The Way We Work
Priyanka Jain: How to make applying for jobs less painful
Priyanka Jain: Como tornar menos dolorosa a procura de emprego
Filmed:
Readability: 4.3
548,985 views
Procurar emprego costumava começar com o envio do nosso currículo a milhares de lugares, sem nunca receber resposta de qualquer empresa. Mas cada vez mais empresas têm usado métodos tecnologicamente avançados para a selecção de candidatos. Se a inteligência artificial é o futuro das contratações, o que significa isso para nós? A tecnóloga Priyanka Jain analisa esse novo cenário de contratações.
Priyanka Jain - Technologist
Priyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective. Full bio
Priyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective. Full bio
Double-click the English transcript below to play the video.
00:00
Applying for jobs online
0
548
1416
Procurar emprego na Internet
00:01
is one of the worst
digital experiences of our time.
digital experiences of our time.
1
1988
2616
é uma das piores experiências
digitais do nosso tempo.
digitais do nosso tempo.
00:04
And applying for jobs in person
really isn't much better.
really isn't much better.
2
4628
2696
Procurar empregos pessoalmente
também não é nada bom.
também não é nada bom.
00:07
[The Way We Work]
3
7349
1720
[A Maneira Como Trabalhamos]
A forma actual de contratação
apresenta complicações.
apresenta complicações.
00:11
Hiring as we know it
is broken on many fronts.
is broken on many fronts.
4
11588
2456
00:14
It's a terrible experience for people.
5
14068
1856
É uma péssima experiência para as pessoas.
00:15
About 75 percent of people
6
15948
1816
Cerca de 75% das pessoas
00:17
who applied to jobs
using various methods in the past year
using various methods in the past year
7
17788
2856
que se candidataram a vagas
de diversas formas, no ano passado,
de diversas formas, no ano passado,
00:20
said they never heard anything back
from the employer.
from the employer.
8
20668
2656
reportaram nunca terem recebido resposta.
00:23
And at the company level
it's not much better.
it's not much better.
9
23348
2176
A perspectiva da empresa
também não é boa:
também não é boa:
00:25
46 percent of people get fired or quit
10
25548
2776
46% das pessoas são despedidas
ou largam o emprego
ou largam o emprego
00:28
within the first year
of starting their jobs.
of starting their jobs.
11
28348
2176
logo no primeiro ano.
00:30
It's pretty mind-blowing.
12
30548
1216
É difícil de perceber.
00:31
It's also bad for the economy.
13
31788
1456
Também é mau para a economia.
00:33
For the first time in history,
14
33268
1456
Pela primeira vez na história,
00:34
we have more open jobs
than we have unemployed people,
than we have unemployed people,
15
34748
2856
temos mais vagas de emprego
do que pessoas desempregadas.
do que pessoas desempregadas.
00:37
and to me that screams
that we have a problem.
that we have a problem.
16
37628
2176
Isto é um alerta
de que temos um problema.
de que temos um problema.
00:39
I believe that at the crux of all of this
is a single piece of paper: the résumé.
is a single piece of paper: the résumé.
17
39828
3976
Creio que, no cerne disso tudo,
esteja um pedaço de papel:
esteja um pedaço de papel:
o currículo.
00:43
A résumé definitely has
some useful pieces in it:
some useful pieces in it:
18
43828
2336
O currículo certamente
contém partes úteis:
contém partes úteis:
00:46
what roles people have had,
computer skills,
computer skills,
19
46188
2096
experiências prévias,
competências informáticas,
competências informáticas,
00:48
what languages they speak,
20
48308
1256
competências linguísticas
00:49
but what it misses is
what they have the potential to do
what they have the potential to do
21
49588
3056
mas o que falta é o potencial da pessoa,
do que ela pode fazer
do que ela pode fazer
00:52
that they might not have had
the opportunity to do in the past.
the opportunity to do in the past.
22
52668
2976
e que talvez não tenha tido
oportunidade de fazer no passado.
oportunidade de fazer no passado.
00:55
And with such a quickly changing economy
where jobs are coming online
where jobs are coming online
23
55668
3256
Numa economia em rápida mudança,
e com empregos "online",
exigindo competências que ninguém possui,
exigindo competências que ninguém possui,
00:58
that might require skills that nobody has,
24
58948
2056
01:01
if we only look at what someone
has done in the past,
has done in the past,
25
61028
2776
se apenas analisarmos
o passado duma pessoa,
o passado duma pessoa,
01:03
we're not going to be able
to match people to the jobs of the future.
to match people to the jobs of the future.
