Sztuczna inteligencja to najlepsze, co mogło spotkać… ludzkie relacje w biznesie

Wiem, brzmi jak prowokacja. AI kojarzy się zwykle z automatyzacją, skalą, szybkością i efektywnością. Relacje międzyludzkie - z rozmową, zaufaniem, kontekstem i uważnością. Czyli z tym wszystkim, czego nie da się po prostu wrzucić do promptu i uznać za załatwione.

A jednak im więcej pracujemy z AI w konkretnych procesach People & Culture, tym wyraźniej widzę, że dobrze użyta technologia nie musi oddalać nas od ludzi. Może zrobić coś bardzo praktycznego: zdjąć z HR i liderów część żmudnej pracy operacyjnej, żeby zostawić więcej czasu na rozmowy, których nie powinniśmy automatyzować.

W FOTC zobaczyliśmy to przy 360 Feedback Loop, czyli naszym procesie informacji zwrotnej 360°. Nie szukaliśmy sposobu na to, żeby AI oceniała ludzi. Chcieliśmy sprawdzić, czy może pomóc uporządkować proces, który bardzo szybko robi się ciężki operacyjnie: dużo danych, różne perspektywy, komentarze jakościowe, różne style oceniania i ryzyko zbyt ogólnych wniosków.

Nie zaczęliśmy więc od pytania: „jak użyć AI w HR?”. Zaczęliśmy od pytania: "gdzie w feedbacku 360 tracimy najwięcej czasu albo jakości?" Dopiero wtedy technologia stała się narzędziem, a nie celem samym w sobie.

Feedback 360 jest prosty tylko w teorii

Teoretycznie feedback 360 brzmi banalnie. Zbieramy opinie z różnych perspektyw, zestawiamy wyniki i rozmawiamy o rozwoju. W praktyce to jeden z tych procesów, które bardzo szybko przestają być proste. Danych jest dużo.

Mamy samoocenę, ocenę lidera, feedback od współpracowników, stakeholderów, czasem także perspektywę zespołu.

Do tego dochodzą różne kompetencje, skala, komentarze otwarte i różne style udzielania informacji zwrotnej. Jedna osoba pisze konkretnie i podaje przykłady. Druga pisze: „super współpraca”. Jest to miły komentarz, jednak trudno cokolwiek z tym zrobić. Ktoś opisuje zachowania, ktoś inny emocje. Czasem komentarz jest bardzo trafny, ale mało elegancko sformułowany. A czasem brzmi uprzejmie, ale właściwie nic z niego nie wynika.

Jest też jeszcze jedna pułapka: pojedyncze mocne zdanie. W ręcznej analizie bardzo łatwo zatrzymać się na komentarzu, który jest wyjątkowo pozytywny albo wyjątkowo krytyczny. On przyciąga uwagę. Zostaje w głowie. A w feedbacku 360 najważniejsze nie jest jedno najmocniejsze zdanie, tylko to, co powtarza się w wielu miejscach.

Jeśli kilka osób niezależnie mówi o niejasnej komunikacji, to jest temat do rozmowy. Jeśli lider widzi większą samodzielność niż zespół, to też jest temat. Jeśli ktoś bardzo surowo ocenia siebie, a otoczenie widzi go jako osobę skuteczną i wspierającą - to również warto się przy tym zatrzymać. Jednak to nadal nie są gotowe wnioski, tylko sygnały.

I właśnie w rozróżnieniu między sygnałem a wnioskiem zaczyna się odpowiedzialne użycie AI w procesie feedbackowym.

Co chcieliśmy naprawić?

W FOTC nazwaliśmy sobie kilka konkretnych problemów, które w feedbacku 360 potrafią mocno obniżyć jakość procesu.

Różne style oceniania

Jeden lider daje wysoką ocenę, bo „generalnie jest dobrze”. Drugi daje niższą, bo „zawsze jest co poprawiać”. Ta sama kompetencja, podobne zachowania, a zupełnie inna interpretacja skali.

Różny poziom konkretnej informacji

Komentarz “Krysia jest super” jest przyjemny, ale nie pomaga w rozwoju. Komentarz “Krysia dobrze prowadzi trudne tematy, bo szybko zbiera ludzi, porządkuje decyzje i pilnuje follow-upów” daje już materiał do rozmowy.

Ogólne wnioski

Po przeczytaniu kilkudziesięciu komentarzy bardzo łatwo skończyć z podsumowaniem typu: „warto rozwijać komunikację”. Tylko co to właściwie znaczy? Jaką komunikację? Z kim? W jakich sytuacjach? Czego jest za mało? Czego jest za dużo? Co konkretnie ma się zmienić?

Skala danych

Samoocena, lider, współpracownicy, zespół, kilka kompetencji, pytania otwarte, komentarze. Przy kilkudziesięciu osobach robią się z tego setki, a nawet tysiące odpowiedzi.

