Tekoäly suorituksen johtamisessa: sovellukset & käyttöönotto-opas

• Generatiivinen tekoäly (LLMs): Luo olemassa olevien tietojen pohjalta sisältöä, kuten suorituskykyarviointien luonnoksia, tavoiteyhteenvetoja ja kehittymissuunnitelmia. Säästää aikaa, mutta edellyttää ihmisen valvontaa tarkkuuden ja sävyn varmistamiseksi.
• Koneoppiminen & ennakoiva analytiikka: Analysoi malleja suorituskyvyn kehityssuuntien ennustamiseksi, osaamisvajeiden tunnistamiseksi tai mahdollisten henkilöstön pysyvyyteen liittyvien riskien havaitsemiseksi. Tehokas suunnittelussa, mutta ongelmallinen, jos sitä käytetään mekaanisesti.
• Automaatio & työnkulun työkalut: Hoitavat toistuvia tehtäviä, kuten arviointien aikatauluttamista, muistutusten lähettämistä ja palautteen kokoamista. Vapauttavat aikaa merkitykselliseen ihmisten väliseen vuorovaikutukseen.
• Luonnollisen kielen käsittely: Tulkkaa palautteista, kyselyistä ja suorituskykymuistiinpanoista poimittua tekstiä teemojen ja sävyn tunnistamiseksi. Hyödyllinen analyysissä, mutta sen kyky ymmärtää asiayhteyksiä ja vivahteita on rajallinen.

Vastuullisuuden kysymys: tehokkuus vai inhimillisyys?

Tässä on suorituskyvyn hallinnassa käytettävän tekoälyn ydinjännite: samat työkalut, jotka voivat auttaa esihenkilöitä käymään parempia keskusteluja, voivat myös mahdollistaa valvonnan, vahvistaa ennakkoluuloja ja pelkistää ihmiset datapisteiksi.

Useimmat tekoälytoteutukset optimoidaan yhden kahdesta tavoitteesta saavuttamiseksi:

• Tehokkuuslähtöinen lähestymistapa: Nopeammat arvioinnit, automatisoitu palaute ja ennakoiva pisteytys. Painopiste on läpimenossa eli toisin sanoen siinä, että suorituskyvyn hallinta saadaan "hoidettua" pienemmällä ajan ja vaivan käytöllä. Tässä lähestymistavassa tekoäly nähdään keinona laajentaa esihenkilötyön huomiota ilman lisähenkilöstöä.
• Vastuullisuuteen perustuva lähestymistapa: Parempi ymmärrys, yksilöllinen kehittyminen ja ennakoiva tuki. Painopiste on tekoälyn hyödyntämisessä ihmisten voimavarojen vapauttamiseksi suorituskyvyn hallinnan tärkeimpiin osa-alueisiin, kuten asiayhteyden ymmärtämiseen, luottamuksen rakentamiseen ja monimutkaisuuden käsittelyyn.

Tämä ero vaikuttaa siihen, millaisia työkaluja valitset, miten otat ne käyttöön, mitä mittaat ja viime kädessä siihen, parantaako tekoäly työsuhdetta vai rapauttaako se sitä.

HR-johtajina teitä pyydetään tekemään näitä valintoja nyt, usein toimittajien luvatessa molemmat tulokset samanaikaisesti. Todellisuudessa teidän on valittava. Optimoitteko liiketoiminnan tehokkuutta vai ihmisten kehittymistä? Vastauksen tulisi ohjata jokaista tekemäänne tekoälypäätöstä.

Kysymyksiä ennen tekoälyn käyttöönottoa

Ennen minkään tekoälyä hyödyntävän suorituskyvyn hallintatyökalun käyttöönottoa kysy:

1. Lisääkö tämä läpinäkyvyyttä vai hämärtääkö se päätöksentekoa? Voivatko työntekijät nähdä, miten tekoäly toimii ja mitä tietoja se käyttää? Vai luoko se mustan laatikon, jonka taakse esihenkilöt voivat piiloutua?
2. Antaako se työntekijöille vaikutusmahdollisuuksia vai valvooko se heitä vain paremmin? Voivatko ihmiset käyttää näitä näkemyksiä omaan kehittymiseensä? Vai onko kyse ensisijaisesti johdon valvontatyökalusta?
3. Puuttuuko se järjestelmätason ongelmiin vai automatisoiko se olemassa olevia ennakkoluuloja? Jos nykyisessä suorituskykyjärjestelmässäsi on ennakkoluuloihin liittyviä ongelmia, kyseisellä aineistolla koulutettu tekoäly voimistaa niitä. Korjaatko perustan vai rakennatko vain nopeammin rikkinäiselle pohjalle?
4. Missä ihmisen harkinta on edelleen välttämätöntä? Suorituskyvyn hallintaan kuuluu asiayhteyden ymmärtäminen, vaikeissa olosuhteissa tehdyn työn tunnistaminen ja järjestelmätason esteiden huomioiminen. Mitkä prosessisi osat edellyttävät sellaista inhimillistä viisautta, jota tekoäly ei pysty jäljittelemään?
5. Mitä tapahtuu, kun tekoäly on väärässä? Koska niin tulee tapahtumaan. Onko sinulla prosesseja virheiden havaitsemiseksi, suositusten ohittamiseksi ja työntekijöiden suojaamiseksi algoritmien virheiltä?

Jos et pysty vastaamaan näihin kysymyksiin selkeästi, et ole valmis ottamaan työkalua käyttöön.

Tapaustutkimukset

Tekoäly saattaa olla monille meistä uusi työkalu, mutta HR-tiimit ja yritykset hyödyntävät sitä jo. Tarkastellaan, mitä organisaatiot todella tekevät tekoälyn avulla suorituskyvyn hallinnassa – mukaan lukien se, mitä ne eivät kerro lehdistötiedotteissa.

