Poslední věc: dokumentujte. Zapište, jaká data jste použili, jaké parametry nastavili, jaké testy proběhly a kdo rozhodl o nasazení. Když se za rok ozve stížnost nebo kontrola, budete mít co předložit. A pokud se ukáže, že model zvýhodňuje jednu skupinu, mějte připravený plán, jak ho upravit nebo vypnout. Etický nábor s umělou inteligencí není jednorázový projekt. Je to běžná součást práce s lidmi, která vyžaduje pozornost, pokoru a ochotu přiznat chybu.<br>
<br>
<br>
<br>
Automatizace e-mailové komunikace vypadá jako ušetřený čas, dokud nezjistíte, že polovina zpráv končí v kopii vašeho nadřízeného nebo že zákazník dostal odpověď na něco, na co se neptal. Nejčastější chyba není v nástroji, ale v tom, že se automatizuje dřív, než je popsaný proces. Než cokoli nastavíte, sepište si na papír, jaké typy zpráv chodí, kdo na ně má reagovat a co se stane, když reagovat nelze. Teprve pak hledejte, co půjde zautomatizovat.<br>
<br>
<br>
<br>
Základem je popisovat scénu jako režisér, ne jako zákazník v e-shopu. Místo „kočka na stole" napište, jak kočka sedí, odkud přichází světlo, jaké má srst, co je v pozadí a jaký má být formát. Čím konkrétnější zadání, tím méně náhodných prvků nástroj přidá. Pomáhá i určit styl: fotografie, akvarel, plakát, izometrická ilustrace. Bez toho dostanete něco mezi vším a ničím.<br>
<br>
<br>
<br>
Základem je rozhodnout, které údaje vůbec extrahovat. U skladu nejde o celý text dokladu, ale o čtyři až šest polí: kód položky, popis, množství, měrná jednotka, číslo šarže a datum expirace. Pokud dodavatel posílá doklady v elektronické podobě, je zbytečné je tisknout a skenovat. Extrakce z nativního PDF nebo z XML je řádově spolehlivější než rozpoznávání naskenované předlohy. U papírových dokladů platí, že kvalita skenu rozhoduje o všem ostatním.<br>
<br>
<br>
<br>
Druhým častým selháním je příliš složitý schvalovací řetězec. Když faktura čeká na tři lidi a jeden z nich je na dovolené, celý proces stojí. Řešením je nastavit zastupování a časový limit. Pokud schvalovatel nereaguje do určité doby, faktura se přesune na jeho zástupce nebo se označí k řešení. Bez tohoto pravidla se automatizace změní v odkladiště, kde se dokumenty hromadí, aniž by to někdo viděl.<br>
<br>
<br>
<br>
Odpovědnost prodejce tedy nekončí u algoritmu. Končí až tehdy, když je vada skutečně vyřešena, nebo když prodejce zákonným způsobem prokáže, že za ni neodpovídá. Do té doby platí, že rozhoduje obsah reklamace a důkazy, ne automatická zpráva. Kdo si písemně podloží každý krok, má reálnou šanci domoci se opravy, výměny i vrácení peněz.<br>
<br>
<br>
<br>
Umělá inteligence umí třídit životopisy, hodnotit videorozhovory nebo předpovídat, kdo v práci vydrží. Jenže algoritmy se učí z historických dat, a ta jsou plná předsudků. Pokud firma roky nabírala hlavně mladé muže z jednoho města, model to bude považovat za ideál. Etický nábor s umělou inteligencí proto začíná u dat. Před nasazením systému si udělejte audit: odkud data pocházejí, jak jsou stará, koho popisují a kdo v nich chybí. Bez tohoto kroku jen zautomatizujete diskriminaci, i když to nikdo nechce.<br>
<br>
<br>
<br>
Lidé mají zůstat v procesu jako kontroloři, ne jako tlačítko „potvrdit". Nastavte pravidlo, že automat nikdy nerozhoduje sám o vyřazení. Vždy ať existuje lidská revize u sporných případů a u všech, kdo skončí na hranici. Zároveň školte náboráře, aby rozuměli tomu, co model dělá a kde může selhat. Etika není jen soulad se zákonem. Je to i to, jestli dokážete uchazeči vysvětlit, proč neuspěl, a jestli mu dáte možnost se odvolat. Bez toho se i technicky dokonalý systém stane nástrojem nespravedlnosti.<br>
<br>
<br>
<br>
Co kontrolovat před spuštěním a po něm Konkrétní postup: nejprve definujte, co přesně má model předpovídat. „Kdo se hodí na pozici" je příliš vágní. Lepší je „kdo splní výkonnostní cíl po šesti měsících" nebo „kdo zůstane alespoň rok". Potom si napište, jaké údaje do modelu nesmíte pustit: věk, pohlaví, etnicitu, zdravotní stav, ale i třeba adresu nebo fotografii. Ani nepřímé náhrady jako „rok dokončení školy" nebo „koníčky typické pro jednu skupinu" tam nepatří. Před spuštěním otestujte model na datech, která jste při tréninku nepoužili, a sledujte, jestli některá skupina nepropadá víc než jiná. Po nasazení měřte průběžně: kdo je pozván k pohovoru, kdo projde, kdo je přijat. Pokud se poměry mezi skupinami liší od těch na vstupu, něco je špatně.<br>
<br>
<br>
<br>
Typická chyba je slepá důvěra v číslo. Model vrátí skóre 0,87 a personalista to bere jako fakt. Jenže skóre je jen pravděpodobnost z historie, ne měření schopností. Další častá chyba: nasadit nástroj na všechny pozice bez ohledu na kontext. U dělnických profesí a u kreativních rolí potřebujete jiná kritéria i jinou míru kontroly. Také se zapomíná na vysvětlitelnost. Když uchazeč požádá o odůvodnění rozhodnutí, musíte umět říct, které faktory k němu vedly. Černá skříňka je v náboru eticky neobhajitelná, zvlášť když jde o přístup k obživě.
