W Polsce rozmowy o zarobkach stanowią pewne tabu - nie lubimy o nich mówić, bo uchodzi to za krępujące, a podnoszenie tego tematu w towarzystwie wnosi pewną dozę niezręczności. Co więcej, niektóre firmy nakładają regulaminowy zakaz rozmawiania o tym w trakcie, jak i po pracy. Niemniej implementacja unijnych przepisów sprawi, że tego rodzaju bariery będzie trzeba jakoś pokonać. Trudno spodziewać się, że dyrektywą znieść można skrępowanie w dyskusjach o swojej wypłacie, tak już wprowadzenie zobiektywizowanych mechanizmów ustalania wartości pracy, wydaje się być prostszym i bardziej wykonalnym zadaniem. W tekście tym chciałbym zastanowić się, czy zagarniające coraz szersze sfery naszego życia narzędzia doładowane tak zwaną sztuczną inteligencją, pomogą w osiągnięciu tego celu.
W sytuacjach związanych z pieniędzmi, takimi jak dyskusja o nich czy negocjacje płacowe trudno jest wyłączyć emocje. Jest to zrozumiałe, bo mowa o istotnym elemencie życia. W takim wypadku przewagę będzie osiągać osoba niekoniecznie lepsza merytorycznie, ale z lepszym wyposażeniem perswazyjnym. Uniknięcie tego typu niesprawiedliwości można wprowadzić poprzez przejrzyste i wolne od emocji zasady. By tego dokonać możemy wykorzystać do tego narzędzia i algorytmy. Ale czy na pewno będzie to rozwiązanie optymalne i wolne od wad?
Maszyna czyta między wierszami
Pomińmy tu kwestię mnogości dostępnych rozwiązań, gdzie możemy przebierać od prostych arkuszy kalkulacyjnych do zaawansowanych, specjalnie wytrenowanych i dostrojonych do indywidualnych potrzeb modeli językowych. Jeśli mamy już odpowiednie narzędzia, możemy wybrać metodę działania. Nowoczesne narzędzia potrafią rozpoznawać język naturalny i przeanalizować opis stanowiska pracy, by wyciągnąć z tego wnioski na temat kontekstu, a następnie przypisać tu odpowiednią wagę punktową zgodnie z przyjętą skalą wartościowania. Patrząc szerzej na opisy stanowisk, narzędzia te mogą porównywać różne stanowiska w celu znalezienia i uwypuklenia specyficznych cech, które podnoszą wartość danego stanowiska.
Matematyka podwyżek i profil kandydata
Z drugiej strony narzędzia uczenia maszynowego mogą przeanalizować ogromną liczbę rekordów zawierających takie parametry, jak staż, wykształcenie, certyfikaty czy wyniki pracowników, by potem na tej podstawie wyliczyć odpowiednie wynagrodzenie. Łącząc to z powyższą analizą opisu stanowisk, można utworzyć profil kandydata idealnego, którego firma szuka na to stanowisko.
Gdy mamy już informacje na temat stanowiska i kandydata, możemy zastanowić się jak zmienia się wpływ pracownika na działania firmy na przestrzeni czasu, jak zmienia się wartość, którą wnosi do firmy, a więc jak w związku z tym powinno zmienić się też wynagrodzenie. Narzędzia służące do modelowania pomogą sprawdzić, o ile wzrasta ta wartość w zależności od stażu pracy, nabywanych umiejętności, zdobytych certyfikatów, czy przeprowadzonych projektów. Uwzględnić można tu dodatkowe warunki czy okoliczności, a im bardziej precyzyjne będzie modelowanie, tym dokładniejsze będą wyliczenia. Tego typu analiza może przyjąć formę prostszej regresji liniowej lub bardziej skomplikowanych tak zwanych lasów losowych (ang. Random Forest), które pod uwagę biorą również ocenę rzadko spotykanych umiejętności i potrafią wykryć poziomy wynagrodzenia, które nie uzasadniają wymienione wyżej cechy.
