Il Feedback Continuo sulle Prestazioni Sembra Trasformativo Finché Non Vedi Come le Aziende Lo Gestiscono
Beneficio dell’IA: Il feedback guidato dall'IA può fornire approfondimenti in tempo reale, riducendo i pregiudizi tipici delle valutazioni tradizionali.
Qualità dei Dati: Molte organizzazioni faticano con dati insufficienti, obsoleti o incoerenti che compromettono la qualità del feedback.
Problemi di Fiducia: La trasparenza nei feedback generati dall’IA è fondamentale; la comunicazione incide sulla fiducia e sull’efficacia del feedback.
Gap di Implementazione: Cresce il divario tra i potenziali benefici dell'IA e la sua applicazione concreta nelle organizzazioni.
Cicli di Feedback: Cicli poco efficaci di feedback possono accorciare i tempi di revisione ma non risolvono i problemi delle valutazioni annuali.
Il feedback sulle prestazioni continuo alimentato dall’IA è passato dalla lista dei desideri dei convegni all’implementazione aziendale più velocemente della maggior parte delle pratiche di gestione delle risorse umane degli ultimi tempi.
L’offerta è la stessa per tutti i fornitori: input in tempo reale, riduzione del bias di recenza, feedback non influenzati dall’umore del manager in un particolare pomeriggio.
Da tempo i dipendenti dichiarano di desiderare input più frequenti e specifici rispetto a quelli che forniscono le valutazioni annuali. I sistemi assistiti dall’IA sono stati progettati appositamente per questo scopo, ma il divario tra la promessa e l’implementazione sta diventando sempre più difficile da ignorare.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Il problema dell’approvazione automatica da parte dei manager
I manager approvano i riepiloghi generati dall’IA senza esaminare i modelli che li hanno prodotti.
Andrew Whyatt-Sames, psicologo del lavoro e co-fondatore di UptakeAI, che collabora con organizzazioni che adottano IA nei processi relativi alle persone e alle prestazioni, ha osservato questa situazione ripetersi frequentemente.
Quando l’IA genera un riepilogo delle prestazioni, la maggior parte dei manager lo considera una bozza da approvare invece che un punto di partenza da interrogare.
Un line manager, dopo tre mesi di implementazione in un’azienda da 2.000 dipendenti, gli ha detto: "Diceva ‘ottimo comunicatore’ e io ero d’accordo — i dati ci sono tutti, no?"
Il modello sottostante considerava la partecipazione alle riunioni come indicatore della comunicazione. Nessuno lo aveva detto ai manager.
Parte del problema è strutturale. I sistemi di feedback continuo richiedono dati continui e di alta qualità. La maggior parte delle organizzazioni non li possiede.
“Ha solo il contesto che gli viene fornito,” ha affermato Matt Poepsel, VP di Talent Optimization presso The Predictive Index, quando ci siamo parlati al Transform a marzo. “È come chiedere a un amico consigli sul tuo capo, e lui ti dice: ‘In realtà non conosco il tuo capo — dovrai dirmi di più tu.’”
Poepsel ha sottolineato che i dati sulle persone erano già incoerenti prima che intervenisse l’IA. Descrizioni di lavoro tratte da vecchi annunci, valutazioni di competenze legate a requisiti ormai cambiati, profili comportamentali che i manager non hanno mai creato perché nessuno li ha formati a farlo.
Abbiamo una quantità enorme di dati. La domanda è se siano quelli giusti.
Quando i dati di base sono deboli, il feedback continuo non si autocorregge. Amplifica il problema con maggiore frequenza.
La trasparenza è un problema in ogni caso
C’è una dinamica di fiducia che complica ulteriormente l’adozione. Come abbiamo già trattato, uno studio del 2021 pubblicato sul Strategic Management Journal ha rilevato che il feedback generato dall’IA supera quello dei manager umani sugli esiti misurabili, ma solo quando i dipendenti non sanno che proviene da una macchina. Quando questa informazione viene resa nota, i miglioramenti nelle prestazioni svaniscono.
Kamaria Scott, Fondatrice e CEO di Enetic, ha visto il problema della trasparenza manifestarsi direttamente.
“Non mentire mai su questo,” ha detto. “Bisogna essere trasparenti.”
I manager che dichiarano che il feedback è generato dall’IA rischiano che i dipendenti lo ignorino. Chi non lo fa, si trova con un problema di trasparenza che prima o poi emerge.
In gioco, secondo Scott, c’è la questione se questi sistemi vengano usati come punto di partenza o come traguardo finale.
La valutazione non è l’obiettivo finale. La valutazione è l’inizio della conversazione.
Secondo il suo punto di vista, l'uso più difendibile dell'IA nella gestione delle prestazioni è come input di dati che apre una discussione, non come riassunto che sta da solo. "Qualcosa che dica: 'Questo è un punto neutro da cui partire' — è utile. Ma bisogna incontrarsi a metà strada."
I dipendenti sanno cosa viene misurato
Secondo Whyatt-Sames, il problema del "gaming" tende ad emergere circa sei mesi dopo l’implementazione.
I dipendenti imparano cosa il sistema sta monitorando, di solito tramite canali informali piuttosto che ufficiali, e si adattano di conseguenza. Più commenti negli incontri, più obiettivi taggati, output leggibili per il sistema più che utili a qualcuno. Un responsabile L&D con cui ha lavorato l’ha definito "fare il gioco del dashboard".
Il problema del volume segue una traiettoria simile. Le organizzazioni misurano l’adozione tramite il numero di attività, quindi tre volte il volume di feedback sembra un successo.
Quando si analizza il feedback stesso, l’utilità diminuisce drasticamente," ha affermato Whyatt-Sames. "Diventa più breve, più schematico, e concentrato su ciò che il sistema premia.
L’inversione tra segnale e rumore spesso emerge solo quando qualcuno effettua una retrospettiva, a quel punto il modello è già ben consolidato.
Quando il lavoro stesso è condiviso con un agente
A marzo, Scott ha sollevato una domanda che non ha ancora trovato una risposta chiara: "Come appare la prestazione se le persone non fanno direttamente il lavoro, o se gli agenti svolgono metà delle attività? Come valuterete la mia prestazione come persona per un lavoro che non faccio nemmeno più completamente di persona?"
È una domanda a cui la maggior parte delle attuali implementazioni non è progettata per rispondere. Si continua a misurare la produttività individuale in un contesto in cui i confini del contributo personale diventano meno definiti.
La diagnosi di Whyatt-Sames sul perché questi problemi persistano collega le diverse modalità di fallimento individuali.
Le organizzazioni trattano il livello di IA come la soluzione e saltano l’architettura del cambiamento," ha detto. "Il sistema genera i feedback; nessuno si domanda se il feedback cambia i comportamenti. Questo è un problema di progettazione nell'implementazione, e nella maggior parte dei casi non c’è nessuno che abbia il compito di risolverlo.
Quanto alle conseguenze di fondo, Poepsel lo ha detto chiaramente.
"Ogni decisione sulle persone è una decisione ad alto rischio. Dobbiamo ragionarci con attenzione, così da poter andare veloci come vogliamo."
Il valore del feedback continuo assistito dall’IA rimane solido. L’assunzione che implementare la tecnologia risolva il problema di gestione per cui è stata realizzata, non lo è.