Overdragelsen mellem mennesker og AI er mere kompliceret, end virksomheder tror

David Rice: De fleste samtaler om AI i virksomheder begynder med det samme spørgsmål: Hvad kan vi automatisere? Men det er det forkerte sted at starte. I dagens udsendelse taler jeg med Paula Goldman, Chief Ethical and Humane Use Officer hos Salesforce, om forskellen mellem at designe til automatisering og at designe til samarbejde mellem mennesker og AI.

Det er ikke det samme. Automatisering spørger, hvilke trin man kan fjerne. Samarbejde spørger, hvad arbejdet kan blive til nu, hvor mennesker har fået en ny mulighed til rådighed. Overdragelsen mellem AI og mennesker er heller ikke så tydelig, som vi gerne vil lade som om. Når kunder er vrede, vil de tale med et menneske. Når de er flove, foretrækker de ofte AI.

Generelle antagelser om, hvor denne grænse går, kommer til at koste organisationer tillid på måder, som er svære at genoprette. Paulas centrale argument er, at efterhånden som AI bliver mere kraftfuld, bliver dømmekraft og relationsopbygning vigtigere, ikke mindre. Produktivitet er et mellemresultat. Det mere interessante spørgsmål er, hvad man gør med den kapacitet, teknologien skaber.

Så i dag taler vi om, hvorfor en start med automatisering får ledere til at overse, hvordan menneskeligt arbejde skaber værdi, hvordan man kan tænke over overdragelsen mellem AI og mennesker i sine specifikke anvendelser, hvorfor alle medarbejdere nu bliver bedt om at håndtere AI med den samme mangel på oplæring, som ledere tidligere fik, og hvordan design til menneskelig trivsel ser ud i praksis.

Jeg hedder David Rice. Dette er People Managing People, og hvis din AI-strategi er organiseret omkring, hvad du kan automatisere, frem for hvad arbejdet kan blive til, vil denne samtale ændre hele din måde at se spørgsmålet på. Lad os komme i gang.

Mød Teamflect, den bedst bedømte platform til performance management og medarbejderengagement, udviklet til Microsoft Teams.

Over tusind organisationer har tillid til os. En brugervenlig løsning i virksomhedsklasse. Besøg Teamflect.com for at få mere at vide.

Paula, velkommen til dagens udsendelse.

Paula Goldman: Tak, fordi jeg måtte komme.

David Rice: Jeg vil gerne begynde samtalen omkring det faktum, at en stor del af samtalen om AI i virksomheder stadig begynder med en eller anden version af: "Hvad kan vi automatisere?"

Du argumenterer for, at det grundlæggende er to forskellige ting at designe til automatisering og at designe til samarbejde mellem mennesker og AI. Hvis vi begynder med automatisering som målet, hvad får det så ledere til at overse ved menneskeligt arbejde og den måde, det skaber værdi på?

Paula Goldman: Tak. Jeg synes, du formulerede spørgsmålet virkelig godt, og jeg tror, der er flere dele i det.

Den ene handler om forskellen mellem et transformerende resultat og et mindre effektiviseringsløft. Vi er nødt til at spørge: "Hvad gør AI muligt for vores virksomheder? Hvordan kan vi glæde vores kunder, medarbejdere og så videre endnu mere?" Men på et mere grundlæggende niveau handler spørgsmålet også om at erkende, hvor menneskelig interaktion er afgørende for et resultats succes.

Hvor forbindelsen mellem den person, der tager telefonen, og den person, der ringer ind, for eksempel kan gøre forskellen mellem en meget skuffet kunde og en begejstret kunde, eller hvor menneskelig coaching af en medarbejder kan gøre forskellen mellem motivation og udvikling og det modsatte.

Jeg tror, vi har undervurderet betydningen af det voldsomt. AI er så kraftfuld, og der er så meget, vi kan gøre med den. Men det rigtige spørgsmål er: Hvordan får vi mennesker og AI til at arbejde godt sammen, så vi opnår ansvarlige og markant bedre resultater, i stedet for blot at spørge, hvor vi kan indsætte AI?

David Rice: En del af problemet er nogle gange, at effektivitet og værdi har tendens til at være næsten synonyme i vores bevidsthed. Men en arbejdsgang kan blive dramatisk mere effektiv og samtidig blive dårligere til at skabe det, der betyder noget: tillid, læring, kreativitet og dømmekraft. Automatisering behandler ofte den eksisterende arbejdsgang som analyseenheden.

