Вместо того, чтобы использовать роботов на производстве вместо людей, роботов делают из людей, так как это дешевле

Вчера разговаривала с одной знакомой, которая рассказала, что в «Сбербанке» очередную оценку персонала провели c использованием ИИ. При этом в отделе разработки уволили талантливого тимлида (начальника проекта), потому что ИИ посчитал его неэффективным. Руководитель отдела расстраивается и недоумевает, кем же ему теперь заменить этого человека.

Я задумалась над тем, а существуют ли вообще какие-то методики (использовать ли при этом ИИ и какова легитимность подобных оценок машиной – вопрос отдельный), которые бы позволяли руководству большой компании понимать эффективность каждого сотрудника.

В нашей компании InfoWatch я несколько раз экспериментировала с различными способами оценки сотрудников и их работы.

Сначала мы внедрили у себя в компании методологию оценки по ключевым показателям эффективности (КПЭ). Первый год люди очень старались выполнить показатели за счёт именно повышения качества работы, производительность труда выросла, другие бизнес-показатели тоже. Но на второй год все подразделения выполнили КПЭ на 95-100%, а производительность не выросла. Мы повысили КПЭ, и на третий год они опять все оказались выполненными на 100%, а рост бизнеса в целом оказался ниже, чем в прошлом году. Руководители подразделений научились планировать свои КПЭ так, чтобы на 100% их выполнять.

Тогда верхние менеджеры компании предложили внедрить другую методологию управления и оценки, которая ещё 5 лет назад была самой модной. Она, конечно, американская, поэтому называется по-английски OKR (Objective and Key Results), и предполагает стимулирование сотрудников на решение сложных задач.

Довольно быстро мы столкнулись с тем, что руководители подразделений после введения новой системы оценок либо стали выдавать за сложные свои рутинные задачи, либо искажать отчётность по их выполнению, либо ставить в принципе нерешаемые задачи, относя срок их исполнения в бесконечность. Я как-нибудь напишу отдельно про этот провальный эксперимент — это был очень полезный управленческий опыт.

Сейчас у нас идут дискуссии, какие бы метрики эффективности поставить департаменту разработки, чтобы понимать, насколько полноценно мы используем разработчиков. Прикидывали одно, потом другое, а в какой-то момент меня осенило, что мы (руководство, менеджеры, не-разработчики) пытаемся придумать алгоритмы контроля для разработчиков алгоритмов. И понятно, что вряд ли мы сможем придумать алгоритмы, которые разработчики не смогли бы понять и обойти. И адаптируются они под любые метрики даже быстрее, чем руководители подразделений в прошлом адаптировались к КПЭ.

Вообще говоря, из моего 30-летнего опыта управления видно, что все выбранные руководством метрики оценки рано или поздно компрометируются персоналом или перестают выполнять свою функцию.

Впрочем, тут я должна сделать оговорку. Я всё-таки имею дело с высококвалифицированными сотрудниками ИТ-компании. Если же взять рабочих, выполняющих простые функции, то их-то вроде бы научились контролировать при помощи информационных технологий. По крайней мере, со слов тех, кто это делает.

Например, американский мега-ритейлер Amazon применяет крайне жёсткие регламенты по отношению к своим рабочим (в основном дешёвым мигрантам). И каждый шаг контролируется ИИ-системой – во сколько ел, сколько времени потратил на перекур. Камеры с ИИ смотрят, чтобы человек не отвлекался, не болтал бы на работе и не занимался чем-то другим. Любое нарушение карается штрафом.

То есть вместо того, чтобы использовать роботов на производстве вместо людей, роботов делают из людей, так как это дешевле. А ИИ используют как надсмотрщика.

Дешевле-то оно дешевле, но работает ли это в смысле эффективности даже с неквалифицированными рабочими-мигрантами – на самом деле неясно. Может, они выгорают и перестают работать быстро. Или просто увольняются.