Tapaustutkimus: IBM ennustaa tulevaa suorituskykyä tekoälyn avulla

Tarina: IBM käytti Watson Analyticsia ennustaakseen työntekijöiden tulevaa suoriutumista 96 prosentin tarkkuudella ja yhdisti nämä ennusteet palkitsemis- ja ylennyspäätöksiin.

Näin se tehtiin: He analysoivat työntekijäkokemuksia, projektitietoja ja osaamisen kehitysmalleja ennustaakseen tulevaa suoriutumista sen sijaan, että olisivat luottaneet yksinomaan aiempiin saavutuksiin.

Vaikutus: IBM saavutti korkean ennustetarkkuuden ja siirsi painopisteen historiallisesta suoriutumisesta tulevaisuuden potentiaaliin, mikä tuki strategisia henkilöstöpäätöksiä.

Kysymykset: Tuo 96 prosentin tarkkuusluku on vaikuttava, mutta entä ne 4 prosenttia, joiden kohdalla ennuste meni väärin? Jos kuulut tähän ryhmään ja palkkasi kärsii, koska algoritmi teki virheen, onko kokonaistarkkuudella merkitystä? Ja mitä tapahtuu, kun työntekijät saavat tietää, että heidän tulevaisuutensa määritetään algoritmisesti? Luoko se paineen pelata järjestelmää—ottaa vastaan näkyviä projekteja ja vältellä tarpeellista mutta vähemmän hohdokasta työtä?

IBM:n tapaus havainnollistaa tekoälyn potentiaalia strategisessa henkilöstösuunnittelussa. Se paljastaa myös niiden ennakoivien järjestelmien eettisen monimutkaisuuden, joita käytetään ihmisten toimeentuloon vaikuttaviin päätöksiin.

Tapaustutkimus: Microsoft yhdistää tekoälyn suoriutumisen arviointeihin

Tarina: Microsoft teki tekoälytyökalujen (kuten GitHub Copilotin) käytöstä pakollista ja sisällytti sen suoriutumisen arviointeihin edistääkseen käyttöönottoa koko organisaatiossa.

Näin se tehtiin: Johto julkaisi sisäisen muistion, jossa korostettiin tekoälyn käyttöönottoa, ja esihenkilöitä ohjattiin arvioimaan tekoälyn käyttöä osana suoriutumisen mittareita.

Vaikutus: Microsoft lisäsi tekoälytyökalujen sisäistä käyttöönottoa ja vahvisti, että tekoälyn hallinta on nyt yksi suoriutumisodotuksista.

Kysymykset: Tekoälyn käytön tekeminen pakolliseksi ja sen liittäminen suoriutumisen arviointeihin on aggressiivinen ja paljastava ratkaisu. Se edistää käyttöönottoa, mutta millä hinnalla? Entä työntekijät, joilla on perusteltuja huolia tekoälytyökaluista—olivatpa ne eettisiä, käytännöllisiä tai mieltymyksiin liittyviä?

Tässä lähestymistavassa tekoälyn käyttöönottoa pidetään itsessään hyvänä asiana sen sijaan, että sen hyödyllisyyttä arvioitaisiin tilanteen mukaan. Se on optimointiajattelua: "Tarvitsemme ihmisiä käyttämään näitä työkaluja, joten mittaamme heidän toimintaansa ja johdamme heidät noudattamaan vaatimuksia." Huolehtiva lähestymistapa kysyisi: "Missä nämä työkalut todella auttavat ihmisiä tekemään työnsä paremmin, ja miten tuemme käyttöönottoa näissä tilanteissa?"

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Get Free Access

Have an account? Log In

Tapaustutkimus: Johnson & Johnson täyttää osaamisaukkoja tekoälyn avulla

Tarina: J&J otti käyttöön tekoälypohjaisen osaamiskartoituksen työvoiman kyvykkyyksien ja kehitystarpeiden tunnistamiseksi, mikä johti vapaaehtoiseen oppimistoimintaan osallistumisen 20 prosentin kasvuun.

Näin se tehtiin: He loivat osaamistaksonomian, keräsivät työntekijätietoja ja käyttivät koneoppimista osaamistasojen epäsuoraan arviointiin sekä kehityksen suunnittelun ohjaamiseen.

Vaikutus: Strateginen työvoimasuunnittelu parani, osaamisaukkoja tunnistettiin ja jatkuvan oppimisen kulttuuria vahvistettiin.

Kysymykset: Tämä on yksi harkituimmista sovelluksista—tekoälyä käytetään auttamaan ihmisiä ymmärtämään omia kehitystarpeitaan sen sijaan, että ne ainoastaan ilmoitettaisiin johdolle. Oppimisen 20 prosentin kasvu viittaa siihen, että ratkaisu puhutteli työntekijöitä.

Osaamistaksonomioilla on kuitenkin rajoituksensa. Ne kuvaavat asioita, jotka on helppo luokitella ja mitata, eivätkä välttämättä sitä, mikä on tärkeintä. Tunnistaako järjestelmä, kun joku kehittää keskeisiä vuorovaikutustaitoja, kartuttaa organisaation tietämystä tai tekee näkymätöntä työtä, joka ei vastaa muodollisia pätevyyksiä?

Vaarana on, että "osaamiseksi" määritellään se, mitä tekoäly pystyy mittaamaan, ja kaikki muu muuttuu näkymättömäksi, vaikka se olisi arvokkaampaa.

Tapaustutkimus: worxogo kehittää suoriutumistottumuksia tekoälyvalmennuksen avulla

Tarina: worxogo Nudge Coach hyödyntää käyttäytymistieteitä ja tekoälyä auttaakseen asiakasrajapinnan tiimejä kehittämään huippusuoritukseen johtavia tapoja sen sijaan, että se vain seuraisi niiden mittareita. Sitä käytetään yli 30 vakuutusyhtiössä ja Fortune 100 -yrityksissä, ja sen painopiste on työntekijöiden valmentamisessa kehittymään heidän valvontansa sijaan.

