Dlaczego poprawa produktywności zaczyna się od zrozumienia pracy

David Rice: Kiedy lider najwyższego szczebla patrzy na organizację, widzi schemat organizacyjny i dokument opisujący proces. Rola A kończy coś, przekazuje to roli B, a B przekazuje to C. Jest to uporządkowane, proste i niemal całkowicie fikcyjne. W dzisiejszym programie rozmawiam z Heidi Farris, dyrektorką generalną ActivTrak, o różnicy między tym, jak liderzy sądzą, że przebiega praca, a tym, jak faktycznie się odbywa.

Rzeczywisty przepływ pracy to suma przekazań, obejść i nieformalnych zmian kierunku, które nigdy nie trafiają do żadnego dokumentu. Heidi nazywa dobrą wersję tego wiedzą plemienną. Nie chodzi o wiedzę typu „wiem bardzo dużo o biznesie”, lecz o drobne codzienne dostosowania, które pozwalają zachować sprawność działania. Ludzie każdego dnia usprawniają pracę — tak mówi Heidi.

Problem polega na tym, że nie znajduje to odzwierciedlenia w dokumentacji. Dlatego dzisiaj omawiamy, dlaczego udokumentowany proces rzadko odpowiada temu, jak faktycznie wykonywana jest praca, trzy kategorie pomagające zdecydować, gdzie w danej roli powinno znaleźć się AI, co dzieje się z przepustowością organizacji, gdy jeden zespół przyspiesza, a jego sąsiedzi nie, oraz prawdziwe oznaki tego, że firma przeszła od wdrażania AI do uzyskiwania dzięki niemu efektów.

Nazywam się David Rice. To jest People Managing People, a jeśli twoja organizacja mierzy sukces AI wskaźnikami użycia zamiast tym, co stało się z utworzoną dzięki niemu przepustowością, ta rozmowa pokaże ci, czego nie dostrzegasz. Zaczynajmy.

Dobrze, Heidi, witaj w programie. Miło cię gościć.

Heidi Farris: Dziękuję, Davidzie. Bardzo się cieszę, że tu jestem.

David Rice: Chciałem rozpocząć naszą rozmowę od tego, że kiedy lider najwyższego szczebla patrzy dziś na organizację, myślę, że jedną z — to jedna z powszechnych frustracji wielu osób związanych z przywództwem w pracy, prawda? Wydaje się, że liderzy tak naprawdę nie wiedzą, co składa się na wykonywanie pracy.

Zastanawiam się więc, co lider najwyższego szczebla zazwyczaj błędnie rozumie w kwestii tego, jak faktycznie wykonywana jest praca?

Heidi Farris: Myślę, że właśnie z tym zmaga się dziś wiele organizacji, gdy patrzysz na otoczenie i wszyscy mówią o przeprojektowywaniu pracy albo stosowaniu AI w pracy. Liderzy widzą schemat organizacyjny i dokument opisujący proces, prawda?

Rola A kończy coś, przekazuje to roli B, a następnie B przekazuje to C. Wszystko ma przebiegać jako płynne, uporządkowane przekazanie. Mamy tendencję do nadmiernego upraszczania sposobu, w jaki praca jest faktycznie wykonywana w organizacjach. Osoba w organizacji może każdego dnia z łatwością poruszać się między dziesiątkami aplikacji, wieloma procesami zatwierdzania, licznymi interesariuszami i obejściami.

Rzeczywisty przepływ pracy jest sumą przekazań, obejść i nieformalnych zmian kierunku, z którymi ludzie mają do czynienia, a które nie pojawiają się w dokumencie opisującym proces ani na schemacie organizacyjnym. Dla osób na szczycie jest to właściwie niewidoczne i bardzo szybko tracimy kontakt z tym, jak praca naprawdę jest wykonywana w organizacji.

David Rice: Tak. To chyba naturalne, prawda? Kiedy wspinasz się w hierarchii, wszystko zostaje sprowadzone do wykresów, standardowych procedur operacyjnych i pulpitów nawigacyjnych. Myślę, że istnieje interesujące rozróżnienie między widocznością pracowników a widocznością pracy. To nie jest dokładnie to samo, prawda?

