Visepresident for mennesker og organisasjon i en AI-enhjørning sier at HR-ledere må bli arkitektene bak en menneske-maskin-arbeidsstyrke
Brad Wilkins forklarer hvordan HR-ledere kan redesigne arbeidet rundt AI, samtidig som menneskelig dømmekraft, empati og ansvarlighet står sentralt.
Brad Wilkins
Visepresident for mennesker og organisasjon i Cognite
Redesign først: Ledende selskaper redesigner arbeidsflyter og organisasjoner rundt AI i stedet for å legge til verktøy i utdaterte HR-prosesser.
Raskere diagnostisering: Sammenkoblede arbeidsstyrkedata kan omdanne svake signaler til strukturelle forbedringer i løpet av timer, og dermed forbedre rekruttering, introduksjon og medarbeiderbevaring.
Menneskelig dømmekraft: AI håndterer sammenstilling og rutinebeslutninger, mens mennesker beholder ansvaret for empati, kontekst, forfremmelser og oppsigelser.
Arbeidsflytferdigheter: AI-transformasjon lykkes gjennom sammenkoblede ferdigheter og prosjekter, ikke gjennom spørsmålsbiblioteker som bare gir moderate produktivitetsgevinster.
Risikoer ved innføring: Vellykket innføring krever læringslaboratorier, forkjempere i forretningsenhetene, doble måleparametere og tydelig eierskap til AI-assistert arbeid.
Brad Wilkins er VP for medarbeidere og organisasjon i Cognite, en industriell AI-enhjørning. Med to tiår med ledelse innen People på tvers av SaaS- og AI-skaleringbedrifter har han et tydelig perspektiv på hvordan AI omformer HR.
I intervjuet vårt fortalte han at de beste selskapene ikke bare tar i bruk AI, men redesigner hele virksomheten rundt AI. Slik gjør de det.
Å lede foran utviklingen
Jeg heter Brad Wilkins og er VP for medarbeidere og organisasjon i Cognite, en industriell AI-enhjørning. Jeg fungerer som strategisk HR-partner for våre ledere på toppnivå i Europa, India, Midtøsten, Japan og Amerika, men den røde tråden gjennom de siste tjue årene er viktigere enn enhver enkelt rolle.
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
Fem VP- og CHRO-roller på tvers av SaaS- og AI-skaleringbedrifter, i tillegg til en aktiv partnerrolle i et venturekapitalfond som investerer i regulerte bransjer, har gitt meg et særegent perspektiv. Jeg har sett det samme mønsteret utspille seg i mer enn et dusin selskaper, og jeg har tidlig engasjert meg i endringer i arbeidsstyrken som resten av HR mente var for tidlige.
For ti år siden, i Altisource, avskaffet vi den årlige medarbeidersamtalen og erstattet den med det vi kalte en «virkningsgjennomgang». Den samme samtalen, men med motsatt tyngdepunkt. Vi målte hva folk leverte, ikke hva de gjorde. Vi reduserte avgangen blant nyansatte fra 14 % til 4 % og økte andelen som beholdt ansatte med høy prestasjon, fra 48 % til 98 %.
Den satsingen har vist seg å være vellykket. I Loadsmart tredoblet vi verdsettelsen til 1,3 milliarder dollar samtidig som vi doblet antallet ansatte i 21 land. I Collibra håndterte vi en voldsom endring i antall ansatte, fra 600 til 450 til 825, gjennom covid uten å miste fremdriften. Ingen av disse var HR-tiltak. De var forretningstiltak som medarbeiderfunksjonen tilfeldigvis ledet.
Dagens situasjon er en større versjon av alle disse satsingene. Deloittes rapport om trender innen humankapital i 2026 beskriver det som et vendepunkt: 7 av 10 ledere sier nå at hurtighet og tilpasningsevne, ikke skala, vil være deres viktigste konkurransefortrinn de neste tre årene.
Stanford AI Index viser den samme akselererende kurven på teknologisiden. Og det er et gap på 60 poeng mellom ledere som sier at bevisst utforming av samspillet mellom mennesker og AI er viktig, og dem som faktisk gjør jobben. Dette gapet er den egentlige historien om 2026.
De mest offensive selskapene bruker ikke bare AI i HR; de bygger HR på nytt rundt AI. Organisasjonskart inkluderer nå agenter som bokser, ikke bare mennesker. Individuelle bidragsytere leder team på seks, der alle de seks direkte rapporterende er agenter.
Moderna slo sammen HR og IT til én funksjon under en leder for medarbeidere og digital teknologi. Walmart beskriver transformasjonen sin som «medarbeiderdrevet og teknologidrevet». Disney utnevnte en leder for AI og samarbeid.
CHRO-rollen blir arkitekten for en hybrid arbeidsstyrke av mennesker og maskiner, ikke en leder for ansettelser. Kompetanse forringes raskere enn de årlige syklusene klarer å fange opp, og hver arbeidsflyt du ikke har redesignet, er det BCG og EY nå kaller «talentgjeld» – uutnyttet potensial fanget i gammel organisasjonslogikk.
Dette er mitt syn, og jeg sier det rett ut fordi jeg mener fagfeltet fortsatt går forsiktig rundt temaet: AI som verktøy er et minimumskrav. AI som tankesett er der det faktiske arbeidet ligger.
Skiftet handler ikke om «la oss legge til en AI-assistent i rekrutteringen». Det handler om å anta at en agent kan utføre en del av arbeidet og deretter resonnere bakover for å finne ut hvor et menneske faktisk er nødvendig – det jeg kaller å bevise det negative.
