هوش مصنوعی در ارزیابی عملکرد؛ فرصت بزرگ یا ریسک جدید منابع انسانی؟
 
مقدمه
هوش مصنوعی (Artificial Intelligence) در حال تغییر بسیاری از فعالیت‌های منابع انسانی است و مدیریت عملکرد نیز از این روند جدا نیست.
امروز ابزارهای دیجیتال می‌توانند حجم زیادی از داده‌های کاری را تحلیل کنند، الگوها را شناسایی کنند، گزارش‌های عملکرد تولید کنند و حتی پیشنهادهایی برای بازخورد یا توسعه کارکنان ارائه دهند.
اما ورود AI به مدیریت عملکرد یک سؤال مهم ایجاد می‌کند:
آیا هر چیزی که بتوان اندازه‌گیری کرد، باید توسط هوش مصنوعی ارزیابی شود؟
پاسخ منفی است.
 
هوش مصنوعی چه کاربردهایی دارد؟
از کاربردهای بالقوه AI می‌توان به این موارد اشاره کرد:

•  تحلیل داده‌های عملکرد؛

•  شناسایی روندهای عملکردی؛

•  تحلیل بازخورد کارکنان و مشتریان؛

•  شناسایی شکاف‌های مهارتی؛

•  پیشنهاد محتوای آموزشی؛

•  کمک به تهیه گزارش‌های مدیریتی؛

•  تحلیل حجم کار؛

•  پشتیبانی از تصمیم‌های مدیران.

در چنین کاربردهایی، AI  می‌تواند به‌عنوان ابزار پشتیبان تصمیم عمل کند.
 
مسئله اصلی: داده خوب، تصمیم خوب تولید نمی‌کند
اگر داده‌های ورودی ناقص یا جانبدارانه باشند، الگوریتم نیز می‌تواند نتیجه نامناسب تولید کند.
فرض کنید سازمان فقط داده‌های فروش را برای ارزیابی فروشندگان استفاده کند. AI ممکن است بتواند فروش را با دقت زیادی تحلیل کند، اما اگر شرایط منطقه، کیفیت سرنخ‌ها، قیمت‌گذاری یا شرایط بازار را در نظر نگیرد، نتیجه می‌تواند گمراه‌کننده باشد.
بنابراین:
داده بیشتر ≠ ارزیابی بهتر
مهم‌تر از حجم داده، ارتباط آن با مفهوم واقعی عملکرد است.
 
خطر جانشین کردن فعالیت با عملکرد
یکی از خطرات مدیریت الگوریتمی (Algorithmic Management) این است که سازمان فعالیت‌های قابل مشاهده را با عملکرد واقعی اشتباه بگیرد.
مثلاً تعداد ایمیل‌ها، تعداد تماس‌ها یا مدت زمان آنلاین بودن می‌توانند اندازه‌گیری شوند؛ اما این اعداد الزاماً ارزش‌آفرینی را نشان نمی‌دهند.
ممکن است یک کارمند در دو ساعت مسئله‌ای پیچیده را حل کند و کارمند دیگری هشت ساعت آنلاین باشد اما خروجی بسیار کمتری ایجاد کند.
 
سوگیری الگوریتمی
اگر داده‌های تاریخی سازمان دارای سوگیری باشند، سیستم هوش مصنوعی ممکن است همان الگو را بازتولید کند.
به همین دلیل سازمان باید پیش از استفاده از AI در تصمیم‌های حساس منابع انسانی بررسی کند:
 داده‌ها چگونه جمع‌آوری شده‌اند؟
 چه چیزی اندازه‌گیری نشده است؟
 الگوریتم چگونه به نتیجه رسیده است؟
 آیا گروه خاصی به‌طور سیستماتیک تحت تأثیر قرار می‌گیرد؟
 چه کسی می‌تواند تصمیم الگوریتم را بررسی یا اصلاح کند؟
 
شفافیت و توضیح‌پذیری
اگر یک سیستم هوش مصنوعی بگوید «عملکرد این کارمند پایین است»، مدیر باید بتواند بفهمد چرا.
تصمیم‌های مهم منابع انسانی نباید صرفاً به یک «امتیاز تولیدشده توسط الگوریتم» تبدیل شوند.
اصل مهم این است:
AI باید به تصمیم‌گیری کمک کند، نه اینکه مسئولیت مدیریتی را حذف کند.
 
حریم خصوصی
داده‌های عملکردی کارکنان می‌توانند بسیار حساس باشند.
ثبت ایمیل‌ها، مکالمات، زمان فعالیت، موقعیت مکانی یا سایر داده‌های رفتاری، سؤالات مهمی درباره حریم خصوصی و تناسب جمع‌آوری داده ایجاد می‌کند.
سازمان باید مشخص کند:

•  چه داده‌ای جمع می‌شود؟

•  چرا جمع می‌شود؟

•  چه کسانی به آن دسترسی دارند؟

•  چه مدت نگهداری می‌شود؟

•  برای چه تصمیم‌هایی استفاده می‌شود؟

 
یک مدل مناسب برای استفاده از AI
می‌توان چهار سطح برای استفاده از هوش مصنوعی در مدیریت عملکرد در نظر گرفت:
سطح اول: گزارش‌دهی
AI داده‌ها را خلاصه و گزارش می‌کند.
سطح دوم: تحلیل
AI الگوها و روندها را شناسایی می‌کند.
سطح سوم: پیشنهاد
AI گزینه‌های احتمالی برای اقدام ارائه می‌دهد.
سطح چهارم: تصمیم‌گیری خودکار
سیستم بدون مداخله انسانی تصمیم می‌گیرد.
هرچه سازمان به سطح چهارم نزدیک‌تر شود، اهمیت حاکمیت، شفافیت، کنترل و پاسخ‌گویی بیشتر می‌شود.
 
AI چه چیزی را نباید جایگزین کند؟
سه حوزه همچنان نیازمند قضاوت انسانی جدی هستند:
زمینه  (Context): چرا این عملکرد اتفاق افتاد؟
گفت‌وگو (Conversation) : فرد چه توضیحی درباره شرایط دارد؟
قضاوت مدیریتی (Managerial Judgment) : با توجه به تمام شواهد، چه اقدامی منصفانه و مناسب است؟

جمع‌بندی
هوش مصنوعی می‌تواند مدیریت عملکرد را داده‌محورتر و سریع‌تر کند، اما نباید آن را با «مدیریت علمی‌تر» یکی دانست.
AI ابزار است، نه جایگزین تفکر مدیریتی.
سازمان‌هایی که می‌خواهند از AI در مدیریت عملکرد استفاده کنند، بهتر است ابتدا مسئله مدیریتی خود را تعریف کنند و سپس بررسی کنند که آیا AI واقعاً می‌تواند آن مسئله را حل کند یا فقط حجم بیشتری از داده تولید خواهد کرد.

منابع
OECD. (2024). Using AI in the Workplace: Opportunities, Risks and Policy Responses.
OECD. (2025). How Widespread is Algorithmic Management in Workplaces?
OECD. (2025). Algorithmic Management in the Workplace: New Evidence from an OECD Employer Survey.
OECD. (2023). Artificial Intelligence, Job Quality and Inclusiveness.
CIPD. (2026). Performance Management: An Introduction.