AI i prestasjonsstyring: Bruksområder og veiledning for innføring

• Generativ AI (LLM-er): Oppretter innhold som utkast til medarbeidersamtaler, måloppsummeringer og utviklingsplaner basert på eksisterende data. Sparer tid, men krever menneskelig kontroll for å sikre nøyaktighet og riktig tone.
• Maskinlæring og prediktiv analyse: Analyserer mønstre for å forutsi utvikling i prestasjoner, identifisere kompetansegap eller varsle om mulig risiko for at ansatte slutter. Kraftig for planlegging, men problematisk hvis det brukes mekanisk.
• Automatisering og arbeidsflytverktøy: Håndterer repetitive oppgaver som å planlegge evalueringer, sende påminnelser og samle tilbakemeldinger. Frigjør tid til meningsfull menneskelig samhandling.
• Språkprosessering: Tolker tekst fra tilbakemeldinger, undersøkelser og resultatnotater for å identifisere temaer og holdninger. Nyttig for analyse, men begrenset når det gjelder å forstå kontekst og nyanser.

Forvaltningsspørsmålet: Effektivitet kontra menneskelighet

Her ligger spenningen i kjernen av AI i resultatstyring: De samme verktøyene som kan hjelpe ledere med å ha bedre samtaler, kan også legge til rette for overvåking, videreføre skjevheter og redusere mennesker til datapunkter.

De fleste AI-implementeringer optimaliserer for ett av to mål:

• Effektivitetstilnærmingen: Raskere evalueringer, automatiserte tilbakemeldinger og prediktiv skåring. Fokuset ligger på gjennomstrømning, eller med andre ord å få resultatstyringen "gjort" med mindre tid og innsats. Denne tilnærmingen ser på AI som en måte å skalere ledernes oppmerksomhet på uten å øke bemanningen.
• Forvaltningstilnærmingen: Bedre forståelse, personlig utvikling og proaktiv støtte. Fokuset ligger på å bruke AI til å frigjøre menneskelig kapasitet til de delene av resultatstyringen som betyr mest, som å forstå kontekst, bygge tillit og navigere i kompleksitet.

Denne forskjellen påvirker hvilke verktøy du velger, hvordan du implementerer dem, hva du måler, og til syvende og sist om AI forbedrer eller svekker arbeidsforholdet.

Som HR-ledere blir dere bedt om å ta disse valgene nå, ofte med leverandører som lover begge resultater samtidig. Realiteten er at dere må velge. Optimaliserer dere for virksomhetens effektivitet eller for menneskers utvikling? Svaret bør styre hver AI-beslutning dere tar.

Spørsmål du bør stille før du implementerer AI

Før du tar i bruk et AI-verktøy for resultatstyring, bør du spørre:

1. Øker dette åpenheten, eller gjør det beslutningstakingen mer uklar? Kan ansatte se hvordan AI fungerer og hvilke data det bruker? Eller skaper det en svart boks som ledere kan gjemme seg bak?
2. Gir det ansatte innflytelse, eller overvåker det dem bare bedre? Kan medarbeidere bruke denne innsikten til sin egen utvikling? Eller er det først og fremst et verktøy for lederes overvåking?
3. Tar det tak i systemiske problemer, eller automatiserer det eksisterende skjevheter? Hvis dagens system for resultatstyring har problemer med skjevheter, vil AI som er trent på disse dataene forsterke dem. Reparerer dere grunnlaget, eller bygger dere bare raskere på et sviktende fundament?
4. Hvor er menneskelig dømmekraft fortsatt avgjørende? Resultatstyring innebærer å forstå kontekst, anerkjenne innsats under vanskelige omstendigheter og ta hensyn til systemiske barrierer. Hvilke deler av prosessen krever menneskelig klokskap som AI ikke kan gjenskape?
5. Hva skjer når AI tar feil? For det kommer til å skje. Har dere prosesser for å oppdage feil, overstyre anbefalinger og beskytte ansatte mot algoritmiske feil?

Hvis du ikke kan svare tydelig på disse spørsmålene, er du ikke klar til å implementere verktøyet.

Eksempler fra praksis

AI kan være et nytt verktøy for mange av oss, men HR-team og virksomheter bruker det allerede. La oss se nærmere på hva organisasjoner faktisk gjør med AI i resultatstyring, inkludert det de ikke sier i pressemeldingene.

Eksempel fra praksis: IBM forutsier fremtidige prestasjoner ved hjelp av AI

Historien: IBM brukte Watson Analytics til å forutsi fremtidige prestasjoner hos ansatte med 96 % nøyaktighet, og integrerte disse forutsigelsene i beslutninger om lønn og forfremmelser.

