Overleveringen mellom mennesker og kunstig intelligens er mer komplisert enn selskaper tror

David Rice: De fleste samtaler om kunstig intelligens i større virksomheter starter med det samme spørsmålet: Hva kan vi automatisere? Men det er feil sted å begynne. I dagens episode snakker jeg med Paula Goldman, ansvarlig for etisk og menneskelig bruk i Salesforce, om forskjellen mellom å utforme for automatisering og å utforme for samarbeid mellom mennesker og kunstig intelligens.

De er ikke det samme. Automatisering spør hvilke trinn du kan fjerne. Samarbeid spør hvilket arbeid som kan bli mulig nå som mennesker har fått en ny kapasitet tilgjengelig. Overleveringen mellom kunstig intelligens og mennesker er heller ikke så tydelig som vi liker å late som. Når kunder er sinte, vil de snakke med et menneske. Når de er flaue, foretrekker de ofte kunstig intelligens.

Generelle antakelser om hvor denne grensen går, kommer til å koste organisasjoner tillit på måter det er vanskelig å gjenopprette. Paulas hovedargument er at etter hvert som kunstig intelligens blir kraftigere, blir dømmekraft og relasjonsbygging viktigere, ikke mindre. Produktivitet er et mellomliggende resultat. Det mer interessante spørsmålet er hva du gjør med kapasiteten den skaper.

I dag snakker vi derfor om hvorfor det å starte med automatisering får ledere til å overse hvordan menneskelig arbeid skaper verdi, hvordan man kan tenke på overleveringen mellom kunstig intelligens og mennesker for sine spesifikke bruksområder, hvorfor alle ansatte nå blir bedt om å håndtere kunstig intelligens med den samme mangelen på opplæring som ledere en gang fikk, og hvordan det i praksis ser ut å utforme arbeid for menneskelig utfoldelse.

Jeg heter David Rice. Dette er People Managing People, og hvis AI-strategien din er organisert rundt hva du kan automatisere i stedet for hva arbeidet kan bli, kommer denne samtalen til å gi deg et helt nytt perspektiv på spørsmålet. La oss sette i gang.

Møt Teamflect, den høyest rangerte plattformen for prestasjonsstyring og medarbeiderengasjement, utviklet for Microsoft Teams.

Over tusen organisasjoner stoler på oss. En brukervennlig, men likevel virksomhetsklar løsning. Besøk Teamflect.com for å finne ut mer.

Paula, velkommen til dagens episode.

Paula Goldman: Takk for at jeg fikk komme.

David Rice: Jeg ville starte samtalen med at mye av samtalen om kunstig intelligens i større virksomheter fortsatt begynner med en eller annen variant av: «Hva kan vi automatisere?»

Du argumenterer på en måte for at det å utforme for automatisering og det å utforme for samarbeid mellom mennesker og kunstig intelligens i utgangspunktet er to forskjellige ting. Hvis vi starter med automatisering som mål, hva fører det til at ledere overser ved menneskelig arbeid og hvordan det skaper verdi?

Paula Goldman: Takk. Jeg synes du formulerte spørsmålet veldig godt, og jeg tror det består av flere deler.

Den ene handler ganske enkelt om forskjellen mellom et transformativt resultat og en liten effektivitetsøkning. Vi må spørre: «Hva gjør kunstig intelligens mulig for virksomheten vår? Hvordan kan vi glede kundene og de ansatte enda mer?» Men på et mer grunnleggende nivå handler spørsmålet også om å erkjenne hvor menneskelig samhandling er avgjørende for at et resultat skal lykkes.

Der forbindelsen, for eksempel, mellom personen som svarer på telefonen og personen som ringer inn, kan utgjøre forskjellen mellom en svært skuffet kunde og en fornøyd kunde. Eller der menneskelig veiledning av en ansatt kan utgjøre forskjellen mellom motivasjon og utvikling – eller mangel på dette.

Jeg tror vi har undervurdert betydningen av dette kraftig. Kunstig intelligens er svært kraftig. Det er utrolig mye vi kan gjøre med den. Men det riktige spørsmålet er: Hvordan får vi mennesker og kunstig intelligens til å arbeide godt sammen for å oppnå ansvarlige og ekstraordinære resultater, ikke bare hvor vi kan koble inn kunstig intelligens?

