AI v HR brez odvečnega pompa: 4 stopnje in kako začeti
Vsak ponudnik programske opreme za kadrovske službe (HR) danes prodaja »umetno inteligenco« (AI). Zelo redki pa vam znajo povedati, kje sploh začeti. Ta vrzel je stvarni problem z umetno inteligenco v kadrovanju danes. Ozko grlo ni tehnologija, temveč razumevanje, katera vrsta AI ustreza kateri težavi, kaj potrebuje od vaših podatkov in kaj lahko gre narobe.
V tem članku umetno inteligenco v HR-ju delimo na štiri stopnje: od preproste avtomatizacije do avtonomnih agentov. Vsaka stopnja gradi na prejšnji. Večina organizacij doseže največjo povratno vrednost pri prvih dveh stopnjah, zelo redke pa bi morale začeti pri četrti. Na koncu predstavljamo praktičen način za začetek: en primer uporabe, en pilotni projekt, vaši lastni podatki in skladnost z uredbo GDPR od prvega dne.
Zakaj se večina projektov AI v HR-ju ustavi, še preden se začne
Večina projektov AI v HR-ju ne pade v produkciji. Padejo mesece prej – na delavnicah in sestankih upravnih odborov, preden je razvit ali naučen en sam model. Vzroki so presenetljivo dosledni.
Začetek pri orodju namesto pri problemu
Prikaz ponudnika je navdušujoč, licenca je kupljena, šele nato pa se nekdo vpraša, kaj naj bi to orodje pravzaprav delalo. Boljše vprašanje je vedno tisto bolj dolgočasno: kateri proces v HR-ju nam trenutno vzame največ časa, denarja ali ljudi?
Neurejeni kadrovski podatki
Kadrovski podatki so redkokdaj tako čisti, kot so videti na nadzorni plošči. Šifre delovnih mest se po reorganizaciji spremenijo, razlogi za odsotnost se vnašajo nedosledno, izstopni intervjuji pa ležijo v prostem besedilu ali v nekem poštnem predalu. Vsaka AI, zgrajena na takšnih podatkih, podeduje njihove pomanjkljivosti.
Brez jasnega lastnika
Kadrova služba predvideva, da bo projekt vodil IT. IT predvideva, da je kadrovska služba lastnik procesa. Pooblaščena oseba za varstvo podatkov izve za projekt zadnja. Brez enega imenovanega lastnika, ki je odgovoren za rezultat, se odločitve razvodenijo, projekt pa se tiho zaustavi.
Preobsežen nabor ciljev (scope)
»Uporabimo AI skozi celoten življenjski cikel zaposlenega« zveni strateško. V praksi to pomeni dvanajst mesecev zbiranja zahtev in nič rezultatov, ki bi jih bilo mogoče izmeriti. Majhni, specifični obsegi preživijo; veliki zastanejo.
Prepozno odprta pravna vprašanja in pomisleki svetov delavcev
V Avstriji in Nemčiji orodje, ki lahko spremlja ali ocenjuje zaposlene, običajno potrebuje soglasje sveta delavcev. Ko se pravna služba in predstavniki zaposlenih vključijo šele po zaključenem načrtovanju, se projekt pogosto vrne na sam začetek.
1. stopnja: Avtomatizacija
- Kaj je: Programska oprema, ki sledi fiksnim pravilom, ki jih določite sami, ter vsakič na enak način izvede isto ponavljajoče se opravilo.
- HR-avtomatizacija se ne uči, vendar je temelj za vse, kar sledi, in pogosto mesto, kjer so prihranki najhitrejši.
Konkreten primer iz HR-ja
Vsak mesec kadrovski analitik izvozi podatke o številu zaposlenih, odsotnostih in nadurah iz treh sistemov, jih prilepi v preglednico, popravi oblikovanje in pošlje poročilo dvanajstim vodjem. Proces, temelječ na pravilih, lahko samodejno potegne iste podatke, uporabi enake preveritve in dostavi poročilo. Enaka logika deluje pri uvajanju zaposlenih (onboarding): ko je pogodba podpisana, se samodejno sprožijo odprtja računov, zahtevki za opremo in urnik za prvi teden, ne da bi moral kdo koga opominjati.
