Czy AI zastąpi HR w diagnozie kompetencji?

„Czy AI zastąpi specjalistów HR?” – to pytanie powraca niemal od początku popularyzacji generatywnej sztucznej inteligencji, a obawy nie są pozbawione podstaw – skoro AI potrafi w kilka minut przygotować ogłoszenie rekrutacyjne, przeanalizować dokumenty, stworzyć pytania do wywiadu czy opracować raport, naturalnie pojawia się pytanie o to, jak wiele zadań wykonywanych dotychczas przez specjalistów HR nadal będzie wymagało ich udziału.

Być może jednak pytanie to prowadzi nas w niewłaściwym kierunku, ponieważ bardziej prawdopodobny jest scenariusz, w którym technologia nie eliminuje roli eksperta, lecz zasadniczo zmienia sposób wykonywania jego zadań. Czynności wymagające dotychczas wielu godzin pracy – wyszukiwanie i porządkowanie informacji, tworzenie pierwszych wersji materiałów czy analiza dużych zbiorów danych – można już dziś wykonywać znacznie szybciej, podczas gdy rośnie znaczenie zadań, których nie powinniśmy bezrefleksyjnie delegować technologii: definiowania kryteriów, oceny jakości danych, interpretowania niejednoznacznych informacji, a przede wszystkim podejmowania decyzji dotyczących ludzi. Widać to szczególnie wyraźnie w diagnozie kompetencji, gdzie AI może wspierać niemal cały proces – od budowania modeli kompetencyjnych, przez tworzenie narzędzi diagnostycznych, po integrowanie obserwacji, raportowanie i projektowanie rozwoju. Techniczna możliwość przekazania AI coraz większej części pracy nie oznacza jednak, że metodologicznie i etycznie powinniśmy to robić.

Właśnie dlatego jednym z najważniejszych pojęć opisujących przyszłość AI w HR jest Human in the Loop. Człowiek nie powinien pojawiać się jedynie na końcu procesu, aby zaakceptować wygenerowany rezultat – to ekspert definiuje problem i kryteria, określa zakres zadań powierzanych AI, weryfikuje jej wnioski i zachowuje odpowiedzialność za interpretację oraz decyzję. Paradoksalnie więc rozwój coraz bardziej zaawansowanej AI może zwiększać znaczenie wiedzy eksperckiej, ponieważ im łatwiej wygenerować profesjonalnie wyglądający model kompetencyjny, raport z Development Centre czy rekomendację rozwojową, tym ważniejsza staje się umiejętność rozpoznania, czy rezultat jest rzeczywiście poprawny, czy jedynie brzmi przekonująco. Przyszłość HR nie musi więc oznaczać wyboru między człowiekiem a technologią, lecz poszukiwanie odpowiedzi na pytanie, jak połączyć możliwości AI z wiedzą eksperta, aby zwiększać efektywność bez utraty jakości profesjonalnego osądu.

Od automatyzacji zadań do wspierania pracy eksperckiej

Pierwsza fala wykorzystania generatywnej AI w HR koncentrowała się przede wszystkim na efektywności – szybszym przygotowywaniu tekstów, podsumowywaniu dokumentów czy porządkowaniu informacji, a więc zadaniach stosunkowo bliskich klasycznej automatyzacji. Kolejny etap jest znacznie ciekawszy, ponieważ AI zaczyna wspierać zadania wymagające wiedzy eksperckiej: identyfikuje wzorce w dużych zbiorach danych, porównuje informacje z różnych źródeł, generuje hipotezy, wychwytuje niespójności i przygotowuje pierwsze wersje rozwiązań, które następnie podlegają profesjonalnej ocenie.

Wyobraźmy sobie HR Business Partnera, który otrzymuje wyniki Development Centre dla 70 managerów. Zamiast ręcznie porównywać kilkadziesiąt raportów, może wykorzystać AI do identyfikacji najczęstszych luk kompetencyjnych, porównania grup oraz wskazania powtarzających się wzorców, dzięki czemu jego zadaniem przestaje być przede wszystkim porządkowanie danych, a staje się nim odpowiedź na ważniejsze pytania: dlaczego określona luka występuje w organizacji, jakie może mieć konsekwencje biznesowe i w jaki sposób warto na nią odpowiedzieć. Tym samym AI wykonuje część pracy analitycznej, ale to ekspert nadaje jej znaczenie.

Model kompetencyjny można stworzyć w godzinę. Czy to oznacza, że będzie dobry?