David Rice: En del av problemet vårt er at effektivitet og verdi ofte blir nærmest synonymer i tankene våre. Men en arbeidsflyt kan bli dramatisk mer effektiv og samtidig bli dårligere til å skape ting som betyr noe: tillit, læring, kreativitet og dømmekraft. Automatisering behandler gjerne den eksisterende arbeidsflyten som analyseenheten.

Hvilke trinn kan vi fjerne? Samarbeid stiller et annet spørsmål: «Hva kan denne arbeidsflyten bli nå som mennesker har fått en ny type kapasitet tilgjengelig?»

Paula Goldman: Det synes jeg du sa veldig godt.

David Rice: Jeg tror dette er spesielt relevant for HR-direktører, fordi en økonomidirektør vil se at tjue prosent kapasitet er frigjort.

HR må spørre hva som skjer med jobbkompetansen og det organisatoriske systemet rundt denne kapasiteten. Dette er noe av det store vi må forsøke å håndtere akkurat nå. Du har snakket om å utforme overleveringen mellom kunstig intelligens og mennesker. Men grensen er ikke så enkel som at kunstig intelligens håndterer rutinearbeid og mennesker håndterer komplekst arbeid.

Vi sier det, men jeg tror ikke det er så ryddig. Noen foretrekker faktisk kunstig intelligens i svært sensitive samhandlinger, mens andre tilsynelatende enkle øyeblikk i stor grad avhenger av menneskelig kontakt. Hvordan bør organisasjoner etter din mening avgjøre hvor grensen går, i stedet for å gjøre generelle antakelser om dette?

Paula Goldman: Det er ikke slik at denne tommelfingerregelen – la kunstig intelligens håndtere det rutinemessige og mennesker håndtere det komplekse – er feil. Det er faktisk et ganske godt utgangspunkt. Men når du begynner å se på individuelle bruksområder, blir det veldig interessant. Ta kundeservice som eksempel.

Hvis kunstig intelligens aldri har sett et spørsmål før, og ikke har noen data om svaret, bør den sannsynligvis ikke håndtere det. Men det finnes også andre tommelfingerregler. Hvis noe er sterkt regulert, for eksempel økonomisk rådgivning for små bedrifter, og man kommer inn på en regulert kategori som skatterådgivning, ønsker man at et menneske håndterer det.

Men når du begynner å tenke på kundens følelser eller den emosjonelle forbindelsen, blir det virkelig interessant. Det finnes mengder av studier og data som viser at når kunder er sinte, vil de vanligvis snakke med en person. Når de er flaue – kanskje på grunn av en medisinsk tilstand eller noe de ikke ønsker å bli dømt for – finnes det en svak preferanse for kunstig intelligens.

Derfor er det svært viktig å forstå disse tendensene og preferansene: hvor mennesker ønsker å snakke med mennesker, og hvor de ikke gjør det. Når du tenker på kundeservice, handler dette ikke bare om effektivitet. Det er her du beholder kunden eller mister kunden.

Du får ikke mange sjanser til å lykkes med det. Derfor tror jeg vi bare så vidt har begynt å forstå hvordan samarbeid fungerer i praksis, og at det er avgjørende å ta hensyn til den menneskelige siden.

David Rice: Kanskje skillet ikke er så enkelt som rutine mot kompleksitet, men heller hva folk ønsker fra denne samhandlingen.

Når de er sinte, vil de snakke med et menneske. Hvis de føler skam eller frykter å bli dømt, kan kunstig intelligens oppleves som litt psykologisk tryggere enn en person. Det antyder at organisasjoner trenger brukerundersøkelser, ikke bare prosesskartlegging, før de avgjør hvor mennesker skal inngå.

Grensen er heller ikke permanent. Folk kan først ønske trygghet fra et menneske og senere bli komfortable med kunstig intelligens, eller det motsatte kan skje. Vi bruker oppgavens kompleksitet som en stedfortreder for hvor mennesker skaper verdi. Tror du den emosjonelle konsekvensen faktisk er en bedre variabel?