Det handler om å forstå at den fjerde målgruppen for læringsinnholdet ditt nå er selve språkmodellen. Det handler om å akseptere at IT sannsynligvis bør tilbake inn under medarbeiderfunksjonen. Det handler om å erkjenne at ansatte med fire til ti års ansiennitet nå kan være mer utsatt enn ansatte på begynnernivå, fordi nyutdannede er AI-innfødte, mens medarbeidere midt i karrieren fortsatt forsvarer arbeidsflyten de har brukt et tiår på å mestre.
Jobben min er å drive organisasjonen inn i denne fremtiden foran utviklingen, ikke bak den.
Hvordan AI forkorter tiden fra et svakt signal til en strukturell løsning
Den største endringen har ikke vært et verktøy vi tok i bruk. Det har vært at tiden fra et svakt signal i arbeidsstyrken til en strukturell løsning har blitt kraftig forkortet.
Den dominerende driftsmodellen innen fagfeltet vårt har historisk vært at engasjementsdata ligger her, resultatdata ligger der, pulsmålinger blant nyansatte ligger i et tredje system, metadata fra kalender- og tidsregistrering ligger i et fjerde, og noen gjennomfører en kvartalsvis sammenstilling som presenteres for ledelsen seks uker etter at den kunne ha hatt betydning.
Vi har bygget medarbeiderfunksjonen vår på den samme arkitekturen som selskapet vårt selger til industrikunder: ved å koble sammen ulike datakilder i én graf, legge et agentbasert lag oppå og la systemet avdekke sammenhenger mennesker alene ikke ville ha oppdaget i tide.
Et nylig eksempel: En pulsmåling blant nyansatte etter 90 dager viste svak tilknytning til lederen. Uavhengig av dette viste tidsregistreringsdata at kalenderen til denne lederen i stillhet hadde blitt fylt opp av forhåndssalgsaktiviteter som faktisk ikke var en del av stillingsbeskrivelsen, omtrent halvparten av arbeidsuken.
For tre år siden ville dette ha vært to urelaterte datapunkter i to urelaterte systemer, avdekket av to forskjellige analytikere med seks ukers mellomrom. På det tidspunktet har du enten mistet den nyansatte, eller så har du bygget et strukturelt problem permanent inn i rollen. Med kunstig intelligens som kryssrefererer signalene i sanntid, tok diagnosen minutter.
Da vi oppdaget det feilfordelte forhåndssalgsarbeidet, ryddet vi ikke bare opp i lederens kalender. Vi gikk tilbake til beskrivelsen av stillingsfamilien, undersøkte på nytt om dette arbeidet i det hele tatt hørte hjemme i rollen, så på sammenlignbare referansepunkter på tvers av tilsvarende selskaper og tok en strukturell beslutning om hvor arbeidet burde ligge.
En øvelse som historisk ville ha lagt beslag på flere uker av tiden til en HR-forretningspartner – innhenting av stillingsbeskrivelser, sammenligning med eksterne data og kartlegging av ansvarsområder – ble gjennomført på omtrent tre timer.
Slik endrer kunstig intelligens medarbeiderfunksjonen
Atferdsendringen som betyr noe, er ikke «vi bruker kunstig intelligens i HR nå». Mange organisasjoner kan si det. Atferdsendringen er at tiden mellom et svakt signal og en strukturell beslutning har blitt redusert med omtrent to størrelsesordener. Det endrer hva medarbeiderfunksjonen er.
Bemanningsplanlegging slutter å være et kvartalsvis dokument og blir i stedet en praksis for tirsdag ettermiddag. Kompetansestyring slutter å være en statisk taksonomi og blir et kart som kontinuerlig tegnes på nytt. Rollen til medarbeiderforretningspartneren slutter å være å drive en prosess og blir i stedet å orkestrere et system.
Det er ringvirkningene som betyr noe. Alle fremtidige ansettelser i dette teamet starter nå med en stillingsbeskrivelse som gjenspeiler det faktiske arbeidet, ikke arbeidet slik man forestilte seg det da rollen først ble skrevet. Tiden det tar å komme inn i rollen blir kortere. Kostnaden per ansettelse går ned. Kvaliteten på lederens 1:1-samtaler blir bedre fordi lederen ikke blir trukket i femten retninger.
Ingenting av dette vises som en prangende utrulling av kunstig intelligens – det finnes ingen chatbot de ansatte samhandler med. Men organisasjonen drives på en målbar annerledes måte. Det er denne typen endring jeg mener medarbeiderledere bør måle seg mot, ikke «tok vi i bruk en kopilot».
Når spørsmålet blir «Hvorfor kan ikke dette være kunstig intelligens?»
Vi bygger generativ kunstig intelligens inn i alt dette ved hjelp av strukturerte spørsmålsbiblioteker – ikke ad hoc-bruk, ikke “finn ut av det.” …Jeg ser på det som gode nyheter, fordi det som gjenstår, er det substansielle strategiske og empatiske arbeidet som faktisk var grunnen til at jeg begynte i dette fagfeltet.
Alle arbeidsflyter presses gjennom en AI-først-sil – spørsmålet er ikke «Hvor kan kunstig intelligens hjelpe her?» Det er «Hvorfor kan ikke dette være kunstig intelligens?»
Det som faller gjennom til den andre siden, er det som genuint trenger menneskelig arbeidskraft, menneskelig dømmekraft eller menneskelig empati. Det er dette som er grepet: å snu spørsmålet. Det tvinger deg til å bevise det negative hver gang, og det synliggjør en enorm mengde arbeid som ingen frivillig ville ha overlatt til andre.
