Не повод для гордости. И не новость

Сбер рассказывает, как ИИ помогает пересматривать зарплаты сотрудников.

Модель сопоставляет рынок с фактическим содержанием роли, учитывает, как долго человек находится в ней и как менялась его результативность, а затем формирует рекомендации по конкретным сотрудникам.

Результаты выглядят убедительно: на ключевых дефицитных позициях текучесть по причине дохода снизилась на 13,7 п. п., доля сотрудников, считающих вознаграждение справедливым, выросла на 6 п. п., обращения за разъяснениями после пересмотра сократились на 54 п. п.

Это данные самого Сбера, независимой проверки этих эффектов я не видела.

И всё же это не повод для технологической гордости. И точно не новость.

Работника давно пытаются сделать наблюдаемым, сопоставимым и вычислимым.

Тейлор считал движения и секунды. Затем появились нормы выработки, тарифные сетки, KPI, рейтинги, психометрия, матрицы потенциала.

Цифровые системы сделали измерение почти непрерывным. ИИ просто двигает эту старую управленческую практику дальше — туда, где решается, кого нанимать, как оценивать, сколько платить и, в перспективе, кого оставлять в организации.

Япония уже успела пройти несколько следующих стадий.

В 2019 году разразился скандал вокруг Rikunabi DMP Follow.

Рекрутинговая система прогнозировала вероятность того, что конкретный студент откажется от предложения работодателя.

Иными словами, человек ещё не совершил действие, а его будущее поведение уже стало предметом вычисления для принимающей на работу организации.

Японская Personal Information Protection Commission вмешалась из-за проблем с обработкой и передачей персональных данных и вынесла Recruit Career официальную рекомендацию.

Премьер-министр Японии То есть сюжет «ИИ помогает принимать более точные кадровые решения» существует давно. И следующий вопрос тоже давно известен: что происходит с человеком, которого система посчитала нежелательным, ненадёжным или недостаточно перспективным?

Почти одновременно IBM Japan пошла в ещё более чувствительную область — зарплату.

В 2019 году компания объявила об использовании Watson в процессе пересмотра вознаграждения.

Профсоюз задал простой вопрос: какие параметры учитывает ИИ и что именно он рекомендует руководителю по зарплате конкретного человека?

IBM отказалась раскрывать эти сведения.

В 2020 году профсоюз обратился в Tokyo Metropolitan Labor Relations Commission. Спор закончился соглашением 1 августа 2024 года.

IBM обязалась раскрывать профсоюзу все наименования факторов, которые учитывает ИИ при пересмотре зарплаты, объяснять их связь с официальными критериями оплаты, а если возникает конкретный спор — например, нулевое повышение, снижение зарплаты или низкая оценка — предоставлять необходимое содержание рекомендации ИИ.

Вот это уже интереснее сообщения о том, что модель повысила эффективность.

Японский кейс показывает следующую фазу:

внедрили → получили удобный инструмент → работники потребовали объяснить его влияние → возник конфликт → пришлось институционализировать право на раскрытие.

И здесь у меня основной вопрос уже не к ИИ. Он к стратегии.

У корпоративной стратегии есть очень удобная привычка: посмотреть, что делают признанные лидеры, назвать это лучшей практикой и применить к себе.

Google делает. IBM делает. Amazon делает. Крупные банки делают. Значит, и нам надо.

После этого успех проекта легко превращается в меру похожести на тех, кого организация считает передовыми.

Мы тоже внедрили. Мы тоже используем ИИ. Мы тоже теперь data-driven. Можно отчитаться.

А вопрос второго порядка — что эта практика изменит через три, пять, десять лет — в такой логике вообще необязателен.

Что произойдёт с правом человека понимать основание решения?

Кто сможет исправить ошибочный цифровой профиль?

Можно ли будет оспаривать сам вывод модели, а не только неправильную строчку в данных?

Как поведёт себя руководитель, если рекомендация системы и его собственное суждение расходятся?

Кто в действительности принимает решение, если формально руководитель свободен, но в 95 случаях из 100 нажимает «согласовать»? Продолжение