Доскоро компаниите оценяваха служителите си чрез сравнително статични механизми - годишни прегледи на представянето, оценки от преките мениджъри, сертификати за придобити квалификации и списъци с умения. Този модел беше създаден за свят, в който позициите и отговорностите се променяха бавно, а професионалната експертиза запазваше стойността си в продължение на дълги години.

Навлизането на изкуствения интелект обаче поставя това под въпрос. В среда, в която AI системите ежедневно поемат нови задачи, а разделението на труда между хора и машини се променя в реално време, организациите вече имат нужда от много по-динамичен поглед върху това какви способности притежават техните служители и как се развиват.

Според Harvard Business Review следващата голяма трансформация в управлението на хората ще е преминаването от периодично към непрекъснато оценяване на представянето - системи, които събират сигнали от реалната работа, анализират начина на вземане на решения и подпомагат ученето в самия работен процес.

Урокът от авиацията: часовете опит вече не са достатъчни

Добър пример за тази промяна е авиацията. В миналото компетентността на пилотите се измерва основно чрез броя натрупани летателни часове и сертификатите за управление на определени самолети.

В силно автоматизираните съвременни кабини обаче тези показатели вече не дават пълна представа за способностите на пилота. Много по-важно е как той реагира при нестандартни ситуации, как оценява риска и как взема решения при несигурност.

Затова авиокомпаниите използват системи, които събират хиляди сигнали по време на всеки полет - от реакциите на пилота, та до спазването на процедурите при променящи се условия. Така оценката се измества от това какъв опит има човек на теория към това как реално действа на практика.

Този модел постепенно навлиза и в други сфери. В медицината например AI системи вече анализират ендоскопски видеозаписи и могат да проследяват движенията на инструментите по време на процедури. Това открива възможност болниците да оценяват реалното изпълнение на хирургическите дейности, а не само придобитите квалификации.

Границата между оценяване и наблюдение

Непрекъснатото измерване на работата поставя някои сериозни рискове. За служителите подобни системи изглеждат като инструмент за контрол, а не като механизъм за развитие.

Показателен е примерът с Meta, където внедряването на софтуер, който следи активността на компютрите - движения на мишката, кликвания, натискания на клавиши и периодични екранни снимки, предизвика силна вътрешна реакция. Макар компанията да обяви, че информацията ще бъде използвана за обучение на AI системи, а не за оценяване на служителите, случаят показа колко лесно подобни инициативи могат да загубят доверие, когато липсват прозрачност и ясно обяснение на целта на инсталирането им.

Съществува и друг риск - хората да започнат да оптимизират поведението си единствено според показателите, които се измерват, вместо според това, което носи реална стойност за организацията.

Затова и успешните системи няма да бъдат тези, които събират повече данни, а тези, които комбинират измерването с обратна връзка, развитие на умения и подкрепа за адаптация.

Епоха на динамичните способности

През последните две десетилетия много компании преминаха от традиционен модел, основан на фиксирани длъжности, към подход, базиран на умения. Целта беше организациите да разбират по-добре какви компетенции притежават служителите и да могат по-гъвкаво да формират екипи.

Този модел работи добре в относително стабилна среда. Днес обаче AI променя стойността на уменията с безпрецедентна скорост.

Задачи, които доскоро изискваха скъпа експертиза, могат да бъдат автоматизирани чрез нов AI инструмент само в рамките на един продуктов цикъл. Това означава, че компаниите вече не могат да приемат списъка с умения като постоянна характеристика на своите хора. Те трябва постоянно да разбират кои способности реално носят конкурентно предимство и кои постепенно ще се прехвърлят към машините.

Три условия за изграждане на система за непрекъсната оценка

Доказателствата за способности трябва да идват от реалната работа

Вместо да разчитат на периодични оценки или самоописания, организациите ще започнат да използват данни от ежедневната дейност - начините на сътрудничество, взаимодействието с клиенти, използването на инструменти и резултатите от конкретни задачи.

Такъв подход използва и Microsoft чрез своята система People Skills и инструмента Skills Agent. Той анализира сигнали от документи, срещи, чатове и други работни активности, за да създава динамичен профил на компетенциите на служителите.

Тези системи не могат да заменят човешката преценка. Те обаче помагат да се изгради много по-актуална представа за това какви способности човек реално демонстрира.

Анализ на ниво задача, а не на ниво позиция

Една от най-големите промени, които AI въвежда, е възможността компаниите да видят каква работа се изпълнява от хора и коя може да се поеме от интелигентни системи.

Пример за това са вътрешните AI агенти за програмиране на Stripe, които създават код, след което той преминава през човешка проверка преди внедряване. Подобни процеси дават на организациите нов тип информация - не просто дали AI е използван, а за какви задачи, къде е необходима човешка намеса и кои специалисти умеят най-добре да управляват взаимодействието с интелигентните системи.

Подобни сигнали вече се наблюдават и при инструменти като GitHub Copilot, които позволяват анализ на това кои AI предложения са приети, кои са отхвърлени и доколко генерираният код достига до реална употреба.

Данните трябва да водят до действие

Най-важният въпрос не е колко информация може да събере една организация, а какво прави с нея.

Истинската стойност на непрекъснатото оценяване се появява, когато компаниите използват тези прозрения, за да променят начина, по който разпределят задачите, развиват служителите си и проектират бъдещите позиции в организациите.

Новите решения се стремят да направят именно това - да комбинират данни за пазара на труда, организационните способности и представянето на AI системите, за да помогнат на лидерите да определят оптималното съотношение между човешки труд и дигитални агенти.

От наблюдение към организационно учене

Най-успешните компании няма да бъдат тези, които следят служителите си най-детайлно, а тези, които могат най-добре да интерпретират сигналите от работата.

Една по-бавна реакция на пилот например не винаги означава липса на компетентност - причината може да бъде умора, натоварване или проблем в координацията на екипа. По същия начин и в корпоративната среда слабите резултати невинаги са проблем на конкретния служител, а могат да бъдат симптом на неефективен процес, лош дизайн на работата или неподходящо използване на технологиите.

В ерата на AI най-голямото предизвикателство пред лидерите няма да бъде да измерват повече, а да разбират по-добре какво означават данните, които получават.

Преходът към непрекъснато оценяване на представянето всъщност не е толкова технологичен, колкото управленски въпрос. Компаниите трябва ясно да определят как ще използват информацията, да гарантират прозрачност и да превърнат данните в инструмент за учене и адаптация, а не в средство за контрол.