Hvad AI-overvågning ikke kan fortælle dig om dine medarbejdere
Ingen sætter sig for at opbygge et system til overvågning af arbejdsstyrken. Det kommer som regel forklædt som optimering, produktivitet, trivsel eller effektivitet. Men efterhånden som AI gør det muligt at overvåge alt fra tastetryk og musebevægelser til følelser og fysisk adfærd, bliver grænsen mellem legitim måling og indgribende overvågning sværere at ignorere.
I denne episode taler jeg med Lynn Parramore, direktør for særlige projekter ved Institute for New Economic Thinking, om hvad der går tabt, når ledere antager, at alt af værdi på arbejdet kan måles. Vi undersøger, hvorfor konstant overvågning nedbryder tillid, hvordan algoritmer fjerner konteksten fra menneskelig adfærd, hvorfor yngre medarbejdere har god grund til at være skeptiske over for AI, og hvorfor ledere er nødt til at forholde sig filosofisk—ikke kun praktisk—til, hvor denne teknologi hører hjemme.
Det lærer du
- Hvordan man skelner mellem legitim overvågning på arbejdspladsen og indgribende overvågning
- Hvorfor flere medarbejderdata ikke nødvendigvis fører til bedre ledelsesbeslutninger
- Hvordan kontinuerlig overvågning kan undergrave tillid, psykologisk tryghed og indre motivation
- Hvorfor algoritmer har svært ved at håndtere hensigt, dømmekraft, kontekst, kreativitet og tavs viden
- Hvordan medarbejderinddragelse i beslutninger om overvågning kan føre til bedre resultater
- Hvorfor indførelse af AI kræver, at ledere overvejer etiske og samfundsmæssige konsekvenser, ikke kun effektivitet
Vigtigste pointer
- Mål for et legitimt formål, ikke bare fordi du kan. Overvågning kan give mening, når den er snævert knyttet til sikkerhed, ergonomi, cybersikkerhed eller et andet klart behov. At indsamle data, blot fordi teknologien gør det muligt, er sådan, optimering stille og roligt bliver til overvågning.
- Større synlighed kan betyde mindre tillid. Konstant overvågning sender et underforstået budskab: vi stoler ikke på dig, medmindre vi kan kontrollere dig. Det er en dyr afvejning, når tillid er grundlaget for engagement, innovation, fastholdelse og menneskers villighed til at udvise dømmekraft.
- Data indfanger adfærd. Det forklarer den ikke nødvendigvis. En medarbejder, der bruger længere tid på en kundesamtale, kan se ineffektiv ud for en algoritme, selv om vedkommende faktisk gør præcis det, du ønsker: bliver ved et vanskeligt problem, indtil det er løst. Information uden kontekst er ikke forståelse.
- Menneskelig værdi passer ikke pænt ind på et dashboard. At hjælpe en kollega, tænke et vanskeligt problem igennem, udvise moralsk mod, udvise god dømmekraft eller blot stirre ud i luften, mens en idé tager form, kan alt sammen ligne uproduktiv tid. Nogle gange er det regnearket, der tager fejl, ikke medarbejderen.
- Folk vil også optimere sig omkring overvågning. Frederick Taylors arbejdere pillede ved hans ure. Moderne medarbejdere bruger musejigglere—og åbenbart endda strategisk placerede ananas. Når målet bliver selve arbejdet, lærer folk at opfylde målet.
- Bevar menneskers mulighed for at tilsidesætte maskinen. En algoritme bør være en hjælp, ikke en usynlig leder. Når medarbejdere ikke kan udfordre automatiserede vurderinger—selv når deres professionelle dømmekraft fortæller dem, at systemet tager fejl—forstærker du ikke ekspertise. Du tilsidesætter den.
- AI-skepsis er ikke nødvendigvis teknologifjendtlighed. Yngre medarbejdere er vokset op omgivet af teknologi og har også set virksomheder indsamle deres data, bryde løfter og omforme deres liv efter forretningsmodeller, de ikke selv har valgt. Ledere bør ikke afvise denne skepsis. De bør gøre sig fortjent til den tillid, de beder om.
- Vid, hvornår du skal trykke på pause. At bevæge sig hurtigst er ikke automatisk det samme som at lede godt. Hvis du ikke forstår konsekvenserne af et AI-system—for medarbejdere, lokalsamfund eller samfundet—kan det være den mere intelligente forretningsbeslutning at sætte tempoet ned.
Kapitler
- 00:00 — Når overvågning bliver til indgribende overvågning
- 02:31 — Hvor går grænsen?
- 04:58 — Panoptikon på arbejdet
- 07:33 — Sporing af medarbejdernes følelser
- 09:43 — Hvad data ikke kan måle
- 11:54 — Prisen for konstant overvågning
- 15:00 — Information kontra forståelse
- 17:33 — Fremkomsten af overvågning på arbejdspladsen
- 21:08 — At snyde systemet
- 23:57 — Hvad algoritmer ikke kan se
- 27:12 — Tillid kræver usikkerhed
- 28:27 — AI som usynlig leder
- 31:12 — AI’s etik
- 34:04 — Gen Z’s skepsis over for AI
- 37:12 — Algoritmer kontra menneskelig dømmekraft
- 40:21 — Støtte til medarbejdere gennem AI
- 45:07 — Hvad er virksomheder til for?
- 47:02 — At vide, hvornår man skal sætte tempoet ned
Mød vores gæst
Lynn Parramore er seniorforskningsanalytiker og direktør for særlige projekter ved Institute for New Economic Thinking (INET), hvor hun undersøger forbindelserne mellem økonomi, historie, kultur og psykologi. Som kulturhistoriker, forfatter og journalist omsætter hun kompleks økonomisk forskning til tilgængelige fortællinger om ulighed, virksomheders magt, arbejde og økonomisk retfærdighed. Lynn har en ph.d. fra New York University og er forfatter til At læse sfinksen samt medredaktør af Hvordan Occupy-bevægelsen forandrer Amerika. Hendes kommentarer og tekster er blevet bragt i en række større medier, hvor hun bidrager med et tværfagligt perspektiv til debatten om økonomien og dens indvirkning på hverdagslivet.
Relaterede links:
- Bliv en del af People Managing People-fællesskabet
- Tilmeld dig nyhedsbrevet for at få vores seneste artikler og podcasts
- Få kontakt med Lynn på LinkedIn
- Se Lynns bog — At læse sfinksen: Det gamle Egypten i litteraturkulturen i det nittende århundrede
Relaterede artikler og podcasts:
Denne episode handler om, hvad AI-baseret overvågning på arbejdspladsen ikke kan måle: tillid, dømmekraft, kontekst, kreativitet, moralsk mod og menneskelighed. Samtalen undersøger grænsen mellem legitim monitorering og overvågning, hvordan konstant kontrol kan svække tilliden, og hvorfor ledere skal forholde sig filosofisk og etisk til brugen af AI på arbejdspladsen.
