Hvorfor forbedring av produktiviteten starter med å forstå arbeidet

David Rice: Når en leder i toppledelsen ser på organisasjonen, ser vedkommende et organisasjonskart og et prosessdokument. Rolle A gjør ferdig noe og gir det videre til rolle B, B gir det videre til C. Det er ryddig, enkelt og nesten fullstendig fiktivt. I dagens program snakker jeg med Heidi Farris, administrerende direktør i ActivTrak, om avstanden mellom hvordan ledere tror arbeidet foregår, og hvordan det faktisk foregår.

Den virkelige arbeidsflyten er summen av overleveringene, omveiene og den uformelle omdirigeringen som aldri kommer med i noe dokument. Heidi kaller den gode versjonen av dette for erfaringsbasert kunnskap. Det handler ikke om typen kunnskap der man vet svært mye om virksomheten, men om de små daglige tilpasningene som holder ting i gang. Folk gjør arbeidet bedre hver eneste dag, sier Heidi.

Problemet er at dette egentlig ikke kommer frem i dokumentasjonen. I dag snakker vi derfor om hvorfor den dokumenterte prosessen sjelden samsvarer med hvordan arbeidet faktisk blir gjort, de tre kategoriene for å avgjøre hvor kunstig intelligens hører hjemme i en rolle, hva som skjer med organisasjonens gjennomstrømming når ett team akselererer mens naboteamene ikke gjør det, og de virkelige tegnene på at en virksomhet har gått fra å ta i bruk kunstig intelligens til å skape effekt med kunstig intelligens.

Jeg heter David Rice. Dette er People Managing People, og hvis organisasjonen din måler suksess med kunstig intelligens ut fra bruksmålinger i stedet for hva som skjedde med kapasiteten den frigjorde, viser denne samtalen deg hva du går glipp av. La oss sette i gang.

Heidi, velkommen til programmet. Det er hyggelig å ha deg her.

Heidi Farris: Takk, David. Jeg er veldig glad for å være her.

David Rice: Jeg har lyst til å starte samtalen med dette: Når en leder i toppledelsen ser på organisasjonen i dag, tror jeg at en av de vanlige frustrasjonene mange har med ledelsen på jobb, er at det føles som om de egentlig ikke vet hva arbeidet innebærer.

Jeg lurer på hva en leder i toppledelsen vanligvis misforstår om hvordan arbeidet faktisk blir gjort.

Heidi Farris: Jeg tror det er noe mange organisasjoner sliter med i dag, når man ser på utviklingen og alle snakker om å redesigne arbeidet eller ta i bruk kunstig intelligens i arbeidet. Det ledere ser, er et organisasjonskart og et prosessdokument.

Rolle A gjør ferdig noe, gir det videre til rolle B, og så videre fra B til C. Det skal liksom være en pen og ryddig overlevering. Vi har en tendens til å forenkle hvordan arbeidet faktisk blir gjort i organisasjoner. En enkeltperson i en organisasjon kan lett navigere mellom dusinvis av apper, flere godkjenningsprosesser, mange ulike interessenter og omveier i løpet av en vanlig dag.

Den virkelige arbeidsflyten er summen av overleveringene, omveiene og den uformelle omdirigeringen som folk håndterer, men som ikke kommer frem i et prosessdokument eller på et organisasjonskart. Den er i praksis usynlig for toppen, og vi mister raskt kontakten med hvordan arbeidet egentlig blir gjort i en organisasjon.

David Rice: Ja. Det er vel ganske naturlig. Når man beveger seg oppover i systemet, blir ting redusert til diagrammer, standardprosedyrebeskrivelser og dashbord. Jeg tror det finnes et interessant skille mellom synlighet i medarbeiderne og synlighet i arbeidet. Det er egentlig ikke det samme, er det vel?

Heidi Farris: Nei, det stemmer. Det er helt riktig. Det er selve arbeidet vi bryr oss om. Medarbeidere gjør instinktivt alltid sitt beste, i hvert fall i stor grad. Det handler ikke så mye om det, men mer om hvordan vi kan bidra til å forbedre arbeidet i en organisasjon eller forstå hvordan arbeidet foregår, slik at vi kan forbedre arbeidet eller frigjøre mennesker til å bruke dømmekraft og empati på oppgaver som kunstig intelligens ikke kan utføre.