Oczywiście da się to przeanalizować ręcznie. Pytanie brzmi: ile czasu to zajmie i ile jakości zgubimy po drodze?

Te problemy stały się dla nas specyfikacją dla AI. Nie promptowaliśmy: „zrób nam feedback 360”, tylko powiedzieliśmy: tu są konkretne dziury w procesie - które z nich AI może realnie pomóc zalepić?

Krok pierwszy: wartości trzeba przełożyć na zachowania

Cały proces zaczęliśmy od wartości FOTC. To ważne, bo wartości same w sobie są zwykle zbyt abstrakcyjne, żeby na ich podstawie prowadzić dobrą rozmowę rozwojową. Ludzie mogą się zgadzać, że „odpowiedzialność”, „współpraca” czy „innowacyjność” są ważne, jednak dopóki nie przełożymy ich na konkretne zachowania, każdy może rozumieć je trochę inaczej.

Dlatego pierwszy krok polegał na zbudowaniu modelu kompetencji.

Wzięliśmy 6 wartości FOTC i zasililiśmy NotebookLM naszymi materiałami kulturowymi: komunikatami, regulaminami, slajdami onboardingowymi i dokumentami opisującymi sposób działania organizacji. Łącznie było to ponad 80 dokumentów. Na tej podstawie AI pomogła zaproponować kompetencje spójne z naszą kulturą, a nie generyczny model ściągnięty z internetu. Potem użyliśmy Custom Gema, którego roboczo nazwaliśmy Behavior Translator. Jego zadaniem było przełożenie kompetencji na konkretne, obserwowalne zachowania na różnych poziomach.

Efekt: 10 kompetencji, 3 zachowania dla każdej i 5 poziomów opisu. Łącznie 150 wskaźników behawioralnych. Pierwsza wersja powstała w około 40 minut. W klasycznym podejściu taki etap oznaczałby kilka dni warsztatów, dużo ręcznej pracy i często także pięciocyfrowy koszt konsultanta zewnętrznego.

Tu trzeba postawić jednak grubą kreskę - AI nie zdecydowała za nas, czym jest kultura FOTC. AI uporządkowała materiał, zaproponowała strukturę i przyspieszyła pracę. Decyzja, które kompetencje są naprawdę nasze, które brzmią sztucznie, a które trzeba zmienić, nadal należała do ludzi.

To jest wzorzec, który powtarzał się później w całym procesie: AI przygotowuje, człowiek decyduje.

Krok drugi: dobre pytania a nie formularz z piekła rodem

Sam model kompetencji to nadal za mało. Żeby uruchomić proces 360, trzeba było przełożyć kompetencje i zachowania na pytania. I to nie jakiekolwiek pytania, ale takie, które będą zrozumiałe dla ludzi i użyteczne analitycznie.

Tutaj pracował kolejny Gem - roboczo Question Builder. Dostał kompetencje, wskaźniki zachowań, definicję skali i instrukcję, żeby tworzyć pytania osobno dla różnych perspektyw: samooceny, lidera, współpracowników i zespołu. Chodziło o to, żeby pytania były dopasowane do osoby udzielającej feedbacku, ale nadal mierzyły tę samą rzecz.

To był dobry przykład miejsca, w którym AI pilnowała architektury, a człowiek języka. AI pomagała utrzymać spójność: różne perspektywy, ten sam standard, podobna logika skali, pytania możliwe do późniejszej analizy.

My sprawdzaliśmy, czy pytania brzmią normalnie. Czy nie są za długie. Czy człowiek faktycznie rozumie, o co pytamy. Czy język pasuje do FOTC. Czy nie brzmi to jak ankieta z piekła. Usuwaliśmy HR-owe okrąglaki, skracaliśmy zdania i dopasowywaliśmy język do tego, jak naprawdę mówimy w organizacji. Dobrze zaprojektowany proces feedbackowy nie może być napisany językiem, którego nikt w firmie nie używa.

Krok trzeci: AI nie szukała „sentymentu”, tylko wzorców

Największą wartość AI dała nam przy analizie wyników. Wyniki z Google Forms trafiały do Google Sheets, a Gemini pomagał robić pierwsze cięcie na danych ilościowych: liczyć różnice między samooceną a oceną lidera, między liderem a zespołem, wskazywać najwyżej i najniżej ocenione kompetencje oraz flagować miejsca, gdzie odpowiedzi były mocno rozstrzelone.

Czyli na przykład: średnia wygląda dobrze, ale zespół wcale nie mówi jednym głosem. I to już jest punkt do sprawdzenia.

