Premiumlønn for KI-ferdigheter: Hvorfor høyere lønn for KI-kompetanse kan slå tilbake
Premie for KI-ferdigheter: Arbeidstakere med KI-ferdigheter tjener betydelig mer, noe som skaper utfordringer med lønn og kompensasjon for bedrifter.
Markedsdynamikk: Dagens lønnsforskjeller gjenspeiler et dysfunksjonelt marked; etterspørselen etter KI-kompetanse endrer seg raskt.
Insentivstrukturer: I stedet for permanente lønnsøkninger bør bedrifter fokusere på midlertidige insentiver for kompetanseutvikling.
Strategisk vurdering: Organisasjoner må forstå hvilke KI-ferdigheter det faktisk er knapphet på, for å fastsette passende referansepunkter for lønn.
Kulturell påvirkning: Lønnsforskjeller knyttet til KI kan skape misnøye på arbeidsplassen; opplæringen bør være rettferdig på tvers av hele arbeidsstyrken.
Tallene forteller en tydelig historie. Arbeidstakere med AI-ferdigheter tjener nå opptil 56 % mer enn kolleger i identiske roller, ifølge PwCs globale AI-jobbbarometer. Det er mer enn dobbelt så mye som premien på 25 % for ett år siden, og det tvinger kompensasjonsledere til å ta beslutninger de ikke er forberedt på.
Instinktet er å matche markedet. Hvis AI-kompetent arbeidskraft krever et påslag, betaler man det. Men dette skaper en kompensasjonsstruktur som bygger på et fundament som allerede er i endring.
Ferdighetene som gir påslag i dag, vil ikke være sjeldne i morgen, og organisasjoner som belønner tidlige brukere med permanente lønnstillegg, bygger kostnadsstrukturer de vil få problemer med å avvikle.
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
Dette er ikke et argument mot å betale for verdifulle ferdigheter. Det er en advarsel om at de fleste selskaper løser feil problem. Spørsmålet kompensasjonsledere står overfor, er ikke hva de skal betale personer som allerede har AI-ferdigheter. Det er hvordan de skal utforme insentiver som oppmuntrer alle andre til å utvikle dem.
Markedet beveger seg raskere enn kompensasjonsfilosofien din
Et lønnspåslag på 56 % signaliserer dysfunksjon i markedet, ikke likevekt. Når identiske roller har svært forskjellige lønninger, utelukkende basert på om noen bruker AI-verktøy, ser du knapphetsprising i sanntid. Problemet er at knappheten ikke vil vare.
Ta promptutvikling, en ferdighet som i en kort periode ga lønninger på flere hundre tusen dollar. Selskaper som bygget kompensasjonsnivåer rundt ekspertise innen promptutvikling, oppdager nå at de betaler for mye for ferdigheter som er blitt automatisert eller integrert i standardarbeidsflyter. Påslaget forsvant fordi ferdigheten ble allment utbredt.
Organisasjoner som behandler AI-kompetanse som en sjelden spesialisering, gjør den samme feilen. De oppretter kompensasjonsnivåer basert på dagens fordeling av talenter, og oppdager deretter at de har forpliktet seg til å betale påslag for ferdigheter som blir grunnleggende krav innen 18 måneder.
Markedssignalene tyder på at dette mønsteret allerede er i ferd med å begynne. Promptutvikling, en ferdighet som i 2023 ga lønnstilbud på opptil $375,000 fra selskaper som Anthropic, har opplevd en dramatisk nedgang i etterspørselen. Ifølge en Microsoft-undersøkelse blant 31 000 arbeidstakere ligger rollen nå nest sist blant stillingene selskaper planlegger å opprette, mens Indeed rapporterer om et minimalt antall stillingsannonser for dedikerte promptutviklere.
Påslaget forsvant ikke fordi ferdigheten ble mindre verdifull. Det forsvant fordi alle har den nå.
Ferdighetspåslag kontra ferdighetsinsentiver
Kompensasjonsstrategien må skille mellom to ulike utfordringer: å belønne personer som tilfører knappe ferdigheter i dag, og å motivere personer til å utvikle ferdigheter du trenger i morgen.
Varige lønnsjusteringer fungerer for det første problemet. Hvis du ansetter noen med genuint spesialiserte AI-ferdigheter som tar flere år å utvikle, bør du betale dem deretter. Men de fleste AI-ferdighetene som får fotfeste i forretningsroller, følger ikke dette mønsteret. De er ferdigheter som kan læres, snarere enn sjelden ekspertise.