Slik gjorde de det: De analyserte ansattes erfaringer, prosjektdata og mønstre for kompetanseutvikling for å forutsi fremtidige prestasjoner, i stedet for å basere seg utelukkende på tidligere resultater.

Virkningen: IBM oppnådde høy treffsikkerhet i forutsigelsene og flyttet fokuset fra historiske prestasjoner til fremtidig potensial, noe som ga grunnlag for strategiske beslutninger om talenter.

Spørsmålene: Tallet på 96 % nøyaktighet er imponerende, men hva med de 4 % som ble feilpredikert? Hvis du tilhører denne gruppen og lønnen din blir påvirket fordi en algoritme tok feil, har den samlede nøyaktigheten egentlig betydning? Og hva skjer når ansatte får vite at fremtiden deres blir bestemt algoritmisk? Skaper det et press om å manipulere systemet – ved å ta på seg prosjekter med høy synlighet og unngå nødvendig, men lite glamorøst arbeid?

IBMs eksempel illustrerer KIs potensial for strategisk talentplanlegging. Det viser også den etiske kompleksiteten ved å bruke prediktive systemer til beslutninger som påvirker menneskers levebrød.

Casestudie: Microsoft integrerer KI i prestasjonsevalueringer

Historien: Microsoft gjorde bruk av KI-verktøy (som GitHub Copilot) obligatorisk og integrerte dem i prestasjonsevalueringer for å fremme bruk i hele organisasjonen.

Slik gjorde de det: Ledelsen sendte ut et internt notat som understreket innføringen av KI, og ledere fikk beskjed om å vurdere bruk av KI som en del av prestasjonsmålingene.

Virkningen: Microsoft økte den interne bruken av KI-verktøy og forsterket budskapet om at KI-kompetanse nå er en forventning til prestasjon.

Spørsmålene: Å gjøre bruk av KI obligatorisk og knytte den til medarbeidersamtaler er aggressivt og avslørende. Det fremmer bruk, men til hvilken pris? Hva med ansatte som har legitime bekymringer knyttet til KI-verktøy, enten av etiske, praktiske eller personlige preferansebaserte grunner?

Denne tilnærmingen behandler innføring av KI som noe som i seg selv er bra, snarere enn som noe som er nyttig avhengig av konteksten. Det er optimaliseringstenkning: «Vi trenger at folk bruker disse verktøyene, så vi måler dem og styrer dem mot etterlevelse.» En forvaltertilnærming ville spurt: «Hvor hjelper disse verktøyene faktisk folk med å gjøre en bedre jobb, og hvordan støtter vi innføringen der?»

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Get Free Access

Have an account? Log In

Casestudie: Johnson & Johnson dekker kompetansegap med KI

Historien: J&J innførte KI-drevet kompetansekartlegging for å identifisere arbeidsstyrkens ferdigheter og utviklingsbehov, noe som resulterte i en økning på 20 % i frivillige læringsaktiviteter.

Slik gjorde de det: De utarbeidet en kompetansetaksonomi, samlet inn data om ansatte og brukte maskinlæring til passivt å vurdere kompetansenivåer og legge til rette for utviklingsplanlegging.

Virkningen: Forbedret strategisk arbeidsstyrkeplanlegging, identifiserte kompetansegap og fremmet en kultur for kontinuerlig læring.

Spørsmålene: Dette er en av de mer gjennomtenkte anvendelsene – å bruke KI til å hjelpe folk med å forstå sine egne utviklingsbehov, i stedet for bare å flagge dem for ledelsen. Økningen på 20 % i læring tyder på at dette traff de ansatte.

Men kompetansetaksonomier har begrensninger. De fanger opp det som lett kan kategoriseres og måles, ikke nødvendigvis det som betyr mest. Kan systemet gjenkjenne når noen utvikler viktige mellommenneskelige ferdigheter, bygger organisatorisk kunnskap eller tar på seg usynlig arbeid som ikke passer inn i formelle kompetanser?

Risikoen er at «ferdigheter» blir det KI kan måle, mens alt annet blir usynlig, selv om det er mer verdifullt.

Casestudie: worxogo utvikler prestasjonsvaner gjennom KI-veiledning

Historien: worxogo Nudge Coach bruker atferdsvitenskap og KI til å hjelpe førstelinjeteam med å utvikle vaner for høy ytelse, i stedet for bare å overvåke måltallene deres. Løsningen er tatt i bruk hos mer enn 30 forsikringsselskaper og Fortune 100-selskaper, og fokuserer på å veilede ansatte slik at de kan forbedre seg, fremfor å overvåke dem.

