Tekoälytaitojen palkkapreemion ongelmat: miksi korkeampi palkka tekoälytaidoista voi kostautua
Tekoälytaitojen preemio: Tekoälytaitoja omaavat työntekijät ansaitsevat huomattavasti enemmän, mikä aiheuttaa yrityksille haasteita palkitsemisessa.
Markkinadynamiikka: Nykyiset palkkaerot heijastavat markkinoiden toimintahäiriöitä; tekoälytaitojen kysyntä muuttuu nopeasti.
Kannustinrakenteet: Pysyvien palkankorotusten sijaan yritysten tulisi keskittyä väliaikaisiin kannustimiin taitojen kehittämiseksi.
Strateginen arviointi: Organisaatioiden on ymmärrettävä, mitkä tekoälytaidot ovat todella harvinaisia, jotta ne voivat asettaa asianmukaiset palkitsemisen vertailuarvot.
Kulttuurivaikutus: Tekoälyyn perustuvat palkkaerot voivat synnyttää työpaikalla kaunaa; koulutuksen tulisi olla tasapuolista koko henkilöstölle.
Luvut kertovat selkeän tarinan. Tekoälytaitoja omaavat työntekijät ansaitsevat nyt jopa 56 % enemmän kuin heidän samassa tehtävässä toimivat kollegansa PwC:n maailmanlaajuisen tekoälyn työpaikkabarometrin mukaan. Se on yli kaksinkertainen määrä verrattuna vuoden takaiseen 25 prosentin palkkalisään, ja se pakottaa palkitsemisesta vastaavat johtajat tekemään päätöksiä, joihin he eivät ole valmistautuneet.
Vaistonvarainen ratkaisu on seurata markkinoita. Jos tekoälyä sujuvasti hyödyntävä osaaja vaatii palkkalisää, maksetaan se. Näin syntyy kuitenkin palkitsemisrakenne, joka perustuu jo valmiiksi muuttuvaan pohjaan.
Tänään palkkalisää tuottavat taidot eivät ole huomenna enää harvinaisia, ja organisaatiot, jotka palkitsevat varhaisia omaksujia pysyvillä palkankorotuksilla, rakentavat kustannusrakenteita, joista niiden on myöhemmin vaikea päästä eroon.
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
Tässä ei vastusteta arvokkaista taidoista maksamista. Varoitus koskee sitä, että useimmat yritykset ratkaisevat väärää ongelmaa. Palkitsemisesta vastaavien johtajien kysymys ei ole se, mitä maksaa ihmisille, joilla jo on tekoälytaitoja. Kysymys on siitä, miten kannustimet rakennetaan niin, että ne rohkaisevat kaikkia muitakin kehittämään näitä taitoja.
Markkinat liikkuvat nopeammin kuin palkitsemisfilosofiasi
56 prosentin palkkalisä kertoo markkinoiden toimintahäiriöstä, ei tasapainosta. Kun samassa tehtävässä toimiville maksetaan valtavan erisuuruisia palkkoja pelkästään sen perusteella, käyttääkö joku tekoälytyökaluja, näet niukkuuteen perustuvan hinnoittelun reaaliajassa. Ongelma on, ettei niukkuus kestä ikuisesti.
Otetaan esimerkiksi kehotteiden suunnittelu, taito, josta maksettiin lyhyen aikaa kuusinumeroisia palkkoja. Yritykset, jotka rakensivat palkkatasoja kehotteiden asiantuntemuksen ympärille, huomaavat nyt maksavansa liikaa kyvykkyyksistä, jotka on automatisoitu tai sulautettu osaksi tavanomaisia työnkulkuja. Palkkalisä romahti, koska taidosta tuli yleinen.
Organisaatiot, jotka pitävät tekoälyn sujuvaa hyödyntämistä harvinaisena erikoistumisena, tekevät saman virheen. Ne luovat palkkatasoja tämänhetkisen osaajajakauman perusteella ja huomaavat sitten sitoutuneensa maksamaan palkkalisää taidoista, joista tulee 18 kuukauden kuluessa perustason vaatimuksia.
