AI gør folks beslutninger værre – her er hvorfor

David Rice: Du bruger AI til at træffe beslutninger om ansættelser, præstationsvurderinger, teamsammensætninger og andre vigtige beslutninger om mennesker, der påvirker karrierer, kultur og resultaterne i din virksomhed. Og i mange tilfælde har vi ingen idé om, hvilken kontekst vi faktisk giver den. Det er som at spørge en ven til råds om din chef, og de så siger: "Jeg kender ikke rigtig din chef, så hvordan skal jeg kunne give dig et godt råd?" Du bliver nødt til at fortælle dem mere. Men i mange tilfælde fortæller du ikke AI mere; du håber bare, at den selv finder ud af det.

Dagens gæst er Matt Poepsel fra The Predictive Index, og hans oplæg på den seneste Transform-konference i Las Vegas havde titlen Smarte værktøjer, dumme beslutninger om mennesker. For det er det, der sker. AI kan på få minutter undersøge og skrive det, der tidligere tog to uger, så vi komprimerer forventningerne. Vi arbejder hurtigere, men vi tager stadig udgangspunkt i en gammel mental model med nye værktøjer. Og de tidlige storbrugere er dem, der er mest udbrændte. Noget andet, man bør overveje, er, at den vigtigste og farligste form for arbejde er teambaseret arbejde.

Mennesker med forskellige personlighedstyper støder ind i hinanden som radiobiler. Tilføj konkurrerende mål, som komplekse strategier nødvendigvis indeholder, og så har du en opskrift på katastrofe. Men ledere ved ikke, at de skal bede om adfærdsdata. Vi uddanner dem ikke på den måde. Vi lærer dem strategi, teknologi og drift – ikke hvordan man får den menneskelige del til at fungere.

Og nu føjer vi agenter til blandingen. Din agent ringer til min agent, AI laver opsummeringer, som min AI fordøjer. Vi skaber reel afstand mellem os, mens vi tror, at vi er produktive. Det er arbejdsrod – et forsøg på at holde trit med gårsdagens definition af produktivitet i stedet for at udvikle os mod det, værdi faktisk ser ud som.

Så i dagens program skal vi tale om, hvorfor AI har brug for adfærdsmæssig kontekst, ikke bare jobbeskrivelser og kompetencer; princippet om at måle to gange og skære én gang, når det gælder vigtige beslutninger om mennesker – og alle beslutninger om mennesker er vigtige nu; hvorfor kompetencer er flygtige, mens adfærdstræk er stabile; hvordan man indarbejder adfærdsmæssig indsigt tidligere i ansættelsesprocessen; hvorfor ledere ikke ved, at de skal bede om de rigtige data, og hvad HR skal gøre ved det; og endelig forskellen på AI, der accelererer teamdynamikken, og AI, der ødelægger tilliden.

Jeg hedder David Rice. Dette er People Managing People. Og hvis du har brugt AI til beslutninger om mennesker uden at forstå, hvilken kontekst der faktisk betyder noget, vil denne samtale forhåbentlig vise dig præcis, hvad du mangler. Dette er en samtale ansigt til ansigt mellem Matt og mig på messegulvet ved Transform. Så god fornøjelse. Over til Matt og mig.

Jeg står her sammen med Matt Poepsel fra The Predictive Index. Velkommen, Matt. Det er godt at tale med dig her ved Transform.

Matt Poepsel: Mange tak. Tak, fordi du inviterede mig.

David Rice: Jeg nød virkelig dit oplæg i går. Titlen var Smarte værktøjer, dumme beslutninger om mennesker.

Matt Poepsel: Ja, ikke?

David Rice: Og lad os tage udgangspunkt i det.

Du siger, at AI i mange tilfælde kommer med en anbefaling, og at et menneske godkender den. Jeg er nysgerrig: Hvor ligger den største risiko her? Er det, at man stoler for meget på den, eller er det, at vi i mange tilfælde faktisk ikke ved, hvad vi fodrer den med?

Matt Poepsel: Ja, det er rigtigt. Jeg tror bestemt, at der i begyndelsen vil være en vis overafhængighed af den, men jeg tror ikke, at det i sig selv nødvendigvis er en dårlig ting at bruge AI-værktøjer.

