Selection, Artificial Intelligence, Ethics, Bias and Inclusion
Entrevistes per competències, evidència, rúbriques i judici responsable en l'ús de la IA
4 fonts originals
01. Resum
Comença per aquí
Si només recordes cinc coses d'aquest tema:
- Una impressió agradable no és evidència de competència. Role → competencies → observable indicators → questions → rubric → decision.
- Behavioural = passat real. Situational = hipotètic. Aprofundeix sense suggerir la resposta.
- Entrevista estructurada + rúbrica fan comparables els candidats. Redueixen els biaixos; no els eliminen.
- La IA necessita supervisió humana: una persona que pugui entendre, qüestionar i canviar la decisió.
- Tres lectures: McKinsey (valor, però les eines no són suficients), Moser (judgment no és reckoning), Snyder i Mann (algorithmic divide).
L'examen és escrit i en anglès. A la versió completa, cada apartat té un paràgraf d'examen en anglès que pots adaptar.
Del rol a una decisió de selecció
Una bona selecció segueix sis passos:
rol → competències → indicadors observables → preguntes → rúbrica → decisió raonada.
Primer defineixes què busques. Després preguntes. Al final puntues amb criteris fixats abans.
«Em va caure bé» no és evidència. Cal saber què va fer la persona i com es relaciona amb el lloc.
El tema 2 defineix quines capacitats calen i com atraure talent. El tema 3 explica com avaluar aquestes capacitats i com controlar els biaixos i la IA.
- RolResultats i competències que necessita
- IndicadorsConductes que es poden observar
- PreguntesSobre el passat o sobre situacions hipotètiques
- RúbricaCriteris fixats abans de puntuar
- DecisióRaonada i revisable
Una impressió agradable no és evidència de competència. El que preguntes ha d'estar connectat amb el que el rol necessita.
Competència i indicador observable
- Competència = coneixements + habilitats + comportaments.
- Indicador observable = el que veuries fer a algú que té aquella competència.
Exemple: comunicació → «escolta, adapta l'explicació al públic i comprova que l'altre ho ha entès».
L'Activity 2 (rol de Talent Acquisition Specialist) treballa quatre competències: comunicació, resolució de problemes, treball en equip i ètica i inclusió.
Un indicador observable concreta una competència. Respon la pregunta: què faria una persona que té aquesta competència?
| Competència (Activity 2) | Indicadors observables |
|---|---|
| Communication skills | Escolta activament, adapta l'explicació, comprova que l'altre ho ha entès |
| Problem-solving and decision-making | Identifica el problema, compara alternatives, fa servir dades |
| Teamwork and collaboration | Escolta altres opinions, comparteix responsabilitats, gestiona desacords |
| Ethics, fairness and inclusion | Aplica criteris del rol, revisa biaixos, protegeix la informació |
Rol: dependent/a d'una botiga de roba. Competència: orientació al client. Escriu tres indicadors observables.
Solució
- Saluda i pregunta què busca el client abans d'oferir res.
- Proposa alternatives quan no hi ha la talla o el color.
- Resol una queixa sense discutir i ofereix una solució concreta.
Cada indicador és una conducta que es pot veure, no un adjectiu («simpàtic», «amable»).
Behavioural i situational interviews
| Tipus | Pregunta per… | Exemple |
|---|---|---|
| Behavioural | Una experiència passada real | «Explica una vegada que vas gestionar un desacord. Què vas fer?» |
| Situational | Un escenari hipotètic | «Dos companys discrepen. Com ho organitzaries?» |
La behavioural dona evidència del que la persona va fer. La situational mostra com pensa que actuaria.
Per aprofundir: context → què vas fer tu → resultat → què vas aprendre. No suggereixis la resposta.
Behavioural interview
Pregunta per una experiència passada i la conducta real.
«Explica una situació en què vas haver de gestionar un desacord. Què vas fer i quin resultat hi va haver?»
Cal separar el que va fer la persona del que va fer l'equip.
