Jak sztuczna inteligencja agentowa zmienia wdrażanie, mentoring i retencję pracowników

David Rice: Co sprawia, że ci agenci są naprawdę agentowi, w przeciwieństwie na przykład do pulpitu nawigacyjnego lub inteligentnego asystenta?

Francisco Marin: Agentowa sztuczna inteligencja nie czeka na to, aż człowiek zada pytanie. Podejmuje decyzje w czasie rzeczywistym proaktywnie lub identyfikuje działania interwencyjne na podstawie uniwersalnych wskaźników, do których ma dostęp.

David Rice: Jak zapewniacie zaufanie, gdy agenci AI inicjują coś tak wrażliwego jak działania na rzecz retencji lub mentoringu?

Dan George: Musimy zadbać o to, aby każde rozwiązanie agentowe miało odpowiedni poziom zgody i było wykorzystywane etycznie. Użytkownik klika przycisk wyrażenia zgody i w dowolnym momencie może ją wycofać.

David Rice: Jak zatem wygląda sukces?

Francisco Marin: W przypadku interwencji związanej z rynkiem mentoringu można mówić o oszczędnościach rzędu 20–30 tys. dolarów dzięki skróceniu czasu osiągnięcia pełnej produktywności przez nowo zatrudnioną osobę nawet o 40%.

David Rice: Witajcie w podcaście People Managing People — programie, w którym przyglądamy się ludzkiej stronie pracy, technologii, która na nią wpływa, oraz odważnym ideom kształtującym przyszłość praktyk związanych z zarządzaniem ludźmi. Jestem waszym gospodarzem, David Rice.

Mam dziś dwóch gości. Francisco Marin jest założycielem i dyrektorem generalnym Cognitive Talent Solutions. Jest również autorem Network-First Manifesto i pionierem analizy sieci organizacyjnych. Francisco kieruje rosnącą globalną społecznością skupioną na tym, jak nieformalne sieci i współpraca z wykorzystaniem AI mogą przyspieszać wdrażanie, mentoring i nieformalne przywództwo w dużych przedsiębiorstwach.

Dan George jest dyrektorem ds. doświadczeń w CTS oraz założycielem i dyrektorem generalnym Piper Key Analytics. Jest wielokrotnie nagradzanym ekspertem w dziedzinie analityki pracowników, planowania zatrudnienia i transformacji HR opartej na danych. Ma doświadczenie zdobyte w firmach z listy Fortune 100 oraz u średniej wielkości innowatorów. Pomagał przekształcać HR w strategiczną funkcję opartą na analityce. Jest również członkiem naszej rady doradczej ds. treści.

W tej rozmowie zagłębimy się w to, jak agenci AI i analiza sieci zmieniają HR — od statycznego raportowania po możliwe do realizacji autonomiczne przepływy pracy. Francisco opowie o wnioskach z pierwszych pilotaży, w ramach których agenci AI dopasowują mentorów i podopiecznych, mapują nieformalne przywództwo oraz przyspieszają wdrażanie w kluczowych sieciach. Dan wyjaśni, jak ci agenci mogą skalować samą funkcję analityki pracowników, automatyzować wnioski i umożliwiać specjalistom HR skupienie się na pracy strategicznej.

Niezależnie od tego, czy kierujesz HR-em, operacjami personalnymi lub strategią talentów, czy po prostu chcesz zrozumieć, dokąd zmierza kolejny etap transformacji rynku pracy, ta rozmowa jest dla ciebie. Zaczynajmy.

W porządku! Francisco, Dan — witajcie!

Dan George: Wspaniale tu być. Dziękuję.

David Rice: Chcę zacząć od omówienia wizji, którą macie w Cognitive Talent Solutions. Dlaczego właśnie tych ośmiu agentów? Jakie były kluczowe obszary, którymi chcieliście się zająć, patrząc na HR jako całość?