Slik gjorde de det: Systemet integreres med CRM- og telefoni-plattformer (Salesforce, Genesys, Microsoft Dynamics) for å levere personaliserte «dytt» basert på individuelle atferdsmønstre.

I stedet for bare å vise ledere oversikter over etterslepende indikatorer, fremhever det hvem som trenger støtte og foreslår konkrete veiledningstiltak. Implementeringen innebærer at førstelinjeledelsen definerer hva som kjennetegner «godt» arbeid, slik at man skaper oppslutning fra starten av. I løpet av de første ukene er fokuset på å bygge tillit ved å kvalitetssikre data og veiledningsinnsikter før man går videre til atferdsendring.

Virkningen: Team oppnådde produktivitetsforbedringer på 13–20 %, 11 % bedre pålitelighet hos medarbeidere, 10 % kortere ventetid og 15 % reduksjon i etterarbeid etter samtaler. Typisk avkastning på investeringen ligger på 3–8 ganger investeringen, med implementeringer som settes i drift på 4–6 uker, men som krever 8–10 måneder for å gi varige resultater.

Spørsmålene: Dette er nok en gjennomtenkt tilnærming fordi den eksplisitt tar opp angsten for at «AI vil erstatte oss», som skaper motstand i andre implementeringer. Ved å posisjonere AI som en medspiller snarere enn en leder, og ved å involvere ledere på førstelinjen i å definere suksesskriterier, har de lagt til rette for oppslutning fremfor etterlevelse.

Men selv med denne tilnærmingen er det ikke enkelt å ta løsningen i bruk. Selskapet erkjenner at endringsledelse er «en pågående prosess», og at det tar 8-10 måneder å se bærekraftige resultater.

Det større spørsmålet handler om den konstante tilstedeværelsen. Selv en hjelpsom AI-coach følger fortsatt kontinuerlig med på deg, analyserer atferden din og gir deg små dytt gjennom dagen. For noen er det støttende. For andre er det utmattende. Grensen mellom «veiledning» og «overvåkning» kan avhenge mer av den ansattes opplevelse enn av leverandørens hensikt.

Det finnes også en dataavhengighet. Systemet er «helt avhengig» av nøyaktige og oppdaterte data fra styringssystemene. Hvis datakvaliteten er dårlig, veileder du folk basert på feilaktig informasjon, noe som kan svekke tilliten raskere enn det forbedrer prestasjonene.

Casestudie: Lunar automatiserer rapportproduksjonen samtidig som kvaliteten opprettholdes

Historien: Lunar, et analyseselskap innen rapportering, implementerte AI for å håndtere en uoverkommelig månedlig rapporteringssyklus der analytikere brukte 4-5 timer per kunderapport på å hente data, skrive kommentarer og rette tilbakevendende feil. Femten prosent av rapportene måtte bearbeides på nytt før de nådde kundene.

Slik gjorde de det: De bygget en arbeidsflyt ved hjelp av OpenAI API, trent på rapporteringsstilen deres, kundekontekst og historisk innsikt. AI-en genererer førsteutkast som oppsummerer resultater, avdekker avvik og kontrollerer for uoverensstemmelser.

Analytikerne bruker deretter sitt eget skjønn, tilfører nyanser og korrigerer alt som ikke virker riktig. Implementeringen krevde seks ukers opplæring av teamet, redesign av arbeidsflyten og rydding i flere år med uryddige historiske data.

Effekten: Tiden som gikk med til rapportproduksjon, sank med 55 prosent, slik at de fleste rapportene tok rundt to timer å ferdigstille. Feilraten falt fra 15 prosent til 4 prosent. Tiden brukt på gjennomgang av senioransatte ble nesten halvert takket være mer ensartede kommentarer og formatering. Prosessen tok tre måneder fra pilot til utrulling i skalerbar skala.

Spørsmålene: Dette er et tydelig eksempel på AI som gjør det den faktisk er god på: å håndtere repetitive, strukturerte oppgaver som tapper mennesker for kapasitet. Som administrerende direktør Dominic Bonaker påpeker: «Målet var aldri full automatisering; det var ensartethet og hastighet uten å senke kvalitetskravene.»

Det som får denne implementeringen til å fungere, er utformingen med mennesket i loopen. Analytikerne har fortsatt ansvaret for resultatet. De korrigerer det Bonaker kaller AI-ens «selvsikre nonsens» – de øyeblikkene der modellen produserer innhold som høres plausibelt ut, men som er unøyaktig. AI-en bidrar med hastighet og ensartethet, mens menneskene bidrar med nøyaktighet og skjønn.

