Sådan ændrer agentisk AI onboarding, mentorordninger og fastholdelse

David Rice: Hvad gør disse agenter virkelig agentiske i modsætning til for eksempel et dashboard eller en smart assistent?

Francisco Marin: En agentisk AI venter ikke på, at et menneske stiller et spørgsmål. Den træffer beslutninger i realtid proaktivt eller identificerer indsatser baseret på de universelle målinger, som AI’en har adgang til.

David Rice: Hvordan sikrer man tillid, når AI-agenter igangsætter noget så følsomt som fastholdelse eller mentoring?

Dan George: Vi er nødt til at sikre, at alt agentisk har det rette niveau af samtykke og etisk anvendelse. Man klikker derfor på samtykkeknappen, og når som helst kan man trække sit samtykke tilbage.

David Rice: Hvordan ser succes så ud?

Francisco Marin: Ved en mentorindsats kan man se på besparelser på mellem 20.000 og 30.000 dollars ved at forkorte en nyansats tid til produktivitet med op til 40 %.

David Rice: Velkommen til People Managing People Podcast, programmet hvor vi undersøger den menneskelige side af arbejdslivet, teknologien der påvirker den, og de modige idéer, der kommer til at forme fremtidens personalepraksis. Jeg er jeres vært, David Rice.

Jeg har to gæster med i dag. Francisco Marin er grundlægger og administrerende direktør for Cognitive Talent Solutions. Han er også forfatter til Network-First Manifesto og pioner inden for organisatorisk netværksanalyse. Francisco leder et voksende globalt fællesskab med fokus på, hvordan uformelle netværk og AI-samarbejde kan accelerere onboarding, mentoring og uformel ledelse på tværs af store virksomheder.

Dan George er Chief Experience Officer hos CTS samt grundlægger og administrerende direktør for Piper Key Analytics. Han er en prisvindende ekspert inden for people analytics, arbejdsstyrkeplanlægning og datadrevet HR-transformation. Han har erfaring fra Fortune 100-virksomheder og mellemstore innovative virksomheder, og han har været med til at gentænke HR som en strategisk, analysebaseret funktion. Han er også medlem af vores redaktionelle rådgivningspanel.

I denne samtale vil vi dykke ned i, hvordan AI-agenter og netværksanalyse forvandler HR fra statisk rapportering til handlingsorienterede, autonome arbejdsgange. Francisco deler indsigter fra tidlige pilotprojekter, hvor AI-agenter matcher mentorer og mentees, kortlægger uformel ledelse og accelererer onboarding på tværs af kritiske netværk. Dan gennemgår, hvordan disse agenter kan skalere selve people analytics-funktionen, automatisere indsigter og gøre det muligt for HR-professionelle at fokusere på strategisk arbejde.

Uanset om du leder HR og people operations eller talentstrategi, eller blot ønsker at forstå, hvor den næste frontlinje inden for transformation af arbejdsstyrken bevæger sig hen, er denne samtale for dig. Lad os gå direkte i gang.

Okay! Francisco, Dan — velkommen!

Dan George: Dejligt at være her. Tak.

David Rice: Jeg vil gerne begynde med at tale om den vision, I har for Cognitive Talent Solutions. Hvorfor netop disse otte agenter? Hvilke centrale områder ønskede I at håndtere, når I ser på HR som helhed?

Dan George: Fra vores perspektiv er der mange måder, AI-agenter kan være effektive på inden for HR, men disse otte var nogle af de mest oplagte. Vi kunne ikke alene relativt nemt indsamle samtykke og sikre, at alle involverede parter var villige og i stand til at deltage i processen; de var også blandt de områder, hvor vi kunne spore et konkret investeringsafkast i forhold til deres påvirkning af HR’s samlede drift og endda de nødvendige aspekter ved at være et første generationsresultat.

Vi ønskede altså ikke at gå helt amok, men vi ville naturligvis gerne skabe en effekt, samtidig med at vi vidste, at alt dette med tiden ville udvikle sig. Derfor var disse otte uden sammenligning dem, der gav mest mening.

Francisco Marin: Jeg er helt enig i det, Dan sagde. For at supplere lidt kan vi se, at der allerede er implementeret visse agentiske AI-funktioner til centrale HR-processer som lønadministration og lovgivningsmæssig compliance.

