14. lapszám · nov. 2–8. 2026Agent Age hírmagazin · Többi kiadás · Keresés · Módszer · HU / ENG

A munka az AI korában kétszer változik meg: előbb az, amit az ember csinál, aztán az, amiért megfizetik.

Esszé

A szakma ma feladatot leltároz, készséget mér és átnézést szervez

Az AI-korszak munkagyakorlatai egy láncot alkotnak: a feladatleltár dönti el, mi kerül a géphez, a képzés és a felvétel azt, ki tudja megítélni az eredményt. A lánc az átnézésnél zárul, ahol a szervezet megnevezi, ki felel a gépi munkáért.

Varga Zoltán · 2026-11-21 · 10 perc olvasás

A munka tudománya · 4/4. rész

Egy szervezet meggyőződéseit a rutinjaiból olvasom ki: abból, hogyan írja le a munkaköreit, kit vesz fel, mit mér, mire képez, és ki néz rá a kész munkára, mielőtt az elhagyja a házat. A sorozat eddig a kérdéseket, az elméleteket és a szereplőket vette sorra. A gyakorlat az a szint, ahol mindez költséggé és szokássá válik, és ahol a második részben leírt hallgatólagos fogadás ára megismerhető. A mai munkamódszerek többsége régebbi az AI-nál, a gépi munkatárs megjelenése azonban mindegyiknek új tétet ad, mert a leírás, a mérés és az ellenőrzés egy részét is szoftver végzi.

A feladatleltár a munkakör-tervezés első lépése

A munkakör-tervezés ma leltárral kezdődik: a szervezet felsorolja, milyen tevékenységekből áll egy szerep, és mindegyikről eldönti, ember végzi, gép végzi, vagy a kettő együtt. A módszer kutatási változatát Dora Zhao és munkatársai 2026-os előzetes közleménye mutatja meg, amelyet a sorozat korábbi részei az eredményei miatt idéztek. A szerzők olyan eljárást építettek, amely az álláshirdetésekből kiemeli a felelősségi köröket, és az amerikai foglalkozási adatbázis egységes tevékenységjegyzékéhez rendeli őket, így 33 cég 50 000 hirdetése összevethetővé vált 1. A leltár értékét ez a közös szótár adja, mert nélküle két munkakör leírása ugyanazt a tevékenységet más néven tartja számon.

A gyakorlat a feladatalapú megközelítésből következik, és örökli annak korlátját. A leírás a kinyilvánított feladatot rögzíti, a ténylegesen végzett munka ettől eltér, a második részben tárgyalt egyenetlen képességhatár miatt pedig a leírásból előre nehezen olvasható ki, melyik tevékenység megy jól a gépnek. A harmadik részben bemutatott szállítói eszközök ezt a besorolást kész szolgáltatásként kínálják, ami gyorsítja a munkát, és egyúttal a szállítóhoz viszi a döntés előkészítését. A leltár másik vakfoltja a feladatok közötti kapcsolat. A munkakörjellemzők elmélete szerint a motiváló erő a feladat lezártságából és a munkából érkező visszajelzésből fakad, a tevékenységek listája pedig éppen ezt a két tulajdonságot nem tartalmazza.

A feladatszintű bevezetés a leltár folytatása: a szervezet egy-egy tevékenységnél vezeti be az eszközt, a munkakör egészét pedig utólag igazítja hozzá. Az MIT Sloan vezetőképző iskola összefoglalója szerint David Autor, David Mindell és Elisabeth Reynolds The Work of the Future című könyve, amely az egyetem 2018-ban felkért munkacsoportjának eredményeire épül, azt állítja, hogy az AI messze van az ember kiváltásától, a legtöbb foglalkozást viszont átalakítja, és hogy a munkaerőpiac sok állást, de kevés gazdasági biztonságot teremt 2. Ugyanennek az iskolának a tematikus oldala egy munkacsoporti jelentést ismertet, amely három elvet és hét eredményt nevez meg ahhoz, hogy a generatív AI mellett a munka jobb is legyen, a gyorsulás mellett 3. Mindkét forrás arra utal, hogy a bevezetés minőségét a munkakör újratervezése adja, és ezt a lépést a feladatonkénti haladás könnyen elhalasztja.