Men jeg tror, spørgsmålet er, at vi er nødt til at forstå … den har kun den kontekst, som den får, og som den giver os tilbage.

David Rice: Nemlig.

Matt Poepsel: Det ville være, som hvis jeg spurgte en ven og sagde: "Du har vel et råd til mig om, hvordan jeg arbejder sammen med min chef?" Så ville de sige: "Jeg kender ikke rigtig din chef, så hvordan skal jeg kunne give dig et godt råd om det?

Du bliver nødt til at fortælle mig mere." Så jeg føler, at det er det, der ofte sker med de her AI-værktøjer.

David Rice: Ja. Og jeg … Noget andet er, at data om mennesker er berygtede for at have mange problemer, ikke?

Matt Poepsel: Det er rigtigt.

David Rice: Og derfor spekulerer jeg på: Når du taler med så mange mennesker, hvor sikre vil du så sige, at de er på det, de putter ind?

Matt Poepsel: De er slet ikke sikre. Jeg tror … jeg tror, at vi … vi er i de tidlige dage med AI, hvor meget af det i begyndelsen er lidt eksperimentelt. Altså: "Hvordan kan du hjælpe mig? Jeg spekulerer på, hvad jeg får tilbage." Og med tiden bliver folk mere trygge ved det – hvilket jeg synes er godt – og begynder at bede den om at gøre flere og mere avancerede ting, når det gælder kompleksiteten af det, man beder den om hjælp til.

Det begyndte med: "Hjælp mig med at formulere denne e-mail," og er blevet til: "Hjælp mig med at lave … Jeg skal holde en præsentation for mit team om de seneste salgstal." Ja. "Kan du hjælpe mig med det?" Så det udvikler sig med tiden, men jeg tror, at det, der igen bliver overset lidt, er: Hvis vi ikke rigtig kender teamet, hvad angår deres adfærdsstile og kommunikationspræferencer, får vi så virkelig de bedste råd fra AI, hvis den hjælper os med at lave præsentationen? Og det er lidt det, der bekymrer mig.

David Rice: Jeg har været til et par konferencer på det seneste, og der er meget … der er meget snak om styring, især nu hvor vi går ind i agenternes tidsalder, ikke? Hvor godt synes du, at folk definerer, hvem der ejer en beslutning?

Matt Poepsel: Ja, den beslutning bliver sparket rundt som … noget, der bliver sparket rundt som en fodbold, vil jeg tro.

David Rice: Nemlig.

Matt Poepsel: For jeg tror, at den virkelig havner i en slags mellemtilstand. Det er ikke udelukkende juridisk, men det er heller ikke udelukkende IT. Det er ikke udelukkende HR. Og jeg tror ofte, at HR får til opgave at sige: "Okay, du skal drive det her fremad," når det handler om acceptabel og passende brug af AI, hvilket jeg synes giver mening.

For i sidste ende taler vi om potentielt at bringe mennesker i fare. Hvis de får noget fra deres leder, der virker stødende, kan det faktisk ødelægge en masse tillid. Så jeg tror, at der er en meget høj menneskelig omkostning. Derfor giver HR mening i den henseende. Men jeg tror også, at det nogle gange bliver betragtet lidt transaktionelt.

Når vi kun går til det ud fra et spørgsmål om overholdelse, anerkender vi ikke, at AI har potentialet til virkelig at accelerere vores evne til at få teamdynamikken til at fungere – eller faktisk drive vores virksomheder på nye måder.

David Rice: Du nævner teamdynamik, og det er en af de ting, som den ikke fuldt ud er i stand til at forstå – for at følge op på din pointe – og forstå, hvordan arbejdet faktisk bliver udført.

Hvordan strukturerer man så den kontekst, man giver den, og sørger for at give den strukturerede input, så den kan fungere godt på det?

Matt Poepsel: Det er en af de ting, jeg siger hele tiden. Den vigtigste og farligste form for arbejde er teambaseret arbejde. For hvis du tænker på alt det, der sker i din virksomhed, er sandsynligheden for, at én person gør det alene, ret lav.

