Den vanskelige delen kommer etter at AI fungerer
![[OPT 1] IMG PMP – Editorial – Dinner Conversation with CHROs-14152](https://peoplemanagingpeople.com/cdn-cgi/image/format=auto,quality=82,onerror=redirect,width=792,height=446,fit=crop/wp-content/uploads/sites/3/2026/09/OPT-1-IMG-PMP-–-Editorial-–-Dinner-Conversation-with-CHROs-14152.jpg)
Start med arbeidet: Bedrifter bør redesigne arbeidsflyter rundt forretningsproblemer før de velger AI-verktøy eller måler forventet avkastning.
Vurdering av bruksområder: AI-opplæring skaper mer verdi når ansatte lærer å identifisere verdifulle problemer, ikke bare bruke nye verktøy.
Redesign av jobber: Vellykket innføring av AI tvinger ledere til å redefinere ansvar, ferdigheter, prestasjonsstandarder og karriereveier etter hvert som oppgavene endres.
Skaler med omtanke: Pilotprosjekter kan sjelden overføres direkte på tvers av funksjoner. Organisasjoner må standardisere utprøvde metoder og samtidig tilpasse dem til arbeidsflyter, risikoer og data.
Rettferdig tilgang: Ulik tilgang til AI kan fordreie prestasjonsvurderinger, utviklingsmuligheter og produktivitetssammenligninger mellom ansatte som utfører lignende arbeid.
Forrige uke satte jeg meg ned med en gruppe CHRO-er i Atlanta for å snakke om å skalere AI på tvers av virksomheten.
Vi begynte med avkastning på investeringen, men samtalen vendte stadig tilbake til selve arbeidet: Hvilke problemer fortjener AI-investeringer, hva bør organisasjoner gjøre med kapasiteten som skapes, og når har nok oppgaver blitt endret til at en jobb må endres sammen med dem?
Kia Painter ga oss utgangspunktet. Begynn med forretningsproblemet, forstå arbeidsflyten, utform prosessen på nytt og bestem deretter hvor AI hører hjemme.
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
Painter gikk nylig av med pensjon fra Cox Communications etter 28 år i selskapet, senest som personaldirektør. Rekkefølgen hennes er viktig fordi organisasjoner har mange måter å bruke AI på. Den vanskeligere disiplinen er å avgjøre hvilke bruksområder som fortjener tid, penger og organisatoriske endringer.
Vurdering av bruksområder kan være viktigere enn verktøyopplæring
Et par uker før middagen gjennomførte jeg en uformell spørreundersøkelse i vårt AI Signal-nyhetsbrev der jeg spurte hvorfor ledere ba om mer AI-opplæring for teamene sine. Den viktigste grunnen var at folk ikke var sikre på hvilke bruksområder som var viktige.
Det peker på et problem med måten mange selskaper går frem på når de skal ta i bruk AI. Å lære folk hvordan de skal skrive instrukser, oppsummere dokumenter eller generere innhold gjør dem kjent med teknologien. Det hjelper dem i liten grad med å avgjøre hvor AI kan forbedre et meningsfylt forretningsresultat.
Angela Cheng-Cimini, personaldirektør i The Chronicle of Philanthropy, beskrev en tilnærming som tar utgangspunkt i de ansattes problemer fremfor verktøyenes funksjonalitet. Hun sa at organisasjonen hennes planla å samle inn utfordringer fra de ansatte som oppstår i det daglige arbeidet, velge ut flere med bred relevans og gjennomføre korte hackathoner for å løse dem. En ansatt hadde allerede benyttet denne tilnærmingen selv og bygget en agent som håndterte repetitive fakturaforespørsler som hadde oversvømt en kundeserviceinnboks.
Det er en langt mer nyttig modell for AI-opplæring fordi den knytter læringen til arbeidet folk allerede forstår. Evnen selskaper trenger å utvikle, er vurdering av bruksområder: Kan en leder se på en arbeidsflyt, identifisere hvor tid eller kvalitet går tapt, og forstå hvor AI kan utgjøre en forskjell?
Den vurderingsevnen øker også sannsynligheten for å oppnå avkastning på investeringen. En teknisk vellykket implementering rettet mot et problem med lav verdi er fortsatt en dårlig investering.
Kapasitet tvinger frem beslutninger om arbeidet
Det neste spørsmålet er hva man skal gjøre når bruksområdet lykkes.
AI kan fjerne administrativt arbeid, redusere gjennomløpstider og gi folk kapasitet de ikke hadde tidligere. Lederne må deretter bestemme hva denne kapasiteten skal brukes til.
Rundt bordet førte det til en diskusjon om stillingskomprimering og bredere roller. Kesi Dorner, AGM for menneskelige ressurser i Metro Atlanta Regional Transit Authority (MARTA), snakket om å samle arbeid som i dag ligger på tvers av spesialiserte HR-stillinger, i mer helhetlige forretningspartnerroller.
Spørsmålet mitt om når en jobb har endret seg så mye at den bør utformes på nytt, forble ubesvart.
Det er i disse valgene at sparte timer blir til en driftsbeslutning. Et selskap kan bruke kapasiteten til å øke produksjonen, forbedre tjenesten, redusere fremtidig rekruttering, utvide ansvarsområder eller ta tak i arbeid som tidligere hadde blitt fortrengt. Hvert valg skaper en annen type verdi.
Det endrer også hva medarbeideren har ansvar for.