Dan George: Z naszej perspektywy istnieje wiele sposobów, w jakie agenci AI mogliby być skuteczni w HR, ale tych osiem przypadków należało do najbardziej oczywistych. Mogliśmy nie tylko łatwo uzyskać zgodę i upewnić się, że wszystkie zaangażowane strony są chętne i zdolne do udziału w procesie, lecz także śledzić zwrot z inwestycji związany z ich wpływem na ogólne działania HR i niezbędne aspekty pierwszej generacji rozwiązań.

Nie chcieliśmy przesadzić, ale oczywiście zależało nam na wywarciu wpływu, mając jednocześnie świadomość, że wszystko to będzie się z czasem rozwijać. Te osiem przypadków zdecydowanie miało najwięcej sensu.

Francisco Marin: Całkowicie zgadzam się z tym, co powiedział Dan. Uzupełniając jego wypowiedź, zauważyliśmy, że pewne możliwości agentowej AI wdrożono już w podstawowych procesach HR, takich jak płace czy zgodność z przepisami.

Brakowało jednak generacji przypadków użycia wpływających na analitykę pracowników, zwłaszcza tych zgodnych z wykorzystywanymi przez CTS ramami sieciowymi. Chodziło o to, jak mogłyby pomóc nam przemyśleć na nowo kluczowe procesy, takie jak zarządzanie zmianą, rozwój przywództwa czy wdrażanie rozumiane jako aktywizacja społeczna.

Wybraliśmy więc tę grupę ośmiu przypadków. Zyskujemy dużą przyczepność — możemy później omówić przypadek wdrażania i dopasowywania mentoringu — ale uznaliśmy, że jest to grupa przypadków użycia odzwierciedlająca przekaz: oto nowy sposób wykorzystywania możliwości agentowych w całej branży analityki pracowników, wykraczający poza dziedzinę analizy sieci organizacyjnych.

David Rice: Dan, wspomniałeś o zgodzie. Jak zapewniacie zgodę, zaufanie i przejrzystość, gdy agenci AI inicjują coś tak wrażliwego jak działanie retencyjne lub połączenie mentoringu rówieśniczego?

Dan George: To była jedna z naszych najważniejszych kwestii od samego początku. Musimy zadbać o odpowiedni poziom zgody i etyczne wykorzystanie automatycznych procesów. Jednym z najlepszych sposobów jest uwzględnianie w naszej platformie aspektów usługowych i e-mailowych dotyczących zarówno osób korzystających z rozwiązania, jak i innych osób w organizacji. Gdy agent wykryje konkretne kryteria, może uruchomić automatyczną wiadomość e-mail wygenerowaną przez jednego z administratorów.

Administrator może rozpocząć proces albo uruchomić cały proces dotyczący wszystkich zidentyfikowanych osób. Obie strony otrzymują wiadomość e-mail, w której klikają przycisk i wyrażają zgodę. Dzięki temu powiadamiamy obie strony, uzyskujemy ich zgodę na rozpoczęcie procesu, a każda z nich może ją w dowolnym momencie wycofać. Pozwala nam to zachować zgodność nie tylko z RODO, ale także z ogólnymi zasadami etycznego wykorzystania.

Francisco Marin: Prowadziliśmy również z zespołem bieżące rozmowy na temat niuansów każdego przypadku użycia. W przypadku retencji talentów zastanawialiśmy się na przykład, czy sensowne jest przedstawianie takich informacji na poziomie zagregowanym: „Masz trzynastoosobowy zespół, który na podstawie obserwowanych sygnałów jest obarczony wysokim ryzykiem odejść, a oto działania, które możesz wdrożyć”.

Albo czy lepiej robić to na poziomie indywidualnym i powiadamiać bezpośredniego przełożonego. W niektórych przypadkach testujemy poziom zagregowany, w innych indywidualny i obserwujemy reakcje pierwszych firm pilotażowych oraz samych pracowników.

Zasadą jest budowanie mechanizmów rezygnacji wszędzie tam, gdzie to możliwe. Jeśli na przykład zostaniesz zidentyfikowany jako mentor dla nowo zatrudnionej osoby, musisz wyrazić zgodę na udział w tej możliwości mentoringowej. Kolejną kwestią jest rola bezpośredniego przełożonego.

