Continue prestatiefeedback klinkt transformerend totdat je ziet hoe bedrijven het uitvoeren
Voordeel van AI: Feedback op basis van AI kan realtime-inzichten bieden en de vooroordelen verminderen die bij traditionele beoordelingen voorkomen.
Datakwaliteit: Veel organisaties kampen met onvoldoende, verouderde of inconsistente gegevens die de kwaliteit van feedback beïnvloeden.
Vertrouwenskwesties: Transparantie over door AI gegenereerde feedback is cruciaal; transparantie beïnvloedt het vertrouwen van medewerkers en de effectiviteit van feedback.
Kloof in de implementatie: Er ontstaat een steeds grotere kloof tussen de potentiële voordelen van AI en de praktische toepassing ervan binnen organisaties.
Feedbacklussen: Ineffectieve feedbacklussen kunnen beoordelingscycli verkorten, maar lossen de problemen van jaarlijkse beoordelingen niet op.
Doorlopende feedback over prestaties, een kernonderdeel van real-time prestatiemanagement, is sneller van wens op conferenties naar bedrijfsbrede uitrol gegaan dan de meeste praktijken voor peoplemanagement in de recente geschiedenis, waarbij AI deze systemen steeds vaker aandrijft.
De boodschap is bij alle leveranciers hetzelfde: realtime input, minder recentheidsbias en feedback die niet wordt gevormd door hoe een manager zich toevallig op een bepaalde middag voelde.
Werknemers zeggen al lange tijd dat ze vaker en specifiekere input willen dan jaarlijkse beoordelingen bieden. AI-ondersteunde systemen zijn precies daarvoor ontworpen, maar de kloof tussen de belofte en de uitvoering wordt steeds moeilijker te negeren.
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
Het probleem van managers die alles klakkeloos goedkeuren
Managers keuren door AI gegenereerde samenvattingen goed zonder de modellen te onderzoeken die ze hebben geproduceerd.
Andrew Whyatt-Sames, organisatiepsycholoog en medeoprichter van UptakeAI, dat samenwerkt met organisaties die AI inzetten voor processen rond medewerkers en prestaties, heeft dit herhaaldelijk zien gebeuren.
Wanneer AI een prestatiesamenvatting genereert, behandelen de meeste managers die als een concept dat moet worden goedgekeurd, in plaats van als een startpunt dat kritisch moet worden onderzocht.
Een eerstelijnsmanager, drie maanden bezig met een implementatie bij een bedrijf met 2.000 medewerkers, vertelde hem: "Er stond 'sterke communicator' en ik was het ermee eens — alle gegevens zijn er toch?"
Het onderliggende model woog aanwezigheid bij vergaderingen mee als indicatie voor communicatie. Niemand had dat aan de managers verteld.
Een deel van het probleem is fundamenteel. Systemen voor continue feedback hebben voortdurende gegevens van hoge kwaliteit nodig. De meeste organisaties beschikken daar niet over.
"Het heeft alleen de context die je het geeft," zei Matt Poepsel, VP Talentoptimalisatie bij The Predictive Index, toen we elkaar in maart spraken op de Transform-conferentie. "Het zou zijn alsof je een vriend om advies over je baas vraagt en die zegt: 'Ik ken je baas niet echt — je zult me meer moeten vertellen.'"
Gegevens over medewerkers waren volgens hem al inconsistent voordat AI erbij betrokken raakte. Functieomschrijvingen die uit verouderde vacatures zijn gehaald, vaardigheidsbeoordelingen die zijn gekoppeld aan vereisten die inmiddels zijn veranderd, gedragsprofielen die managers nooit hebben opgesteld omdat niemand hen had geleerd ernaar te vragen.
We hebben enorm veel gegevens. De vraag is of het de juiste gegevens zijn.
Wanneer de onderliggende gegevens zwak zijn, corrigeert continue feedback zichzelf niet. Het probleem wordt op hogere frequentie juist versterkt.
