AI chấm điểm hay xếp hạng nhân viên dễ sai vì nó chỉ nhìn được những gì đã thành số, trong khi phần lớn giá trị một người mang lại cho đội không nằm trong số. Điểm số còn mang theo thiên lệch của dữ liệu cũ, dễ bị lách, và thường không giải thích được vì sao ra kết quả đó. Dùng nó làm căn cứ chính để thưởng, phạt hay xếp loại là đặt một phán xét quan trọng về con người lên nền móng yếu.
Điều đó không có nghĩa là bỏ hẳn số liệu. Người quản lý vẫn cần biết doanh số, số đơn xử lý, tỉ lệ sai sót. Bài này giúp bạn phân biệt dùng số liệu để hỏi đúng câu với dùng số liệu để kết luận về người, kèm quy trình và câu lệnh mẫu để AI tổng hợp mà không thay bạn phán xét. Phần thiết kế hệ thống chỉ số, mục tiêu thuộc về các trang chuyên về KPI, OKR; ở đây chỉ bàn chuyện đạo đức và công bằng.
AI chấm điểm nhân viên đang xuất hiện ở đâu
Nhiều người quản lý nghĩ chuyện chấm điểm bằng AI chỉ có ở tập đoàn lớn. Thực ra nó đến gần hơn thế, theo ba đường. Đường thứ nhất là phần mềm có sẵn tính năng: hệ thống bán hàng tự xếp nhân viên theo doanh số, phần mềm chăm sóc khách hàng chấm điểm từng cuộc gọi, ứng dụng giao việc tự tính "mức đóng góp". Nhiều tính năng được bật mặc định, người quản lý chỉ việc mở bảng ra xem.
Đường thứ hai là tự làm: người quản lý xuất bảng tính kết quả của đội, dán vào chatbot và hỏi "xếp hạng giúp ai làm tốt nhất, ai kém nhất". Chatbot luôn trả lời, và câu trả lời trông rất có lý vì được trình bày gọn gàng, có lập luận. Đường thứ ba là công cụ chuyên cho nhân sự, có khi kèm phân tích giọng nói, nội dung email hay hình ảnh camera để suy ra mức độ "gắn kết".
Cả ba đường có chung một đặc điểm: con số đến tay người quản lý trông khách quan hơn ý kiến cá nhân, nên dễ được tin hơn mức nó đáng được tin. Một ý kiến chủ quan ít ra còn bị nghi ngờ; một điểm số 72 trên 100 thì hiếm ai hỏi lại nó được tính thế nào.
Năm lý do điểm số do máy tính dễ sai
Thiếu bối cảnh. Nhân viên được phân khu bán hàng khó, ca vắng khách, hay vừa nhận một khách hàng phức tạp sẽ có số thấp hơn mà không hề kém hơn. Máy không biết ai đã nhận phần việc khó nhất của đội, trừ khi có người nói cho nó.
Chỉ đo cái đếm được. Kèm người mới, giữ chân một khách khó tính, nhắc đồng nghiệp tránh một lỗi lớn, gánh việc khi người khác nghỉ ốm đều không thành dòng nào trong bảng. Người làm những việc đó nhiều nhất thường bị điểm số đánh giá thấp.
Dữ liệu cũ mang thiên lệch cũ. Nếu trước đây một nhóm người ít được giao khách lớn, dữ liệu lịch sử sẽ cho thấy họ "ít khi chốt được khách lớn", và một mô hình học từ đó sẽ tiếp tục đánh giá họ thấp. Thiên lệch được lặp lại, lại còn khoác áo khách quan.
Chỉ số thành mục tiêu thì mất giá trị. Hiện tượng này thường được gọi là định luật Goodhart: khi người ta biết mình bị chấm theo số cuộc gọi, họ gọi nhiều cuộc ngắn; chấm theo số phiếu đóng, họ đóng phiếu vội. Con số đẹp lên còn công việc thì không.
Không giải thích được. Nhiều công cụ đưa ra điểm mà không nói rõ vì sao. Khi nhân viên hỏi "em bị trừ ở đâu", người quản lý không trả lời được. Một đánh giá không giải thích được thì không giúp ai tiến bộ, chỉ khiến người ta thấy bất lực.
Bảng xếp hạng nội bộ làm gì với một đội
Treo bảng xếp hạng nhân viên, công khai hay chỉ gửi trong nhóm quản lý, thường được kỳ vọng tạo động lực thi đua. Ở một số việc đơn lẻ, đo được rõ ràng, nó có thể làm vậy trong thời gian ngắn. Nhưng với phần lớn đội làm việc phải phối hợp, bảng xếp hạng gây ra những hiệu ứng ngược khó thấy ngay.
