АЛГОРИТМИЧЕСКАЯ ОЦЕНКА ПЕРСОНАЛА ПРИ ФОРМИРОВАНИИ КАДРОВОГО РЕЗЕРВА ОРГАНИЗАЦИИ

ALGORITHM-BASED EMPLOYEE ASSESSMENT IN ORGANIZATIONAL TALENT POOL DEVELOPMENT

Ключевые слова: кадровый потенциал, кадровый резерв, алгоритмическая оценка, искусственный интеллект, персональные данные, кадровое решение, цифровизация.

Keywords: human resource potential, talent pool, algorithmic assessment, artificial intelligence, personal data, personnel decisions, digital transformation.

Развитие кадрового потенциала не сводится к найму специалистов или повышению их квалификации. Организации нужно понимать, кто сможет взять на себя более сложную работу через год или два, освоить новое оборудование, заменить опытного сотрудника на ответственной должности. Например, если только один инженер знает особенности производственной линии, его длительное отсутствие сразу скажется на работе всего участка. Подготовить замену в последний момент трудно. Поэтому кадровую работу приходится связывать с планами предприятия, а не только с текущими вакансиями.

Для подготовки таких специалистов в организациях создают кадровый резерв. В него включают работников, которых рассматривают для возможного назначения на определенные должности после обучения и практической подготовки. Само включение не гарантирует продвижения. Однако для сотрудника попадание в резерв нередко открывает вполне реальные возможности. Его могут раньше других направить на обучение, пригласить в новый проект или поручить задачи, с которыми обычно работают более опытные коллеги. Поэтому важно не только выбрать кандидатов, но и объяснить, по каким правилам проходил отбор. Требования должны соответствовать будущей работе, а результаты проверки - опираться на сведения, которые можно подтвердить.

В кадровой работе все чаще помогают программы. Е.А. Панова и Н.Н. Опарина описывают переход от ручных операций к постановке задач для цифровых инструментов при подборе и отборе персонала [5, с. 12]. Такой подход можно использовать и внутри организации, когда формируется резерв на руководящие и специальные должности. Программа способна быстро сопоставить требования должности с подтвержденными навыками сотрудников. Но скорость обработки документов не следует путать с качеством окончательного выбора.

Представим ситуацию, когда каждому работнику автоматически начисляют баллы за стаж, завершенные курсы и выполнение плана. Только сама таблица еще не отвечает на главный вопрос - справится ли человек с обязанностями на новой должности.

Опытный исполнитель может отлично выполнять привычные операции, но не иметь навыков руководства командой. И наоборот, сотрудник с меньшим стажем способен быстрее разобраться в незнакомой технологии. Если алгоритм не учитывает характер будущей работы, его результат будет выглядеть точным лишь внешне.

Интересный способ решения задачи предложили В.А. Хвостов, В.С. Дадыкин, Р.В. Камозин и В.М. Тимошкин. Авторы рассматривают формирование кадрового резерва с помощью нейронечеткой логики, объединяя количественные показатели с качественными оценками [9, с. 319]. Но даже сложная модель зависит от исходных экспертных суждений. Если эксперты изначально необоснованно занизили оценку работника, программа не исправит ошибку сама по себе. Более того, автоматический расчет способен придать субъективному мнению вид объективного вывода. По нашему мнению, оценивать нужно не только алгоритм, но и сведения, на которых он построен.

Для цифрового отбора нужны данные. Обычно кадровой службе доступны сведения о квалификации, результаты тестов, отчеты об обучении и выполнении рабочих задач. Иногда к ним предлагают добавить оценки руководителей или информацию из корпоративных средств связи. Проблема возникает, когда программа начинает собирать все, до чего технически может получить доступ. Не каждое сообщение или действие сотрудника связано с его профессиональными качествами. Напротив, работнику становится сложнее разобраться, какие именно сведения повлияли на итоговый балл и можно ли исправить ошибку.

