Personaldirektør i en eksplosiv AI-oppstartsbedrift deler sine erfaringer med implementering av AI i miljøer med hypervekst
Katie Burke er personaldirektør i Harvey, et AI-selskap som endrer hvordan arbeidet utføres i juridisk sektor og profesjonelle tjenesteytende virksomheter. Før det var hun personaldirektør i HubSpot – så det å håndtere personalteam i miljøer med hypervekst er det hun kan best.
Katie Burke
Personaldirektør i Harvey
AI-påvirkning: AI flytter fokuset fra bemanningsplanlegging til effektivitet og omstilling i en arbeidsfokusert tilnærming.
Teknologisk stakk: Harvey benytter en AI-sentrert teknologistakk for å effektivisere driften og forbedre den interne effektiviteten.
Ledelsesrolle: En vellykket innføring av AI starter med ledelsen, som sikrer at topplederne integrerer AI i strategiene.
Fleksibel planlegging: Tilpasning til raske AI-fremskritt krever en fleksibel og smidig tilnærming til organisasjonsplanlegging.
AI-kompetanse: Å utvikle AI-kompetanse i en organisasjon innebærer opplæring, deling og praktiske anvendelser.
Vi satte oss ned med Katie for å forstå hvordan hun bruker kunstig intelligens til å gjøre nettopp dette. Her er det hun hadde å si.
Fra personaldirektør i HubSpot til å lede «limteamet» hos Harvey
Jeg er personaldirektør hos Harvey. Jeg leder det vi internt kaller «limteamet», som omfatter rekruttering, HR, markedsføring, forretningsteknologi og kundeengasjement.
Harvey er kunstig intelligens for juridisk virksomhet og profesjonelle tjenester, og jeg har vært her i omtrent ett år. Før det var jeg personaldirektør i HubSpot, hvor jeg tilbrakte nesten tolv år. I løpet av den tiden var HubSpot heldige nok til å bli anerkjent globalt for kulturen vår.
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
Jeg er en litt uvanlig personalleder fordi jeg startet karrieren min innen markedsføring, så nå får jeg gjøre litt av begge deler. Når det gjelder ledelse, er fellesnevneren i alle organisasjonene jeg har jobbet for et høyt tempo — jeg trives i en verden der man får tilføre litt struktur og prosess til selskaper og team i hypervekst.
Innen personalområdet er den største grunnleggende endringen i en AI-første verden å endre innrammingen fra “bemanningsplanlegging” til “arbeidet som skal utføres” og tenke nytt om enhetene som skal til for å få det til. Det handler ikke lenger om hvilken kombinasjon av heltidsarbeid, kontraktsarbeid og arbeid gjennom byråer som skal få dette omfanget gjennomført; det handler mer om hvilket arbeid som utføres av mennesker, hvor vi ser effektivitetsgevinster med kunstig intelligens, og hvilke funksjoner som vil gjennomgå en grunnleggende endring i den nye modellen.
Hvorfor bemanningsplanlegging endres i en AI-første verden — og hvordan man kan tilpasse seg
Innen personalområdet er den største grunnleggende endringen i en AI-første verden å endre innrammingen fra «bemanningsplanlegging» til «arbeidet som skal utføres» og tenke nytt om enhetene som skal til for å få det til. Det handler ikke lenger om hvilken kombinasjon av heltidsarbeid, kontraktsarbeid og arbeid gjennom byråer som skal få dette omfanget gjennomført; det handler mer om hvilket arbeid som utføres av mennesker, hvor vi ser effektivitetsgevinster med kunstig intelligens, og hvilke funksjoner som vil gjennomgå en grunnleggende endring i den nye modellen.
Derfor er en del av jobben vår å hjelpe organisasjonen med å være realistisk når det gjelder når innføringen gir moderate effektivitetsforbedringer — og når vi vil se grunnleggende endringer i bemanningsbehovet.
Jeg tror utfordringen med tidshorisonten sannsynligvis er den vanskeligste å få riktig. Man må være realistisk og lage prognoser basert på modellens ytelse, videreutvikling og organisasjonens bruk av kunstig intelligens, siden den er avhengig av alle tre faktorene.