Paula Goldman: Jeg tror begge er svært viktige variabler, og at det kan få alvorlige konsekvenser å ignorere den menneskelige forbindelsen.

Over tid kan folk bli mer vant til å samhandle med kunstig intelligens, og kunstig intelligens blir stadig bedre og kraftigere. Men det kan også hende at mennesker verdsetter menneskelig kontakt mer. Etter hvert som forbrukere og ansatte bruker kunstig intelligens mer til å filtrere bort det som kommer mot dem, kan vi få færre menneskelige kontaktpunkter. Da vil de bety mye mer.

Det er vanskelig å forutsi hvordan dette vil utvikle seg, men etter å ha skrevet boken føler jeg meg helt sikker på at vi undervurderer betydningen av den menneskelige siden ved samhandling.

David Rice: Du fortalte meg en flott historie om sosialarbeidere som motsatte seg et AI-verktøy som skulle spare dem for turen tilbake til kontoret etter feltbesøk. Ledelsen så turen som ineffektivitet, mens arbeidstakerne så den som stedet der de sammen bearbeidet vanskelige saker.

Hvordan skiller man sløsing fra tilsynelatende ineffektive menneskelige samhandlinger som faktisk påvirker tillit, læring, dømmekraft og motstandskraft mest?

Paula Goldman: Det var et godt eksempel på betydningen av å virkelig forstå ritualet. Når folk drar ut i felt, håndterer de vanskelige saker. Noen ganger møter de noe de aldri har sett før. Noen ganger kan arbeidet ha en emosjonell belastning. De ønsker å komme tilbake og bearbeide og lære sammen, kanskje fordi en kollega har opplevd noe lignende tidligere.

Spørsmålet er ikke om kunstig intelligens kan hjelpe med å ta notater eller gjennomføre en prosess. Spørsmålet er hvordan den best kan støtte både effektiviteten og den kollektive læringen som foregår. En liten justering – å forstå at målet ikke bare er å spare tid, men å øke læringen i teamet – kan utgjøre en enorm forskjell.

Målet er å finne de beste svarene for menneskene som får støtte gjennom slike saksbehandlere. I historien jeg fortalte deg, kom dette fra et kommunestyre i Storbritannia, der pilotprosjektet ble avvist.

En liten endring mot en mer menneskesentrert innføring kunne ha bevart både effektiviteten og all læringen som fulgte med den.

David Rice: Vi har brukt flere tiår på å snakke om friksjon som noe negativt og om hvordan den kan fjernes. Nå gir kunstig intelligens oss en enestående mulighet til faktisk å gjøre det.

Men jeg tror vi kommer til å oppdage mer positiv friksjon. Turen tilbake til kontoret så ut som transportsløsing på et prosesskart, men i virkeligheten var den kollegaveiledning, muligheten til å koble av sammen og dele uformell kunnskap.

Vi kommer til å finne lignende eksempler overalt: yngre ansatte som overhører erfarne kolleger, samtaler etter møter og det å spørre personen ved siden av deg hvordan de ville håndtert noe. Disse samhandlingene er usynlige, men uvurderlige for avkastning på investeringer og medarbeiderutvikling.

Paula Goldman: Jeg er enig. Hos Salesforce kaller vi dette bevisst friksjon. Kunstig intelligens og teknologi er svært kraftige, men noen steder er forskjellen mellom et vellykket og et mislykket resultat at et menneske griper inn med dømmekraft.

Jeg bruker mye tid hver dag på å identifisere øyeblikkene der man bør oppfordre noen til å se en gang til. Det kan være fordi kunstig intelligens anbefaler en beslutning med store konsekvenser, for eksempel i forbindelse med ansettelse eller lånevurdering, der man trenger menneskelig tilsyn.

Men det kan også være så enkelt som at man ønsker at noen skal være engasjert, fordi det vil gjøre en stor forskjell. Det må gjøres svært forsiktig, men påstanden om at friksjon alltid er negativ, stemmer ikke. Noen steder trenger vi faktisk friksjon i systemet.

David Rice: Jeg har hørt noen kalle dette bærekraftig ineffektivitet, som jeg syntes var en morsom formulering.