Utfordringene var forutsigbare: innledende motstand blant analytikerne på grunn av bekymringer for jobbsikkerheten, behovet for samsvarskontroller av sensitive data og det krevende arbeidet med å rydde opp i uryddige historiske data. Som Bonaker påpeker: «AI halverte rapporteringstiden og forbedret nøyaktigheten, men bare fordi mennesker veiledet den, stilte spørsmål ved den og beholdt kontrollen over det endelige resultatet.»

Hva disse casene viser

Disse organisasjonene er avanserte i bruken av AI, men de viser ulike syn på hva AI bør oppnå innen prestasjonsstyring.

IBM, Microsoft og J&J viser det dominerende mønsteret: AI som et verktøy for optimalisering av virksomheten, med fokus på prediksjon, etterlevelse og effektivitet. Eksemplene med worxogo og Lunar representerer andre tilnærminger: AI som et utviklingsverktøy (worxogos vane- og coachingsfunksjoner) og AI som et verktøy for administrativ effektivisering som frigjør mennesker til arbeid med høyere verdi (Lunars rapportgenerering). Begge prioriterer uttrykkelig menneskelig tilsyn og håndterer vanlige implementeringsutfordringer på en ærlig måte.

Men selv disse mer gjennomtenkte implementeringene har begrensninger. Eksempelet med worxogo innebærer fortsatt konstant overvåkning og krever 8-10 måneders tålmodighet. Lunars suksess avhenger av at analytikerne aktivt korrigerer AI-ens feil og opprettholder kontrollen. Ingen av delene er uanstrengte, og begge krever vedvarende engasjement.

Det overordnede mønsteret er tydelig: Det meste av AI-bruken innen prestasjonsstyring innføres først og fremst for organisatorisk effektivitet, ikke for menneskelig utvikling. Det er ikke nødvendigvis noe galt i det, men hvis du er HR-leder og mener at rollen din er å hjelpe mennesker gjennom teknologisk omstilling, må du ha et realistisk bilde av det som skjer og være bevisst på å si imot når det er nødvendig.

Vanlige bruksområder og brukstilfeller for AI innen prestasjonsstyring

Prestasjonsstyring er en flerfasettert prosess som omfatter alt fra å sette mål til å følge fremdriften og gi tilbakemeldinger. Det er mye å håndtere, men det er nettopp her AI kan utgjøre en reell forskjell.

Ved å automatisere oppgaver innen prestasjonsstyring og tilby innsikt hjelper AI deg og teamet ditt med å fokusere på det som virkelig betyr noe – å utvikle talenter og oppnå resultater.

Tabellen nedenfor viser de vanligste bruksområdene for AI knyttet til de viktigste fasene i livssyklusen for prestasjonsstyring:

Fase i resultatstyringen	AI-anvendelse	AI-bruksområde	Åpne implementeringsveiledningen
Målsetting & OKR-er	OKR-utkast fra planer	Generer utkast til kvartalsvise OKR-er fra strategidokumenter og måltall fra forrige kvartal.	Gå til veiledningen
	Kvalitetssjekk av KR-er	Gi poeng og omskriv nøkkelresultater for spesifisitet og målbarhet før de publiseres.	Gå til veiledningen
	Kalibrering av mål	Anbefal realistiske og ambisiøse KR-mål ved hjelp av trender og kapasitetsindikatorer.	Gå til veiledningen
Oppfølgingssamtaler	Automatisk bygging av 1:1-agendaer	Sett sammen ukentlige 1:1-agendaer basert på mål, arbeidslogger og hindringer.	Gå til veiledningen
	1:1-oppsummering og tiltak	Dokumenter, oppsummer og videresend tiltak umiddelbart etter møtet.	Gå til veiledningen
	Påminnelsesmotor for oppfølging	Sender proaktive påminnelser til ansvarlige når oppfølgingssamtaler eller oppdateringer blir forsinket, med relevant kontekst.	Gå til veiledningen
Tilbakemeldinger	Løpende mikrotilbakemeldinger	Samle inn enkel, løpende tilbakemelding knyttet til aktive mål uten å skape undersøkelsestretthet.	Gå til veiledningen
	Vakt for skjevhet og tone i tilbakemeldinger	Omskriv tilbakemeldinger til atferdsbaserte og skjevhetsbevisste utsagn i sanntid.	Gå til veiledningen
	Kollegaanbefalinger for 360-evalueringer	Foreslå de beste kollegene å innhente tilbakemelding fra basert på samarbeidsnettverk.	Gå til veiledningen
Resultatvurderinger	Utarbeiding av vurderingsutkast	Utarbeid egenvurderinger og ledervurderinger basert på ett års dokumenterte resultater og utfall.	Gå til veiledningen
	Kalibreringsveileder	Identifiser endringer i vurderingspraksis og avvik på tvers av team, og forbered samtalepunkter.	Gå til veiledningen
	Sykluskoordinator	Koordiner tidslinjer, påminnelser og eskaleringer for vurderingsprosessen slik at den fullføres av alle.	Gå til veiledningen
Resultatoppfølging	Automatisk oppdatering av KR-er	Oppdater fremdriften for KR-er automatisk ved å hente inn måltall fra kildesystemer.	Gå til veiledningen
	Finner av ledende indikatorer	Identifiser tidlige signaler som henger sammen med KR-suksess, og varsle ansvarlige.	Gå til veiledningen
Belønning og forfremmelse	Indikator for forfremmelsesberedskap	Vurder beredskap for forfremmelse med transparente dokumentasjonspakker.	Gå til veiledningen
	Copilot for anbefaling av lønn og kompensasjon	Foreslå intervaller for lønnsøkning og bonus i tråd med vurderinger, budsjett og rammer for rettferdighet.	Gå til veiledningen
	Utløser for ekstrabonus	Oppdag fremragende bidrag og send forslag til engangsbelønning videre for godkjenning.	Gå til veiledningen