Работодатель не вправе выбирать источники данных без учета закона. Трудовой кодекс Российской Федерации (далее - ТК РФ) содержит правила обработки персональных данных работников. По пункту 1 статьи 86 ТК РФ сведения могут использоваться, в частности, для содействия продвижению по службе, а также для контроля количества и качества выполненной работы [7]. Однако наличие законной цели не разрешает собирать любую информацию. Пункты 2 и 3 статьи 86 ТК РФ требуют учитывать установленные законом ограничения по содержанию, объему и получению данных. Поэтому состав цифрового профиля следует определять заранее.

Похожие требования предусмотрены Федеральным законом от 27.07.2006 № 152-ФЗ «О персональных данных». Статья 5 требует, чтобы состав и объем обрабатываемых сведений соответствовали поставленным целям, а статья 6 определяет законные основания обработки [8]. Зачем системе нужен определенный показатель? Кто увидит результат? Как долго будут храниться данные и кто сможет их исправить?

Например, добавление сведений о количестве рабочих сообщений может оказаться бесполезным, если должность требует умения обслуживать оборудование. Такой показатель сначала нужно обосновать.

Особые трудности связаны с субъективными характеристиками. Руководитель может написать, что работник «недостаточно инициативен», не указав ни одного рабочего случая, который подтверждает оценку. После переноса в цифровой профиль мнение превращается в число или отметку и начинает влиять на общий рейтинг. Без проверки источника и даты подобных сведений формализованная оценка способна надолго закрыть ему путь к профессиональному росту.

В такой ситуации работнику нужны понятные способы защиты своих интересов. Статья 89 ТК РФ дает право получать сведения об обработке персональных данных, требовать исправления неверной или неполной информации и дополнять оценочные данные собственным заявлением [7]. Следовательно, кадровая процедура должна предусматривать исправление ошибочной характеристики, а не только возможность прочитать итоговый балл. Проверяющий обязан установить, какие сведения попали в расчет, после чего исправить исходную запись при наличии оснований. Ответ о том, что алгоритм «сработал корректно», не решит вопрос о достоверности данных.

Есть и более жесткое ограничение. Статья 16 Федерального закона от 27.07.2006 № 152-ФЗ «О персональных данных» регулирует решения, основанные исключительно на автоматизированной обработке персональных данных, если они затрагивают права и законные интересы человека либо имеют юридические последствия. Части 1 и 2 предусматривают ограничения и предусмотренные законом исключения, в том числе при письменном согласии субъекта [8]. Части 3 и 4 требуют разъяснить порядок принятия такого решения и рассмотреть возражение в течение тридцати дней. В одной программе поручают только расчет, а окончательный выбор делает комиссия, которая действительно проверяет кандидатов. В другой список претендентов определяется автоматически, а руководитель лишь утверждает готовую таблицу. Во втором случае формальное участие человека не обязательно означает реальную самостоятельную оценку.

Д.А. Новиков, исследуя использование искусственного интеллекта при найме работников, обращает внимание на особенности правового регулирования автоматизированных решений в трудовых отношениях [3, с. 611]. Вместе с тем трудность похожа. Работодатель пользуется сложным инструментом сравнения кандидатов, а человек хочет знать, почему его не выбрали. Внутренний отбор может затронуть работника даже сильнее, чем разовое рассмотрение заявления о приеме. Итоги оценки способны влиять на доступ к обучению и новым заданиям в течение нескольких лет. Мы считаем, что алгоритмические рекомендации в таком случае особенно нуждаются в человеческой проверке и ясном порядке возражений.

Р.А. Галиахметов и М.Н. Шмырев рассматривают применение нейросетей в кадровой аналитике и одновременно отмечают проблемы конфиденциальности и проверки результатов, полученных автоматически [1, с. 20]. Их наблюдение важно для организаций, которые выбирают программу прежде всего по скорости расчета.

Быстро сформировать список кандидатов несложно. Гораздо труднее объяснить, почему один человек оказался выше другого, откуда взялись исходные сведения и кто отвечает за найденную ошибку. Вместо ручной проверки документов сотрудники могут получить череду споров о рейтингах, которые никто не умеет обосновать.