Załóżmy, że organizacja przygotowuje się do ekspansji zagranicznej i potrzebuje profilu kompetencyjnego dla Export Managera. Na podstawie opisu stanowiska, celów biznesowych, strategii oraz transkrypcji wywiadów LLM może zidentyfikować powtarzające się zachowania, pogrupować je w kompetencje, zaproponować definicje i przygotować wskaźniki behawioralne, znacząco przyspieszając pracę, która wcześniej wymagała wielu godzin analizy. Nie oznacza to jednak, że otrzymaliśmy gotowy model. Jeżeli AI zaproponuje jednocześnie „orientację na wynik”, „determinację w realizacji celów” i „nastawienie na osiągnięcia”, ekspert powinien zauważyć, że konstrukty częściowo się pokrywają; jeśli stworzy wskaźnik „myśli strategicznie i rozumie biznes” – rozpoznać, że nie opisuje on wystarczająco precyzyjnie obserwowalnego zachowania; jeśli natomiast, bazując na typowych profilach stanowisk, AI doda kompetencję niewynikającą z materiału źródłowego, to człowiek musi rozstrzygnąć, czy rzeczywiście odpowiada ona potrzebom organizacji. To Human in the Loop w praktyce: AI może proponować kryteria, ale nie powinno samodzielnie ustanawiać tych, według których będziemy później oceniać ludzi.

AI może stworzyć pytania rekrutacyjne. Ekspert musi wiedzieć, czy rzeczywiście coś diagnozują

Podobna zasada dotyczy projektowania narzędzi diagnostycznych, ponieważ generatywna AI bez większego problemu przygotuje pytania do wywiadu kompetencyjnego, business case, symulację czy arkusz obserwacyjny. Załóżmy, że rekrutujemy kierownika (dowolnego działu) i chcemy ocenić kompetencję „rozwijanie pracowników”. AI może zaproponować pytanie: „Jak motywuje Pan/Pani swoich pracowników do rozwoju?”, które brzmi poprawnie, lecz prowadzi przede wszystkim do deklaracji dotyczącej stylu zarządzania. Ekspert może więc przeformułować je tak, aby dotyczyło konkretnej sytuacji z przeszłości, podjętych działań i ich rezultatu, a następnie wykorzystać AI do wygenerowania pytań pogłębiających pozwalających odtworzyć rzeczywiste zachowanie kandydata. Jak widać AI znacząco przyspiesza projektowanie narzędzia, jednak jakość diagnozy nadal zależy od tego, czy korzystająca z niego osoba rozumie różnicę pomiędzy pytaniem o opinię, deklarację i rzeczywiste zachowanie. Dlatego właściwe pytanie nie brzmi: „Czy AI potrafi stworzyć narzędzie diagnostyczne?”, lecz: „Na ile potrafię ocenić, czy stworzone przez AI narzędzie rzeczywiście mierzy to, co powinno mierzyć?”.

Assessment i Development Centre: AI może analizować dane, ale nie powinno zastępować asesora

Szczególnie interesujące możliwości pojawiają się w Assessment i Development Centre, gdzie gromadzona jest duża liczba obserwacji dotyczących zachowania uczestnika. Wyobraźmy sobie osobę, która w zadaniu grupowym szybko przejmuje inicjatywę i przekonuje innych do swojego stanowiska, natomiast w rozmowie z podwładnym unika trudnego feedbacku. AI może zestawić te informacje, uporządkować obserwacje, znaleźć powtarzające się wzorce oraz postawić hipotezę, że uczestnik skuteczniej wykorzystuje wpływ w sytuacjach zadaniowych niż wymagających konfrontowania innych z trudnymi informacjami. To jednak nadal hipoteza, dlatego asesor powinien sprawdzić, z jakich zachowań wynika, czy inne obserwacje ją potwierdzają oraz czy interpretacja nie wykracza poza zgromadzony materiał. Właśnie tutaj Human in the Loop staje się konkretną procedurą jakości diagnozy: AI proponuje syntezę, człowiek wraca do danych źródłowych, weryfikuje interpretację i dopiero wtedy akceptuje, modyfikuje albo odrzuca wniosek.

Raport w kilka minut nie oznacza diagnozy w kilka minut

Innym atrakcyjnym zastosowaniem AI jest generowanie raportów – na podstawie ocen i notatek asesorskich model może przygotować opis mocnych stron, obszarów rozwojowych czy pierwszą wersję podsumowania wyników. Problem pojawia się wtedy, gdy płynność języka utożsamiamy z jakością diagnozy. Jeżeli w notatkach zapisano, że manager „przedstawił pracownikowi własne rozwiązanie i zapytał, czy się z nim zgadza”, AI może zinterpretować to jako angażowanie pracownika, podczas gdy ekspert uzna zachowanie raczej za pozorną partycypację, ponieważ rozwiązanie zostało wcześniej zdefiniowane przez managera. Ta niewielka różnica językowa oznacza istotną różnicę diagnostyczną, dlatego raport wygenerowany przez AI powinien pozostawać wersją roboczą wymagającą walidacji, a człowiek odpowiadać za to, czy wnioski znajdują potwierdzenie w danych.