Fordeler, risikoer og utfordringer

I det følgende avsnittet går jeg gjennom praktiske råd om hvordan du kan utnytte fordelene ved AI samtidig som du håndterer utfordringene og risikoene, slik at du og teamet ditt kan ta informerte beslutninger.

Slik kan ledere dra nytte av AI i resultatstyringen

AI kan revolusjonere resultatstyringen ved å gjøre den mer effektiv og innsiktsfull. Den gir ledere en rekke fordeler og kan bidra til å løfte måten du og teamet ditt arbeider med medarbeiderutvikling på.

• Identifisere mønstre mennesker overser: Maskinlæring kan hjelpe ledere med å oppdage tidlige tegn på manglende engasjement og utbrenthet, samt kompetansegap som kanskje ikke er åpenbare før de utvikler seg til problemer. Dette lar deg tilby mer proaktiv støtte.
• Personlige utviklingsplaner: Med kunstig intelligens kan ledere lage tilpassede utviklingsplaner for hver medarbeider og ta hensyn til hvert teammedlems unike styrker og utviklingsområder. Dette kan føre til høyere engasjement og bedre prestasjoner.
• Redusere den administrative byrden: Kunstig intelligens lar ledere automatisere planlegging, sende påminnelser, samle tilbakemeldinger og utarbeide sammendrag av medarbeidersamtaler. Dette er tid du kan spare og bruke på meningsfulle samtaler i stedet for papirarbeid.
• Prediktiv innsikt: Kunstig intelligens kan forutsi trender og potensielle utfordringer, noe som hjelper ledere med å håndtere problemer proaktivt før de eskalerer. Dette kan være uvurderlig for å hjelpe deg med å opprettholde et team med høy ytelse.

Risikoer ved kunstig intelligens i prestasjonsstyring (og strategier for å redusere dem)

Når det gjelder kunstig intelligens i prestasjonsstyring, er det avgjørende å veie risikoene opp mot fordelene. Å forstå disse risikoene kan hjelpe oss med å implementere kunstig intelligens på en mer ansvarlig og effektiv måte.

• Personvernproblemer: Systemer for kunstig intelligens kan samle inn og analysere enorme mengder data, noe som noen ganger kan føre til personvernbrudd. Hvis medarbeiderdata for eksempel ikke er tilstrekkelig sikret, kan de bli eksponert for uautoriserte brukere. For å redusere denne risikoen må du sørge for at robust datakryptering og strenge tilgangskontroller er på plass
• Skape overvåkingsuro: Når medarbeidere vet at kunstig intelligens overvåker produktivitet, analyserer kommunikasjonsmønstre og forutsier prestasjonene deres, endrer det atferden – ikke alltid på produktive måter. Mennesker optimaliserer det som måles, selv når det ikke er det som faktisk betyr noe.
• Skjevheter i algoritmer: Kunstig intelligens kan utilsiktet videreføre eller til og med forsterke eksisterende skjevheter hvis dataene den er trent på, er skjeve. Et eksempel er et system for kunstig intelligens i rekruttering som favoriserer kandidater fra bestemte demografiske grupper. Regelmessige revisjoner og mangfoldige treningsdatasett kan bidra til å minimere denne risikoen.
• Beslutningstaking som en svart boks: Mange systemer for kunstig intelligens er ugjennomsiktige, selv for personene som bruker dem. Når en medarbeider spør hvorfor vedkommende fikk en bestemt vurdering eller ikke ble forfremmet, og lederen viser til en algoritme, har man i praksis brutt tilbakemeldingssløyfen som gjør prestasjonsstyring utviklende.
• Tap av menneskelig kontakt: Overdreven avhengighet av kunstig intelligens kan føre til mindre menneskelig interaksjon, noe som er avgjørende for å forstå nyansene hos medarbeidere. Automatiserte tilbakemeldinger kan for eksempel mangle empati. Ved å balansere kunstig intelligens med menneskelig oppfølging sikrer man at de personlige relasjonene forblir sterke.
• Høye implementeringskostnader: Det kan være dyrt å ta i bruk teknologi for kunstig intelligens, både når det gjelder den opprinnelige investeringen og det løpende vedlikeholdet. En virksomhet kan oppleve at budsjettet blir presset av uventede kostnader. En trinnvis implementering kan spre kostnadene over tid og gi rom for justeringer.
• Integrasjonsutfordringer: Systemer for kunstig intelligens kan ha problemer med å integreres sømløst med eksisterende verktøy, noe som kan føre til avbrudd. Se for deg at et nytt verktøy for kunstig intelligens kolliderer med dagens programvare og fører til datasiloer. Grundig testing og gradvis utrulling kan gjøre integrasjonen enklere.