Dette håndterer kunstig intelligens for meg nå: sammenstilling på tvers av ulike persondata, analyse av roller og stillingsarkitektur, utarbeiding av utkast (stillingsbeskrivelser, kommunikasjon, veiledning om retningslinjer, presentasjoner for ledelsen), coaching av ledere for bedre intervjukvalitet, mønstergjenkjenning på tvers av signaler fra engasjement og stemning, matching i et internt talentmarked og førstelinjetolkning av retningslinjer.
Vi bygger generativ kunstig intelligens inn i alt dette ved hjelp av strukturerte spørsmålsbiblioteker – ikke ad hoc-bruk, ikke «finn ut av det». Hvis jeg skulle tallfeste det, har omtrent halvparten av det jobben min besto av for fem år siden, blitt komprimert eller eliminert. Jeg ser på det som gode nyheter, fordi det som gjenstår, er det substansielle strategiske og empatiske arbeidet som faktisk var grunnen til at jeg begynte i dette fagfeltet.
Hvor den reelle påvirkningskraften ligger i inndata, ikke utdata
AI er bare så god som inndataene og fagpersonen bak den. Jeg hører ikke nok ledere si det.
Hele fagfeltet har jaktet på bedre utdata, mens den reelle påvirkningskraften ligger på inndatasiden. Samme verktøy, to fagpersoner, vidt forskjellige resultater. Skjønnsvurderingene — om mennesker, om kultur, om hvem som fortjener overbærenhet og hvem som trenger en tydelig samtale — er inndataene. Hvis du hopper over arbeidet i forkant, spiller maskineriet i midten ingen rolle.
Så svaret mitt på «Hva forblir menneskelig?» er også «Hva gjør AI verdt å bruke i det hele tatt?» Skiftet de beste lederne gjør, går fra menneske i sløyfen til mennesket i førersetet. AI utfører, mennesket tar ansvaret for avgjørelsen.
Hvordan vite hva slags arbeid som bør «forbli menneskelig»
AI er utmerket til å identifisere hvilken kategori noen kan tilhøre. AI er elendig til å ta den påfølgende samtalen. Det samme gjelder forfremmelser. AI kan vise deg hvem som er klar basert på kompetansesignaler, men avgjørelsen om hvorvidt noen er klar for skjønnet som kreves på neste nivå, er grunnleggende sett en menneskelig vurdering.
Der AI tar ledelsen og et menneske godkjenner: sammenstilling av arbeidsstyrkedata og mønstergjenkjenning, førstegangsanalys av rollearitektur, utforming av retningslinjer og standardiserte meldinger, sammenfatning av medarbeidersamtaler, analyse av engasjement og stemning, veiledning av ledere i intervjuer basert på utskrifter, førstelinjesortering av medarbeiderrelaterte saker, sammenkobling av kandidater mot kompetanserammeverk og tolkning av retningslinjer for rutinespørsmål.
Der AI bistår og et menneske leder: avveininger i arbeidsstyrkeplanlegging, beslutninger om etterfølgerplanlegging, kompensasjonsfilosofi og utforming av belønninger, valg innen organisasjonsdesign og kalibrering av talentvurderinger. AI gir meg bedre inndata, raskere scenarier og mønstergjenkjenning jeg ikke ville fanget opp alene. Jeg tar avgjørelsen.
Der AI ikke får stemme: oppsigelser, forfremmelser, sensitive prestasjonssamtaler, sluttsamtaler, beslutninger om dybden i lederbenken, alt som innebærer en vurdering av om noens intensjon er i tråd med organisasjonen, og ethvert øyeblikk som krever at man leser rommet. Grunnen er enkel: Disse øyeblikkene krever empati, og empati er den eneste egenskapen der jeg ikke ser troverdige bevis på at AI vil innhente dyktige mennesker innen en meningsfull tidsramme. Det er ikke en flaskehals, men en kulturressurs, forankret i en sterk tro på at konsensus og rettferdighet er konkurransefortrinn, ikke forsinkelser. Jeg ville forsvart dette mot ethvert effektivitetsargument AI kunne kommet med.
Finansteknologiselskapet som kunngjorde at det erstattet 700 kundeservicemedarbeidere med AI — og som nå stille ansetter dem på nytt — er lærestykket alle HR-ledere bør følge med på. AI håndterte hastigheten og volumet. Den overså empatien og unntakstilfellene. Lederne som satser mot menneskelig dømmekraft i 2026, kommer til å skrive unnskyldende LinkedIn-innlegg i 2027.
Der AI vinner i HR
Hypen er reell. AI har store fordeler.
Tiden fra signal til handling i arbeidsstyrkerelaterte saker falt fra uker til timer. Kvaliteten på lederintervjuer ble merkbart bedre da vi begynte å kjøre veiledningsskript på utskrifter — når du viser en leder data som viser at 90 % av intervjuspørsmålene deres var lukkede, eller at de snakket 85% av tiden, retter de på det. De fleste ønsker å bli bedre, de hadde bare aldri fått speilet.
Tiden det tok å besette stillinger, gikk betydelig ned da vi sluttet å behandle stillingstitler som arbeidsenheten og begynte å matche kandidater mot utledede kompetanser. Uønsket gjennomtrekk ligger godt under 5 % — ikke utelukkende på grunn av AI, men delvis fordi vi nå fanger opp problemer med opplæringsperioden og problemer med manglende tilknytning til lederen mens de fortsatt kan løses.
