Nevis „Kas notiek?”, bet gan - „Kas patiešām rada pārmaiņas?”
Kāpēc daži vadības lēmumi rada pārmaiņas, bet citi nedod gaidīto rezultātu? Stenforda universitātes ekonomistes Sūzenas Eitijas pētījumi atklāj, kā ar datu analīzi un mākslīgo intelektu noteikt, kuri lēmumi patiešām uzlabo organizāciju veiktspēju un palīdz efektīvāk izmantot ierobežotos resursus.
Pirmdien, 12. oktobrī, tiks paziņots šā gada Nobela prēmijas laureāts ekonomikā. Starp publiski apspriestajām iespējamajām laureātēm ir Stenforda Universitātes profesore Sūzena Eitija (Susan Athey). Nobela prēmijas prognozēs tiek minēti vairāki desmiti ekonomistu. Eitija ir starp pētniekiem, kurus Clarivate 2026. gadā izcēlusi par Nobela prēmijas līmeņa zinātnisko ieguldījumu; viņas vārds figurē arī Polymarket un Kalshi prognožu tirgos. Tās ir prognozes, nevis oficiālas nominācijas.
Kāpēc viņas pētījumi ir īpaši aktuāli organizāciju vadītājiem, personāla vadības profesionāļiem un valsts pārvaldes līderiem?
Eitija ir viena no pētniecēm, kas palīdzējušas savienot mašīnmācīšanos ar ekonomisko analīzi, lēmumu pieņemšanu un cilvēkkapitāla pētījumiem. Viņas ieguldījums ir mašīnmācīšanās metožu izmantošana ne tikai rezultātu prognozēšanai, bet arī cēloņsakarību izpētei. Šī pieeja palīdz pāriet no jautājuma „Kas notiek?” uz jautājumu „Kas patiešām rada pārmaiņas?”.
Sūzenas Eitijas devums neaprobežojas ar akadēmiskām publikācijām. Viņas zināšanas ir izmantotas arī valsts pārvaldes un tirgus regulēšanas jautājumos. No 2022. līdz 2024. gadam viņa bija ASV Tieslietu departamenta Pretmonopola nodaļas galvenā ekonomiste. Viņa ir arī viena no Stenforda Universitātes Golub Capital Social Impact Lab veidotājām — tur ekonomikas un datu zinātnes metodes izmanto sociālu problēmu risināšanai.
Kādi ir viņas darba praktiskie piemēri?
Publisko resursu izsoļu optimizācija. Eitija konsultēja Britu Kolumbijas Mežu ministriju un piedalījās izsolēs balstītas kokmateriālu cenu noteikšanas pieejas izstrādē. Tās mērķis bija izmantot tirgus informāciju ekonomiski pamatotākai publisko resursu cenu noteikšanai un lielākai caurskatāmībai.
Konkurences uzraudzības modernizācija. Strādājot ASV Tieslietu departamentā, Eitija pievērsās ekonomiskās analīzes jautājumiem, tostarp digitālo platformu un uzņēmumu apvienošanās izvērtēšanai. Šajā jomā nozīmīga ir valsts iestāžu spēja patstāvīgi analizēt lielas datu kopas un algoritmu darbību.
Lēmumi ierobežota budžeta apstākļos (policy learning). Valsts vai uzņēmums nevar vienlaikus finansēt visus iespējamos atbalsta pasākumus. Eitijas pētījumi palīdz veidot metodes, ar kurām salīdzināt dažādas rīcības alternatīvas un izvēlēties tās, kas konkrētā budžeta ietvaros varētu radīt lielāko ieguvumu. Šādā izvērtējumā var iekļaut arī taisnīguma un vienlīdzīgas pieejas nosacījumus.
Ko Eitijas darbs māca uzņēmumu un personāla vadītājiem?
Vadītāji ik dienu lemj par ierobežotu resursu un investīciju sadali. Personāla vadītāji mēra darbinieku produktivitāti, iesaisti, mācību rezultātus un organizācijas efektivitāti. Taču vai zinām, kuri vadības lēmumi šos rezultātus patiešām uzlabo? Kuras darbinieku uzvedības ietekmē organizācijas mērķu sasniegšanu? Vai apmācību programma atmaksājas? Vai centralizācija samazina izmaksas, nepasliktinot pakalpojuma kvalitāti? Kurām komandām konkrēts atbalsta pasākums dod vislielāko ieguvumu? Kā sadalīt budžetu, lai panāktu iespējami lielāku atdevi?
