Představte si dashboard, který každé ráno vyplivne seznam jmen seřazený podle pravděpodobnosti, že daný člověk během tří měsíců podá výpověď. U některých svítí červená, riziko 78 procent. HR ředitelka se podívá, přikývne a rozhodne, komu zavolat na kávu dřív, než to udělá konkurence. Zní to jako scéna z technologického thrilleru, ale je to funkce, kterou dnes nabízí řada HR platforem, a čím dál víc firem si ji zapíná.
Že to technicky funguje, ukázala IBM. Její tehdejší šéfka Ginni Rometty v dubnu 2019 uvedla, že interní model postavený nad Watsonem odhaduje riziko odchodu s přesností kolem 95 procent a firmě už ušetřil skoro 300 milionů dolarů na nákladech spojených s retencí. Rezervu si to číslo zaslouží hned dvakrát. IBM nikdy nezveřejnila metodiku ani nezávislé ověření a u jevu, který se týká jen zlomku lidí, znamená i vysoká přesnost desítky falešně označených zaměstnanců. Přesnost je ale ta jednodušší část problému. Tvrdší otázka přijde ve chvíli, kdy se zaměstnanec dozví, že o něm systém ví víc, než kdy řekl nahlas, a že to firma věděla dřív než on sám.
Jak taková predikce vlastně funguje
Žádná černá magie se nekoná. Modely pracují s daty, která HR sbírá už léta, jen je dřív nikdo neskládal do jednoho skóre:
- odpracované roky, historie povýšení a výsledky hodnocení výkonu,
- docházka a odpovědi z pulzních průzkumů spokojenosti,
- čím dál častěji i signály z běžné pracovní komunikace: jak často se člověk účastní týmových porad, jak rychle odpovídá na e-maily, jak vypadá tón jeho zpětné vazby kolegům.
Model hledá vzorce, které v minulosti předcházely odchodu. Většinou jde o kombinaci drobností, které samostatně neznamenají nic. Člověk dlouho nedostal povýšení, nedávno mu změnili manažera a přestal chodit na dobrovolné firemní akce. Každý signál zvlášť je šum, všechny tři najednou statisticky předpovídají odchod. Systém tedy neumí číst myšlenky, jen porovnává aktuální profil s tisíci profilů lidí, kteří už odešli.
A právě tady začíná ta nepříjemná část. Model pracuje s korelací, ne s úmyslem konkrétního člověka, a i statisticky solidní korelaci jde použít dvěma opačnými způsoby. Buď jako podnět k rozhovoru: podívejme se, proč tenhle člověk vypadá rizikově, a zeptejme se ho, co potřebuje. Nebo jako důvod ke kontrole: sledujme ho blíž, dřív než sám cokoliv řekne.
Technologie je stejná. Záměr firmy dělá z jednoho nástroje pomoc a z druhého dohled.
Kde končí péče a začíná sledování
Hranice mezi retencí a dohledem neleží tam, kde ji většina lidí hledá, tedy u samotné existence modelu. Rozhoduje se až o krok dál, u toho, co firma s výsledkem udělá:
- Retence. Firma z agregovaných dat zjistí, že určité oddělení má zvýšené riziko odchodu kvůli nejasné kariérní cestě, a upraví proces povyšování pro všechny.
- Dohled. Firma si otevře konkrétní jméno s vysokým rizikovým skóre a začne toho člověka sledovat blíž, aniž by o tom věděl.
Stejná data, stejný model, jiný dopad. V prvním případě se mění systém, ve druhém vzniká profil konkrétního člověka, o kterém ten člověk neví a nemůže ho ovlivnit.
Že tohle rozlišení není akademické, ukazují data. Přehled 39 studií publikovaný v odborném časopise Scandinavian Journal of Work, Environment & Health shrnuje, že s každým stupněm intenzity algoritmického řízení roste výskyt psychosociálních rizik o 21 procent a zdravotních potíží o 16,5 procenta. Vychází přitom z evropského průzkumu OSH Pulse mezi 27 250 pracujícími. EU-OSHA popisuje stejný mechanismus: jakmile měření nahradí kontakt s člověkem, klesá autonomie i důvěra.
Co na to GDPR, zákoník práce a AI Act
GDPR na to pamatuje v článku 22. Ten dává člověku právo nebýt předmětem rozhodnutí založeného výhradně na automatizovaném zpracování, pokud pro něj má právní nebo podobně významný dopad. Samotné skóre rizika ještě rozhodnutím není. Stane se jím ve chvíli, kdy firma na jeho základě mlčky vyřadí člověka z projektu, sníží mu prioritu při rozdělování bonusů nebo ho přestane zvát na strategické porady, aniž by mu řekla proč. Dotyčný se to pak dozví jen z toho, že se s ním najednou zachází jinak.