Druga warstwa, czyli komentarze otwarte

Analiza semantyczna i grupowanie podobnych tematów. Jeśli kilka osób różnymi słowami pisało o delegowaniu, braku jasności decyzji, priorytetach albo sposobie komunikacji, Gemini Enterprise Agent Platform pomagał zebrać to w jeden powtarzający się wzorzec. To jest kluczowe, bo człowiek czytający setki komentarzy bardzo łatwo zapamiętuje najmocniejsze zdania. AI pomagała zobaczyć, co się powtarza.

Efektem nie była „ocena człowieka”, tylko mapa rozmowy

Sprawdzaliśmy, gdzie pojawiają się różnice między samooceną a liderem, gdzie lider widzi coś inaczej niż zespół, które kompetencje są mocne, które wymagają rozmowy i jakie komentarze pojawiają się najczęściej.

Krótko mówiąc: AI nie mówiła nam „ta osoba ma problem”. AI mówiła: tu dane zaczynają mówić jednym głosem - sprawdźcie to. A to jest ogromna różnica.

Krok czwarty: pierwsza wersja feedbacku to nie finalny feedback

Na końcu pracował kolejny Custom Gem - roboczo Feedback Composer.

Dostawał wyniki ilościowe, pogrupowane komentarze, definicje kompetencji i podstawowy kontekst roli. Na tej podstawie przygotowywał pierwszą wersję briefu: strukturę raportu, mocne strony, obszary rozwojowe, powtarzające się wzorce i propozycje działań rozwojowych w modelu 70/20/10.

Oczywiście to nie był finalny feedback, nie klikaliśmy „generate” i nie wysyłaliśmy tego do człowieka. Feedback dotyczy ludzi. Ich pracy, ambicji, frustracji, relacji z liderem, czasem trudnych tematów. Nie ma tu miejsca na automatyczny komunikat bez ludzkiego filtra.

Dlatego HR odpowiadał za kontekst, język, trafność i finalny przekaz. Sprawdzaliśmy, czy wnioski naprawdę wynikają z danych. Czy AI nie poszła za daleko. Czy nie zrobiła z jednego komentarza dużej tezy. Czy język nie jest zbyt ostry albo przeciwnie - tak miękki, że nic z niego nie wynika. Dopiero potem lider dostawał finalny brief i prowadził rozmowę rozwojową.

I to też jest dla mnie nienegocjowalne: za feedback odpowiada lider. Nie AI. Nie narzędzie. Nie prompt. Nie HR jako pośrednik, który ma załatwić trudną rozmowę za managera. Lider.

Jeśli ktoś sprzedaje pomysł, że AI zrobi za lidera feedback albo przeprowadzi za niego rozmowę rozwojową - uciekajcie. Serio.

Co z bezpieczeństwem danych?

Jeśli mówimy o AI w HR, nie możemy udawać, że pracujemy na neutralnych danych. Feedback 360 dotyczy konkretnych osób, opinii, relacji i sposobu funkcjonowania w organizacji.

Dlatego w takim procesie ważna była pseudonimizacja. Na etapie analizy każda osoba miała swój własny kod. AI “nie wiedziała”, czy analizuje feedback Janka, Ani czy Zosi. Widziała tekst, rolę, poziom i kontekst potrzebny do analizy, ale nie pełną tożsamość osoby. Nazwisko pojawiało się dopiero na końcu, w wewnętrznym materiale przeznaczonym dla konkretnej osoby i jej lidera.

AI ma dostać tyle danych, ile potrzebuje do wykonania konkretnego zadania. Nie więcej. Szczególnie w procesach HR, gdzie mamy do czynienia z danymi osobowymi, to podejście powinno być standardem.

Co realnie zyskaliśmy włączając AI w Feedback Loop?

Szybkość

Pierwsza wersja modelu kompetencji powstała w około 40 minut. Analiza komentarzy otwartych, która wcześniej oznaczała godziny czytania, grupowania i porównywania, dawała pierwsze wnioski w kilka minut. Pierwsza wersja raportu indywidualnego nie powstawała od zera - AI przygotowywała draft, który człowiek dalej sprawdzał i dopracowywał.

I nie, to nie znaczy, że człowiek przestał być potrzebny. Człowiek przestał po prostu robić najbardziej ręczną, powtarzalną część pracy. Dzięki temu miał więcej przestrzeni na interpretację, kontekst i rozmowę.

Spójność

Każda osoba była analizowana według tego samego modelu, tej samej logiki skali i podobnej struktury raportu. W procesach 360 to ważniejsze, niż się wydaje. Bez tego jedna osoba może dostać bardzo konkretny feedback, a druga ogólny, tylko dlatego, że ktoś inny przygotowywał podsumowanie albo miał mniej czasu.

Lepsza perspektywa

AI pomagała szybciej wychwycić rzeczy, które manualnie łatwo przegapić: różnice między samooceną a liderem, różnice między liderem a zespołem, powtarzające się motywy w komentarzach i obszary, które wymagają rozmowy.