26
63828
3256
não conseguiremos pessoas
para os empregos do futuro.
para os empregos do futuro.
É aí que acho que a tecnologia
pode ser bastante útil.
pode ser bastante útil.
01:07
So this is where I think technology
can be really helpful.
can be really helpful.
27
67108
2736
Provavelmente repararam que
os algoritmos melhoraram bastante
os algoritmos melhoraram bastante
01:09
You've probably seen
that algorithms have gotten pretty good
that algorithms have gotten pretty good
28
69868
2856
em corresponder pessoas com coisas.
01:12
at matching people to things,
29
72748
1536
01:14
but what if we could use
that same technology
that same technology
30
74308
2256
Mas e se pudéssemos usar
essa mesma tecnologia
essa mesma tecnologia
01:16
to actually help us find jobs
that we're really well-suited for?
that we're really well-suited for?
31
76588
3096
para nos ajudar a encontrar empregos
bem adequados para nós?
bem adequados para nós?
01:19
But I know what you're thinking.
32
79708
1576
Sei o que estão a pensar.
Algoritmos a escolher o nosso próximo
emprego parece assustador,
emprego parece assustador,
01:21
Algorithms picking your next job
sounds a little bit scary,
sounds a little bit scary,
33
81308
2776
01:24
but there is one thing that has been shown
34
84108
2056
mas há uma coisa
que se mostrou muito boa
que se mostrou muito boa
01:26
to be really predictive
of someone's future success in a job,
of someone's future success in a job,
35
86188
2896
em prever o sucesso futuro
de alguém num emprego:
de alguém num emprego:
são os chamados
testes de multi-medição.
testes de multi-medição.
01:29
and that's what's called
a multimeasure test.
a multimeasure test.
36
89108
2136
Os testes de multi-medição
não são novidade,
não são novidade,
01:31
Multimeasure tests
really aren't anything new,
really aren't anything new,
37
91268
2176
mas eram muito caros,
exigiam a presença de um doutorado,
exigiam a presença de um doutorado,
01:33
but they used to be really expensive
38
93468
1736
01:35
and required a PhD sitting across from you
39
95228
2016
a resposta a muitas perguntas
e à escrita de relatórios.
e à escrita de relatórios.
01:37
and answering lots of questions
and writing reports.
and writing reports.
40
97268
2456
Estes testes são uma maneira
01:39
Multimeasure tests are a way
41
99748
1696
01:41
to understand someone's inherent traits --
42
101468
2456
de entender as características
inerentes de uma pessoa,
inerentes de uma pessoa,
01:43
your memory, your attentiveness.
43
103948
1776
a memória, a atenção.
01:46
What if we could take multimeasure tests
44
106662
1942
E se pudéssemos pegar nesses testes,
torná-los mais abrangentes e acessíveis
torná-los mais abrangentes e acessíveis
01:48
and make them scalable and accessible,
45
108628
2536
01:51
and provide data to employers
about really what the traits are
about really what the traits are
46
111188
3376
e fornecer dados aos empregadores
sobre quais são as características
sobre quais são as características
01:54
of someone who can make
them a good fit for a job?
them a good fit for a job?
47
114588
2896
de alguém que possa ser
um bom candidato a determinada função?
um bom candidato a determinada função?
01:57
This all sounds abstract.
48
117508
1296
Parece algo muito abstracto.
01:58
Let's try one of the games together.
49
118828
1735
Vamos fazer um dos jogos.
02:00
You're about to see a flashing circle,
50
120587
1857
Vão ver um círculo luminoso,
02:02
and your job is going to be
to clap when the circle is red
to clap when the circle is red
51
122468
2960
e têm de bater palmas
quando o círculo ficar vermelho
quando o círculo ficar vermelho
e não fazerem nada quando ficar verde.
02:06
and do nothing when it's green.
52
126285
1496
02:07
[Ready?]
53
127806
1376
[Preparados?]
02:09
[Begin!]
54
129207
1360
[Começar!]
[Círculo verde]
02:11
[Green circle]
55
131708
1000
[Círculo verde]
02:13
[Green circle]
56
133708
1040
[Círculo vermelho]
02:15
[Red circle]
57
135708
1000
[Círculo verde]
02:17
[Green circle]
58
137708
1080
[Círculo vermelho]
02:19
[Red circle]
59
139708
1000
Talvez sejam o tipo de pessoa
02:21
Maybe you're the type of person
60
141928
1596
que bate as palmas um milissegundo
após o vermelho aparecer.
após o vermelho aparecer.