Näin se tehtiin: Järjestelmä integroidaan CRM- ja puhelinjärjestelmäalustoihin (Salesforce, Genesys, Microsoft Dynamics), jotta se voi tarjota yksilöllisiä "tönäisyjä" henkilökohtaisten käyttäytymismallien perusteella.

Sen sijaan, että esihenkilöille näytettäisiin vain viiveellisiä mittareita sisältäviä koontinäyttöjä, järjestelmä nostaa esiin ne, jotka tarvitsevat tukea, ja ehdottaa erityisiä valmennustoimia. Käyttöönottoon kuuluu, että asiakasrajapinnan johto määrittelee, miltä "hyvä" näyttää, mikä synnyttää sitoutumista alusta lähtien. Ensimmäisinä viikkoina keskitytään luottamuksen rakentamiseen vahvistamalla tietojen ja valmennusta koskevien oivallusten paikkansapitävyys ennen käyttäytymisen muuttamiseen siirtymistä.

Vaikutus: Tiimit saavuttivat 13–20 prosentin tuottavuusparannuksia, työntekijöiden luotettavuus parani 11 prosenttia, jonotusajat lyhenivät 10 prosenttia ja puhelun jälkeinen työ väheni 15 prosenttia. Tyypillinen ROI on 3–8-kertainen; käyttöönotot valmistuvat 4–6 viikossa, mutta kestävien tulosten saavuttaminen edellyttää 8–10 kuukautta.

Kysymykset: Tämä on jälleen yksi harkittu sovellus, koska siinä käsitellään suoraan "tekoäly korvaa meidät" -ahdistusta, joka aiheuttaa vastarintaa muissa toteutuksissa. Asettamalla tekoälyn esimiehen sijaan tukihenkilöksi ja ottamalla etulinjan johtajat mukaan menestyksen mittareiden määrittelyyn he ovat suunnitelleet ratkaisun, joka perustuu sitoutumiseen eikä sääntöjen noudattamiseen.

Mutta edes tämä lähestymistapa ei tee käyttöönotosta helppoa. Yritys myöntää, että muutosjohtaminen on "jatkuva prosessi" ja että kestävien tulosten saavuttaminen vie 8–10 kuukautta.

Suurempi kysymys liittyy jatkuvaan läsnäoloon. Jopa hyödyllinen tekoälyvalmentaja seuraa sinua jatkuvasti, analysoi käyttäytymistäsi ja ohjaa sinua päivän aikana. Joillekin se on tukea. Toisille se on uuvuttavaa. "Valmennuksen" ja "valvonnan" välinen raja saattaa riippua enemmän työntekijän kokemuksesta kuin toimittajan tarkoitusperistä.

Myös tietoriippuvuus on yksi haaste. Järjestelmä on "täysin riippuvainen" hallintajärjestelmien tarkoista ja ajantasaisista tiedoista. Jos tietojesi laatu on heikko, valmennat ihmisiä virheelliseen tietoon perustuen, mikä voi heikentää luottamusta nopeammin kuin se parantaa suorituskykyä.

Tapaustutkimus: Lunar automatisoi raporttien laatimisen laadusta tinkimättä

Tarina: Raportointianalytiikkaan erikoistunut Lunar otti käyttöön tekoälyn ratkaistakseen hallitsemattomaksi kasvaneen kuukausittaisen raportointisyklin, jossa analyytikot käyttivät 4–5 tuntia asiakasraporttia kohden tietojen keräämiseen, kommenttien kirjoittamiseen ja toistuvien virheiden korjaamiseen. Viisitoista prosenttia raporteista vaati uudelleentyöstöä ennen niiden toimittamista asiakkaille.

Näin se toteutettiin: He rakensivat työnkulun käyttäen OpenAI API:a, joka koulutettiin heidän raportointityylillään, asiayhteydellään ja aiemmilla havainnoillaan. Tekoäly tuottaa ensimmäiset luonnokset, joissa se tiivistää suorituskyvyn, nostaa esiin poikkeamat ja tarkistaa epäjohdonmukaisuudet.

Analyytikot soveltavat sen jälkeen omaa harkintaansa, lisäävät vivahteita ja korjaavat kaiken, mikä ei vaikuta oikealta. Käyttöönotto vaati kuuden viikon koulutuksen, työnkulun uudelleensuunnittelun ja vuosien aikana kertyneiden sekavien historiatietojen puhdistamisen.

Vaikutus: Raporttien tuotantoaika lyheni 55 prosenttia, ja useimpien raporttien laatimiseen kului nyt noin kaksi tuntia. Virheiden määrä laski 15 prosentista 4 prosenttiin. Ylemmän tason tarkistuksiin käytetty aika puolittui lähes johdonmukaisempien kommenttien ja muotoilun ansiosta. Prosessi kesti kolme kuukautta pilottivaiheesta skaalautuvaan käyttöönottoon.

Kysymykset: Tämä on suoraviivainen esimerkki siitä, missä tekoäly on aidosti hyvä: toistuvien ja jäsenneltyjen tehtävien hoitamisessa, jotka kuluttavat ihmisten kapasiteettia. Kuten toimitusjohtaja Dominic Bonaker toteaa: "Tavoitteena ei koskaan ollut täysi automaatio, vaan johdonmukaisuus ja nopeus laadusta tinkimättä."

Tämän toteutuksen toimivuuden takaa ihminen mukana -suunnittelu. Analyytikot vastaavat edelleen lopputuloksesta. He korjaavat sen, mitä Bonaker kutsuu tekoälyn "itsevarmaksi hölynpölyksi" – tilanteita, joissa malli tuottaa uskottavalta kuulostavaa mutta epätarkkaa sisältöä. Tekoäly tarjoaa nopeutta ja johdonmukaisuutta, kun taas ihmiset tuovat tarkkuuden ja harkinnan.