Česká pravidla přitvrzují ještě o kus dál. Podle § 316 zákoníku práce nesmí zaměstnavatel narušovat soukromí zaměstnance otevřeným ani skrytým sledováním bez závažného důvodu spočívajícího ve zvláštní povaze své činnosti. A pokud takový důvod má, musí zaměstnance přímo informovat o rozsahu kontroly i o způsobech jejího provádění. Model, který skóruje jednotlivce podle jejich chování a komunikace, se do téhle definice vejde snadněji, než by firmám bylo milé.
Nad tím vším leží AI Act. Systémy, které monitorují a hodnotí výkon a chování zaměstnanců nebo z nich odvozují rozhodnutí o konkrétních lidech, patří podle přílohy III mezi vysoce rizikové. Povinnosti pro ně měly platit od srpna 2026, jenže nařízení (EU) 2026/1744, takzvaný Digital Omnibus on AI, je bez dalších podmínek odsunulo na 2. prosince 2027. Odklad se ale týká jenom AI Actu. GDPR i zákoník práce platí beze změny už teď.
Firma, která predikci fluktuace zavádí teď, má něco přes rok na to, aby uměla doložit lidský dohled nad rozhodnutími, kvalitu vstupních dat a informování zaměstnanců. Ne aby to začala řešit, až se někdo zeptá.
Za sledování se platí důvěrou
Je tu ještě jeden efekt, který si firmy přiznávají nerady. Microsoft pro něj má název: produktivitní paranoia. V jeho průzkumu mezi dvaceti tisíci lidmi označilo 87 procent zaměstnanců svoji práci za produktivní, zatímco plnou důvěru v produktivitu vlastního týmu mělo jen 12 procent vedoucích. MIT Sloan Management Review na tom ukazuje, proč se ta smyčka sama posiluje: vedení má pocit, že bez dat o každém kroku ztrácí přehled, a zaměstnanci čtou každé další měření jako projev nedůvěry. Firma, která investuje do stále jemnějšího měření rizika odchodu, ale nezvedne telefon a nezeptá se lidí přímo, si kupuje drahý nástroj na symptom a příčinu nechává být.
Jak rychle se ta hranice dá překročit, ukázala letos Meta. V dubnu spustila interní program Model Capability Initiative, který na pracovních noteboocích sbíral pohyby myši, úhozy na klávesnici i obsah obrazovky, aby měla čím trénovat vlastní AI. Zaměstnanci se ozvali, firma prvního června ustoupila jen kousek a přidala možnost sběr na půl hodiny pozastavit nebo požádat o výjimku. Celý program zastavila až o tři týdny později, když vyšlo najevo, že se nasbíraná data kvůli chybě v nastavení přístupů dala číst napříč firmou. S predikcí fluktuace to nesouvisí, mechanismus je ale stejný: čím jemnější je zrnitost sledování, tím rychleji lidé přestanou věřit, že jde o pomoc. A jakmile firma ztratí přehled o tom, kdo se k datům dostane, na dobrých úmyslech za sběrem už nezáleží.
Agregovaná data versus konkrétní jméno
Pro HR je podstatná úroveň, na které se s daty pracuje. Rozdíl mezi agregovaným pohledem a profilem jednotlivce rozhoduje o všem ostatním.
- Agregovaná úroveň znamená pohled na oddělení, tým nebo kategorii pozic. Zjistíte, že lidé s určitým typem úvazku nebo v určité fázi kariéry odcházejí častěji, a upravíte podmínky pro celou skupinu. Nikdo konkrétní není označený ani sledovaný blíž než ostatní, takže tu ani nevzniká automatizované rozhodnutí o jednotlivci, na které míří článek 22.
- Individuální profilování znamená konkrétní jméno, konkrétní procento a jednání podle něj, často bez vědomí dotyčného. Tady se přísnější podmínky spouštějí okamžitě.
U individuálního profilování by měly platit současně minimálně tři věci:
- Zaměstnanec ví, že takový model existuje a jaká data do něj vstupují.
- Výstup vede k nabídce rozhovoru nebo podpory, ne k tichému snížení příležitostí.
- Někdo v HR umí vysvětlit, na základě čeho konkrétní skóre vzniklo, ne jen že to řekl systém.
Transparentnost tady není zdvořilostní gesto, ale jediná pojistka, která obě roviny udrží oddělené. Bez ní firma dřív nebo později sklouzne k tomu, že agregovaný model potichu použije na jednotlivce, protože je to jednodušší a rychlejší. A v tu chvíli si lidé začnou připadat sledovaní, i kdyby to firma pořád nazývala péčí o talenty.