Utfordringer med kunstig intelligens i prestasjonsstyring

Kunstig intelligens har stort potensial innen prestasjonsstyring, men det finnes også utfordringer. Organisasjoner må være klar over disse utfordringene for å kunne håndtere dem effektivt.

• Kompetansegap: Implementering av kunstig intelligens krever et visst nivå av teknisk kompetanse. Mange team kan mangle de nødvendige ferdighetene for å administrere verktøy for kunstig intelligens effektivt, noe som kan føre til underutnyttelse eller implementeringsproblemer.
• Motstand mot endring: Mennesker kan være skeptiske til ny teknologi, særlig når den innebærer endringer i etablerte arbeidsflyter. Denne motstanden mot endring blant medarbeidere kan bremse innføringen av kunstig intelligens og begrense de potensielle fordelene.
• Systemintegrasjon: Verktøy for kunstig intelligens må fungere sammen med eksisterende systemer. Integrasjonsutfordringer kan føre til avbrudd og ineffektivitet, frustrere team og forsinke fremdriften.
• Å opprettholde et menneskelig element: Kunstig intelligens bør styrke, ikke erstatte, menneskelig dømmekraft. Det kan være krevende å balansere automatisering med den personlige kontakten medarbeiderne setter pris på, men det er avgjørende for å lykkes.

Hvordan ansatte opplever AI-støttet resultatstyring

Når AI implementeres på en god måte, kan teknologien støtte en mer kontinuerlig tilnærming til resultatstyring, og endre hvordan ansatte får tilbakemeldinger, setter mål og følger fremdriften gjennom året. Ansatte kan forvente:

• Kontinuerlige tilbakemeldinger: I stedet for å vente på årlige evalueringer får ansatte hyppigere tilbakemeldinger og innsikt i prestasjonene basert på det løpende arbeidet. Dette gjør det enklere å foreta justeringer før små problemer utvikler seg til større utfordringer.
• Personlig utvikling: Læringsanbefalinger tilpasses hver enkelt ansatts ferdigheter, mål og utvikling i prestasjonene. Dette bidrar til å rette oppmerksomheten mot utviklingsmuligheter som er mest relevante for karriereutviklingen.
• Tydeligere forventninger: Måloppfølging gir ansatte bedre oversikt over prioriteringer, fremdrift og suksessmål, noe som reduserer usikkerheten rundt hva gode prestasjoner innebærer.
• Mer rettferdige evalueringer: Konsistente kriterier bidrar til å redusere subjektive forskjeller mellom ledere ved å bruke standardiserte prestasjonsdata som grunnlag for evalueringer og beslutninger om forfremmelse.
• Tidligere veiledning: Risikodeteksjon identifiserer mønstre som kan tyde på fallende prestasjoner eller manglende engasjement, slik at ledere får mulighet til å gi støtte før problemene eskalerer.
• Anerkjennelse av bidrag: Synlighet i prestasjonene fanger opp resultater som ellers kanskje ikke ville blitt lagt merke til, særlig for ansatte som jobber eksternt eller på tvers av flere team.
• Mer meningsfulle samtaler: Møter mellom ledere og ansatte flyttes fra gjennomgang av historiske prestasjoner til veiledning, karriereplanlegging og fjerning av hindringer for å lykkes, fordi relevante data allerede er tilgjengelige.
• Større åpenhet: Tilgang til data gjør at ansatte kan se informasjonen som påvirker evalueringene deres. Dette gjør prestasjonssamtaler mer objektive og bidrar til å bygge tillit til prosessen.

