin Bieber. Imaginez si nous pouvions tirer profit de la technologie pour obtenir des conseils sur ce que nous devrions faire selon notre identité profonde.