David Rice: Hvis du skal avgjøre hvor kunstig intelligens bør endre måten arbeidet blir gjort på, hva må du da forstå om arbeidet først? Hva er det viktigste som kan bidra til å forme dette?

Heidi Farris: Du må forstå oppgavene som utføres av hver rolle.

Og du må kunne sortere dem i kategorier, fordi jobber består av samlinger av oppgaver, og kunstig intelligens endrer arbeidet ved å endre oppgaver, ikke nødvendigvis ved å erstatte hele roller. Det finnes deler av enhver rolle som kunstig intelligens kan være nyttig for. Det første er derfor å kategorisere oppgavene som en rolle utfører, i repetitive, strukturerte og regelbaserte oppgaver, som egner seg godt for kunstig intelligens; oppgaver som støttes av kunstig intelligens og krever rask sammenstilling av data eller mønstergjenkjenning, der kunstig intelligens fungerer som en medpilot for et menneske; og unikt menneskelige oppgaver, som krever empati, emosjonell intelligens og dømmekraft.

Det er det første steget, og de fleste hopper rett over det og kaster teknologi på hvert eneste problem.

David Rice: Det er interessant at du sier det, for jeg tenkte på dette tidligere etter å ha sett et klipp av noen som snakket om at empati blir det viktigste fremover. Jeg tror det er noe vi ikke har vært spesielt flinke til å lære bort.

Vi har ofte sett på det som et personlighetstrekk snarere enn en ferdighet. En fare med kunstig intelligens er at nytten på oppgavenivå kan distrahere oss fra spørsmålet om oppgaven i det hele tatt bør eksistere i sin nåværende form. Det finnes egentlig ulike nivåer av inngrep. Du kan forbedre oppgaven, som jeg tror vi har brukt mye tid på.

Du kan kanskje fjerne oppgaven, eller redesigne arbeidsflyten. Du kan revurdere resultatet du prøver å skape. Det er mange ulike muligheter her. Men det er forskjell på å spørre «Kan kunstig intelligens gjøre dette?» og å spørre «Hvorfor må noen gjøre dette?» Det siste føles mer betydningsfullt.

De enkleste tingene å automatisere er i mange tilfeller ikke nødvendigvis de mest verdifulle tingene å endre.

Heidi Farris: Det stemmer. Hver gang man gjennomfører en kartlegging, lyser kunstig intelligens opp arbeidet akkurat nå, men det du beskriver, har egentlig alltid eksistert. Over tid samler vi opp arbeidsgjeld på samme måte som en teknologistakk eller et produkt samler opp teknisk gjeld.

Det finnes ting man på et tidspunkt må revurdere og spørre: «Hvorfor gjør vi egentlig dette fortsatt?» Man må gjennomføre en full kartlegging og forstå de ulike typene arbeid og hvordan man kan gjøre dem bedre. For alt er ikke kunstig intelligens.

Kunstig intelligens er ikke løsningen på alle problemer vi ser i arbeidet. Noen ganger må man redesigne arbeidsflyten, noen ganger trenger folk bedre tilrettelegging, og noen ganger er teknologien rett og slett feil. Man må virkelig forstå hvordan arbeidet foregår og hvilke oppgaver som utføres, slik at man kan dele opp arbeidet og si: «Dette er hvordan vi faktisk forbedrer det.»

Det kan være kunstig intelligens, eller det kan være noe annet.

David Rice: La oss si at kunstig intelligens gir et team tilbake 15 prosent av kapasiteten. Vi har sett mange produktivitetsgevinster, og i noen tilfeller har det gjort administrative oppgaver enklere. Men hvis folk får tilbake kapasitet, hvilken beslutning må tas deretter?

Hva er det første steget i å omfordele denne kapasiteten med tanke på virksomhetsverdi? For hvis man overlater det til medarbeiderne, kan det bli ganske interessant.

Heidi Farris: Jeg tror det første man må gjøre, er å gi noen i organisasjonen myndighet til å ta beslutninger.

Det jeg mener med det, er at kapasitet ikke omfordeler seg selv. Hvis ingen har et uttrykkelig ansvar for den, blir den bare stille absorbert tilbake i organisasjonen. Den kan gå til arbeid med lav verdi eller forsvinne inn i Slack et sted. Som jeg sa, finnes det en liste over arbeidsgjeld som har bygget seg opp over tid, og det er kanskje ikke det mest verdifulle arbeidet man ønsker at folk automatisk skal gå tilbake til.

