66% pracowników ufa systemom AI mniej niż żywemu szefowi, a jednocześnie firmy z dobrze wdrożoną oceną wspieraną przez AI notują satysfakcję zespołu na poziomie 89%. Różnica leży w tym, co dokładnie zlecisz algorytmowi, a co zostawisz rozmowie.

66% pracowników ufa systemom AI mniej niż żywemu szefowi, a tylko 12% ufa im bardziej. Tyle w teorii. W praktyce firmy, które dobrze wdrożyły AI w ocenie pracy zespołu, notują satysfakcję zespołu na poziomie 89%, wobec 40% tam, gdzie AI w ocenie w ogóle nie używa się.

Te dwie liczby nie są sobie przeciwne. Pokazują dokładnie to samo z dwóch stron: ludzie nie ufają AI, które ma decydować za nich. Ufają AI, które przygotowuje materiał do rozmowy, którą i tak prowadzi człowiek.

Różnica między jednym a drugim to cała treść tego artykułu.

Co algorytm rzeczywiście potrafi zmierzyć dobrze

Liczby, które da się policzyć bez udziału człowieka, algorytm liczy lepiej i szybciej, niż zrobiłby to jakikolwiek manager ręcznie w arkuszu. Czas odpowiedzi na zgłoszenie klienta. Liczba zamkniętych zadań w terminie. Wskaźnik błędów w powtarzalnym procesie. Zgodność rozmowy sprzedażowej ze skryptem, dokładnie tak, jak robi to AI do analizy rozmów sprzedażowych, które ocenia telefon, a nie handlowca jako osobę.

To, co się da policzyć, powinno być policzone przez maszynę, bo manager, który ręcznie sumuje czas odpowiedzi 15 osób w Excelu, traci na tym godziny, które mógłby spędzić rozmawiając z ludźmi, a nie z arkuszem kalkulacyjnym.

Problem zaczyna się dopiero wtedy, kiedy ta sama liczba zaczyna udawać całą prawdę o pracowniku, zamiast być jednym z kilku wejść do rozmowy, którą i tak trzeba przeprowadzić osobiście.

Prawo Goodharta: kiedy miernik staje się celem

Atlantic Ambience / Pexels

Ekonomista Charles Goodhart ujął to w jednym zdaniu już w 1975 roku: kiedy miernik staje się celem, przestaje być dobrym miernikiem. W call center mierzenie średniego czasu rozmowy sprawia, że konsultanci rozłączają się z klientem szybciej, niż powinni. Mierzenie satysfakcji klienta sprawia, że ci sami konsultanci zaczynają obiecywać zwroty pieniędzy, do których firma wcale nie jest zobowiązana.

Ten sam mechanizm działa przy każdej ocenie pracy wspieranej przez AI. Pracownik oceniany za liczbę zamkniętych zgłoszeń zamyka zgłoszenia szybciej, niekoniecznie lepiej. Pracownik oceniany za liczbę wysłanych maili wysyła więcej maili, niekoniecznie skuteczniejszych.

Miernik bez pary ginie w grze, którą sam stworzył. Antidotum, które faktycznie działa, to parowanie każdego miernika efektywności z miernikiem jakości, tak żeby szybkość bez jakości przestała się opłacać komukolwiek.

Czego algorytm nie zobaczy nigdy

Pracownik, który w trudnym miesiącu pomógł trzem młodszym kolegom, nie zostawia po tym żadnego śladu w systemie, który liczy tylko jego własne zamknięte zadania. System widzi spadek jego wydajności. Nie widzi, dlaczego spadła.

Kontekst osobisty, kryzys w zespole, decyzja podjęta pod presją bez czasu na idealne rozwiązanie, kreatywne obejście problemu, którego nikt wcześniej nie przewidział, wszystko to zostaje poza raportem, bo raport liczy tylko to, co ktoś wcześniej pomyślał policzyć.

Algorytm poda Ci liczbę. Nie powie Ci, czy ta liczba jest dobra, zła, czy po prostu inna niż zwykle z bardzo konkretnego, ludzkiego powodu, o którym dowiesz się tylko wtedy, kiedy zapytasz wprost.

Co mówi prawo o ocenianiu pracowników przez AI

RDNE Stock project / Pexels

Systemy AI oceniające pracę pracowników są w unijnym AI Act zaliczone do kategorii wysokiego ryzyka, razem z rekrutacją, z obowiązkiem pełnej dokumentacji, oceny zgodności i nadzoru ludzkiego. Termin wejścia tych obowiązków w życie przesunięto na 2 grudnia 2027 roku, co dla wielu firm brzmi jak "mamy jeszcze czas", a brzmi tak dokładnie do dnia, w którym przestaje.

Odpowiedzialność za błąd AI nie znika tylko dlatego, że błąd dotyczy oceny człowieka, a nie klienta. "Uzasadniony interes" pracodawcy, który wystarcza przy zwykłym monitoringu, rzadko wystarcza jako podstawa prawna dla systemu wysokiego ryzyka, jakim jest ocena pracownicza.

Rozpoznawanie emocji pracownika w miejscu pracy jest w AI Act wprost zakazane, niezależnie od tego, jak dobre intencje miał ktoś, kto to wdrożył. System może zliczać zamknięte zadania. Nie może analizować, czy pracownik brzmiał na sfrustrowanego podczas rozmowy z klientem, i wyciągać z tego wniosków personalnych.

Dlaczego pracownicy nie ufają, a i tak są bardziej zadowoleni

Tylko 26% pracowników wierzy, że AI oceni ich sprawiedliwie. 59% uważa, że AI raczej pogłębia uprzedzenia, niż je usuwa. 23% twierdzi, że zostało już kiedyś ocenionych przez system w sposób, który uznali za niesprawiedliwy.

A jednocześnie 7 na 10 pracowników mówi wprost, że to informacja zwrotna od żywego człowieka najlepiej oddaje ich realną wartość, a około 25% chce hybrydy: oceny AI jako punktu wyjścia do rozmowy z managerem, nie jako wyroku ostatecznego.

Sprzeczność znika, kiedy spojrzeć na to, co dokładnie ludzie odrzucają. Nikt nie protestuje przeciwko temu, że AI policzyło, ile zgłoszeń zamknęli w tym miesiącu. Ludzie protestują przeciwko sytuacji, w której ta liczba trafia prosto do decyzji o premii, bez jednego zdania rozmowy o tym, co się za nią kryje.

Jak to wdrożyć, żeby nie skończyć w tych złych 66%

Zasada jest krótsza niż większość wdrożeń, na które firmy wydają budżet: AI przygotowuje materiał, człowiek podejmuje decyzję i ją tłumaczy, nigdy odwrotnie.

Każdy miernik efektywności potrzebuje pary w postaci miernika jakości, żeby szybkość bez sensu przestała się opłacać. Próbka rozmów oceniania powinna trafiać do niezależnego przeglądu człowieka, nie tylko do automatu, który sam siebie sprawdza. Żadna decyzja o podwyżce, awansie czy zwolnieniu nie powinna opierać się wyłącznie na wyniku algorytmu, bez rozmowy, w której pracownik może dodać kontekst, którego system nie widział.

AI dla menedżerów działa najlepiej dokładnie tam, gdzie odciąża od liczenia, a nie tam, gdzie zastępuje decydowanie. To subtelna różnica na papierze i ogromna różnica w tym, jak zespół czuje się rano, wchodząc do biura.