随着世界向技能型劳动力转型，越来越多的公司正借助人工智能来支持这一转型。
这使得负责任地使用人工智能至关重要：如果缺乏明确的监督，劳动力中的系统性偏见将加剧，员工的信任也将丧失。
遵循负责任地使用人工智能的四大关键支柱，技能型组织可以确保采取透明的方式，使员工和雇主都受益。
工作岗位变化太快，传统的劳动力模式已难以跟上。由此产生了一个新词——“技能型组织”。研究表明，90%的企业高管正在尝试构建技能型组织。
从岗位转向技能是一项复杂的工作。它需要将职位细化到颗粒度更细的技能层面进行拆解。这需要时间，而且如果人力资源或学习系统长时间未更新，数据可能存在缺失。此外，一个组织拥有的技能数量约为其职位和岗位数量的两倍。
各组织已经认识到，要在数千名员工中跟踪数十项不断演变的技能，靠人工完成是不可行的。因此，它们转向人工智能。这是朝正确方向迈出的一步，也是我们真正发掘技能型组织潜力的唯一途径。但是，我们必须谨慎行事。
当人们的生计受到影响时，用于影响这些生活的人工智能必须尽可能做到开放、透明且符合伦理。遗憾的是，人工智能出错的案例屡见不鲜。亚马逊曾不得不取消一款招聘人工智能模型，原因是其存在对女性的偏见。最近，又有人担忧招聘和筛选算法会歧视残障人士。
负责任地使用人工智能的关键支柱
在技能型组织中，确保人工智能用于善治至关重要，否则为摆脱岗位导向所做的一切努力都将付诸东流。这一方法的基础是负责任地使用人工智能的四大关键支柱：
支柱1：了解你的数据来源
人工智能工具的好坏取决于其所使用的数据来源。输入不准确的数据，得到的结果也会不准确。如果人工智能在你的组织中大规模运行，且其建模所依据的数据存在偏见或不完整，它可能会大幅加剧偏见。在开始使用技能数据训练人工智能之前，你必须对数据进行审核，以确保其尽可能准确且具有代表性。
归根结底，并非你所有的数据都是客观或公平的。例如，在我们于TechWolf的工作中，我们发现男性员工往往倾向于高报自身技能，而女性员工则往往低报。如果在使用技能数据时未能理解这些背景因素，你会发现你的系统排除了重要人才，从而破坏了技能型组织的全部意义。
在评估数据来源时，组织应牢记四项特性：
最后需要说明的是，我们要求使用非侵入式数据来源，以避免侵犯员工隐私。应避免使用侵入性数据来源，例如电子邮件、私人聊天或任何其他可能被视为窥探的数据来源。一个很好的检验方法是问自己：如果你的经理可以访问你打算使用的数据来源（如你的电子邮件、你的Slack消息等），你是否会感到自在。
支柱2：人工智能的决策可以解释
Robert Jones因一次盲目听从导航指示、驶下悬崖而载入史册。在依据人工智能的建议行事时，你必须理解它是如何得出结论的。能够解释其推理过程的算法更受信任，且偏见更少。更受信任。
这正是为什么有大量立法旨在强制实现一定程度的可解释性。在欧盟，《通用数据保护条例》赋予员工“获得解释的权利”，即当算法基于自动化数据处理来衡量或评估与其相关的各方面时，员工有权获得解释。《人工智能法案》也正在欧洲议会审议中。在美国，美国国家标准与技术研究院已发布了其《可解释人工智能的四项原则》。
世界经济论坛如何确保人工智能的伦理发展？
支柱3：员工拥有自己的数据
员工在整个工作日中都会产生数据，每一份撰写的文件、每一个完成的项目以及每一门修完的课程都会产生数据。理想情况下，由此产生的数据以及从中推断出的技能将可在不同组织之间携带转移，并可供个人用于职业发展。但至少，个人必须对其技能是否纳入其个人档案拥有最终决定权，以及人工智能是否可以使用这些技能。
关键在于突出（并切实兑现）在劳动力决策中使用技能所带来的益处。这一做法符合员工的利益，其中79%表示，他们可以接受雇主收集其技能数据，另有14%的人则视用途而定，持开放态度。
支柱4：分享用途与益处
员工愿意分享其技能数据，但许多人只有在其获益明确时才愿意与雇主分享。如果他们能获得更公平的招聘、量身定制的工作经历和成长机会，他们便乐于分享数据。此外，应让员工知晓其数据是如何收集、从何处收集以及人工智能如何使用这些数据。你可能需要对员工进行一些人工智能相关的技能提升培训，以确保所有员工都理解这些要点。
四大支柱：支撑技能型组织
世界正朝着技能型方式发展，这也使人工智能在劳动力决策中的作用日益增强。问题不在于人工智能是否会进入技能型组织，而在于何时进入。请将四大支柱融入你的人工智能战略，从而奠定正确的基础。否则，一切都将土崩瓦解。