Отдельный риск связан с необоснованными различиями между кандидатами. И.В. Крылов при изучении применения искусственного интеллекта для оценки деловых качеств в ходе подбора персонала рассматривает возможную дискриминацию [2, с. 6]. Согласимся с основным предупреждением автора. Например, длительный непрерывный стаж может требоваться для выполнения отдельных задач. Но если на должности важнее умение управлять новым оборудованием, автоматическое предпочтение более опытных работников исключит тех, кто уже освоил нужную технику в другом подразделении. Связь каждого показателя с реальными обязанностями придется доказывать отдельно.

Ориентир для оценки деловых качеств дает судебная практика. Пункт 10 постановления Пленума Верховного Суда Российской Федерации от 17.03.2004 № 2 «О применении судами Российской Федерации Трудового кодекса Российской Федерации» связывает рассмотрение причин отказа в приеме на работу с качествами, которые действительно нужны для исполнения конкретной трудовой функции [6]. Речь идет о заключении трудового договора, а не о формировании кадрового резерва, поэтому применять разъяснение без учета различия процедур нельзя.

Недостаточно написать в положении, что решающим считается «потенциал лидера», если организация не объяснила, как проверяет способность руководить людьми. Тогда обсуждать кандидатуру можно по существу, а не по общим впечатлениям.

В Обзоре практики рассмотрения судами дел по спорам, связанным с заключением трудового договора, утвержденном Президиумом Верховного Суда Российской Федерации 27.04.2022, рассматриваются вопросы мотивов отказа и оценки деловых качеств кандидата [4]. Но материалы показывают, почему при кадровом выборе важно иметь проверяемое обоснование. Наличие числа, выведенного программой, тоже ничего не говорит о качестве исходной информации. Если работник оспаривает результат, необходимо показать, какие требования предъявлялись к должности, какие документы изучались и как комиссия оценила полученные сведения.

Отсюда возникает главная трудность алгоритмического отбора. Программа выдает точный балл, но ни кадровик, ни сотрудник порой не могут проследить, из каких оценок он сложился. Ошибочная запись об обучении или выполненной задаче может незаметно изменить положение человека среди кандидатов.

Еще серьезнее ситуация, когда комиссия фактически обязана согласиться с машинной рекомендацией. В положении рейтинг называется предварительным, но любой отход от него требует особого разрешения. Считаем необходимым закрепить порядок, который позволит проверить как сами данные, так и основания итогового выбора.

Начать стоит с описания должности, на которую готовят резервистов. В отдельном паспорте нужно указать основные обязанности, навыки, способы их проверки и случаи, когда требуется дополнительное профессиональное обсуждение. Для инженера, которому предстоит обслуживать новое оборудование, подтверждением подготовки может стать практическое задание. Для будущего руководителя участка - разбор производственной ситуации и опыт координации коллег. Один лишь стаж не заменит такую проверку. Если критерии составлены заранее, кадровая служба сможет объяснить их смысл и сотрудникам, и руководству предприятия.

Затем важно привести в порядок сведения, поступающие в программу. Для каждого показателя в карте данных предлагается фиксировать его источник, цель использования, ответственного за точность, дату обновления и срок хранения. Нужно также определить, куда обращаться при обнаружении ошибки. Без такого перечня кадровик рискует работать с оценками неизвестного происхождения.

Отдельно проверяется доступ сторонних исполнителей. Если программное обеспечение обслуживает подрядчик, передача ему кадровых профилей должна соответствовать статье 88 ТК РФ и Федеральному закону от 27.07.2006 № 152-ФЗ «О персональных данных» [7; 8].

Понятный порядок работы алгоритма можно закрепить в действующем положении о кадровом резерве, не меняя федеральные нормы. Для него предлагаем следующую редакцию отдельного пункта. «Автоматизированный рейтинг кандидата носит рекомендательный характер. Решение о включении в кадровый резерв или об отказе во включении принимает уполномоченная комиссия после проверки достоверности исходных данных и связи критериев оценки с требованиями должности. При получении мотивированного возражения работника комиссия повторно рассматривает результат с участием специалиста, не принимавшего первоначальное решение». Система готовит информацию, но не заменяет обсуждение кандидата. При повторной проверке участвует человек, который не заинтересован в подтверждении первоначальной оценки.