Situational interview
Planteja un escenari hipotètic.
«Dos membres de l'equip discrepen sobre la selecció final. Com organitzaries la decisió?»
Mostra el raonament. No demostra que ja ho hagi fet.
Aprofundir sense suggerir la resposta
- Context«Quina era la situació?»
- Responsabilitat pròpia«Què et tocava fer a tu?»
- Acció«Què vas fer tu, concretament?»
- Resultat«Què va passar? Com ho vas comprovar?»
- Aprenentatge«Què faries diferent?»
Una resposta molt fluida pot ser buida. Una resposta menys brillant pot donar bona evidència. Parlar bé només és un criteri si el rol ho necessita.
Competència: resolució de problemes per a un tècnic de suport informàtic. Escriu una pregunta behavioural i una de situational.
Solució
- Behavioural: «Explica una vegada que un usuari tenia un problema que no sabies resoldre. Què vas fer i com va acabar?»
- Situational: «Un divendres a les 18 h cau el correu de tota l'oficina. Quins passos seguiries?»
Seguiment possible: «Què vas fer tu, i què va fer l'equip?» · «Com vas saber que estava resolt?»
A behavioural question asks the candidate to describe a real past experience, for example "Tell me about a time when you managed a disagreement". It gives evidence of actual behaviour. A situational question presents a hypothetical scenario, for example "What would you do if two colleagues disagreed?". It shows reasoning, but it does not prove that the person has acted in that way. A good interview combines both and uses neutral follow-up questions about context, action, result and learning.
Entrevista estructurada i rúbrica
Entrevista estructurada: totes les persones responen les mateixes competències i preguntes amb els mateixos criteris. Així es poden comparar.
Rúbrica de l'activitat: 1 poor · 2 below expectations · 3 meets expectations · 4 above expectations · 5 excellent. Cada nivell descriu una evidència concreta.
Quatre passos: registrar → relacionar amb la competència → puntuar → revisar.
No tenir evidència no vol dir que la persona no sàpiga fer-ho. Potser cal una altra pregunta.
Una entrevista estructurada parteix de competències, preguntes i criteris acordats. Es poden fer aclariments, però la base és la mateixa per a tothom.
Tracte igual no vol dir ignorar l'accessibilitat. Si una persona necessita un altre format o més temps, adapta les condicions. No canviïs la competència que avalues.
| Punts | Nivell | Evidència |
|---|---|---|
| 1 | Poor | No aporta evidència rellevant o l'actuació és inadequada |
| 2 | Below expectations | Evidència limitada o resposta poc efectiva |
| 3 | Meets expectations | Evidència adequada i plantejament raonable |
| 4 | Above expectations | Evidència sòlida i actuació efectiva |
| 5 | Excellent | Evidència completa, iniciativa i bon judici |
«Un 4 perquè m'ha agradat» no és una justificació. La nota resumeix l'evidència, no el valor de la persona.
- RegistrarAnotar conductes, decisions i resultats.
- RelacionarLligar cada evidència a una competència.
- PuntuarAplicar la rúbrica.
- RevisarJustificar diferències i comprovar si hi ha biaixos.
Pregunta: «Explica una vegada que vas gestionar un desacord a l'equip.» Resposta: «Dos companys discutien sobre el calendari. Vaig parlar amb cada un per separat. Vaig comparar les dues propostes amb les dates de lliurament del client. Vam acordar el calendari d'un, amb un ajust de l'altre. El projecte es va lliurar a temps.» Quina puntuació hi posaries? Què preguntaries abans?
Solució
Evidència: escolta (va parlar amb cada un), ús de criteris (dates del client), acord (calendari comú) i resultat (lliurament a temps).
Puntuació orientativa: 4 (above expectations). Evidència sòlida i actuació efectiva.
Abans de puntuar, pregunta: «Quina part de l'acord vas proposar tu?» i «Com van quedar els dos companys després?». Si la resposta mostra iniciativa i una relació bona després del conflicte, podria ser un 5.
