HR-teknologichef siger, at det at blive AI-baseret afslørede det arbejde, medarbejderne faktisk ønsker at udføre

Jenny Podewils er medstifter og co-CEO for Leapsome, en HR- og AI-platform, der bruges af over 2.000 virksomheder globalt. Hendes tidligere erfaring fra en hurtigt voksende startup inden for ren teknologi og som stabschef i en branche i hastig forandring fik hende til at fokusere på et centralt spørgsmål: Hvordan bygger vi organisationer, der er afstemt, lærer hurtigt og præsterer på et højt niveau?

Vi talte med hende for at høre mere om, hvordan hun besvarer det spørgsmål med AI. Her er, hvad hun havde at sige.

At designe til hurtig læring og gode resultater

Jeg hedder Jenny Podewils og er medstifter og co-CEO for Leapsome. Jeg voksede op i Berlin i Tyskland som datter af to akademikere med regelmæssige internationale gæster og tankevækkende samtaler over middagsbordet.

Det formede min interesse for at tackle store globale udfordringer. Under min universitetsuddannelse i Schweiz og Storbritannien opdagede jeg, at virksomheder med fokus på at skabe en positiv indvirkning var den rigtige måde at gøre en forskel på.

Mine roller i en hurtigt voksende startup inden for ren teknologi og som stabschef i en medievirksomhed i hastig forandring gjorde mig optaget af et spørgsmål. Hvordan bygger vi organisationer, der arbejder sammen med AI-agenter, lærer hurtigt og præsterer på et højt niveau?

Jeg blev dybt interesseret i at skabe større fælles retning, designe miljøer, der lærer hurtigt og præsterer godt, samt opbygge bedre organisationer baseret på reelle data. Mennesker tilbringer omkring 80.000 timer af deres liv på arbejde. Denne tid bør gøre en forskel. Denne overbevisning blev grundlaget for Leapsome.

Kajetan von Armansperg og jeg grundlagde Leapsome i 2016 for at hjælpe andre med at opbygge højtydende teams, skabe fremragende medarbejderoplevelser og udvikle succesfulde kulturer ved hjælp af menneskecentreret HR-software.

Leapsomes omfattende HRIS-, talent- og AI-platform betjener over 2.000 menneskecentrerede og succesfulde kunder globalt. Jeg bor i NYC, hvor vi har et af vores globale kontorer.

Som leder lytter jeg altid og stiller de svære spørgsmål. Jeg stoler på dem, der tager ejerskab, og jeg er beslutsom, når det gælder det, jeg selv ejer. Jeg har meget høje standarder, og jeg værdsætter hurtighed og effekt.

At vælge at være fuldt AI-baseret internt

Vi begyndte tidligt at bringe fordelene ved AI ud til vores kunder og lancerede hurtigt effektfulde AI-funktioner i vores produkt. Vi traf også et bevidst valg om at blive fuldt AI-baserede internt.

Vi udviklede visionen, fastlagde politikkerne og etablerede infrastrukturen og værktøjerne tidligt. Hundrede procent af vores team bruger AI-værktøjer eller -agenter i deres daglige arbejde, og over 60 % af vores medarbejdere har bygget mindst simple agenter for at automatisere nogle opgaver. Derfor er AI-brug og eksperimentering en del af vores daglige arbejde og roller hos Leapsome.

Vi fortsætter med at integrere AI i processer på tværs af platformen — fra performance til spørgeundersøgelser og fra lønbehandling til arbejdsgange. Det er spændende at se, hvordan vi kan hjælpe vores kunder med at udnytte AI effektivt, eftersom den er direkte tilgængelig dér, hvor deres HR-kontekst “lever”.

Hvordan AI-anvendelse afslører skjulte muligheder på arbejdet

Da vi rullede AI-værktøjer ud internt og så adoptionskurven — hele vores team bruger AI regelmæssigt, og de fleste bygger deres egne agenter — forventede jeg modstand: en vis skepsis og modstand fra mennesker, der hellere ville holde fast i det, de kendte.

I stedet oplevede jeg en blanding af begejstring og lettelse. Folk ville af med det arbejde, der havde samlet sig omkring deres egentlige opgaver: de første udkast, opsummeringer, opfølgninger, dataindsamling og formatering. Da AI overtog det, opstod der nye muligheder — folk fik mere tid til meningsfuldt arbejde, der kræver kritisk tænkning og menneskelig dømmekraft.

