HR-stakken fik AI, men ingen fik dataene på plads først
De fleste HR-ledere kan fortælle dig præcis, hvilke AI-værktøjer deres organisation bruger. Meget få kan fortælle dig, hvad disse værktøjer gør ved hinanden.
Når AI kommer ind i rekrutteringen, ændrer det måden, kandidater vurderes på. Når AI kommer ind i performanceledelsen, ændrer det, hvordan feedback genereres, og hvem der leverer den. Når AI kommer ind i læring og udvikling, former det, hvilke kompetencer der prioriteres, og for hvem. Det er ikke isolerede begivenheder, men de styres sjældent som sammenhængende processer.
Ledere træffer implementeringsbeslutninger funktion for funktion, og næsten ingen er ansvarlige for, hvad der sker i overgangene.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Personaleteknologiestakken — rekruttering, performance, L&D, personalegoder — bliver eftermonteret med AI én funktion ad gangen, hvor hver implementering håndteres af et andet team med en anden leverandør og et andet sæt mål. Interaktionerne mellem disse systemer bliver sjældent overvåget, og næsten ingen er ansvarlige for, hvad der sker i overgangene. Det er dér, afvigelser ophobes.
Tusind blomster, ingen gartner
Under en paneldebat i sidste uge på Transform i Las Vegas var fokus på, hvad der faktisk ændrer sig, når AI kommer ind i personaleområdet. En tilbagevendende spænding kom til syne: Organisationer eksperimenterer bredt, men styrer snævert.
Jevan Soo Lenox, personalechef i den hurtigt voksende AI-virksomhed WRITER, beskrev det, som mange ledere i stilhed gennemlever.
Vi har befundet os i en verden, hvor vi lod tusind blomster blomstre. Vi prøvede en masse ting, brugte en masse værktøjer og afholdt en hackathon hvert andet kvartal. Det skaber en fantastisk eksperimenteringskultur. Men det er virkelig utilstrækkeligt, hvis man vil opnå et massivt investeringsafkast.
Problemet er ikke eksperimenteringen. Problemet er manglen på indsigt i, hvad der faktisk virker, og hvad der skaber uoverensstemmelser på tværs af organisationen.
Denne uoverensstemmelse er strukturel. Når et AI-værktøj i rekrutteringen scorer kandidater i forhold til en kompetencemodel, og et separat AI-værktøj i performanceledelsen genererer udviklingsanbefalinger ud fra et andet sæt kriterier, mens et tredje værktøj i L&D fremhæver læringsindhold baseret på endnu et datasignal, ender organisationen med tre versioner af, hvad der er godt. Ingen har designet dette resultat. Ingen holder øje med det.
Giovanni Luperti, CEO hos Humaans, som arbejder med virksomhedskunder, der implementerer HR-agenter i stor skala, formulerede den centrale skelnen, der driver mange af disse beslutninger: beslutningsforstærkning versus beslutningserstatning.
Ved gentagne, deterministiske opgaver — koordinering af onboarding, planlægning og besvarelse af spørgsmål om politikker — kan agenter køre processen pålideligt og blive bedre over tid. Men når der er tale om noget, der kræver dømmekraft, skal mennesket forblive involveret, ikke som et gummistempel, men som den faktiske beslutningstager.
“Der er ofte ikke ét rigtigt svar,” sagde Luperti, “og derfor bliver det en form for beslutningsforstærkning.”
Problemet er, at organisationer ikke altid foretager denne skelnen bevidst. AI bliver lagt ind i en arbejdsgang, fordi det er tilgængeligt, fordi en leverandør kom med et overbevisende tilbud, eller fordi et team arbejdede hurtigt.
Tærsklen for hvor meget AI-autonomi der er passende for en given beslutning, bliver fastsat implicit og ikke bevidst. Og når AI berører rekruttering, performance og udvikling på samme tid, begynder disse implicitte tærskler at påvirke hinanden på måder, der er meget vanskelige at kontrollere.
Fundamentet nedenunder
Data-laget gør situationen værre, før det gør den bedre. Lennox var direkte:
Hvis du ikke bygger på en god og konsistent vidensbase, et data-lag, som du kan tilgå og bygge videre på, så vil alt andet bryde sammen.
Personaleområdet har historisk set været et af de dårligste datamiljøer i enhver organisation med fragmenterede systemer, inkonsistente definitioner og mange års manuelle processer. At implementere AI oven på det renser ikke fundamentet. Det skalerer det, der allerede er der.
Kit Krugman, SVP for People og kultur hos Foursquare, var kontant om, hvad situationen faktisk kræver.
Personaleområdet har altid haft en udfordring med at få den strategiske plads ved bordet, og AI er en revolution i det, vi kan opnå. Et orkestreringslag er en af de mest kraftfulde forstyrrelser, vi kommer til at se på området. Men du har brug for, at det grundlæggende operationelle lag passer, så vi er nødt til at gentænke hele driftsmodellen.
Det er den del, de fleste organisationer springer over. De implementerer værktøjer uden at gentænke den driftsmodel, der ligger under dem.
Det orkestreringslag, Krugman beskrev — det, der faktisk skulle koordinere AI-aktiviteten på tværs af medarbejderområdet og synliggøre, hvad systemet samlet set foretager sig — findes endnu ikke i de fleste virksomheder. I stedet består det, der findes, af en samling punktløsninger, som rapporterer til forskellige ledere, kører på forskellige data og optimerer efter forskellige resultater.
Lenox, som har haft fordel af at opbygge en medarbejderfunktion fra bunden i stedet for at tilpasse en eksisterende hos Writer, beskrev sin tilgang til rolleudformning i den sammenhæng.
Den tålmodighed — beslutningen om at standse op, kortlægge det faktiske behov og derefter bygge hen imod det — er præcis det, de fleste organisationer ikke har råd til at springe over, når de implementerer AI på tværs af forbundne funktioner.
At handle målrettet betyder noget specifikt her: at identificere, hvor AI kan skabe et målbart resultat, bygge på et rent datalag og etablere styring, før man skalerer. De fleste organisationer springer denne rækkefølge over, ikke fordi de ikke ved bedre, men fordi værktøjerne er tilgængelige nok til, at presset for at handle hurtigt opvejer disciplinen til at handle velovervejet.
Resultatet er et medarbejderteknologistak, der ser moderne ud udefra, men er inkonsekvent i sin kerne. Når AI samtidig kommer med anbefalinger på tværs af rekruttering, præstation og udvikling, uden en fælles logik og uden nogen, der overvåger samspillet, fejler systemet ikke på åbenlyse måder. Det bevæger sig langsomt i en retning, som ingen har valgt.