In a structured interview all candidates are assessed on the same competencies, with the same questions and the same criteria, so their answers can be compared. A rubric defines the levels of performance before the interview, for example from 1 (poor) to 5 (excellent). The interviewer first records the evidence, then relates it to the competency, scores it and reviews the score. In this way the decision is based on observed behaviour and can be explained and reviewed.
Biaixos, equitat i inclusió
Sis biaixos a vigilar:
| Biaix | Què passa |
|---|---|
| Afinitat | Prefereixes qui s'assembla a tu |
| Halo | Una cosa bona fa pujar totes les notes |
| Confirmació | Només busques el que confirma la primera impressió |
| Estereotip | Jutges per una característica personal que no té relació amb el rol |
| Dades històriques | La IA aprèn de decisions antigues que ja excloïen persones |
| Automatització | Acceptes una nota perquè la dona una màquina |
Fer les mateixes preguntes a tothom ajuda, però no elimina tots els biaixos.
| Biaix | Com apareix | Com revisar-lo |
|---|---|---|
| Afinitat | Preferir qui té la mateixa trajectòria o aficions | Tornar als criteris del rol |
| Halo | Una resposta excel·lent fa pujar totes les notes | Puntuar cada competència per separat |
| Confirmació | Buscar només el que confirma la impressió inicial | Buscar també evidència contrària |
| Estereotip | Deduir capacitat per característiques personals | Comprovar la relació amb el rol |
| Dades històriques | Un sistema aprèn d'un procés que excloïa persones | Revisar les dades i què es considera «èxit» |
| Automatització | Acceptar la nota d'un sistema sense revisar-la | Revisió humana real, amb capacitat de canviar la decisió |
Cas: una petició d'exclusió injusta
A l'activitat, un manager vol descartar una persona qualificada per l'edat o l'origen.
- Mantenir els criteris del rolL'avaluació es basa en competències, no en característiques personals.
- Qüestionar la peticióDe manera professional.
- DocumentarEscriure què ha passat.
- Fer servir els canals adequatsRRHH, compliment o el canal previst.
- Protegir la informacióConfidencialitat de la persona candidata.
Bias distorts selection decisions. With affinity bias the interviewer prefers people who are similar. With the halo effect one strong quality raises all the scores. With confirmation bias the interviewer only looks for evidence that supports the first impression. Stereotypes infer ability from personal characteristics. Role criteria, separate scores for each competency and a rubric reduce these risks, but they do not eliminate them. Fair selection assesses the competencies of the role and nothing else.
IA en selecció
Abans de fer servir IA per seleccionar, respon cinc preguntes:
- Propòsit: quin problema resol? Cal automatitzar aquesta decisió?
- Dades: quines fa servir i què deixa fora?
- Criteri: què considera «èxit»? Té relació amb el rol?
- Impacte: qui en surt beneficiat i qui pot quedar fora?
- Responsabilitat: qui revisa, corregeix i pot aturar la decisió?
Supervisió humana vol dir poder entendre, qüestionar i canviar la decisió. Signar el que diu la màquina no és supervisar.
La IA pot ajudar a processar informació, planificar i donar suport a les decisions. Però una predicció no és una comprensió de la persona ni del context.
Exemple: una eina resumeix l'evidència de cada candidatura. Cal comprovar que no ha omès informació i que no s'ha inventat res. Si a més puntua o recomana, cal saber què prediu, amb quines dades, qui revisa i què passa quan s'equivoca.
- PropòsitQuin problema concret resol? Cal automatitzar-ho?
- RepresentacióQuines dades fa servir i què deixa fora?
- CriteriLa mesura d'èxit té relació amb el rol?
- ImpacteQui en surt beneficiat, qui pot quedar fora i quins errors importen?
- ResponsabilitatQui revisa, corregeix i pot aturar o canviar la decisió?
