Kontext
V máji 2026 sa čoraz viac rozhodnutí o procesoch a ľuďoch zveruje algoritmom. Prevláda nebezpečný mýtus, že dáta sú objektívne. Podľa The Society Pages (TSP) však algoritmy často len konzervujú a zosilňujú historické predsudky (bias) týkajúce sa rasy, pohlavia alebo veku. Ak Six Sigma systém vyhodnotí pracovníka ako „menej efektívneho“, musíme sa pýtať, či dáta nie sú skreslené nekvalitným zberom alebo zle nastavenými metrikami, ktoré znevýhodňujú určité sociálne skupiny.
Jadro (Priesečník)
Priesečník č. 23 spája štatistickú detekciu anomálií s kritickou sociológiou.
- Six Sigma zložka (Analýza variability): Používa nástroje ako ANOVA alebo regresnú analýzu na zistenie, či rozdiely vo výsledkoch sú spôsobené reálnym výkonom, alebo sú korelované so sociálnymi faktormi, ktoré by v systéme nemali hrať rolu.
- Sociologická zložka (Kritická analýza): Poskytuje vhľad do toho, prečo určité predsudky v dátach existujú (napr. kultúrne bariéry v testoch). Pomáha interpretovať štatistické odchýlky v širšom kontexte moci a noriem.
- KM zložka: Dokumentuje tieto zistenia do „registra etických rizík“, aby sa rovnaké chyby neopakovali pri trénovaní nových AI modelov.
Lean v praxi: 3 kroky na Gemba
- Etický audit dát (Data Bias Check): Pred nasadením nového hodnotiaceho algoritmu na Gembe vykonajte test na reprezentatívnej vzorke. Skontrolujte, či systém nedáva systematicky horšie skóre skupine ľudí na základe faktora, ktorý nesúvisí s kvalitou práce.
- Slepé testovanie procesov: Pri zavádzaní nových štandardov zbierajte dáta bez identifikátorov, ktoré by mohli vniesť predsudok (napr. meno, vek). Porovnajte výsledky s „identifikovanými“ dátami a hľadajte rozdiely.
- Transparentné vysvetľovanie (Explainability): Každý pracovník musí mať právo vedieť, na základe akých dátových bodov ho algoritmus vyhodnotil. Ak systém nedokáže vysvetliť „prečo“, je štatisticky nedôveryhodný a musí byť vyradený.
Sociologický rozmer
Boj za algoritmickú objektivitu je bojom za dôstojnosť a férovosť. Keď zamestnanci cítia, že systém je „zaujatý“, dochádza k erózii dôvery a sociálnej súdržnosti. Naopak, transparentná očista algoritmov od predsudkov buduje kultúru integrity. Ľudia prijímajú dáta ako spravodlivého sudcu len vtedy, ak vedia, že sudca je slepý k nepodstatným rozdielom. Algoritmická hygiena je tak základným predpokladom pre psychologické bezpečie v digitálnom veku.
Závěr (Manifest Call)
Každé rozhodnutie opierame o dáta očistené od algoritmickej zaujatosti a predsudkov, čím garantujeme spravodlivosť a objektivitu nášho systému.
Zdroje a inšpirácia
- The Society Pages (TSP): thesocietypages.org – Kritická analýza médií, dát a sociálnych noriem.
- RealKM Magazine: realkm.com – Evidence-based prístup k správe znalostí a etike algoritmov.
- iSixSigma: isixsigma.com – Štatistické metódy pre kontrolu kvality a analýzu variability.