Haasteet olivat ennakoitavissa: analyytikoiden alun vastarinta työpaikkojen säilymiseen liittyvien huolien vuoksi, arkaluonteisten tietojen vaatimien vaatimustenmukaisuustarkistusten tarve sekä sekavien historiatietojen puhdistamisen vaativa työ. Kuten Bonaker toteaa: "Tekoäly puolitti raportointiin käytetyn ajan ja paransi tarkkuutta, mutta vain siksi, että ihmiset ohjasivat sitä, kyseenalaistivat sen ja pitivät lopputuloksen hallinnassaan."

Mitä nämä tapaukset paljastavat

Nämä organisaatiot käyttävät tekoälyä edistyneesti, mutta ne paljastavat erilaisia näkemyksiä siitä, mitä tekoälyn pitäisi saavuttaa suorituskyvyn hallinnassa.

IBM, Microsoft ja J&J edustavat vallitsevaa mallia: tekoälyä liiketoiminnan optimointivälineenä, jonka painopisteitä ovat ennustaminen, vaatimustenmukaisuus ja tehokkuus. worxogo ja Lunar edustavat erilaisia lähestymistapoja: tekoälyä kehityksen välineenä (worxogon tapojen muodostaminen ja valmennus) sekä tekoälyä hallinnollisen tehokkuuden välineenä, joka vapauttaa ihmiset arvokkaampaan työhön (Lunarin raporttien laatiminen). Molemmissa asetetaan ihmisen valvonta nimenomaisesti etusijalle ja käsitellään yleisiä käyttöönoton haasteita rehellisesti.

Mutta näilläkin harkitummilla toteutuksilla on rajoituksensa. worxogon esimerkki sisältää edelleen jatkuvaa seurantaa ja vaatii 8–10 kuukauden kärsivällisyyttä. Lunarin menestys riippuu siitä, että analyytikot korjaavat aktiivisesti tekoälyn virheitä ja säilyttävät hallinnan. Kumpikaan ratkaisu ei ole vaivaton, ja molemmat vaativat jatkuvaa sitoutumista.

Laajempi kokonaiskuva on selvä: suurinta osaa suorituskyvyn hallinnan tekoälystä käytetään ensisijaisesti organisaation tehokkuuden parantamiseen, ei ihmisten kehittämiseen. Siinä ei ole itsessään mitään väärää, mutta jos olet henkilöstöhallinnon johtaja, joka uskoo roolinsa olevan ihmisten auttaminen teknologisessa muutoksessa, sinun on nähtävä selkeästi, mitä tapahtuu, ja toimittava tarkoituksellisesti vastustaaksesi kehitystä tarvittaessa.

Tekoälyn yleiset sovellukset ja käyttötapaukset suorituskyvyn hallinnassa

Suorituskyvyn hallinta on monivaiheinen prosessi, joka kattaa kaiken tavoitteiden asettamisesta edistymisen seurantaan ja palautteen antamiseen. Hallittavaa on paljon, mutta juuri siinä tekoäly voi saada aikaan todellisen muutoksen.

Automatisoimalla suorituskyvyn hallinnan tehtäviä ja tarjoamalla näkemyksiä tekoäly auttaa sinua ja tiimiäsi keskittymään siihen, mikä todella merkitsee – osaamisen kehittämiseen ja tulosten saavuttamiseen.

Alla oleva taulukko yhdistää tekoälyn yleisimmät sovellukset suorituskyvyn hallinnan elinkaaren keskeisiin vaiheisiin:

Suorituskyvyn hallinnan vaihe	AI-sovellus	AI:n käyttötapaus	Siirry toteutusoppaaseen
Tavoitteiden asettaminen ja OKR:t	Suunnitelmista laadittavat OKR-luonnokset	Laadi strategia-asiakirjojen ja viime vuosineljänneksen mittareiden pohjalta luonnokset vuosineljänneksen OKR-tavoitteista.	Siirry oppaaseen
	KR-laaduntarkistin	Arvioi ja muotoile keskeiset tulokset uudelleen täsmällisiksi ja mitattaviksi ennen niiden julkaisemista.	Siirry oppaaseen
	Tavoitteiden kalibrointi	Suosittele realistisia ja kunnianhimoisia KR-tavoitteita trendien ja kapasiteettisignaalien perusteella.	Siirry oppaaseen
Seurantakeskustelut	Automaattinen 1:1-kokousten asialistan laatija	Koosta viikoittaisten 1:1-kokousten asialistat tavoitteista, työlogeista ja esteistä.	Siirry oppaaseen
	1:1-yhteenveto ja toimenpiteet	Kirjaa, tiivistä ja ohjaa toimenpiteet heti kokouksen jälkeen.	Siirry oppaaseen
	Toimenpiteiden toteutumista tukeva muistutusmoottori	Muistuttaa omistajia ennakoivasti, kun seurantakeskustelut tai päivitykset viivästyvät, ja tarjoaa asiayhteyden.	Siirry oppaaseen
Palaute	Jatkuva mikropalaute	Kerää kevyttä, jatkuvaa aktiivisiin tavoitteisiin liittyvää palautetta ilman kyselyväsymystä.	Siirry oppaaseen
	Palautteen vinouma- ja sävysuodatin	Muotoile palaute lennossa uudelleen käyttäytymiseen perustuviksi ja vinoumat huomioiviksi lausumiksi.	Siirry oppaaseen
	Vertaisarvioijien suosittelija 360-arviointeihin	Ehdota parhaat vertaiset palautteen pyytämiseen yhteistyöverkostojen perusteella.	Siirry oppaaseen
Suorituskykyarvioinnit	Arviointiluonnosten laatija	Laadi työntekijän ja esihenkilön arviointiluonnokset vuoden aikana kertyneen näytön ja saavutusten perusteella.	Siirry oppaaseen
	Kalibrointivalmentaja	Tunnista arviointien hajonta ja poikkeamat tiimien välillä ja valmistele keskustelunaiheet.	Siirry oppaaseen
	Arviointisyklin koordinoija	Koordinoi arviointien aikataulut, muistutukset ja eskaloinnit, jotta kaikki saadaan valmiiksi.	Siirry oppaaseen
Suorituskyvyn seuranta	KR-päivitysten automatisointi	Päivitä KR-tavoitteiden edistyminen automaattisesti tuomalla mittarit lähdejärjestelmistä.	Siirry oppaaseen
	Ennakoivien indikaattorien etsijä	Tunnista KR-tavoitteiden onnistumiseen liittyvät varhaiset signaalit ja ilmoita niistä omistajille.	Siirry oppaaseen
Palkitseminen ja ylennykset	Ylennysvalmiuden signaali	Arvioi ylennysvalmius läpinäkyvien näyttökoosteiden avulla.	Siirry oppaaseen
	Palkitsemissuositusten avustaja	Ehdota suoritustasoihin, budjettiin ja tasa-arvon reunaehtoihin sopivia ansio- ja bonusvälejä.	Siirry oppaaseen
	Kertabonuksen käynnistin	Tunnista erinomaiset saavutukset ja ohjaa kertapalkkioehdotukset hyväksyttäväksi.	Siirry oppaaseen