I stedet er det teams – hvis ikke hele teams af mennesker – der arbejder på at gøre de her programmer, initiativer og forretningsmodelændringer fantastiske.

David Rice: Ja.

Matt Poepsel: Så vi er virkelig nødt til at få teambaseret arbejde til at fungere. Og for mig begynder det med at forstå de adfærdsmæssige forskelle og de strategiske krav til teamet.

Når man tænker på mennesker med meget forskellige personlighedstyper, støder de ind i hinanden som radiobiler, når man sætter dem sammen i et team. Og når man så tilføjer konkurrerende mål – for mange komplekse strategier har nødvendigvis konkurrerende mål – bliver det pludselig bare en opskrift på en virkelig dårlig teamdynamik.

David Rice: Ja.

Matt Poepsel: Så man er nødt til at forstå, at når vi tager alle de her data om, hvilket arbejde der skal udføres, og hvem der udfører det, så er det en masse virkelig rig kontekst, som et menneskeligt ekspertblik kan se på og sige: "Nå, jeg forstår, hvorfor det her team går i stå," eller hvorfor de oplever friktion på det her område.

Spørgsmålet er så: Hvordan får vi også AI-værktøjer til at hjælpe os med det? Jeg tror, at der skal tænkes over det.

David Rice: Det er sjovt, for vi taler om teamdynamik og teamwork som noget, der er truet. Men der er så meget fokus på, at alle nærmest skal være iværksættere og ledere af agenter. Og jeg tænker: Hvis jeg ikke forstår, hvordan man får mennesker til at arbejde sammen, kan jeg så få de her agenter til at arbejde rigtigt sammen?

Matt Poepsel: Nemlig. Ja, lad din agent ringe til min agent. Det er sådan: Åh gud. Pludselig kommer man til at se en situation, hvor meget af det arbejdsrod, der bliver skabt i dag, skyldes, at folk forsøger at holde trit med gårsdagens definition af, hvordan reel produktivitet så ud.

David Rice: Nemlig.

Matt Poepsel: I stedet for at have udviklet sig til det, værdi faktisk ser ud som. Og jeg tror, at det er her, folk føler: Jeg er så langt bagud. Hvis en agent kunne komme ind og hjælpe mig med at automatisere dele af mit arbejde, så tænk på, hvor meget mere arbejde jeg kunne udføre. Og så siger man: Okay, men er det den rigtige slags arbejde? Når vi straks vender tilbage til teamet, begynder man at tænke: Hvis du har et team af dine agenter, der hjælper dig med din del, og jeg har et team af agenter, der hjælper mig med min del – er vi så i en situation, hvor AI bare opretter alle de her opsummeringer, og min AI fordøjer dem, og vi skaber reel afstand mellem os? Det er den del, vi skal være meget forsigtige med.

David Rice: Du nævnte arbejdsrod, og så tænker jeg på tidspresset hele tiden.

Vi er alle under pres for at arbejde virkelig hurtigt, og det bliver set som en konkurrencefordel. Men incitamentet er der til at stole på det og komme videre. Er det faktisk drevet af tidspresset? Og det, jeg vist spørger om, er: Hvordan afhjælper vi det?

For det er på nogle måder et filosofisk spørgsmål: Hvad vil vi værdsætte? Men hvad oplever du er mest effektivt?

Matt Poepsel: Jeg tror bestemt, at det er rigtigt, at vi ser tidsbegrænsninger, eller at tiden på nogle måder bliver presset. Hvis man tidligere havde en researchopgave med noget tekst oveni, kunne man måske give en person to uger til at få det gjort.

Men nu, hvor man pludselig kan få AI til at gennemføre virkelig omfattende undersøgelser på få minutter, virker det rigtigt at komprimere forventningen og få tingene gjort lidt hurtigere.

David Rice: Ja.

Matt Poepsel: Men med hensyn til din pointe om at stole på resultatet skal der stadig være tilstrækkelig faktatjek og tilstrækkelig promptudformning, og de ting kommer ikke gratis.