Det fortalte mig noget ubehageligt. Vi gav ikke bare talentfulde mennesker kedeligt arbejde. Vi havde opbygget systemer, der langsomt begravede de bedste dele af deres roller under administrative strukturer, og de fleste accepterede stille, at det bare var sådan, tingene var. AI gjorde det synligt. Da det først var blevet synligt, ønskede ingen at gå tilbage. Potentialet er enormt, og det er spændende!

Den egentlige læring: Det mindste af problemerne er at få folk til at tage teknologien til sig. Det er, når administrationen er ryddet af vejen, at man opdager, hvor det virkelige arbejde begynder.

Sådan kan ledere tage AI til sig

En vigtig del af min rolle som leder er at afsætte tid til min egen fortsatte læring og praktiske eksperimenter med AI. Jeg mener, at det er afgørende for ledere i dag at afsætte denne tid.

Muligheden for ledere og fagfolk inden for People-funktionen er at indtage rollen som strategisk partner for virksomheden ved at automatisere manuelle processer, overvinde fragmenterede data og generere indsigt hurtigere. Det frigiver også kapacitet til det vigtige arbejde med mennesker og forretningspartnerskaber, som ikke bør automatiseres.

Jeg har måttet give slip på idéen om, at "tid ansigt til ansigt" med ledere er den primære måde, medarbejdere udvikler sig på. AI-vejledning kan, når det udføres godt og med menneskeligt tilsyn, give konsekvent og rettidig vejledning, som selv de bedste ledere ikke kan skalere.

For at gøre det klart: Det erstatter ikke ledere, men udvider deres rækkevidde og sikrer, at medarbejderne får støtte mellem de formelle opfølgningssamtaler.

Sådan gennemgribende ændrede vi præstationsevalueringer med AI

Vi gennemgribende ændrede præstationsevalueringerne, både internt og i vores produkt, med AI. Det ændrede fundamentalt den måde, vi tænker på hele processen på.

Den gamle måde: Ledere brugte timevis på at skrive udkast til evalueringer, ofte fra bunden, og havde svært ved at huske konkrete resultater fra flere måneder tidligere. En besværlig og langsom proces, der krævede en stor administrativ indsats, skader resultater og tidsplaner! Evalueringer risikerer at blive en øvelse i overholdelse af regler i stedet for en samtale om afstemning og udvikling.

Den AI-understøttede måde: Vi byggede en AI-assistent, der udarbejder udkast til feedback på evalueringer ved hjælp af kontekst fra møder, mål og tidligere feedback. AI'en vejleder brugerne gennem processen, fremhæver relevant kontekst — hvad medarbejderen opnåede, hvor vedkommende havde udfordringer, og hvordan vedkommende udviklede sig — og foreslår formuleringer, som ledere kan redigere, forfine og gøre personlige ud fra deres menneskelige ræsonnement, empati og personlige relation til deres direkte medarbejdere.

Resultater: Den mediane tid, ledere bruger på at skrive evalueringer, faldt markant. Endnu vigtigere er det, at kvaliteten blev forbedret, fordi lederne redigerer og tilføjer nuancer i stedet for at stirre på en tom side. Medarbejderne fortæller, at feedbacken føles mere specifik og handlingsanvisende.

Vi har anvendt den samme logik på spørgsmål og svar fra medarbejderne. HR besvarede gentagne gange de samme spørgsmål om politikker via Slack, e-mail og nogle gange fra den samme person, der spurgte mere end én gang. Vores AI-helpdeskagent besvarer nu disse spørgsmål i et letforståeligt sprog med udgangspunkt i vores vidensbase. HR får den tid tilbage til arbejde, der kræver menneskelig ekspertise.

Vi anvendte også dette på analysen efter undersøgelser. Tidligere brugte vi uger på at sammenfatte svar i fritekst, ofte på en ufuldstændig måde. AI fremhæver nu temaer og mønstre inden for få dage, så ledere kan handle, mens feedbacken stadig er frisk.

Den fælles tråd: AI overtog den administrative byrde, så folk kunne fokusere på arbejde, der kræver menneskelig dømmekraft, såsom samtalerne, beslutningerne og den opfølgning, som ingen kan uddelegere.

Hvorfor AI's potentiale ofte overstiger organisationens parathed

Folk hører "AI vil transformere HR", og de forventer en magisk knap. AI er kun så god som de data, arbejdsgange og den styring, der omgiver den. Hvis dine medarbejderdata ligger i fem systemer, der ikke er forbundet, eller dine processer er uformelle og inkonsekvente, kan AI ikke løse det.

Værre endnu kan den fremhæve de forkerte data og i bedste fald skabe forvirring og i værste fald et reelt problem.

Jennys tanker

AI er kun så god som de data, arbejdsgange og den styring, der omgiver den.

