На AI Journey-2025 Герман Греф заявил, что до 1 января 2026 года «Сбер» сократит до 20% сотрудников, которых нейросеть признает неэффективными.
Система будет анализировать проекты, роли, цифровые следы сотрудников и сопоставляет выводы с оценками экспертных команд. По словам Грефа, результаты алгоритма примерно на 80% совпадают с выводами HR и руководителей.
Это первый публичный случай в России, когда компания напрямую связывает сокращения с оценкой искусственным интеллектом. Но на мировом рынке подобная система применяется давно.
Как это уже работает в мире
Amazon. Логистические подразделения оценивает автоматизированная система: скорость выполнения задач, количество ошибок, стабильность. Если показатели несколько периодов ниже нормы — алгоритм формирует уведомление об увольнении. Причины вроде неисправного сканера или обучения новичков не учитываются.
IBM. Предиктивная модель оценивала ценность сотрудника в будущем, вероятность ухода и устойчивость навыков. Когда под сокращение начали попадать преимущественно сотрудники старше 45 лет, алгоритм стал предметом судебных исков, связанных с дискриминацией.
Accenture. Более 550 000 сотрудников обучили работе с ИИ и данными, но при этом сократили свыше 11 000. Людей, которые не успевали адаптироваться к требованиям рынка, признали «неперспективными».
HireVue. Предлагала алгоритмическую оценку кандидатов по видео: речь, интонации, лексика и мимика. После интереса регуляторов компания была вынуждена отказаться от анализа лиц — невозможно доказать справедливость решения.
На рынке закрепилась схема: сначала формируется цифровой скоринг, затем HR и руководители либо подтверждают его.
Из чего состоит алгоритмическая оценка
Алгоритм анализирует цифровые следы в рабочих системах:
- статусы задач из Jira, Trello, YouTrack;
- скорость, объём, стабильность результатов;
- коммиты, pull requests, review, ошибки, сопровождение;
- посещение встреч, скорость реакции, связи между командами;
- участие в обучении и обновлении навыков;
- оценки коллег и руководителей;
- показатели по клиентским кейсам, SLA, инцидентам, NPS.
На основе этих данных строится профиль. Машина не фиксирует стратегическое влияние, фасилитацию, редкие задачи или неформальную помощь командам. Она ищет совпадения с теми, чей профиль система считает эффективным.
Для человека это может выглядеть как простая метка: low performer. Не потому, что работа не важна — а потому, что её не видно.
Недостаток данных — уже сигнал. Даже если сотрудник играет ключевую роль, но следов мало, он выглядит «слабым».
Для человека это может выглядеть как простая метка: low performer. Не потому, что работа не важна — а потому, что её не видно.
Как подготовиться, если работа связана с цифрой
1. Понять, какие данные собираются. Какие системы учитываются, какие KPI используются для конкретной роли, кто дополняет машинный анализ — только алгоритм или живой руководитель.
2. Делать работу видимой. Фиксировать решения, писать документацию, участвовать в обсуждениях письменно, отмечать итоговые результаты. Это не про показуху, а про доступность данных.
3. Оцифровывать ценность. Не только «что сделано», но и «что изменилось». Сокращение времени процессов, снижение ошибок, повышение удержания, автоматизация, влияние на NPS и SLA.
ИИ уже пишет статьи, рисует картины и сдаёт экзамены лучше студентов. Но сможет ли он заменить именно вас на работе?
Как защищаться, если результат оценки не совпадает с вашими ожиданиями
При негативной оценке можно запросить:
- какие данные были использованы;
- за какой период;
- почему вывод именно такой;
- учитывались ли исключения, нецифровые задачи, временные роли или блокировки.
Корпоративная политика и трудовое законодательство позволяют требовать расшифровку. На пересмотре важно показать, что система не видит часть работы, но она существует и подтверждена фактами.
Жалобы не работают. Данные, документы, контекст — работают.
Что будет дальше
ИИ-оценка станет стандартом, особенно в крупных компаниях. Модели будут учитывать не только скорость и объём, но и обучение, влияние на других, устойчивость решений, инициативность.
Это может сделать оценку объективнее, но ставит под угрозу тех, чья работа не попадает в Jira, Trello или Git. Не потому, что они менее ценные — а потому, что система не умеет видеть невидимое.
Параллельно будут расти требования к прозрачности решений: право на объяснение, защита от дискриминации, возможность оспаривания. Это уже закреплено в США, Великобритании и ЕС. В России процесс идёт медленнее, но будет неизбежным.
Коротко о самом важном
Что такое алгоритмическая оценка сотрудников?
Это анализ цифровых следов сотрудника с помощью ИИ: задач, скорости выполнения, ошибок, взаимодействия, обучения и показателей.
Можно ли оспорить оценку ИИ?
Да. Можно запросить конкретику, потребовать расшифровку данных и предоставить подтверждённый контекст.
Какие компании уже используют ИИ для оценки?
Amazon, IBM, Accenture, HireVue, Walmart, Deloitte и другие корпорации.
Что важно, чтобы не попасть в группу риска?
Оцифровывать работу, оставлять следы в системах, показывать эффект и фиксировать участие в важных процессах.
Будет ли ИИ увольнять людей?
ИИ не принимает решение сам, но формирует список кандидатов на обсуждение.
