Категории
ИИ следит за тобой: анализ поведения в корпорациях
20.07.2026 | из категории: Нейросети
Как корпорации анализируют поведение сотрудников с помощью ИИ —
и почему это работает не так, как ты думаешь
Ты когда-нибудь задумывался, почему вдруг уволили того сеньора, который вроде бы тащил все спринты? Или почему HR внезапно предложила тебе кофе и спросила, «как дела в семье»? Скорее всего, дело не в интуиции — за кулисами уже давно работает поведенческий ИИ.
Компании вроде Exabeam уже внедряют UEBA (User and Entity Behavior Analytics) для анализа действий не только людей, но и AI-агентов . А Meta, например, вообще собирает движения мыши и клики сотрудников, чтобы учить свои нейросети работать как люди .
40%
снижение текучки при выявлении «токсичных» сотрудников по переписке
5×
больше аналитических метрик в поведенческих профилях AI-агентов
🧠 Как ИИ «читает» сотрудников
Это не магия и не чтение мыслей. Системы строят поведенческий базлайн — то есть «норму» для каждого сотрудника и даже для AI-агентов . Любое отклонение от этой нормы — сигнал.
Пример из реального мира: в одной IT-компании ИИ проанализировал переписку в корпоративном
мессенджере и выявил сотрудника, чьи замечания джуниорам были систематически обесценивающими.
После его общения трое ключевых специалистов уволились в течение 2–3 недель.
При этом сам «токсик» имел высокий профрейтинг и не рассматривался как проблема .
Анализируется всё: тональность сообщений, скорость ответа коллег, частота больничных, даже паттерны кликов и нажатий клавиш . И да, если ты вдруг начал копировать базу клиентов в 3 часа ночи — это тоже заметят .
🤖 Новый игрок: AI-агенты
Сейчас корпорации загоняют в свои системы не только людей, но и AI-агентов — они пишут код, собирают отчёты, общаются с API. И они тоже могут «пойти по кривой»: передать данные, нарушить политику или сделать несанкционированные изменения .
Именно для этого Exabeam запустил Agent Behavior Analytics (ABA) — поведенческий анализ для AI-сущностей. Теперь система строит профили не только для Васи из отдела продаж, но и для его цифрового ассистента . И если агент вдруг начал стучать по API с нехарактерной частотой — это такой же «красный флаг», как если бы Вася в 3 ночи полез в базу.
🔥 Ключевая цитата: «Securing the use of AI and AI agent behavior requires more than
brittle guardrails; it requires understanding what normal behavior looks like for agents and having
the ability to detect risky deviations» — Steve Wilson, Chief AI & Product Officer, Exabeam .
🐍 Код для фана: пишем своего «поведенческого агента»
Чтобы ты не думал, что это всё страшилки из дата-центров, вот тебе рабочий прототип. Это реальный код из Open Source проекта, который отслеживает WPM (слов в минуту), усталость и точность печати . Без сохранения самих нажатий — только метрики.
# behavioral_monitor.py — мини-версия агента слежения
# из репозитория Pynput-Project
from pynput import keyboard, mouse
import time
from collections import deque
# Храним последние 10k событий, но не текст — только таймстампы
keystrokes = deque(maxlen=10000)
mouse_clicks = deque(maxlen=10000)
def on_key_press(key):
keystrokes.append(time.time())
def get_wpm():
# За последние 60 секунд
now = time.time()
recent = [t for t in keystrokes if now - t < 60]
chars = len(recent)
return round((chars / 5) * 60 / 60, 1) # /5 = слова, /60 = минуты
def fatigue_score(baseline_wpm):
current = get_wpm()
if baseline_wpm == 0: return 0
drop = max(0, (baseline_wpm - current) / baseline_wpm) * 100
return min(100, int(drop))
# Запуск слушателей (в реальном проекте — с контролем)
keyboard.Listener(on_press=on_key_press).start()
# Эмуляция цикла мониторинга
print("🕵️ Агент запущен. Нажми Ctrl+C для выхода.")
try:
while True:
wpm = get_wpm()
fatigue = fatigue_score(45) # baseline 45 WPM
print(f"WPM: {wpm} | Усталость: {fatigue}%")
time.sleep(5)
except KeyboardInterrupt:
print("\n👋 Агент отключён. Данные не сохранены.")
from pynput import keyboard, mouse
import time
from collections import deque
# Храним последние 10k событий, но не текст — только таймстампы
keystrokes = deque(maxlen=10000)
mouse_clicks = deque(maxlen=10000)
def on_key_press(key):
keystrokes.append(time.time())
def get_wpm():
# За последние 60 секунд
now = time.time()
recent = [t for t in keystrokes if now - t < 60]
chars = len(recent)
return round((chars / 5) * 60 / 60, 1) # /5 = слова, /60 = минуты
def fatigue_score(baseline_wpm):
current = get_wpm()
if baseline_wpm == 0: return 0
drop = max(0, (baseline_wpm - current) / baseline_wpm) * 100
return min(100, int(drop))
# Запуск слушателей (в реальном проекте — с контролем)
keyboard.Listener(on_press=on_key_press).start()
# Эмуляция цикла мониторинга
print("🕵️ Агент запущен. Нажми Ctrl+C для выхода.")
try:
while True:
wpm = get_wpm()
fatigue = fatigue_score(45) # baseline 45 WPM
print(f"WPM: {wpm} | Усталость: {fatigue}%")
time.sleep(5)
except KeyboardInterrupt:
print("\n👋 Агент отключён. Данные не сохранены.")
📦 требует: pynput, psutil (на базе реального проекта )
Этот код не сохраняет твой текст — только таймстампы нажатий. Но он уже может вычислить, когда ты начинаешь «тупить» или уставать. А если добавить сюда анализ пауз и исправлений — получится полноценный «детектор продуктивности».
⚖️ А это вообще законно?
Вот тут самое интересное. Во-первых, многие компании не спрашивают — они просто включают это в политику использования корпоративных устройств . Во-вторых, даже если система зафиксирует «аномалию», увольняют редко — чаще это повод для разговора с HR или предложения помощи.
Но есть нюанс: поведенческий ИИ не даёт «диагноз». Он лишь подсвечивает зоны риска. Решение всегда за человеком . Именно поэтому такие системы позиционируют как «инструмент заботы» (например, в WMT Group есть «Служба заботы» для ИТ-команд ).
📌 Итог: ИИ не следит за тобой лично. Он следит за паттернами.
Ты просто стал точкой на графике. И если график пошёл вверх — никто не придёт с ордером на арест.
А вот чашку кофе и разговор о том, «как ты себя чувствуешь» — вполне.
👍 Оцените статью
Всего голосов: 0
Комментарии
Пока нет комментариев. Будьте первым!