Podle čeho vybrat nástroj AI pro smlouvy, který se vyplatí?
Sdílený disk nebo cloudové úložiště nestačí zabezpečit heslem, které zná . Nastavte přístupová práva podle rolí: kdo jen čte, kdo může upravovat a kdo smí soubor smazat. U citlivých dokumentů používejte šifrování jak při přenosu, tak v klidu. Pozor na kopie, které si lidé stahují do počítače nebo na soukromý telefon. Právě tyto „dočasné" kopie unikají nejčastěji, protože o nich nikdo nevede přehled a často zůstanou ležet roky.
Prvním krokem je inventura dat. Zjistěte, jaké atributy vstupují do rozhodování: věk, pohlaví, národnost, ale i škola, adresa nebo mezera v životopise. Právě tyto znaky často fungují jako zástupné proměnné a vytvářejí nepřímou diskriminaci. Nestačí je smazat ze vstupu, pokud je model dokáže rekonstruovat z kombinace jiných polí. Výsledkem je filtr, který systematicky vyřazuje skupinu lidí, aniž by to kdokoli zamýšlel.
Nasazení predikce má smysl jen tehdy, když na ni naváže konkrétní akce. Typická chyba: tým dostane čísla, ale nikdo nezmění objednávky u dodavatele. Výstupem modelu by měly být doporučené objemy na příští týden nebo měsíc, případně signál k přesunu zboží mezi sklady. Pokud se predikce neshoduje s realitou, porovnejte, co se změnilo – nová kampaň, jiná cena dopravy, výpadek platební brány.
Etika v personalistice není jednorázový projekt, ale provozní návyk. Znamená ptát se u každého nasazení, komu to prospívá a kdo může být poškozen. Znamená mít odvahu říct, že některá data nebudeme sbírat, i když by byla technicky dostupná. A znamená přijmout, že odpovědnost za rozhodnutí o lidech zůstává na lidech, ne na modelu.
U výběru nástroje sledujte tři věci. Zaprvé práci s češtinou: nechte si předvést odpovědi na dotazy psané nespisovně, s překlepy a bez diakritiky. Zákazníci píšou „kdy mi to prijde", ne „Kdy obdržím zásilku". Zadruhé napojení na vaše systémy: chatbot musí umět sám zjistit číslo zásilky nebo stav skladu, jinak jen přeposílá dotazy dál. Zatřetí pravidla pro předání člověku. Musí existovat jasná hranice, kdy robot končí, a musí to být rychlé. Pokud zákazník čeká na operátora desítky minut, je jedno, jak dobře chatbot začal.
Při zavádění postupujte po malých krocích. Začněte u jedné agendy, například u sledování platnosti smluv, a teprve po ověření přidejte další funkce. Zapojte právní oddělení i obchod, protože AI nástroj jim má ušetřit práci, ne přidat kontrolu navíc. Typickou chybou je nasazení celofiremního řešení bez pilotního provozu a bez zaškolení lidí, kteří s ním budou denně pracovat.
Když prodávající odmítne reklamaci vyřídit nebo nedodrží zákonnou lhůtu rady pro rekonstrukci vyřízení, můžete se obrátit na Českou obchodní inspekci nebo na soud. V takovém případě je vhodné doložit, že jste reklamaci podali řádně a že automatické zamítnutí neobsahovalo věcné odůvodnění. U soudu pak nese důkazní břemeno prodávající, ne vy. U vad, které se projeví v prvních měsících po převzetí, se má za to, že zboží bylo vadné již při dodání, pokud prodávající neprokáže opak.
Rozhodující je kvalita práce s českým jazykem. Mnoho zahraničních nástrojů zvládá angličtinu výborně, ale u českých smluv s deklinací, složenými souvětími a specifickou právní terminologií chybuje. Před rozhodnutím si vyžádejte test na vašich reálných dokumentech, ideálně na těch nejproblematičtějších. Sledujte, jak nástroj rozpozná strany smlouvy, datum účinnosti, výpovědní lhůty a sankce. Jeden dobře provedený test na deseti smlouvách odhalí víc než hodinová prezentace.
Kde končí nástroj a začíná odpovědnost Druhým krokem je oddělit doporučení od rozhodnutí. AI může seřadit uchazeče, ale nesmí být jediným důvodem zamítnutí. Zaveďte pravidlo, že každé negativní rozhodnutí má lidské zdůvodnění a že uchazeč může požádat o vysvětlení. Prakticky to znamená vést záznam o tom, které skóre hrálo roli a jak bylo interpretováno. Bez toho se odpovědnost rozplyne mezi dodavatele, interní IT a personalistu a nikdo nenese následky.
Typická chyba je slepá důvěra v číslo. Model vrátí pravděpodobnost a tým ji začne číst jako pravdu. Přitom jde o odhad zatížený chybou, který se navíc v čase mění, jak se mění populace uchazečů. Stejně časté je trénování na historických datech, která obsahují staré předsudky. Pokud firma v minulosti přijímala jen absolventy určitého typu škol, model to zopakuje a označí za objektivní kritérium.
Nespoléhejte na to, že AI nahradí odpovědnost. Výstupy vždy kontrolujte, zejména u rizikových ustanovení. Nastavte si pravidla, kdo schvaluje změny a jak se řeší chybná extrakce. Pokud nástroj generuje návrhy revizí, musí je před odesláním protistraně projít člověk. AI zrychluje rutinu, ale právní úsudek zůstává na vás.