Men vi manglede den generation af anvendelsesområder, der påvirker people analytics, og især dem, der var i tråd med den netværksramme, vi bruger hos CTS. Hvordan kunne de hjælpe os med at gentænke nogle af de centrale processer som forandringsledelse, lederudvikling eller onboarding med fokus på social aktivering?

Så vi valgte denne gruppe på otte. Vi får stor interesse, og vi kan senere tale om onboarding-agenten og mentor-matchingen, men vi følte, at det var en gruppe anvendelsesområder, der afspejlede budskabet om, at dette er den nye måde at bruge agentiske funktioner på i people analytics-branchen som helhed, ud over organisatorisk netværksanalyse.

David Rice: Dan, du nævnte samtykke. Hvordan sikrer I samtykke, tillid og gennemsigtighed, når AI-agenter igangsætter noget så følsomt som en fastholdelsesindsats eller en mentoringforbindelse mellem kolleger?

Dan George: Præcis. Det var en af vores indledende overvejelser: Vi skal sikre, at alt, hvad vi gør agentisk, har det rette niveau af samtykke og etisk anvendelse af disse automatiske processer. En af de bedste måder at gøre det på er, at vores platform naturligvis indsamler oplysninger fra både deltagerne og de øvrige personer i organisationen, herunder tjeneste- og e-maildata. Når agenten ser et bestemt kriterium, kan den udsende en automatiseret e-mail, som kan genereres af en administrator.

Administratorerne kan starte processen eller igangsætte hele forløbet med alle de identificerede parter. Begge parter modtager derefter en e-mail, hvor de klikker på knappen og giver deres samtykke. På den måde har vi informeret begge parter, de har givet samtykke til at starte processen, og når som helst kan de trække deres samtykke tilbage. Så overholder vi ikke kun GDPR, men også de overordnede etiske krav til anvendelsen.

Francisco Marin: Ja, og vi har også haft løbende drøftelser med teamet om alle nuancerne i hvert enkelt anvendelsesområde. I forbindelse med fastholdelse af talenter diskuterede vi for eksempel, om det giver mening at levere disse indsigter på aggregeret niveau. Man kunne sige: »I har et team på 13 personer, som ud fra de signaler, vi ser, har høj risiko for medarbejderafgang, og her er nogle af de handlinger, I kan iværksætte.«

Eller giver det mere mening at gøre det på individniveau og underrette den nærmeste leder? I nogle tilfælde tester vi dette på aggregeret niveau, mens vi i andre gør det på individniveau. Vi ser på den reaktion, vi får fra de første virksomheder, der afprøver dette, og fra medarbejderne selv.

Princippet er virkelig at indbygge fravalgsmekanismer, hvor det er muligt. Hvis du for eksempel identificeres som mentor for en nyansat, skal du give dit samtykke til at deltage i mentorforløbet. Den anden del handler om den nærmeste leders rolle. Skal den nærmeste leder være en gatekeeper, der skal godkende indsatsen, eller skal vedkommende blot informeres om, at muligheden er identificeret, mens mentoren i sidste ende er den person, der skal give samtykke til at deltage?

Det er noget, vi fortsat udvikler, men idéen er at overholde GDPR og andre regler fuldt ud og samtidig indbygge disse mekanismer, hvor det er muligt.

David Rice: Lad os tale lidt om funktionaliteten, for jeg er nysgerrig efter, hvad der gør disse agenter virkelig agentiske, så at sige, i modsætning til for eksempel et dashboard eller en smart assistent eller de ting, man normalt forbinder med generativ AI.

Francisco Marin: Idéen ligger i selve navnet: Agentisk AI har mere handlekraft.

Denne AI venter ikke på, at et menneske analyserer et dashboard eller stiller et spørgsmål, før den grundlæggende identificerer et spørgsmål eller en indsats. Mennesket er stadig nødvendigt for at godkende indsatsen fra platformen, men AI’en overvåger konstant disse signaler og identificerer indsatser i realtid.

Den kan også træffe kontekstbevidste beslutninger. I nogle tilfælde har man et bestemt antal tilgængelige målinger. I andre tilfælde er der andre målinger tilgængelige, som er baseret på de universelle målinger, dataene har adgang til. Inden for rammerne af retrieval-augmented generation træffer den overordnede agentorkestrator med de forskellige anvendelsesområder beslutninger i realtid om, hvordan e-mailnotifikationer skal sammensættes, og hvordan indsatserne skal gennemføres.

