‘মানবিক দক্ষতা’র বোনাস দেবেন? Judgment মাপতে output-এর প্রমাণ চাই

কর্মীর judgment, adaptability ও collaboration ন্যায্যভাবে মাপতে ব্যক্তিত্বের বিশেষণ নয়, সিদ্ধান্ত ও কাজের দৃশ্যমান প্রমাণ মূল্যায়ন করুন। প্রতিটি দক্ষতার observable behavior আগে নির্ধারণ করে work sample, সংশ্লিষ্ট সহকর্মীর corroboration এবং যাচাইযোগ্য outcome মিলিয়ে স্কোর দিন।

Judgment-এর প্রমাণ সিদ্ধান্ত নেওয়ার প্রক্রিয়া ও ফল; adaptability-এর প্রমাণ বদলে যাওয়া শর্তে দায়িত্বশীল পরিকল্পনা সংশোধন; collaboration-এর প্রমাণ স্পষ্ট ব্যক্তিগত অবদানসহ যৌথ ফল। AI ব্যবহার শুধু একটি input—সময়, গুণমান, ঝুঁকি বা stakeholder-এর কাজে যাচাইযোগ্য উন্নতি না হলে সেটি productivity কিংবা বোনাসযোগ্য impact-এর প্রমাণ নয়।

দক্ষতার নাম নয়, evidence packet মূল্যায়ন করুন

পুরস্কারের ভাষায় মানবিক দক্ষতা ঢুকলেও সেগুলো নিজে থেকে মাপযোগ্য হয়ে যায় না। ৩১ আগস্ট ২০২৬-এর EY US-এর আনুষ্ঠানিক ঘোষণায় প্রতিষ্ঠানটি future-focused skills, culture, innovation ও client service-কে স্বীকৃতি দিতে ১০ কোটি ডলার বিনিয়োগের কথা বলেছে; business acumen, judgment ও adaptability-এর পাশাপাশি learning, experimentation, collaboration, measurable results এবং দীর্ঘস্থায়ী enterprise impact-ও ঘোষণায় রয়েছে। এটি EY US-এর recognition program—সবার জন্য প্রস্তুত measurement standard নয়।

CBS News-এর প্রতিবেদনটি কর্মসূচিকে ১০ কোটি ডলারের bonus plan হিসেবে বর্ণনা করে এবং leadership, judgment, business acumen, collaboration ও adaptability-এর সঙ্গে technology adoption-ও পুরস্কৃত হওয়ার কথা জানায়। ফলে manager-এর rubric-এ tool adoption ও কাজের মূল্য আলাদা রাখতে হবে: নতুন tool ব্যবহার একটি আচরণ, কিন্তু উন্নত outcome ছাড়া সেটি impact নয়।

প্রতি review period-এর evidence packet ছোট ও যাচাইযোগ্য রাখুন: সংশ্লিষ্ট লক্ষ্য, দুই বা তিনটি গুরুত্বপূর্ণ work sample, সিদ্ধান্তের সময় জানা তথ্য, প্রভাবিত পক্ষ, পাওয়া ফল এবং একজন প্রাসঙ্গিক peer বা stakeholder-এর নির্দিষ্ট corroboration। activity log, prompt-এর সংখ্যা বা প্রশংসার দীর্ঘ তালিকা প্রমাণের মান বাড়ায় না।

একই স্কেল, কিন্তু role অনুযায়ী প্রত্যাশা

একটি ব্যবহারযোগ্য rubric-এ চারটি স্তর রাখা যায়। ০—প্রমাণ নেই: দাবি আছে, নির্দিষ্ট কাজ নেই। ১—আংশিক: আচরণ দেখা গেছে, কিন্তু context বা outcome দুর্বল। ২—নির্ভরযোগ্য: প্রত্যাশিত জটিলতায় আচরণটি ধারাবাহিক এবং ফল যাচাইযোগ্য। ৩—বিস্তৃত প্রভাব: কঠিন পরিস্থিতিতে দক্ষতাটি দল, গ্রাহক বা প্রক্রিয়ার ফল স্পষ্টভাবে উন্নত করেছে।