Un sistema recomana entrevistar només les persones amb més de 87 punts. S'ha entrenat amb les contractacions dels últims deu anys. Què comprovaries abans de fer-lo servir?
Solució
- Propòsit: què representa la nota? Prediu algun resultat important del rol?
- Dades: les contractacions antigues poden tenir biaixos. Si abans es contractaven sobretot homes, el sistema pot aprendre que «homes = èxit».
- Errors: qui queda fora del llindar? Quina informació es perd?
- Responsabilitat: hi ha una persona que revisa i pot canviar la decisió?
- Judici: té sentit automatitzar aquest pas o cal una alternativa?
Aplicar el mateix llindar a tothom no fa el sistema just si les dades d'entrenament ja eren injustes.
AI can help recruiters to process applications faster, but it brings two risks. Historical data bias appears when a system learns from past decisions that already excluded some groups. Automation bias appears when people accept a score because a machine produced it. Before using a tool, the company should examine its purpose, the data it uses, its criterion of success, its impact and who is responsible. Human oversight is essential: a person must be able to understand, question and change the decision.
La IA a la planificació de la plantilla (McKinsey)
McKinsey (2024) estudia empreses de transport i logística. Tenen tres problemes: falta gent, la mà d'obra és més cara i la productivitat creix poc.
Cinc accions amb IA:
- Demand reduction: eliminar feina abans que arribi. Un chatbot diu on és el paquet.
- Capacity planning: preveure millor la demanda. Quants agents calen cada 15 minuts.
- Hiring & development: seleccionar i planificar la formació. Simular la formació de pilots.
- Day-of decisions: decidir cada dia amb dades. Reorganitzar torns si un camió arriba tard.
- Continuous improvement: indicadors i coaching.
La tecnologia sola no funciona: cal canviar processos i formar la gent.
L'article de McKinsey (2024) analitza aerolínies, hotels i operadors logístics. Tenen moltes dades, però planifiquen amb fulls de càlcul i models massa simples.
- Digital demand reductionEliminar feina abans que arribi a la plantilla: autoservei, chatbots, automatitzar tasques repetitives. Exemple: −15 a −20 % de trucades al call center.
- Resource and capacity planningPrevisions de demanda més precises amb IA. Exemple: més del 90 % d'encert en un call center i −15 a −20 % d'hores extres.
- Hiring and people developmentDetectar candidats, accelerar la selecció i planificar la formació amb simulacions (digital twin). Exemple: una aerolínia redueix un 5–10 % els colls d'ampolla de formació de pilots.
- Day-of decision makingDonar als equips locals normes, protocols i dades en temps real. Exemple: rutes optimitzades cada dia, −15 % de temps de conducció.
- Continuous improvementEstàndards clars, indicadors visibles, coaching i gestió del canvi. Exemple: un ferrocarril passa del rebuig a l'ús del sistema amb formació i un relat del canvi.
La tecnologia necessita adopció. Els casos combinen eines amb canvis de processos, gestió del rendiment i gestió del canvi. Si la gent no confia en el sistema o tem perdre la feina, no el fa servir.
McKinsey argues that AI can transform workforce planning in travel and logistics companies, which suffer labour shortages, rising costs and weak productivity. It proposes five actions: digital demand reduction, resource and capacity planning, hiring and people development, day-of decision making and continuous improvement. Its main lesson for People Management is that tools alone are not sufficient. They only create value with new processes, performance management and change management, because employees must trust and adopt them.
IA, judici i ètica
Moser, den Hond i Lindebaum (MIT Sloan, 2022) distingeixen:
- Judgment (judici humà): té en compte el context, les conseqüències i la moral.
- Reckoning (càlcul de la màquina): fa servir regles i dades sobre una representació limitada del món.
Idea clau: no cal automatitzar tot el que es pot automatitzar. Cal decidir cas per cas.
Snyder i Mann (Wharton) parlen de l'algorithmic divide: qui té accés a la IA i en sap, i qui no. Tres prioritats: preparació, governança i inversió responsable.