Heidi Farris: Zgadza się. Dokładnie tak. Liczy się sama praca. Pracownicy intuicyjnie zawsze starają się dawać z siebie wszystko. Nie chodzi więc o to, lecz o to, jak możemy pomóc usprawniać pracę w całej organizacji albo zrozumieć, jak przebiega, aby następnie ją poprawiać — a także jak wykorzystać ludzi, którzy potrafią stosować w pracy osąd i empatię, czego AI nie potrafi.

David Rice: Jeśli próbujesz zdecydować, w jaki sposób AI powinno zmienić sposób wykonywania pracy, co najpierw musisz zrozumieć? Co jest najważniejsze i pomoże nadać temu kierunek?

Heidi Farris: Musisz zrozumieć zadania wykonywane przez każdą rolę.

Musisz też umieć odpowiednio je pogrupować, ponieważ stanowiska są zbiorami zadań, a AI przekształca pracę poprzez zmianę zadań, niekoniecznie poprzez zastępowanie całych ról. W każdej roli są elementy, w przypadku których AI może przynieść korzyści. Pierwszym krokiem jest więc skategoryzowanie zadań wykonywanych w danej roli jako powtarzalnych, ustrukturyzowanych i opartych na regułach — czyli takich, które dobrze nadają się do wykorzystania AI — zadań wspomaganych przez AI, wymagających szybkiej syntezy danych, dopasowywania wzorców lub czegoś podobnego, gdzie AI służy człowiekowi jako drugi pilot i zachodzi współpraca, a także zadań wyjątkowo ludzkich, wymagających empatii, inteligencji emocjonalnej i osądu.

To pierwszy krok, a większość ludzi całkowicie go pomija i po prostu wykorzystuje technologię do każdego problemu.

David Rice: Ciekawe, że o tym mówisz, bo wcześniej myślałem o tym, oglądając fragment wypowiedzi kogoś, kto twierdził, że empatia będzie najważniejszą rzeczą w przyszłości. Myślę, że nie nauczyliśmy jej szczególnie dobrze.

Często traktowaliśmy ją raczej jako cechę niż umiejętność. Jednym z zagrożeń związanych z AI jest to, że jego użyteczność na poziomie zadania może odwracać uwagę od pytania, czy dane zadanie powinno w ogóle istnieć w obecnej formie. Istnieją przecież różne poziomy ingerencji. Możesz ulepszyć zadanie, na czym spędziliśmy chyba dużo czasu.

Możesz usunąć zadanie albo przeprojektować przepływ pracy. Możesz ponownie rozważyć rezultat, który chcesz uzyskać. Możliwości jest wiele. Myślę jednak, że istnieje różnica między pytaniem „Czy AI może to zrobić?” a pytaniem „Dlaczego ktokolwiek musi to robić?”. To drugie wydaje się bardziej doniosłe.

Najłatwiejsze do zautomatyzowania rzeczy często nie są tymi, które najbardziej wartościowo byłoby zmienić, prawda?

Heidi Farris: Zgadza się. Myślę, że za każdym razem, gdy przeprowadzasz audyt… AI rzuca dziś światło na pracę, ale to, o czym mówisz, istniało od zawsze. Z czasem gromadzimy dług pracy w taki sam sposób, w jaki stos technologiczny albo produkt gromadzi dług technologiczny.

Są rzeczy, które w pewnym momencie trzeba ponownie ocenić i powiedzieć: „Dlaczego w ogóle nadal to robimy?”. Następnie należy przeprowadzić pełny audyt i zrozumieć różne rodzaje pracy oraz sposoby ich ulepszenia. Nie wszystko jest przecież rozwiązaniem opartym na AI.

AI nie jest rozwiązaniem każdego problemu związanego z pracą. Czasem trzeba przeprojektować przepływ pracy, czasem lepiej przygotować ludzi, a czasem problemem jest całkowicie niewłaściwa technologia. Musisz naprawdę zrozumieć, jak przebiega praca i jakie zadania są wykonywane, aby móc rozłożyć ją na części i powiedzieć: „Dobrze, tak właśnie możemy ją poprawić”.