Hvilke trin kan vi fjerne? Samarbejde stiller efter min mening et andet spørgsmål: "Hvad kan denne arbejdsgang blive til nu, hvor mennesker har fået en ny form for kapacitet til rådighed?"

Paula Goldman: Det sagde du meget præcist.

David Rice: Jeg tror, det er særligt relevant for HR-direktører, fordi en økonomidirektør vil se, at tyve procent af kapaciteten bliver frigivet.

HR er nødt til at spørge, hvad der sker med jobekspertisen og det organisatoriske system omkring den kapacitet. Det er en af de store ting, vi er nødt til at forholde os til lige nu. Du har talt om at designe overdragelsen mellem AI og mennesker. Men grænsen er ikke så enkel som, at AI håndterer rutinearbejde, og mennesker håndterer komplekst arbejde.

Vi siger det, men jeg tror ikke, det er så enkelt. Nogle mennesker foretrækker faktisk AI til meget følsomme interaktioner, mens andre tilsyneladende enkle øjeblikke i høj grad afhænger af menneskelig kontakt. Hvordan mener du, at organisationer bør afgøre, hvor grænsen går, i stedet for at træffe generelle antagelser om det?

Paula Goldman: Det er ikke sådan, at den almindelige tommelfingerregel om at lade AI håndtere rutinen og mennesker håndtere det komplekse er forkert. Det er faktisk et ganske godt udgangspunkt. Men når man begynder at se på de enkelte anvendelser, bliver det meget interessant.

Tag for eksempel kundeservice. Hvis AI aldrig har set et spørgsmål før og ikke har data om svaret, bør den sandsynligvis ikke håndtere det. Men der findes også andre tommelfingerregler. Hvis noget er stærkt reguleret, som for eksempel skatterådgivning til små virksomheder, vil man gerne have, at et menneske håndterer det.

Men hvis man begynder at tænke på kundernes følelser og den følelsesmæssige forbindelse, bliver det virkelig interessant. Mange undersøgelser og meget data viser, at kunder, der er vrede, som regel gerne vil tale med en person. Når de er flove, for eksempel på grund af en medicinsk tilstand eller noget, de ikke ønsker at føle sig dømt for, er der en svag præference for AI.

Det er derfor meget vigtigt at forstå disse tendenser og præferencer: Hvor vil folk tale med mennesker, og hvor vil de ikke? Når man tænker på kundeservice, handler det ikke kun om effektivitet. Det er her, man beholder sin kunde eller mister kunden.

Man får ikke mange chancer for det. Derfor tror jeg, at vi kun lige er begyndt at forstå, hvordan samarbejde fungerer i praksis, og at det er afgørende at være opmærksom på den menneskelige side.

David Rice: Måske er forskellen ikke så enkel som, at noget er simpelt eller komplekst. Måske handler det i stedet om, hvad folk ønsker fra interaktionen.

Når de er vrede, vil de tale med et menneske. Hvis de føler flovhed eller frygter at blive dømt, kan AI føles lidt psykologisk tryggere end en person. Det antyder, at organisationer har brug for brugerundersøgelser, ikke kun proceskortlægning, før de beslutter, hvor mennesker hører til.

Grænsen er heller ikke permanent. Folk vil måske først ønske bekræftelse fra et menneske og senere blive trygge ved AI, eller det modsatte kan ske. Vi bruger måske opgavens kompleksitet som stedfortræder for, hvor mennesker skaber værdi. Tror du, at den følelsesmæssige konsekvens faktisk er en bedre variabel?

Paula Goldman: Jeg synes, begge variabler er meget vigtige, og organisationer ignorerer sandsynligvis den menneskelige forbindelsesside på egen risiko.

Begge dele er værdifuldt at tage med i overvejelserne. Du har også ret i, at tingene vil ændre sig. Med tiden bliver folk måske mere vant til at interagere med AI, og AI bliver naturligvis bedre og mere kraftfuld. Men det kan også ske, at mennesker kommer til at værdsætte menneskelig kontakt endnu mere.

Når forbrugere og medarbejdere bruger AI mere og bruger den til at filtrere det, der kommer ind, som markedsføringsbudskaber og så videre, får vi færre og færre menneskelige kontaktpunkter. Derfor kommer de til at betyde meget mere.