স্কেলের ভাষা সবার জন্য একই হলেও প্রত্যাশিত জটিলতা role ও seniority অনুযায়ী আগেই লিখতে হবে। নতুন কর্মীর ক্ষেত্রে যথাসময়ে ঝুঁকি তোলা শক্ত judgment হতে পারে; senior manager-এর একই স্কোরের জন্য অসম্পূর্ণ তথ্য, বড় ঝুঁকি বা পরস্পরবিরোধী stakeholder সামলানোর প্রমাণ প্রয়োজন হতে পারে। job title দেখে স্কোর নয়—ঘোষিত role expectation-এর সঙ্গে evidence তুলনা করুন।

প্রতিটি স্কোরের সঙ্গে তিনটি সংক্ষিপ্ত ক্ষেত্র বাধ্যতামূলক করা যায়: কোন আচরণ দেখা গেছে, কোন artifact তা সমর্থন করে এবং কী outcome হয়েছে। কোনো একটি ক্ষেত্র ফাঁকা থাকলে সর্বোচ্চ স্কোর স্থগিত রাখুন; এতে reviewer-এর সামগ্রিক impression সরাসরি অর্থের সিদ্ধান্তে পরিণত হওয়ার ঝুঁকি কমে।

তিন দক্ষতার জন্য কোন প্রমাণ চাই

Judgment

ভালো ফল হলেই ভালো judgment প্রমাণিত হয় না; অনুকূল পরিস্থিতিও ভালো ফল দিতে পারে। reviewer দেখবেন সিদ্ধান্তের আগে প্রাসঙ্গিক তথ্য ও বিকল্প শনাক্ত করা হয়েছিল কি না, বড় ঝুঁকি ও trade-off ব্যাখ্যা করা হয়েছিল কি না, প্রয়োজনীয় মতামত বা অনুমোদন নেওয়া হয়েছিল কি না এবং নতুন তথ্য এলে সিদ্ধান্ত সংশোধন করা হয়েছিল কি না।

• Work sample: decision note, escalation record, অনুমোদিত recommendation বা post-mortem।
• Peer evidence: সিদ্ধান্তে সরাসরি যুক্ত stakeholder-এর নির্দিষ্ট বিবরণ—শুধু “ভালো কাজ” নয়।
• Outcome: নিয়ন্ত্রিত ঝুঁকি, কম rework, সময়, গুণমান বা গ্রাহকের প্রয়োজন পূরণ।
• Bias check: ফল জানার পরে সিদ্ধান্তটিকে অতিরিক্ত ভালো বা খারাপ মনে হচ্ছে কি না; প্রথমে সিদ্ধান্তের সময়কার তথ্য বিচার করুন।

Adaptability

Adaptability মানে প্রতিটি পরিবর্তন বিনা প্রশ্নে মেনে নেওয়া নয়। প্রমাণ হলো নতুন constraint বোঝা, অগ্রাধিকার পুনর্নির্ধারণ, ক্ষতিগ্রস্ত পক্ষকে জানানো, প্রয়োজনীয় দক্ষতা শেখা এবং পরিবর্তনের পরে delivery স্থিতিশীল করা। দৃশ্যমান crisis response-কে উচ্চ স্কোর দেওয়ার আগে দেখুন কর্মী সমস্যাটি সৃষ্টি করেছিলেন, নাকি অন্যের তৈরি সমস্যায় দায়িত্ব নিয়ে সমাধান করেছেন।

• Work sample: সংশোধিত plan, risk update, নতুন skill প্রয়োগের নমুনা বা পরিবর্তনের আগে-পরে delivery record।
• Outcome: বদলে যাওয়া scope-এ অগ্রাধিকারমূলক কাজ শেষ হওয়া, ত্রুটি নিয়ন্ত্রণ বা নির্ভরশীল দলের disruption কমা।
• Bias check: শান্ত, আগাম adaptation-এর তুলনায় নাটকীয় শেষ মুহূর্তের কাজ বেশি মূল্য পাচ্ছে কি না।

Collaboration

Meeting-এ উপস্থিতি বা সদালাপ collaboration নয়। শক্ত প্রমাণে দেখা যাবে কর্মী প্রয়োজনীয় মানুষকে সময়মতো যুক্ত করেছেন, ownership পরিষ্কার করেছেন, মতভেদকে সিদ্ধান্তে রূপ দিয়েছেন, অন্যের expertise কাজে লাগিয়েছেন এবং credit ভাগ করেছেন। যৌথ outcome-এর মধ্যে ব্যক্তির অবদান কী ছিল, সেটিও আলাদা করে লিখতে হবে।