Może to być AI, ale może też być coś innego.

David Rice: Załóżmy, że AI zwraca zespołowi 15% jego przepustowości. Widzieliśmy wiele wzrostów produktywności, a w niektórych przypadkach AI ułatwiło pracę administracyjną i podobne rzeczy. Zastanawiam się jednak, jaka decyzja musi nastąpić później, gdy ludzie odzyskują przepustowość?

Jaki jest pierwszy krok lidera przy ponownym wykorzystaniu tej przepustowości z myślą o wartości biznesowej? Jeśli pozostawisz to pracownikom, może się wydarzyć coś interesującego.

Heidi Farris: Myślę, że najpierw trzeba wyznaczyć w organizacji osobę odpowiedzialną za podejmowanie decyzji.

Przepustowość nie rozdysponuje się ponownie sama. Jeśli nikt nie jest za nią wyraźnie odpowiedzialny, po prostu po cichu zostanie wchłonięta przez organizację — wróci do pracy o niskiej wartości albo zniknie gdzieś na Slacku. Jak wspomniałam, istnieje lista długu pracy gromadzonego przez lata, do której ludzie mogą domyślnie wrócić, choć niekoniecznie jest to najbardziej wartościowa praca.

Drugim krokiem jest ustalenie, do której kategorii ją przypisać. Czy naszym celem jest redukcja kosztów i chcemy zmniejszyć funkcję? Czy chodzi o ponowną inwestycję i skierowanie uwolnionych godzin do pracy o większej wartości? A może chodzi o rozwój i podjęcie całkowicie nowego projektu albo rodzaju pracy, który wcześniej w organizacji nie istniał?

Każda z tych możliwości prowadzi do innego wyniku finansowego. Niektóre można powiązać z EBITDA, inne ze wzrostem, a jeszcze inne z wyróżnieniem się na rynku. Jeśli świętujesz wyłącznie wskaźnik wdrożenia i nigdy nie sprawdzasz, do której kategorii trafiła odzyskana przepustowość, nigdy nie będziesz w stanie połączyć jej z rachunkiem zysków i strat i powiedzieć: „Tak to osiągnęliśmy”.

Ostatecznie ulepszanie pracy to połowa równania. Druga połowa polega na pokazaniu, gdzie ten rezultat pojawia się w profilu finansowym organizacji.

David Rice: Zgadzam się z tym, co powiedziałaś o przekształcaniu odzyskanej przepustowości w pracę o niskiej wartości. Niedawno rozmawiałem z liderem innej organizacji medialnej.

Rozmawialiśmy o uwolnieniu czasu i o osobie, której pomysły nie zrobiły na nich większego wrażenia. Zaczęła ona wykorzystywać AI w planowaniu kreatywnym, co uwolniło dużo czasu, ale następnie poproszono ją o umieszczanie wszystkiego w różnych arkuszach kalkulacyjnych i zarządzanie nimi. Czas został pochłonięty przez zarządzanie arkuszami.

Pomyślałem: czy to dobre wykorzystanie utworzonej przepustowości? AI prawdopodobnie mogłoby zarządzać arkuszami. Nie oznacza to jednak automatycznie, że ta osoba nie jest już potrzebna. To właśnie ta część narracji zbyt często nam umyka: redukcja zatrudnienia.

Przepustowość może zostać wykorzystana na wiele innych sposobów. Wydaje się, że pomiędzy oszczędnością czasu a utworzeniem wartości brakuje decyzji zarządczej. Ktoś musi zdecydować, na co przeznaczyć ten czas. Czy liderzy powinni ustalić sposób ponownego rozdysponowania przepustowości jeszcze przed automatyzacją?

Automatyzować po to, by utworzyć przepustowość i móc zrobić X.

