AI Bias in Recruitment : Gender Equality in Multinational Corporations

Abstract

Tämän kandidaatintutkielman tarkoituksena oli selvittää, miten tekoäly vaikuttaa rekrytoinnissa sukupuolten välisen tasa-arvon toteutumiseen monikansallisissa korporaatioissa, sillä tekoälypohjaisen rekrytoinnin vaikutuksia sukupuolten tasa-arvoon on edelleen tutkittu rajallisesti. Aihe on tällä hetkellä tärkeä, sillä tekoälyn käyttö on lisääntynyt yrityksissä ja se näkyy erityisesti rekrytoinnissa. Samanaikaisesti tekoälyn käyttöön liittyy paljon eettisiä kysymyksiä, koskien esimerkiksi sen tuottamaa virheellistä tietoa.

Tutkimusongelmaan vastataan kahden tutkimuskysymyksen avulla. Ensimmäinen kysymys on, mitä on tekoälypohjainen rekrytointi, ja mitkä ovat sen keskeiset hyödyt ja haasteet monikansallisille yrityksille. Toisessa kysymyksessä pohditaan, miten sukupuolten välistä tasa-arvoa voidaan toteuttaa tekoälypohjaisessa rekrytoinnissa monikansallisissa yrityksissä.

Tutkimusaihetta tarkastellaan etenkin HRM kontekstista ja teoreettisena viitekehyksenä tutkielmassa toimivat Dual System Theory, Technology Acceptance Model (TAM) ja Institutional Theory. Tutkimus on toteutettu kirjallisuuskatsauksena ja käytetty akateeminen kirjallisuus on vertaisarvioitua.

Tutkielman tuloksena on, että tekoälypohjainen rekrytointi voi tehostaa ja nopeuttaa rekrytointiprosesseja ja tukea monikansallisten korporaatioiden globaalien HR-prosessien yhdenmukaistamista. Sukupuolten tasa-arvoa on myös mahdollista edistää tekoälyn objektiivisemman arvioinnin avulla ja vähentämällä inhimillisiä ennakkoluuloja.

Samalla tutkimuksessa osoitetaan, että tekoäly ei ole automaattisesti puolueeton, vaan se voi vahvistaa olemassa olevia vinoumia, jos sitä koulutetaan vinoutuneella datalla tai sitä ei valvota ja kehitetä riittävästi. Monikansaalisille yrityksille nähdään haasteena erilaiset lainsäädännöt, eettiset kysymykset sekä tekoälyn käyttöönoton ja valvonnan monimutkaisuus.

Sukupuolten tasa-arvon toteutuminen tekoälypohjaisessa rekrytoinnissa edellyttää strategista ja vastuullista lähestymistapaa, jossa korostuvat laadukas ja puolueeton koulutusdata, järjestelmien säännöllinen auditointi sekä rekrytoijien osaaminen tekoälyn kriittisessä käytössä. Tasa-arvo ei siis synny automaattisesti, vaan se vaatii aktiivista suunnittelua ja jatkuvaa seurantaa.