Så vi er nødt til at erkende, at vores forståelse af – og selv vores vurdering af – hvor lang tid det tager at færdiggøre en opgave, måske er lidt kunstig. Men så bliver spørgsmålet: Er kvaliteten stadig god? Eller ser det ud, som om AI har skabt det helt alene i et vakuum? Det hjælper ingen.

Samtidig viser forskningen os, at de mennesker, der tidligst tager AI massivt i brug, faktisk er de mest udbrændte. For de arbejder stadig ud fra en gammel mental model, selv om de bruger nye værktøjer. Så jeg føler, at vi stadig er tidligt i læringskurven.

Det er ikke en hypecyklus. AI skaber absolut værdi, men hvis vi går glip af noget af den, eller hvis vores erfaring med den skaber afstand til vores teammedlemmer eller udtømmer vores egne ressourcer og evner, så afspejler det bare, hvor meget mere vi skal holde os ajour med den.

David Rice: Den skaber hastighed, men når det gælder beslutninger om mennesker, får vi ofte gavn af at være lidt langsommere, lidt mere bevidste og mere reflekterede.

Matt Poepsel: Ja.

David Rice: Det skaber en spænding mellem de to ting – mellem målet og den bedste måde at nå det på. Hvordan ser du folk navigere i det og bevare kvaliteten uden fuldstændigt at ofre den hastighed, vi gerne vil opnå?

Matt Poepsel: Ikke særlig godt – det korte svar er det. Og jeg tror igen, at man må forstå, at vi tidligt i læringskurven nok må forvente det. Men jeg tror, at der nu er et stort pres for at bevæge sig for hurtigt, når det gælder nogle af de her løsninger. Derfor forværrer vi faktisk situationen.

Hvis man ikke imødekommer en persons behov, og personen mister tilliden til det, eller tror, at der er en skjult dagsorden, kan det faktisk tage meget længere tid, end hvis vi havde brugt lidt mere tid undervejs. Der er et gammelt ordsprog inden for tømrerfaget: "Mål to gange, skær én gang."

David Rice: Ja.

Matt Poepsel: Og der er en god grund til det, ikke? Det er langt hurtigere og mere omkostningseffektivt. Jeg tror, vi skal bruge en lignende tilgang, når det gælder vigtige beslutninger om mennesker. Og i det nuværende klima er alle beslutninger om mennesker vigtige beslutninger. Det er dér, vi ikke behøver at sænke farten, men vi skal være bevidste om det, så vi kan gå så hurtigt, som vi gerne vil.

David Rice: Ja, jeg tror, du har ret. Og også … Jeg ser jo meget på ansættelser. Kvaliteten af de data, vi får ind, burde i det mindste være lidt mere … Vi bør sænke farten en smule og sikre os, at det her er det rigtige. Har vi virkelig krydset alle felterne af? For nogle gange ved vi ikke nødvendigvis, hvilke kompetencer vi leder efter.

Matt Poepsel: Det er rigtigt.

David Rice: Så hvis vi ikke engang kender kompetencerne, hvordan skriver vi så en jobbeskrivelse, så vi kan ansætte den rigtige person?

Matt Poepsel: Ja, når vi har kopieret og indsat den fra gamle dage – fra alle de her Google-resultater – og nu bare har kørt den gennem AI, kommer den stadig tilbage. Og det andet problem er, at kandidaterne selvfølgelig også har adgang til AI.

Så de ser alle sammen fantastiske ud, og man tænker: "Vent lidt. Hvordan har vi pludselig fået alle de her perfekte kandidater?" Vi er begyndt at rådgive kunder om virkelig at indarbejde adfærdsmæssig indsigt tidligere i processen. Når du skriver jobbeskrivelsen, skal du ikke kun fokusere på kompetencer og opgaver, men virkelig afdække de adfærdsmæssige krav til rollen, så vi specifikt forstår, hvad vi leder efter.

Men man skal også bruge de her aspekter under interviewprocessen ved virkelig at få kandidaten til at tale specifikt om den pågældende adfærd. Når man begynder at spørge nogen: Fortæl mig om en gang, hvor … så er det sværere i realtid, når man ikke har adgang til AI, at finde på en overbevisende historie og et eksempel på, hvornår man gjorde den ting på den måde.