Den handlekraft, agenten har, er derfor langt større end for eksempel i en traditionel grænseflade til generativ AI, som dem vi tidligere har bygget på platformen.

David Rice: Du nævnte, at I har nogle pilotprojekter. Hvilke agenter har vist den hurtigste fremdrift eller virkelig vakt interesse hos de mennesker, der bruger dem? Og hvorfor tror du, det er sådan?

Francisco Marin: Det er mentor-matchingen i forbindelse med onboarding. Vil du tage den, Dan?

Dan George: Ja, for det meste. Mentor-matchingen er uden sammenligning en af de løsninger, der har den laveste risiko og færrest problemer. Jeg tror meget på, at man ikke kun skal have én mentor, men flere.

For enhver organisation, der ønsker engagement fra nyansatte, nye ledere eller nye personaleledere, er det vigtigt at have en mentor og kunne matche personen med nogen, der måske ikke er i en direkte linje eller på anden måde er tæt forbundet med vedkommende. Mentoradministratoren forsøger at forstå lidt mere om personen, dennes niveau og ambitioner, afhængigt af hvor dybdegående den aktive ONA-undersøgelse er.

I dette forløb modtager både den potentielle mentee og mentoren samtykke-e-mails. Begge kan svare ja, hvorefter introduktionen begynder, og processen kan gennemføres i stor skala. Det gør mange af disse ting meget nemmere, for jeg har tidligere kørt processen manuelt. Da jeg var HR-direktør, og da jeg havde ansvaret for people analytics i forskellige organisationer, skulle jeg udarbejde lister og sende dem til LNOD eller andre teams for talentengagement.

Når man har det som et automatiseret og godkendt område, hvor en administrator blot kan klikke, bliver processen meget nemmere. Samtidig undgår man kun at vælge de typiske mentorer og mentees, som man altid går til først.

Overordnet er det noget af det nemmeste, mindst risikable og mest effektfulde, en organisation kan gøre for at få stor værdi for pengene. Det er imponerende.

Francisco Marin: Folk kan meget nemt forstå konceptet, fordi alle, der har arbejdet i en stor multinational virksomhed, ved, at det gør en enorm forskel, om den første person, man møder, og som viser en rundt i organisationen, er inspirerende, støttende og engageret, eller om det er en person, der er uengageret og måske selv ønsker at forlade organisationen eller måske er nemmere at få over til en konkurrent.

Det er særligt relevant i dag, fordi mange nyansatte begynder i hybride arbejdsopsætninger uden ansigt-til-ansigt-kontakt med deres team. De starter i organisationer, der gennemgår en reorganisering i realtid. Det er et meget usikkert miljø, hvor det er afgørende at optimere onboardingprocessen og forkorte den nyansattes tid til produktivitet. Det, vi gør her, er at gentænke onboarding som social aktivering.

David Rice: Meget interessant. Jeg kan forestille mig, at det på virksomhedsniveau, især i en multinational virksomhed som du nævnte, og nu hvor mange virksomheder ansætter på tværs af landegrænser, ville være fremragende til at skabe disse forbindelser. Du nævnte, da vi talte sammen før, at disse agenter kan begynde at identificere risiko for udbrændthed.

De kan automatisk forbinde en person med en mentor eller leder. Hvordan ser arbejdsgangen så ud i praksis?

Francisco Marin: Vi kan måske forklare arbejdsgangen for mentor-matchingen, for det er den, der lige nu er operationelt implementeret i flere virksomheder.

Det var den, vi begyndte med. Sådan fungerer den grundlæggende: En nyansat kommer ind i organisationen. AI’en identificerer den person, der er bedst placeret til at være mentor eller introduktionsperson for den nyansatte. Det identificeres ud fra målinger som uformel ledelse, der tidligere er blevet målt gennem organisatorisk netværksanalyse, samt tekniske overvejelser.

Rolle, afdeling, niveau, præstation og antal års erfaring indgår også. Jo flere data man tilfører systemet, desto mere sofistikerede og handlingsorienterede bliver anbefalingerne. Når matchingen er identificeret, vises indsatsen for HR-brugeren på platformen Network Analyzer, hvorefter HR-brugeren skal godkende, at indsatsen begynder.