Heidi Farris: Tak, bo należy zacząć od celów. Jeśli celem jest EBITDA poprzez likwidację stanowisk, najpierw trzeba zrozumieć, gdzie w organizacji istnieją największe możliwości automatyzacji z użyciem AI, i zacząć właśnie tam. Jeśli natomiast w organizacji jest wiele ról, w których 80% czasu zajmuje praca składająca się z zadań wymagających AI jako drugiego pilota albo dużej dozy ludzkiego osądu, nie zlikwidujesz tych ról.

A jeśli to zrobisz, będziesz musiał ponownie zatrudnić tych ludzi, bo okaże się, że ludzki osąd, empatia i zdolność do sprawdzania tego, co mówi AI, są ważne. To zupełnie inna sytuacja niż automatyzacja dobrze zdefiniowanego procesu opartego na danych. Jeśli rola składa się w 80% z tych innych elementów, i tak nie uzyskasz oczekiwanej EBITDA.

Dlatego bardzo ważne jest zrozumienie celu przed rozpoczęciem działań. W przeciwnym razie możesz wykonać mnóstwo pracy i nadal nie osiągnąć celu.

David Rice: Zgadza się. Przejdźmy do wdrażania AI i wartości AI. Jedno nie prowadzi automatycznie do drugiego. Co liderzy powinni mierzyć, aby wiedzieć, czy AI tworzy znaczącą przepustowość i czy ta przepustowość przekłada się na lepsze wyniki biznesowe?

Heidi Farris: Wspomniałeś o tym: wskaźniki użycia mierzą wdrożenie. Same wskaźniki użycia mówią tylko o adopcji. Potrzebujesz jednak pomiaru przed i po. Musisz zrozumieć, jak wyglądały czas cyklu, przepustowość i inne parametry przed wdrożeniem rozwiązania — którym może być AI — a następnie jak wyglądała praca po wdrożeniu.

Bez obrazu sytuacji przed i po bardzo trudno ocenić, jak nowy element wpłynął na przebieg pracy. Czy zwiększył przepustowość? Czy poprawił przepływ?

Gdzie coś zyskałem? Prawie nikt nie śledzi dziś tego, gdzie faktycznie trafiła uzyskana przepustowość. Jeśli nie potrafisz odpowiedzieć, co zespół robi z czasem zwróconym przez AI, nie masz historii zwrotu z inwestycji — masz tylko historię wdrożenia.

Wydaliśmy pieniądze i zaczęliśmy korzystać z większej liczby narzędzi, ale nie powiązaliśmy tego z niczym istotnym dla firmy.

David Rice: Właśnie zapytałaś, co robi zespół, i myślę, że to musi być najważniejszy punkt. Indywidualna produktywność jest kusząca, bo łatwo ją zaprezentować: „Wcześniej zajmowało mi to 40 minut, a teraz 10”.

Czy organizacja faktycznie czerpie korzyść z tego, że proces jednej osoby stał się nieco szybszy? Możesz zwiększyć produktywność o 30%, a organizacja wcale nie stanie się o 30% bardziej produktywna. Jeśli kończę pracę dwa razy szybciej, ale potem przez trzy dni leży ona w kolejce u kogoś innego, czy rzeczywiście coś poprawiliśmy?

Istnieje więc użyteczne rozróżnienie między efektywnością zadania, przepustowością przepływu pracy a wynikiem biznesowym. Dlaczego jednak tak często występuje różnica między tym, jak liderzy sądzą, że działa przepływ pracy, a tym, jak faktycznie jest wykonywany?

Heidi Farris: Dokument opisujący proces jest obrazem sytuacji w konkretnym momencie, a praca jest ruchomym celem. Praca ciągle się zmienia. Dokumentujesz proces, ale dokument opisujący proces rzadko przetrwa kontakt z rzeczywistością.

Nie oznacza to, że ludzie nie robią właściwych rzeczy. Oznacza tylko, że dokument procesu nie pokazuje wszystkich niuansów. Osoby znajdujące się najbliżej pracy co tydzień wprowadzają dziesiątki drobnych dostosowań, aby ją ulepszyć. Te dostosowania bardzo rzadko trafiają z powrotem do jakiegokolwiek dokumentu. Gdy pomnożysz to przez setki lub tysiące ról i wiele lat, różnica między opisanym procesem a rzeczywistym przepływem pracy bardzo szybko rośnie. Liderzy potrzebują jasnego, ciągłego obrazu tego, jak wykonywana jest praca, aby móc zwinnie zarządzać organizacjami w erze AI.