Поэтому для внутреннего пересмотра можно установить десять рабочих дней с даты обращения. При этом предусмотренные статьей 16 Федерального закона от 27.07.2006 № 152-ФЗ «О персональных данных» сроки рассмотрения возражений, когда указанная статья применима, должны соблюдаться самостоятельно [8]. Внутреннее правило не может отменять предусмотренную законом защиту. По итогам проверки лучше составлять короткое мотивированное заключение. В нем достаточно указать, какие сведения проверили, какие ошибки нашли и почему прежнее решение подтверждено либо изменено.

Результаты предложенного порядка нужно проверять на практике. Подходящие показатели вполне конкретны - сколько кадровых профилей содержит подтвержденные сведения, как часто обнаруживаются ошибки, по каким причинам пересматриваются решения и сколько времени занимает ответ сотруднику. Полезно также сопоставлять требования должностей с задачами, которые фактически выполняют работники, назначенные из резерва. Если сотрудники с высокими цифровыми баллами регулярно испытывают трудности после назначения, причина может скрываться в неверно выбранных критериях отбора.

Алгоритмы могут заметно облегчить формирование кадрового резерва. Но правильность расчета не гарантирует правильности кадрового решения. Многое зависит от того, какие данные включили в программу и почему выбрали именно такие требования. Мы считаем, что цифровая оценка должна оставаться проверяемым инструментом. Для практической работы нужны понятные требования к должности, сведения об источниках данных, самостоятельное решение комиссии и возможность пересмотреть ошибочный результат. Такой порядок не мешает организации использовать новые технологии. Напротив, он помогает направлять обучение и развитие работников туда, где они действительно смогут принести пользу.

Список литературы

1. Галиахметов, Р.А. Использование нейросетей для HR: возможности, перспективы, ограничения / Р.А. Галиахметов, М.Н. Шмырев // Социально-экономическое управление: теория и практика. – 2025. – № 2. – С. 20⁠–⁠24.
2. Крылов, И.В. Применение работодателем систем искусственного интеллекта для оценки деловых качеств при подборе персонала: дискриминационные риски / И.В. Крылов // Трудовое право в России и за рубежом. – 2023. – № 2. – С. 6⁠–⁠9.
3. Новиков, Д.А. Использование искусственного интеллекта при найме работников: проблемы и перспективы правового регулирования / Д.А. Новиков // Journal of Digital Technologies and Law. – 2024. – Т. 2, № 3. – С. 611⁠–⁠635.
4. Обзор практики рассмотрения судами дел по спорам, связанным с заключением трудового договора: утв. Президиумом Верховного Суда Российской Федерации 27.04 // КонсультантПлюс: справочная правовая система. – 2022.
5. Панова, Е.А. Цифровые технологии в подборе и отборе кандидатов: от ручных операций к формированию заданий / Е.А. Панова, Н.Н. Опарина // Управление персоналом и интеллектуальными ресурсами в России. – 2023. – Т. 12, № 5. – С. 12⁠–⁠19.
6. Постановление Пленума Верховного Суда Российской Федерации от 17.03.2004 № 2 «О применении судами Российской Федерации Трудового кодекса Российской Федерации» (ред. от 09.12.2025) // КонсультантПлюс: справочная правовая система.
7. Трудовой кодекс Российской Федерации от 30.12.2001 № 197-ФЗ (в действующей редакции) // Собрание законодательства Российской Федерации. – 2002. – № 1 (ч. 1). – Ст. 3.
8. Федеральный закон от 27.07.2006 № 152-ФЗ «О персональных данных» (в действующей редакции) // Собрание законодательства Российской Федерации. – 2006. – № 31 (ч. 1). – Ст. 3451.
9. Хвостов, В.А. Использование нейронечеткой логики для формирования кадрового резерва организации / В.А. Хвостов, В.С. Дадыкин, Р.В. Камозин, В.М. Тимошкин // Эргодизайн. – 2025. – № 3 (29). – С. 319⁠–⁠326.