Главное за 30 секунд
Содержание статьи
ПроблемаДоказательства4 сущностиЧто можно ИИ10 ошибокDecision & Appeal GateАрхитектураЧек-лист HRDПравовой ориентирFAQСвязанные материалыПроблема не в том, что ИИ анализирует человека. Проблема — когда анализ становится вердиктом
HR-система может собрать резюме, результаты проектов, обучение, обратную связь, KPI и ответы сотрудника, а затем выдать аккуратный профиль: «высокий потенциал», «низкая готовность», «рекомендуется к продвижению». В этот момент возникает опасная иллюзия: поскольку вывод построен на большом объёме данных, он кажется объективнее человеческого.
Но машинная система видит только доступные ей признаки. Она не знает человека «целиком», а качество результата зависит от цели, данных, модели и процедуры проверки. Поэтому в Новой управленческой модели (НУМ) мы предлагаем изменить сам объект автоматизации: не автоматизировать оценку человека, а автоматизировать работу с доказательствами.
Доказательная инвентаризация человеческого капитала
Доказательная инвентаризация человеческого капитала (Evidence-Based Human Inventory) — рабочее название подхода НУМ, в котором профиль сотрудника строится не из одного интервью, анкеты или рейтинга, а из набора проверяемых свидетельств.
| Уровень | Что означает | Пример | Как использовать |
|---|---|---|---|
| Заявленное | Информация со слов человека | «Умею вести сложные переговоры» | Как исходный сигнал, но не доказанный факт |
| Наблюдаемое | Есть проверяемое действие или артефакт | Переговорная стратегия, протокол, результат сделки | Как более сильное свидетельство |
| Подтверждённое | Несколько источников сходятся | Результат + артефакт + руководитель + реальная задача | Как основание для человеческой оценки |
Это не означает, что каждый навык нужно превращать в расследование. Чем существеннее кадровое последствие, тем выше должен быть стандарт доказательности.
Опыт ≠ способность ≠ потенциал ≠ готовность
| Понятие | На какой вопрос отвечает | Типичная ошибка ИИ |
|---|---|---|
| Опыт | Что человек уже делал? | Считать прошлое границей будущего |
| Способность | Что он умеет делать? | Выводить способность только из названия должности |
| Потенциал | Что он может освоить или выполнять дальше? | Выдать вероятностную гипотезу за факт |
| Готовность | Может ли он взять конкретную роль сейчас? | Игнорировать мотивацию, условия, ресурсы и контекст |
В период ИИ-трансформации ошибка оценки особенно дорога: компания может автоматизировать не ту работу и потерять людей, на которых держатся экспертиза, клиентские связи или способность перестроить процесс. См. связанный материал «Уволить нельзя оставить. Каких сотрудников нельзя потерять в эпоху развития ИИ».
Что ИИ в HR можно поручить — и где проходит красная линия
Эта граница продолжает общую логику НУМ: цифровому исполнителю задаются роль, разрешённые действия и пределы автономности. Для ИИ-агентов этот принцип раскрыт через цифровой мандат ИИ-агента. В HR мандат должен быть ещё строже: ИИ получает право работать с доказательствами и формировать гипотезы, но не право самостоятельно определять кадровую судьбу человека.
| ИИ может помогать | ИИ не должен решать самостоятельно |
|---|---|
| Задавать уточняющие вопросы | Кто «перспективный», а кто «неперспективный» |
| Структурировать опыт и артефакты | Кого повысить, понизить или уволить |
| Находить противоречия и пробелы | Какова окончательная «ценность» человека |
| Сопоставлять свидетельства с моделью компетенций | Выдавать личностный рейтинг как объективную истину |
| Предлагать гипотезы и варианты развития | Превращать гипотезу в кадровое решение без проверки |
| Показывать основания своего вывода | Скрывать значимые основания решения от ответственного человека |
10 ошибок, которые превращают HR-ассистента в источник управленческого риска
- Самооценку принимают за факт. Анкета полезна как начало разговора, но не как доказательство.
- Прошлый опыт принимают за потенциал. Система воспроизводит биографию вместо поиска способности к следующей роли.
- Отсутствие данных трактуют как отсутствие компетенции. «Не найдено» не означает «не умеет».
- Корреляцию превращают в объяснение. Совпадение признаков не доказывает причинность.
- Единый балл скрывает разные основания. Итоговые 78/100 выглядят точнее, чем являются.
- Модель компетенций считается вечной. Если сама модель устарела, ИИ лишь масштабирует устаревшую логику.
- Не показывается происхождение вывода. HR видит рекомендацию, но не цепочку свидетельств.
- Human Decision Gate формальный. Человек механически подтверждает вывод машины — возникает склонность чрезмерно доверять автоматизированной рекомендации (automation bias).
- У сотрудника нет механизма исправить данные. Ошибка превращается в долговечный цифровой ярлык.
- Нет владельца решения. Ответственность растворяется между HR, руководителем, поставщиком и алгоритмом.
Два человеческих рубежа: решение и право на оспаривание
Точка человеческого решения нужен до решения: уполномоченный человек проверяет доказательства, ограничения модели, контекст и последствия.