David Rice: Nie potrafię wskazać miejsca, w którym pracowałem, a w którym nie mielibyśmy jakiegoś powtarzalnego obejścia stworzonego przez pracowników. Formalny proces nie odpowiada rzeczywistości w terenie. Jednym z zagrożeń związanych z AI jest próba automatyzacji oficjalnego przepływu pracy bez zrozumienia obejścia, które być może sprawiało, że wszystko działało.

Nie było ono częścią pierwotnego planu, ale jeśli zaczniemy je usuwać, musimy odpowiedzieć na pytanie, jaka część procesu się rozpadnie.

Heidi Farris: Jako liderzy nie doceniamy wystarczająco tego, że ludzie każdego dnia usprawniają pracę, wykorzystując rozumowanie i wszystkie te umiejętności. Nowy pracownik otrzymuje dokument procesu i przechodzi przez wszystkie opisane kroki. W pewnym momencie napotyka problem i mówi: „O nie”. Wtedy osoba siedząca obok, po drugiej stronie biurka albo na Slacku wyjaśnia: „Musisz przytrzymać klawisz Shift, przejść do Excela, skopiować to stąd i wkleić tam, a wszystko znów zacznie działać”.

Nie doceniamy tego, że ludzie rozwiązują takie problemy, a rozwiązania te nie istnieją nigdzie w dokumentacji. Nazywa się to wiedzą plemienną. Kiedy ludzie mówią o wiedzy plemiennej, często mają na myśli: „Wiem bardzo dużo o pracy”. To jednak nie jest wiedza plemienna, która naprawdę pozwala organizacji działać.

Wiedza plemienna, która sprawia, że organizacja funkcjonuje, to wszystkie te drobne niuanse i obejścia oraz wiedza o tym, jak codziennie sprawić, by coś działało, dzięki czemu firma może nadal funkcjonować.

David Rice: To prowadzi do kolejnego pytania: co dzieje się z planowaniem zatrudnienia, gdy AI zmienia przepustowość różnych funkcji?

Dzieje się to w różnym tempie. W przypadku analityka będzie to wyglądało zupełnie inaczej niż w przypadku osoby z marketingu albo księgowości. Wiele różnych dziedzin stosuje teraz tę samą technologię, ale jej wpływ nie zawsze jest taki sam.

Co musimy uwzględnić, myśląc o planowaniu zatrudnienia?

Heidi Farris: Mieliśmy świetny wewnętrzny przykład dotyczący naszych własnych zespołów. Zespół inżynieryjny wdrożył narzędzia AI do kodowania i znalazł sposób, aby osiągać dzięki nim znaczące efekty. Skróciliśmy czas cyklu i przyspieszyliśmy zatwierdzanie zmian. Przepustowość zespołu inżynieryjnego wzrosła ponad dwukrotnie.

Był to sukces, który wszyscy zaczęliśmy świętować. Szybko zdaliśmy sobie jednak sprawę, że nasi inżynierowie mogli teraz pisać kod szybciej, niż zespół kierowników produktu był w stanie opracowywać dla nich wymagania. Przenieśliśmy więc wąskie gardło z jednej funkcji do innej, a jako organizacja nie poprawiliśmy ogólnej przepustowości.

Tymczasowo tak się stało, ponieważ inżynierowie szybciej realizowali wymagania, które już mieli. Problemem stało się jednak dostarczanie nowych wymagań w tempie odpowiadającym szybkości tworzenia kodu. Organizacje muszą patrzeć całościowo i rozumieć, że cała praca w organizacji jest ze sobą w jakiś sposób powiązana. Jeśli jeden dział zwiększy przepustowość albo skróci czas cyklu, jego sąsiednie zespoły będą musiały się dostosować, aby nadążyć za tą zmianą.