For ti år siden ville jeg vanligvis lagt frem en treårig bemanningsplan. Selvfølgelig ville jeg tilpasset den gjennom året og justert ting etter behov med jevne mellomrom — men poenget er at det var mulig å lage et grovt SWAG-estimat for bemanningsplanlegging tre år frem i tid. Nå tror jeg derimot at alle gjør bemanningsplanleggingen mer smidig,
Hos Harvey samarbeider vi for tiden med økonomiavdelingen om en grov ettårsplan, men realistisk sett gjøres det meste av det krevende arbeidet kvartalsvis. Og vi ser den samme endringen hos kundene våre. Tidligere planla de tre år frem i tid, men nå justerer de planene oftere.
De fleste organisasjoner bygger inn en antakelse om produktivitet og effektivitet med kunstig intelligens i tilnærmingene sine. Men det er vanskeligere å vurdere realistisk ikke bare hvor de vil se effektivitetsgevinster, men også hvor hele team eller forretningsbehov vil endres fullstendig på grunn av kunstig intelligens.
Min anbefaling er derfor å bygge inn fleksibilitet i den overordnede tilnærmingen og å bruke en langt mer smidig tilnærming til planlegging i hele organisasjonen. På den måten får dere fordel av de store forbedringene teknologien gir, uten å ende opp langt på etterskudd med hensyn til rekrutterings- eller forretningsbehov.
Min anbefaling er å bygge inn fleksibilitet i den overordnede tilnærmingen og å bruke en langt mer smidig tilnærming til planlegging i hele organisasjonen. På den måten får dere fordel av de store forbedringene teknologien gir, uten å ende opp langt på etterskudd med hensyn til rekrutterings- eller forretningsbehov.
Inne i Harveys interne AI-teknologistakk for oppskalering av driften
Her er Harveys interne teknologistakk:
- Google Workplace som et nettbasert samarbeidsverktøy for e-post og lignende.
- Slack som et internkommunikasjonsverktøy
- Zoom for møter
- Notion som et prosjektstyringsverktøy for dokumentasjon
- Ashby for rekruttering
- Glean for søk i dokumenter og som programvare for arbeidsstyring
- AIR for å identifisere og merke merkevareelementer
- Tenor som programvare for resultatstyring for oppfølgingssamtaler
- Harvey for oversettelse, dyptgående research, utarbeidelse og lagring av kritiske dokumenter som et dokumenthåndteringssystem
Vi holder for tiden på med å legge til noen flere KI-spesifikke verktøy i verktøystakken vår. Og fordi vi er et selskap som bruker flere modeller, bruker vi Gemini, Claude og ChatGPT — både hver for seg og for å teste resultater fra Harvey via juridisk forskningsteamet vårt.
Og rekrutteringsteamet vårt eksperimenterer mye for å finne ut hvordan den fremtidige teknologistakken deres skal se ut neste år — det kommer mer fra oss om hvordan vi innoverer på dette området.
KI-arbeidsflyter fra virkeligheten som sparer tid og gjør det mulig å skalere team i hypervekst
En av arbeidsflytene jeg liker best, som er basert på en kombinasjon av automatisering og KI, bidrar til å avslutte de interne Slack-kanalene våre som vi bruker til internt samarbeid, når en kandidat offisielt signerer tilbudsbrevet sitt i Ashby.
Denne hendelsen utløser flere ulike hendelser, blant annet at startdatoen legges inn i lederens kalender, at IT får vite om kandidaten, arbeidsstedet og startdatoen, og at noen av kandidatens arbeidsflyter automatiseres for å hjelpe kandidaten med å komme i gang. Det gjør noe vi gjør svært ofte — ansettelser i hypervekst — merkbart enklere å skalere globalt.
Her er noen flere eksempler på hvordan vi bruker den interne teknologistakken vår:
Den største endringen vår har vært å legge til Glean i teknologistakken vår. Vi vokser rekstremt raskt i Harvey, så muligheten for at ansatte raskt kunne søke i Slack og Google Docs etter den ene tingen de trenger, på noen få sekunder, var avgjørende. Det har spart oss for enormt mye tid.
- Glean: Den største endringen vår har vært å legge til Glean i teknologistakken vår. Vi gjennomførte en liten utrulling for å sikre at bruksområdet fungerte for oss og sparte oss for tid. Vi vokser ekstremt raskt i Harvey, så muligheten for at ansatte raskt kunne søke i Slack og Google Docs etter den ene tingen de trenger, på noen få sekunder, var avgjørende. Det har spart oss for enormt mye tid. Personlig har jeg allerede lagt merke til en stor forskjell når jeg søker etter filer på tvers av team og lokasjoner, eller prøver å få kontekst om noe raskt uten å forstyrre noen i et møte.