Det andre er å avgjøre hvilken kategori kapasiteten skal gå til. Er målet kostnadsreduksjon? Skal funksjonen faktisk krympes? Handler det om reinvestering, der man omdirigerer frigjorte timer til arbeid med høyere verdi? Eller handler det om ekspansjon, der man tar på seg et helt nytt prosjekt eller helt nye oppgaver som aldri har eksistert i organisasjonen før?

Hver av disse gir et forskjellig økonomisk resultat. Noen knyttes til EBITDA, noen til vekst, og noen til å skille seg ut i markedet. Hvis man bare feirer brukstallene og aldri undersøker hvilken kategori kapasiteten havnet i, vil man aldri kunne trekke en linje til resultatregnskapet og si: «Dette er hvordan vi gjorde det.»

Å gjøre arbeidet bedre er bare halvparten av ligningen. Den andre halvdelen er å vise hvor resultatene av dette kommer til syne i organisasjonens økonomiske profil.

David Rice: Jeg er helt enig i det du sa om at kapasiteten kan bli til arbeid med lav verdi. Jeg snakket nylig med en leder i en annen medieorganisasjon.

Vi snakket om at noe tid ble frigjort, men de var ikke særlig imponert over noen av ideene personen hadde kommet med. Personen hadde begynt å bruke kunstig intelligens i den kreative planleggingen, noe som frigjorde mye tid. Men så ble personen bedt om å legge alt inn i ulike regneark og bare administrere dem. Tiden ble absorbert av administrasjon av regneark.

Jeg tenkte: Er dette en god bruk av kapasiteten som ble frigjort? Kunstig intelligens kunne sannsynligvis administrert regnearkene også. Men det betyr ikke automatisk at man ikke trenger personen lenger. Det er den delen av fortellingen vi ofte mister av syne: reduksjon av antall ansatte.

Det finnes mange andre ting kapasiteten kunne blitt til. Det virker som om det mangler en lederbeslutning mellom «vi sparte tid» og «vi skapte verdi». Noen må bestemme hva tiden skal brukes til. Bør ledere avgjøre hvordan kapasiteten skal omfordeles før de automatiserer?

Automatiser for å skape kapasiteten, slik at du kan gjøre X.

Heidi Farris: Ja, fordi man bør starte med målene sine. Hvis målet er EBITDA og å eliminere roller, bør man først forstå hvor det største potensialet for automatisering med kunstig intelligens finnes i organisasjonen, og begynne der. Hvis man derimot har mange roller der 80 prosent av tiden består av oppgaver som krever kunstig intelligens som medpilot eller mye menneskelig dømmekraft, kommer man ikke til å eliminere disse rollene.

Hvis man gjør det, kommer man til å ansette folk tilbake fordi man innser at menneskelig dømmekraft, empati og evnen til å kvalitetssikre det kunstig intelligens forteller, er viktig. Det er noe helt annet enn å automatisere en allerede godt definert, datadrevet prosess. Hvis en rolle består av 80 prosent av de andre typene oppgaver, kommer man uansett ikke til å oppnå den EBITDA-en man ønsker.

Det er derfor svært viktig å forstå målet før man begynner. Ellers kan man gjøre mye arbeid uten faktisk å nå målet.

David Rice: Nettopp. Kunstig intelligens og verdien av kunstig intelligens er ikke det samme. Det ene fører ikke automatisk til det andre. Hva bør ledere faktisk måle for å vite om kunstig intelligens skaper meningsfull kapasitet og om kapasiteten gir bedre forretningsresultater?

Heidi Farris: Det viktige er det du allerede var inne på. Bruksmålinger måler innføring. Men man trenger en måling før og etter. Man må forstå hvordan syklustid, gjennomstrømming og andre relevante mål så ut før man innførte en endring, som for eksempel kunstig intelligens.

Og hvordan så arbeidet ut etterpå? Uten et før- og etterbilde er det svært vanskelig å vurdere hvordan den nye løsningen faktisk påvirket arbeidet. Forbedret den kapasiteten? Forbedret den gjennomstrømmingen?

Hvor oppnådde man en gevinst? Og hvor kapasiteten faktisk havnet, er noe nesten ingen følger med på eller undersøker i dag. Hvis man ikke kan svare på hva et team gjør med tiden kunstig intelligens ga tilbake, har man ingen historie om avkastning på investeringen. Man har bare en historie om innføring.