Kaj morate imeti pripravljeno
Potrebujete stabilen in že dokumentiran proces (tudi če neformalno). Potrebujete dostop do izvirnih sistemov, najsi bo to SAP SuccessFactors Employee Central, Oracle HCM ali vaš plačilni sistem. Potrebujete pa tudi eno osebo, ki pozna izjeme, saj ima vsak HR-proces svoje izjeme.
Tipično tveganje ali omejitev
Avtomatizacija le pospeši slab proces. Če je temeljno poročilo napačno ali ga nihče ne bere, avtomatizacija ne spremeni ničesar. Pravila se prav tako porušijo, ko se proces spremeni, zato jih mora nekdo vzdrževati.
2. stopnja: Strojno učenje (Machine Learning)
- Kaj je: Modeli, ki iščejo vzorce v vaših zgodovinskih podatkih in jih uporabljajo za napovedovanje pri novih primerih.
- Namesto da sledi pravilom, ki ste jih napisali, se sistem uči iz primerov – na primer iz dejavnikov, ki so se običajno pojavili pred odpovedjo zaposlitve.
Konkreten primer iz HR-ja
Napovedovanje tveganja odhodov (flight-risk prediction) je klasičen primer. Model analizira delovno dobo, čas od zadnjega napredovanja, položaj plače znotraj plačnega razreda, spremembe vodij, vzorce nadur ter odsotnosti in ocenjuje, pri katerih zaposlenih obstaja večja verjetnost, da bodo odšli v naslednjih 6 do 12 mesecih. Kadrovski svetovalci (HR Business Partners) nato ta signal uporabijo za prednostno izvedbo pogovorov za obdržanje zaposlenih (stay conversations), ne pa za sprejemanje končnih odločitev o posameznikih. Podobni modeli lahko opozorijo na nenavadne vzorce odsotnosti v ekipi ali napovejo vrhunce nadur, preden se ti zgodijo.
Kaj morate imeti pripravljeno
Strojno učenje potrebuje zgodovino: običajno vsaj 2 do 3 leta dokaj doslednih podatkov z dovolj stvarnimi primeri izida, ki ga želite napovedati. Podjetje s 150 zaposlenimi in osmimi odpovedmi na leto preprosto nima dovolj primerov za zanesljiv model fluktuacije. Potrebujete tudi jasno opredelitev izida, pregled varstva podatkov, preden se uporabijo kakršni koli osebni podatki, ter nekoga v HR-ju, ki zna interpretirati rezultate.
Tipično tveganje ali omejitev
Modeli se učijo iz preteklosti – vključno z njenimi pristranskostmi. Če so nekatere skupine v preteklosti manj pogosto napredovale, lahko model tiho ponovi ta vzorec. Napovedi so verjetnosti, ne dejstva, in izgubijo natančnost, ko se organizacija spremeni. Model potrebuje redne preveritve, ne le enkratne lansiratve.
3. stopnja: Razširjena inteligenca (Augmented Intelligence)
- Kaj je: AI, ki deluje z ramo ob rami s človekom – pripravlja osnutke, povzema ali predlaga – medtem ko človek ostaja odgovoren za odločitev.
- Večina današnje generativne umetne inteligence sodi sem: jezikovni modeli napišejo prvi osnutek mnogih opravil v HR-ju, človek pa ga pregleda, popravi in odloči.
Konkreten primer iz HR-ja
Kadrovska služba prejme na stotine vprašanj o plačah mesečno: zakaj je moja neto plača nižja, kdaj bo izplačan bonus, kako se izračuna nadomestilo za dopust. Asistent lahko prebere vprašanje, poišče ustrezna pravila podjetja ter podatke s plačilne liste zaposlenega in pripravi osnutek odgovora, ki ga kadrovski strokovnjak pregleda in pošlje. Pri zaposlovanju lahko enak pristop strne prijave glede na zahteve delovnega mesta, tako da rekruter pregleda strukturiran pregled namesto branja vsakega življenjepisa od začetka.