Det er svært at forudsige, hvordan det hele kommer til at udvikle sig, men efter at have skrevet bogen er jeg meget overbevist om, at vi undervurderer betydningen af den menneskelige side af interaktionen.

David Rice: Du fortalte mig en god historie, da vi talte sammen før udsendelsen, om socialarbejdere, der modsatte sig et AI-værktøj, som skulle spare dem for turen tilbage til kontoret efter feltbesøg. Ledelsen så turen som ineffektivitet.

Medarbejderne så den som det sted, hvor de sammen bearbejdede vanskelige sager. Det føles som en større læring for HR-direktører. Hvordan skelner man mellem spild og de tilsyneladende ineffektive menneskelige interaktioner, der faktisk påvirker tillid, læring, dømmekraft og modstandskraft mest?

Paula Goldman: Det var et godt eksempel på, hvor vigtigt det er virkelig at forstå ritualet omkring arbejdet. Når man tager ud i felten, møder man vanskelige sager. Nogle gange er der ting, man aldrig har set før, og nogle gange har arbejdet en følelsesmæssig belastning. Man vil gerne tilbage og bearbejde og lære sammen, fordi en kollega måske har set noget lignende før.

Det betyder ikke, at AI ikke kan hjælpe med at tage noter eller gennemføre dele af processen. Spørgsmålet er, hvordan man bedst understøtter både effektiviteten og den fælles læring. Det kræver en lille justering af målet: Målet er ikke blot at spare tid, men også at øge læringen i teamet, finde de bedste svar og hjælpe de mennesker, der modtager støtte.

I det tilfælde, jeg fortalte dig om, kom historien fra et byråd i Storbritannien, hvor pilotprojektet blev afvist. En mere menneskecentreret implementering kunne have bevaret både effektiviteten og al den læring, der fulgte med.

David Rice: Vi har i årtier talt om friktion som noget dårligt, der skal fjernes. AI giver os nu en hidtil uset mulighed for faktisk at gøre det.

Men vi kommer til at finde flere eksempler på positiv friktion. Turen tilbage til kontoret så ud som spild af transporttid på et proceskort, men i virkeligheden var den kollegial supervision, mulighed for at koble af sammen og udveksle uformel viden.

Jeg tror, vi kommer til at finde lignende eksempler overalt: yngre medarbejdere, der overhører erfarne kolleger, samtaler efter møder og det at spørge sidemanden, hvordan vedkommende ville håndtere noget. Disse interaktioner er usynlige, men uvurderlige for investeringsafkastet og medarbejderudviklingen.

Paula Goldman: Det er jeg enig i. Hos Salesforce kalder vi det bevidst friktion. AI og teknologi er meget kraftfulde og kan finde svar på mange områder. Men nogle steder er forskellen mellem et vellykket og et mislykket resultat, at et menneske træder ind med sin dømmekraft.

Jeg bruger meget tid på at identificere de øjeblikke, hvor man bør tilskynde nogen til at se en gang til. Det kan være en konsekvensrig beslutning, som AI anbefaler, for eksempel i forbindelse med ansættelsesudvælgelse eller vurdering af en låneansøger, hvor man har brug for menneskeligt tilsyn.

Det kan også være så enkelt som at sikre, at nogen er engageret, fordi det gør en stor forskel. Det skal gøres meget omhyggeligt, men idéen om, at friktion altid er dårlig, er ikke universelt sand. Nogle steder har vi helt klart brug for friktion i systemet.

David Rice: Jeg har hørt nogen kalde det "bærende ineffektivitet", hvilket jeg syntes var en sjov formulering.

Bør det være HR-direktørens opgave at identificere, hvilke ineffektiviteter der faktisk er værdifulde, før AI-transformationen får lov til bare at fjerne dem?

Paula Goldman: HR's rolle er afgørende for at hjælpe alle funktioner i en virksomhed med at bruge AI på en måde, der skaber de bedste resultater. Men ansvaret skal også ligge i de enkelte funktioner, fordi de kender deres områder bedst.

Marketingafdelingen ved for eksempel, hvor smag, dømmekraft og menneskelig autenticitet betyder noget i de budskaber, den skaber, og hvor AI blot kan personalisere et budskab på tyve tusind forskellige måder til tyve tusind kunder.

AI findes nu overalt. Det er ikke længere blot en eller to apps, virksomheden bruger. I Salesforce-sammenhæng er AI dybt integreret i alt, hvad vi gør på tværs af alle funktioner. Derfor har man brug for eksperter i de enkelte funktioner til at afgøre, hvilke anvendelser der er vigtigst, samtidig med at HR sikrer, at menneskelig ekspertise fortsat står centralt.