Man har brukt penger og begynt å bruke flere verktøy, men man har ikke knyttet det til noe meningsfullt i virksomheten.

David Rice: Du sa nettopp: Hva gjør teamet? Jeg tror det må være hovedfokuset. Individuell produktivitet er svært forlokkende fordi den er lett å demonstrere: Dette tok tidligere 40 minutter, nå tar det 10.

Men får organisasjonen faktisk nytte av at én persons prosess går litt raskere? Man kan bli 30 prosent mer produktiv uten at organisasjonen blir 30 prosent mer produktiv. Hvis jeg gjør ferdig arbeidet mitt dobbelt så raskt, men det fortsatt blir liggende i kø hos noen andre som en flaskehals i tre dager, har vi egentlig forbedret noe?

Det finnes derfor et nyttig skille mellom oppgaveeffektivitet, gjennomstrømming i arbeidsflyten og forretningsresultat. Hvorfor er det likevel ofte et så stort gap mellom hvordan ledere tror en arbeidsflyt fungerer, og hvordan den faktisk blir gjennomført? Du var inne på det i starten, men kan du utdype litt ut fra erfaringene dine?

Heidi Farris: Prosessdokumentet er et øyeblikksbilde, mens arbeidet er et mål i bevegelse. Arbeidet endrer seg hele tiden. Man dokumenterer en prosess, men vi pleier å si internt at et prosessdokument sjelden overlever arbeidsstyrken.

Det betyr ikke at folk ikke gjør de riktige tingene. Det betyr bare at prosessdokumentet ikke viser alle nyansene når det brukes i praksis. Folk som står nærmest arbeidet, gjør dusinvis av små tilpasninger hver eneste uke for å gjøre det bedre. Disse tilpasningene kommer svært sjelden tilbake til noe dokument.

Når man ganger dette opp på tvers av hundrevis eller tusenvis av roller og mange år, blir avstanden mellom den dokumenterte prosessen og den faktiske arbeidsflyten raskt større. Ledere trenger et tydelig og kontinuerlig bilde av hvordan arbeidet blir gjort, slik at de kan lede organisasjoner smidig i en tid med kunstig intelligens.

David Rice: Jeg kan ikke komme på noe sted jeg har jobbet, der vi ikke hadde en omvei, en gjentakbar omvei som vi ansatte hadde utviklet. Den formelle prosessen samsvarer ikke med virkeligheten på bakken. En av risikoene med kunstig intelligens er at vi prøver å automatisere den offisielle arbeidsflyten uten å forstå omveien som kanskje får ting til å fungere.

I noen tilfeller var omveien tilfeldigvis det som fikk ting til å fungere. Den var ikke en del av den opprinnelige planen, men hvis vi begynner å fjerne disse tingene, må vi finne ut hvor mye av prosessen som bryter sammen.

Heidi Farris: Jeg tror vi som ledere ikke gir folk nok anerkjennelse for at de gjør arbeidet bedre hver eneste dag. De bruker dømmekraft og resonnering. Som nyansatt følger man et prosessdokument og klikker seg gjennom alle trinnene man skal klikke seg gjennom.

Så støter man på noe og tenker: «Å nei.» Personen som sitter ved siden av deg, på andre siden av skilleveggen eller på Slack, sier kanskje: «Du må holde inne Shift-tasten, gå til Excel, kopiere det herfra og lime det inn der, så fungerer alt igjen.»

Vi gir ikke mennesker nok anerkjennelse for at de finner ut av slike ting, selv om de ikke finnes noe sted i dokumentasjonen. Folk kaller dette erfaringsbasert kunnskap. Men når folk snakker om det, mener de ofte kunnskap av typen «Jeg vet mye om virksomheten». Det er ikke den typen erfaringsbasert kunnskap som virkelig får en organisasjon til å fungere.

Det som får en organisasjon til å fungere, er alle de små nyansene og omveiene, og kunnskapen om hvordan man må få noe til å fungere hver eneste dag slik at virksomheten kan fortsette å gå.

David Rice: Det leder til et annet spørsmål: Hva skjer med bemanningsplanleggingen når kunstig intelligens endrer kapasiteten i ulike funksjoner?