Người ta bắt đầu giữ khách cho riêng mình, ngại chỉ mẹo cho đồng nghiệp vì giúp người khác lên hạng là tự đẩy mình xuống. Người ở nhóm cuối bảng, dù chỉ cách người giữa bảng một chút, mang cảm giác bị dán nhãn. Người đầu bảng chịu áp lực phải giữ vị trí, có khi bằng cách chọn việc dễ. Khi xếp hạng được dùng để quyết định thưởng hay cắt giảm, mọi hiệu ứng đó mạnh hơn nhiều.
Ví dụ giả định: một chuỗi ba cửa hàng điện thoại ở Đồng Nai áp dụng bảng xếp hạng doanh số theo tuần do phần mềm tự tính. Sau vài tháng, doanh số tổng không tăng nhưng số lần nhân viên tranh khách trước mặt khách tăng rõ, và hai nhân viên chuyên lo bảo hành, việc không tính doanh số, xin nghỉ. Người quản lý chỉ nhận ra khi khách phàn nàn chuyện bảo hành bị bỏ bê.
Dùng số liệu để hỏi, không dùng để phán
Cùng một bảng số liệu, cách dùng quyết định nó giúp hay hại. Bảng dưới đặt hai cách cạnh nhau.
| Tình huống | Dùng để phán (nên tránh) | Dùng để hỏi (nên làm) |
|---|---|---|
| Doanh số của một người giảm hai tháng liền | Ghi "kém" vào nhận xét, cảnh báo | Hỏi riêng: khu vực, khách, công cụ, hoàn cảnh có gì thay đổi |
| Một người xử lý ít phiếu hơn trung bình | Xếp cuối bảng | Xem loại phiếu họ nhận có khó hơn không, họ có đang kèm người mới không |
| Công cụ chấm "mức gắn kết" của ai đó thấp | Coi là dấu hiệu sắp nghỉ, rút bớt việc quan trọng | Bỏ qua chỉ số suy đoán, nói chuyện trực tiếp trong buổi 1:1 |
| Cả đội có tỉ lệ sai sót tăng | Tìm người có tỉ lệ cao nhất để nhắc | Xem quy trình, công cụ, khối lượng việc có thay đổi gì |
| Chatbot xếp hạng đội theo bảng tính dán vào | Dùng thứ hạng làm căn cứ thưởng | Không dùng; nhờ AI chỉ ra số liệu bất thường để bạn tìm hiểu |
Nguyên tắc chung: số liệu là điểm bắt đầu của một câu hỏi, không phải điểm kết thúc của một phán xét. Người bị ảnh hưởng luôn được nghe và được giải thích.
Quy trình dùng AI tổng hợp số liệu đội mà vẫn công bằng
Nếu bạn muốn dùng trợ lý AI để đọc nhanh bảng số liệu của đội, các bước dưới giúp giữ phần phán xét ở phía người.
- Ẩn danh trước. Thay tên bằng mã A, B, C; bỏ cột thông tin cá nhân như tuổi, quê, giới tính nếu không cần cho câu hỏi.
- Hỏi về mẫu hình, không hỏi về người. Ví dụ: "Có tuần nào, nhóm việc nào số liệu bất thường không?" thay vì "Ai kém nhất?".
- Tự thêm bối cảnh bạn biết vào ghi chú của mình: ai nghỉ phép, ai nhận khu mới, ai đang kèm người mới.
- Kiểm phép tính. AI có thể cộng sai, đọc nhầm cột. Với con số sẽ dùng để trao đổi, hãy tự tính lại bằng bảng tính.
- Nói chuyện trước khi kết luận. Mọi điểm bất thường gắn với một người đều được hỏi lại người đó trước khi ghi vào đâu.
- Ghi lại căn cứ. Nếu có đánh giá, ghi rõ dựa trên những sự việc nào, không ghi "theo hệ thống".
Quy trình này chậm hơn việc bấm một nút xếp hạng vài phút. Đổi lại, khi nhân viên hỏi "vì sao", bạn luôn có câu trả lời.
Câu lệnh mẫu giúp đọc số liệu mà không xếp hạng người
Các câu lệnh dưới giả định bạn đã ẩn danh bảng số liệu. Chúng giúp AI làm việc của một người phân tích cẩn thận, không làm việc của một giám khảo.
- "Bảng sau là số đơn xử lý theo tuần của năm nhân viên đã đổi tên thành A đến E. Chỉ ra các điểm bất thường theo thời gian và liệt kê những câu hỏi người quản lý nên hỏi để hiểu nguyên nhân. Không xếp hạng, không nhận xét về năng lực từng người."