Derefter kontakter AI’en mentoren for at indhente dennes samtykke til at deltage i initiativet og informerer den nærmeste leder. Det er ikke det samme som at bede den nærmeste leder om tilladelse til, at det sker. Hvis mentoren giver samtykke, sender AI’en en introduktionsmail mellem mentoren og menteen.

Den planlægger et møde, så de kan lære hinanden at kende, dokumenterer derefter, om mødet har fundet sted, og vurderer effekten af indsatsen. Den måler blandt andet de konkrete besparelser ved at forkorte den nyansattes tid til produktivitet. Det er et eksempel på en komplet agentisk AI-arbejdsgang til onboarding med mentor-matchingen.

David Rice: Lad os tale lidt om resultaterne. Hvordan ser succes ud for en af disse agenter? Hvilke signaler eller resultater følger I for at afgøre det?

Dan George: Med hensyn til den samlede effekt bygger vi på den forskning, der længe har eksisteret, og som har identificeret nogle forholdsvis gennemsnitlige investeringsafkast for disse forskellige scenarier.

Når agenterne gennemfører deres opgaver, og de personer, der er blevet matchet, holder deres møder og gennemfører den indledende opsætning, begynder systemet at tælle disse aktiviteter og tildele dem et beløb. Alt dette samles øverst i dashboardet. HR-administratorer eller andre systemadministratorer kan se, hvad det betyder.

Med udgangspunkt i tællingerne kan de naturligvis anvende deres eget investeringsafkast eller ændre det, hvis de vil tilføje eller trække et beløb fra. Overordnet ser vi på en automatiseret arbejdsgang, der tager højde for og forstår, at alt er planlagt, koordineret og gennemført.

Det kan i sig selv spare snesevis eller hundredvis af timer, afhængigt af arbejdsgruppens størrelse og hvor længe processen køres. Alt dette investeringsafkast er samlet dér. Alle målingerne kan vises i forskellige præsentationsformer på dashboardet, så de kan dokumentere effekten på teammøder eller i ledelsesfora.

På den måde samles det hele, så alle forstår omfanget af det, der er blevet gennemført.

Francisco Marin: Jeg vil måske tilføje noget lidt mere specifikt. Ved en mentorindsats kan man se på besparelser på mellem 20.000 og 30.000 dollars ved at forkorte en nyansats tid til produktivitet med op til 40 %.

Det kan implementeres i stor skala for alle nyansatte i organisationen. Lige nu er disse AI-agenter tilgængelige i vores selvbetjeningsplatform Connect Network Analyzer, men vi bevæger os i retning af at integrere dem direkte i platforme som ServiceNow og Google, så vores kunder også kan bruge dem i deres eksisterende IT-infrastruktur.

Det er her, agenterne kan interagere med hele universet af eksempelvis sagsstyringsoplysninger eller HRSD i økosystemet for medarbejderarbejdsgange i ServiceNow. Det er en meget interessant og spændende periode, hvor vi grundlæggende kommer til at opdage nye anvendelsesområder og få masser af feedback.

Vi gør det klar, så vi i sidste ende kan implementere alle otte agenter i stor skala og komme videre end denne indledende pilotfase.

Dan George: Ja, og vi har også fået yderligere interesse fra andre CRM-systemer. Idéen med at tilføje dette som en indbygget app på deres markedspladser er, at det kan strømline den samlede proces og gøre det lettere at bruge teknologien i deres nuværende økosystemer.

David Rice: Forestil dig at have adgang til verdens bedste talenter. Det kan være ingeniøren i São Paulo, salgschefen i Dublin eller den fantastiske designer i Cape Town — din næste store medarbejder kan være hvor som helst i verden. Med Oyster behøver de ikke at være den, der slap væk.

Oyster hjælper virksomheder med at ansætte talenter globalt, køre korrekte og rettidige lønprocesser og overholde reglerne hele vejen. Opbyg dit drømmeteam og voks med tillid, for verden er virkelig din østers.

Jeg forestiller mig naturligvis, at HR viser stor interesse, men du nævnte muligheden for at tale med resten af direktionen og præsentere løsningen for dem. Ser I også stor interesse fra driftsorganisationer og administrerende direktører?