Vi ser dette skje i ulik takt. For en analytiker blir det annerledes enn for noen innen markedsføring eller regnskap. Det finnes mange ulike fagområder som nå tar i bruk den samme teknologien, men den har ikke alltid samme effekt overalt.

Hva må vi ta hensyn til når vi tenker på bemanningsplanlegging?

Heidi Farris: Vi hadde faktisk et godt internt eksempel på dette i våre egne team. Utviklingsteamet vårt tok i bruk verktøy for koding med kunstig intelligens og fant en måte å få stor effekt av det på. De reduserte syklustidene og fikk fart på innleggingen av kode.

Gjennomstrømmingen i utviklingsarbeidet vårt ble mer enn doblet. Det var en seier, og vi begynte alle å feire. Så innså vi raskt at utviklerne nå kunne skrive kode raskere enn produktlederteamet klarte å omarbeide kravene til dem.

Vi hadde altså bare flyttet flaskehalsen fra én funksjon i gruppen til en annen. Som organisasjon hadde vi ikke faktisk forbedret den samlede gjennomstrømmingen.

Vi gjorde det midlertidig, fordi utviklerne fikk gjort kravene som allerede lå på bordet, raskere. Men det ble et problem å få frem nye krav i samme tempo som de nå kunne utvikle kode. Derfor må organisasjoner se helhetlig på hele virksomheten og forstå at alt arbeid henger sammen på en eller annen måte.

Hvis én avdeling øker gjennomstrømmingen eller reduserer syklustiden, må naboteamene justere seg for å holde tritt med endringen.

David Rice: Det høres ut som et godt eksempel på utfordringen med bemanningsplanlegging. Det handler ikke om hvor mange mennesker vi trenger, men om hvor begrensningen kommer til å flytte seg. Den endrer seg hele tiden. Isolerte produktivitetsgevinster flytter flaskehalsen, eller skaper nye flaskehalser i stedet for å fjerne de gamle.

Heidi Farris: Noe av dette kommer til å skje fordi man ikke kan gjøre alt samtidig. Derfor må man tenke i en bestemt rekkefølge. Dette bør virkelig være en del av bemanningsplanleggingen. Man bør stoppe opp og tenke over hvilken del som skal akselereres først, og hvor lenge det vil kjøpe deg tid før du møter en annen flaskehals.

Et kontinuerlig bilde av arbeidet i hele organisasjonen gjør det mulig å forstå hvor disse svingningene kommer til å oppstå.

David Rice: Når du finner en arbeidsflyt som bruker mer kapasitet enn den kanskje burde, hvordan avgjør du om svaret er kunstig intelligens, prosessredesign, en annen teknologi eller ganske enkelt bedre tilrettelegging?

Heidi Farris: Det første spørsmålet ledere må svare på, er hva som faktisk skaper friksjonen. Hvis arbeidet er repetitivt, tydelig definert og har høyt volum, er det en kandidat for automatisering eller kunstig intelligens. Hvis selve rekkefølgen er feil, med for mange godkjenninger, unødvendige overleveringer eller dupliserte trinn, er det et problem med prosessdesignet som må løses.

Hvis prosessen og verktøyene fungerer, men folk ikke vet den beste måten å utføre arbeidet på eller mangler ferdighetene som kreves, er det et tilretteleggingsproblem. Løsningen må altså samsvare med den faktiske årsaken til at arbeidet ikke er så effektivt eller godt som man ønsker.

De fleste organisasjoner tyr igjen til å kjøpe mer teknologi uten først å undersøke hvilken av disse tre tingene problemet faktisk handler om, slik at de kan bruke riktig løsning.

David Rice: Det virker som om det kanskje finnes et insentivproblem her. Vi har satt av budsjetter til kunstig intelligens, og ledere har forpliktet seg til å bruke kunstig intelligens. Alle skal være «AI-first». Da blir det mer attraktivt å definere noe som et bruksområde for kunstig intelligens enn å beskrive det som et kjedelig ledelses- eller prosessproblem.

Når man først har bestemt seg for at kunstig intelligens er strategisk viktig, er det en fare for at all ineffektivitet plutselig begynner å se ut som en mulighet for kunstig intelligens. Noen problemer er egentlig bare gjentakende manuelle oppgaver som trenger automatisering, mens andre er uensartede oppgaver som trenger tydeligere standarder.

Andre igjen er forvirrende oppgaver som bare trenger opplæring. Vi må tenke på dette som ulike kategorier.