Kaj morate imeti pripravljeno
Potrebujete temelje avtomatizacije in podatkov iz 1. in 2. stopnje: čiste matične podatke ter dobro vzdrževane dokumente o politikah podjetja. Potrebujete jasno pravilo o tem, do katerih podatkov lahko asistent dostopa, in varno okolje, da podatki zaposlenih ne zapustijo vašega nadzora. Predvsem pa potrebujete delujoč korak preverjanja – ne le potrditvenega polja, ki ga ljudje kliknejo brez branja.
Tipično tveganje ali omejitev
Jezikovni modeli lahko generirajo samozavestne, tekoče in popolnoma napačne odgovore. Tveganje ni občasna napaka, temveč to, da ljudje osnutku preveč zaupajo, ker je dobro napisan. Pri zaposlovanju povzetek, ki razvršča kandidate, že vpliva na odločitev, kar ga približuje kategoriji visokega tveganja po Aktu EU o umetni inteligenci (obravnavanem spodaj).
4. stopnja: Avtonomni agenti
- Kaj je: Sistemi AI, ki načrtujejo in izvajajo večstopenjska opravila v več sistemih ter ukrepajo z omejeno vključenostjo človeka.
- AI-agenti za HR so trenutno glavna tema skoraj vsake predstavitve ponudnikov. Namesto priprave osnutka odgovora agent samostojno izvede celotno opravilo.
Konkreten primer iz HR-ja
Zaposleni zaprosi za skrajšanje delovnega časa s 40 na 32 ur od naslednjega četrtletja. Agent preveri pravilnike in kolektivno pogodbo, potrdi upravičenost, pripravi aneks k pogodbi, posodobi načrtovane ure v HR-sistemu, opozori službo za obračun plač in rezervira pogovor z vodjo.
Kaj morate imeti pripravljeno
Vse iz spodnjih treh stopenj, saj so agenti zanesljivi le toliko, kolikor so zanesljivi njihovi temelji. Potrebujete tudi strogo določena dovoljenja (kaj agent sme brati in kaj sme spreminjati), popolne revizijske sledi vsakega ukrepa ter jasno pot predaje človeku v primeru kakršnih koli odstopanj.
Tipično tveganje ali omejitev
Napake na tej stopnji so dejanja, ne osnutki. Napačna sprememba delovnih ur se prenese neposredno v obračun plač. Agenti odpirajo tudi najtežja pravna vprašanja, saj odločitev s pomembnim vplivom na zaposlene po GDPR ne gre enostavno prepustiti stroju. Iz teh razlogov večina podjetij ne bi smela začeti na 4. stopnji. Najprej zgradite temelje, nato pa agentom prepustite ozke, dobro razumljene naloge, koder je napake enostavno ujeti in odpraviti.
AI kot sloj nad SAP-jem, Oraclom in Excelom – ne pa njihova zamenjava
Za uporabo AI vam ni treba zamenjati obstoječega kadrovskega informacijskega sistema (HRIS). V večini naših projektov AI deluje kot sloj nad sistemi, ki jih podjetje že uporablja. HR-sistem ostaja edini vir resnice.
Za podjetja, ki uporabljajo SAP SuccessFactors, to običajno pomeni delo s podatki iz modulov Employee Central, Recruiting, Performance in Learning preko standardnih API-vmesnikov. Za podjetja na Oracle HCM Cloud velja enako načelo.
Mnogo srednje velikih podjetij ključne kadrovske procese še vedno vodi v Excelu, kar ni ovira. Dobro strukturiran nabor preglednic za število zaposlenih, odsotnosti in nadure je pogosto povsem dovolj za prvo avtomatizacijo ali preprosto napovedovanje.