Hyödyt, riskit ja haasteet

Seuraavassa osiossa käyn läpi käytännön ohjeita siitä, miten tekoälyn hyötyjä voidaan hyödyntää samalla, kun sen haasteisiin ja riskeihin varaudutaan, jotta sinä ja tiimisi voitte tehdä tietoon perustuvia päätöksiä.

Miten esihenkilöt hyötyvät tekoälystä suorituskyvyn hallinnassa

Tekoäly voi mullistaa suorituskyvyn hallinnan tekemällä siitä tehokkaampaa ja oivaltavampaa. Se tarjoaa esihenkilöille monenlaisia hyötyjä ja voi auttaa sinua ja tiimiäsi kehittämään tapaa, jolla työntekijöiden kehittymistä tuetaan.

• Kaavojen tunnistaminen, joita ihmiset eivät huomaa: Koneoppiminen voi auttaa esihenkilöitä havaitsemaan varhaisia merkkejä sitoutumisen puutteesta ja loppuunpalamisesta sekä osaamisvajeita, jotka eivät välttämättä ole ilmeisiä ennen kuin niistä tulee ongelmia. Näin voit tarjota ennakoivampaa tukea.
• Yksilölliset kehittymissuunnitelmat: Tekoälyn avulla esihenkilöt voivat laatia jokaiselle alaiselle räätälöidyn kehittymissuunnitelman ja ottaa huomioon kunkin tiimin jäsenen ainutlaatuiset vahvuudet ja kehitysalueet. Tämä voi johtaa parempaan sitoutumiseen ja parempiin suoritustuloksiin.
• Hallinnollisen taakan vähentäminen: Tekoälyn avulla esihenkilöt voivat automatisoida aikataulutusta, lähettää muistutuksia, koota palautetta ja laatia suoritusarviointien yhteenvetoja. Näin säästyy todellista aikaa, jonka voit käyttää merkityksellisiin keskusteluihin paperitöiden sijaan.
• Ennakoivat näkemykset: Tekoäly voi ennustaa kehityssuuntia ja mahdollisia haasteita, mikä auttaa esihenkilöitä puuttumaan ongelmiin ennakoivasti ennen niiden pahenemista. Tästä voi olla korvaamatonta hyötyä korkean suorituskyvyn tiimin ylläpitämisessä.

Tekoälyn riskit suorituskyvyn hallinnassa (ja strategiat niiden lieventämiseksi)

Tekoälyn käytössä suorituskyvyn hallinnassa on ratkaisevan tärkeää punnita riskejä hyötyjen rinnalla. Näiden riskien ymmärtäminen voi auttaa meitä ottamaan tekoälyn käyttöön vastuullisemmin ja tehokkaammin.

• Yksityisyyteen liittyvät huolet: Tekoälyjärjestelmät voivat kerätä ja analysoida valtavia määriä tietoa, mikä voi joskus johtaa yksityisyyden loukkauksiin. Jos esimerkiksi työntekijöiden tietoja ei suojata asianmukaisesti, ne voivat joutua luvattomien käyttäjien nähtäviksi. Tämän riskin lieventämiseksi varmista, että käytössä on tehokas tietojen salaus ja tiukat käyttöoikeuksien hallintatoimet
• Valvonnan aiheuttama ahdistus: Kun työntekijät tietävät tekoälyn seuraavan tuottavuutta, analysoivan viestintämalleja ja ennustavan heidän suoriutumistaan, se muuttaa käyttäytymistä – eikä aina tuottavalla tavalla. Ihmiset optimoivat toimintaansa mitattavien asioiden perusteella, vaikka ne eivät todellisuudessa olisi tärkeimpiä.
• Algoritmien vinoumat: Tekoäly voi tahattomasti ylläpitää tai jopa vahvistaa olemassa olevia ennakkoluuloja, jos sen kouluttamiseen käytetty data on vinoutunutta. Esimerkiksi rekrytointiin käytettävä tekoäly voi suosia tiettyihin väestöryhmiin kuuluvia ehdokkaita. Säännölliset tarkastukset ja monipuoliset koulutusaineistot voivat auttaa minimoimaan tätä riskiä.
• Läpinäkymätön päätöksenteko: Monet tekoälyjärjestelmät ovat läpinäkymättömiä jopa niitä käyttäville ihmisille. Kun työntekijä kysyy, miksi hän sai tietyn arvosanan tai miksi häntä ei ylennetty, ja esihenkilö vetoaa algoritmiin, palautesykli, joka tekee suorituskyvyn hallinnasta kehittävää, katkeaa perustavanlaatuisesti.
• Inhimillisen kosketuksen menettäminen: Liiallinen tukeutuminen tekoälyyn voi vähentää ihmisten välistä vuorovaikutusta, joka on olennaista työntekijöiden yksilöllisten piirteiden ymmärtämisessä. Esimerkiksi automatisoidusta palautteesta voi puuttua empatiaa. Tekoälyn ja ihmisen valvonnan tasapainottaminen varmistaa, että henkilökohtaiset yhteydet säilyvät vahvoina.
• Korkeat käyttöönottokustannukset: Tekoälyteknologioiden käyttöönotto voi olla kallista sekä alkuinvestoinnin että jatkuvan ylläpidon osalta. Yritys voi huomata budjettinsa joutuvan koetukselle odottamattomien kustannusten vuoksi. Vaiheittainen käyttöönottotapa voi jakaa kustannuksia ajallisesti ja mahdollistaa mukautukset.
• Integraatiohaasteet: Tekoälyjärjestelmät eivät välttämättä integroidu saumattomasti olemassa oleviin työkaluihin, mikä aiheuttaa häiriöitä. Kuvittele uuden tekoälytyökalun olevan ristiriidassa nykyisten ohjelmistojen kanssa, mikä johtaa tietosiiloihin. Perusteellinen testaus ja vaiheittainen käyttöönotto voivat helpottaa integraatioon liittyviä ongelmia.