Czy bezpośredni przełożony powinien być strażnikiem zatwierdzającym interwencję, czy tylko otrzymywać informację o zidentyfikowanej możliwości, podczas gdy mentor pozostaje ostatecznie osobą, która musi wyrazić zgodę na udział? To rozwiązanie wciąż rozwijamy, ale naszym celem jest pełna zgodność z RODO i innymi regulacjami, a także budowanie mechanizmów rezygnacji wszędzie, gdzie jest to możliwe.

David Rice: Porozmawiajmy przez chwilę o funkcjonalności, bo ciekawi mnie, co sprawia, że ci agenci są naprawdę agentowi, w przeciwieństwie na przykład do pulpitu nawigacyjnego, inteligentnego asystenta czy innych rozwiązań zwykle kojarzonych z generatywną AI.

Francisco Marin: Sama nazwa wskazuje, że w agentowej AI sztuczna inteligencja ma większą sprawczość.

Nie czeka na to, aż człowiek przeanalizuje pulpit nawigacyjny lub zada pytanie, aby zareagować. Proaktywnie formułuje pytania i identyfikuje interwencje. Nadal potrzebny jest człowiek, który zatwierdzi interwencję z poziomu platformy, ale AI stale monitoruje sygnały i identyfikuje działania interwencyjne w czasie rzeczywistym.

Może również podejmować decyzje uwzględniające kontekst. W niektórych przypadkach dostępny jest jeden zestaw wskaźników, a w innych — inne wskaźniki oparte na uniwersalnych danych, do których ma dostęp. W ramach generowania wspomaganego wyszukiwaniem, czyli całego mechanizmu orkiestracji agenta z różnymi przypadkami użycia, podejmuje decyzje w czasie rzeczywistym dotyczące komponowania powiadomień e-mail i sposobu przeprowadzania interwencji.

Poziom sprawczości jest więc znacznie wyższy niż w tradycyjnym interfejsie generatywnej AI, takim jak te, które wcześniej budowaliśmy na platformie.

David Rice: Wspomniałeś o pilotażach. Którzy agenci wykazali w tych badaniach największą natychmiastową przydatność lub wzbudzili największe zainteresowanie użytkowników? I dlaczego tak sądzisz?

Francisco Marin: Dopasowanie mentoringowe połączone z wdrażaniem. Dan, chcesz się tym zająć?

Dan George: Tak, przede wszystkim. Dopasowanie mentoringowe jest prawdopodobnie jednym z najmniej ryzykownych przypadków. Jestem wielkim zwolennikiem tego, aby mieć nie jednego, lecz kilku mentorów.

W każdej organizacji, która chce zwiększać zaangażowanie nowych pracowników, nowych menedżerów i nowych liderów, bardzo ważne jest umożliwienie im kontaktu z osobą, która nie znajduje się w ich bezpośredniej linii podległości ani nie jest z nimi oczywiście powiązana. Menedżer ds. mentoringu stara się lepiej zrozumieć daną osobę, jej poziom, aspiracje i potrzeby — zależnie od szczegółowości aktywnego badania ONA.

Potencjalny podopieczny i mentor otrzymują wiadomości e-mail z prośbą o zgodę. Oboje mogą odpowiedzieć twierdząco, a następnie rozpoczyna się przedstawienie ich sobie. W dużej skali bardzo ułatwia to wiele działań. W przeszłości wykonywałem ten proces ręcznie jako dyrektor HR oraz osoba odpowiedzialna za analitykę pracowników w różnych organizacjach.

Tworzyłem listy i wysyłałem je do zespołów zajmujących się rozwojem przywództwa lub zaangażowaniem talentów. Zautomatyzowane, autoryzowane miejsce, w którym administrator może po prostu kliknąć, znacznie ułatwia proces i pozwala wyjść poza wybieranie w kółko tych samych typowych mentorów i podopiecznych.

Ogólnie jest to jedno z najłatwiejszych, najmniej ryzykownych i najbardziej wpływowych działań, jakie organizacja może podjąć za tę cenę. To niesamowite.

