6 minuty
Wyobraź sobie naukowczynię, która dwa dni przed porodem dostaje wiadomość o zwolnieniu. Albo menedżera zwolnionego szesnaście dni po rozpoczęciu urlopu medycznego. Albo inżyniera, którego ocena spada, bo wracał do zdrowia po kontuzji. To nie są hipotetyczne scenariusze z podręcznika o złym zarządzaniu, lecz zarzuty z pozwu. Złożyło go 26 obecnych i byłych pracowników Mety. Sprawa trafiła do sądu federalnego w Kalifornii.
Pozew dotyczy tegorocznej redukcji zatrudnienia, która objęła około 8 tysięcy osób. Według pozwu Meta wykorzystywała wewnętrzne systemy AI do typowania osób na listę zwolnień. Chodzi między innymi o narzędzia monitorujące aktywność, panele zużycia tokenów w wewnętrznych modelach językowych oraz algorytmicznie wspomagane rankingi wydajności. Problem w tym, że algorytm miał nie odróżniać spadku produktywności wynikającego z braku kompetencji od spadku wynikającego z urlopu macierzyńskiego, zwolnienia lekarskiego czy niepełnosprawności.
Meta odrzuca te zarzuty, a sprawa jest wciąż w toku. Warto podkreślić: to na razie twierdzenia strony pozywającej, nie ustalenia sądu. Niezależnie jednak od finalnego rozstrzygnięcia, ten case study stawia ważne pytanie. Czy nasze systemy pomiaru wydajności odróżniają trudną sytuację życiową od faktycznego braku efektywności?
Mechanizm opisany w pozwie jest prosty, a przez to niebezpieczny. Osoba na urlopie macierzyńskim, zwolnieniu lekarskim czy urlopie opiekuńczym generuje bowiem mniej danych o swojej aktywności. Pojawia się mniej commitów w kodzie, spada liczba wiadomości, a godziny zalogowane w systemie skracają się razem ze wskaźnikami „zaangażowania”. Jeśli system oceny nie uwzględnia kontekstu nieobecności, taka osoba automatycznie wygląda jak ktoś mniej efektywny.
Nie jest to jednak wina samej sztucznej inteligencji. AI robi dokładnie to, do czego została zaprojektowana – analizuje wzorce w danych. Problem pojawia się natomiast wtedy, gdy ludzie odpowiedzialni za wdrożenie systemu nie budują w nim zabezpieczeń dla pracowników w sytuacjach szczególnych. Innymi słowy: to błąd projektowy i zarządczy, a nie błąd samej technologii.
W praktyce HR-owej te dwie rzeczy bywają mylone częściej, niż się przyznajemy. Poniżej kilka sygnałów, które pomagają je rozróżnić.
Wzorzec czasowy. Niska wydajność z braku kompetencji zwykle utrzymuje się miesiącami i nie jest powiązana z konkretnym wydarzeniem w życiu pracownika. Spadek związany z trudną sytuacją życiową ma natomiast zwykle wyraźny punkt startowy – diagnozę, żałobę, narodziny dziecka, chorobę bliskiej osoby – i często bywa tymczasowy.
Historia wcześniejszych ocen. Pracownik, który latami dostawał dobre oceny, a nagle spada w rankingu w okresie urlopu zdrowotnego, powinien wzbudzać czujność. Taka osoba nie powinna automatycznie trafiać na listę do zwolnienia.
Źródło danych. Liczba zalogowanych godzin, aktywność w komunikatorach czy zużycie narzędzi AI mierzą przecież obecność, a nie jakość pracy. Traktowanie ich jako proxy dla wydajności to zatem błąd metodologiczny, niezależnie od tego, czy popełnia go człowiek, czy algorytm.
Kontekst prawny. Nieobecności związane z ciążą, macierzyństwem, niepełnosprawnością czy chorobą są w wielu krajach prawnie chronione. System, który karze za korzystanie z tych praw, naraża więc firmę zarówno na ryzyko wizerunkowe, jak i prawne.
Postawienie na człowieczeństwo nie oznacza rezygnacji z twardych decyzji biznesowych. Oznacza raczej podejmowanie ich na pełnym obrazie sytuacji, a nie na niepełnych danych.
1. Nigdy nie automatyzuj decyzji personalnych w 100%. AI może wspierać analizę danych, jednak ostateczna decyzja o zwolnieniu czy obniżeniu oceny powinna zawsze przechodzić przez menedżera znającego kontekst pracy danej osoby. Algorytm nie wie na przykład, że ktoś był na L4 po operacji – menedżer wie.
2. Wprowadź „flagi kontekstowe” w systemach oceny. Okresy chronionych nieobecności warto wyraźnie oznaczyć i wyłączyć z automatycznych porównań, zamiast wliczać je jako gorszy wynik.
3. Rozmawiaj, zanim ocenisz. Spadek wydajności to sygnał do rozmowy, a nie do automatycznej decyzji. Krótka, szczera rozmowa z pracownikiem często wyjaśnia bowiem więcej niż trzy miesiące danych z systemu.
4. Audytuj narzędzia AI używane w HR. Sprawdź, czy uwzględniają one urlopy macierzyńskie, rodzicielskie, zdrowotne i udogodnienia dla osób z niepełnosprawnościami. To nie tylko kwestia etyki, ale przede wszystkim zgodność z przepisami o dyskryminacji.
5. Buduj kulturę otwartości. Pracownicy, którzy boją się zgłosić chorobę czy sytuację rodzinną, ukrywają w efekcie informacje kluczowe do sprawiedliwej oceny ich pracy. Otwartość menedżera chroni więc przed pomyłkami zarówno algorytmu, jak i człowieka.
6. Zostaw miejsce na wyjątki. Każdy proces redukcji zatrudnienia czy oceny okresowej powinien mieć ścieżkę odwoławczą, dzięki której pracownik może zgłosić okoliczności pominięte przez system, zanim decyzja stanie się ostateczna.
Case Mety pokazuje coś więcej niż ryzyko prawne jednej firmy. Pokazuje bowiem, co się dzieje, gdy organizacja przenosi odpowiedzialność za decyzje o ludziach na system, który nie ma pojęcia o ludzkim życiu – o porodach, chorobach, żałobie, opiece nad bliskimi. Sztuczna inteligencja może oczywiście wspierać analizę danych HR, jednak nie powinna być jedynym sędzią czyjejś wartości zawodowej. Dotyczy to zwłaszcza sytuacji, gdy dana osoba mierzy się z czymś, co postawiło jej życie na drodze.
Zarządzanie ludźmi w trudnych momentach – w chorobie, żałobie czy macierzyństwie – to więc nie przeszkoda w prowadzeniu biznesu, lecz test tego, czy organizacja naprawdę traktuje pracowników jak ludzi, a nie jak wiersze w arkuszu danych lub narzędzia.