Bruken av interne AI-verktøy skjøt dramatisk fart da vi bygget læringslaboratorier i verkstedformat i stedet for tradisjonell klasseromsundervisning, med tidlige brukere som lærte opp kolleger i arbeidsflyten.
Mønsteret som begeistrer meg mest, er at AI synliggjør arbeid som tidligere var usynlig — lederen hvis kalender har sklidd ut, den nyansatte hvis introduksjon går i feil retning, topprestasjonen hvis engasjement begynner å synke. Ingenting av dette var tidligere mulig å lese av raskt.
Der AI ikke leverer
Jeg gikk inn i 2025 med forventningen om at AI skulle bidra til å kalibrere prestasjonsvurderinger på tvers av team – ved å flagge inkonsekvenser, avdekke mulig skjevhet og hjelpe til med sammenligning av lønnsnivåer. Den gjør noe av dette godt. Men den delen av kalibreringen som faktisk betyr noe, er samtalen mellom ledere om hvorvidt denne personen, på dette nivået og i denne konteksten, presterer slik vi trenger at vedkommende skal gjøre.
AI har vært en ganske svak bidragsyter der. For mye av prestasjon handler om kontekst, relasjoner og fremtidsutsikter. AI er god på bakoverskuende mønstergjenkjenning. Det er ikke det samme.
Den andre mangelen gjelder genuint ny organisasjonsutforming. AI kan fortelle deg hvordan sammenlignbare selskaper har strukturert funksjonene sine for verdiskaping, organisasjonene sine for markedsintroduksjon eller økonomiteamene sine.
Den er langt svakere når du utformer noe ingen egentlig har gjort før, som en funksjonsstruktur der agenter er direkte rapporterende, og mennesker leder team av agenter. Fremtidsrettet organisasjonsutforming er fortsatt for det meste menneskelig, og jeg forventer at det vil forbli slik en stund.
Den tredje mangelen gjelder ledersuksesjon. AI kan kartlegge kompetanse opp mot kravene i en rolle, men den kan ikke fortelle deg hvem som har den politiske kapitalen, relasjonene eller tillitskontoen hos ledergruppen som faktisk skal til for å lykkes i en seniorrolle. Ledersuksesjon er i bunn og grunn et problem knyttet til menneskelig tillit, og jeg er skeptisk til at AI vil løse det innen en tidsramme som er nyttig.
AI har heller ikke innfridd løftet om én samlet plattform. De fleste HR-teknologileverandørene som solgte inn én enkelt, integrert og AI-drevet plattform i 2024, leverte et dashbord med en chatbot koblet på siden.
Den virkelige verdien kommer fra å koble sammen spesialiserte verktøy gjennom strukturerte ledetekster og arbeidsflyter som fagpersonene faktisk eier. Alle som selger deg den konsoliderte plattformen, selger deg et veikart, ikke et produkt.
Mer overordnet har AI ikke erstattet senior dømmekraft. AI håndterer hastighet, volum og mønstergjenkjenning. Den går glipp av empati, særtilfeller og øyeblikkene som krever en menneskelig vurdering: den vanskelige samtalen, vurderingen av om noen befinner seg i et øyeblikk der de «ikke vet hvordan», kontra et øyeblikk der de «oppriktig ikke kan», og den kulturelle avlesningen av et rom. Det er dette substansielle arbeidet jeg ønsker at fagpersoner skal gjøre mer av, ikke mindre.
Og poenget jeg aller mest ønsker at ledere innen personal skal ta inn over seg, er dette: AI har ikke bevist at arbeidstakere på begynnernivå er mest utsatt. Den konvensjonelle oppfatningen om at du kan erstatte juniorlaget ditt med agenter, er etter min mening nøyaktig bakvendt. Gruppen som kommer ut fra universitetet, er AI-innfødt. De trenger ikke å overbevises.
Gruppen som faktisk er utsatt, er ansatte med fire til ti års ansiennitet – personen som bygget karrieren sin på å mestre en arbeidsflyt AI nå komprimerer til minutter, og hvis instinkt er å forsvare arbeidsflyten i stedet for å bygge den opp på nytt. Det er her den reelle investeringen i kompetanseomstilling må gå.
Til slutt sliter AI fortsatt med nyansert kulturell oversettelse på tvers av regioner. I Europa, India, Midtøsten, Japan og Amerika har jeg sett betydelige ytelsesforskjeller når modeller møter dialekt, kulturell kontekst eller nyanser i lokal arbeidsrett. Vi er fortsatt avhengige av lokal menneskelig dømmekraft for alt som er kulturelt nyansert. Teknologien vil lukke dette gapet. Det har den ikke gjort ennå.
Slik forvandler en AI-drevet arbeidsflyt ansettelsesprosessen
Her er arbeidsflyten jeg er mest stolt av. Jeg tror den viser hvordan fagfeltet vil se ut om tre år, og de fleste personalfunksjoner har ikke bygget den ennå.
Det er hele ansettelseslivsløpet, fra stillingsbeskrivelse til tilbakemeldinger under onboarding, som kjører som én sammenhengende arbeidsflyt oppå en tilpasset Claude-ferdighet vi har bygget. Ansettelse er det ideelle eksempelet å gå gjennom, fordi det er her de fleste organisasjoner har dårligst datakvalitet, størst variasjon i lederatferd og lavest toleranse for å gjøre feil.