Inną metodą badania wynagradzania pracowników może być klastrowanie, czyli analiza grup podzielonych wcześniej nie ze względu na nazwy czy opisy stanowisk, ale na faktycznie wykonywane zadania i potrzebne do tego kompetencje. Tego rodzaju szersze spojrzenie pozwala wykryć anomalie płacowe, gdy dany pracownik zarabia zbyt mało lub zbyt dużo w stosunku do tego, jak wyglądają płace w danym zakresie obowiązków.
Algorytmy mogą odpowiadać też za systemy rekomendacyjne w przypadku polityki podwyżek w danej firmie. Pula do tego przeznaczona mogłaby być przydzielana w sposób odpowiadający osiągnięciom poszczególnych pracowników w wyznaczonym okresie, a także brać pod uwagę stopień satysfakcji czy ryzyko odejścia pracownika z firmy. Dodatkowo tego typu narzędzia pomogłyby identyfikować korelacje między wynagrodzeniem a satysfakcją oraz wskazywać moment, w którym nieadekwatne wynagrodzenie może przybliżyć decyzję o złożeniu wypowiedzenia. Przezroczystość opisywanych tu kroków byłaby więc elementem wpływającym na poczucie sprawiedliwości i satysfakcji pracownika.
Koniec z premią za „gadane”
Tego rodzaju metody ustalania wynagrodzenia przy pomocy narzędzi statystycznych i uczenia maszynowego pozwolą wyeliminować najbardziej jaskrawe problemy związane z negocjacjami płacowymi i polityką podwyżek w firmach. Najważniejszym z nich byłoby wykorzystywanie nieformalnych cech i kompetencji, które ułatwiają jednostkom postawienie na swoim. W takim wypadku osoby charyzmatyczne czy “wygadane” miałyby przewagę w ustalaniu wynagrodzenia, co nie musiałoby się przekładać na jakość wykonywanej przez nie pracy. Wyżej wymienione narzędzia sprawią, że ta nieformalna i niemerytoryczna przewaga zostanie wykluczona. Dodatkowo, poprawnie ustawione algorytmy sprawią, że inne cechy, które nie powinny mieć przełożenia na poziom wynagrodzenia zostaną ujęte w odpowiednich ramach. Dyrektywa 2023/970 kładzie nacisk na stosowanie obiektywnych i neutralnych pod względem płci kryteriów wynagradzania.
Wypłata z algorytmu: lekcja od firmy Buffer
W przyszłości może okazać się, że poprawnie ustawione algorytmy będą działać “samodzielnie” w kwestii wynagradzania, tak jak w firmie Buffer, gdzie wynagrodzenia oraz premie są ustandaryzowane i zalgorytmizowane. Wszystkie zarobki w tej firmie są jawne, a ich wysokość ustalana jest według wzoru, który bierze pod uwagę rolę w organizacji, staż pracy czy doświadczenie. W związku z tym odpada problem negocjacji, jak również czasochłonnego zarządzania podwyżkami tak, żeby jak największa część osób była usatysfakcjonowana.
Pułapka danych: gdy maszyna powiela uprzedzenia
Możliwości obliczeniowe dzisiejszych narzędzi sprawiają, że wyliczenie “obiektywnego” poziomu wynagrodzenia dla każdej osoby wydaje się być możliwe bardziej niż kiedykolwiek. Wystarczy dostarczyć odpowiednich danych, napisać algorytm, który będzie te dane przetwarzał i dostaniemy prosty, jednoznaczny wynik. Jednak dobra konfiguracja tych narzędzi może okazać się trudniejsza, niż wydaje się na pierwszy rzut oka. Różnego rodzaju narzędzia statystyczne muszą zostać wcześniej “nakarmione” danymi tak, aby na tej podstawie móc wyszukiwać korelacji między nimi. Pamiętamy, że to ma pomóc w unikaniu występowania błędów poznawczych, takich jak stronniczość ze względu na płeć czy wiek. Ale co w przypadku, gdy dane z przeszłości będą odzwierciedlały tego typu uprzedzenia i nieusprawiedliwione różnice? Wtedy - zgodnie ze zjawiskiem bias in, bias out (uprzedzenie na wejściu, uprzedzenie na wyjściu) - narzędzia uznają to za stan naturalny i otrzymane wyniki będą reprodukowały taki stan rzeczy. Dlatego ważne jest dogłębne zrozumienie tego problemu oraz analiza danych pod kątem możliwych błędów.
