Il feedback continuo sulle prestazioni sembra trasformativo, finché non si vede come lo stanno gestendo le aziende
Vantaggio dell'IA: Il feedback basato sull'IA può fornire informazioni in tempo reale, riducendo i pregiudizi presenti nelle valutazioni tradizionali.
Qualità dei dati: Molte organizzazioni hanno difficoltà a causa di dati insufficienti, obsoleti o incoerenti che compromettono la qualità del feedback.
Problemi di fiducia: La trasparenza nel feedback generato dall'IA è fondamentale; la divulgazione delle modalità di generazione influisce sulla fiducia dei dipendenti e sull'efficacia del feedback.
Divario nell'implementazione: Sta crescendo la distanza tra i potenziali vantaggi dell'IA e la sua applicazione pratica nelle organizzazioni.
Cicli di feedback: Cicli di feedback inefficaci possono abbreviare gli intervalli tra le valutazioni, ma non risolvono i problemi delle valutazioni annuali.
Il feedback continuo sulle prestazioni, una componente fondamentale della gestione delle prestazioni in tempo reale, è passato dalla lista dei desideri delle conferenze all'implementazione aziendale più rapidamente della maggior parte delle pratiche di gestione del personale degli ultimi anni, con sistemi sempre più alimentati dall'IA.
La proposta è coerente tra i vari fornitori: contributi in tempo reale, riduzione del bias di recenza e feedback non influenzato da come un manager si è sentito in un determinato pomeriggio.
Da tempo i dipendenti affermano di volere contributi più frequenti e specifici rispetto a quelli offerti dalle valutazioni annuali. I sistemi basati sull'IA sono progettati esattamente per questo, ma il divario tra la promessa e l'implementazione sta diventando sempre più difficile da ignorare.
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
Il problema dell'approvazione automatica da parte del manager
I manager approvano i riepiloghi generati dall'IA senza esaminare i modelli che li hanno prodotti.
Andrew Whyatt-Sames, psicologo del lavoro e cofondatore di UptakeAI, che collabora con organizzazioni che implementano l'IA nei processi relativi al personale e alle prestazioni, ha osservato ripetutamente questa dinamica.
Quando l’IA genera un riepilogo delle prestazioni, la maggior parte dei manager lo considera una bozza da approvare anziché un punto di partenza da esaminare criticamente.
Un manager di linea, a tre mesi dall'implementazione presso un'azienda di 2.000 persone, gli ha detto: "Diceva 'ottimo comunicatore' e io ho concordato — i dati lo dimostrano, no?"
Il modello sottostante attribuiva alla partecipazione alle riunioni il ruolo di indicatore indiretto della capacità comunicativa. Nessuno lo aveva comunicato ai manager.
Parte del problema è strutturale. I sistemi di feedback continuo hanno bisogno di dati continui e di alta qualità. La maggior parte delle organizzazioni non li possiede.
"Dispone solo del contesto che gli fornisci", ha affermato Matt Poepsel, VP dell'ottimizzazione dei talenti presso The Predictive Index, quando abbiamo parlato alla conferenza Transform a marzo. "Sarebbe come chiedere consiglio a un amico sul tuo capo e sentirsi rispondere: 'Non conosco davvero il tuo capo: dovrai raccontarmi qualcosa in più.'"
Ha osservato che i dati sul personale erano già incoerenti prima del coinvolgimento dell'IA. Descrizioni delle mansioni ricavate da annunci obsoleti, valutazioni delle competenze legate a requisiti che sono cambiati, profili comportamentali che i manager non hanno mai creato perché nessuno li ha formati per porre le domande giuste.
Abbiamo una quantità enorme di dati. La domanda è se siano i dati giusti.
Quando i dati sottostanti sono deboli, il feedback continuo non si autocorregge. Amplifica il problema con una frequenza maggiore.