• Work sample: কার্যকর handoff, shared decision, dependency resolution বা বহু দলের completed deliverable।
• Peer evidence: কাজটির সুবিধাভোগী বা নির্ভরশীল অন্তত একজনের নির্দিষ্ট corroboration।
• Bias check: সাবলীল বক্তা, office-এ উপস্থিত কর্মী বা manager-এর ঘনিষ্ঠ সহযোগী অযথা সুবিধা পাচ্ছেন কি না।

AI-assisted কাজের output আলাদাভাবে যাচাই করুন

PwC-এর ২০২৬ Global AI Jobs Barometer ২৭টি দেশ ও অঞ্চলের ১০০ কোটির বেশি চাকরির বিজ্ঞাপন বিশ্লেষণ করে AI-exposed কাজে judgment, creativity ও leadership-এর ওপর বাড়তি গুরুত্ব পাওয়ার কথা বলেছে। যুক্তরাষ্ট্রের ২৪ লাখ entry-level চাকরির বিশ্লেষণে সবচেয়ে বেশি AI-exposed role-এ প্রচলিতভাবে senior-level বলে বিবেচিত human-intensive skill চাওয়ার সম্ভাবনা সাত গুণ পাওয়া গেছে। এগুলো labour-market demand-এর ফল, কোনো কর্মীর performance score নয়।

AI-assisted কাজের evidence packet-এ চারটি প্রশ্ন যোগ করুন: কোন সমস্যায় tool ব্যবহার করা হয়েছে; output কীভাবে যাচাই করা হয়েছে; ভুল, গোপনীয়তা ও অন্য ঝুঁকি কীভাবে সামলানো হয়েছে; এবং পূর্বনির্ধারিত baseline-এর তুলনায় কী উন্নতি হয়েছে। baseline হতে পারে আগের একই ধরনের কাজ, সম্মত service level বা AI ছাড়া প্রতিষ্ঠিত workflow।

Prompt-এর সংখ্যা, tool-এ কাটানো সময় কিংবা তৈরি draft-এর পরিমাণ outcome metric নয়। গ্রহণযোগ্য প্রমাণ হতে পারে একই quality threshold রেখে cycle time কমা, নির্ধারিত সময়ে বেশি সম্পূর্ণ কাজ, কম rework, ভালো quality review বা stakeholder-এর নিশ্চিত করা উপযোগিতা। দ্রুত draft পরে বড় সংশোধন চাইলে সেই rework-ও ফলের হিসাবে থাকবে।

Calibration-এর আগে স্কোরকে বোনাসে যুক্ত নয়

প্রথমে অন্তত একটি review cycle shadow scoring চালান: manager-রা প্রমাণ দেখে score ও rationale লিখবেন, কিন্তু তখনই অর্থ নির্ধারণে ব্যবহার করবেন না। একই ধরনের work sample একাধিক reviewer-কে দিয়ে বিচার করিয়ে দেখুন “নির্ভরযোগ্য” ও “বিস্তৃত প্রভাব” তারা কাছাকাছি অর্থে প্রয়োগ করছেন কি না। মতভেদ হলে কর্মীর score গড় করার আগে rubric-এর অস্পষ্ট anchor সংশোধন করুন।

চূড়ান্ত moderation-এ যাচাই করুন কর্মীর সমান সুযোগ ও তুলনাযোগ্য কাজের জটিলতা ছিল কি না; সাম্প্রতিক ঘটনা পুরো সময়কালকে ঢেকে ফেলেছে কি না; একবারের heroics-কে ধারাবাহিক আচরণ ধরা হচ্ছে কি না; এবং ভাষা, ব্যক্তিত্ব, location বা পরিচিতির কারণে একই মানের প্রমাণ ভিন্ন ওজন পাচ্ছে কি না। ব্যবহৃত evidence, স্কোরের rationale এবং appeal-এর পথ কর্মীর কাছে দৃশ্যমান থাকা দরকার।

বোনাসের সূত্রে মানবিক দক্ষতার আলাদা weight রাখা যেতে পারে, তবে একটি subjective score যেন পুরো অর্থ নির্ধারণ না করে। eligibility threshold, দক্ষতাভিত্তিক weight, evidence window এবং final moderator review period শুরুর আগেই জানিয়ে দিন। তখন “মানবিক দক্ষতা” প্রশংসাসূচক label না থেকে audit করা যায় এমন কাজের মান হবে।