Tak pristop preprečuje dragoceno zamenjavo platforme, še preden veste, koliko vam AI sploh prinaša. In če pilotni projekt ne uspe, ga enostavno izklopite, ne da bi pri tem motili vsakodnevno delovanje HR-ja.
Kako začeti: en primer uporabe, en pilot, vaši lastni podatki
Najvarnejša pot v svet AI je majhna in specifična. En primer uporabe, en časovno omejen pilotni projekt AI, izveden na vaših lastnih podatkih, z rezultatom, ki ga lahko izmerite. Tukaj je pot, ki ji sledimo pri našem svetovalnem delu na področju uporabne AI:
- Izberite en potraten proces, ki ga je mogoče izmeriti. Iščite delo, ki se ponavlja, je drago in se že spremlja: čas do polne produktivnosti novih zaposlenih, fluktuacija v določeni skupini, nadure v enem oddelku ali ure, porabljene za mesečno poročilo.
- Preverite podatke, preden storite išta drugega. Kje se nahajajo, koliko let zgodovine obstaja in kako dosledni so? Dvodnevni pregled podatkov pogosto prihrani dva meseca razočaranja.
- Določite merilo uspeha in izhodišče. Pred začetkom se dogovorite o eni številki, na primer »skrajšati čas uvajanja s 60 na 45 dni«, in zabeležite današnjo vrednost za pošteno primerjavo.
- Izvedite časovno omejen pilotni projekt. Osem do dvanajst tednov je običajno dovolj za prvo verzijo: osnovni delujoči izdelek (MVP), ki ga realni uporabniki preizkusijo na stvarnih primerih, pri čemer so preverjanja varstva podatkov opravljena vnaprej.
- Odločite se za širitev ali zaustavitev. Če rezultat preseže izhodišče, načrtujte uvedbo. Če ne, ustavite projekt, obdržite spoznanja o svojih podatkih in izberite naslednji primer uporabe.
Skozi naše projekte so stranke dosegle 10–30 % nižjo fluktuacijo, 20–50 % hitrejše uvajanje, 10–15 % manj nadur ter 2- do 5-krat več internih napredovanj. To so rezultati iz naših lastnih projektov, ne panogovna povprečja, in so odvisni od izhodiščne točke.
Seznam za preverjanje (Checklist) za vaš naslednji sestanek
- [ ] Imamo imenovan en proces in enega lastnika v HR-ju.
- [ ] Vemo, kje se nahajajo podatki in koliko let zgodovine imamo.
- [ ] Dogovorili smo se o enem merilu uspeha in zabeležili izhodišče.
- [ ] Naš pooblaščenec za varstvo podatkov je pregledal načrt.
- [ ] Svet delavcev ali predstavniki zaposlenih so bili obveščeni.
- [ ] Pilotni projekt ima določen datum konca in zgornjo mejo proračuna.
- [ ] Vnaprej smo se dogovorili, kateri rezultat pomeni »širitev« in kateri »zaustavitev«.
Če želite ta vprašanja predelati kot ekipa, se naša dvodnevna delavnica AI za HR-ekipe zaključi s pravilnikom o uporabi AI in usmeritvami, prilagojenimi vaši organizaciji.
GDPR od prvega dne
Kadrovski podatki sodijo med najbolj občutljive podatke, ki jih podjetje ima. Če je varstvo podatkov vgrajeno od samostojnega začetka, projekt redko upočasni; če pa ga dodate na koncu, ga pogosto popolnoma ustavi.
Osnove GDPR, ki so pomembne za AI v HR-ju
Vsaka dejavnost obdelave potrebuje zakonito podlago po Splošni uredbi o varstvu podatkov (GDPR). V delovnih razmerjih je privolitev obično šibka podlaga zaradi razmerja moči med delodajalcem in zaposlenim, zato se večina primerov uporabe v HR-ju opira na izvajanje pogodbe, zakonsko obveznost ali zakoniti interes, kar mora biti ustrezno dokumentirano.