Vi løser dette ved at designe AI, der er indlejret i vores produkt som jeres centrale system, hvor al jeres kontekst er knyttet til jeres processer og arbejdsgange — ikke påklistret som en separat funktion.

Vores AI vejleder medarbejdere gennem målsætningsprocessen. Den hjælper med evalueringer i evalueringscyklussen. Den besvarer spørgsmål om politikker fra en defineret vidensbase. Strukturen skaber sikkerhedsrammerne, og AI'en fungerer inden for dem.

Vi tager også som udgangspunkt mennesket i løkken. Vores AI udarbejder udkast, kommer med forslag og opsummerer, men den foretager ikke handlinger uden en persons godkendelse. Vi mener, at HR-beslutninger involverer kontekst, nuancer og konsekvenser, som AI ikke bør håndtere autonomt. Ledere, der ønsker, at AI bare skal "gøre det" uden tilsyn, udsætter sig selv for juridiske, etiske og tillidsmæssige problemer.

At gå i dybden frem for i bredden med AI-integration

For et år siden havde vi en masse værktøjer. Nu har vi færre, og de er mere integrerede. Vi er gået i dybden frem for i bredden. Vi bruger AI-funktioner i hele vores arbejdsgange: udarbejdelse af evalueringsudkast, opsummering af undersøgelser, vores AI-drevne vejleder, spørgsmål og svar om politikker, transskribering af møder og dataindsigt.

Det er ikke separate AI-tilføjelser; vi bygger dem ind dér, hvor arbejdet foregår, hvilket sikrer anvendelse.

Vores fundament er vores eget værktøj, og det at være vores egen kunde tydeliggør tingene. Det holder os ærlige. Vi bruger det til alt: HRIS (medarbejderregistre, dokumenter, fravær, forberedelse af lønkørsel, arbejdsgange) og talentstyring (præstationsvurderinger, mål, trivselsundersøgelser, feedback, læring, 1:1-møder) samt AI. Dataene findes ét sted, hvilket betyder mere, end man skulle tro.

Derudover har vi bygget brugerdefinerede agenter i Dust og Notion til brug på tværs af teams. Gemini, Claude og Lovable indgår alle i blandingen afhængigt af opgaven. Og hvert team har sin egen stak ovenpå. Vi forsøger ikke at standardisere alt, men vi er bevidste om, hvad der udgør fundamentet.

Den største ændring det seneste år har været konsolidering. Vi havde for mange punktløsninger, som hver især gjorde én ting godt, men skabte datafragmentering og konstante omkostninger ved at skifte mellem værktøjer. Færre værktøjer, dybere integration og AI indlejret på tværs af arbejdsgange i stedet for isoleret i én app.

Hvorfor en AI-udviklingsvejleder kan ændre spillereglerne

Vi bruger vores egen udviklingsvejleder internt. Det er en AI-agent, der giver medarbejdere og ledere vejledning i realtid om udvikling uden at vente på en formel evalueringscyklus eller på, at lederen har tid.

Ledere i virksomheder i vækst er pressede. De kan ikke følge op med alle, og medarbejdere, der har brug for retning, får den ofte først, når en evaluering nærmer sig. Udviklingsvejlederen ændrer denne rytme.

Medarbejdere kan stille spørgsmål om deres mål, få konkrete næste skridt og forstå, hvordan "fremragende" ser ud i deres rolle. Ledere kan bruge den til at forberede sig på meningsfulde samtaler i stedet for reaktive samtaler. Den trækker på kontekst fra mål, feedbackhistorik og virksomhedens rammer, så det, den viser, er specifikt og ikke generisk.

Det, jeg især går op i, er det, der sker i baggrunden: signalerne. Når medarbejdere stiller AI'en spørgsmål, som vi ellers aldrig ville høre, lærer vi noget — ikke om enkeltpersoner (det er aggregeret og anonymt) — men om, hvor der mangler klarhed, hvor folk føler sig fastlåste, og hvad ledere ikke tager hånd om. Den slags tidlige signaler er svære at få på andre måder.

Agenter rækker også ud over arbejdet. Derhjemme har jeg bygget flere brugerdefinerede AI-agenter for at gøre det lettere at få en familie til at fungere. For eksempel har jeg lavet en ugentlig madplanlægger, der tager højde for de principper for sund kost, jeg har fastlagt.

Hvorfor kollegabaseret og praktisk læring er den bedste måde at lære AI-kompetencer på

Vi gjorde brugen af AI strukturel, ikke valgfri. Alle teammedlemmer har adgang til AI-værktøjer, ikke kun inden for udvikling eller produkt. AI-kompetencer må ikke være et privilegium for bestemte roller eller funktioner.