Markkinasignaalit viittaavat siihen, että tämä kehitys on jo alkamassa. Kehotteiden suunnittelu, taito, josta esimerkiksi Anthropic tarjosi jopa 375 000 dollarin palkkoja vuonna 2023, on kokenut kysynnän dramaattisen supistumisen. Microsoftin 31 000 työntekijää koskevan tutkimuksen mukaan tehtävä on nyt toiseksi viimeisenä niiden tehtävien joukossa, joita yritykset aikovat lisätä. Indeed puolestaan raportoi, että erityisesti kehotteiden suunnittelijoille suunnattuja työpaikkailmoituksia on vain vähän.
Palkkalisä ei kadonnut siksi, että taidosta olisi tullut vähemmän arvokas. Se katosi, koska kaikilla on se nyt.
Taitolisät ja taitokannustimet
Palkitsemisstrategiassa on erotettava kaksi erilaista haastetta: nykyisin niukkaa osaamista tuovien ihmisten palkitseminen ja ihmisten kannustaminen kehittämään kyvykkyyksiä, joita tarvitset huomenna.
Pysyvät palkantarkistukset toimivat ensimmäiseen ongelmaan. Jos palkkaat jonkun, jolla on aidosti erikoistuneita tekoälytaitoja, joiden kehittäminen vie vuosia, maksa hänelle asianmukaisesti. Useimmat yritysrooleissa yleistyvät tekoälykyvykkyydet eivät kuitenkaan noudata tätä kaavaa. Ne ovat opittavia taitoja eivätkä harvinaista asiantuntemusta.
Taitoperusteiset kannustinrakenteet ratkaisevat toisen ongelman paremmin kuin peruspalkan korotukset. Yksi yleistyvä lähestymistapa on tekoälytyökalujen käyttöönottoon ja mitattaviin tuottavuushyötyihin sidotut hankekohtaiset bonukset.
Tiimit, jotka ottavat käyttöön tekoälyä hyödyntäviä työnkulkuja ja osoittavat tehokkuuden parantuneen, saavat neljännesvuosittaisia kannustimia. Maksut eivät ole pysyviä, mutta ne ovat riittävän merkittäviä kannustaakseen käyttäytymisen muuttamiseen.
Tällä rakenteella vältetään taitolisäloukku. Et luo pysyvää palkkatasoa taidoille, joista saattaa tulla tavanomaisia vaatimuksia. Maksat ihmisille siitä, että he etenevät nopeammin kuin muuten etenisivät, ja poistat sitten kannustimen, kun toimintatavasta tulee normaali.
Viitekehys edellyttää selkeyttä siitä, mistä oikeastaan palkitset. Maksatko siitä, että joku osaa käyttää Claudea tai ChatGPT:tä? Se on digitaalisen lukutaidon perustason kysymys, ei palkkalisään oikeuttava taito. Maksatko henkilölle, joka osaa suunnitella työnkulkuja uudelleen tekoälyn kyvykkyyksien ympärille, mitata vaikutuksia ja kouluttaa muita? Siitä kannattaa maksaa eri tavalla.
Todellisten taitolisien tunnistaminen omilla markkinoillasi
Yleiset tekoälytaidot eivät tuota kestäviä palkkalisiä. Sen sijaan tietynlainen toimialatuntemuksen ja tekoälyn sujuvan hyödyntämisen yhdistelmä tuottaa. Haasteena on tunnistaa organisaatiosi kannalta tärkeät yhdistelmät ennen kuin markkinat kertovat niistä pitämisongelmien kautta.
Tekoälytaitojen palkkavertailu edellyttää erilaista tietoa kuin perinteinen tehtävien vertailu. Tehtävänimikkeiden tarkastelun sijaan sinun on ymmärrettävä, mitkä taitoyhdistelmät ovat aidosti harvinaisia.
Taloustehtävien analyytikko, joka käyttää tekoälyä rutiininomaiseen tietotyöhön, ei saa palkkalisää. Taloustehtävien analyytikko, joka käyttää tekoälyä räätälöityjen ennustemallien rakentamiseen ja osaa selittää menetelmän tilintarkastajille, saa.