David Rice: Ja.

Matt Poepsel: Så vi synes, at det er en virkelig god tilgang. Det andet problem er, som du siger, kompetencerne. Selv hvis vi ikke kan formulere dem fuldstændigt i dag, kommer de til at ændre sig, fordi alt bevæger sig så hurtigt. Kompetencer kan læres, hvilket er fantastisk, men personlighedsadfærd kan ikke læres.

Du er den, du er, og det er en smuk ting. Vi skal bare sikre os, at vi ansætter dig til det rigtige match.

David Rice: Ja, for hvad? For to år siden troede alle, at promptudformning ville blive den helt store ting, og nu taler jeg bare med den.

Matt Poepsel: Ja. Lad os bare mærke os frem. Lad os bare mærke os frem til døde.

Det er perfekt. Ja, det er meget rigtigt, og det er et eksempel på, at selv hvis man ser på det nu, kan måske en tredjedel af de kompetencer, som vi forventer, at arbejdsstyrken får brug for i 2030, blive virkelighed. Men realiteten er, at selv de bliver meget skrøbelige. De bliver flygtige, om man vil.

Når man i stedet ser på interpersonelle kompetencer, historiefortælling, kreativ tænkning og evnen til at fungere sammen med andre forskellige grupper af mennesker, så går de ting aldrig af mode. Og de er ikke bløde kompetencer; de er grundlæggende kompetencer, når så meget teknologi kan udføre så meget af det hårde arbejde.

David Rice: Vi har en tendens til automatisk at tro, at flere data giver bedre beslutningstagning. Men jeg tror, at vi må … Kontekst er naturligvis afgørende. Er det overhovedet de rigtige data, vi ser på, for enhver beslutning, vi træffer?

Matt Poepsel: Jeg taler ikke med nogen ledere, der siger: "Jeg ville ønske, jeg havde flere data." Vi har virkelig enorme mængder data. Dit spørgsmål er godt: Er det de rigtige data? Og især når vi ser på ledelsesfunktionen – at få grupper af mennesker til at arbejde sammen mod et fælles mål – er det jo den del, ledere bliver bedt om at udføre.

HR støtter i mange tilfælde dette ved at tilbyde uddannelse, værktøjer og vejledning. Så spørgsmålet bliver præcis det: Vi kan have flere og flere data, men er det de rigtige data, der skal indgå i en beslutning med den rette kontekst? Og kan vi så gøre resultatet personligt? Hvis du leder mig, bliver det anderledes, end hvis du leder en person, der har en helt anden personlighed end mig.

David Rice: Ja.

Matt Poepsel: Så spørgsmålet er, om lederen forventes at oversætte sin stil og have selvindsigt og indsigt i andre, så vedkommende kan navigere i det. Det er svært, hvis ikke umuligt, at gøre uden data, og det er også svært at gøre uden værktøjer, der kan hjælpe dig – medmindre du har gennemgået enorme mængder uddannelse, hvilket ledere ikke får i disse dage.

For tiden er en faktor, lad os være ærlige. Vi har det tidspres. Jeg tror, at alt dette samlet betyder, at vi har brug for kontekstuelle, gennemtænkte og adfærdsdrevne værktøjer, der kan hjælpe os med at få den menneskelige del til at fungere i stor skala.

David Rice: Hvordan ser et mere kontekstbaseret system ud, tror jeg er mit spørgsmål? De fleste AI-systemer får vel ting som jobbeskrivelser og måske udviklingsplaner.

Hvad ser det faktisk ud som, hvad indeholder det, og hvordan påvirker det ledelsesbeslutninger?

Matt Poepsel: Jeg vil gerne arbejde udefra og ind. Jeg vil gerne begynde på det højeste niveau med virksomhedens kultur. Hvad er jeres kulturelle værdier? Hvad forsøger I at opnå i virksomheden?

Det er vigtige ting. Hvad med fremtidens kompetencer? Hvilke evner forsøger I generelt at tilføre organisationen? Derefter kan man måske tage det ned på teamniveau. Hvad arbejder teamet med? Hvad er den konkrete adfærdsmæssige sammensætning af teammedlemmerne, som jeg bør være opmærksom på?