Bør det være HR-direktørens ansvar å identifisere hvilke ineffektiviteter som ikke egentlig er ineffektive, før AI-transformasjonen fjerner dem?

Paula Goldman: HR har en helt avgjørende rolle i å hjelpe alle funksjoner i et selskap med å bruke kunstig intelligens på en måte som gir best mulige resultater. Det innebærer mange nye typer ansvar for HR-organisasjonen.

Samtidig må spørsmålet på noen måter delegeres til hver enkelt funksjon. Markedsavdelingen vet hvor smak, menneskelig autentisitet og personlig preg betyr noe i budskapene som skapes, og hvor kunstig intelligens kan brukes til å tilpasse et budskap på tjue tusen ulike måter for tjue tusen kunder.

Det interessante er at kunstig intelligens nå finnes overalt. Det handler ikke lenger bare om én eller to apper et selskap bruker. I Salesforce-sammenheng er den dypt integrert i alt vi gjør på tvers av alle funksjoner.

Derfor trenger du eksperter i de ulike funksjonene til å avgjøre hvilke bruksområder som er viktigst. Samtidig må HR bidra og tenke på hvordan man sikrer at menneskelig ekspertise fortsatt står sentralt for å oppnå best mulige resultater.

David Rice: Ansatte kan ikke bare være mottakere av AI-transformasjonen. De har informasjon om arbeidet som de som utformer transformasjonen kanskje ikke har.

Organisasjoner kan ikke redesigne alle arbeidsflyter gjennom komiteer. Hvordan ser meningsfull medarbeiderdeltakelse ut uten å bremse transformasjonen så mye at ledere blir ukomfortable?

Paula Goldman: Arbeidstakere bør ha en plass ved bordet. Historien om sosialarbeiderne er et godt eksempel på hvorfor det å la være er kontraproduktivt. Det finnes måter å gjøre dette på som faktisk fremskynder resultatene og gjør det mulig å oppdage problemer før de blir store.

Vi arrangerer for eksempel hackatoner der ansatte utvikler ideer til hvordan kunstig intelligens kan brukes. Et av mine favoriteksempler er nevrodivergente ansatte som undersøkte hvordan kunstig intelligens kunne brukes i Slack slik at de ikke ble overveldet av de mange informasjonsformene de mottok.

Ideene deres ble senere brukt til fokusmodus i Slack. Det finnes mange eksempler på hvordan involvering av mennesker øker innovasjonen. Det handler ikke bare om hackatoner, men også om å be om tilbakemeldinger i applikasjonen, involvere folk i idéarbeidet om hvilke apper som blir viktige, og faktisk lytte til tilbakemeldingene.

Målet er ikke bare å rulle ut kunstig intelligens og si at alle må ta den i bruk. Det handler om hvordan folk faktisk bruker den i det daglige arbeidet for å oppnå bedre resultater. De som er nærmest arbeidet, vet ofte best hvordan dette kan gjøres.

David Rice: Det er forskjell på at ansatte har vetorett og at de bidrar med designinnsikt. Frontlinjeansatte kjenner ofte til omveier og regler som ikke står i standardprosedyrene. De har skjulte arbeidsflyter.

Paula Goldman: Nettopp. Noen ganger kan kunstig intelligens fange opp denne tause kunnskapen og gjøre den mer tilgjengelig. Andre ganger finnes det kunnskap som aldri vil dukke opp fordi den ikke er eksplisitt kodifisert. Det kan handle om å lese rommet eller forstå hvordan noe har blitt gjort i årevis. Derfor ønsker du denne ekspertisen – den gir langt bedre resultater.

David Rice: Jeg ville formulert det mindre som deltakelse og konsultasjon, og mer som innhenting av krav. Folk tar i større grad i bruk et system når de kjenner igjen sin egen virkelighet i utformingen.

Paula Goldman: Hundre prosent. Det er en flott måte å formulere det på.

David Rice: Hvordan skiller man legitim kunnskap fra frontlinjen fra motstand som egentlig bare betyr «jeg vil ikke at jobben min skal endres»?