A készségalapú felvétel új mércét és új szűrőt ad

A felvétel gyakorlata a végzettségtől a készség felé mozdul. Kelly Palmer és David Blake 2018-as könyve, a The Expertise Economy abból indul ki, hogy a készségekről nehéz fizetőeszközként beszélni, amíg nincs egységes nyelvük, és hogy a hagyományos kiválasztás a jelölt képesítéseire épít. A szerzők egy készséghányados nevű mutatót javasolnak, amely egy személy, egy részleg vagy egy vállalat meglévő készségeit veti össze a szükségesekkel. A könyv példái kimondottan hipotetikusak: az egyikben egy közvetítő cég felméri egy kereskedelmi vezető évtizedek alatt szerzett készségeit, és a nyitott állások adatbázisával összevetve ajánl neki szerepeket 4. Thomas L. Friedman Thank You for Being Late című könyve egy amerikai kezdeményezés, az Opportunity@Work munkáján keresztül mutatja be ugyanezt a fordulatot: a szervezet teszteli a jelentkezőt, tanúsítja a tudását, majd munkáltatóhoz vagy képzéshez irányítja, mert a munkáltatók szűrőeszközei a diploma hiánya miatt sok alkalmas embert kihagynak 5.

A nagyvállalati változatot az Unilever 2021-es közleménye írja le. A cég és a Walmart HR-csapatai tíz-tíz szerepet választottak ki, összeírták a hozzájuk tartozó fő készségeket és a lehetséges átképzési útvonalakat, a listákat pedig két külső partner elemezte adatelemző eszközökkel, hogy kiderüljön, mely készségek hiányoznak, és hol vannak átfedések. A közlemény szerint az elemzés szerepenként átlagosan 34 készséget azonosított egy embernél, miközben a munkatársak a saját készségeik számát jellemzően 11-re teszik 6. Az eltérés önmagában érdekes megfigyelés a munkáról szóló tudás helyéről: a gép több készséget lát a munkatársban, mint ő maga, és a szervezet a gép leltárát tekinti kiindulópontnak. Ugyanez a közlemény egy partneri nyilatkozatot is idéz arról, hogy az AI megszünteti az emberi elfogultságot, amit a vállalat partnerének állításaként kezelek, független vizsgálat nélkül.

A kiválasztás gépesítésének korábbi szakaszát egy üzleti szövetség, a WBCSD 2018-as ismertetője rögzíti. Eszerint az Unilever 2016 ősze és 2017 nyara között közel 500 embert vett fel úgy, hogy a jelölteket játékos feladatok és algoritmusok szűrték, a videós interjút egy modell értékelte, a felvételért felelős vezetők pedig csak a folyamat végén kapcsolódtak be 7. Az ismertető a kísérletet sikernek nevezi, a mércéjét azonban a cég adta. A harmadik részben említett európai rendelet az ilyen rendszereket azóta a magas kockázatúak közé sorolja 8. A készségalapú felvétel tehát két dolgot tesz egyszerre: megnyitja a kaput azok előtt, akiket a papírjaik kizártak, és a szűrés ítéletét egy olyan mérőeszközre bízza, amelynek érvényességét a felvevő szervezet ritkán vizsgálja maga.

A mérés a saját adatforrásától függ

A HR-analitika a személyzeti döntéseket adatra alapozza, és a szakma maga jelölte ki a korlátait. Martin Edwards és Kirsten Edwards Predictive HR Analytics című kézikönyve leírja, hogy léteznek kész elemzőtermékek, amelyek a távozás valószínűségét vagy a várható teljesítményt becslik egy más szervezetekben kifejlesztett modell alapján. A szerzők szerint ilyenkor a szervezet úgy hoz döntést, hogy az algoritmus működését és eredetét nem ismeri, ezért az elemzők közösségében erősödik az algoritmikus átláthatóságról és elszámoltathatóságról folyó eszmecsere. A könyv azt is megállapítja, hogy a területnek nincs külön elfogadott etikai iránymutatása, és kiindulásként egy brit szakmai szervezet normáit ajánlja 9.