AI i verktøy og programvare for resultatstyring

AI-verktøy og programvare for resultatstyring tilbyr smartere og mer personlige opplevelser enn tradisjonelle verktøy for resultatstyring. AI-verktøy gjør nå mer enn bare å spore måltall; de gir innsikt som kan endre hvordan du leder teamet ditt.

Nedenfor finner du noen av de mest populære AI-verktøyene og programvarene for resultatstyring:

Clicks on the links below may earn a commission, which supports our independent testing and review of software and services. Learn more about how we stay transparent.

1. 1. Factorial — Best as AI for business
2. 2. PerformYard — Best for customizable reviews
3. 3. Effy AI — Best for AI-driven question templates
4. 4. Betterworks — Best for AI-enabled goals and coaching
5. 5. Express Evaluations — Best for government, small business, & non-profits
6. 6. Lattice — Best for goal setting
7. 7. 15Five — Best for continuous feedback
8. 8. Workleap — Best for actionable AI-powered peer feedback
9. 9. ChartHop — Best for AI-powered performance dashboards
10. 10. Mesh AI — Best for remote teams

Veiledning for implementering av ansvarlig AI i resultatstyring

Hvis du går videre med AI innen resultatstyring, bygger disse trinnene på effektive beste praksiser for å bidra til at teknologien ivaretar både virksomhetens behov og menneskene som gjør den vellykket:

Start med tydelige prinsipper

Før du velger et verktøy, må du fastsette hva som ikke kan fravikes:

• Åpenhet: Ansatte bør forstå hvordan AI brukes, og hvilke data som ligger til grunn
• Selvbestemmelse: Ansatte bør ha tilgang til egne data og egen innsikt for selvutvikling
• Menneskelig overstyring: Ledere må kunne overstyre AI-anbefalinger med en tydelig begrunnelse
• Kontroll av skjevheter: Regelmessige gjennomganger av AI-resultater for å avdekke demografiske forskjeller
• Personvern: Innsamling av minst mulig nødvendige data med tydelige grenser for bruk

Start i det små og lær

Ikke rull ut AI-basert resultatstyring i hele organisasjonen på én gang:

1. Velg ett spesifikt bruksområde (f.eks. generering av utkast til vurderinger eller analyse av kompetansegap)
2. Gjennomfør det med en frivillig gruppe av ledere og team som er genuint interesserte
3. Samle inn detaljerte tilbakemeldinger fra både ledere og ansatte om hva som hjelper, og hva som ikke gjør det
4. Revider resultatene med hensyn til kvalitet, skjevheter og utilsiktede konsekvenser
5. Gjør justeringer før oppskalering basert på det dere lærer

Dette bygger organisatorisk læring og tillit før man forplikter seg bredt. Dominics Bonakers arbeid i Lunar fulgte dette mønsteret med automatisering av rapportering: seks uker med grundig opplæring og redesign av arbeidsflyten, tre måneder fra pilot til oppskalering, med kontinuerlig forbedring basert på det de lærte om hvor AI fungerte godt, og hvor det trengte menneskelig korrigering.

Lær opp til kritisk bruk

Ikke lær bare opp folk i å bruke AI-verktøy, men lær dem å bruke dem kritisk:

• For ledere: Hjelp dem med å forstå når de skal stole på innsikt fra AI, og når de skal overstyre den. Øv på scenarier der menneskelig skjønn trumfer algoritmiske anbefalinger.
• For ansatte: Lær dem hva AI kan og ikke kan gjøre, hvordan de skal tolke AI-generert innsikt, og hvordan de kan si fra når de mener at AI tar feil.
• For HR: Utvikle kompetanse i å revidere AI-verktøy for skjevheter, vurdere leverandørpåstander og fremme ansvarlig implementering.

Legg inn menneskelige kontrollpunkter

Utform prosessen slik at innsikt fra AI gjennomgår menneskelig kontroll før den påvirker mennesker:

• Utkast til vurderinger som genereres av AI, bør redigeres grundig av ledere
• Prediktive varsler (f.eks. risiko for å slutte, bekymringer knyttet til prestasjoner) bør utløse samtaler, ikke automatiske tiltak
• AI i administrasjon av personalgoder, samt anbefalinger om lønn og forfremmelse, bør gjennomgås av utvalg, ikke enkeltpersoner
• Ansatte bør ha tydelige muligheter til å klage på eller stille spørsmål ved beslutninger som er påvirket av AI

Som implementeringen i Lunar viser, er det dette som får AI til å fungere i praksis. Analytikerne deres korrigerer AI-ens «selvsikre nonsens», tilfører nyanser den overser og sørger for at ingenting når kundene uten menneskelig skjønn. AI bidrar med hurtighet og konsistens; mennesker bidrar med nøyaktighet og kontekst.