02:23
who claps the millisecond
after a red circle appears.
after a red circle appears.
61
143548
2496
02:26
Or maybe you're the type of person
62
146068
1656
Ou talvez sejam o tipo de pessoa
02:27
who takes just a little bit longer
to be 100 percent sure.
to be 100 percent sure.
63
147748
2735
que leva um pouco mais de tempo
para ter 100% de certeza.
para ter 100% de certeza.
02:30
Or maybe you clap on green
even though you're not supposed to.
even though you're not supposed to.
64
150508
2936
Ou talvez batam palmas no verde
mesmo quando não deviam.
mesmo quando não deviam.
02:33
The cool thing here is that
this isn't like a standardized test
this isn't like a standardized test
65
153468
2976
O bom aqui é que
este não é um teste-padrão,
este não é um teste-padrão,
em que algumas pessoas
são dadas como aptas e outras não.
são dadas como aptas e outras não.
02:36
where some people are employable
and some people aren't.
and some people aren't.
66
156468
2656
Na verdade, ele mostra as afinidades
entre as nossas características
entre as nossas características
02:39
Instead it's about understanding
the fit between your characteristics
the fit between your characteristics
67
159148
3256
e o emprego que seria ideal para nós.
02:42
and what would make you
good a certain job.
good a certain job.
68
162428
2016
Descobrimos que, quem bate as palmas
no vermelho e nunca no verde,
no vermelho e nunca no verde,
02:44
We found that if you clap late on red
and you never clap on the green,
and you never clap on the green,
69
164468
3736
tem níveis altos
de atenção e de contenção.
de atenção e de contenção.
02:48
you might be high in attentiveness
and high in restraint.
and high in restraint.
70
168228
3176
02:51
People in that quadrant tend to be
great students, great test-takers,
great students, great test-takers,
71
171428
3576
As pessoas nesse quadrante tendem
a ser óptimos alunos, óptimos em testes,
a ser óptimos alunos, óptimos em testes,
02:55
great at project management or accounting.
72
175028
2136
em gestão de projectos
ou em contabilidade.
ou em contabilidade.
02:57
But if you clap immediately on red
and sometimes clap on green,
and sometimes clap on green,
73
177188
3336
Se batem as palmas sempre
no vermelho e às vezes no verde,
no vermelho e às vezes no verde,
isso pode significar que vocês
são mais impulsivos e criativos,
são mais impulsivos e criativos,
03:00
that might mean that
you're more impulsive and creative,
you're more impulsive and creative,
74
180548
2656
03:03
and we've found that top-performing
salespeople often embody these traits.
salespeople often embody these traits.
75
183228
3875
e descobrimos que os vendedores de alto
desempenho normalmente são assim.
desempenho normalmente são assim.
Usamos isso em contratações
03:07
The way we actually use this in hiring
76
187128
2016
03:09
is we have top performers in a role
go through neuroscience exercises
go through neuroscience exercises
77
189168
3696
aplicando exercícios neurocientíficos
como esse a pessoas de alto desempenho.
como esse a pessoas de alto desempenho.
03:12
like this one.
78
192888
1216
Depois desenvolvemos um algoritmo
03:14
Then we develop an algorithm
79
194128
1376
que entende o que torna únicas
essas pessoas de alto desempenho.
essas pessoas de alto desempenho.
03:15
that understands what makes
those top performers unique.
those top performers unique.
80
195528
2656
03:18
And then when people apply to the job,
81
198208
1936
Então, quando as pessoas
se candidatam a uma vaga,
se candidatam a uma vaga,
03:20
we're able to surface the candidates
who might be best suited for that job.
who might be best suited for that job.
82
200168
4136
podemos seleccionar
os melhores para a função.
os melhores para a função.
03:24
So you might be thinking
there's a danger in this.
there's a danger in this.
83
204328
2376
Talvez vocês pensem que há riscos nisso.
O mundo do trabalho de hoje
não é tão diversificado
não é tão diversificado
03:26
The work world today
is not the most diverse
is not the most diverse
84
206728
2136
03:28
and if we're building algorithms
based on current top performers,
based on current top performers,
85
208888
3096
e, se criarmos algoritmos com base
em pessoas de alto desempenho,
em pessoas de alto desempenho,
03:32
how do we make sure
86
212008
1216
como garantimos que não estejamos
a perpetuar as tendências já existentes?
a perpetuar as tendências já existentes?
03:33
that we're not just perpetuating
the biases that already exist?
the biases that already exist?