Dues lectures debaten què vol dir automatitzar decisions sobre persones.
Judgment · judici humà
Té en compte el context social i històric i les conseqüències.
Fa servir imaginació, reflexió i empatia.
Té una dimensió moral.
Reckoning · càlcul de la màquina
Processa dades amb regles i càlcul.
Només respon l'objectiu estret per al qual es va dissenyar.
Sembla precís i indiscutible, però no ho és.
El mapa no és el territori
La IA decideix sobre «technical images»: representacions incompletes del món. A Marsella, uns conductors van seguir el GPS fins a caure al port.
No és només «biaix»
Dir-ne biaix fa pensar que es pot arreglar. Els autors diuen que la IA mai tindrà judici, només càlcul.
Cas real
Un sistema de detecció de frau fiscal als Països Baixos va perjudicar unes 40.000 famílies. El govern va dimitir el gener del 2021.
«Tots els models són erronis, però alguns són útils» (Box)
Si no saps on s'equivoca el model, fer-lo servir és perillós.
Crida a la inacció
No cal automatitzar tot el que es pot automatitzar. Evita el solucionisme tecnològic (Morozov).
Crida a l'acció
Aprendre què és la IA i decidir cas per cas si cal fer-la servir.
Vigilància
El directiu ha de detectar quan passa del judici al càlcul sense adonar-se'n.
Bretxa algorísmica
Separa qui té accés a la IA i en sap de qui no. Va més enllà de la bretxa digital. Als EUA, 15 ciutats concentren dos terços de la capacitat en IA.
Biaixos
La IA hereta els biaixos humans (confirmació, supervivència, disponibilitat). Treure'n un en pot crear un altre.
Prioritat 1: preparació
Formar directius i plantilla en IA. Proves pilot i guanys ràpids.
Prioritat 2: governança
Normes d'IA responsable amb legal, compliment, RRHH, compres i IT. Exemple: el marc Aletheia de Rolls-Royce (32 dimensions).
Prioritat 3: inversió sostenible
Transparència, IA explicable, protecció de dades i menys consum d'energia.
Per a la direcció de persones: la IA pot ajudar a seleccionar i planificar. Però les decisions sobre persones necessiten supervisió humana, transparència i control dels biaixos.
Les tres lectures juntes
| Lectura | Pregunta central | Què aporta |
|---|---|---|
| McKinsey | Com treure valor de la IA en la planificació? | Eines + processos + persones + adopció |
| Moser, den Hond i Lindebaum | Què es perd si el càlcul substitueix el judici? | El model és una representació limitada. Decideix si cal fer-lo servir |
| Snyder i Mann | Qui té accés a la IA i qui n'assumeix els riscos? | Preparació, governança i repartiment dels beneficis |
Les xifres de les lectures són dels seus sectors i dates. No són una previsió per a qualsevol empresa.
Moser, den Hond and Lindebaum distinguish judgment from reckoning. Human judgment considers context and consequences and has a moral dimension. Reckoning is the calculation that algorithms perform on a limited representation of reality. The danger is that we accept the precise answer of the machine as the correct one and stop using our own judgment. The authors recommend not automating everything that can be automated and deciding case by case, with vigilance and doubt, whether AI should be used.
Com respondre un cas d'examen
Sis passos: rol i competència → instrument (behavioural o situational) → criteris i rúbrica → biaixos → IA i judici → límits.
Acaba amb una decisió raonada, qui la revisa i quina informació falta.
- Rol i competènciaQuè s'ha d'avaluar i per què importa?
- InstrumentPregunta behavioural, situational o una altra evidència.
- CriterisIndicadors i rúbrica abans de puntuar.
- Biaixos i inclusióQuins riscos hi ha i com es revisen.
- IA i judiciQuè pot fer l'eina i quina responsabilitat conserva qui decideix.
- LímitsQuè sabem, què falta i què no podem concloure.