David Rice: To doskonały przykład problemu z planowaniem zatrudnienia. Nie chodzi o pytanie, ilu ludzi potrzebujemy, ale o to, gdzie przeniesie się ograniczenie. Wszystko ciągle się zmienia. Izolowane wzrosty produktywności przenoszą wąskie gardło, a czasem tworzą nowe zamiast eliminować stare.

Heidi Farris: Część tego się wydarzy, bo nie można zrobić wszystkiego jednocześnie. Właśnie dlatego trzeba działać w określonej kolejności. Planowanie zatrudnienia powinno obejmować pytanie, którą część pracy przyspieszyć najpierw i jak długo to potrwa, zanim pojawi się kolejne wąskie gardło.

Ciągły obraz pracy w całej organizacji pozwala zrozumieć, gdzie pojawią się przypływy i odpływy.

David Rice: Gdy znajdziesz przepływ pracy, który pochłania więcej przepustowości, niż powinien, jak ustalasz, czy rozwiązaniem jest AI, przeprojektowanie procesu, inna technologia czy po prostu lepsze przygotowanie pracowników?

Heidi Farris: Pierwsze pytanie, na które liderzy muszą odpowiedzieć, brzmi: co faktycznie powoduje spowolnienie? Jeśli praca jest powtarzalna, dobrze zdefiniowana i wykonywana na dużą skalę, jest kandydatem do automatyzacji lub zastosowania AI. Jeśli jednak sama sekwencja jest niewłaściwa — jest zbyt wiele zatwierdzeń, niepotrzebnych przekazań albo zduplikowanych kroków — problemem jest przeprojektowanie procesu.

Jeżeli proces i narzędzia są odpowiednie, ale ludzie nie znają najlepszego sposobu wykonywania pracy albo nie mają wymaganych umiejętności, mamy problem z przygotowaniem pracowników. Rozwiązanie musi odpowiadać rzeczywistej przyczynie tego, że praca nie jest tak wydajna lub dobra, jak powinna. Większość organizacji domyślnie kupuje więcej technologii, zamiast najpierw sprawdzić, który z tych trzech problemów faktycznie występuje.

David Rice: Wydaje się, że mamy tu również problem z bodźcami. Przydzieliliśmy budżety na AI, a dyrektorzy złożyli zobowiązania dotyczące AI i powiedzieli wszystkim, że mają stawiać na AI. Wskazanie czegoś jako przypadku użycia AI staje się więc atrakcyjniejsze niż uznanie tego za zwykły problem zarządczy lub procesowy.

Kiedy zdecydujesz, że AI jest dla was strategicznie ważne, czy istnieje ryzyko, że każda nieefektywność zacznie nagle wyglądać jak szansa dla AI, choć w rzeczywistości jest to powtarzalne zadanie manualne wymagające po prostu automatyzacji albo niespójne zadanie wymagające jaśniejszych standardów?

Heidi Farris: AI jest bardzo wartościowe i zmieni sposób, w jaki wszyscy pracujemy. Początkowo jednak wprowadzanie zmian jest trudne, jeśli nie angażujesz się w coś całkowicie. Rozumiem więc, dlaczego organizacje mocno postawiły na AI. Aby zmienić nawyki i sposób pracy oraz skłonić ludzi do nieszablonowego myślenia, czasem trzeba zastosować bardzo zdecydowane działania.

Teraz zmiana dobrze się rozwija. Widzimy sytuacje, w których ktoś mówi: „Zbyt szybko zwolniliśmy tych ludzi, musimy ich ponownie zatrudnić”, albo: „Powiedzieliśmy wszystkim, że maksymalizowanie liczby tokenów prowadzi na szczyt rankingu i przyznaliśmy za to premie”, a teraz ograniczamy wydatki.

Potrzebne jest więc bardziej przemyślane, długoterminowe podejście do wykorzystania AI w organizacjach. Potrzebujemy ram, które uwzględniają role, zadania, pracę wykonywaną przez człowieka, pracę wspomaganą przez człowieka i pracę wykonywaną wyłącznie przez AI. Gdzie AI powinno się znaleźć i jak uzyskać z niego długoterminowe korzyści, skoro przekonaliśmy już wszystkich, że warto z niego korzystać?