Dan George: Flere og flere af de samtaler, vi har hver uge og hver måned, kommer faktisk fra uden for HR.

Typisk er vi kommet ind via people analytics-professionelle, andre HR-transformationsprofessionelle eller talentledere. Men i stigende grad taler vi med ledere uden for HR-funktionen, fordi de er interesserede i at forstå alle deres medarbejderes kompetencer og netværk.

På den måde kan de accelerere innovation, finde ud af, hvordan de kan samarbejde bedre, forstå deres teams kulturelle dynamik og selv i de enkleste tilfælde forstå, hvem organisationens vigtigste opinionsdannere er. Det kan være personer, man allerede kender, eller personer, man ikke kender, og man kan målrette kommunikationen til disse personer og deres netværk, uanset om de befinder sig midt i organisationen, øverst eller nederst.

Det er ligegyldigt, hvor de er. Der er opinionsdannere overalt i organisationen. At kunne engagere disse personer for at accelerere optagelsen af forandringer er et enormt anvendelsesområde for os.

David Rice: Fra et teknisk perspektiv kan dataene og den infrastruktur, man møder, være lidt forskellig fra organisation til organisation.

Hvilke typer data og infrastruktur skal virksomheder have på plads, før de realistisk kan tage disse agenter i brug?

Francisco Marin: Det er et godt spørgsmål, for adgangsbarriererne er meget lavere, end folk tror. Det gode er, at vi kombinerer aktiv ONA med passiv ONA. Aktiv ONA bygger på onlineundersøgelser, mens passiv ONA ser på aggregerede metadata fra samarbejdsværktøjer som Microsoft, Google, Slack og andre.

Med hensyn til de konkrete målinger har man faktisk kun brug for medarbejderens navn, e-mailadresse, lederens navn og lederens e-mailadresse. Det er stort set det hele for at kunne starte et pilotprojekt. Derefter kan man tilføje afdelinger, divisioner, præstation, engagement, medarbejderafgang, historiske data om medarbejderafgang og meget mere.

Jo mere, desto bedre, men det er netop det gode ved agentisk AI: Den kan træffe kontekstbevidste beslutninger og arbejde med de grundlæggende oplysninger, den har. Hvis AI’en naturligvis ikke ved, hvem din leder er, eller hvad e-mailadressen er, kan den ikke sende oplysninger eller skrive og levere disse notifikationer.

Mange af disse oplysninger findes dog allerede som standard i API’et hos Microsoft eller Google. De data, man har til rådighed som supplement, gør arbejdet bedre.

Dan George: Vi har haft teams, der uploadede meget enkle hierarkiske strukturer, og andre kunder har uploadet to eller tre separate hierarkier, afhængigt af hvordan de ønsker at se deres forskellige organisationer og forstå og følge udviklingen. Vi kan derfor stort set indlæse enhver struktur, der giver mening for dem.

Jeg tror, at det også er styrken ved vores specifikke LLM i bagenden. Hvis vi befinder os i et af de andre leverandørsystemer, kan vi desuden koble os sammen med deres specifikke LLM’er, så vi samlet set har flere LLM’er, der hjælper vores ONA-motor med at analysere disse netværk.

Francisco Marin: Et godt eksempel er, at vi for nylig arbejdede med en virksomhed fra Fortune 5. De havde omkring syv forskellige målinger til at definere deres teams: tilsynsorganisation, funktionelle rapporteringslinjer, direkte rapporter og indirekte rapporter. AI’en var i stand til at forstå alle disse universelle målinger, som vi tilførte, indarbejde dem i anbefalingerne og også give dem videre til prompten sammen med den generative AI-komponent. Det er endnu en funktion, der gør en stor forskel for den måde, kunderne bruger denne type indsigter på.

David Rice: Jeg er nysgerrig, for jeg har set forskning, der tyder på, at især HR-medarbejdere føler, at de måske ikke er kvalificerede til at bruge mange AI-værktøjer. De er måske ikke datafolk. Har I mødt skepsis eller modstand, når I har introduceret agentisk AI i disse traditionelt menneskecentrerede processer, og hvordan har I håndteret det?