La oss gå trinnvis gjennom det:
Trinn 1: Behovsavklaring
Ansettende leder utløser et behov. Ferdigheten gjennomfører et strukturert tale- eller tekstintervju med vedkommende og avdekker resultatene for de neste tolv månedene, partnerrelasjonene og de diskvalifiserende manglene.
Den kryssjekker svarene mot økonomiavdelingens bemanningsplan, teamets eksisterende prestasjonsfordeling og lederens tidligere stillingsbeskrivelser for å flagge inkonsekvenser før noen skriver et eneste ord.
Trinn 2: Triangulering av interessenter
To eller tre samtaler med kolleger og direkte rapporterende, hver på femten minutter, sammenfattet til ett samlet behov. Ferdigheten avdekker gap mellom lederens intensjon og teamets virkelighet og synliggjør dem for avklaring før rollen gjøres offentlig.
Trinn 3: Generering av artefakter
Stillingsbeskrivelse med en seksjon om reell innvirkning, strukturert intervjuguide fordelt på intervjurundene og en forankret skala fra 1 til 4 med atferdsbeskrivelser. Alle tre artefaktene er versjonsstyrte, etterprøvbare og kan redigeres av HR-forretningspartneren før lansering.
Trinn 4: Intervjuer i sanntid
Hver intervjuer har vurderingsskalaen og spørsmålene foran seg. Samtalene transkriberes (med samtykke), og ferdigheten avdekker observasjoner i sanntid: kvaliteten på spørsmålene, forholdet mellom taletid, avsporinger og etterlevelse av vurderingsskalaen.
Trinn 5: Poengsetting og sammenstilling
Hver intervjuer vurderer kandidaten mot den forankrede vurderingsskalaen umiddelbart etter samtalen. Poengene sammenstilles mot gjennomsnittet for pilarer og kompetanser. Ferdigheten flagger avvikende intervjuervurderinger – noen som gir alle en 4-er, eller noen som er vesentlig uenig med resten av intervjupanelet – slik at HR-forretningspartneren blir oppmerksom på dem.
Trinn 6: Beslutning
En menneskeledet debrief, der ferdigheten bidrar med strukturerte samtalepunkter, gjennomsnitt fra vurderingsskalaen og eventuelle avdekkede uoverensstemmelser. Beslutningen tas av mennesker, men forberedelsene er automatiserte.
Trinn 7: Introduksjon
Ferdigheten genererer de binære 30/60/90-dagers målene, hyppigheten for oppfølging mellom leder og medarbeider og de strukturerte pulsspørsmålene. Hvert pulssignal føres over tid tilbake til dataene for kandidatevalueringen.
Trinn 8: Tilbakemeldingssløyfe for ansettelseskvalitet
Etter seks måneder sammenholder systemet intervjupoeng med faktisk oppstartsutvikling og ledertilfredshet. Intervjuernes treffsikkerhet forbedres med hver ansettelse. Mønstre blir synlige – hvilke ledere som er gode til å vurdere hvilke kompetanser, hvilke roller som konsekvent vurderes feil, og hvilke signaler fra intervjuet som i sterkest grad forutsier suksess.
Hele sløyfen kjører som ett sammenhengende system. Arbeidet som tidligere tok en HR-forretningspartner to uker med fragmentert innsats på tvers av fem verktøy, tar nå noen timer med fokusert menneskelig gjennomgang i én arbeidsflyt. Og kvaliteten er bedre, fordi hvert trinn kalibreres mot trinnene før og etter. Det er det ende-til-ende faktisk betyr.
Det som får dette til å fungere, er ikke verktøyet. Det er den strukturelle forpliktelsen til at ferdigheten gjør det tunge arbeidet, mens mennesket gjør skjønnsvurderingen. Hvert artefakt Claude-ferdigheten produserer, er et utkast, ikke en beslutning. Ansettelseslederen har fortsatt ansvaret for rolledefinisjonen. Intervjuerne har fortsatt ansvaret for poengsummene sine. Ansettelsesbeslutningen tas fortsatt i et rom med mennesker som avgjør om dette er personen.
Det arbeidsflyten har fjernet, er det monotone arbeidet som historisk lå mellom disse vurderingsøyeblikkene – omformateringen, omskrivingen, den manuelle kalibreringen og analysen i etterkant som ingen hadde tid til å gjøre. Menneskene fikk tilbake tiden til å bruke skjønn. Systemet ble mer grundig. Arbeidet ble mer interessant. Det er denne avveiningen jeg ønsker at alle HR-funksjoner skal gjøre.
Hvorfor instruksjoner er feil arbeidsenhet
Hadde jeg visst dette tidligere, ville jeg ha hoppet over månedene med kuratering av instruksjonsbiblioteket som alle i fagfeltet vårt har holdt på med, og gått direkte til utforming av ferdigheter … Lederne som først kommer frem til ferdighetstenkning, kommer til å se ut som om de opererer i et annet tiår enn de som fortsatt driver instruksjonsbiblioteker.
Når de fleste HR-ledere lanserer sitt første AI-initiativ, lanserer de det som et instruksjonsprosjekt.
Her er en god instruksjon for å utarbeide stillingsbeskrivelser. Her er en god instruksjon for å oppsummere temaer fra medarbeiderundersøkelser. Her er en god instruksjon for tilbakemeldinger i medarbeidersamtaler.
Praktikere lærer seg instruksjonene, lagrer dem i et delt dokument og føler seg produktive. Ledelsen får følelsen av at det skjer fremgang. Adopsjonsmålingene stiger. Seks måneder senere ser du på hvor verdien faktisk har oppstått, og svaret er: ikke særlig mye.