Paula Goldman: Dette er svært viktig. Vi gjennomgår en enorm transformasjon i måten vi arbeider på. Endring er vanskelig. Derfor er det enda en grunn til å involvere mennesker, gi dem en plass ved bordet og forstå kravene. Det gir bedre resultater fordi vi ber folk endre måten de arbeider på.

Det er lett å undervurdere den sterke emosjonelle kurven de går gjennom, og kunnskapen som må tas i bruk underveis. Et viktig spørsmål er hva som må forbli menneskelig. Å innhente synspunkter på dette betyr ikke at enhver mening bestemmer resultatet, men man må virkelig lytte og forstå hvor dømmekraft, relasjonsbygging og håndtering av unntakstilfeller gjør en stor forskjell.

Å involvere mennesker i utformingen av hvordan arbeidet skal se ut, betyr mye. Folk må få tid til å bli med på endringen og se at den faktisk kan gjøre arbeidet bedre. Da kan det bli svært inspirerende. Men det er vanskelig. Det er endringsledelse.

David Rice: Det finnes en annen side ved samarbeid mellom mennesker og kunstig intelligens. Hvis vi systematisk overfører bestemte kognitive oppgaver til kunstig intelligens, redesigner vi ikke bare jobber. Vi kan også redesigne hvordan mennesker utvikler ekspertise og evnen til å forme det som kommer ut av arbeidsplassen.

Hvordan bør ledere tenke på hva mennesker må fortsette å gjøre, ikke fordi kunstig intelligens ikke kan gjøre det, men fordi det å gjøre det er slik folk utvikler dømmekraften de trenger for å lykkes i rollene sine? Det er forskjell på om kunstig intelligens kan utføre oppgaven og om mennesker bør slutte å utføre den.

Paula Goldman: Det er helt riktig. Vi må skille mellom «kan» og «bør». I kundeservice og mange andre sammenhenger kan forskjellen mellom disse ordene være forskjellen mellom suksess og fiasko.

Fra et HR-perspektiv tenker jeg på teknologi som hjelper ledere med å gjennomføre mer grundige medarbeidersamtaler og gi bedre tilbakemeldinger. Det er forskjell på at kunstig intelligens hjelper med å samle inn informasjon, og at en leder tar ansvar for hvordan vurderingen ser ut og formidler den. Det siste kan utgjøre forskjellen mellom motivasjon og det motsatte.

Det er derfor du oppmuntrer en leder til å følge opp teamet oftere, i stedet for å la kunstig intelligens gjøre oppfølgingen. Det fungerer ikke på samme måte.

Spørsmålet om hvordan ekspertise utvikles, er også svært viktig. Det er derfor vi ser fornyet interesse for lærlingeordninger, opplæring og ferdigheter.

Om fem eller ti år vil dette spørsmålet kanskje se annerledes ut. Da regnearket kom, var mange bekymret for at folk skulle miste ekspertisen i å utføre beregninger. Du trenger fortsatt å kunne det grunnleggende, men du lærer deg teknologien, finner måter å kontrollere resultatene på og forstår hva du kan stole på.

Vi ser også nye roller der man lærer det grunnleggende ved å føre tilsyn med kunstig intelligens. Hvis kunstig intelligens brukes i salg, kan man for eksempel følge med på hvilke innkommende spørsmål den besvarer godt, hvor den ikke fungerer, og hvordan den kan forbedres. Det vil oppstå nye måter å lære virksomheten på fordi kunstig intelligens endrer hvordan arbeidet utføres.

David Rice: Noen oppgaver kan måtte forbli bevisst menneskelige som opplæringsoppgaver, selv om kunstig intelligens kan utføre dem raskere. Det skaper et ubehagelig økonomisk spørsmål: Hvem betaler for den utviklingsmessige ineffektiviteten?

Paula Goldman: Jeg mener det er feil måte å formulere effektivitet på. Vi snakker om at mennesker lærer å håndtere AI-systemer. Du skal gjøre en stor investering i kunstig intelligens, og da må du ha mennesker som både kjenner virksomheten og vet hvilke oppgaver som bør delegeres til kunstig intelligens.

Dette er ikke ineffektivitet. Det handler om å sikre at investeringen faktisk løser problemet. Når du har både virksomhetskunnskap og dømmekraft, er mulighetene enorme.