Dave Ulrich és szerzőtársai Victory Through Organization című könyve a mérés tárgyát kifogásolja. Az adataik szerint az az analitika, amely a HR saját munkájának értékelésére irányul, csak mérsékelt hatással van az érintettek számára elért és az üzleti eredményekre, ezért a szerzők azt a fordulatot írják le, amelyben az elemzés a HR-ről az üzleti érték felé fordul 10. A megfigyelés kérdőíves felmérésből származik, együttjárást jelez. A második rész nyelvén ez annyit tesz, hogy a mérés tárgyának megválasztása már fogadás: aki a jelenlétet és a darabszámot számolja, az X feltevésre tesz, aki az eredményt, az Druckerre.

Az AI a mérés alapanyagát is megváltoztatja. Cedric De Boom és Michael Reusens 2023-as előzetes közleménye, a Changing Data Sources in the Age of Machine Learning for Official Statistics a hivatalos statisztika példáján mutatja meg, hogy a gépi tanulásra épülő mérés minősége az adatforrások megbízhatóságán múlik, a források változása pedig elkerülhetetlen. A szerzők a következmények között a fogalmi elcsúszást, a torzítást, az érvényesség és a teljesség romlását sorolják fel, óvintézkedésként pedig a robusztus adatbeszerzést és a folyamatos megfigyelést nevezik meg 11. A tanulmány a statisztikai hivatalokról szól, a szervezeti mérésre én viszem át: amikor a munkatárs AI-eszközzel dolgozik, a korábbi mutató, például az elkészült ügyek száma, ugyanazon a néven mást mér, mint előtte. Az idősor folytonosnak látszik, a tartalma megváltozott.

A munkaidő és a munka tartalma együtt változik

A munkaidő-kísérletek a munka tartalmáról szólnak, a naptárról csak másodsorban. Cal Newport Deep Work című könyve egy szoftvercég, a 37signals példáját idézi fel: a vállalat 2007 nyarán négynaposra rövidítette a munkahetet, a munkatársak a jelek szerint ugyanannyit végeztek el, ezért a rendet májustól októberig állandóvá tették, az ügyfélszolgálat kivételével. A társalapító egy bírálatra adott válaszában azt hangsúlyozta, hogy a cél a kevesebb munka, négy szokásos nyolcórás nappal, és Newport ebből vezeti le saját tételét: a különbséget a sekély munka, vagyis a kis figyelmet igénylő, könnyen pótolható tevékenység visszaszorítása adja 12.

A példa egyetlen kis cégé, az alapító beszámolójára épül, mérés nélkül. A gondolat mégis Drucker első kérdéséhez vezet vissza, amelyet az első rész idézett: mi a feladat. A rövidebb hét csak ott tartható, ahol a szervezet megnevezi, mely tevékenységek hagyhatók el. Az AI ezt a kérdést megkerülhetővé teszi, mert a sekély munkát olcsón elvégzi, így az megmarad, csak gép állítja elő, és az ember az átnézésével tölt időt. A hibrid munkarend ugyanebbe a körbe tartozik: a hely megválasztása is a munka tartalmáról hozott döntés következménye.

A képzés az ítélőképességet építi

A képzés gyakorlata ma két irányban halad. Az egyik a készségleltárra épülő átképzés, amelyet az Unilever közleménye útvonalakként ír le egyik szerepből a másikba 6. A másik az AI-használat oktatása, amelyet a szabályzatok a kötelező elemek közé sorolnak. Mindkettő készséget ad át, és egyik sem pótolja azt, amit a szakember a valódi helyzetekben szerez.