Dette ble enda tydeligere da diskusjonen kom inn på bemanning. Painter beskrev samtaler med økonomidirektøren sin om hvorvidt AI kunne redusere arbeidskostnadene. Svaret hennes var å gå tilbake til arbeidet.
Ta leverandørreskontro. Hva gjør folk egentlig? Hvilke oppgaver kan AI overta? Hva gjenstår? Hvilket forretningsresultat må fortsatt leveres?
Konklusjonen hennes var at AI må vurderes ut fra driftsmodellen og hvordan arbeidet er utformet, før ledere begynner å trekke konklusjoner om arbeidsstyrken.
Det er en verdifull rolle for HR fordi AI ofte endrer jobber gradvis. Når én oppgave forsvinner, går en annen raskere. Rutinearbeid kan bli redusert, men det gjenværende arbeidet krever mer skjønn. Nye ansvarsområder kan deretter fylle plassen som ble skapt.
På et tidspunkt fører de samlede endringene til en annen jobb.
HR bør følge med på når denne terskelen nås. Stillingsbeskrivelser, kompetansekrav, lønn, karriereveier og forventninger til prestasjoner avhenger alle av en nøyaktig forståelse av hva rollen nå krever. Hvis ledere fortsetter å legge AI oppå eksisterende roller uten å vurdere disse grunnleggende forholdene på nytt, kan ansatte ende opp med å gjøre et annet arbeid innenfor en gammel jobbdesign.
Det samme gjelder forventningene til teamets prestasjoner. Hvis ett team blir mer produktivt med AI, vil ledere naturlig nok spørre om det nye resultatnivået bør bli standarden.
Den avgjørelsen krever mer enn bevis på at teknologien fungerte. Den krever tillit til at gevinsten er bærekraftig, at ansatte har sammenlignbar tilgang til verktøyene, og at arbeidet er tilstrekkelig likt til at den samme forventningen kan gjelde i hele organisasjonen.
Skalering utover pilotfasen
Det er her en vellykket pilot blir en utfordring for hele virksomheten.
Et bruksområde kan fungere godt i ett team fordi arbeidsflyten er strukturert, dataene er rene, lederen forstår teknologien, eller de ansatte har hatt tid til å eksperimentere. En annen funksjon har kanskje ingen av disse fordelene.
Painter beskrev hvordan hun samarbeidet med organisasjonens AI-leder om et veikart for ønsket sluttilstand, som knyttet teknologibeslutninger til den fremtidige driftsmodellen.
Selskapet opprettet også et tverrfunksjonelt AI-råd med deltakelse fra HR, teknologi, økonomi og juridisk avdeling. Målet var å samordne investeringer og styring rundt forretningsprioriteringer, i stedet for å la hver funksjon etablere sin egen samling av verktøy og prosjekter.
Dette er en avgjørende del av skaleringen fordi man ikke bare kan kopiere det som fungerte et annet sted. Ledere må identifisere hvilke deler av en vellykket tilnærming som kan standardiseres, og hvilke som avhenger av arbeidet, arbeidsstyrken eller risikoprofilen til en bestemt funksjon.
Det bør også dempe brede antakelser om produktivitet. Én sterk pilot kan gi evidens for et bruksområde. Den gir ikke automatisk evidens for en hel arbeidsstyrke.
Tilgang til verktøy er en del av prestasjonssammenhengen
Skalering skaper også et rettferdighetsproblem.
Deltakerne beskrev organisasjoner der ansatte har tilgang til ulike AI-verktøy avhengig av funksjon, budsjett eller retningslinjer. Noen ansatte supplerer det arbeidsgiveren tilbyr med betalte verktøy som de bruker hjemme eller på personlige enheter. Andre har ikke den muligheten.
Når AI påvirker mengden eller kvaliteten på arbeidet en person kan produsere, har disse forskjellene betydning for prestasjonsstyringen.
Kara Miller, tidligere visepresident for talent, læring og omstilling av arbeidsstyrken hos Visa, tok opp en annen problemstilling: Hvis to ansatte holdes til samme resultatstandard, men den ene har tilgang til et mer kapabelt verktøy, hvor stor del av forskjellen i prestasjoner skyldes individuell kapasitet, og hvor mye skyldes miljøet organisasjonen har skapt rundt dem?
Det samme problemet kan påvirke utvikling og karrieremobilitet hvis noen roller gir ansatte langt større muligheter til å utvikle AI-ferdigheter enn andre.
Selskapene trenger ikke identiske verktøy for alle ansatte, var gruppen enige om. De må imidlertid forstå når ulik tilgang begynner å påvirke standardene de bruker for å vurdere mennesker.
Et bedre mål på AI-modenhet
Mot slutten av kvelden spurte jeg hva som måtte endres i løpet av det neste året for at ledere skulle føle seg trygge på at organisasjonene deres hadde funnet ut hvordan AI kunne skaleres.
Svarene dreide seg om bedre skjønn i hele organisasjonen: ledere som kunne diskutere teknologien med en viss innsikt, ansatte som forsto ansvarlig bruk, ledere som kunne identifisere verdifulle bruksområder, og tydeligere beslutninger om tilgang.
Det gir HR-ledere en nyttig måte å tenke på den neste fasen av AI-adopsjonen.
Hvis du skal få mer verdi ut av AI, må du bli bedre til å velge de riktige problemene å løse, redesigne arbeidet når disse problemene er løst, og avgjøre hvilke gevinster som kan gjenskapes andre steder.
HR må også være mer bevisst på hva ny kapasitet betyr for jobber og forventninger til prestasjoner.