David Rice: Jeg er bekymret for at mennesker som tenker i kvartaler og kortsiktige gevinster, kan bli vanskelige å overbevise. Vi må beholde disse ferdighetene fordi de blir stadig viktigere etter hvert som teknologien utvikler seg.

Paula Goldman: Vi har sett eksempler på at funksjoner først ble fullstendig bygget om, før man gikk tilbake og innså at mennesker fortsatt hadde en enorm rolle å spille. Når man får menneskers rolle riktig og lærer dem å håndtere teknologien som endrer arbeidet, oppnår man bedre resultater raskere.

David Rice: De fleste forretningsmodeller for kunstig intelligens er gode til å fange opp det som forsvinner: sparte timer, automatiserte oppgaver og frigjort kapasitet. De er dårligere til å måle det som kan forsvinne sammen med det – taus kunnskap, relasjoner, dømmekraft, veiledning og uformelle øyeblikk der mennesker sammen skaper mening i vanskelig arbeid.

Undervurderer vår nåværende definisjon av avkastning på AI systematisk den menneskelige siden av arbeidet?

Paula Goldman: Den er i endring, men ja. Derfor begynner vi å måle avkastning på kunstig intelligens ut fra resultater i stedet for bare hvor mange timer som ble spart. Hvor mange kundesamtaler ble faktisk løst? Hvis du bruker kunstig intelligens til opplæring, ble de ansattes ferdigheter faktisk forbedret? Hvis du bruker den i juridisk arbeid, ble kvaliteten på dokumentene bedre, eller fikk du bare en rekke feilaktige svar?

Når du ser helhetlig på målingene, tar du hensyn til både hva kunstig intelligens kan og ikke kan gjøre, hvor mennesker må inngå i prosessen, hvor ting må dobbeltsjekkes, og hvor folk fortsatt må lære mens de arbeider.

Jeg tror vi kommer til å måle mer helhetlige forretningsresultater. Da vil vi investere bedre i teknologien og få et tydeligere veikart for hvordan menneskers jobber bør utvikle seg på en måte som gir dem mer innflytelse og flere muligheter.

David Rice: Vi beveger oss bort fra å måle bruk. Folk begynner å innse at målbare gevinster kan oppstå nå, mens mer spredte tap – som svakere dømmekraft – kanskje ikke oppdages før om ett eller to år. Fordelen bokføres nå, mens kostnaden for kapasiteten utsettes.

Paula Goldman: Det samme gjelder for eksempel kundetilfredshet. Kunstig intelligens kan svare på alle kundespørsmålene dine, men det betyr ikke at kunden gjennomfører kjøpet eller er fornøyd med tjenesten. Du må måle på riktig måte og finne balansen mellom hvor mennesker bør gripe inn og hvorfor det betyr noe.

David Rice: Hva ville du faktisk målt hvis du ville vise de langsiktige virkningene og få dette inn i en stor transformasjonsplan?

Paula Goldman: Fra kundens perspektiv bør du måle sparte timer, men også kundetilfredshet, kundeavgang og hvor mange kunder som konverterer fra salgsarbeidet. Dette er ikke nye målinger. Det er helhetlige måter vi allerede måler virksomheten på.

Kunstig intelligens bør integreres i systemet. Kunden bør kunne stille spørsmål på nettstedet og få en enkel transaksjon gjennomført på nett. Hvis saken er vanskeligere, bør den sendes videre til en person som kan avslutte avtalen og hjelpe kunden med å forstå problemet.

Vi trenger ikke nødvendigvis nye måltall. Vi må bare bruke dem på en fornuftig måte.

David Rice: Du sa noe jeg likte: «Teknologi er kraftig, men den er ikke hovedpersonen. Det er vi.» Hvis vi tar det på alvor, kan ikke målet med AI-transformasjon bare være å gjøre mennesker mer produktive. Hva bør organisasjoner faktisk ønske at mennesker blir bedre på når maskiner blir mer kapable?

Paula Goldman: Jeg skrev boken fordi mange smarte mennesker tok kontakt med meg og var nervøse. De lurte på om de fortsatt hadde betydning, og om mennesker var i ferd med å bli overflødige.