- Slack: Markedsdirektøren vår satte opp en tilpasset GPT for å utarbeide kommunikasjon fra ledere, slik at vi lærer av tidligere versjoner når vi utarbeider nye. Vi sparer teamet vårt for flere timer på førsteutkast.
- Tenor: Vi er for tiden midt i oppfølgingssamtaler om prestasjoner og bruker et verktøy som heter Tenor for å forberede oss til tilbakemeldingssamtaler. Du kan laste opp kontekst og øve i sanntid for å få tilbakemeldinger mens du holder på, noe som gir bedre oppfølgingssamtaler og forhåpentligvis bedre tilbakemeldinger til teamet ditt.
- AIR: AIR har vært utrolig nyttig for rask identifisering og merking av våre interne merkevareressurser.
- Harvey: Vi bruker vår egen Harvey-plattform til oversettelse, grundig research, utarbeiding av utkast og lagring av kritiske dokumenter, slik at det blir enklere å søke i og få tilgang til dem på en sikker måte. Vault-funksjonen vår har vært nyttig for ting som å finne ut hvor mange av kundekontraktene våre som fornyes på X-dato, eller hvor mange arbeidsavtaler som har Y-bestemmelsen. Den sparer teamet vårt og juridisk avdeling for timer, om ikke dager, hver måned. Når det gjelder beslutningstaking, bruker jeg også ofte Harvey til å finne ut hvilke motargumenter folk kan ha mot en bestemt endring, før vi innfører den. Hvis det er godt nok for prosedyreadvokater, kan det definitivt gjøre interne endringsprosesser mer effektive før vi sender dem ut!
Det riktige spørsmålet er ikke: «Hvor kan du legge til AI i eksisterende prosesser?» Det er: «Hvordan kan du tenke nytt om nåværende prosesser for å gjøre arbeidet merkbart enklere?»
Det riktige spørsmålet er ikke: «Hvor kan du legge til AI i eksisterende prosesser?» Det er: Hvordan kan du tenke nytt om nåværende prosesser for å gjøre arbeidet merkbart enklere?
Slik forbedrer du AI-kompetansen i en organisasjon
AI-kompetanse er litt annerledes for oss, fordi Harvey er et AI-selskap. Derfor bruker vi mye tid i intervjuprosessen på kandidater som har et visst nivå av AI-kompetanse, trygghet og interesse. Det er imidlertid verdt å merke seg at noen av måtene vi øker AI-kompetansen internt på, er de samme som vi anbefaler kundene våre:
- Vi arrangerer frokoster i regi av AI-forskningsteamet vårt, der vi fokuserer på AI. Det sies uttrykkelig at du ikke trenger å være ekspert for å delta og lære i et uformelt miljø uten press.
- Vi har jurister i teamet vårt som kalles spesialister på strategisk forretningsutvikling og juridiske produktspesialister — de holder fordypningsøkter om fagområder eller geografiske områder, med konkrete eksempler på hvordan man best kan bruke Harvey innenfor sine ekspertområder. De har også vært så vennlige å holde lunsj-og-lær-arrangementer for rekrutteringsteamet vårt og teamet for lederstøtte, slik at begge disse organisasjonene får bedre innsikt i hvordan de kan bruke Harvey til å gjøre jobben enklere.
- Vi lar folk dele den konkrete ledeteksten de brukte for å lage et resultat — forrige uke delte vår administrerende direktør en ledetekst hun brukte til grundig research, og produktsjefen vår delte en som produktdriftsteamet hans brukte til å håndtere interne spørsmål i kunnskapsstyringssystemet vårt. Det hjelper definitivt å normalisere deling av det som fungerer, og gjør det også mer naturlig å be om hjelp når man trenger det.
Erfaringer med AI-adopsjon i selskaper i rask vekst
Hvorfor AI-adopsjon må starte med ledelsen
Det finnes en oppfatning om at AI brukes mest eller er mest effektivt blant yngre medarbeidere. Det er ikke det jeg ser.
Omtrent 20 % av dem som bruker Harvey ukentlig, er partnere, og det blir stadig tydeligere at organisasjoner som prioriterer at senioransatte tar i bruk AI og bygger det inn i organisasjonens driftsmodell, er langt mer suksessrike enn de som forsøker å gjennomføre gradvise endringer eller baserer seg på nedenfra-og-opp-adopsjon.
Hvis du ruller ut AI-verktøy, bør du ta deg tid til å få ledergruppen med først, eller parallelt med resten av organisasjonen. Suksess med AI handler like mye om god endringsledelse i praksis som om teknologi.