Co teraz zrobisz?

David Rice: To prawie jak gra, w której budujesz miasto. Twoje pierwsze miasto było prostą, uporządkowaną mapą, ale teraz musisz rozbudować je w znacznie bardziej szczegółowe, złożone i zaawansowane miasto.

Chodzi o twoje rozumienie tego, co dzieje się w pracy. Jesteśmy już głęboko w tym procesie i zmieniamy przepływy pracy w różnych funkcjach. HR tradycyjnie odpowiadał za stanowiska, systemy talentów i planowanie zatrudnienia. Operacje zajmowały się procesami, IT technologią, a finanse pieniędzmi.

Cała struktura zaczyna się jednak zmieniać, gdy AI przekształca przepływy pracy w tych funkcjach. Kto powinien odpowiadać za przeprojektowanie samej pracy? Jeśli każdy robi to zupełnie inaczej, nie wiem, czy wszystko będzie ze sobą współgrało tak jak wcześniej.

Heidi Farris: Za przeprojektowanie pracy musi odpowiadać właściciel, który ma dwie rzeczy, których dziś brakuje większości inicjatyw AI.

Pierwszą jest widoczność całego przepływu pracy, a nie tylko fragmentu należącego do jednej funkcji, dzięki czemu można zrozumieć, gdzie występują przypływy i odpływy oraz jak praca się łączy. Drugą jest rzeczywista władza umożliwiająca zmianę sposobu organizacji pracy. Bez tego drugiego elementu jesteś bezsilny.

Możesz wskazać wszystkie miejsca w organizacji, ale bez uprawnień do powiedzenia: „Naprawdę przemyślimy na nowo sposób organizacji pracy tej funkcji, tej roli albo tego działu”, niewiele zdziałasz. Wymaga to autonomii i odpowiednich kompetencji.

Liderzy funkcjonalni są blisko pracy, ale właśnie dlatego mogą przywiązać się do określonego sposobu działania i odczuwać niepokój na myśl o zmianie. Nie może to być wyłącznie zespół AI albo IT, bo nie rozumie on niuansów znanych liderom funkcjonalnym. Nie mogą to być też sami liderzy funkcjonalni, bo nie rozumieją wszystkich możliwości, jakie AI może przynieść organizacji.

Potrzebna jest więc często osoba na stanowisku podobnym do dyrektora operacyjnego, która odpowiada za wyniki od początku do końca i traktuje przeprojektowanie jako rzeczywiste zadanie realizowane w całej organizacji. AI jest tylko jednym ze sposobów rozwiązania problemu, a nie jedynym sposobem.

David Rice: Zgadzam się. W ciągu ostatniego roku często rozmawialiśmy o tym, że zakres odpowiedzialności dyrektora HR powinien się rozszerzyć: od projektowania stanowisk i organizacji w kierunku projektowania sposobu łączenia ludzkiej i maszynowej przepustowości w celu wykonywania pracy.

Dla osób, które to zrobiły, oznaczało to jednak zwiększenie odpowiedzialności operacyjnej. Nadal można czuć, że jest się głównie w HR albo w obszarze operacji personalnych. Ta rola ewoluowała w stronę, która może nie być długoterminowym rozwiązaniem, bo wyzwanie związane z ludźmi i tak jest wystarczająco duże.

Heidi Farris: Zgadzam się. AI daje liderom HR coś bardzo ekscytującego: zaczyna łączyć ludzi i operacje. Organizacje często umieszczają HR z boku i mówią: „HR robi swoje, a my prowadzimy firmę; HR pojawia się tylko w sprawach zgodności”. HR ma własne dane, a my mamy dane, na podstawie których prowadzimy biznes.

Teraz wszystkie te dane muszą przedstawiać ten sam obraz pracy, ponieważ jeśli chcesz prowadzić działalność i przeprojektowywać role, HR jest kluczowym, a być może nawet głównym interesariuszem tej rozmowy. Ma to wpływ na wynagrodzenia, tytuły, strukturę i wiele innych elementów.