- "Liệt kê những đóng góp quan trọng trong một đội chăm sóc khách hàng mà số liệu cuộc gọi không phản ánh được, để người quản lý ghi nhận thêm khi đánh giá."
- "Tình huống giả định: công ty yêu cầu xếp đội thành ba nhóm theo hiệu suất. Liệt kê các rủi ro bất công có thể xảy ra và cách người quản lý giảm thiểu chúng."
- "Kiểm giúp các tiêu chí đánh giá sau có tiêu chí nào dễ bất lợi cho người làm bán thời gian, người mới, hoặc người phụ trách việc hỗ trợ không?"
Nếu AI vẫn tự xếp hạng dù bạn đã dặn không, hãy bỏ qua phần đó. Thói quen tự đưa ra thứ hạng là một lý do nữa để không giao việc phán xét cho nó.
Khi công ty bắt buộc dùng điểm số tự động
Bạn có thể không được chọn. Công ty đã mua hệ thống, ban giám đốc muốn bảng xếp hạng hằng tháng. Trong trường hợp đó, vai trò của người quản lý trực tiếp là người diễn giải, không phải người chuyển phát. Trước khi điểm số đến tay nhân viên hoặc được dùng cho quyết định, hãy đọc kỹ, ghi chú bối cảnh và kiến nghị điều chỉnh khi thấy bất hợp lý.
Bạn cũng có thể đề xuất những cải tiến nhỏ mà hiệu quả: cho nhân viên xem được số liệu của chính mình và cách tính, có kênh để họ phản hồi khi thấy sai, không dùng một chỉ số đơn lẻ để quyết định thưởng hay cắt giảm, xem lại tiêu chí sau mỗi kỳ. Khi quyết định bất lợi với một người được đưa ra có dựa vào hệ thống tự động, người đó nên được giải thích và có quyền yêu cầu xem xét lại. Đây vừa là công bằng, vừa phù hợp tinh thần của các quy định về bảo vệ dữ liệu cá nhân hiện hành; chi tiết cụ thể hãy kiểm với bộ phận pháp chế.
Câu hỏi thường gặp
Chấm điểm bằng AI có khách quan hơn người quản lý chấm không?
Không nhất thiết. Nó nhất quán hơn, cùng một đầu vào cho cùng đầu ra, nhưng nhất quán không phải là khách quan. Nếu đầu vào thiếu bối cảnh hoặc mang thiên lệch, máy sẽ sai một cách đều đặn. Kết hợp số liệu với quan sát và trao đổi trực tiếp thường công bằng hơn cả hai cách riêng lẻ.
Có nên công khai bảng xếp hạng doanh số cho cả đội xem không?
Cân nhắc kỹ. Với việc phải phối hợp, công khai xếp hạng dễ gây giữ khách, ngại giúp nhau và làm người cuối bảng mất tinh thần. Có thể công khai kết quả chung của đội và cho mỗi người xem số liệu riêng của mình, kèm buổi trao đổi riêng.
Nhân viên hỏi điểm của mình được tính thế nào mà người quản lý không biết thì sao?
Nói thật là bạn chưa rõ và sẽ tìm hiểu, rồi hỏi bên cung cấp hoặc bộ phận phụ trách hệ thống. Nếu không ai giải thích được cách tính, đó là lý do chính đáng để kiến nghị không dùng điểm đó cho quyết định về người.
Dùng AI tóm tắt ý kiến khảo sát 360 độ về một người có ổn không?
Có thể, nếu khảo sát đã ẩn danh người góp ý, dữ liệu được che tên người được đánh giá khi đưa vào công cụ bên ngoài, và bạn tự đọc lại toàn bộ ý kiến gốc. Đừng để bản tóm tắt làm mất những ý kiến thiểu số nhưng quan trọng.
Định luật Goodhart áp dụng thế nào với đội nhỏ?
Rất rõ. Đội nhỏ thì ai cũng biết chỉ số nào đang được nhìn, và điều chỉnh hành vi theo đó rất nhanh. Cách giảm: theo dõi vài chỉ số bổ sung nhau, thay đổi trọng tâm định kỳ, và luôn đi kèm trao đổi về chất lượng công việc.
Nếu điểm số nói đúng là một người làm kém thì sao?
Khi đó bạn vẫn cần cuộc nói chuyện trực tiếp: nêu sự việc cụ thể, nghe họ giải thích, thống nhất mục tiêu cải thiện và thời hạn. Điểm số chỉ là tín hiệu để bắt đầu; người đó cần được hỗ trợ và được nghe, không phải chỉ được thông báo một con số.