Tekoälyn haasteet suorituskyvyn hallinnassa

Tekoälyllä on paljon potentiaalia suorituskyvyn hallinnassa, mutta siihen liittyy myös haasteita. Organisaatioiden on oltava tietoisia näistä haasteista voidakseen käsitellä niitä tehokkaasti.

• Osaamisvajeet: Tekoälyn käyttöönotto edellyttää tiettyä teknisen osaamisen tasoa. Monilta tiimeiltä saattavat puuttua tarvittavat taidot tekoälytyökalujen tehokkaaseen hallintaan, mikä voi johtaa niiden vähäiseen hyödyntämiseen tai käyttöönotto-ongelmiin.
• Muutosvastarinta: Ihmiset voivat suhtautua uusiin teknologioihin varauksellisesti, etenkin kun niiden käyttöönotto edellyttää vakiintuneiden työnkulkujen muuttamista. Tämä työntekijöiden muutosvastarinta voi hidastaa tekoälyn käyttöönottoa ja rajoittaa sen mahdollisia hyötyjä.
• Järjestelmien integrointi: Tekoälytyökalujen on toimittava yhdessä olemassa olevien järjestelmien kanssa. Integraatiohaasteet voivat aiheuttaa häiriöitä ja tehottomuutta, turhauttaa tiimejä ja viivästyttää edistymistä.
• Inhimillisen elementin säilyttäminen: Tekoälyn tulisi täydentää ihmisen harkintaa, ei korvata sitä. Automatisoinnin tasapainottaminen työntekijöiden arvostaman henkilökohtaisen otteen kanssa voi olla haastavaa, mutta se on menestyksen kannalta välttämätöntä.

Miten työntekijät kokevat tekoälyä hyödyntävän suorituskyvyn hallinnan

Kun tekoäly otetaan käyttöön hyvin, se voi tukea jatkuvampaa suorituskyvyn hallintaa ja muuttaa tapaa, jolla työntekijät saavat palautetta, asettavat tavoitteita ja seuraavat edistymistään vuoden aikana. Työntekijät voivat odottaa seuraavaa:

• Jatkuva palaute: Vuosittaisten arviointien odottamisen sijaan työntekijät saavat useammin palautetta ja käynnissä olevaan työhön perustuvia näkemyksiä suoriutumisesta, mikä helpottaa muutosten tekemistä ennen kuin pienet ongelmat kasvavat suuremmiksi.
• Yksilöllinen kehittyminen: Oppimissuositukset mukautetaan kunkin työntekijän taitoihin, tavoitteisiin ja suoriutumisen kehityssuuntiin. Tämä auttaa keskittymään kehittymismahdollisuuksiin, jotka ovat urakehityksen kannalta merkityksellisimpiä.
• Selkeämmät odotukset: Tavoitteiden seuranta antaa työntekijöille paremman näkyvyyden prioriteetteihin, edistymiseen ja onnistumisen mittareihin, mikä vähentää epävarmuutta siitä, miltä hyvä suoriutuminen näyttää.
• Oikeudenmukaisemmat arvioinnit: Yhdenmukaiset kriteerit auttavat vähentämään esihenkilöiden välisiä subjektiivisia eroja hyödyntämällä standardoituja suoriutumistietoja arviointien ja ylennyspäätösten tukena.
• Varhaisempi valmennus: Riskien havaitseminen tunnistaa malleja, jotka voivat viitata suoriutumisen heikkenemiseen tai sitoutumisen vähenemiseen, ja antaa esihenkilöille mahdollisuuden tarjota tukea ennen ongelmien pahenemista.
• Panoksen tunnistaminen: Suoriutumisen näkyvyys tuo esiin saavutuksia, jotka muuten saattaisivat jäädä huomaamatta, erityisesti etätyötä tekevien tai useissa tiimeissä työskentelevien työntekijöiden kohdalla.
• Merkityksellisemmät keskustelut: Esihenkilöiden tapaamiset siirtyvät aiemman suoriutumisen tarkastelusta valmennukseen, urasuunnitteluun ja onnistumisen esteiden poistamiseen, koska olennaiset tiedot ovat jo saatavilla.
• Suurempi läpinäkyvyys: Pääsy tietoihin antaa työntekijöille mahdollisuuden nähdä tiedot, jotka vaikuttavat heidän arviointeihinsa. Tämä tekee suoriutumista koskevista keskusteluista objektiivisempia ja auttaa rakentamaan luottamusta prosessiin.

Tekoäly suorituskyvyn hallinnan työkaluissa ja ohjelmistoissa

Tekoälyä hyödyntävät suorituskyvyn hallinnan työkalut ja ohjelmistot tarjoavat älykkäämpiä ja yksilöllisempiä kokemuksia kuin perinteiset suorituskyvyn hallinnan työkalut. Tekoälytyökalut eivät enää vain seuraa mittareita, vaan tarjoavat näkemyksiä, jotka voivat muuttaa tapaa, jolla hallitset tiimiäsi.