Francisco Marin: Min erfaring indtil videre er, at det er meget vel forstået, at AI kommer til at spille en afgørende rolle i fremtidens arbejdsliv. Det er ligegyldigt, om man arbejder med HR, IT eller økonomi; man er nødt til at forholde sig til det og stifte bekendtskab med det, fordi det kommer til at påvirke ens arbejde på kort sigt.

Denne følelse af hastværk mindsker måske modstanden mod at tage teknologien i brug og eksponere sig for denne type løsninger, i hvert fald sammenlignet med tidligere bølger. Da vi for eksempel var blandt de første virksomheder i people analytics-branchen, der integrerede generativ AI i vores løsninger, oplevede jeg nogle virksomheder sige: »Vi elsker teknologien og vil gerne bruge den, men vi er endnu ikke klar til at tilføje den generative AI-komponent.«

De samme virksomheder lancerede dog to måneder senere agentisk AI i hele organisationen og tænkte: »Det her er anderledes.« Nu forstår de det: De er nødt til at være blandt de tidlige brugere, ellers bliver de hægtet af markedet.

Jeg oplever, at holdningen ændrer sig på den måde. Jeg tror også, det skyldes, at AI bliver en stadig vigtigere del af vores dagligdag. For det meste handler det om generativ AI versus agentisk AI, men det har været min erfaring, at modstanden er langt mindre, end jeg forventede.

Dan George: Jeg synes, der er to aspekter i det. For det første har vi designet vores platform til alle professionelle, uanset om de har en omfattende forståelse af den matematiske baggrund for ONA og grafdatabaser. I teorien er det godt at have alle de målinger, man forventer, men det, vi viser tydeligt på platformen og i vores rapporter, er let at forstå.

Det er målrettet personer, der ikke har stor baggrund i ONA, men som forstår netværk og de forbindelser og det samarbejde, der skal fungere i enhver typisk virksomhed. Vi gør det i to lag. Vores generelle rapporter og effektmålinger er meget nemme at forstå, men hvis man vil dykke lidt dybere, er alle oplysningerne også tilgængelige.

Man kan downloade dem til forskellige regneark og på den måde udvide sin nuværende database eller sit HR-datavarehus lige så nemt som ved at uploade et nyt regneark. Det er ligegyldigt, om man arbejder med 300 eller 30.000 personer; det hele kan integreres i systemet.

Der er altså både fokus på ikke-tekniske rapporter og indsigter, samtidig med at alle de matematiske beregninger er tilgængelige. For nylig talte jeg med en kunde, der ønskede at begynde uden generativ og agentisk AI, simpelthen fordi det føltes mere trygt.

Men så snart de blev mere fortrolige med systemet, mulighederne og den måde, deres undersøgelser og resultater blev vist på, sagde de: »Det ville faktisk være rigtig godt at tilføje dette.« Det skyldtes især to ting. For det første foregår det i et miljø, der er adskilt fra deres øvrige store HR-systemer.

De ved derfor, at det ikke er et AI-værktøj, der dækker hele systemet, men kun er begrænset til platformen. Det gør det meget lettere at føle sig tryg ved, at det ikke tilgår noget, det ikke burde. Kunden havde kun sendt os de demografiske oplysninger, som de følte sig trygge ved at dele uden for deres system.

Francisco Marin: Det budskab er afgørende. Når vi taler med HR og andre interessenter, understreger vi virkelig, at de brugere, der har adgang til platformen, har fuld kontrol over, hvordan indsigterne deles på tværs af organisationen. Man kan godkende en indsats eller lade være. Man kan dele et resumé for ledelsen i PDF-format.

Man kan selv tilpasse, hvilke målinger, indsigter og diagrammer der indgår i rapporten. Man kan tilpasse rapportens omfang. Man er altså gatekeeper og beslutter grundlæggende, hvordan oplysningerne deles. Det budskab giver genklang hos mine HR-teams.

David Rice: Jeg forestiller mig, at den tilpasningsmulighed og evnen til at forme oplevelsen efter brugerens niveau er en vigtig faktor for at få folk med.

Det leder mig til mit næste spørgsmål. Det må have taget lang tid at skabe alt dette og udvikle det funktionsniveau, men hvor ser I det bevæge sig hen? Er der agentiske funktioner, som I allerede drømmer om til den næste bølge?

Francisco Marin: Ja.

Dan George: Jeg går først, og jeg ved, at Francisco brænder for det her.