Francisco Marin: Ludzie bardzo łatwo rozumieją tę ideę, ponieważ każdy, kto pracował w dużej międzynarodowej firmie, wie, jak ogromne znaczenie ma pierwsza osoba, z którą się kontaktujesz i która pokazuje ci zasady funkcjonowania organizacji.

Jeśli jest to osoba inspirująca, wspierająca i zaangażowana, doświadczenie wygląda zupełnie inaczej niż wtedy, gdy jest to ktoś wycofany, być może chcący odejść z organizacji, a może nawet łatwiej byłoby mu przejść do konkurencji. Jest to szczególnie istotne dziś, ponieważ wielu nowych pracowników dołącza do firm działających hybrydowo, bez bezpośrednich kontaktów twarzą w twarz z zespołem.

Dołączają do organizacji przechodzących w czasie rzeczywistym reorganizację. To bardzo niepewne środowisko, w którym kluczowe jest zoptymalizowanie procesu wdrażania i skrócenie czasu osiągnięcia pełnej produktywności przez nową osobę. To, co robimy, to przemyślenie wdrażania jako aktywizacji społecznej.

David Rice: Bardzo interesujące. Wyobrażam sobie, że na poziomie przedsiębiorstwa — szczególnie w międzynarodowej firmie zatrudniającej ludzi ponad granicami — byłoby to świetne narzędzie do budowania połączeń. Wspomniałeś wcześniej, że ci agenci mogą identyfikować ryzyko wypalenia i automatycznie łączyć kogoś z mentorem lub menedżerem. Jak wygląda taki przepływ pracy w praktyce?

Francisco Marin: Możemy wyjaśnić przepływ pracy związany z dopasowaniem mentoringowym, ponieważ jest on obecnie wdrożony operacyjnie w wielu firmach.

Nowo zatrudniona osoba dołącza do organizacji. AI identyfikuje osobę najlepiej przygotowaną do pełnienia roli mentora lub opiekuna. Odbywa się to na podstawie wskaźników takich jak nieformalne przywództwo zmierzone wcześniej za pomocą analizy sieci organizacyjnych, a także rola, dział, poziom wyników i lata doświadczenia. Im więcej danych dostarczysz systemowi, tym bardziej zaawansowane i możliwe do wykorzystania będą rekomendacje.

Po zidentyfikowaniu dopasowania interwencja jest prezentowana użytkownikowi HR na platformie analizatora sieci. Użytkownik HR musi następnie zatwierdzić rozpoczęcie interwencji.

AI kontaktuje się z mentorem, aby uzyskać jego zgodę na udział, informując pierwszego przełożonego, ale nie prosząc go o zgodę. Jeśli mentor wyrazi zgodę, AI wysyła wiadomość przedstawiającą mentora i podopiecznego, planuje spotkanie, aby mogli się poznać, a następnie dokumentuje, czy spotkanie się odbyło, i ocenia wpływ interwencji.

Mierzy również konkretne oszczędności wynikające ze skrócenia czasu osiągnięcia pełnej produktywności przez nowo zatrudnioną osobę. To przykład pełnego przepływu pracy agenta AI wspierającego wdrażanie za pomocą dopasowania mentoringowego.

David Rice: Porozmawiajmy trochę o rezultatach. Jak wygląda sukces w przypadku jednego z tych agentów? Jakie sygnały lub wyniki śledzicie, aby go określić?

Dan George: Jeśli chodzi o wpływ, od dawna dostępne są badania, które wskazują na dość typowe zwroty z inwestycji dla różnych scenariuszy.

Gdy agenci wykonują zadania, a dopasowane osoby odbywają spotkania i przechodzą początkową konfigurację, system zaczyna zliczać te działania i przypisywać im wartość pieniężną. Wszystko jest agregowane na górze pulpitu nawigacyjnego, dzięki czemu administrator HR lub inny administrator systemu może zobaczyć wynik.