Alla on joitakin suosituimpia tekoälyä hyödyntäviä suorituskyvyn hallinnan työkaluja ja ohjelmistoja:

Clicks on the links below may earn a commission, which supports our independent testing and review of software and services. Learn more about how we stay transparent.

1. 1. Deel HR — Paras tekoälypohjaisiin maailmanlaajuisiin suorituskyvyn arviointeihin
2. 2. Rippling — Paras HR-integraatioihin
3. 3. Factorial — Paras automatisoituihin suorituskykyprosesseihin
4. 4. PerformYard — Paras mukautettaviin arviointeihin
5. 5. Effy AI — Paras tekoälypohjaisiin kysymysmalleihin
6. 6. Betterworks — Paras tekoälyä hyödyntäviin tavoitteisiin ja valmennukseen
7. 7. Express Evaluations — Paras valinta valtionhallinnolle, pienyrityksille ja voittoa tavoittelemattomille organisaatioille
8. 8. Lattice — Paras tavoitteiden asettamiseen
9. 9. 15Five — Paras jatkuvaan palautteeseen
10. 10. Workleap — Parhaimmillaan toimintaan johtavassa tekoälyä hyödyntävässä vertaispalautteessa

Ohjeita vastuullisen tekoälyn käyttöönottoon suorituskyvyn hallinnassa

Jos olet ottamassa tekoälyä käyttöön suorituskyvyn hallinnassa, nämä vaiheet perustuvat tehokkaisiin parhaisiin käytäntöihin ja auttavat varmistamaan, että teknologia palvelee sekä yrityksen tarpeita että sen menestyksen mahdollistavia ihmisiä:

Aloita selkeistä periaatteista

Ennen minkään työkalun valintaa määritä ehdottomat periaatteesi:

• Läpinäkyvyys: Työntekijöiden tulee ymmärtää, miten tekoälyä käytetään ja mitkä tiedot syötetään siihen
• Vaikutusmahdollisuudet: Ihmisillä tulee olla pääsy omiin tietoihinsa ja näkemyksiinsä itsekehitystä varten
• Ihmisen mahdollisuus ohittaa: Esihenkilöiden on voitava ohittaa tekoälyn suositukset selkein perusteluin
• Vinoumien arviointi: Tekoälyn tuottamien tulosten säännölliset tarkastukset väestöryhmien välisten erojen havaitsemiseksi
• Yksityisyyden suoja: Vain välttämättömien tietojen kerääminen ja selkeät rajat niiden käytölle

Aloita pienimuotoisesti ja opi

Älä ota tekoälyä hyödyntävää suorituskyvyn hallintaa käyttöön koko organisaatiossa kerralla:

1. Valitse yksi tietty käyttötapaus (esim. luonnosten tarkistusten laatiminen tai osaamisvajeanalyysi)
2. Toteuta kokeilu vapaaehtoisryhmän kanssa, johon kuuluu aidosti kiinnostuneita esihenkilöitä ja tiimejä
3. Kerää yksityiskohtaista palautetta sekä esihenkilöiltä että työntekijöiltä siitä, mikä auttaa ja mikä ei
4. Arvioi tulokset laadun, vinoumien ja tahattomien seurausten osalta
5. Kehitä toimintaa ennen laajentamista sen perusteella, mitä opit

Tämä rakentaa organisaation oppimista ja luottamusta ennen laajamittaista sitoutumista. Lunarin Dominic Bonaker noudatti tätä mallia raportoinnin automatisoinnissa: kuusi viikkoa huolellista koulutusta ja työnkulkujen uudelleensuunnittelua, kolme kuukautta kokeilusta laajentamiseen sekä jatkuvaa kehittämistä sen perusteella, mitä he oppivat siitä, missä AI onnistui ja missä se tarvitsi ihmisen korjausta.

Kouluta kriittiseen käyttöön

Älä kouluta ihmisiä vain käyttämään AI-työkaluja, vaan kouluta heitä käyttämään niitä kriittisesti:

• Esihenkilöille: Auta heitä ymmärtämään, milloin AI:n tuottamiin näkemyksiin kannattaa luottaa ja milloin ne kannattaa ohittaa. Harjoitelkaa tilanteita, joissa ihmisen harkinta syrjäyttää algoritmin suositukset.
• Työntekijöille: Opeta heille, mihin AI pystyy ja mihin ei, miten AI:n tuottamia näkemyksiä tulkitaan ja miten he voivat tuoda esiin näkemyksensä, jos uskovat AI:n olevan väärässä.
• Henkilöstöhallinnolle: Kehitä asiantuntemusta AI-työkalujen vinoumien arviointiin, toimittajien väitteiden arviointiin ja vastuullisen käyttöönoton edistämiseen.

Sisällytä prosessiin ihmisen suorittamia tarkistuspisteitä

Suunnittele prosessisi niin, että AI:n tuottamat näkemykset tarkistetaan ihmisen toimesta ennen kuin ne vaikuttavat ihmisiin:

• AI:n laatimat luonnokset tulee muokata merkittävästi esihenkilöiden toimesta
• Ennakoivien ilmoitusten (esim. lähtöriskiä tai suorituskykyä koskevien huolenaiheiden) tulee käynnistää keskusteluja, ei automaattisia toimia
• AI etujen hallinnassa, palkitsemista ja ylennyksiä koskevat suositukset tulee käsitellä komiteoissa, ei yksittäisten henkilöiden toimesta
• Työntekijöillä tulee olla selkeät mahdollisuudet valittaa AI:n vaikuttamista päätöksistä tai kyseenalaistaa ne

Kuten Lunarin käyttöönotto osoittaa, juuri tämä saa AI:n toimimaan käytännössä. Heidän analyytikkonsa korjaavat AI:n ”itsevarmat hölynpölyt”, lisäävät sen huomaamatta jääviä vivahteita ja varmistavat, ettei asiakkaille päädy mitään ilman ihmisen harkintaa. AI tarjoaa nopeutta ja johdonmukaisuutta, ihmiset tarkkuutta ja asiayhteyttä.