Transparantie is hoe dan ook een probleem
Er is een vertrouwensdynamiek die de invoering verder bemoeilijkt. Zoals we eerder hebben besproken, bleek uit een onderzoek uit 2021 dat werd gepubliceerd in het Strategic Management Journal dat door AI gegenereerde feedback beter presteert dan feedback van menselijke managers op meetbare resultaten, maar alleen wanneer werknemers niet weten dat de feedback van een machine afkomstig is. Zodra dit bekend wordt gemaakt, verdwijnen de prestatieverbeteringen.
Kamaria Scott, oprichter en CEO van Enetic, heeft dit transparantieprobleem rechtstreeks zien spelen.
"Lieg er gewoon nooit over," zei ze. "Je moet transparant zijn."
Managers die door AI gegenereerde feedback geven, lopen het risico dat werknemers die afwijzen als ze bekendmaken dat AI erbij betrokken was. Wie dat niet doet, heeft te maken met een transparantieprobleem dat uiteindelijk meestal aan het licht komt.
Waar het volgens Scott om gaat, is of deze systemen als startpunt of als eindpunt worden gebruikt.
De beoordeling is niet het einddoel. De beoordeling is het begin van het gesprek.
Volgens haar is het meest verdedigbare gebruik van AI in prestatiemanagement als een gegevensinvoer die een gesprek opent, niet als een samenvatting die op zichzelf staat. "Iets dat zegt: 'Dit is een neutrale plek om te beginnen' — dat is nuttig. Maar je moet elkaar in het midden vinden."
Werknemers weten wat er wordt gemeten
Volgens Whyatt-Sames ontstaat het probleem van het bespelen van het systeem meestal ongeveer zes maanden na de implementatie.
Werknemers komen erachter wat het systeem bijhoudt, meestal via informele kanalen in plaats van via iets officieels, en passen hun gedrag daarop aan. Meer opmerkingen bij check-ins, meer getagde doelstellingen, output die leesbaar is voor het systeem in plaats van nuttig voor iemand. Een L&D-verantwoordelijke met wie hij werkte, noemde het "het dashboard bespelen".
Het volumprobleem volgt een vergelijkbare ontwikkeling. Organisaties meten de adoptie aan de hand van activiteitscijfers, waardoor drie keer zoveel feedback eruitziet als succes.
"Wanneer je de feedback zelf controleert, neemt de bruikbaarheid sterk af," zei Whyatt-Sames. "De feedback wordt korter, formulematiger en geconcentreerd op datgene wat het systeem beloont."
De omkering van signaal en ruis komt vaak pas aan het licht wanneer iemand een terugblik uitvoert; tegen die tijd is het patroon stevig verankerd.
Wanneer het werk zelf met een agent wordt gedeeld
Scott stelde in maart een vraag waarop nog geen helder antwoord is gevonden: "Hoe ziet prestatie eruit als mensen het werk zelf niet doen, of als agenten de helft van het werk doen? Hoe ga je mijn prestaties als persoon beoordelen voor werk dat ik zelf niet langer volledig uitvoer?"
Het is een vraag waarop de meeste huidige implementaties niet zijn ingericht. Ze meten nog steeds individuele output in een context waarin de grenzen van individuele bijdragen steeds minder duidelijk worden.
Whyatt-Sames' diagnose van de reden waarom deze problemen blijven bestaan, verbindt de afzonderlijke manieren waarop het mis kan gaan.
"Organisaties behandelen de AI-laag als de oplossing en slaan de veranderingsarchitectuur over," zei hij. "Het systeem genereert de feedback; niemand vraagt of de feedback het gedrag verandert. Dat is een probleem met het implementatieontwerp, en bij de meeste implementaties is er niemand wiens taak het is om dat af te ronden.
Wat de onderliggende belangen betreft, verwoordde Poepsel het duidelijk.
"Elke beslissing over mensen is een beslissing met grote gevolgen. We moeten er zorgvuldig mee omgaan, zodat we zo snel kunnen gaan als we willen."
De argumenten voor continue feedback met ondersteuning van AI blijven overeind. De aanname dat de implementatie van de technologie het managementprobleem oplost waarvoor deze is ontwikkeld, doet dat niet.
