People Analytics: действительно ли алгоритмы знают нас лучше, чем начальство?

Getty Images/istockphoto / Metamorworks

Непредвзятая характеристика сотрудников - система анализа персональных данных People Analytics обещает составлять такие характеристики при помощи искусственного интеллекта, а потому объективно. Алгоритмы якобы способны обеспечить многообразие вместо единообразия, объективность вместо субъективности. Прекрасно! Но как это работает на практике? Или таким образом на наших глазах снова просто укрепляются стереотипы? 

Перевод Юлии Немченко, под ред. Игоря Петрова. 

«Гугл», «Амазон» и «Майкрософт» – эти гиганты бизнеса активно используют в последнее время так называемые Work Force Analytics или People Analytics — оба эти понятия обозначают систему анализа персональных данных для нужд отделов кадров, причем на фоне других корпоративных данных и в сочетании с ними. Базой для этого служит анализ кандидатов на те или иные вакансии на основе унифицированных анкет. Собственно говоря, мы имеем дело с тестами на выявление свойств личности, которые нередко проводятся при помощи вопросов на основе принципа скалярных ответов. Что это такое? Ну, например:

«Я предпочитаю работать в одиночку» — как бы Вы оценили это высказывание по шкале от 1 до 10?

«Даже в напряженных ситуациях я не волнуюсь» — какие чувства Вы испытываете, читая эту фразу?

Ответы на множество подобных вопросов и составляют личностный профиль. Однако с точки зрения предприятия или фирмы могут возникать и другие вопросы, ведь ошибочные решения в сфере подбора и расстановки кадров (которые, как известно, решают все) могут привести к финансовым потерям. Технология People Analytics как раз и призвана уменьшить подобные риски. Кроме того, компьютер способен вынести за скобки личные симпатии, антипатии и предубеждения кадровиков и сократить степень влияния привычных нормативных ролевых характеристик на принятие кадровых решений. Находить и продвигать ведь надо только реально и по-настоящему подходящих кандидатов. И вот при помощи этого метода мы имеем в руках инструмент «позитивной дискриминации» меньшинств или групп, которые зачастую обделенны в сфере честных шансов на рынке труда. 

В Швейцарии эта практика также получила широкое распространение среди кадровиков, или, как теперь их называют, менеджеров по человеческим ресурсам (HR). Корпорация Deloitte, одна из крупнейших в мире консалтинговых компаний, провела недавно исследование на тему результатов применения технологии People Analytics на швейцарских предприятиях и фирмах. Согласно ее отчету за 2020 год, четыре из пяти опрошенных фирм считают People Analytics «важным» или «очень важным» инструментом. Они ожидают также, что в ближайшие два года, а максимум пять лет его значение будет возрастать.

Многообразие или diversity?

Современный мир переживает довольно интересный ренессанс внимания к проблемам меньшинств или групп, ранее не находившихся на переднем плане привычной социальной стратификации. Многообразие теперь отнюдь не равно новому термину diversity, каковое есть «достижение такого состава населения страны или сотрудников организации, в котором представлены все элементы реального опыта, то есть опыта угнетения» (см. подробнееВнешняя ссылка: Хелен Плакроуз, Джеймс Линдси. Циничные теории. Как все стали спорить о расе, гендере и идентичности и что в этом плохого. М.: Individuum, 2021. Перевод с английского Д. Виноградова.).

Цель Diversity Politics, таким образом, заключается в идентификации всего разнообразия людей и форм их социальной жизни, в обнаружении их различий и сходства и системном признании всех людей равными независимо от их происхождения, пола, сексуальной ориентации, религиозной принадлежности, мировоззрения, возраста или имеющейся инвалидности. Более того, понятие Diversity Management означает теперь еще и поиск форматов применения различий в качестве конкурентного преимущества.

Преимущество, а не недостаток?

Итак, инклюзивность и Diversity сейчас являются очень важными и актуальными темами, хотя вопрос о том, в чем различие между демократической партиципацией и инклюзивностью, еще предстоит прояснить. Так или иначе, сейчас многие предприятия и фирмы начали в сфере своей кадровой политики анализировать, насколько адекватно у них коррелируют такие категории, как пол сотрудников, их возраст и уровень заработной платы. Как указывает консалтинговая компания Deloitte в своем докладе, Diversity во все «больших масштабах будет пониматься в ближайшем будущем как задача, выходящая за пределы чисто гендерной темы». 

Ирис Бонет (Iris Bohnet), профессор Гарвардского университета, член Совета директоров Credit Suisse Group и специалист в области поведенческой экономики (направление экономических исследований, которое изучает влияние социальных, когнитивных и эмоциональных факторов на поведение в сфере экономики, на принятие экономических решений отдельными лицами и учреждениями), убеждена, что в настоящее время многообразие (Diversity) является не только делом групп и слоев общества, недостаточно представленных в его, общества, социальной стратификации, но и «всеобщей необходимостью». 

В книге What Works: Gender Equality By DesignВнешняя ссылка она пишет, что тому есть две причины. Во-первых, речь идет о правовом равенстве: все люди должны иметь одинаковые шансы войти в профессиональный мир и играть там определенную роль, говорит она. Во-вторых, это вопрос экономии. Талантливыми бывают представители самых разных групп, а гомогенный идеальный конструкт «белый гетеросексуальный мужчина» больше не соответствует социальной реальности. 