Gjennom samtaler med kunder og ved å observere teknologi over tid ble det tydelig for meg at det motsatte er sant. Etter hvert som kunstig intelligens blir kraftigere, blir dømmekraft og relasjonsbygging stadig viktigere. Vi blir alle ledere for kunstig intelligens.

Vi blir forsterket, og for å kunne håndtere det må vi forstå hva teknologien er god og dårlig på og vite når vi skal gripe inn. Dette handler ikke om å bygge en raskere hest. Det handler om å forestille seg hva som blir mulig når kunstig intelligens kan tilpasse samhandling i stor skala, besvare førstelinjespørsmål fra kunder eller gi alle ansatte informasjonen de trenger om personalgoder.

Det som blir mulig, vil etter hvert være et grunnleggende krav. Det som betyr noe, er mennesker som vet hvordan de skal utnytte effektiviteten og gjøre noe bedre for kunder og ansatte. Derfor er det viktig at mennesker ikke bare har kompetanse i kunstig intelligens, men også får tillit til egen dømmekraft og mulighet til å tenke nytt.

Ikke en raskere hest, men en nytenkt virksomhet. Det er derfor jeg brenner for denne samtalen.

David Rice: Flere ledere begynner å se dette som et valg innen organisasjonsutforming, ikke bare som en uunngåelig konsekvens av at teknologien kommer inn på arbeidsplassen.

Produktivitet er et mellomliggende resultat, ikke nødvendigvis målet. Det mer interessante spørsmålet er hva vi gjør med kapasiteten teknologien skaper.

Paula Goldman: Det er helt riktig. Produktivitet er svært viktig, men vi trenger også mennesker som fører tilsyn, forstår grensene for når kunstig intelligens bør gripe inn, og når mennesker bør gjøre det. Vi trenger også mennesker som får myndighet til å tenke nytt og holde kundene og de ansatte sentralt i transformasjonen. Det er disse selskapene som kommer til å lykkes.

David Rice: Jobber blir redesignet, og ledere er et godt eksempel. Hvis kunstig intelligens fjerner rapportering og administrativt arbeid, ønsker du noe annet fra lederen. Du ønsker at lederen skal bli en bedre veileder og få mer ut av medarbeiderne sine.

Paula Goldman: Vi ber nå nesten alle ansatte om å håndtere kunstig intelligens, med omtrent den samme mangelen på opplæring som ledere tidligere fikk. Det var en av motivasjonene mine for å skrive boken.

En god leder trenger ikke alltid å ha svarene. Min egen leder, John Stormer, hjalp meg med å utvikle ideen til boken ved å gi næring til nysgjerrigheten min, sende meg podkaster og artikler og formidle at ideen var viktig. Den støtten ga meg selvtillit til å dele perspektivet med verden.

Vi undervurderer hvor mye slik kontakt betyr. Dette er noe vi ikke ønsker å miste når kunstig intelligens blir kraftigere. Vi bør utforme arbeidet slik at slike forbindelser ikke bare bevares, men blir vanligere. Det er en mulighet som virkelig inspirerer meg.

David Rice: Paula, dette var en flott samtale. Takk for at du tok deg tid.

Paula Goldman: Takk for at jeg fikk komme, og takk for så gode spørsmål. Jeg likte det veldig godt.

David Rice: Lyttere, hvis dere ikke allerede har gjort det, bør dere sjekke ut AI-signalet vårt. Hver uke lager vi en lederorientering med det ene du bør tenke på denne uken – enten det er noe du bør være oppmerksom på, et spørsmål du bør stille på neste ledermøte, eller et verktøy for å vurdere arbeidet som pågår.

Meld deg på. Frem til neste gang: Tenk på mulighetene. Vi redesigner arbeidet her.

Gjennomfør medarbeidersamtaler og ta innsikt om medarbeiderengasjement inn i ditt foretrukne AI-verktøy. Koble Teamflect til ChatGPT, Claude eller en hvilken som helst stor språkmodell for å kontrollere mål, skrive vurderinger, evaluere tilbakemeldinger, opprette oppgaver og mer – alt gjennom en enkel chat. Prøv Teamflect gratis nå.