Uważam więc, że AI jest dla liderów HR bardzo ekscytujące, choć z jednej strony niezwykle wymagające. Pozwala im stać się częścią codziennego prowadzenia firmy, zamiast pozostawać centrum zgodności działającym z boku wszystkiego.

David Rice: Wspomniałaś wcześniej o wskaźnikach użycia. Widzimy aktywowane licencje, tygodniową liczbę aktywnych użytkowników, uruchomione przypadki użycia i wiele innych rzeczy, które mówią nam: „Korzystamy z tej technologii”. Nie sądzę jednak, by koniecznie informowały nas, że wyszliśmy poza samo wdrożenie i zmieniliśmy sposób działania.

Jakie są oznaki tego, że organizacja rzeczywiście to osiągnęła i firma działa teraz inaczej?

Heidi Farris: Organizacja wyszła poza etap wdrożenia, gdy liderzy — albo właściwie dowolna osoba w organizacji — potrafią powiedzieć, jaka praca została przeprojektowana, jaki był rezultat i gdzie znajduje to odzwierciedlenie w celach.

Dla liderów będzie to rachunek zysków i strat, a dla zespołów mogą to być powiązane cele szczegółowe. Nie chodzi o jednorazowe stwierdzenie: „Nasz zespół obsługi klienta oszczędza czas”. Wcześniej wykonywał kwartalne przeglądy biznesowe ręcznie, zbierał wszystkie dane klienta i tworzył prezentację. Teraz wykonujemy to w pięć minut zamiast w cztery godziny.

To jedno. Trzeba jednak móc powiedzieć: „Dobrze, ale gdzie znalazło to odzwierciedlenie w celu albo rachunku zysków i strat?”. Samo skrócenie czasu nie jest najważniejsze. Najważniejsze jest to, że dzięki dodatkowemu czasowi każda osoba mogła zwiększyć swój portfel o 50 klientów, a teraz jedna osoba zarządzająca relacjami z klientami może obsługiwać 75 klientów zamiast 25.

Wtedy zaczyna się to faktycznie pojawiać w celach i wynikach. To są kluczowe oznaki przejścia organizacji od samego wdrożenia do realnego wpływu. Nie mów mi tylko, co zrobiłeś z AI. Powiedz również, co zrobiłeś z korzyścią uzyskaną dzięki AI.

David Rice: Coraz częściej dochodzę do wniosku, że w pewnym momencie wszystko musi stać się gdzieś widoczne. Nie może pozostać wyłącznie na pulpicie nawigacyjnym. Powinno być widoczne w projektowaniu ról, rezultatach klientów, strukturze organizacyjnej, umiejętnościach — jakkolwiek to wygląda.

Jeśli AI rzeczywiście przekształca organizację, powinienem móc zobaczyć dowody bez sprawdzania wskaźnika. Być może ostatecznym przejawem dojrzałości w zakresie AI jest zaprzestanie rozmów o samym AI, ponieważ zaczynamy rozmawiać o tym, jak działa firma.

Heidi Farris: Całkowicie się z tym zgadzam. HR i operacje będą współpracować, a AI będzie jednym z wielu rozwiązań, gdy będziemy zagłębiać się w świat tego, jak dziś wykonywana jest praca.

David Rice: Zdecydowanie. Heidi, to wszystkie pytania, które miałem na dziś. Dziękuję za udział w programie i podzielenie się spostrzeżeniami. Bardzo to doceniam.

Heidi Farris: Davidzie, jeszcze raz dziękuję za zaproszenie.

David Rice: Drodzy słuchacze, jeśli jeszcze tego nie zrobiliście, odwiedźcie peoplemanagingpeople.com/subscribe. Zapiszcie się do wszystkich naszych biuletynów. Co tydzień ukazują się trzy. Otrzymacie wszystkie te treści w wygodnej formie bezpośrednio w swojej skrzynce odbiorczej.

Do usłyszenia następnym razem. Ludzie już każdego dnia zmieniają pracę na lepsze. Nie zapominajcie o tym.