«Коллективы с кадровым составом, отвечающим параметрам Diversity, более креативны, и в трудные времена показывают результаты, которые лучше, чем у „гомогенных“ коллективов. И если данная фирма стремится быть инновационной, то первое, что она должна сделать, это иметь в своем составе людей, относящихся к различным социальным группам», — говорит Ирис Бонет. Кроме того, это еще и окупается сторицей: согласно исследованию, проведенному McKinsey Global Institute с использованием данных более тысячи предприятий из 15 стран мира, у фирм с большим кадровым (гендерным) разнообразием (Diversity) вероятность получить прибыль, превышающую средний уровень, на 25% выше. А если рассматривать фактор этнического многообразия, то этот показатель достигнет 36%.

«Программы поддержки бесполезны»

А далее И. Бонет предлагает парадоксальным образом развернуть характер наших действий на 180 градусов: первостепенное значение должно иметь не многообразие, а эффективность, перформанс, из этого многообразия вытекающая. Ведь если посмотреть на итоги работы так называемых «программ поддержки» (в США их называют практикой affirmative action или «позитивной дискриминации»), то можно увидеть, что по сути в итоге ничего не меняется. «У нас нет сегодня никаких вселяющих надежду доказательств того, что, скажем, программы поддержки женщин вообще к чему-либо приводят». Причиной этого является неправильная исходная рабочая гипотеза. 

Программы «поддержки женщин» терпят провал «потому, что мы ничего не предприняли для того, чтобы изменить всю систему. Уже само это слово, „поддержка“, подразумевает, что возможности женщин в какой-то мере ограничены, что они какие-то инвалиды», — говорит Ирис Бонет. А ведь на самом деле «речь должна идти не о том, чтобы организовывать женщин для работы в обществе, а, напротив, о том, чтобы адаптировать деловой мир к новой реальности. И программа People Analytics играет в этом смысле очень важную роль. 

Гораздо проще составить алгоритмы, которые дадут нам непредвзятую оценку данного кандидата, чем пытаться изменить сознание миллионов людей», — говорит она, указывая, вместе с тем, и на имеющиеся риски. Совершенные ошибки в этой системе будут мультиплицироваться миллионы раз, коль скоро они применяются к миллионам людей. 

Искусственный интеллект — это обоюдоострый меч

В стрессовых ситуациях алгоритмы могут защитить сотрудников кадровых служб от неосознанных предубеждений. Об этом нам рассказывает Джоанна Брайсон (Joanna Bryson), профессор берлинской Школы управления Hertie (англ. Hertie School of Governance, частное высшее учебное заведение в Берлине с обучением на английском языке, — прим. ред. рус.). Менеджер по персоналу, вынужденный вручную просматривать сотни заявлений от кандидатов на ту или иную вакансию, может, даже и не желая того поддаться своим неосознанным нормативным «фреймам» или предубеждениям. Дж. Брайсон убеждена, что искусственный интеллект является в данном случае большим шансом. 

Вынеся за скобки частное личностное несовершенство, он способен отыскивать кандидатов, «которых кадровики при ручном разборе огромного числа резюме вполне могли бы и пропустить». Однако и здесь тоже есть свои «пределы роста», ведь алгоритмы «учатся у баз данных», которые, возможно, формируются все теми же носителями скрытых предубеждений. Поэтому именно при программировании самообучающихся систем на основе искусственного интеллекта надо быть очень осторожным. «Иначе возникает опасность, что программа People Analytics только усилит те предубеждения, которые она была призвана устранить», — отмечает Джоанна Брайсон, по образованию математик.

На эту проблему обращает внимание и исследование, проведенное учеными Массачусетского технологического института (MIT) и Колумбийского университета (Columbia University, г. Нью-Йорк). Они установили, что итоги кадрового отбора могут существенно различаться от того, ограничиваются ли компьютерные программы учетом только потенциала кандидатов, или же они включают в каталог критериев и факт принадлежности данного кандидата к «общественно угнетенной группе». Исследователи пришли к выводу, что если сделать акцент на втором подходе, то кадры данной компании будут формироваться из более разносторонне развитых сотрудников. И, наоборот, фирмы, чьи кадровые алгоритмы опираются лишь на результативный баланс, подвергаются риску упустить подходящих претендентов с нестандартной (например, миграционной) историей.

«Ответственные лица тоже должны думать»

«Именно поэтому еще на стадии приобретения программного обеспечения компании должны задать себе некоторые вопросы», — говорит Симон Шафхайтле (Simon Schafheitle) из «Научно-исследовательского института проблем труда и сфер продуктивной деятельности человека» (Forschungsinstitut für Arbeit und Arbeitswelten) при Университете г. Санкт-Галлен. Так, например, надо проверять, насколько diverse является сам коллектив, создававший этот алгоритм. Симон Шафхайтле видит и еще одну проблему.

У людей, принимающих окончательные решения, нередко возникает чувство, будто технология — это панацея от всех бед и проблем. Однако на деле зачастую происходит обратное. «Как поступить, если результат работы алгоритма не соответствует нормативным представлениям ответственных лиц? Что в данном случае окажется предпочтительнее — дорогая программа или мнение опытного менеджера по персоналу? Алгоритм ведь ищет оптимальное резюме, но значит ли это, что оно же и лучшее? Может быть, креативный Querdenker, то есть нестандартно мыслящий человек, больше подходит для данной работы, чем приспособленец-карьерист? 

Кроме того, эмпирические исследования показывают, что результаты применения алгоритмов варьируются в зависимости от культурной среды или корпоративной культуры, а их результаты могут порой пониматься диаметрально противоположным образом», — напоминает Симон Шафхайтле. Поэтому Ирис Бонет рекомендует создать сертификационный орган, который установит критерии и условия применения алгоритмов, прежде чем те поступят на рынок. «Мы же не применяем новые лекарства, пока они не прошли испытания». Только опять же вопрос: судьи кто и кто будет формировать состав этого органа?