Erről szól Gary Klein Sources of Power című könyve. Klein a természetes közegben zajló döntéshozatal kutatásának egyik megalapozója, 1985-től terepen vizsgálta, hogyan birkóznak meg az emberek a nehéz, nem rutinszerű helyzetekkel időnyomás, nagy tét, személyes felelősség és változó feltételek mellett. A megközelítése az embert tapasztaltnak és hozzáértőnek tekinti, szemben a laboratóriumi feladatokra épülő vizsgálatokkal, amelyek elfogultnak és ügyetlennek mutatják 13. Ebből a szervezeti képzésre nézve az következik, hogy az ítélőképesség a helyzetek sokaságából épül fel. Ha az eszköz átveszi azokat a feladatokat, amelyeken a szakember a mintákat megtanulná, a képzési terv rendben van, a tapasztalat forrása pedig elapad. A képzés ezért a munkakör-tervezés része: a leltár arról is dönt, mely feladatok maradnak az embernél a tanulás miatt.

Az átnézés és a felelősség szabályzatban kap gazdát

A szervezeti AI-szabályzat a gyakorlatok közül a legfiatalabb. A Microsoft vállalati tudástárának útmutatója szerint egy ilyen szabályzat négy területen rögzít elvárásokat: a jóváhagyott eszközök és a megengedett felhasználások, az adatvédelem és a biztonság, az emberi átnézés, az elszámoltathatóság és a megfelelés, valamint a képzés és a kérdések továbbításának útja terén 14. Ugyanennek a szállítónak a 2025-ben egységesített magatartási kódexe az ügyféltől várja el, hogy visszajelzési csatornát működtessen, és a felhasználási helyzethez illő intézkedéseket vezessen be, köztük érdemi emberi felügyeletet; a kódex abban az évben az önállóan működő AI-szolgáltatásokra vonatkozó külön résszel bővült 15. A felelősség elosztása ebből pontosan kiolvasható: a szállító feltételként írja elő az átnézést, a megszervezése pedig az alkalmazó szervezet dolga.

Az átnézés tehát munka, amelynek ideje, szakértelme és gazdája van. Klein megközelítése szerint a jó ítélet tapasztalatból fakad, ezért a gépi kimenetet az tudja megítélni, aki a feladatot maga is sokszor elvégezte. A harmadik részben tárgyalt megállapodás, amelyben egy egészségügyi szolgáltató és a szakszervezetei a dolgozók bevonásáról egyeztek meg az AI-ról szóló döntésekbe, ennek szervezeti formát ad 3. Az átnézés gyenge pontja a mennyiség. Ahol a gépi kimenet gyorsabban érkezik, mint ahogyan érdemben elolvasható, ott az aláírás megmarad, a vizsgálat pedig elmarad, és a szabályzat betartása mellett is felelős nélküli döntés születik.

A gyakorlatok egymást feltételezik

Ezeket a módszereket a szakma külön kezeli: a leltár a szervezetfejlesztésé, a felvétel a toborzásé, a mérés az elemzőké, a szabályzat a megfelelésé. Én egyetlen visszacsatolási hurkot látok bennük. A leltár határozza meg, mi kerül a géphez, ez pedig eldönti, mit gyakorol tovább az ember. Amit az ember nem gyakorol, azt néhány év múlva megítélni sem tudja, így a mai feladatkiosztás a holnapi átnézés minőségét szabja meg. Az átnézés minősége viszont azt korlátozza, mennyi munka adható át felelősen a gépnek. A hurok lassan zárul, ezért a negyedéves mutatókban nem látszik, és ezért mérhető rosszul a használat gyakoriságával.

Ebből azt szűröm le, hogy a bevezetés sikerének próbája az átnéző helyzete: van-e ideje, megvan-e a tapasztalata, és van-e joga visszaküldeni a munkát. Ahol ez a három feltétel teljesül, ott a szervezet a második rész nyelvén Drucker mellett fogadott, és a fogadását mérni is tudja, mert a visszaküldött munka adat. Ahol hiányzik, ott a gyakorlat a kötelező munkamenet felé csúszik, akkor is, ha a szabályzat emberi felügyeletről beszél. A készségalapú felvétel és a HR-analitika ugyanebbe a képbe illik: mindkettő a munkavállalóról termel tudást, és mindkettőnél az a kérdés, hogy a szervezet érti-e a saját mérőeszközét, vagy készen vette át a szállítótól.