Od diagnozy do rozwoju – tutaj także potrzebny jest człowiek

AI może również znacząco przyspieszyć przejście od diagnozy do rekomendacji rozwojowych, jednak lista książek, szkoleń czy ćwiczeń nie jest jeszcze planem rozwoju. Jeżeli diagnoza pokazuje, że manager deleguje przede wszystkim proste zadania, a te wymagające większej odpowiedzialności zachowuje dla siebie, plan powinien prowadzić do zmiany właśnie tego zachowania. W modelu 70–20–10 może to oznaczać stopniowe przekazywanie pracownikowi odpowiedzialności za konkretny fragment projektu, obserwację bardziej doświadczonego managera oraz regularny feedback od przełożonego, wspierane odpowiednim materiałem edukacyjnym. AI może pomóc zaprojektować taki plan, ale ekspert powinien zweryfikować, czy rekomendowane działania odpowiadają na rzeczywistą lukę behawioralną, a nie jedynie na nazwę kompetencji.

Paradoks AI: im lepsze narzędzie, tym ważniejsza wiedza ekspercka

Można oczekiwać, że rozwój generatywnej AI zmniejszy znaczenie specjalistycznej wiedzy HR, tymczasem może wydarzyć się coś odwrotnego, ponieważ im lepsze stają się modele generatywnej sztucznej inteligencji, tym trudniej odróżnić rezultat poprawny od takiego, który jedynie brzmi profesjonalnie. Każda osoba bez wiedzy z zakresu diagnozy kompetencji może dziś wygenerować model, wywiad behawioralny, zadanie Assessment Centre, raport i plan rozwojowy, które będą wyglądały profesjonalnie i sprawiały wrażenie metodologicznie spójnych. Ekspert zrobi jednak coś więcej: określi kryteria jakości, przygotuje właściwy kontekst, zweryfikuje źródła wniosków, zauważy nadinterpretacje i zdecyduje, kiedy AI nie powinno być wykorzystywane. Dlatego kompetencja przyszłości w HR będzie połączeniem wiedzy HR, kompetencji metodologicznych, krytycznego myślenia, umiejętności pracy z danymi oraz świadomego zarządzania współpracą człowieka z AI.

Wartość specjalisty HR coraz rzadziej będzie wynikała z samego wykonywania czynności, które technologia potrafi przyspieszyć, a coraz częściej – z umiejętności zaprojektowania procesu, w którym wiadomo, co powinien wykonać człowiek, co warto delegować AI oraz gdzie konieczny jest profesjonalny osąd. HR nie powinien więc stawać się operatorem AI, który wykorzystuje otrzymany rezultat, lecz architektem współpracy człowieka i technologii – i właśnie to może być jedną z najważniejszych zmian, jakie generatywna AI przyniesie do profesjonalnej diagnozy kompetencji.

AI prawdopodobnie przejmie znaczną część czynności związanych z porządkowaniem informacji, analizą danych czy przygotowywaniem pierwszych wersji materiałów i raportów, dzięki czemu ekspert HR będzie mógł skoncentrować się na definiowaniu kryteriów, interpretacji zachowań i podejmowaniu odpowiedzialnych decyzji. Dlatego pytanie nie brzmi już: „Czy wykorzystywać AI w diagnozie kompetencji?”, lecz: „Jak zaprojektować współpracę człowieka i AI, aby technologia zwiększała jakość i efektywność diagnozy, a człowiek zachował kontrolę nad jej rzetelnością, interpretacją i konsekwencjami?”.

Wokół takiego podejścia zbudowany został program AI Competence Lab IBD Business School, w którym AI nie jest traktowana jako substytut wiedzy HR, lecz jako narzędzie rozszerzające możliwości eksperta. Uczestnicy pracują nad jej wykorzystaniem od budowania modeli kompetencyjnych i projektowania narzędzi diagnostycznych, przez Assessment i Development Centre oraz analizę danych, aż po raportowanie i projektowanie działań rozwojowych. Przyszłość HR nie będzie bowiem polegała na oddaniu decyzji sztucznej inteligencji, lecz na tym, aby wiedzieć, co warto jej powierzyć, jak zweryfikować rezultat i kiedy decyzję musi podjąć człowiek.