David Rice: Medarbejdere kan ikke blot være modtagere af AI-transformation. De ved noget om arbejdet, som de mennesker, der designer transformationen, måske ikke ved.

Organisationer kan ikke redesigne alle arbejdsgange gennem udvalg. Hvordan ser meningsfuld medarbejderdeltagelse ud, uden at transformationen bliver så langsom, at ledelsen bliver utilpas?

Paula Goldman: Medarbejdere bør have en plads ved bordet. Historien om socialarbejderne viser, hvorfor det er kontraproduktivt ikke at involvere dem. Der findes måder at gøre det på, som faktisk fremskynder resultaterne og opdager problemer, før de bliver meget store.

Vi afholder for eksempel hackathons, hvor medarbejdere udvikler idéer til brugen af AI. Neurodivergente medarbejdere fandt måder at bruge AI i Slack på, så de ikke blev overvældet af de mange informationsstrømme. Disse idéer blev senere brugt til fokustilstanden i Slack.

Det handler ikke kun om hackathons. Det handler også om at indhente feedback i applikationen, involvere medarbejdere i idéudviklingen om de vigtigste applikationer og lytte til feedbacken. Målet er ikke blot at udrulle AI og sige, at alle skal bruge den, men at forstå, hvordan mennesker faktisk anvender den i deres daglige arbejde for at skabe bedre resultater.

David Rice: Der er en vigtig forskel mellem, at medarbejdere har vetoret, og at de bidrager med designviden. Frontlinjemedarbejdere kender ofte nødløsninger og regler, der ikke fremgår af standardprocedurerne. De har såkaldte skyggearbejdsgange.

Paula Goldman: Netop. Nogle gange kan AI opfange denne tavse viden og gøre den mere tilgængelig. Andre gange findes der viden, som aldrig vil dukke op, fordi den ikke er eksplicit kodificeret. Det kan være at læse rummet eller forstå, hvordan noget har været gjort i årevis. Derfor har man brug for den ekspertise.

David Rice: Jeg ville formulere det mindre som deltagelse og mere som kravindsamling. Folk er mere tilbøjelige til at bruge et system, når de kan genkende deres virkelighed i designet.

Paula Goldman: Det er en fremragende måde at formulere det på.

David Rice: Hvordan skelner man mellem legitim viden fra frontlinjen og modstand, der grundlæggende siger: "Jeg vil ikke have, at mit arbejde ændrer sig"?

Paula Goldman: Det er et meget vigtigt spørgsmål. Vi gennemlever en stor transformation af den måde, vi arbejder på. Forandring er vanskelig, og netop derfor giver det bedre resultater at involvere mennesker og give dem en plads ved bordet.

Vi beder mennesker om at ændre den måde, de arbejder på, og det er let at undervurdere den massive følelsesmæssige kurve, de gennemgår. Man skal lytte til, hvad der bør forblive menneskeligt, og forstå, hvor dømmekraft, relationsopbygning og håndtering af særtilfælde gør en stor forskel.

Når mennesker involveres i designet af, hvordan arbejdet skal se ud, gør det en stor forskel. De skal hjælpes med på rejsen og kunne se, at arbejdet faktisk bliver bedre. Men det er forandringsledelse, og det er vanskeligt.

David Rice: Der er endnu en dimension i samarbejdet mellem mennesker og AI. Hvis vi systematisk overdrager bestemte kognitive opgaver til AI, redesigner vi ikke kun job. Vi kan også være i gang med at redesigne, hvordan mennesker opbygger ekspertise og former det, der kommer ud af arbejdspladsen.

Hvordan bør ledere tænke over, hvad mennesker skal blive ved med at gøre, ikke fordi AI ikke kan gøre det, men fordi det at gøre det er sådan, mennesker udvikler den dømmekraft, de har brug for for at lykkes i deres roller? Der er forskel på, om AI kan udføre en opgave, og om mennesker bør holde op med at udføre den.

Paula Goldman: Det er en meget vigtig forskel. I kundeservice kan forskellen mellem "kan" og "bør" afgøre forskellen mellem succes og fiasko.

Fra et HR-perspektiv kan man tænke på teknologi, der hjælper ledere med at skrive mere grundige performancevurderinger og give mere omfattende feedback. AI kan hjælpe med at indsamle oplysningerne, men lederen skal stadig tage ansvar for vurderingen og levere den, fordi det gør forskellen mellem motivation og det modsatte.