Lider nie dostawał więc gotowej „oceny człowieka”, tylko dostawał swoistą mapę rozmowy: gdzie jest rozjazd, co się powtarza i o co warto zapytać.

A to zmienia dynamikę feedbacku. Zamiast: „powiem ci, co jest z tobą nie tak”, mamy: „sprawdźmy razem, skąd bierze się ten obraz i co możemy z tym zrobić”. Dla mnie to jest ogromna wartość.

Ryzyka? Są. I nie warto ich pudrować

AI w HR wymaga ostrożności. To odpowiedzialność, która spoczywa na nas i musimy o to zadbać.

Bezpieczeństwo danych

Feedback 360 zawiera informacje wrażliwe organizacyjnie. Dotyczy relacji, opinii, zachowań i sposobu funkcjonowania konkretnych osób. Trzeba jasno wiedzieć, jakie dane są przetwarzane, gdzie, przez kogo i w jakim celu.

Jakość danych wejściowych

AI nie naprawi słabego feedbacku. Jeśli komentarze są ogólne, oceniające, chaotyczne albo obciążone uprzedzeniami, technologia może jedynie elegancko uporządkować problem. A czasem nawet go wzmocnić.

Pozór obiektywności

To, że podsumowanie brzmi profesjonalnie, nie znaczy jeszcze, że jest prawdziwe. AI potrafi pisać bardzo pewnym tonem. Dlatego człowiek musi sprawdzić, czy wniosek rzeczywiście wynika z danych, czy jest zbyt daleko idącą interpretacją.

Zaufanie ludzi

Jeśli organizacja nie wyjaśni, po co używa AI i gdzie są granice, ludzie mogą założyć najgorsze: że feedback będzie oceniany przez algorytm, że komentarze trafią w czarną skrzynkę, że decyzje personalne będą podejmowane automatycznie.

Trzeba jasno powiedzieć: AI wspiera analizę, ale nie podejmuje decyzji. Pomaga porządkować informacje, ale nie zastępuje lidera. Przyśpiesza przygotowanie, ale nie usuwa potrzeby rozmowy.

Najważniejsza lekcja z naszego podwórka

Najważniejsza lekcja z naszego procesu jest prosta: AI działa dobrze tam, gdzie sam proces jest dobrze przemyślany. Jeśli feedback 360 jest chaotyczny, pytania są przypadkowe, a organizacja nie wie, co chce zrobić z wynikami, AI nie zrobi z tego dobrego procesu rozwojowego.

Słaby proces z AI nadal jest słabym procesem, tylko szybszym. Dlatego przed wdrożeniem technologii warto zadać sobie kilka prostych, ale niewygodnych pytań:

Po co zbieramy feedback?
Co chcemy z nim zrobić?
Kto będzie miał dostęp do wyników?
Jakie decyzje ten proces może wspierać, a jakich nie powinien?
Jak przygotujemy liderów do rozmów?
Jak zadbamy o bezpieczeństwo danych?
Jak sprawdzimy, czy proces faktycznie pomaga ludziom się rozwijać?

W naszym przypadku największą największą wartością było to, że dzięki AI mogliśmy szybciej przejść od danych do jakościowej rozmowy. W firmie bardzo często właśnie tam zaczyna się realna zmiana - w dobrze poprowadzonej rozmowie z pracownikiem.

AI nie zastępuje relacji. Może zrobić dla nich więcej miejsca

W dyskusji o AI w HR często zadajemy pytanie: czy technologia zastąpi człowieka?

W kontekście feedbacku 360 to źle postawione pytanie. Lepsze pytanie brzmi: co technologia może zdjąć z ludzi, żeby mieli więcej przestrzeni na to, czego nie da się dobrze zautomatyzować?

AI może uporządkować dane, znaleźć wzorce, przygotować pierwszą wersję podsumowania, pokazać różnice między perspektywami, czy pomóc liderowi lepiej przygotować się do rozmowy.

Nie zbuduje jednak zaufania. Nie weźmie odpowiedzialności za trudną rozmowę. Nie zrozumie całego kontekstu organizacji. Nie zastąpi lidera, który potrafi zobaczyć w feedbacku nie tylko wynik, ale człowieka.

Dlatego nadal uważam, że sztuczna inteligencja może być jedną z najlepszych rzeczy, które spotkały ludzkie relacje w biznesie. Pod jednym warunkiem: że użyjemy jej nie po to, żeby rozmawiać mniej. Tylko po to, żeby rozmawiać lepiej.

Autorka publikacji:

Karolina Chmielewska, Head of People & Culture w FOTC.

Ekspertka zajmująca się obszarem HR, komunikacji wewnętrznej i rozwoju liderów, patrząc na organizację z perspektywy ludzi, biznesu i codziennej współpracy. W pracy stawia na jasność, odpowiedzialność i sensowne procesy, które pomagają zespołom działać sprawniej.