Otázka, kterou by si měla položit každá HR ředitelka
Než firma predikci fluktuace zavede nebo rozšíří tu, kterou už má, stojí za jednu otázku: kdyby zaměstnanec zítra zjistil přesně, jaká data o něm systém sbírá a k čemu skóre vede, cítil by se v pořádku, nebo podvedený? Pokud podvedený, technologie za to nemůže. Firma jen řeší chybějící důvěru nástrojem, který ji dál nahlodává.
Kde leží skutečná páka, ukazuje Gallup. Ve výzkumu mezi lidmi, kteří dobrovolně odešli, jich 42 procent uvedlo, že jejich odchodu mohl někdo ve firmě zabránit. A 45 procent z celého vzorku se za poslední tři měsíce před odchodem nedočkalo od nadřízeného ani od nikoho jiného z vedení rozhovoru o spokojenosti, výkonu nebo o tom, kam ve firmě míří. Jde o americká data z konce roku 2023, český trh Gallup takhle neměří.
To je díra, kterou žádný predikční model sám nezalepí. Skóre rizika bez rozhovoru je jen dražší způsob, jak nic nezměnit.
Pořadí kroků proto míří opačným směrem, než kam firmy táhne technologické nadšení.
- Používejte data agregovaně, k systémovým změnám, které zlepší podmínky pro celé skupiny lidí.
- Individuální profilování nechte jen tam, kde je zaměstnanec informovaný a výstupem je nabídka podpory, ne tichý zásah do jeho příležitostí.
- Než utratíte rozpočet za lepší algoritmus, zkuste levnější řešení, které stojí čas místo softwaru: zeptejte se člověka dřív, než ho začnete popisovat v datech.
Zdroje
- CNBC, IBM artificial intelligence can predict with 95% accuracy which workers are about to quit their jobs, 3. 4. 2019
- Scandinavian Journal of Work, Environment & Health, Algorithmic management and psychosocial risks at work: an emerging occupational safety and health challenge, 2026 (přehled 39 studií, data z průzkumu EU-OSHA OSH Pulse mezi 27 250 pracujícími)
- EU-OSHA, Digital technologies at work and psychosocial risks: evidence and implications for occupational safety and health, 2024
- Nařízení (EU) 2016/679 (GDPR), článek 22, Automatizované individuální rozhodování, včetně profilování
- Zákon č. 262/2006 Sb., zákoník práce, § 316
- Nařízení (EU) 2024/1689 (AI Act), příloha III bod 4, zaměstnanost a řízení pracovníků
- Nařízení (EU) 2026/1744, Digital Omnibus on AI, kterým se mění nařízení (EU) 2024/1689, Úřední věstník EU, 24. 7. 2026 (odklad povinností pro vysoce rizikové systémy podle přílohy III na 2. prosince 2027)
- Microsoft, Work Trend Index Pulse Report: Hybrid Work Is Just Work. Are We Doing It Wrong?, září 2022 (20 006 respondentů v 11 zemích)
- MIT Sloan Management Review, Four Ways to Build a Culture of Honesty and Avoid Productivity Paranoia
- HR Grapevine, Meta faces employee backlash over AI tracking tool as privacy concerns grow, 1. 6. 2026
- Malwarebytes Labs, Meta pauses controversial employee-tracking program after security review, červen 2026
- Gallup, 42% of Employee Turnover Is Preventable but Often Ignored, 2024 (717 lidí, kteří dobrovolně odešli, průzkum z listopadu 2023)
Shrnutí článku
Predikční modely fluktuace umí z interních dat HR odhadnout riziko odchodu zaměstnance s vysokou přesností, IBM u svého systému uváděla číslo kolem 95 procent. Přesnost sama o sobě ale nic neřeší. Článek 22 GDPR i § 316 zákoníku práce omezují, co s takovým skóre firma smí dělat, a případy jako produktivitní paranoia u Microsoftu nebo zastavený monitoring v Metě ukazují, jak rychle mizí důvěra ve chvíli, kdy lidé zjistí, že o nich firma ví víc, než čekali.
Adam Homola
Editor in chief, Benefit pro HR
Adama dlouhodobě fascinuje, jak věci fungují - lidé, týmy i celé organizace. Svůj zájem o lidské procesy propojuje s technologiemi, zejména s AI, kterou vnímá jako nástroj. Píše, edituje a kurátorsky vybírá obsah opřený o data a evidence-based přístup; jeho cílem je srozumitelně převádět komplexní témata do praxe HR a managementu. Dlouhodobě se věnuje digitální tvorbě a se zaujetím sleduje, jak technologický pokrok ovlivňuje práci i životy lidí.