Det er også afgørende at udvikle ekspertise. Derfor ser vi en fornyet interesse for lærlingeordninger, oplæring og kompetencer. Om fem eller ti år vil spørgsmålet måske se anderledes ud. Da regnearket kom frem, var der bekymring for, at mennesker ville miste ekspertise i beregninger. Man har stadig brug for at kende det grundlæggende, men man lærer at kontrollere resultaterne og forstå, hvad man kan stole på.

Der opstår også nye roller, hvor man lærer det grundlæggende ved at føre tilsyn med AI. Man lærer virksomheden at kende ved at se, hvor AI fungerer, hvor den ikke fungerer, og hvordan den kan forbedres.

David Rice: Nogle opgaver skal måske med vilje forblive menneskelige som træningsopgaver, selv om AI kan udføre dem hurtigere. Det skaber dog et økonomisk spørgsmål, fordi økonomidirektøren kan spørge: "Hvem betaler for den udviklingsmæssige ineffektivitet?"

Paula Goldman: Det er den forkerte måde at indramme effektivitet på. Vi taler om, at mennesker lærer at håndtere AI-systemer. Man foretager en massiv investering i AI, så man bør have mennesker, der både kender virksomheden og kan vurdere, hvilke opgaver der skal delegeres til AI, og hvilke der ikke skal.

Det er ikke ineffektivitet. Det er en forudsætning for at få investeringen til at lykkes.

David Rice: Mange AI-forretningscases er gode til at opgøre, hvad der forsvinder: sparede timer, automatiserede opgaver og frigivet kapacitet. De er dårligere til at måle, hvad der måske forsvinder sammen med det: tavs viden, relationer, dømmekraft, mentoring og de uformelle øjeblikke, hvor mennesker sammen skaber mening i vanskeligt arbejde.

Undervurderer vores nuværende definition af AI-afkast systematisk den menneskelige side af arbejdet?

Paula Goldman: Den er under forandring, men ja. Derfor ser vi en tendens til at måle AI-afkast på resultater i stedet for kun på sparede timer. Hvor mange kundehenvendelser blev faktisk løst? Blev medarbejdernes kompetencer forbedret? Blev kvaliteten af juridiske dokumenter bedre?

Når man bruger mere helhedsorienterede målepunkter, medregner man både det, AI kan, det, AI ikke kan, hvor der er brug for mennesker i processen, og hvor der er brug for menneskelig dømmekraft og læring.

Jeg tror, vi ender med at måle mere helhedsorienterede forretningsresultater. Det vil føre til bedre investeringer i teknologi og en klarere plan for, hvordan menneskers job kan udvikle sig på en spændende og styrkende måde.

David Rice: Fordelene kan måles med det samme, mens omkostningerne ved svagere dømmekraft måske først kan opdages et eller to år senere. Fordelen bogføres nu, mens omkostningen ved mistet kapacitet udskydes. Det betyder, at vi må måle anderledes.

Paula Goldman: Det samme gælder kundetilfredshed. AI kan besvare alle kundernes spørgsmål, men det betyder ikke nødvendigvis, at kunden gennemfører købet eller er tilfreds med servicen. Man skal måle på den rigtige måde og finde balancen mellem, hvor mennesker skal træde ind, og hvorfor det betyder noget.

David Rice: Hvad ville du konkret måle, hvis du ville vise de langsigtede virkninger af en stor AI-transformation?

Paula Goldman: Fra et kundeperspektiv bør man måle sparede timer, kundetilfredshed, kundeafgang og hvor mange kunder der konverterer fra salgsindsatsen, uanset om den er understøttet af AI eller ej. Det er ikke nye målinger. Det er helhedsorienterede måder, vi allerede måler vores forretning på.

Man bør bruge en blanding af strategier. Kunden skal kunne stille ethvert spørgsmål om produktet på hjemmesiden og få et svar. En enkel transaktion kan gennemføres online, mens en vanskeligere sag kan eskaleres til en person, der kan afslutte handlen og hjælpe kunden med at omformulere problemet.

Vi har ikke nødvendigvis brug for nye målepunkter. Vi skal blot anvende dem og gøre det med omtanke.