Eitijas pētījumi piedāvā metodes un domāšanas ietvaru, ar kuru šos jautājumus pētīt.
Sistēmiskums un vadības prakšu komplementaritāte
Vadības prakses un personāla vadības instrumenti — piemēram, snieguma bonusu sistēma, komandas darba organizācija, lēmumu pieņemšanas autonomija un mācību programmas — nedarbojas izolēti. Atsevišķos apstākļos tās var būt komplementāras: vairāku savstarpēji saderīgu prakšu kopējais ieguvums var pārsniegt to atsevišķo ieguvumu summu.
Ko tas nozīmē vadītājiem? Jaunas snieguma vērtēšanas sistēmas ieviešana, nemainot ar to saistītos procesus, pilnvaru sadali vai atlīdzības principus, var nedot gaidīto rezultātu. Tāpēc ir vērts vērtēt nevis atsevišķu rīku, bet tā mijiedarbību ar pārējām vadības praksēm.
No faktu konstatācijas uz lēmumu ietekmes izvērtēšanu
Aptaujas un organizāciju vēsturiskie dati palīdz saprast, kas notiek, un dažkārt prognozēt, kas varētu notikt. Taču vadībai jāatbild arī uz citu jautājumu: kas mainīsies, ja mēs apzināti īstenosim konkrētu rīcību? Tas ir cēloņsakarību un intervences ietekmes novērtēšanas jautājums.
Ko piedāvā Eitijas pētnieciskā pieeja? Ar prognozēšanu vien nepietiek. Tas, ka algoritms spēj paredzēt, kuri darbinieki varētu aiziet no uzņēmuma, vēl nenozīmē, ka tas spēj noteikt efektīvāko veidu, kā viņus noturēt. Cēloņsakarību analīzes metodes palīdz izvērtēt, kāds varētu būt konkrētas rīcības — piemēram, algas palielinājuma, elastīgāka darba laika vai apmācību — efekts.
No gada vērtējuma uz attīstošu atgriezenisko saiti
Tradicionāli darbinieku novērtēšanas sistēmas nereti koncentrējas uz gada rezultātu apkopošanu, vērtējuma piešķiršanu un atlīdzības lēmumiem. Taču organizācijai svarīgi saprast arī to, kā atgriezeniskā saite un mērķēts atbalsts palīdz uzlabot sniegumu darba procesā.
Ko tas nozīmē praksē? Regulāra, konkrēta un attīstībai noderīga atgriezeniskā saite, ko papildina piemērotas mācību iespējas, var palīdzēt darbiniekiem pilnveidot prasmes. Atbalsta ietekme jāvērtē, ņemot vērā darbinieku sākotnējo situāciju un individuālās vajadzības; nevar pieņemt, ka viena pieeja visiem būs vienlīdz efektīva.
Kāpēc veiksmīgu uzņēmumu kopēšana ne vienmēr izdodas?
Ja organizācija pārņem tirgus līdera vadības metodes, nepievēršot uzmanību savai situācijai, rezultāts var sagādāt vilšanos. Vienas un tās pašas prakses iedarbība ir atkarīga no organizācijas kultūras, kompetencēm, izmaksu struktūras un citu procesu savstarpējās saderības.
Ko tas nozīmē vadītājiem? Atsevišķa reforma var nedot gaidīto rezultātu, ja vienlaikus netiek pielāgota darba organizācija, pilnvaru sadale vai citi saistītie procesi. Organizāciju ir lietderīgi aplūkot kā savstarpēji saistītu sistēmu:
· Apzināt organizācijas ārējos un iekšējos ierobežojumus, tostarp izmaksas un darbinieku kompetences.
· Veidot savstarpēji saderīgas prakšu kombinācijas, piemēram, autonomiju papildināt ar mācību iespējām un atbilstošu snieguma vadību.
· Vērtēt ne tikai atsevišķus instrumentus, bet arī to mijiedarbību un kopējo rezultātu.