Bezduszna technika czy ludzka intuicja?
Innym problemem może być niepokój czy niepewność związana z pełną automatyzacją tego procesu, czyli pewnego rodzaju odpodmiotowieniem człowieka na rzecz maszyny. Stoi za tym przekonanie, że algorytmy nie są w stanie adekwatnie oddać różnego rodzaju kontekstu realnego, nie-maszynowego życia społecznego, szczególnie w niestandardowych przypadkach. Mogłoby się okazać, że pewne działania, które są racjonalne z punktu widzenia narzędzia, mogłyby się okazać “bezduszne” czy niesprawiedliwe z punktu widzenia społecznego. Człowiek chce uważać się za istotę racjonalną, ale często przyjmuje się tu racjonalność w wąskim, ekonomicznym wymiarze. Na nasze decyzje wpływ mają również wartości pozaekonomiczne, a działania podejmowane przez algorytmy mogą mieć problem z odzwierciedleniem tego stanu rzeczy.
Człowiek za sterami algorytmu
Ponadto, o czym była mowa wcześniej, narzędzia statystyczne mają nam pomóc w tym, by uczynić procesy bardziej przejrzystymi i jasnymi. Jednak nie w każdym wypadku będzie to możliwe. Proste algorytmy i formy podejmowania decyzji zachowują zasadę transparencji, ale możemy też trafić na bardziej skomplikowane czy zagmatwane procesy. Wspomniana metoda lasów losowych może polegać na wyliczeniu kwoty podwyżki na podstawie obliczeń kilkuset powiązanych ze sobą drzew decyzyjnych, co sprawi, że decyzja ta nie będzie wcale taka przejrzysta, jak wydawało się na początku. Techniczna doskonałość może zatem przegrywać ze społeczną potrzebą rozumienia tego, dlaczego otrzymaliśmy taki, a nie inny wynik.
Podsumowując, opisane wyżej narzędzia statystyczne, z algorytmami i modelami językowymi na czele, mogą być bardzo pomocne w procesie dostosowywania rynku pracy do unijnej Dyrektywy 2023/970. Trzeba jednak pamiętać, że to wszystko nie będzie działało w próżni i nie zrobi wszystkiego za nas. Nawet najbardziej zaawansowane procesy wyliczania wynagrodzenia, przy braku kontroli człowieka, mogą nie spełnić naszego oczekiwania co do transparentności i sprawiedliwości wynagradzania. Tego typu zmiany w prawie mogą być dobrą okazją do rozwijania i wdrażania nowych technologii w opisanym wyżej zakresie. Dlatego ważne jest, by w ślad za rozwiązaniami technologicznymi szła też większa świadomość odnośnie do ich używania oraz fakt, że odpowiedzialność za prawidłowe skonfigurowanie tych narzędzi nadal jeszcze spoczywa na człowieku. W praktyce organizacje mogą wspierać ten proces za pomocą wyspecjalizowanych narzędzi, takich jak
System Struktur Wynagrodzeń Sedlak
& Sedlak, który wspiera wartościowanie stanowisk, tworzenie kategorii zaszeregowania i budowę tabel płac. Przyszłość wynagrodzeń nie jest wyborem między człowiekiem a maszyną, ale wykorzystaniem algorytmicznego obiektywizmu do budowania kultury zaufania, w której pensja przestaje być tematem tabu, a liczą się realne umiejętności i kompetencje.