Vi opbyggede kompetencer gennem deling, ikke obligatorisk træning. Folk demonstrerer, hvordan de bruger AI i deres arbejdsgange. Det er drevet af kolleger, praktisk og til tider rodet, men det er netop det, der får det til at hænge fast. En person viser noget, der virkede, og en anden tilpasser det til sin kontekst. Den spredning skaber reel anvendelse hurtigere end nogen topstyret implementering.

Det, jeg har lagt mærke til: Jo mere folk eksperimenterer, desto mere finder de arbejde, som de gerne vil automatisere, og opgaver, som de i årevis har vænnet sig til at acceptere som "bare en del af jobbet". AI giver folk tilladelse og mulighed for at sætte spørgsmålstegn ved det.

Med hensyn til styring er vi tydelige omkring databeskyttelse. Alle ved, hvilke data der må og ikke må indgå i eksterne AI-værktøjer. Det er ikke til forhandling. Klarhed om rammerne giver folk tillid til at udfordre grænserne inden for dem.

Hvad angår, hvordan det ser ud at være "AI-klar": Jeg vil snarere beskrive det som en kultur end som en tjekliste. Medarbejdere, der eksperimenterer uden frygt for at blive dømt. Teams, der spørger: "Bør et menneske gøre dette?"

Ledere, der synligt viser, hvordan de bruger AI, ikke som en optræden, men fordi de faktisk bruger det. Jeg forsøger selv at være tydelig omkring det. Hvis jeg beder mine teams om at opbygge AI-kompetencer, uden at jeg selv praktiserer det, er det ikke ledelse. Det er teater.

Hvorfor AI kun er så god som de data, den har adgang til

Adgang til data er afgørende. AI er kun så god som de data, den har adgang til.

En skinnende, selvstændig AI-agent uden for dit HR-system kan ganske vist skrive en jobbeskrivelse. Den kan ikke fortælle dig, om engagementet falder på et bestemt team, om en højtydende medarbejder ikke har haft en udviklingssamtale i flere måneder, eller om en leders direkte referencer konsekvent præsterer dårligere end deres egne kollegers vurderinger.

Denne indsigt kræver historiske, sammenkoblede data — HRIS, mål, feedback, vurderinger, engagement og læring, alt sammen på ét sted. Fragmenterede punktløsninger kan ikke levere det, uanset hvor AI-drevne de er. Vi har brugt år på at udvikle en løsning på dette problem.

Vores køreplan fokuserer på den agentbaserede side. Vi udvikler agenter, der håndterer afgrænsede, specifikke opgaver: udarbejdelse af dokumenter, besvarelse af spørgsmål om politikker og påmindelser til ledere om opfølgning, mens mennesker bevarer beslutningsmyndigheden.

Disse agenter kører i baggrunden. Målet er at udvide, hvad et lille HR-team kan nå. Det gør det muligt for en HR-leder, der driver personaleadministrationen for 200 medarbejdere sammen med en eller to kolleger, at holde op med at bruge dagen på administrative opgaver og i stedet begynde at fokusere på arbejde, der skaber resultater.

Hvorfor AI tvinger HR til at genoverveje sit formål

For HR-ledere handler dette øjeblik om mere end en teknologisk overgang. AI tvinger HR til at genoverveje sit formål.

Mange af de mennesker, jeg taler med, valgte HR, fordi de bekymrede sig om mennesker. De ønskede at opbygge kulturer, udvikle ledere og skabe miljøer, hvor mennesker kunne yde deres bedste.

Undervejs blev mange procesadministratorer. Systemerne hobede sig op. Rollen blev formet omkring dem. Hvis din HR-teknologi værdsætter processer højere end mennesker, former den dynamik rollen over tid. Værktøjer former adfærd. Systemer former roller. Det er værd at sætte ord på og værd at udfordre.

Nogle praktiske råd til at bruge AI i HR:

• Begynd med det arbejde, du hader, ikke den mest skinnende funktion. Hvor bruger du tid på gentagne opgaver med lav værdi? Anvend AI der først. Det første udkast. Opsummeringen. Jagten på opfølgning. Automatiser disse opgaver, og beskyt din tid til arbejde, der kræver dig.
• Gør menneskelig involvering til standard. AI bør hjælpe, ikke træffe beslutninger, især i HR, hvor beslutninger påvirker menneskers karrierer og levebrød. Fastlæg og fasthold tydeligt den forventning.
• Bevæg dig hurtigere, end du er tryg ved. Organisationer, der opbygger AI-kompetencer nu, vil opnå fordele, der vokser over tid. At vente på, at AI bliver "moden", er et valg med en omkostning.
• Tag dit team med dig. Yngre medarbejdere og ledere tæt på driften ser ofte de tydeligste muligheder. Implementering er lige så meget en kulturel udfordring som en teknologisk.
• For ledere mere generelt: Vis personligt, hvordan AI bruges, investér seriøst i dine ledere, og hold formålet i centrum. AI ændrer, hvordan arbejdet udføres. Det ændrer ikke, hvorfor det er vigtigt.

