Adecco می‌گوید عامل‌های هوش مصنوعی استخدام این شرکت در بریتانیا، زمان لازم برای فرایندهای استخدام را حدود ۱۵٪ کاهش داده‌اند. تصمیم‌های استخدام همچنان بر عهدهٔ کارشناسان انسانی استخدام است؛ هم‌زمان، خودکارسازی این پرسش را مطرح کرده که کارمزد مؤسسه‌های کاریابی باید در ازای چه خدماتی باشد.
Adecco در فوریه گزارش داد که ۶ عامل هوش مصنوعی استخدام در بخشهای عملیاتی این گروه در بریتانیا و فرانسه مشغول به کار بودند. این گروه از بیش از ۲٫۵ میلیون تعامل با متقاضیان با کمک هوش مصنوعی خبر داد که حدود نیمی از آنها خارج از ساعات معمول کاری انجام شده بود.
این بهبودها به یک شرکت تأمین نیروی انسانی محدود نیست. Bullhorn از نزدیک به ۳۰۰ متخصص استخدام در بریتانیا و ایرلند نظرسنجی کرد؛ ۳۷٪ آنها گزارش دادند که هوش مصنوعی غربالگری متقاضیان را بین ۲۶٪ تا ۵۰٪ سریعتر کرده است.
مؤسسه‌های کاریابی معمولاً کارمزد خود را بر مبنای سهمی از حقوق سال اول فرد استخدامشده تعیین میکنند، اما خودکارسازی، ارزش خدمات پایهٔ جستوجوی رزومه را زیر سؤال برده است. برای کارفرمایانی که این خدمات را ارزیابی میکنند، پردازش سریعتر با قضاوت دربارهٔ متقاضیان متفاوت است: Adecco می‌گوید عاملهایش تصمیم استخدام نمیگیرند و متقاضیان میتوانند درخواست کنند با یک انسان در ارتباط باشند.
سازندگان نرمافزارهای استخدام میتوانند به عاملهایی اشاره کنند که عملاً به کار گرفته شدهاند، نه اینکه تنها به وعدهٔ افزایش بهرهوری تکیه کنند.
با آسانتر شدن خودکارسازی جستوجوی اولیهٔ رزومه، کارفرمایان مبنای محکمتری برای پرسش دربارهٔ کارمزد این خدمات دارند.
کاهش کارمزد مؤسسه‌های کاریابی هنوز اثبات نشده است؛ بنابراین، غربالگری سریعتر را نباید به معنای صرفهجویی تضمینشده برای شرکتهای استخدامکننده دانست.
این نوشته را اتاق خبر Made in 10 بهطور خودکار از روی منبع بالا نوشته است.
OpenAI گردشکارهای مالی را در ChatGPT Work for Financial Services و برنامهٔ دسکتاپ Codex نمایش داد. این جلسه نشان داد که تیمها چگونه میتوانند بهجای ساخت برنامهای جداگانه، گردشکارها را با مهارتها و افزونهها سفارشی کنند.
آزمایشهای Cohere نشان داد یک عامل راهبر قدرتمند هوش مصنوعی در کنار عامل‌های برنامهریز ارزانتر میتواند عملکردی همسطح یک گروه گرانتر داشته باشد. استفاده از برنامهریزهای Luna زیر نظر راهبر Sol، هزینهها را در مقایسه با گروهی متشکل از عامل‌های Sol، بدون افت عملکرد ۶۰٪ کاهش داد؛ اما نتایج بسته به نوع کار متفاوت بود.
Physicl برای تولید دادههای آموزشی هوش مصنوعی فیزیکی، ده میلیون دلار سرمایهٔ بذری جذب کرده است. پلتفرم این شرکت موقعیتهای دشوار را بهصورت سهبعدی بازسازی میکند تا توسعهدهندگان بتوانند نقاط ضعف مدلهایشان را هدف بگیرند.