Atbalstu mērķēt ne tikai pēc riska, bet arī pēc iespējamās ietekmes
Vadībā un publisko resursu sadalē bieži uzmanība tiek pievērsta cilvēkiem ar lielāko risku vai visizteiktākajām grūtībām. Tas ir būtiski, taču augsts risks pats par sevi vēl nepasaka, kurš atbalsta pasākums konkrētajā situācijā būs efektīvākais. Piemēram, darbiniekiem ar līdzīgu aiziešanas risku var būt atšķirīgi iemesli apsvērt darba maiņu un atšķirīga reakcija uz darba nosacījumu izmaiņām.
Ko piedāvā cēloņsakarībās balstīta mašīnmācīšanās (causal ML)? Tā ļauj pētīt atšķirīgu reakciju uz konkrētiem pasākumiem un novērtēt, kur apmācības, atgriezeniskā saite vai citas intervences varētu dot lielāko ieguvumu. Tas nenozīmē atteikšanos palīdzēt cilvēkiem ar vislielākajām vajadzībām: resursu sadalē līdztekus efektivitātei jāņem vērā arī taisnīguma un pieejamības principi.
„Varu samazināt izdevumus. Bet kur, ko un cik?” — jautājums valsts pārvaldei
Publiskajā sektorā arvien biežāk tiek apspriesta nepieciešamība ierobežot izdevumus. Valsts pārvaldes vadītāji atrodas starp divām prasībām: samazināt tēriņus un vienlaikus nodrošināt kvalitatīvus, iedzīvotājiem pieejamus pakalpojumus. Tradicionālā pieeja var ietvert funkciju auditu, amata vietu skaita pārskatīšanu, budžeta konsolidāciju un procesu standartizāciju. Cēloņsakarību analīze mudina uzdot arī citus jautājumus: kuras izmaiņas rada noturīgu ietaupījumu? Kuri pasākumi tikai pārnes administratīvo slodzi uz citu iestādi? Kuri īstermiņa ietaupījumi vēlāk var pasliktināt pakalpojumu kvalitāti un iedzīvotāju apmierinātību?
Aplūkosim, kā Sūzenas Eitijas pētījumos izmantotās pieejas var palīdzēt domāt par jautājumu „Kura mūsu rīcība radīs vislielāko ieguvumu?” publiskajā sektorā.
Kā sadalīt ierobežotos resursus, lai panāktu lielāko ieguvumu?
Valsts pārvaldē atbalsta programmas — piemēram, bezdarbnieku apmācības, sociālo atbalstu vai reģionālās dotācijas — var organizēt pēc atšķirīgiem principiem. Viens risinājums ir līdzīgs atbalsts plašam saņēmēju lokam, cits — lielāks atbalsts cilvēkiem ar visizteiktākajām vajadzībām. Taču neviena pieeja pati par sevi negarantē maksimālu rezultātu.
Ko piedāvā Eitijas pētnieciskā pieeja? Izvērtēt, kādi pasākumi vislabāk palīdz atšķirīgām cilvēku grupām. Piemēram, hipotētiskā Nodarbinātības valsts aģentūras programmā varētu salīdzināt, vai jauniešiem bez darba pieredzes labāku rezultātu sniedz īsas digitālo prasmju apmācības, bet ilgstošajiem bezdarbniekiem — subsidēta praktiskā darba vieta. Tas ir ilustratīvs piemērs, nevis konkrēta pētījuma rezultāts. Efektivitāte būtu jāpārbauda ar atbilstošiem datiem.
Vienlaikus algoritms nedrīkst būt tikai izmaksu un ieguvumu aprēķins. Lēmumu pieņēmēji var noteikt arī sociālās un taisnīguma prasības, piemēram, nodrošināt atbalsta pieejamību reģionos vai nepieļaut diskriminējošus rezultātus. Šādi ierobežojumi ir jādefinē un jāizvērtē atklāti.
Kā novērtēt reformas ilgtermiņa ietekmi, negaidot desmit gadus?
Vadītājiem un politikas veidotājiem lēmumi par reformām un investīcijām jāpieņem šodien, lai gan to ilgtermiņa ietekme var atklāties tikai pēc gadiem. Piemēram, pašvaldība var vēlēties saprast, kā vietējās skolas saglabāšana varētu ietekmēt ģimeņu nodarbinātību un reģiona attīstību piecu līdz desmit gadu laikā. Gaidīt desmit gadus pirms lēmuma pieņemšanas nav iespējams, bet ar vienu īstermiņa rādītāju — piemēram, skolēnu skaitu — nepietiek, lai novērtētu plašāku ietekmi.