Overvåk og revider kontinuerlig

AI-systemer endrer seg over tid når de behandler nye data. Etabler regelmessige revisjoner:

• Hvert kvartal: Gjennomgå AI-resultater for demografiske forskjeller i vurderinger, tonen i tilbakemeldinger eller anbefalinger om utvikling
• Årlig: Helhetlig revisjon av AIs innvirkning på medarbeideropplevelsen, mønstre for å bli værende og tillitsmålinger
• Løpende: Samle inn kvalitative tilbakemeldinger om hvordan AI påvirker det daglige arbeidet og relasjonene

Hva dette betyr for organisasjonen din

Beslutningene du tar om AI i prestasjonsstyring, vil avsløre hva du faktisk verdsetter (altså ikke det du sier i verdigrunnlaget ditt, men det du prioriterer når teknologi og menneskelighet skaper spenninger).

Organisasjoner som optimaliserer for effektivitet, vil bruke AI til å skalere ledelse, redusere tiden som brukes på prestasjonsprosesser og ta raskere beslutninger om talenter. De vil måle suksess i spart tid og antall beslutninger.

Organisasjoner som leder mennesker gjennom omstilling, vil bruke AI til å oppnå dypere forståelse, frigjøre kapasitet til meningsfulle utviklingssamtaler og oppdage problemer før de blir kriser. De vil måle suksess i medarbeideropplevelse, tillit og langsiktig vekst.

Begge tilnærmingene vil hevde at de bryr seg om mennesker. Forskjellen viser seg i detaljene: hvilke data du samler inn, hva du gjør med algoritmisk innsikt, hvor mye åpenhet du tilbyr, og hva som skjer når AI og menneskelig skjønn kommer i konflikt.

Hva AI i prestasjonsstyring bør og ikke bør gjøre

Bruk disse retningslinjene for å holde AI fokusert på å forbedre prestasjonsstyringen uten å erstatte det menneskelige skjønnet som gjør den effektiv:

AI bør	AI bør ikke
Avdekke prestasjonstrender ved å identifisere mønstre i mål, produktivitet, engasjement og tilbakemeldinger som ledere kan overse.	Ta beslutninger med store konsekvenser om forfremmelser, oppsigelser og betydelige endringer i kompensasjon. Disse bør fortsatt i hovedsak styres av mennesker.
Automatisere administrativt arbeid som å oppsummere tilbakemeldinger, følge opp mål, planlegge oppfølgingsmøter og utarbeide utkast til medarbeidersamtaler.	Erstatte lederens vurdering når kontekst, innsats eller omstendigheter skal evalueres, og dette ikke kan fanges opp av data alene.
Anbefale utviklingsmuligheter basert på kompetansegap, karrieremål og prestasjonsdata.	Gi sensitive tilbakemeldinger selvstendig uten at en leder bidrar med kontekst, empati og støtte.
Støtte veiledningssamtaler med foreslåtte spørsmål, diskusjonspunkter og handlingsplaner som ledere kan tilpasse.	Anta at data er objektive eller behandle historiske prestasjonsdata som om de er fri for skjevheter eller unøyaktigheter.
Gi ansatte innsyn i mål, fremgang og anbefalinger for utvikling gjennom hele året.	Skrive manus til alle samtaler eller oppmuntre ledere til å basere seg på KI-genererte tilbakemeldinger uten å gjøre dem personlige.
Generere handlingsrettet innsikt som hjelper ledere med å prioritere veiledning og anerkjenne prestasjoner tidligere.	Overvåke ansatte i overdreven grad gjennom påtrengende sporing som svekker tilliten eller skaper en overvåkningskultur.
	Fungere som en svart boks ved å produsere anbefalinger uten å forklare faktorene bak dem når det er mulig.
	Bli brukt i situasjoner der tillit skal bygges som karrieresamtaler, utviklingssamtaler og vanskelige tilbakemeldinger. Disse situasjonene krever menneskelig tilstedeværelse og emosjonell intelligens.

Hva nå?

Er du klar til å tenke nytt om fremtiden for prestasjonsledelse i KI-æraen?

Bli med i People Managing People-fellesskapet. Gratis kontoer gir deg ukentlig innsikt, praktiske rammeverk og strategier fra andre ledere som hjelper deg med å lede smartere, ikke hardere.

Opprett gratis konto i dag.