Heidi Farris: Jeg tror vi startet sterkt med kunstig intelligens, og den utviklingen fortsetter. Det er et stort skifte. Jeg er ikke i tvil om at kunstig intelligens er svært verdifullt og kommer til å endre måten vi alle arbeider på.

Jeg tror likevel at endringsledelse i starten er vanskelig hvis man ikke går helhjertet inn i noe. Derfor forstår jeg godt hvorfor organisasjoner hadde et stort fremstøt for kunstig intelligens. For å endre vanene og måten folk arbeider på, og få dem til å tenke utenfor boksen, må man noen ganger gjøre noe litt overdrevet for å få endringen i gang.

Men nå tror jeg endringen er godt i gang. Vi ser folk si: «Vi sa opp for raskt. Vi må ansette dem igjen.» Eller: «Vi fortalte alle at det å maksimere antall tegn og forespørsler gir deg toppen av resultatlisten, og at du får bonuser for det», og så innfører de begrensninger på forbruket.

Det må derfor komme en mer gjennomtenkt langsiktig tilnærming til hvordan kunstig intelligens brukes i organisasjoner. Jeg tror man trenger et rammeverk som forstår roller og oppgaver, og skiller mellom menneskelig arbeid, menneskestøttet arbeid og arbeid som bare utføres av kunstig intelligens. Hvor hører kunstig intelligens hjemme, og hvordan skal man få langsiktige gevinster av den nå som man har overbevist alle om at kunstig intelligens er veien fremover og fått folk til å bruke den?

Hva skal man gjøre nå?

David Rice: Det er nesten som et bybyggingsspill, der man bygger en by. Den første byen din var kanskje et veldig ryddig kart, men nå må du bygge den ut til en detaljert, langt mer innviklet og sofistikert by.

Det handler om forståelsen av hva som skjer i arbeidet. Vi er allerede godt i gang, og arbeidsflytene endres på tvers av funksjoner. HR har tradisjonelt eid jobber, talentstyringssystemer og bemanningsplanlegging. Drift har eid prosesser, IT har eid teknologi, og økonomi har eid pengene.

Hele strukturen endres når arbeidsflytene på tvers av disse funksjonene begynner å bli endret. Hvem skal ha ansvar for å redesigne selve arbeidet? Hvis alle gjør det på helt ulike måter, vet jeg ikke om det henger sammen slik det gjorde før.

Heidi Farris: Å redesigne selve arbeidet trenger en eier med to ting som de fleste initiativer innen kunstig intelligens mangler i dag.

For det første trenger man synlighet på tvers av hele arbeidsflyten, ikke bare én funksjons del av den. Da forstår man hvor arbeidsmengden flyter og varierer, og hvor arbeidet henger sammen. For det andre trenger man faktisk myndighet til å endre hvordan arbeidet er strukturert. Uten den andre delen blir man bundet på hendene.

Man kan peke på alle stedene i organisasjonen, men uten myndighet til faktisk å si «Vi skal revurdere hvordan arbeidet er strukturert for denne funksjonen, rollen eller avdelingen», kommer man ikke langt. Funksjonsledere står nær arbeidet, men nettopp derfor kan de bli bundet til en bestemt måte å gjøre ting på og bli urolige av tanken på å endre den.

Det kan derfor ikke bare være et team for kunstig intelligens eller IT, for de forstår ikke nyansene funksjonslederne kjenner. Det kan heller ikke bare være funksjonsledere, for de forstår ikke all kapasiteten kunstig intelligens kan tilføre organisasjonen.

Det bør derfor ofte være en rolle som ligner på en driftsdirektør. En person som eier resultatene fra ende til annen og behandler redesign som en faktisk leveranse på tvers av organisasjonen. Kunstig intelligens er bare én måte å løse problemet på, ikke selve løsningen.

David Rice: Jeg er enig. Vi har hatt mange samtaler det siste året om at personaldirektørens ansvarsområde må utvides, fra å utforme jobber og organisasjoner til å utforme hvordan menneskelig og maskinell kapasitet kombineres for å produsere arbeid.

For dem som har gjort dette, har det ført til mer ansvar for drift, i stedet for at rollen fortsatt hovedsakelig føles som HR eller personaldrift. Rollen har utviklet seg til noe annet. Jeg vet ikke om det er den langsiktige løsningen, for utfordringene knyttet til mennesker er store nok allerede.