Han har haft en fremragende vision for det i lang tid. Som jeg sagde, har vi nok kendt hinanden i fem eller seks år. Vi mødtes før pandemien og har arbejdet med idéen i lang tid. Jeg ser mange områder, hvor vi ikke alene kan videreudvikle anden generation af de otte agenter, vi har nu, men også gå videre ind på nye områder, efterhånden som folk bliver mere fortrolige med teknologien.

Vi forsøger også at følge tempoet i udviklingen og hele tiden forstå, hvilke tendenser der er mest populære eller har størst effekt på det pågældende tidspunkt. Af konkurrencemæssige årsager vil jeg dog gerne holde nogle af disse idéer lidt tættere ind til kroppen. Overordnet er vi meget begejstrede for ikke bare denne første generation, men også den anden og alle de efterfølgende generationer, vi kan føre ud i livet.

Francisco Marin: For mig er fremtidens organisation et netværk, der drives af agenter. AI-agenter skal kunne gennemføre disse makroindsatser i stor skala. Samtidig ser vi store multinationale virksomheder fungere som inkubatorer for denne nye måde at arbejde på, som vi kalder en netværksbaseret fremtid for arbejdslivet.

Der er også en tendens til, at nye organisationer bliver grundlagt og skalerer ved at integrere disse praksisser fra starten, sådan som vi gør hos CTS. Vi er et team på 50 personer, et meget decentraliseret fællesskab med konsulenter, ambassadører og et kerneteam her i Californien. I sidste ende ønsker vi at skabe et casestudie af, hvordan denne nye arbejdsform ser ud, gennem den måde vi selv driver CTS på.

Vi har endda lanceret et initiativ på personligt plan, ikke fra CTS. For en måned siden lancerede vi Network-First Manifesto, hvor alle, der kan se sig selv i konceptet om en netværksbaseret fremtid for arbejdslivet, kan være med til at udarbejde manifestet og skabe en række principper. Vi samarbejder med meningsdannere som Mike Lorena Andras Seven og andre i branchen.

Lige nu har vi en gruppe på 200 personer, herunder 200 stiftende medlemmer og omkring 80 organisationer. Det skete på bare en måned. Vi afholder ratificeringsarrangementer på næsten 13 lokationer, og derefter annoncerer vi en række næste skridt, som bliver meget spændende.

Det er i virkeligheden derfor, vi gør det: Hvordan kan vi med vores begrænsede kapacitet og indflydelse være med til at føre overgangen fra en hierarkiførst-model til en netværksbaseret fremtid for arbejdslivet an? Når en nyansat begynder i en organisation i det nuværende miljø, er der ofte begrænsninger for, hvor og med hvem man skal arbejde, samt hvornår man skal arbejde.

Det er en model, der i stigende grad er præget af samarbejdskontrol. Det er ikke en model, der skaber en sund balance mellem centralisering og decentralisering eller mellem menneskelig kapital og social kapital. Det, vi forsøger at gøre, er at indlejre disse elementer på et strukturelt niveau, så den person, der slutter sig til en stor organisation, kan få incitamenter og en oplevelse, der minder om det, man får, hvis man slutter sig til en startup i Silicon Valley.

Det er det, det handler om: at skabe en fremtid for arbejdslivet, som vi alle glæder os til og ikke frygter.

David Rice: Det er fantastisk. Jeg elsker Michaels arbejde med netværk. Han har lavet nogle virkelig spændende ting. Dan, Francisco, tak fordi I ville være med i dag. Inden vi slutter, vil jeg gerne give jer mulighed for at fortælle folk, hvor de kan finde mere information om det, I arbejder med, og lære mere om disse agenter.

Francisco Marin: Først og fremmest kan man altid besøge cognitivetalentsolutions.com. Vi har også nyhedsbrevet CTS Running Sites på LinkedIn, hvor man hver uge kan få artikler sendt til sin e-mail. Separat fra CTS har vi også lanceret initiativet Network-First Manifesto på networkfirstmanifesto.com eller networkfirstmanifesto.com/join.

Der kan man læse mere om initiativet. Det er åbent for alle, der ønsker at være en del af det.

David Rice: Okay, tak fordi I ville være med i dag. Det har været en fantastisk samtale.

Dan George: Tak, David.

Francisco Marin: Tak, David.