Ko piedāvā pētījumi par surogātindeksu (surrogate index)? Ja pieejami atbilstoši dati un izpildās metodoloģiskie pieņēmumi, vairāku agrīnu rādītāju kombinācija var palīdzēt prognozēt ilgtermiņa iznākumu, negaidot līdz novērošanas perioda beigām. Piemēram, varētu pētīt vecāku nodarbinātības izmaiņas, pāreju uz pilna laika darbu, mājsaimniecību ienākumu dinamiku vai sociālā atbalsta pieprasījumu. Konkrēto rādītāju piemērotība būtu jāpamato ar datiem. Surogātindekss neaizstāj ilgtermiņa rezultātu pārbaudi un nav automātiski izmantojams katrā politikas jomā.
Vai mākslīgais intelekts uzlabo produktivitāti — un kurš iegūst visvairāk?
Pētījumā „Generative AI at Work” tika analizēta ģeneratīvā mākslīgā intelekta asistenta ieviešana klientu atbalsta darbā. Pētnieki novēroja vidēji aptuveni 14 % produktivitātes pieaugumu, bet mazāk pieredzējušu darbinieku grupās ieguvums bija būtiski lielāks. Pieredzējušiem darbiniekiem efekts bija mazāks. Šie rezultāti attiecas uz konkrēto pētījuma vidi, un tos nevar automātiski attiecināt uz visām profesijām vai organizācijām.
Ko tas nozīmē vadītājiem? Mākslīgā intelekta rīki var palīdzēt paātrināt prasmju apguvi un samazināt snieguma atšķirības, bet to ietekme ir atkarīga no uzdevumiem, darbinieku pieredzes un ieviešanas veida. Šis pētījums ir Brynjolfsona, Li un Reimonda darbs, nevis tieši Sūzenas Eitijas veikts pētījums; tas šeit izmantots kā piemērs plašākai uz datiem balstītas lēmumu pieņemšanas pieejai.
Nobeigums — no rezultātu uzskaites uz mācīšanos no lēmumiem
Sūzenas Eitijas darbu galvenais pienesums vadības praksei nav gatavs algoritms, kas pateiktu, cik amata vietu samazināt vai kādu prēmiju piešķirt. Tas ir domāšanas ietvars: salīdzināt alternatīvas, pārbaudīt cēloņsakarības, ieraudzīt atšķirīgu ietekmi un pieņemt lēmumus, kas balstīti ne tikai intuīcijā, bet arī pierādījumos.
Uzņēmumos tas nozīmē mērķtiecīgāku cilvēku attīstību un labāku pārmaiņu vadību. Publiskajā sektorā — spēju vērtēt ne tikai izdevumu apjomu, bet arī sabiedrisko vērtību, ko konkrētais izdevums vai reforma rada.
Nākamais nozīmīgais jautājums vadītājiem, iespējams, vairs nav „Cik daudz mēs mērām?”, bet gan „Ko mēs esam iemācījušies par savu lēmumu faktisko ietekmi?”.
Avoti un pētījumi
1. NobelPrize.org. 2026. gada balvu paziņošanas grafiks.
2. Clarivate. Citation Laureates 2026 — Economics.
3. Stanford Report. What drives Susan Athey (2024).
4. Athey, Cramton & Ingraham. Auctioning Timber to Maximize Revenues in British Columbia (2002).
5. Athey & Stern. An Empirical Framework for Testing Theories about Complementarity in Organizational Design (2026).
6. Athey, Castillo & Chandar. Service Quality on Online Platforms (2025).
7. Athey, Keleher & Spiess. Machine Learning Who to Nudge (2025).
8. Athey, Bryan & Gans. The Allocation of Decision Authority to Human and Artificial Intelligence (2020).
9. Brynjolfsson, Li & Raymond. Generative AI at Work (2023; publicēts 2025).
10. Athey & Wager. Policy Learning with Observational Data (2021).
11. Athey, Chetty, Imbens & Kang. The Surrogate Index (2025).
Foto: Christopher Michel / Wikimedia Commons, CC BY-SA 4.0. https://commons.wikimedia.org/wiki/File:Susan_Athey_in_2025_by_Christopher_Michel_01.jpg ; licence: https://creativecommons.org/licenses/by-sa/4.0/ . Ja attēls ir apgriezts, norādīt: „Attēls apgriezts.”
