人工智能作为解决业务问题的基础广泛的工具的最初承诺已经让位给了一个更为有限但仍然非常有用的东西：数据科学中的算法所做出的预测比我们迄今为止能够做的更好。
与侧重于已知与工作绩效等结果相关的一个或两个因素的标准统计模型相反，机器学习算法对哪些变量之前起作用或为什么起作用不知道。越多越好：它将所有这些放在一起，并产生一个模型来预测一些结果，例如谁将是一个好员工，给每个申请人一个简单易懂的分数，以表明他们在绩效方面表现良好的可能性一份工作。
毫无疑问，由于这些算法的前景如此之好，因此对它们局限性的认识也引起了很多关注，特别是考虑到以下事实：如果用于构建模型的初始数据存在偏差，则从该数据生成的算法将保持这种偏见。在过去歧视妇女的组织中，最著名的例子是工作绩效数据也存在偏见，这意味着基于该数据的算法也将存在偏见。
那么，雇主在考虑采用人工智能做出人事决定时应该如何进行呢?这里有四个注意事项：
与最初生成数据的现有实践相比，该算法可能有较小的偏见。让我们不要对人类的判断力有多差，以及现在大多数人的管理实践如何变得混乱无言。例如，当我们将招聘委派给个别主管时，他们很可能会基于与良好绩效无关的属性而在支持和反对候选人方面存在很多偏见：主管A可能会喜欢从a毕业的候选人特定的大学，因为她去了那所大学，而主管B可能做相反的事情，因为他对一些大学的毕业生经验很差。至少算法会平等地对待具有相同属性的每个人，尽管不一定公平。
2.我们可能无法很好地衡量我们希望预测的所有结果，并且我们可能不知道如何在做出最终决定时权衡各种因素。例如，什么才能造就“好员工”?他们必须很好地完成任务，还应该与同事相处融洽，适应“文化”，与我们在一起而不是放弃，等等。只关注我们可以采取措施的一个方面，就会导致一种选择该方面的聘用算法，通常是在与其他方面没有密切关系的情况下，例如对客户很满意但对同事却很痛苦的销售人员。
再说一遍，我们现在所做的还不是很清楚：理论上，一个晋升主管的个人主管也许能够考虑所有这些标准，但是每个评估都带有偏见以及权衡方式是任意的。从严格的研究中我们知道，招聘经理在这些问题上使用自己的判断力越多，他们的决策就越糟糕。