Instruksjoner er starttrekket. De er ikke arbeidsenheten.
Arbeidsenheten er en ferdighet eller et prosjekt — en strukturert kapasitet i flere trinn som tar imot inndata fra flere kilder, kjører en konsekvent prosess på tvers av dem, produserer et definert resultat og forbedres over tid etter hvert som den lærer av utfallene.
Ansettelsesarbeidsflyten jeg beskrev tidligere, er en ferdighet, ikke en ledetekst. Den tar økonomidata, innspill fra ledere, innspill fra kolleger, historiske prestasjonsmønstre og strukturerte kompetansemodeller som inndata. Den produserer stillingsbeskrivelser, intervjuguider, vurderingskriterier, samlede poengsummer, introduksjonsplaner og signaler fra tilbakemeldingssløyfer som utdata. Den forbedres for hver ansettelse fordi den tar inn data om utfallet. Ingen enkeltstående ledetekst gjør noe av dette. Det gjør en ferdighet.
Grunnen til at dette skillet er viktig i praksis, er at organisasjoner som tar utgangspunkt i ledetekster, har en tendens til å flate ut ved produktivitetsgevinster på 10-20 % — nyttig, men ikke transformativt.
Organisasjoner som tar utgangspunkt i ferdigheter og prosjekter, låser opp nyutforminger på arbeidsflytnivå som gir sprangvise forbedringer. Den første typen organisasjon industrialiserer det den allerede gjør. Den andre typen opererer genuint annerledes.
Hvis jeg hadde visst dette tidligere, ville jeg ha hoppet over månedene med kuratering av ledetekstbiblioteket som alle i fagfeltet vårt har holdt på med, og gått direkte til utforming av ferdigheter. Jeg ville ha investert i fagpersonene som kunne tenke i arbeidsflyter, fremfor dem som var flinke til å skrive smarte ledetekster.
Jeg ville ha bygget datagrunnlaget — forbindelsene mellom personalsystemene våre, økonomisystemene våre, produktivitetsverktøyene våre og engasjementssignalene våre — tidligere, fordi ferdigheter bare er så gode som dataene de får tilgang til.
Lederne som først kommer frem til ferdighetstenkning, kommer til å se ut som om de opererer i et annet tiår enn de som fortsatt driver ledetekstbiblioteker.
Råd til ledere som navigerer i AI-transformasjon
AI-transformasjon er grunnleggende sett et humankapitalproblem forkledd som et teknologiproblem. Teknologien er den enkle delen. Jobben din — og min — er den vanskelige delen. Og den har nettopp blitt mer interessant enn den har vært på tjue år.
Én: Ta utgangspunkt i arbeidet, ikke verktøyet. Kjør hver arbeidsflyt gjennom silduken — hvorfor kan ikke dette være AI? — før du spør hvilket verktøy du skal kjøpe. Hvis du legger AI oppå en ødelagt prosess, industrialiserer du dysfunksjonen. Verktøyet er ikke strategien, det er redesign av arbeidet som er strategien. De fleste lederne jeg kjenner som føler at AI ikke har levert, er ledere som hoppet over dette trinnet.
To: Gå fra AI som verktøy til AI som tankesett. Dette er det som skiller lederne jeg respekterer, fra lederne som kommer til å sakke akterut i 2027. Verktøytenkning gir deg kopiloter i den eksisterende programvaren. Tankesett-tenkning gir deg organisasjonskart der agenter sitter i bokser sammen med mennesker, individuelle bidragsytere som leder team med seks AI-medarbeidere som rapporterer direkte til dem, læringsfunksjoner som anerkjenner at deres fjerde målgruppe er selve språkmodellen, kompetanserammeverk som inkluderer digital arbeidskraft som en fullverdig deltaker, og IT-funksjoner som sannsynligvis hører hjemme i personalorganisasjonen i stedet for å være plassert i økonomiavdelingen. Synet på arbeid som et kompetansesystem erstatter synet på arbeid som stillingstitler, og organisasjonene som kommer dit først, vil operere grunnleggende annerledes enn de som ikke gjør det.
Tre: Bruk uforholdsmessig mye tid på inndata. Kvaliteten på enhver AI-utdata er en funksjon av fagpersonens ledetekst, kontekst og vurdering i forkant. Lederne som oppnår akselerasjon, er de som bygger strukturerte ledetekstbiblioteker på samme måte som de ville ha bygget et kompetanserammeverk. Lederne som klager over at AI ikke har levert, er de som skrev tre setninger inn i en chatbot og forventet magi. Se på ledetekstbiblioteket ditt som en organisatorisk ressurs. Styr det. Forbedre det. Lær folk å bruke det.
Fire: Tegn bildet for medarbeiderne dine. Tillit kollapser når ansatte hører «AI-transformasjon» og ser for seg oppsigelser. Tillit bygges opp igjen når ledere synlig bruker verktøyene selv og viser folk hva jobben deres skal bli, ikke bare hva som blir tatt bort. Ingeniører slutter å programmere og begynner å arbeide til venstre og høyre for koden — med arkitektur, vurderinger, oversettelse av kundebehov og systemdesign. Selgere slutter å drive med CRM-rydding og begynner å utvikle dypere kunderelasjoner. Personalforretningspartnere slutter å drive prosesser og begynner å orkestrere systemer. Visualiseringsarbeidet er det som skiller AI som styrker kulturen din, fra AI som uthuler den. Tilliten til arbeidsgivere har vært synkende; du kan ikke ta den for gitt.
