Skjevhet i lønns- eller opprykksdata er reell, men lett å overse og farlig å mistolke. Denne speideren skanner anonymiserte HR-poster for mønstre et menneske bør se nærmere på.
sonnet1 ukeHRIS exportpandasOpenAIConfluence
Claude
69ROI
73Scale
$1.4k89Saved
ROI for
README.md
Hvorfor denne subagenten
Skjevhet i lønns- eller opprykksdata er reell, men lett å overse og farlig å mistolke. Denne speideren skanner anonymiserte HR-poster for mønstre et menneske bør se nærmere på.
Hvert funn kommer med sine forbehold: utvalgsstørrelse, begrensningene i dataene og en klar påminnelse om at dette er et signal for menneskelig gjennomgang, ikke en dom. Den hjelper et HR- eller juridisk team å vite hvor de skal lete, uten å late som om tallene beviser hensikt.
Slik kjører 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.
Grupper poster etter rolle og nivå, og se etter forskjeller som følger beskyttede kjennetegn.
pending
Løft frem mønstre verdt en menneskelig gjennomgang, alltid formulert som signaler, aldri som konklusjoner.
pending
Lag en rapport der forbeholdene, utvalgsstørrelsene og begrensningene ved hvert funn er tydelig angitt.
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.