Løbende feedback om præstationer lyder transformerende, indtil man ser, hvordan virksomheder bruger det
Fordel ved AI: AI-baseret feedback kan give indsigt i realtid og reducere de skævheder, der ses i traditionelle evalueringer.
Datakvalitet: Mange organisationer kæmper med utilstrækkelige, forældede eller inkonsistente data, der påvirker kvaliteten af feedbacken.
Tillidsproblemer: Gennemsigtighed i AI-genereret feedback er afgørende; oplysning om brugen påvirker medarbejdernes tillid og feedbackens effektivitet.
Implementeringskløft: Der er en voksende afkobling mellem AIs potentielle fordele og den praktiske anvendelse af teknologien i organisationer.
Feedbacksløjfer: Ineffektive feedbacksløjfer kan forkorte evalueringscyklusserne, men løser ikke problemerne ved årlige evalueringer.
Kontinuerlig performancefeedback, som er en central del af performanceledelse i realtid, er på kortere tid end de fleste andre praksisser inden for personaleledelse i nyere tid gået fra at være et ønske på konferencer til at blive rullet ud i virksomheder, hvor AI i stigende grad driver disse systemer.
Budskabet er ens på tværs af leverandører: input i realtid, mindre bias til fordel for de seneste hændelser og feedback, der ikke formes af, hvordan en leder tilfældigvis havde det en given eftermiddag.
Medarbejdere har længe sagt, at de ønsker hyppigere og mere specifikke input, end årlige evalueringer giver. AI-understøttede systemer er udviklet præcis til dette, men afstanden mellem løftet og implementeringen bliver sværere at ignorere.
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
Problemet med lederens blåstempling
Ledere godkender AI-genererede opsummeringer uden at undersøge de modeller, der har produceret dem.
Andrew Whyatt-Sames, organisationspsykolog og medstifter af UptakeAI, som arbejder med organisationer, der implementerer AI på tværs af personale- og performanceprocesser, har gentagne gange set dette udspille sig.
Når AI genererer en performanceopsummering, behandler de fleste ledere den som et udkast, der skal godkendes, i stedet for et udgangspunkt, der skal undersøges kritisk.
En linjeleder, der tre måneder inde i en implementering i en virksomhed med 2.000 medarbejdere, sagde til ham: "Der stod 'stærk kommunikator', og det var jeg enig i — alle dataene er der jo, ikke?"
Den underliggende model vægtede mødedeltagelse som en indikator for kommunikation. Det havde ingen fortalt lederne.
En del af problemet er grundlæggende. Systemer til kontinuerlig feedback kræver kontinuerlige data af høj kvalitet. Det har de fleste organisationer ikke.
"Den har kun den kontekst, du giver den," sagde Matt Poepsel, VP for talentoptimering hos The Predictive Index, da vi talte sammen på Transform-konferencen i marts. "Det ville være som at bede en ven om råd om din chef, og vennen sagde: 'Jeg kender ikke rigtig din chef — du bliver nødt til at fortælle mig mere.'"
Medarbejderdata, bemærkede han, var allerede inkonsistente, før AI blev involveret. Jobbeskrivelser hentet fra forældede stillingsopslag, kompetencevurderinger knyttet til krav, der har ændret sig, og adfærdsprofiler, som ledere aldrig havde opbygget, fordi ingen havde lært dem at spørge.
Vi har enorme mængder data. Spørgsmålet er, om det er de rigtige data.
Når de underliggende data er svage, korrigerer kontinuerlig feedback ikke sig selv. Den forstærker problemet med højere frekvens.
Oplysning om brugen af AI er et problem uanset hvad
Der er en tillidsdynamik, som yderligere komplicerer indførelsen. Som vi tidligere har skrevet om, viste en undersøgelse fra 2021, der blev offentliggjort i Strategic Management Journal, at AI-genereret feedback klarer sig bedre end feedback fra menneskelige ledere målt på konkrete resultater, men kun når medarbejderne ikke ved, at den kommer fra en maskine. Når det oplyses, forsvinder performanceforbedringerne.
Kamaria Scott, grundlægger og CEO for Enetic, har oplevet problemet med oplysning om brugen af AI på nært hold.
"Du må bare aldrig lyve om det," sagde hun. "Du skal være transparent."
Ledere, der giver feedback genereret af AI, risikerer, at medarbejderne afviser den, hvis de oplyser, at AI var involveret. De, der ikke gør det, står med et problem omkring oplysning, som typisk dukker op før eller siden.
Det, der står på spil, er ifølge Scott, om disse systemer bruges som et udgangspunkt eller som et slutpunkt.
Vurderingen er ikke det endelige mål. Vurderingen er det, der starter samtalen.
Efter hendes opfattelse er den mest forsvarlige anvendelse af AI i præstationsledelse som et datainput, der åbner en diskussion, ikke som et selvstændigt resumé. "Noget, der siger: 'Dette er et neutralt sted for os at begynde' — det er nyttigt. Men I er nødt til at mødes på midten."
Medarbejderne ved, hvad der måles
Problemet med at manipulere systemet har en tendens til at opstå omkring seks måneder efter en implementering, ifølge Whyatt-Sames.
Medarbejderne lærer, hvad systemet sporer, som regel gennem uformelle kanaler frem for noget officielt, og tilpasser sig derefter. Flere kommentarer ved opfølgninger, flere markerede mål, output, der er læseligt for systemet frem for nyttigt for nogen. En L&D-leder, han arbejdede sammen med, kaldte det "at spille på betjeningspanelet".
Problemet med mængden følger en lignende kurve. Organisationer måler anvendelsen ud fra aktivitetsantal, så tre gange så meget feedback ser ud som en succes.
"Når man reviderer selve feedbacken, falder dens anvendelighed kraftigt," sagde Whyatt-Sames. "Den bliver kortere, mere skematisk og koncentreret om det, systemet belønner."
Vendingen i forholdet mellem signal og støj bliver ofte først synlig, når nogen gennemfører en evaluering, og på det tidspunkt er mønstret veletableret.
Når selve arbejdet deles med en agent
Scott rejste i marts et spørgsmål, som ikke har fået et klart svar: "Hvordan ser præstation ud, hvis folk ikke selv udfører arbejdet, eller hvis agenter udfører halvdelen af arbejdet? Hvordan vil I evaluere min præstation som person for arbejde, jeg ikke længere selv udfører fuldt ud?"
Det er et spørgsmål, som de fleste nuværende implementeringer ikke er designet til at håndtere. De måler stadig den individuelle produktion i en sammenhæng, hvor grænserne for det individuelle bidrag bliver mindre tydelige.
Whyatt-Sames' diagnose af, hvorfor disse problemer fortsætter, forbinder de individuelle fejltilstande.
"Organisationer behandler AI-laget som løsningen og springer forandringsarkitekturen over," sagde han. "Systemet genererer feedbacken; ingen spørger, om feedbacken ændrer adfærden. Det er et problem i implementeringsdesignet, og i de fleste implementeringer er der ingen, hvis job det er at følge det til dørs."
Hvad angår det, der står på spil, udtrykte Poepsel det klart.
"Enhver beslutning om mennesker er en beslutning med store konsekvenser. Vi er nødt til at være omhyggelige med det, så vi kan gå så hurtigt frem, som vi ønsker."
Argumentet for AI-understøttet løbende feedback er stadig intakt. Antagelsen om, at implementering af teknologien løser det ledelsesproblem, den blev udviklet til at løse, er det ikke.