Fem: Plant treet. Mitt favorittkinesiske ordtak: Det beste tidspunktet å plante et tre på var for tjue år siden. Det nest beste tidspunktet er nå. De fleste personalledere jeg snakker med, ligger seks til tolv måneder bak der de tror de er. Akselerasjonskurven er brattere enn du har modellert. Bygg læringslaboratorier, ikke klasserom, utnevn AI-forkjempere i hver forretningsenhet, og aksepter at svaret du gir på dette spørsmålet om tre måneder, vil være en brøkdel av svaret du ville ha gitt i dag. Det er ikke et problem som skal løses. Det er driftsbetingelsen.
Tre måter AI-adopsjon bryter sammen på
Teknologi- og produktfunksjonene tok umiddelbart i bruk kunstig intelligens. Funksjonene som slet — de jeg vil være forsiktig med å navngi på en høflig måte — var de generelle og administrative funksjonene, der arbeidet ligger nærmest det store språkmodeller gjør naturlig, og der medarbeiderne hadde minst erfaring med å arbeide med disse verktøyene. Det ligger en dyp ironi i det.
Funksjonene som hadde mest å vinne, var de tregeste til å engasjere seg, fordi medarbeiderne hadde brukt karrierene sine på å bli verdsatt for å være den institusjonelle kunnskapen — og kunstig intelligens demokratiserer nå denne kunnskapen, noe som føles som en trussel før det føles som en multiplikator.
Løsningen var ikke teknisk opplæring. Det handlet om å skape psykologisk rom for at medarbeiderne kunne redefinere hva verdien deres var. Vi gjorde det gjennom workshops der de fikk leke med verktøyene i reelt arbeid, sammen med kolleger og i et miljø med lav risiko — det jeg kaller læringslaboratorier, ikke klasserom. Klasseromsformatet førte til null bruk. Laboratorieformatet skapte synlig fremdrift i løpet av få uker.
Her er tre andre områder der innføringen av kunstig intelligens møter utfordringer:
For det første skaper ujevn innføring på tvers av funksjoner reelle kulturelle spenninger. Teknologifunksjonen tok det umiddelbart i bruk. Salgsfunksjonen kom etter. Noen generelle og administrative funksjoner befinner seg fortsatt i «men hva skulle jeg gjøre?»-fasen — og det er nettopp feil spørsmål. Det kommer til uttrykk som stille harme, ikke høylytt motstand. Folk begynner å bekymre seg for at kollegene deres bruker kunstig intelligens til å se ut som de er mer produktive enn dem.
Tilliten i organisasjoner som bruker kunstig intelligens, er genuint skjør akkurat nå — årets undersøkelsesdata tyder på at omtrent fire av fem arbeidstakere og ledere er bekymret for nettopp denne dynamikken. Hvis du ikke håndterer dette gjennom åpne forkjempere for kunstig intelligens i hver forretningsenhet, synlig bruk av verktøyene fra ledelsen og tydelige standarder for hva som regnes som arbeid støttet av kunstig intelligens, begynner kulturen å betale renter på en gjeld den ikke innså at den tok på seg.
For det andre har jeg sett ledere i andre selskaper legge kunstig intelligens oppå en ødelagt prosess og kalle det transformasjon. Hvis medarbeidersamtalen din er dårlig, gjør det å legge kunstig intelligens til den prosessen enda mer sammensatt dårlig — raskere, mer selvsikker og mer skalerbar i feil retning. Begynn med selve arbeidet, ikke verktøyet.
Ellers transformerer du ikke, du industrialiserer dysfunksjon. Dette er den vanligste feilen jeg ser i sammenlignbare organisasjoner, og den drives nesten alltid av teknologiteamet, som jakter på et mål for utrulling, i stedet for at personalfunksjonen leder en redesign av arbeidsflyten.
For det tredje, og dette er mer subtilt: Kunstig intelligens utjevner ikke prestasjoner, den forsterker forskjellen. Erfarne medarbeidere bruker den til å utvide ekspertisen sin; mindre erfarne medarbeidere bruker den til å generere akseptable, men overfladiske resultater som skjuler svak resonnering. Når dette arbeidet av lav kvalitet kommer inn i organisasjonsdataene dine, trenes den neste iterasjonen av kunstig intelligens på det. Det er en tilbakemeldingssløyfe de fleste ledere ikke har tenkt gjennom.
Vi motvirker dette ved å legge stor vekt på den menneskelige medarbeideren på forsiden av hver arbeidsflyt — inndataene er verdien, ikke resultatene. Hvis du lar kunstig intelligens bli den produktivitetsutjevneren alle håpet den skulle bli, vil du om atten måneder våkne opp til en arbeidsstyrke der forskjellen mellom de beste medarbeiderne dine og alle andre er større enn noen gang, ikke mindre.
Tre taktiske grep for ledere som tar i bruk kunstig intelligens
For det første: utnevn en forkjemper for kunstig intelligens i hver forretningsenhet, ikke bare i teknologi- og produktfunksjonene. De fleste organisasjoner har uformelle forkjempere for kunstig intelligens i teknologifunksjonene sine og ingen andre steder. Gjør rollen bevisst. Gi den synlighet, gi den tid og gi den tillatelse til å utfordre hvordan funksjonen arbeider.
Funksjonene der dette er vanskeligst — økonomi, juridisk og generell administrasjon — er nettopp der det største potensialet ligger, fordi arbeidet i disse funksjonene ligger nærmest det store språkmodeller gjør naturlig. Hvis du ikke utnevner forkjempere på disse områdene, lar du mesteparten av verdien gå til spille.