Seuraa ja arvioi jatkuvasti

AI-järjestelmät muuttuvat ajan myötä, kun ne käsittelevät uutta dataa. Ota käyttöön säännölliset arvioinnit:

• Neljännesvuosittain: Arvioi AI:n tuottamat tulokset demografisten erojen osalta arvioinneissa, palautteen sävyssä ja kehityssuosituksissa
• Vuosittain: Kattava arviointi AI:n vaikutuksista työntekijäkokemukseen, henkilöstön pysyvyyteen ja luottamusmittareihin
• Jatkuvasti: Kerää laadullista palautetta siitä, miten AI vaikuttaa päivittäiseen työhön ja ihmissuhteisiin

Mitä tämä tarkoittaa organisaatiollesi

AI:ta suorituskyvyn johtamisessa koskevat päätöksesi paljastavat, mitä todella arvostat (eli eivät sitä, mitä sanot arvostavasi arvolausumassasi, vaan sen, mitä asetat etusijalle, kun teknologia ja inhimillisyys joutuvat ristiriitaan).

Tehokkuutta optimoivat organisaatiot käyttävät AI:ta johtamisen laajentamiseen, suorituskykyprosesseihin käytetyn ajan vähentämiseen ja nopeampien henkilöstöpäätösten tekemiseen. Ne mittaavat menestystä säästetyssä ajassa ja tehtyjen päätösten määrässä.

Ihmisiä muutoksessa tukevat organisaatiot käyttävät AI:ta ymmärryksen syventämiseen, kapasiteetin vapauttamiseen merkityksellisiä kehityskeskusteluja varten ja ongelmien havaitsemiseen ennen kuin niistä tulee kriisejä. Ne mittaavat menestystä työntekijäkokemuksessa, luottamuksessa ja pitkäaikaisessa kasvussa.

Molemmat lähestymistavat väittävät välittävänsä ihmisistä. Ero näkyy yksityiskohdissa: mitä dataa keräät, mitä teet algoritmien tuottamilla näkemyksillä, kuinka paljon avoimuutta tarjoat ja mitä tapahtuu, kun AI:n ja ihmisen harkinta ovat ristiriidassa.

Mitä AI:n tulisi ja ei tulisi tehdä suorituskyvyn johtamisessa

Pidä AI:n painopiste suorituskyvyn johtamisen parantamisessa näiden ohjeiden avulla korvaamatta kuitenkaan ihmisen harkintaa, joka tekee siitä tehokasta:

AI:n pitäisi	AI:n ei pitäisi
Tuoda esiin suorituskyvyn kehityssuuntia tunnistamalla tavoitteiden, tuottavuuden, sitoutumisen ja palautteen malleja, jotka saattavat jäädä esihenkilöiltä huomaamatta.	Tehdä vakavia seurauksia sisältäviä päätöksiä ylennyksistä, työsuhteiden päättämisestä ja merkittävistä palkitsemisen muutoksista. Näiden päätösten tulisi perustua ensisijaisesti ihmisten arvioon.
Automatisoida hallinnollista työtä, kuten palautteen tiivistämistä, tavoitteiden seurantaa, seurantakeskustelujen aikatauluttamista ja arviointiluonnosten valmistelua.	Korvata esihenkilön harkintaa arvioitaessa asiayhteyttä, panostusta tai olosuhteita, joita pelkät tiedot eivät pysty tavoittamaan.
Suositella kehittymismahdollisuuksia taitovajeiden, uratavoitteiden ja suoritustietojen perusteella.	Antaa arkaluonteista palautetta itsenäisesti ilman, että esihenkilö tarjoaa asiayhteyttä, empatiaa ja tukea.
Tukea valmentavia keskusteluja ehdotetuilla kysymyksillä, keskustelunaiheilla ja toimintasuunnitelmilla, joita esihenkilöt voivat muokata tarpeidensa mukaan.	Olettaа tietojen olevan objektiivisia tai käsitellä historiallisia suoritustietoja ennakkoluuloista tai epätarkkuuksista vapaina.
Tarjota työntekijöille näkyvyyttä tavoitteisiin, edistymiseen ja kehittymissuosituksiin koko vuoden ajan.	Käsikirjoittaa jokaista keskustelua tai kannustaa esihenkilöitä luottamaan tekoälyn tuottamaan palautteeseen ilman sen muokkaamista henkilökohtaiseksi.
Tuottaa käytännön toimia ohjaavia oivalluksia, jotka auttavat esihenkilöitä asettamaan valmennuksen tärkeysjärjestykseen ja tunnistamaan saavutukset aiemmin.	Valvoa työntekijöitä liiallisesti tunkeilevan seurannan avulla tavalla, joka heikentää luottamusta tai luo valvontakulttuurin.
	Toimia läpinäkymättömänä järjestelmänä tuottamalla suosituksia selittämättä mahdollisuuksien mukaan niiden taustalla olevia tekijöitä.
	Olla käytössä luottamusta rakentavissa tilanteissa, kuten urakeskusteluissa, kehittymiskeskusteluissa ja vaikean palautteen antamisessa. Nämä tilanteet edellyttävät ihmisen läsnäoloa ja tunneälyä.

Mitä seuraavaksi?

Oletko valmis pohtimaan suorituskyvyn johtamisen tulevaisuutta uudelleen tekoälyn aikakaudella?

Liity People Managing People -yhteisöön. Maksuttomat tilit tarjoavat viikoittaisia oivalluksia, käytännöllisiä viitekehyksiä ja vertaisten toimintatapoja, jotka auttavat sinua johtamaan fiksummin, ei kovemmin.

Luo maksuton tilisi tänään.