Insentivstrukturer basert på ferdigheter håndterer det andre problemet bedre enn økninger i grunnlønn. En tilnærming som vinner frem, er prosjektbaserte bonuser knyttet til innføring av AI-verktøy og målbare produktivitetsgevinster.
Team som implementerer AI-arbeidsflyter og dokumenterer effektivitetsforbedringer, får kvartalsvise insentiver. Utbetalingene er ikke permanente, men de er store nok til å motivere til atferdsendring.
Denne strukturen unngår påslagsfellen. Du oppretter ikke et permanent kompensasjonsnivå for ferdigheter som kan bli standardkrav. Du betaler folk for å bevege seg raskere enn de ellers ville gjort, og fjerner deretter insentivet når atferden blir normalisert.
Rammeverket krever tydelighet om hva du faktisk belønner. Betaler du for at noen vet hvordan de bruker Claude eller ChatGPT? Det er et spørsmål om grunnleggende digital kompetanse, ikke en ferdighet som kvalifiserer for et påslag. Betaler du for noen som kan redesigne arbeidsflyter rundt AI-funksjoner, måle effekten og lære opp andre? Det bør kompenseres annerledes.
Identifisere reelle påslag i markedet ditt
Generelle AI-ferdigheter gir ikke bærekraftige påslag. Det gjør derimot spesifikke kombinasjoner av fagkompetanse og AI-kompetanse. Utfordringen er å identifisere hvilke kombinasjoner som er viktige for organisasjonen din, før markedet forteller deg det gjennom problemer med å beholde ansatte.
Sammenligning av kompensasjon for AI-ferdigheter krever andre data enn tradisjonelle sammenligninger av roller. I stedet for å se på stillingstitler må du forstå hvilke kombinasjoner av ferdigheter som faktisk er knappe.
En finansanalytiker som bruker AI til rutinemessig dataarbeid, får ikke et påslag. En finansanalytiker som bruker AI til å bygge tilpassede prognosemodeller og kan forklare metoden for revisorer, gjør det.
Plattformer for talentanalyse begynner å tilby dette detaljnivået. Selskaper som Lightcast og Revelio Labs følger ferdighetsbaserte lønnsdata som går utover stillingstitler og ned til faktiske kompetanseklynger. Disse dataene viser hvor det faktisk finnes knapphet, sammenlignet med områder der tilleggene skyldes midlertidige ubalanser mellom tilbud og etterspørsel.
Bruk denne informasjonen til å ta strategiske beslutninger om hvor dere skal betale mer enn markedsnivået, og hvor dere heller skal investere i utvikling. Hvis tillegget er knyttet til genuint sjelden ekspertise, bør dere betale for den. Hvis det er knyttet til kompetanse dere kan utvikle internt på seks måneder, bør dere bygge den fremfor å kjøpe den.
Kostnaden ved misnøye
Ferdighetsbaserte lønnsforskjeller medfører kulturelle kostnader som ikke vises i lønnsmodeller. Når to personer som utfører lignende arbeid, tjener svært forskjellige lønninger fordi den ene bruker AI-verktøy og den andre ikke gjør det, skaper dere forhold som fører til nettopp den typen friksjon organisasjoner ikke har råd til under en omstilling.
Misnøyen er ikke irrasjonell. Fra perspektivet til en person som tjener standardlønn, blir vedkommende straffet for arbeidsgiverens manglende evne til å tilby opplæring eller skape insentiver for å ta i bruk nye verktøy.
Personen som tjener tillegget, jobber ikke nødvendigvis hardere eller skaper større verdi. Vedkommende lærte bare noe organisasjonen burde ha lært opp alle i.
Denne dynamikken kommer tydelig til syne i salgsorganisasjoner som innførte tillegg for bruk av AI-verktøy uten omfattende opplæringsprogrammer. Toppresterende medarbeidere som allerede brukte AI, fikk betydelige lønnsøkninger, mens medarbeidere på mellomnivå som ikke fikk tilgang til de samme verktøyene eller den samme opplæringen, ikke fikk det.
Resultatet ble et lønnsgap som føltes vilkårlig og urettferdig, noe som førte til personalavgang blant nettopp de personene som kunne ha hatt størst nytte av å ta i bruk AI.