David Rice: Du sagde tidligere noget, jeg virkelig kunne lide: "Teknologi er kraftfuld, men den er ikke hovedpersonen. Det er vi." Hvis vi tager det alvorligt, kan målet med AI-transformation ikke blot være at gøre mennesker mere produktive. Hvad bør organisationer ønske, at mennesker bliver bedre til, efterhånden som maskinerne bliver mere kapable?

Paula Goldman: Jeg skrev en bog, fordi mange kloge mennesker var nervøse og spurgte, om de stadig betød noget, og om mennesker var ved at blive overflødige. Men mine observationer viste det modsatte. Efterhånden som AI bliver mere kraftfuld, bliver dømmekraft og relationsopbygning vigtigere.

Vi bliver alle ledere af AI. Vi bliver forstærkede, og for at kunne fungere sådan skal vi forstå, hvad teknologien er god og dårlig til, og vide, hvornår vi skal træde ind.

Det handler ikke om at bygge en hurtigere hest. Det handler om at forestille sig, hvad der bliver muligt, når AI kan personalisere interaktioner i enorm skala, besvare kundernes første spørgsmål eller give medarbejderne alle de oplysninger, de har brug for om deres personalegoder.

Det bliver grundlæggende forventninger. Det vigtige er at have mennesker, der ved, hvordan de kan udnytte effektiviteten og derefter gøre noget bedre for kunder og medarbejdere. Derfor er det vigtigt, at mennesker ikke blot er fortrolige med AI, men også får mulighed for at bruge deres dømmekraft og tænke nyt.

Det er det øjeblik, vi står i: ikke en hurtigere hest, men en gentænkt virksomhed.

David Rice: Jeg hører flere ledere blive opmærksomme på, at dette er et organisatorisk designvalg og ikke blot en uundgåelig konsekvens af, at teknologien kommer ind på arbejdspladsen. Produktivitet er et mellemresultat, men ikke det endelige mål. Det mere interessante spørgsmål er, hvad vi gør med den kapacitet, teknologien skaber.

Paula Goldman: Det er præcis rigtigt. Produktivitet er meget vigtig, men man har brug for mennesker, der fører tilsyn med AI og forstår grænserne for, hvor AI bør træde ind, og hvor mennesker bør gøre det. Man har også brug for mennesker, der kan gentænke ting og holde kunder og medarbejdere i centrum. Det er de virksomheder, jeg tror kommer til at vinde.

David Rice: Job bliver redesignet, og ledere er et godt eksempel. Hvis AI fjerner rapportering og administrativt arbejde, ønsker man måske noget andet af lederen: at vedkommende bliver en bedre coach og får mere ud af sine direkte medarbejdere.

Paula Goldman: Vi beder nu næsten alle medarbejdere om at håndtere AI, ofte med lige så lidt oplæring, som ledere tidligere fik. Det er en af mine motivationer for at skrive bogen.

En leder hjalp mig engang med at udvikle en bogidé ved stille at give næring til min fantasi, sende podcasts og nyhedsartikler og vise, at idéen var vigtig. Ingen bad mig skrive bogen. Den opstod gennem inspiration og forbindelse, som blev næret af mennesker i mit fællesskab.

Det er den slags, vi ikke må miste, når AI bliver mere kraftfuld. Vi skal ikke blot bevare det, men designe det ind i arbejdet og gøre det mere udbredt. Det er den mulighed, der begejstrer mig.

David Rice: Paula, det var en fantastisk samtale. Tak, fordi du gav os noget af din tid i dag.

Paula Goldman: Tak, fordi jeg måtte være med, og tak for de gode spørgsmål. Jeg nød det.

David Rice: Lyttere, hvis I ikke allerede har gjort det, bør I gå over og tjekke vores AI Signal. Hver uge laver vi en ledelsesbriefing med den ene ting, du skal tænke over i denne uge, hvad enten det er et opmærksomhedspunkt, et spørgsmål til dit næste ledermøde eller et værktøj til at vurdere det arbejde, der foregår lige nu.

Husk at tilmelde dig. Indtil næste gang: Tænk på mulighederne. Vi gentænker arbejdet her.

Gennemfør performancevurderinger, og få indsigt i medarbejderengagement ind i dit foretrukne AI-værktøj. Forbind Teamflect med ChatGPT, Claude eller en hvilken som helst stor sprogmodel for at kontrollere mål, skrive vurderinger, evaluere feedback, oprette opgaver og meget mere – alt sammen gennem en enkel chat. Prøv Teamflect gratis nu.