La trasparenza è un problema in ogni caso
Esiste una dinamica di fiducia che complica ulteriormente l'adozione. Come abbiamo già illustrato, uno studio del 2021 pubblicato sul Strategic Management Journal ha rilevato che il feedback generato dall'IA supera quello dei manager umani in termini di risultati misurabili, ma solo quando i dipendenti non sanno che proviene da una macchina. Una volta dichiarata l'origine, i miglioramenti nelle prestazioni scompaiono.
Kamaria Scott, fondatrice e CEO di Enetic, ha osservato direttamente il problema della trasparenza.
"Non mentite mai al riguardo", ha affermato. "Dovete essere trasparenti."
I manager che forniscono feedback generato dall'IA rischiano che i dipendenti lo ignorino se dichiarano il coinvolgimento dell'IA. Chi non lo dichiara si trova ad affrontare un problema di trasparenza che tende a emergere prima o poi.
La posta in gioco, sostiene Scott, è capire se questi sistemi vengono utilizzati come punto di partenza o come punto di arrivo.
La valutazione non è l’obiettivo finale. La valutazione è il punto di partenza della conversazione.
A suo avviso, l'uso più difendibile dell'IA nella gestione delle prestazioni è come input di dati che apre una discussione, non come un riepilogo autosufficiente. "Qualcosa che dica: 'Questo è un punto di partenza neutrale per noi' — è utile. Ma bisogna arrivare a un punto d'incontro."
I dipendenti sanno cosa viene misurato
Secondo Whyatt-Sames, il problema delle manipolazioni tende a emergere circa sei mesi dopo l'implementazione.
I dipendenti imparano cosa monitora il sistema, di solito attraverso canali informali anziché tramite comunicazioni ufficiali, e si adeguano di conseguenza. Più commenti durante i colloqui di aggiornamento, più obiettivi contrassegnati, risultati comprensibili al sistema anziché utili a qualcuno. Un responsabile L&D con cui ha lavorato lo ha definito "giocare con il cruscotto".
Il problema del volume segue una traiettoria simile. Le organizzazioni misurano l'adozione in base al numero di attività, quindi un volume di riscontri triplicato appare come un successo.
«Quando si verifica il riscontro stesso, la sua utilizzabilità diminuisce drasticamente», ha dichiarato Whyatt-Sames. «Diventa più breve, più stereotipato e concentrato su ciò che il sistema premia.»
L'inversione del rapporto tra segnale e rumore spesso emerge solo quando qualcuno conduce una retrospettiva, momento in cui il modello è ormai ben consolidato.
Quando il lavoro stesso viene condiviso con un agente
Scott ha sollevato a marzo una domanda che non ha ancora trovato una risposta chiara: "Come si presenta la prestazione se le persone non svolgono direttamente il lavoro, o se gli agenti ne svolgono metà? Come valuterete la mia prestazione come persona per un lavoro che ormai non svolgo più completamente da sola?"
È una domanda che la maggior parte delle implementazioni attuali non è progettata per affrontare. Si misura ancora il risultato individuale in un contesto in cui i confini del contributo individuale stanno diventando meno definiti.
La diagnosi di Whyatt-Sames sul motivo per cui questi problemi persistono collega i singoli casi di insuccesso.
«Le organizzazioni trattano il livello dell'IA come la soluzione e saltano l'architettura del cambiamento», ha dichiarato. «Il sistema genera il riscontro; nessuno si chiede se il riscontro modifichi i comportamenti. È un problema di progettazione dell'implementazione e nella maggior parte delle implementazioni non c'è nessuno il cui compito sia risolverlo.»
Quanto alla posta in gioco sottostante, Poepsel lo ha detto chiaramente.
"Ogni decisione sulle persone è una decisione ad alto rischio. Dobbiamo rifletterci attentamente, così da poter procedere alla velocità che desideriamo."
La tesi a favore del riscontro continuo assistito dall'IA rimane valida. Non è invece valida l'ipotesi che l'implementazione della tecnologia risolva il problema gestionale per cui è stata creata.
