Doorlopende prestatiefeedback klinkt transformerend totdat je ziet hoe bedrijven het uitvoeren
Voordeel van AI: AI-gestuurde feedback kan realtime inzichten bieden en de vooroordelen verminderen die bij traditionele beoordelingen voorkomen.
Gegevenskwaliteit: Veel organisaties kampen met onvoldoende, verouderde of inconsistente gegevens, wat de kwaliteit van de feedback beïnvloedt.
Vertrouwensproblemen: Transparantie over door AI gegenereerde feedback is cruciaal; transparantie over het gebruik ervan beïnvloedt het vertrouwen van medewerkers en de effectiviteit van feedback.
Implementatiekloof: 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 evaluaties niet op.
Door AI aangedreven continue prestatiefeedback is sneller van een wens op conferenties naar implementatie binnen ondernemingen gegaan dan de meeste praktijken op het gebied van personeelsmanagement in de recente geschiedenis.
De boodschap is bij alle leveranciers hetzelfde: realtime verzamelde informatie, minder recentheidsbias en feedback die niet wordt bepaald door hoe een manager zich op een bepaalde middag toevallig voelde.
Werknemers zeggen al lange tijd dat ze vaker en concreter input willen dan jaarlijkse beoordelingsgesprekken bieden. AI-ondersteunde systemen zijn precies daarvoor ontworpen, maar de kloof tussen de belofte en de implementatie wordt steeds moeilijker te negeren.
Create a Free Account to Keep Reading—and Keep Leading Smarter
Unlock this piece and join a community of forward-thinking leaders discovering tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Het probleem van de manager die blind goedkeurt
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 personeels- en prestatieprocessen, heeft dit herhaaldelijk zien gebeuren.
\u0022Wanneer AI een prestatiesamenvatting genereert, behandelen de meeste managers die als een concept dat ze moeten goedkeuren, in plaats van als een startpunt dat ze kritisch moeten onderzoeken.\u0022
Een lijnmanager, drie maanden na de implementatie binnen een bedrijf met 2.000 medewerkers, vertelde hem: "Er stond 'sterke communicator' en ik was het ermee eens — alle gegevens staan er toch in?"
Het onderliggende model woog aanwezigheid bij vergaderingen mee als maatstaf voor communicatie. Niemand had de managers dat verteld.
Een deel van het probleem is fundamenteel. Systemen voor continue feedback hebben continue 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 spraken op de Transform-conferentie in maart. "Het zou zijn alsof je een vriend om advies over je baas vraagt en die zou zeggen: 'Ik ken je baas niet echt — je zult me meer moeten vertellen.'"
Gegevens over medewerkers, merkte hij op, waren al inconsistent voordat AI erbij betrokken raakte. Functieomschrijvingen die uit verouderde vacatures waren overgenomen, vaardigheidsbeoordelingen die waren gekoppeld aan vereisten die waren veranderd, gedragsprofielen die managers nooit hadden opgesteld omdat niemand hen had geleerd ernaar te vragen.
\u0022We hebben enorm veel gegevens. De vraag is of het de juiste gegevens zijn.\u0022
Wanneer de onderliggende gegevens zwak zijn, corrigeert continue feedback zichzelf niet. Het probleem wordt alleen maar groter doordat het vaker optreedt.
Transparantie is hoe dan ook een probleem
Er is een vertrouwensdynamiek die de invoering verder compliceert. Zoals we eerder hebben besproken, bleek uit een studie uit 2021 die 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 door een machine is gegenereerd. Zodra dat bekend wordt gemaakt, verdwijnen de prestatieverbeteringen.
Kamaria Scott, oprichter en CEO van Enetic, heeft het transparantieprobleem rechtstreeks zien ontstaan.
"Lieg er gewoon nooit over," zei ze. "Je moet transparant zijn."
Managers die door AI gegenereerde feedback bekendmaken, lopen het risico dat werknemers die terzijde schuiven. Degenen die dat niet doen, houden een transparantieprobleem in stand dat uiteindelijk meestal aan het licht komt.
Waar het volgens Scott om draait, is of deze systemen worden gebruikt als startpunt of als eindpunt.
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. u0022Iets dat zegt: 'Dit is een neutrale plek om te beginnen' — dat is nuttig. Maar je moet elkaar in het midden vinden.u0022
Werknemers weten wat er wordt gemeten
Volgens Whyatt-Sames ontstaat het probleem van strategisch gedrag meestal ongeveer zes maanden na de implementatie.
Werknemers ontdekken wat het systeem bijhoudt, meestal via informele kanalen en niet via iets officieels, en passen hun gedrag daarop aan. Meer opmerkingen bij voortgangsgesprekken, meer doelstellingen met tags, uitvoer die voor het systeem leesbaar is in plaats van nuttig voor iemand. Een L&D-leider met wie hij samenwerkte, noemde het u0022het dashboard bespelenu0022.
Het volumeprobleem volgt een vergelijkbare ontwikkeling. Organisaties meten de acceptatie aan de hand van activiteitscijfers, waardoor drie keer zoveel feedback als succes lijkt.
u0022Wanneer je de feedback zelf controleert, daalt de bruikbaarheid sterk,u0022 zei Whyatt-Sames. u0022De feedback wordt korter, meer volgens een vast patroon en geconcentreerd op wat het systeem beloont.u0022
De omkering van de signaal-ruisverhouding 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 duidelijk antwoord is gevonden: u0022Hoe ziet prestatie eruit als mensen het werk zelf niet meer doen, of als agenten de helft van het werk uitvoeren? Hoe ga je mijn prestaties als persoon beoordelen voor werk dat ik zelf niet eens meer volledig doe?u0022
Het is een vraag waarop de meeste huidige implementaties niet zijn ingericht. Ze meten nog steeds de individuele uitvoer in een context waarin de grenzen van individuele bijdragen steeds minder duidelijk worden.
De diagnose van Whyatt-Sames over de reden waarom deze problemen blijven bestaan, verbindt de afzonderlijke tekortkomingen.
u0022Organisaties behandelen de AI-laag als de oplossing en slaan de veranderarchitectuur over,u0022 zei hij. u0022Het systeem genereert de feedback; niemand vraagt of de feedback gedrag verandert. Dat is een probleem met het ontwerp van de implementatie, en bij de meeste implementaties is er niemand wiens taak het is om die cyclus te sluiten.u0022
Wat betreft de onderliggende belangen verwoordde Poepsel het duidelijk.
u0022Elke beslissing over mensen is een beslissing met grote gevolgen. We moeten er zorgvuldig mee omgaan, zodat we zo snel kunnen gaan als we willen.u0022
De argumenten voor door AI ondersteunde continue feedback blijven overeind. De aanname dat de implementatie van de technologie het managementprobleem oplost waarvoor deze is ontwikkeld, doet dat niet.