A munkáról szóló tudás helye a tét

A sorozat a gondolkodóktól indult, akik arról vitáztak, kinél van a munka tudása, és kinek van joga mérni. Az elméletek próbája megmutatta, hogy az AI ezeket a régi feltevéseket állítható beállítássá teszi, ezért minden bevezetés állásfoglalás, kimondva vagy kimondatlanul. A szereplők térképén kiderült, hogy a munkáról szóló adat egyre nagyobb része az eszközök szállítóinál keletkezik, és onnan termékként érkezik vissza. A gyakorlatok pedig azt a helyet jelölik ki, ahol a szervezet a tudást megtarthatja: a munkakör leírásában, a saját mérésében, a tapasztalatot építő feladatokban és az átnézés jogában.

A közös tanulság az, hogy az AI a munkát a tudás elhelyezésén keresztül alakítja át. A gép feladatokat vesz át, a szervezet pedig közben arról dönt, hol marad a hozzáértés, amellyel a gép munkája megítélhető. A munka tudományának klasszikus kérdései ezt a döntést teszik láthatóvá, és a mai gyakorlatok közül azokat tartom tartósnak, amelyek a munkát végző embernél hagyják a munkáról szóló tudást, a szervezetnél pedig a képességet, hogy a saját eredményét a saját mércéjével ellenőrizze.

Ajánlott olvasmányok

Források

  1. [1] Dora Zhao, Lin Ai, Pranav Khadpe, Siddharth Suri és munkatársai (2026): AI Exposure and the Changing Responsibilities in Job Postings. arXiv. előnyomat, lektorálás előtt
  2. [2] MIT Sloan School of Management: Why ‘the future of AI is the future of work’ | MIT Sloan. mitsloan.mit.edu.
  3. [3] MIT Sloan School of Management: Future of Work | MIT Sloan. mitsloan.mit.edu.
  4. [4] Kelly Palmer, David Blake (2018): The Expertise Economy: How the Smartest Companies Use Learning to Engage, Compete, and Succeed. könyv
  5. [5] Thomas L. Friedman (2016): Thank You for Being Late: An Optimist's Guide to Thriving in the Age of Accelerations. könyv
  6. [6] Unilever (2021): The future of skills: using tech to put people first | Unilever. unilever.com.
  7. [7] World Business Council for Sustainable Development (2018): Games and algorithms to hire talent. futureofwork.wbcsd.org.
  8. [8] Európai Unió (2024): Regulation (EU) 2024/1689 of the European Parliament and of the Council (Artificial Intelligence Act). Európai Unió.
  9. [9] Martin R. Edwards, Kirsten Edwards (2024): Predictive HR Analytics: Mastering the HR Metric, 3rd Edition. könyv
  10. [10] Dave Ulrich, David Kryscynski, Mike Ulrich, Wayne Brockbank (2017): Victory Through Organization: Why the War for Talent Is Failing Your Company and What You Can Do About It. könyv
  11. [11] Cedric De Boom, Michael Reusens (2023): Changing Data Sources in the Age of Machine Learning for Official Statistics. arXiv. előnyomat, lektorálás előtt
  12. [12] Cal Newport (2016): Deep Work: Rules for Focused Success in a Distracted World. könyv
  13. [13] Gary A. Klein (1998): Sources of Power: How People Make Decisions. könyv
  14. [14] Microsoft: How to Create an AI Policy Employees Can Follow | Microsoft. microsoft.com.
  15. [15] Microsoft (2025): Code of Conduct for Microsoft AI Services | Microsoft Learn. learn.microsoft.com.

Esszék és áttekintések →

Heti levél

Hetente egy levél az Agent Age kiadások fő történeteiről. E-mailben erősíti meg, egy kattintással leiratkozhat.

Mindjárt kész: e-mailt küldtünk. Nyissa meg, és kattintson a megerősítő hivatkozásra. Ha pár percen belül nem érkezik meg, nézze meg a spam mappát.

↑