Alternativet er å behandle AI-kompetanse som en organisatorisk investering, ikke som et individuelt aktivum. Tilby opplæring, sett av tid til eksperimentering, og belønn bruken gjennom midlertidige insentiver i stedet for permanente lønnstrinn.
Denne tilnærmingen fordeler fordelene mer rettferdig og unngår å skape en todelt arbeidsstyrke basert på hvem som tilfeldigvis lærte AI-ferdigheter først.
Utforming av lønnsstrategi rundt bruk, ikke anskaffelse
Det strategiske spørsmålet er ikke om dere skal betale tillegg for AI-ferdigheter. Det er om deres lønnsfilosofi støtter overgangen dere må gjennomføre. Hvis målet er å få 80 % av arbeidsstyrken til å bruke AI-verktøy effektivt innen 24 måneder, motarbeider permanente lønnsforskjeller for tidlige brukere dette målet.
Se på hvordan Netflix gjør dette. De betaler lønn i øvre del av markedet på tvers av organisasjonen og forventer at alle utvikler kompetansen selskapet trenger. Det finnes ikke noe tillegg for å bruke bestemte verktøy eller teknologier, fordi denne kompetansen inngår i grunnforventningen. Lønnsmodellen støtter kulturen: Vær fremragende på det vi trenger, eller jobb et annet sted.
De fleste organisasjoner kan ikke kopiere denne tilnærmingen fullt ut, men prinsippet gjelder. Gjør AI-kompetanse til en del av jobbkravene, gi medarbeiderne støtten de trenger for å utvikle den, og utform insentiver som belønner rask bruk i stedet for å skape permanente nivåer basert på hvem som kom dit først.
Dette krever en ærlig vurdering av hva som faktisk er vanskelig å lære. Hvis organisasjonen deres er avhengig av spesialisert teknisk infrastruktur, og noen utvikler genuin ekspertise i å bruke AI i dette miljøet, er det verdt å lønne som en spesialisert ferdighet.
Hvis dere betaler tillegg til personer som tok et Coursera-kurs i instruksjonsutforming, forveksler dere nyhet med verdi.
Hva som fungerer
Organisasjoner som håndterer dette godt, har flere fellestrekk. De har:
- Skilt grunnleggende AI-kompetanse fra spesialisert ekspertise.
- Forventet at alle utvikler grunnleggende ferdigheter i AI-verktøy som er relevante for rollen deres.
- Ingen tillegg, ingen særskilt anerkjennelse, bare et standard jobbkrav med opplæring og støtte.
Spesialiserte bruksområder som krever genuin ekspertise, kompenseres annerledes, men kravene er høye. Dere må kunne dokumentere målbar forretningspåvirkning, evne til å lære opp andre eller kompetanse som genuint ikke kan utvikles raskt gjennom standardiserte læringsprogrammer.
Insentivordninger belønner hastigheten på innføringen, ikke det å være tidlig ute. Team som implementerer AI-arbeidsflyter før tidsplanen, får bonuser. Personer som blir superbrukere og hjelper kolleger med å ta i bruk verktøyene, får anerkjennelsesbonuser. Men dette er midlertidige utbetalinger knyttet til bestemte omstillingsmål, ikke permanente justeringer av grunnlønnen.
Tilnærmingen krever åpenhet om hvorfor tilleggene finnes, og når de opphører. Hvis dere betaler noen mer fordi vedkommende har kompetanse organisasjonen trenger akkurat nå, bør dere fortelle at tillegget gjenspeiler knapphet i dagens marked og vil justeres etter hvert som kompetansen blir mer utbredt. Hvis dere tilbyr insentiver for å ta i bruk verktøyene, bør dere være tydelige på at utbetalingene opphører når målene er nådd.
Viktigst av alt måler organisasjoner som gjør dette effektivt, hva de faktisk får igjen for premien. Hvis noen som tjener 56 % mer enn kollegene, ikke leverer målbart bedre resultater, er premien ikke prestasjonsmessig berettiget. Det er en markedsrespons du velger å matche uten å forstå om den skaper verdi.
Dataene om lønnspåslag gjenspeiler et marked i endring. Kompensasjonsstrategien bør støtte organisasjonens overgang, ikke bare gjenspeile det arbeidsmarkedene tilfeldigvis gjør akkurat nå.