For det andre: bygg doble KPI-er — ett sett for prestasjoner «nå» og ett sett for kapasitet «senere». Fellen er å måle transformasjonen etter hvor mye av det nåværende arbeidet du har automatisert, når det egentlige spørsmålet er hvor mye nytt arbeid du har gjort mulig.
Lederne som lykkes med dette, bruker kortsiktige «nå»-målinger — innføring, produktivitet og spart tid — sammen med langsiktige «senere»-målinger — nye kapabiliteter som er utviklet, nye roller som er opprettet og nye inntekter eller kundeutfall som er muliggjort. Hvis du bare følger «nå»-målingene, vil du optimalisere deg frem til en mindre og raskere versjon av det du pleide å være. Poenget er ikke å være mindre og raskere. Poenget er å være annerledes på en måte som betyr noe.
For det tredje: vær tydelig på hvilke beslutninger som flyttes fra mennesket i loopen til mennesket i førersetet. Overgangen fra «mennesket følger med på at AI arbeider» til «mennesket styrer AI-arbeidet og tar ansvar for resultatet» er det viktigste styringsskiftet en HR-funksjon kan gjøre i år. Det tydeliggjør ansvaret. Det bygger tillit raskere enn noe policydokument, og det gir medarbeiderne dine et klart svar på spørsmålet de egentlig stiller, nemlig: har jeg fortsatt kontroll over arbeidet mitt?
Når svaret er ja – synlig og gjentatte ganger, i øyeblikkene som betyr noe – akselererer innføringen, og motstanden avtar. Når svaret er uklart, vil ethvert annet AI-initiativ du setter i gang møte friksjon du ikke har budsjettert med.
Hva gjør en leder uerstattelig?
Motstandskraft og generøsitet er de to egenskapene jeg ønsker at barna mine skal ta med seg inn i et arbeidsmarked jeg ikke kan forutsi fullt ut. De er også – tilfeldigvis, ikke tilfeldig – de to egenskapene jeg ser etter hos enhver leder som kommer til et sistegangsintervju. AI kan gjøre nesten alt annet. Det kan ikke gjøre dette. Det er det jeg ville satset på hver gang. Og det er det jeg satser på hver gang.
Selskapene som snubler akkurat nå, behandlet AI som en strategi for å erstatte mennesker i stedet for en strategi for redesign, og erstattet laget der menneskelig skjønn levde. AI håndterte volumet. Det bommet på øyeblikket. Kostnaden er alltid høyere enn besparelsesmodellen forutså, fordi dette øyeblikket vokser til tillit, til gjennomtrekk, til den neste personen som ser på spillboken og stille oppdaterer CV-en sin.
Lederne som konsekvent lykkes, beskytter det som fortsatt er utpreget menneskelig. Den vanskelige samtalen. Forfremmelsen der dataene sier ja, men du kan merke at personen ikke er klar for tyngden i den neste rollen. Avslutningen som ble håndtert med nok verdighet til at personen som slutter fortsatt snakker godt om selskapet. Vurderingen av om noen trenger et dytt i form av veiledning, eller fortjener lengre tøyler. Det er der lojalitet, tillit og omdømme faktisk skapes – og der den neste kandidaten sier ja på grunn av måten du behandlet den forrige personen som sluttet på.
Forretningsforståelse, teknologikompetanse og høy empati er ikke tre separate ferdigheter. Det er én ferdighet uttrykt på tre måter.
Grunnen til at jeg bryr meg så mye om dette, hvis jeg skal være ærlig, handler om de to barna mine.
Sønnen min Jonah er sju år. Hver morgen går han rett til en ny eske med Lego. Noen ganger følger han instruksjonene nøyaktig. Andre ganger ignorerer han dem fullstendig og bygger noe ingen har sett før. Han ser ingen forskjell mellom de to tilnærmingene – begge betyr at han har bygget noe.
Det er ikke en læringsstil. Det er motstandskraft. En nektelse av å la seg beseire av en vegg når det finnes et vindu et sted du ennå ikke har prøvd. Det er også egenskapen jeg ser etter hos enhver leder jeg hjelper en toppsjef med å ansette, fordi hvert vekstselskap er et Legosett der halvparten av instruksjonene mangler.
Datteren min Gabi fylte fem år og planla sine egne godteposer til bursdagen. Hun håndplukket godteriet og lekene til hver venn. Hun tegnet personlige illustrasjoner til hver enkelt. På sin egen bursdag – dagen da det var meningen at hun skulle være den som fikk ting.
Det er generøsitet, men mer nyttig betraktet er det et instinkt for å forsterke andres kapasitet: å gjøre menneskene rundt deg bedre uten å bli bedt om det, uten å vente på det rette øyeblikket og uten å forvente noe tilbake. Det er lederegenskapen som viser seg i hvert eneste rom jeg har sett fungere i praksis. AI skaper den ikke.
Motstandskraft og generøsitet er de to egenskapene jeg ønsker at barna mine skal ta med seg inn i et arbeidsmarked jeg ikke kan forutsi fullt ut. De er også – tilfeldigvis, ikke tilfeldig – de to egenskapene jeg ser etter hos enhver leder som kommer til et sistegangsintervju. AI kan gjøre nesten alt annet. Det kan ikke gjøre dette.
Det er det jeg ville satset på hver gang. Og det er det jeg satser på hver gang.
Følg med
Du kan følge arbeidet til Bradford Wilkins på LinkedIn.
Flere ekspertintervjuer kommer på People Managing People!