Osaamisen analytiikka-alustat alkavat tarjota tällaista yksityiskohtaisuutta. Lightcastin ja Revelio Labsin kaltaiset yritykset seuraavat osaamispohjaisia palkitsemistietoja, jotka ulottuvat työnimikkeistä todellisiin kyvykkyysryhmiin. Nämä tiedot paljastavat, missä todellinen niukkuus vallitsee ja missä palkkioita puolestaan ajavat tilapäiset kysynnän ja tarjonnan epätasapainot.
Hyödynnä näitä tietoja strategisten päätösten tekemiseen siitä, missä kannattaa maksaa markkinatasoa enemmän ja missä investoida sen sijaan osaamisen kehittämiseen. Jos palkkio liittyy aidosti harvinaiseen asiantuntemukseen, maksa siitä. Jos se liittyy valmiuksiin, joita voidaan kehittää organisaation sisällä kuudessa kuukaudessa, rakenna osaaminen sen sijaan, että ostaisit sen ulkopuolelta.
Kaunan hinta
Osaamiseen perustuvilla palkkaeroilla on kulttuurisia kustannuksia, jotka eivät näy palkitsemismalleissa. Kun kaksi samankaltaista työtä tekevää henkilöä ansaitsee huomattavan erilaista palkkaa siksi, että toinen käyttää tekoälytyökaluja ja toinen ei, luot edellytykset juuri sellaiselle kitkalle, johon organisaatioilla ei ole varaa muutoksen aikana.
Kauna ei ole järjetöntä. Tavallista palkkaa saavan henkilön näkökulmasta häntä rangaistaan työnantajan epäonnistumisesta tarjota koulutusta tai luoda kannustimia uusien työkalujen käyttöönottoon.
Lisää palkkaa saava henkilö ei välttämättä työskentele ahkerammin tai tuota enemmän arvoa. Hän vain oppi jotain, mitä organisaation olisi pitänyt opettaa kaikille.
Tämä dynamiikka näkyy selvästi myyntiorganisaatioissa, jotka ottivat käyttöön tekoälytyökalujen käytöstä maksettavia lisiä ilman kattavia koulutusohjelmia. Jo tekoälyä käyttäneet huippusuoriutujat saivat merkittäviä palkankorotuksia, kun taas keskitason suoriutujille ei tarjottu pääsyä samoihin työkaluihin tai koulutusta niiden käyttöön.
Tuloksena oli palkkaero, joka tuntui sattumanvaraiselta ja epäoikeudenmukaiselta ja johti juuri niiden henkilöiden lähtemiseen, jotka olisivat voineet hyötyä eniten tekoälyn käyttöönotosta.
Vaihtoehtona on käsitellä tekoälyvalmiuksia organisaation investointina eikä yksilön omaisuutena. Tarjoa koulutusta, järjestä aikaa kokeiluille ja palkitse käyttöönotosta tilapäisillä kannustimilla pysyvien palkkatasojen sijaan.
Tämä lähestymistapa jakaa hyödyt oikeudenmukaisemmin ja estää kaksitasoisen työvoiman syntymisen sen perusteella, kuka sattui oppimaan tekoälytaitoja ensimmäisenä.
Palkitsemisstrategian rakentaminen käyttöönoton, ei hankinnan ympärille
Strateginen kysymys ei ole se, pitäisikö tekoälytaidoista maksaa lisiä. Kysymys on siitä, tukeeko palkitsemisfilosofiasi tarvittavaa muutosta. Jos tavoitteena on saada 80 prosenttia henkilöstöstä käyttämään tekoälytyökaluja tehokkaasti 24 kuukauden kuluessa, pysyvät palkkaerot varhaisten käyttöönottajien hyväksi toimivat tätä tavoitetta vastaan.