Hvordan HR-roller vil udvikle sig i de næste 5 år

Inden for fem år tror jeg, at HR helt vil frigøre sig fra sin identitet som procesadministrator, og virksomheder, der stadig behandler HR sådan, vil mærke det på deres forretningsresultater.

Skiftet er allerede i gang. HR-ledere i fremsynede organisationer bliver ikke målt på, om vurderinger blev gennemført, eller om undersøgelser blev sendt ud. De bliver målt på resultater:

• Bliver fastholdelsen forbedret dér, hvor det betyder mest?
• Udvikler lederne deres medarbejdere?
• Kan vi spore en sammenhæng mellem engagement, præstation og produktivitet, som vi kan handle på?

AI gør denne ændring mulig ved pålideligt at håndtere det operationelle lag, så HR-ledere kan fokusere på strategi, diagnosticering og indgriben.

Fremtidens HR-team bliver mindre, mere erfarent og betydeligt mere indflydelsesrigt. Ikke fordi antallet af medarbejdere reduceres, men fordi rollen udvides i omfang og opnår troværdighed ved ledelsesbordet. Mindre tid i det administrative lag og mere tid i rummet, når der træffes forretningsbeslutninger.

Organisationer, der stadig driver HR på fragmenterede systemer med separate værktøjer til HRIS, performance, engagement og læring, vil stå over for en målbar ulempe. AI genererer nyttig indsigt fra forbundne data. Den genererer støj fra data i siloer. Fragmentering er ved at blive en dyr arv, og opgøret er tættere på, end de fleste forventer.

Den version af HR, der vinder om fem år, ligner langt mere det, de fleste forestillede sig, da de trådte ind i faget.

Sådan holder du AI menneskecentreret i HR

Hvis HR implementerer AI dårligt — ved at anvende det til at fjerne ansvarlighed, bruge det til at skalere dårlige beslutninger hurtigere eller behandle det som en erstatning for de vanskelige menneskelige samtaler, der opbygger kulturer — spilder vi ikke bare muligheden. Vi underminerer tilliden på måder, der er svære at genopbygge.

En AI, der ikke fungerer, er ikke den største risiko. Risikoen er AI, der fungerer præcis som designet, men peger i den forkerte retning. Evalueringer, der foregår hurtigere, men føles mindre menneskelige. Politikker, der bliver "besvaret" af en chatbot, uden at nogen kontrollerer, om svaret er korrekt eller fair. Beslutninger, der virker objektive, fordi de kommer fra et system, selv om systemet afspejler antagelserne hos den, der byggede det.

Vores filosofi er klar: AI bør aldrig erstatte menneskelig dømmekraft i beslutninger, der påvirker nogens karriere, levebrød eller trivsel. AI udarbejder udkast, foreslår og fremhæver. En person gennemgår, beslutter og tager ansvar for resultatet. Menneskelig dømmekraft er ikke til forhandling.

Jennys tanker

AI bør aldrig erstatte menneskelig dømmekraft i beslutninger, der påvirker nogens karriere, levebrød eller trivsel … Menneskelig dømmekraft er ikke til forhandling.

De HR-ledere, jeg respekterer mest, spørger ikke kun: "Hvor meget kan vi automatisere?" De spørger: "Hvad bør aldrig automatiseres, og hvorfor?" Den disciplin er det, der adskiller AI, som opbygger tillid, fra AI, som underminerer den.

Det er også en af de mest tilbagevendende samtaler i People over Perks, vores fællesskab for HR-fagfolk — og helt ærligt kommer noget af den mest jordnære tænkning om dette emne derfra. Hvis det er et spørgsmål, du arbejder med i din egen organisation, vil jeg opfordre dig til at deltage.

Som jeg sagde, bruger mennesker omtrent 80.000 timer af deres liv på arbejde. Den tid bør være meningsfuld. AI bør bidrage til at gøre den endnu mere meningsfuld.

Følg med

Du kan følge Jenny Podewils' arbejde på LinkedIn og tjekke Leapsome ud!

Der kommer flere ekspertinterviews på People Managing People!