ИИ в HR: почему алгоритмы не видят, что вы имитируете работу?
Искусственный интеллект всё чаще берёт на себя оценку сотрудников — от найма до увольнения. Но что, если данные, на которых он учится, — сплошная фикция? Сотрудники массово подделывают KPI, а алгоритмы дискриминируют кандидатов, копируя человеческие предрассудки.
Проверьте, знаете ли вы реальные факты о тёмной стороне HR-tech.
Наталья Касперская, глава Ассоциации «Отечественный софт», назвала главную причину бесполезности ИИ в оценке персонала. Что это за причина?
Наталья Касперская в интервью «Российской газете» 4 февраля 2026 года заявила: сотрудники фальсифицируют KPI и отчёты о продажах, чтобы казаться эффективнее. ИИ-алгоритмы обучаются на этих поддельных данных и выдают неверные рекомендации по увольнениям, премиям и повышениям. Проблема не в технологии, а в качестве входных данных.
Евгений Бабуров (InfoWatch) привёл конкретную статистику завышения метрик сотрудниками. Какой процент работников сознательно искажает данные, чтобы обойти ИИ-фильтры? Внимание! Выберите правильную цифру.
Согласно интервью Евгения Бабурова «Ведомостям» (23 января 2026), 62% сотрудников сознательно завышают метрики в корпоративных системах, чтобы обойти ИИ-фильтры. Из-за фальшивых KPI компании теряют до 15% бюджета на премии, а алгоритмы ошибочно рекомендуют повышение неэффективным работникам. ИИ не отличает реальную деятельность от имитации.
Какие действия сотрудников Анастасия Шеина (РАНХиГС) называет примерами «системной имитации деятельности», которая обманывает ИИ?
В статье РБК от 10 февраля 2026 года руководитель магистерской программы РАНХиГС Анастасия Шеина указала на системную имитацию деятельности: сотрудники создают фиктивные задачи в Jira, проводят ненужные встречи в Zoom и автоматизируют отчёты через скрипты. Это создаёт у ИИ ложное впечатление продуктивности, хотя реальная польза отсутствует.
Какая известная международная компания была вынуждена отказаться от использования ИИ в найме из-за дискриминации женщин алгоритмом?
По данным Reuters, компания Amazon прекратила использование ИИ в найме в октябре 2018 года. Алгоритм, обученный на 10-летней истории найма, дискриминировал резюме женщин: он снижал баллы за упоминания женских клубов или колледжей, отдавая предпочтение кандидатам-мужчинам. Это классический пример алгоритмической предвзятости, основанной на исторических данных.
Исследование Brookings Institution (2024) выявило систематическую предвзятость языковых моделей при отборе резюме. Какие цифры подтверждают дискриминацию?
Исследование Brookings Institution 2024 года протестировало 27 языковых моделей. Результаты показали: алгоритмы отклоняли кандидаток-женщин на 11% чаще при найме на технические должности и снижали оценки сопроводительным письмам афроамериканцев на 8%, даже при использовании нейтральных формулировок. Причина — некорректные корреляции в обучающих данных.
Вы ответили правильно на {number correct} вопросов из {number of questions}.
Похоже, вы доверяете ИИ больше, чем он того заслуживает. Алгоритмы в HR сегодня либо слепы к подделкам (62% сотрудников их обманывают), либо дискриминируют кандидатов (как Amazon в 2018). Прежде чем верить «объективной» машине, стоит заглянуть в её чёрный ящик.
Вы ответили правильно на {number correct} вопросов из {number of questions}.
Вы неплохо ориентируетесь в проблемах HR-tech: знаете про фальсификацию KPI и дискриминацию. Но есть нюансы — точные цифры (62% обманывающих сотрудников) и исторические прецеденты (Amazon) известны не всем. Вы на пути к экспертному пониманию.
Вы ответили правильно на {number correct} вопросов из {number of questions}.
Поздравляем! Вы детально разбираетесь в кризисе ИИ в управлении персоналом. Вы знаете, что проблема не в технологии самой по себе, а в данных (которые сотрудники массово подделывают) и в исторических предубеждениях (которые алгоритмы бездумно копируют). Такой уровень понимания редко встречается даже среди HR-директоров.