Hvorfor ledere bør inspirere til AI-adopsjon med gulrot, ikke pisk
Sørg for at du tenker mer på gulrot enn på pisk. Jeg tror sterkt på at de mest suksessrike organisasjonene viser hva som er mulig med AI ved å levere resultater og gå foran, i stedet for å legge for stor vekt på frykt. Som leder i medarbeiderorganisasjonen har du et ansvar for å ta del i denne endringen.
Hvorfor det er avgjørende å skape «aha»-øyeblikk for vellykket AI-adopsjon
Akkurat nå er en av de største utfordringene med AI-adopsjon å få folk frem til sitt første «aha»-øyeblikk. Dette gjelder internt, og vi ser det også når vi ruller ut Harvey i organisasjoner. Medarbeidere må komme til et punkt der erkjennelsen ikke er «AI er kult», men heller «Slik kan AI hjelpe meg med å gjøre jobben min bedre».
Akkurat nå er en av de største utfordringene med AI-adopsjon å få folk frem til sitt første «aha»-øyeblikk.
Det betyr å hjelpe folk med å identifisere bruksområder som er relevante for deres spesifikke fagområder og geografiske områder. Når du først har opplevd denne effekten, blir det mye enklere å bli komfortabel med å prøve nye ting.
Hvorfor organisasjoner må bevege seg forbi fryktfortellinger om AI
Det er like viktig å sørge for at vi beveger oss forbi fryktfortellingen.
Mange er redde for å prøve AI fordi de frykter at jobben deres skal forsvinne. Jeg mener vi må bli flinkere til å vise hvordan AI på en meningsfull måte kan bidra til å forbedre folks arbeidshverdag. Vi må skape rom for mer opplæring og mer veiledning.
Mange er redde for å prøve AI fordi de frykter at jobben deres skal forsvinne. Jeg mener vi må bli flinkere til å vise hvordan AI på en meningsfull måte kan bidra til å forbedre folks arbeidshverdag. Vi må skape rom for mer opplæring og mer veiledning.
Jeg har sett noen eksempler som virkelig hjelper med dette:
- Skape arenaer der folk kan lære det grunnleggende om utforming av prompter og se bruksområder som kan hjelpe dem i deres spesifikke roller.
- Gjøre opplæringen morsommere og mer engasjerende enn obligatorisk og gammeldags. De mest vellykkede implementeringene vi ser, kjennetegnes vanligvis av at utrullingen av Harvey oppleves som relevant for hele organisasjonen, med støtte fra ledelsen.
- Skape en kultur for eksperimentering. Det er viktig å normalisere at målet er å prøve seg frem, ikke å få det perfekt på første forsøk.
- Bruke omvendt mentorskap. Jeg lærer ofte bedre prompter eller bruksområder av våre yngre medarbeidere, og det er jeg svært takknemlig for.
Unngå gradvise tilnærminger til AI-adopsjon
Og til slutt: Motstå fristelsen til å gjøre AI-adopsjon til en serie med små, gradvise endringer.
Hvordan kunstig intelligens kan gi arbeidet vårt mening og hensikt tilbake
Jeg er egentlig ikke så glad i å komme med bastante spådommer – jeg synes ikke jeg er spesielt god på det. Jeg liker imidlertid å velge gründere som kommer med bastante spådommer, og jeg har hatt rimelig god suksess med det. Derfor vil jeg i stedet dele en av grunnantakelsene Harvey bygger på, takket være gründerne våre.
De mener at kunstig intelligens, når den brukes på riktig måte, bør føre oss tilbake til det de fleste karrierer egentlig bør handle om: mer tid til opplæring, veiledning og læring på jobben, i stedet for en endeløs strøm av arbeid, revisjoner og arbeidsprosesser der du ikke føler at du tilfører særlig mye verdi.
Så jeg håper at kunstig intelligens over tid gir oss mer tid tilbake til å tilføre jobbene våre mening og føle oss mer tilfredse i det daglige arbeidet.
Jeg håper at kunstig intelligens over tid gir oss mer tid tilbake til å tilføre jobbene våre mening og føle oss mer tilfredse i det daglige arbeidet.
Følg med
Du kan følge Katie mens hun endrer måten team arbeider på i miljøer med sterk vekst, på X og LinkedIn. Ta også en titt på Harvey – kunstig intelligens for juridisk og profesjonell tjenesteyting.
Flere intervjuer med eksperter kommer på People Managing People!