Право человека на оспаривание (Human Appeal Gate) необходимо там, где ИИ-гипотеза способна существенно повлиять на человека: сотрудник получает возможность указать на ошибочные или неполные данные и предъявить дополнительные свидетельства.
Право человека на оспаривание (Human Appeal Gate) — предлагаемый нами принцип НУМ, а не утверждение о том, что такой механизм под этим названием уже является универсальной юридической обязанностью во всех странах.
Архитектура безопасной оценки в НУМ
Ключевой сдвиг здесь управленческий: система хранит не только «оценку сотрудника», но и происхождение каждого существенного вывода. Руководитель должен видеть, какие свидетельства его подтверждают, какие противоречат и чего системе не хватает.
10 вопросов директору по персоналу (HRD) перед запуском ИИ-оценки
Перед автоматизацией оценки полезно решить более широкий управленческий вопрос: кто отвечает за ИИ-трансформацию, какие сотрудники участвуют в пилоте и где остаётся человеческая ответственность. Эту последовательность мы разбираем в материале «Руководитель по ИИ — готова ли компания?».
- Какое конкретное решение мы хотим улучшить?
- Какие данные система использует и откуда они взялись?
- Различает ли система «нет данных» и «нет компетенции»?
- Какие выводы являются фактами, а какие гипотезами?
- Можно ли открыть основание каждого существенного вывода?
- Кто имеет право подтвердить или отклонить рекомендацию ИИ?
- Проверяем ли мы склонность чрезмерно доверять автоматизированной рекомендации у принимающих решение?
- Может ли сотрудник исправить фактическую ошибку или добавить доказательство?
- Как фиксируется версия данных, модели и решения?
- Кто персонально отвечает за итоговое кадровое решение?
Если на несколько вопросов нет ответа, компании рано автоматизировать кадровый вердикт. Начинать следует с более безопасного слоя: поиска, структурирования и проверки свидетельств.
Правовой ориентир: почему человеческий контроль — не декоративный элемент
Для компаний, работающих в юрисдикции ЕС или затрагивающих соответствующие процессы, AI Act относит ряд систем для найма, отбора, продвижения, прекращения трудовых отношений, распределения задач и мониторинга/оценки работников к категории систем высокого риска (high-risk AI systems) при выполнении условий регламента. При этом Article 6 содержит и условия, при которых отдельная система из Annex III может не считаться high-risk, если она не создаёт существенного риска и не оказывает материального влияния на результат решения.
Для систем высокого риска Article 14 требует эффективного человеческого надзора и прямо обращает внимание на риск автоматического или чрезмерного доверия к выводу системы. Article 86 предусматривает право на ясное и содержательное объяснение роли high-risk AI в определённых индивидуальных решениях, которые имеют юридические или сопоставимо значимые последствия. Это не универсальная юридическая консультация для России или любой другой страны; перед внедрением требуется проверка применимого законодательства и конкретного сценария.
FAQ: ИИ для оценки сотрудников
Можно ли использовать ИИ для оценки сотрудников?
Да, как инструмент сбора, структурирования и сопоставления доказательств. Итоговое кадровое решение, особенно затрагивающее найм, продвижение, увольнение или существенные условия труда, должно оставаться в человеческом контуре.
Может ли ИИ самостоятельно определить потенциал сотрудника?
Не должен. ИИ может сформировать проверяемую гипотезу на основании доступных данных, но потенциал нельзя сводить к прошлому опыту, самооценке или одному числовому рейтингу.
Чем опыт отличается от способности, потенциала и готовности?
Опыт показывает, что человек уже делал; способность — что он умеет делать; потенциал — гипотезу о том, что он способен освоить или выполнять; готовность — может ли он взять конкретную роль сейчас при заданных условиях.
Что такое Human Decision Gate в HR?
Это обязательная контрольная точка, в которой человек с необходимыми полномочиями проверяет основания, ограничения и контекст вывода ИИ до кадрового решения.
Что такое Human Appeal Gate?
Это принцип НУМ, по которому сотрудник должен иметь возможность ознакомиться с существенной ИИ-гипотезой о себе, оспорить её и представить дополнительные доказательства до окончательного решения в предусмотренных компанией случаях.
Какие данные считать доказательствами компетенции?
Сильнее всего сочетание нескольких независимых источников: результаты работы, артефакты, реальные задания, наблюдения руководителя и коллег, подтверждённое обучение и самооценка. Один источник не следует автоматически считать истиной.
Ключевые выводы
- Автоматизировать стоит работу с доказательствами, а не право машины выносить вердикт о человеке.
- Опыт, способность, потенциал и готовность — четыре разные сущности.
- «Нет данных» нельзя превращать в «нет компетенции».
- Точка человеческого решения должна быть реальным контролем, а не формальной кнопкой подтверждения.
- Для существенных ИИ-гипотез о человеке НУМ предлагает право человека на оспаривание — возможность оспорить вывод и дополнить доказательства.
Источники и правовая база
С чего начать компании
Не начинайте с рейтинга сотрудников. Начните с одного кадрового процесса: определите решение, источники доказательств, границы ИИ, точку человеческого решения и правила исправления ошибок. После этого можно проектировать пилот.