87
213248
2976
Por exemplo, se criássemos um algoritmo
baseado em executivos de alto desempenho
baseado em executivos de alto desempenho
03:36
For example, if we were building
an algorithm based on top performing CEOs
an algorithm based on top performing CEOs
88
216248
4056
03:40
and use the S&P 500 as a training set,
89
220328
3216
e usássemos o S&P 500
como padrão de treino,
como padrão de treino,
03:43
you would actually find
90
223568
1256
iríamos descobrir
03:44
that you're more likely to hire
a white man named John than any woman.
a white man named John than any woman.
91
224848
3816
que tendemos a contratar um homem branco
chamado John do que qualquer mulher.
chamado John do que qualquer mulher.
03:48
And that's the reality
of who's in those roles right now.
of who's in those roles right now.
92
228688
2696
É o tipo de pessoa que ocupa
esses cargos actualmente.
esses cargos actualmente.
03:51
But technology actually poses
a really interesting opportunity.
a really interesting opportunity.
93
231408
3376
Mas a tecnologia apresenta
uma oportunidade muito interessante.
uma oportunidade muito interessante.
03:54
We can create algorithms
that are more equitable
that are more equitable
94
234808
2256
Podemos criar algoritmos mais equitativos
e mais justos que os seres humanos.
e mais justos que os seres humanos.
03:57
and more fair than human beings
have ever been.
have ever been.
95
237088
2256
03:59
Every algorithm that we put
into production has been pretested
into production has been pretested
96
239368
3696
Cada algoritmo que produzimos
foi testado para garantir que nenhum
género ou raça seja favorecido.
género ou raça seja favorecido.
04:03
to ensure that it doesn't favor
any gender or ethnicity.
any gender or ethnicity.
97
243088
3096
04:06
And if there's any population
that's being overfavored,
that's being overfavored,
98
246208
2736
Quando algum grupo está a ser favorecido,
podemos alterar o algoritmo
até que isso não ocorra.
até que isso não ocorra.
04:08
we can actually alter the algorithm
until that's no longer true.
until that's no longer true.
99
248968
3120
Quando nos focamos
nas características inerentes
nas características inerentes
04:12
When we focus on the inherent
characteristics
characteristics
100
252448
2216
04:14
that can make somebody
a good fit for a job,
a good fit for a job,
101
254688
2096
que podem tornar alguém
uma boa opção para um emprego,
uma boa opção para um emprego,
04:16
we can transcend racism,
classism, sexism, ageism --
classism, sexism, ageism --
102
256808
3576
transcendemos o racismo,
o classismo, o sexismo, a idade...
o classismo, o sexismo, a idade...
04:20
even good schoolism.
103
260408
1416
até mesmo a formação escolar.
04:21
Our best technology and algorithms
shouldn't just be used
shouldn't just be used
104
261848
2896
A melhor tecnologia e algoritmos
não devem ser usados
não devem ser usados
apenas para ajudar a achar a nossa próxima
maratona de filmes ou música favorita.
maratona de filmes ou música favorita.
04:24
for helping us find our next movie binge
or new favorite Justin Bieber song.
or new favorite Justin Bieber song.
105
264768
3736
04:28
Imagine if we could harness
the power of technology
the power of technology
106
268528
2656
Imaginem se pudéssemos aproveitar
o poder da tecnologia
o poder da tecnologia
04:31
to get real guidance
on what we should be doing
on what we should be doing
107
271208
2296
para descobrirmos o que
devíamos estar a fazer
devíamos estar a fazer
04:33
based on who we are at a deeper level.
108
273528
1936
com base em quem somos
a um nível mais profundo.
a um nível mais profundo.
ABOUT THE SPEAKER
Priyanka Jain - TechnologistPriyanka Jain heads up product for pymetrics, an NYC-based startup that uses neuroscience and AI to make hiring more diverse and effective.
Why you should listen
Passionate about using technology to create a fairer workplace and global economy, Priyanka Jain is a spokesperson for the United Nations Foundation's Girl Up Campaign, Chair of the Acumen Fund's Junior Council and on the Innovation Board for the XPrize Foundation. She received her B.S. from Stanford University, where she was President of Stanford Women in Business and one of 12 Mayfield Entrepreneurship Fellows. Her previous experience includes internships at IBM Watson, Shift Technologies, Canvas Ventures and the Institute for Learning and Brain Sciences. Outside of work, she loves playing tennis and eating anything covered in dark chocolate.
Priyanka Jain | Speaker | TED.com