בזמן שחברות משקיעות הון בגיוס עובדים חדשים, הבעיה הגדולה באמת נמצאת דווקא בצד השני - העובדים שעוזבים. עזיבת עובדים איכותיים הפכה לכאב ראש עסקי מהותי: פגיעה בפרודוקטיביות, ירידה במורל, עלות גיוס מחדש, ולעיתים אובדן של ידע קריטי. השאלה שמעסיקה יותר ויותר מנהלים היא לא רק מי עומד לעזוב, אלא כיצד למנוע את זה.
מתברר שהתשובה טמונה לא רק בדוחות HR, אלא בשילוב חכם של טכנולוגיה, תיאוריה כלכלית, ופסיכולוגיה התנהגותית. בקורסים שאני מלמד אנחנו לוקחים את השאלה הזו צעד אחד קדימה - ומשלבים בין למידה עמוקה, תורת המשחקים ותובנות אנושיות, כדי ליצור מערכות שיודעות לא רק לחזות נטישה, אלא גם להבין מה נכון לעשות עם המידע הזה. ואם זה נשמע לכם כמו מדע בדיוני - חכו שתשמעו מה הביטלס עושים שם.
רגע לפני שלוחצים Enter - אולי דווקא לשחרר?
"There will be an answer - let it be" שרו הביטלס בשנות ה-70, ומבלי להתכוון, כתבו את אחד העקרונות העדכניים ביותר של ניהול משאבי אנוש חכם בעידן הבינה המלאכותית. למה? כי לא כל עזיבה מחייבת פעולה. לפעמים, דווקא תגובה אגרסיבית מדי - קידום לא מתוזמן, שיחה מלחיצה, בונוס מיותר - עלולה לדחוף עובד החוצה. במילים אחרות, לא כל חיזוי נטישה מצדיק תגובה מיידית.
כאן נכנס לתמונה מודל חדשני שאנו מפתחים בשיתוף פעולה עם סטודנטים ונשות מקצוע, - מערכת מבוססת בינה מלאכותית שיודעת לא רק לחזות עזיבה, אלא גם להבין את ההקשר.
המערכת עושה שימוש בשלוש שכבות של ניתוח:
למידה עמוקה (Deep Learning) - לזיהוי תבניות עזיבה מתוך נתונים היסטוריים, סקרים פנימיים, שעות עבודה, ומיילים.
תורת המשחקים (Game Theory) - כדי להבין מה יקרה אם נתערב: האם המהלך יגרור תגובת שרשרת? יפגע בעובדים אחרים? מה העובד ירוויח אם יישאר?
תורת ההתנהגות - מכניסה למודל את הפקטור האנושי: תחושת מיצוי, תרבות צוותית, שייכות.
השילוב הזה מייצר דבר נדיר: מודל שמסוגל להמליץ גם על אי-פעולה. לעיתים, ההמלצה תהיה דווקא: "תנו לדברים לקרות". התערבות עלולה לשדר חוסר אמון או להחמיר את הדינמיקה. בדיוק כמו בשיר: Let it be.
יישום בפועל: מתי כן לפעול - ואיך?
במקרה שנבדק על ידי צוות הסטודנטים במסגרת תרגול אקדמי בשיתוף חברה בתחום הקמעונאות, נמצא כי התערבות יזומה גרמה לירידה בשביעות רצון של עובדים בכירים. למה? כי היא נתפסה כצעד של שליטה ולא של דיאלוג. המודל המליץ על שינוי תנאים רוחבי בצוות ולא על פנייה ישירה לעובד המאויים, וכך העזיבה אכן נמנעה.
לעומת זאת, במקרה אחר בחברת פינטק, המערכת המליצה על קידום יזום לעובד, שעל פי ניתוח נתוני הגלישה שלו כבר החל לחפש עבודה אחרת. ההתערבות בוצעה בעדינות, תוך שינוי תוכן התפקיד ולא רק תוספת תגמול - והעובד נשאר ואף הוביל פרויקט מפתח בחברה.
במקרה אחר, המערכת זיהתה עובד שעושה שימוש נרחב בימי מחלה. היא הוציאה תובנה עסקית למנהלים שיבדקו את הנושא ויציעו מענה לעובד.
אני מאמין שיישום של מודולים המבוססים על מערכים דו מימדים שאוספים ומנתחים את המידע, בשילוב מודולים מתמטיים כגון תורת המשחקים, ייצור דור חדש של עובדים שיבינו אלגוריתמים ואנשים כאחד. כי בעתיד, שנמצא כבר כאן, ארגונים לא צריכים רק דאטה אנליסטים, אלא אנשים שיודעים לחבר בין רגש, תיאוריה, ומעשה.
לסיכום, עולם משאבי האנוש משתנה במהירות, אך לא די להפעיל אלגוריתם ולזהות את העובד הבא שיעזוב. המפתח הוא באינטליגנציה הרגשית של המערכת: מתי להתערב, מתי להקשיב, ומתי פשוט let it be. ולמי שתוהה אם מותר לשלב ביטלס באלגוריתמים - התשובה היא כן. אבל גם אלגוריתם צריך לדעת מתי להוריד ווליום ולתת לדברים להתרחש בקצב שלהם.
רונן חן הוא יזם הייטק, מפתח פתרונות AI ליישום עסקי ומרצה בתכנית הלימודים לתואר ראשון במערכות מידע במכללה האקדמית רמת גן