Harkitse Netflixin lähestymistapaa. Se maksaa kautta linjan markkinoiden ylintä tasoa ja odottaa kaikkien kehittävän yrityksen tarvitsemia valmiuksia. Tiettyjen työkalujen tai teknologioiden käytöstä ei makseta lisää, koska nämä valmiudet kuuluvat perustason odotuksiin. Palkitsemismalli tukee kulttuuria: ole erinomainen siinä, mitä tarvitsemme, tai työskentele muualla.
Useimmat organisaatiot eivät voi jäljitellä tätä lähestymistapaa sellaisenaan, mutta periaate pätee. Tee tekoälyn sujuvasta hallinnasta osa työn vaatimuksia, tarjoa ihmisille sen kehittämiseen tarvittava tuki ja rakenna kannustimet, jotka palkitsevat käyttöönoton nopeudesta sen sijaan, että loisit pysyviä tasoja sen perusteella, kuka ehti ensimmäisenä.
Tämä edellyttää rehellistä arviota siitä, mitä on todella vaikea oppia. Jos organisaatiosi toimii erityisen teknisen infrastruktuurin varassa ja joku kehittää aitoa asiantuntemusta tekoälyn soveltamisesta kyseisessä ympäristössä, siitä kannattaa maksaa erityisosaamisena.
Jos maksat lisiä ihmisille, jotka suorittivat Courserassa kurssin kehotteiden suunnittelusta, sekoitat uutuusarvon ja arvon keskenään.
Mikä toimii
Organisaatioilla, jotka hoitavat tämän hyvin, on useita yhteisiä piirteitä. Ne ovat:
- Erottaneet tekoälyn perustaidot erityisasiantuntemuksesta.
- Olettavat kaikkien kehittävän roolinsa kannalta olennaisten tekoälytyökalujen perustason osaamista.
- Lisää ei makseta eikä erityistä tunnustusta anneta, vaan kyse on tavanomaisesta työn vaatimuksesta, jonka tueksi tarjotaan koulutusta ja tukea.
Erityisosaamista edellyttävistä sovelluksista palkitaan eri tavalla, mutta rima on korkealla. Sinun on osoitettava mitattava liiketoimintavaikutus, kyky kouluttaa muita tai valmiuksia, joita ei aidosti voida kehittää nopeasti tavanomaisten oppimisohjelmien avulla.
Kannustinrakenteet palkitsevat käyttöönoton nopeudesta, eivät aikaisesta aloittamisesta. Tekoälyn työnkulut aikataulua edellä käyttöön ottavat tiimit saavat bonuksia. Tehokäyttäjiksi kehittyvät ja kollegoitaan työkalujen käyttöönotossa auttavat henkilöt saavat tunnustusbonuksia. Nämä ovat kuitenkin tiettyihin muutostavoitteisiin sidottuja tilapäisiä maksuja, eivät pysyviä muutoksia peruspalkkaukseen.
Lähestymistapa edellyttää läpinäkyvyyttä siitä, miksi lisiä maksetaan ja milloin niiden maksaminen päättyy. Jos maksat jollekin enemmän, koska hänellä on organisaation juuri nyt tarvitsemia taitoja, kerro hänelle, että lisä heijastaa markkinoiden tämänhetkistä osaajapulaa ja sitä tarkistetaan, kun valmiudet yleistyvät. Jos tarjoat käyttöönoton kannustimia, kerro selkeästi, että maksut päättyvät tavoitteiden saavuttamisen jälkeen.
Kaikkein tärkeintä on, että organisaatiot, jotka toimivat näin tehokkaasti, mittaavat, mitä ne todella saavat palkkapreemion vastineeksi. Jos joku, joka ansaitsee 56 % enemmän kuin verrokkinsa, ei tuota mitattavasti parempia tuloksia, palkkapreemio ei ole suoritusten perusteella perusteltu. Kyse on markkinoiden reaktiosta, johon päätätte mukautua ymmärtämättä, luoko se arvoa.
Palkkapreemiota koskevat tiedot heijastavat murroksessa olevia markkinoita. Palkitsemisstrategian tulisi tukea organisaationne muutosta eikä vain heijastaa sitä, mitä työmarkkinoilla sattuu juuri tällä hetkellä tapahtumaan.