Minimizacija podatkov pomeni uporabo samo tistih podatkov, ki jih namen dejansko potrebuje. Model za napovedovanje odhodov ne potrebuje zdravstvenih podatkov ali zasebnih aktivnosti na družbenih omrežjih in jih ne bi smel imeti.
22. člen GDPR daje posameznikom pravico, da zanje ne velja odločitev, ki temelji izključno na avtomatizirani obdelavi ter ima zanje pravne ali podobno pomembne učinke. Odpovedi, napredovanja in odločitve o zaposlitvi tja jasno sodijo. Smernice evropskih organov za varstvo podatkov glede avtomatiziranega sprejemanja odločitev jasno določajo, da mora biti vpletenost človeka vsebinska: formalno potrjevanje izpisa algoritma s strani vodje se ne šteje za ustrezno.
Ocena učinka v zvezi z varstvom podatkov (DPIA) je potrebna, kadar je verjetno, da bo obdelava povzročila veliko tveganje za pravice posameznikov. Sistematično vrednotenje zaposlenih s profiliranjem je tipičen sprožilec, zato načrtujte DPIA pri skoraj vsakem primeru uporabe od 2. do 4. stopnje.
Akt EU o umetni inteligenci (EU AI Act): kaj velja in kdaj
Akt EU o umetni inteligenci (Uredba (EU) 2024/1689) razvršča sisteme AI, ki se uporabljajo pri zaposlovanju in upravljanju delavcev, kot visokotvegane. Njegova Priloga III zajema sisteme za zaposlovanje in izbirne postopke, odločitve o napredovanju ali prekinitvi delovnega razmerja, dodeljevanje nalog ter spremljanje ali ocenjevanje uspešnosti delavcev.
Časovni časovnik se je spremenil. Obveznosti za te visokotvegane sisteme iz Priloge III bi prvotno morale začeti veljati 2. avgusta 2026. Digitalni omnibus o AI (Uredba (EU) 2026/1744), sprejet 8. julija 2026 in v veljavi od 27. julija 2026, je ta datum zamaknil na 2. december 2027. Drugi deli akta niso bili preloženi: prepovedane prakse veljajo že od februarja 2025, obveznosti glede preglednosti (kot je obveščanje ljudi, ko so v interakciji s sistemom AI) pa veljajo od 2. avgusta 2026.
Preložitev je okno za načrtovanje, ne pa razlog za čakanje. Zahteve same (upravljanje tveganj, človeški nadzor, dokumentacija, beleženje) ostajajo nespremenjene, sistem, zasnovan danes, pa bo deloval tudi takrat, ko bodo začele veljati. Delodajalci, ki pri delu uporabljajo visokotvegan sistem, morajo pred začetkom uporabe obvestiti tudi predstavnike delavcev in prizadete zaposlene.
Zgodaj vključite svete delavcev
V Avstriji in Nemčiji uvedba sistemov, ki lahko spremljajo ali ocenjujejo zaposlene, običajno zahteva sodelovanje sveta delavcev in pogosto formalen podjetniški sporazum. Predstavnikom zaposlenih že v fazi določanja obsega pokažite primer uporabe, podatke in korak človeškega pregleda. Po naših izkušnjah se projekti, ki to storijo, celostno premikajo hitreje, saj so najtežja vprašanja odgovorjena, preden je zasnova zaklenjena.
Začnite majhno, začnite premišljeno
AI v HR-ju ni ena sama tehnologija, temveč štiri stopnje, pri čemer vsaka potrebuje temelje stopnje pod seboj. Večina organizacij bo svoje prve prave rezultate dosegla z avtomatizacijo in strojnim učenjem, ne pa z avtonomnimi agenti. Podjetja, ki uspevajo, so redkokdaj tista z največjim proračunom; to so tista, ki izberejo en jasen problem, ga preizkusijo na svojih podatkih ter vključijo pravno službo in predstavnike zaposlenih od prvega tedna dalje. To je precej manj razburljiva zgodba od predstavitev ponudnikov, a toliko bolj zanesljiva.