Er vi ens eller forskellige? Hvilken historik har vi for de interaktioner, vi har forsøgt at skabe? Vi er heldige hos The Predictive Index, fordi vi har alle de her data, som vi bygger ovenpå, og derfor har vi en enorm mængde kontekst. Jeg tror, det hjælper os med virkelig at forstå, hvilket miljø denne vigtige interaktion mellem mennesker finder sted i, så vi har bedre mulighed for at få det rigtigt.

David Rice: Jeg er nysgerrig, for du arbejder med alle de her forskellige organisationer og ser mange af de almindelige fejl, ledere begår. Undervurderer de lidt den her udfordring? Vi talte tidligere om, at de ikke har stor tillid til de data, de har om deres medarbejdere, men det næste spørgsmål er vel, om de føler sig sikre på, at de kan få de rigtige data.

Matt Poepsel: Mange gange tror jeg, at de ikke ved, hvordan de skal stille spørgsmålet, og derfor er partnerskabet med HR så vigtigt. Jeg kender ikke mange uuddannede ledere, der går til HR og siger: "Jeg har virkelig brug for flere af de adfærdsdata om mine medarbejdere."

David Rice: Nemlig.

Matt Poepsel: De ved det ikke. De ved ikke engang, at de skal stille spørgsmålet.

Og vi uddanner dem ikke sådan på handelshøjskolerne. Vi lærer dem strategi, teknologi og drift. Vi fortæller dem ikke, hvordan man får den menneskelige del til at fungere. Så allerede det at forvente, at en leder bare skal udlede det ud af den blå luft og sige: "Jeg har brug for data om mennesker," er et stort spring.

Og den næste del er, når man begynder at se på, hvordan man bruger det i konteksten af det, man forsøger at opnå. Det er dér, den næste udfordring opstår. Så der skal ske meget oversættelse. Den gode nyhed er, at værktøjerne er let tilgængelige. Man kan komme ind og udvikle selvindsigt, udvikle indsigt i andre og udvikle en hel teamdynamik ved hjælp af værktøjer som vores, der hurtigt afmystificerer hele processen. Det er lovende, men man skal bruge dem.

David Rice: Det har været godt at have dig med i programmet. Jeg er nysgerrig: Hvad glæder du dig til i denne uge? Hvad vil du gerne lære om eller undersøge?

Matt Poepsel: Jeg vil helt sikkert gerne forstå, hvordan de HR-personer, jeg taler med, oplever deres rolle i hele denne forandring, og hvor de befinder sig, for jeg oplever, at det er meget ujævnt. Nogle HR-professionelle er langt bagefter. Deres organisation behandler dem meget transaktionelt. Andre er helt på forkant. De driver virkelig virksomheden fremad med hensyn til, hvad der er muligt.

Der er heldigvis ikke mange i hver sin yderlighed. Mange befinder sig et sted på rejsen. Så jeg føler, at jo mere jeg kan lære om, hvad de oplever, og hvordan jeg kan hjælpe dem med virkelig at styrke HR-funktionen, desto bedre. Jeg siger altid, at alle virksomheder er menneskevirksomheder.

Og det betyder, at vi skal løfte vores HR-professionelle og endda indbygge dem i de værktøjer, vi bruger hver dag, som du hørte i mit oplæg i går. Det er sådan, man får det bedste ud af det, HR kan tilbyde, i stor skala. Og det er det, der virkelig begejstrer mig ved det arbejde, vi udfører hos The Predictive Index.

David Rice: Matt, tak fordi du var med i dag. Det var fantastisk at have dig med i programmet.

Matt Poepsel: Tak, fordi du inviterede mig. Det har været en fantastisk konference og en fantastisk samtale.

David Rice: Okay. Så runder vi af for denne episode. Lyt med næste gang.

Og som altid: Hvis du ikke allerede har gjort det, så sørg for at tilmelde dig nyhedsbrevet og følge os på YouTube og alle de sociale medier, så du får alt dette direkte i dit feed.