Skævhed i løn- eller forfremmelsesdata er reel, men let at overse og farlig at fejllæse. Denne spotter scanner anonymiserede HR-data for mønstre, som et menneske bør se på.
sonnet1 ugeHRIS exportpandasOpenAIConfluence
Claude
69ROI
73Scale
$1.4k89Saved
ROI for
README.md
Hvorfor denne subagent
Skævhed i løn- eller forfremmelsesdata er reel, men let at overse og farlig at fejllæse. Denne spotter scanner anonymiserede HR-data for mønstre, som et menneske bør se på.
Hvert fund kommer med sine forbehold: stikprøvestørrelse, dataens begrænsninger og en tydelig note om, at dette er et signal til menneskelig gennemgang, ikke en dom. Den hjælper et HR- eller jurateam med at vide, hvor de skal kigge, uden at foregive, at tallene beviser hensigt.
Sådan kører den
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Gruppér posterne efter rolle og niveau, og led derefter efter huller, der korrelerer med beskyttede attributter.
pending
Afdæk mønstre, der er værd at få menneskelig gennemgang — altid præsenteret som signaler, aldrig som konklusioner.
pending
Lav en rapport, der indeholder forbehold, stikprøvestørrelser og begrænsningerne for hvert fund tydeligt beskrevet.
pending
Eksempel på output
json
// Sample output
// (generated when the pipeline finishes)
Report statistical gaps in the HR data by group, always with sample size and a stated caveat; flag for human review and never assert intent or causation.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.