Una empresa de logística vol contractar 20 caps de magatzem. Rep 1.500 candidatures. Vol fer servir un programa d'IA que filtra els CV i entrevistar només els 60 primers. Escriu una resposta amb els sis passos.
Solució
- Rol i competència: lideratge d'equips, organització de torns, resolució de problemes, prevenció de riscos.
- Instrument: entrevista estructurada amb preguntes behavioural («Explica una vegada que vas haver de reorganitzar un torn de cop») i situational («Un camió arriba amb dues hores de retard. Què fas?»).
- Criteris: indicadors per competència i rúbrica 1–5 fixada abans.
- Biaixos: afinitat i halo a les entrevistes. Dades històriques al programa d'IA: si abans es contractaven sobretot homes, el filtre pot excloure dones.
- IA i judici: la IA pot ordenar els CV, però una persona ha de revisar una mostra dels descartats. Cal saber quins criteris fa servir el programa.
- Límits: no sabem amb quines dades s'ha entrenat el programa. Cal revisar-ho abans de fer-lo servir.
Connexions amb els altres temes
| Tema | Connexió |
|---|---|
| T1 | La selecció aplica la mateixa regla que el diagnòstic: primer l'evidència, després la conclusió. |
| T2 | Les competències surten del disseny del lloc; les lectures d'IA amplien la planificació de la plantilla. |
| T4 | L'entrevista també és un moment de veritat per al candidat; els mateixos biaixos tornen a l'avaluació del rendiment. |
Errors típics d'examen
Simpatia = competència
Cal una conducta observada.
Behavioural = situational
Behavioural: el passat. Situational: «què faries».
Suggerir la resposta
«Ho vas fer bé, oi?» no és una pregunta neutral.
Absència = incapacitat
Potser cal una altra pregunta.
Mateixes preguntes = cap biaix
Ajuda, però no elimina tots els biaixos.
Precís = just
Una nota precisa pot venir de dades injustes.
Supervisió = signar
Supervisar és poder entendre i canviar la decisió.
Judgment = reckoning
El judici mira el context. El càlcul només compta.
Xuleta
| Si et pregunten… | Recorda… |
|---|---|
| Seqüència de selecció | Rol → competències → indicadors → preguntes → rúbrica → decisió |
| Competència | Knowledge + skills + behaviours |
| Indicador observable | El que veuries fer a algú amb la competència |
| Behavioural | Experiència passada i conducta real |
| Situational | Escenari hipotètic: «què faries?» |
| Preguntes de seguiment | Context → què vas fer tu → resultat → aprenentatge |
| Entrevista estructurada | Mateixes competències, preguntes i criteris per a tothom |
| Rúbrica | 1 poor · 2 below · 3 meets · 4 above · 5 excellent |
| Biaixos humans | Afinitat, halo, confirmació, estereotip |
| Biaixos de la IA | Dades històriques, automatització |
| Cinc preguntes sobre la IA | Propòsit, representació, criteri, impacte, responsabilitat |
| McKinsey: cinc accions | Demand reduction, capacity planning, hiring & development, day-of decisions, continuous improvement |
| Judgment / reckoning | Judici humà amb context i moral / càlcul sobre dades |
| Algorithmic divide | Accés desigual a la IA i al seu coneixement |
| Supervisió humana | Poder entendre, qüestionar i canviar la decisió |
Fonts
Lectures del tema: McKinsey (2024), AI can transform workforce planning for travel and logistics companies; Moser, den Hond i Lindebaum (2022), What humans lose when we let AI decide; Snyder i Mann, The Looming Algorithmic Divide. L'exemple d'entrevistes i la rúbrica surten de l'Activity 2. Les diapositives Session 3 – Selection no eren disponibles en preparar aquest resum.
02. Test
12 fàcils, 14 mitjanes i 14 difícils. L'ordre canvia cada vegada.
03. Targetes
Toca la targeta per girar-la i marca si te la saps. El progrés queda desat.