ИИ в вознаграждении и грейдировании: от догадок к системе на основе данных

Традиционное грейдирование — долгий и трудоемкий процесс. Нужно собрать описания должностей, разобраться в функциях и ответственности, оценить роли, сопоставить их между собой, а затем построить систему грейдов и зарплатных вилок.

На практике данные о должностях могут быть неполными или устаревшими, оценки — различаться от руководителя к руководителю, а готовая модель грейдирования — не учитывать особенности конкретного бизнеса.

ИИ позволяет изменить сам подход к проекту. Он может собрать и структурировать данные о должностях, провести предварительную оценку, найти несоответствия, а затем быстро просчитать разные варианты системы оплаты труда. Человеку останется проверить спорные места и принять финальные решения. В результате компания тратит меньше сил, времени и денег и получает систему вознаграждения, которая лучше соответствует требованиям бизнеса.

В статье разбираем, как ИИ меняет подход к грейдированию и настройке системы оплаты труда.

Когда систему оплаты труда пора менять

Такая задача возникает, когда компании нужно повысить свою конкурентоспособность на рынке труда, упростить привлечение сотрудников или снизить текучесть кадров.

Самое простое решение — одинаково поднять зарплаты всем, например, на 15%. Но тогда дополнительные деньги получают и сотрудники ниже целевых вилок, и те, кто уже находится внутри них или выше.

При «умном переходе» сильнее повышается оплата тех, кто ниже вилки, меньше — тех, кто уже внутри, а тем, кто выше вилки, повышение может не потребоваться. При том же бюджете это позволяет в отдельных сценариях поднять минимальные уровни оплаты на 30–40% и сильнее повысить конкурентоспособность компании.

Именно здесь искусственный интеллект в оплате труда предлагает другой подход: он может не просто увеличить ФОТ, а подобрать более эффективную конфигурацию системы.

Почему традиционное грейдирование дает мало результата

Для оценки должности нужно понять, чем человек реально занимается: его функции, ответственность, знания и навыки. Проблема в том, что должностные инструкции не всегда отражают реальную работу. Если собирать информацию через руководителей, ответы могут сильно различаться по качеству и детализации. Если поручить весь сбор специалистам C&B, проект становится слишком трудоемким. 

Есть и другая сложность: человеку трудно одновременно сопоставлять тысячи должностей и множество параметров. К тому же после сбора информации к ней часто применяют готовые принципы грейдирования, сформированные на других компаниях и в других условиях.

В итоге проект занимает много месяцев, а система может плохо регулировать оплату: например, 30% сотрудников оказываются ниже зарплатных вилок и еще 30% — выше.

Внедрение ИИ в грейдирование делает сбор данных быстрее и точнее, а проектирование системы — более обоснованным.

Шаг 1. Описание должностей

• Человек: специалисты C&B задают факторы оценки, руководители и сотрудники отвечают на вопросы и приводят примеры работы.
• ИИ: интеллектуальная анкета ведет диалог, уточняет функционал, сопоставляет ответы с факторами оценки и выявляет противоречия. Так можно поговорить с каждым и получить сопоставимые описания должностей.
• Результат: данные, необходимые для оценки должности.

Шаг 2. Оценка должностей

• Человек: определяет факторы и шкалы оценки и верифицирует результат.
• ИИ: на основании описания проводит оценку по заданным факторам и применяет одну логику ко всему массиву данных. Это позволяет быстрее получить предварительные оценки и сопоставить должности между собой. 
• Результат: предварительная оценка всех должностей.

Шаг 3. Калибровка

Даже единая методика не исключает спорных случаев. Поэтому следующий этап — проверить, насколько оценки согласуются между собой. 

• ИИ: сравнивает похожие должности и находит несоответствия — например, когда близкие роли получили разные оценки или одинаковая оценка основана на разных описаниях.
• Человек: калибровочная комиссия рассматривает спорные случаи и принимает финальное решение.
• Результат: откалиброванная система оценок.

Шаг 4. Проектирование системы оплаты труда

После оценки должностей можно переходить к зарплатным вилкам и сценариям перехода. 

• ИИ: проводит ИИ-анализ зарплатных вилок, выявляет зарплатные отклонения, рассчитывает веса шкал и сценарии перехода. ИИ-моделирование ФОТ позволяет быстро проверить, как разные решения повлияют на затраты и долю сотрудников внутри вилок.
• Человек: определяет цели, ограничения и допустимые компромиссы и выбирает финальный сценарий.
• Результат: система оплаты труда, параметры которой подобраны под цели и бюджет компании.

ИИ действительно сокращает объем ручной работы. Для крупной организации проект, который раньше мог занимать около девяти месяцев, можно провести за два-три.

Но главное изменение — не скорость, а то, как строится система оплаты. В традиционном подходе сначала задают модель и правила оценки, а затем применяют их к данным компании. ИИ для построения системы оплаты труда позволяет пойти от обратного: собрать и сопоставить большой объем данных о должностях и зарплатах, а затем на их основе рассчитать разные варианты системы.

В результате компания может сравнить несколько сценариев на собственных данных и выбрать тот, который соответствует ее целям и ограничениям. 

Какие результаты это дает

SCALE+ — пример использования ИИ в вознаграждении персонала и грейдировании, который ЭКОПСИ применяет уже давно. Раньше значительную часть аналитики приходилось реализовывать ручным кодом; современные инструменты ИИ резко ускорили этот процесс.

В проектах SCALE+ получены следующие результаты:

• в одном случае расходы на оплату труда сократились на 10%, а индекс согласия с утверждением «В нашей компании справедливая система оплаты труда» вырос на 4 процентных пункта;
• при бюджете, сопоставимом с обычной ежегодной индексацией, в первый год 85–88% сотрудников входят в целевые зарплатные вилки, затем показатель растет до 90–95%;
• есть пример, когда компания потратила меньше запланированного бюджета и сократила текучесть более чем на треть. Для ИИ в C&B это ключевой эффект: меньше трудозатрат на грейдирование и точнее направленный бюджет на оплату труда.

Что нужно для запуска

В ЭКОПСИ сбор информации о должностях проходит через платформу Linkis: сотрудники отвечают на вопросы о своей работе, система помогает структурировать ответы, а эти данные становятся основой для оценки должностей. Отметим, что данные хранятся на российских серверах, и система сертифицирована на соответствие требованиям законодательства о персональных данных.

При работе с данными действует принцип garbage in, garbage out: качество оценки напрямую зависит от качества исходных данных. Если исходная информация неполная или неточная, результат тоже будет некорректным. 

Актуальные описания должностей заранее не обязательны: их можно собрать в ходе проекта. Но нужны корректные данные о зарплатах, актуальная организационная структура и люди со стороны бизнеса, которые смогут уточнить содержание работы и проверить результаты оценки.

Чем точнее исходные данные, тем надежнее расчеты на их основе. Поэтому задача на старте — не собрать как можно больше информации, а получить качественные исходные данные о должностях, зарплатах и структуре компании. Тогда ИИ сможет сопоставить их, найти несоответствия и просчитать варианты системы оплаты, а компания — принять эффективные решения.