Heidi Farris: Jeg er enig. Det kunstig intelligens tilfører HR-ledere, og som jeg synes er svært spennende for HR, er at det faktisk begynner å føre mennesker og drift sammen. Mange organisasjoner har satt HR til side og sagt: «HR gjør noe der borte, mens vi driver virksomheten her. HR kommer inn med ting knyttet til etterlevelse og andre behov, og de har sine egne data, mens vi har dataene vi bruker til å drive virksomheten.»

Nå må alle disse dataene vise det samme bildet av arbeidet. Hvis man skal drive virksomheten og redesigne roller, er HR naturligvis en viktig, om ikke den viktigste, interessenten i hele samtalen. Det får konsekvenser for lønn, tittel, struktur og alle slike forhold.

Jeg tror derfor kunstig intelligens er svært spennende for HR-ledere. Det er riktignok krevende på den ene siden, men også spennende fordi HR nå kan bli en del av den daglige driften av virksomheten, i stedet for å være et etterlevelsessenter på siden av alt annet.

David Rice: Du nevnte tidligere bruksmålingene, og det finnes mye av dette der ute: aktiverte lisenser, ukentlige aktive brukere, lanserte bruksområder og alle disse tingene som forteller oss at vi bruker teknologien. Jeg tror ikke de nødvendigvis forteller oss at vi har gått lenger enn bare å ta den i bruk og faktisk har endret driften.

Hva er tegnene på at noen har gjort dette, og at virksomheten nå drives annerledes?

Heidi Farris: Jeg tror en organisasjon har kommet forbi innføringsfasen når ledelsen, eller egentlig hvem som helst i organisasjonen, kan forklare hvilket arbeid som ble redesignet, hva resultatet ble, og hvor dette kommer til syne i målene.

For ledelsen er dette resultatregnskapet. For teamene kan det være delmål under dette. Det holder ikke å si: «Kundestøtteteamet vårt sparer tid.» De pleide å gjennomføre kvartalsvise forretningsgjennomganger manuelt, samle inn alle dataene for en kunde og lage presentasjonen. Nå kan de gjøre det på fem minutter i stedet for fire timer.

Det er én ting. Men man må også kunne si: «Hvor kom dette til syne i et mål eller i resultatregnskapet?» Den sparte tiden er ikke selve poenget. Poenget er at de med den ekstra tiden kunne øke kundeporteføljen sin med 50 kunder hver. Da trenger man kanskje ett kundesuksessteam-medlem per 75 kunder i stedet for ett per 25 kunder.

Det er da det begynner å vises i mål og resultater. Dette er de viktigste kjennetegnene på at en organisasjon faktisk går fra innføring til effekt: Ikke bare fortell meg hva dere gjorde med kunstig intelligens, men fortell meg hva dere gjorde med gevinsten dere fikk fra kunstig intelligens.

David Rice: Jo flere samtaler jeg har om dette, desto mer kommer jeg til konklusjonen om at det til slutt må bli synlig et sted. Det kan ikke bare være i et dashbord. Det må være i utformingen av roller, kunderesultater, organisasjonsstrukturen, ferdighetene eller noe annet. Hvis teknologien virkelig endrer organisasjonen, bør jeg kunne se tegn på det uten å se på en måling.

Kanskje det ultimate tegnet på modenhet innen kunstig intelligens er at vi slutter å snakke om kunstig intelligens, fordi vi snakker om hvordan virksomheten drives.

Heidi Farris: Jeg kunne ikke vært mer enig. Jeg tror HR og drift kommer til å samarbeide, og kunstig intelligens er én av mange løsninger når vi undersøker hvordan arbeidet blir gjort i dag.

David Rice: Heidi, det var faktisk alle spørsmålene jeg hadde til deg i dag. Takk for at du var med og delte innsikten din. Jeg setter stor pris på samtalen.

Heidi Farris: Takk for at du inviterte meg, David.

David Rice: Kjære lytter, hvis du ikke allerede har gjort det, kan du gå til peoplemanagingpeople.com/subscribe og melde deg på alle nyhetsbrevene våre. Det kommer ut tre hver uke. Du får alt dette innholdet samlet på en fin måte, rett i innboksen din.

Til neste gang: Folk gjør allerede arbeidet bedre hver eneste dag. Ikke glem det.