Oczywiście na podstawie liczby działań użytkownicy mogą zastosować własny zwrot z inwestycji albo zmienić jego wartość, jeśli chcą dodać lub odjąć kwotę. Ogólnie analizujemy zautomatyzowany przepływ, który uwzględnia i rozumie, że wszystkie działania zostały zaplanowane, skoordynowane i wykonane.

Samo to może przynieść oszczędności rzędu dziesiątek, a zależnie od wielkości grupy roboczej nawet setek godzin. Wszystkie te dane dotyczące zwrotu z inwestycji są prezentowane w jednym miejscu. Wskaźniki można umieszczać na pulpicie w różnych formach, aby zespoły mogły przedstawiać wpływ podczas spotkań lub rozmów z kadrą kierowniczą.

Dzięki temu wszyscy rozumieją zakres działań, które zostały wykonane.

Francisco Marin: Dodam coś bardziej konkretnego. W przypadku jednej interwencji związanej z maksymalizacją dopasowania mentoringowego można mówić o oszczędnościach rzędu 20–30 tys. dolarów dzięki skróceniu czasu osiągnięcia pełnej produktywności przez nowo zatrudnioną osobę nawet o 40%.

Można to wdrożyć na dużą skalę dla każdej nowo zatrudnionej osoby w organizacji. Obecnie agenci AI są dostępni w naszej samoobsługowej platformie Connect Network Analyzer, ale zmierzamy w kierunku natywnej integracji tych agentów z platformami takimi jak ServiceNow i Google, aby klienci mogli korzystać z nich w ramach istniejącej infrastruktury IT.

Dzięki temu agenci będą mogli współpracować z całym zasobem informacji, na przykład z zarządzaniem sprawami lub HRSD w ekosystemie przepływów pracy pracowników w ServiceNow. To bardzo interesujący i ekscytujący okres, w którym będziemy odkrywać nowe przypadki użycia i zbierać wiele informacji zwrotnych.

Przygotowujemy rozwiązanie do wdrożenia wszystkich ośmiu agentów na dużą skalę i wyjścia poza etap pilotażowy.

Dan George: Otrzymaliśmy również dodatkowe zainteresowanie ze strony innych systemów CRM. Dodanie tego rozwiązania jako natywnej aplikacji w ich sklepach pomaga usprawnić cały proces wykorzystywania tej technologii w obecnych ekosystemach.

David Rice: Wyobraź sobie dostęp do najlepszych talentów na świecie. Czy będzie to inżynier z São Paulo, dyrektor sprzedaży z Dublina czy wyjątkowy projektant z Kapsztadu — twój kolejny świetny pracownik może znajdować się w dowolnym miejscu na świecie. Dzięki Oyster nie musi pozostać tym, który cię ominął.

Oyster pomaga firmom zatrudniać talenty na całym świecie, prowadzić prawidłowe i terminowe rozliczenia płac oraz zachowywać zgodność z przepisami na każdym etapie. Zbuduj wymarzony zespół i rozwijaj się pewnie, ponieważ świat naprawdę stoi przed tobą otworem.

Wyobrażam sobie, że zainteresowanie HR-em jest oczywiste, ale wspomniałeś o możliwości rozmowy z resztą kadry zarządzającej i przedstawienia jej rozwiązania. Czy widzicie duże zainteresowanie ze strony operacji, dyrektorów generalnych i podobnych obszarów?

Dan George: Coraz więcej rozmów, które prowadzimy co tydzień i co miesiąc, pochodzi spoza HR.

Zwykle wchodziliśmy do organizacji przez specjalistów ds. analityki pracowników, transformacji HR lub zarządzania talentami. Coraz częściej rozmawiamy jednak z liderami spoza funkcji HR, ponieważ chcą oni rozumieć wszystkie umiejętności i sieci swoich pracowników.

Dzięki temu mogą przyspieszać innowacje, lepiej współpracować, rozumieć dynamikę kulturową swoich zespołów, a nawet — w najprostszych przypadkach — identyfikować kluczowych liderów opinii przy każdej inicjatywie zmian. Mogą ustalić, kto ma największy wpływ, niezależnie od tego, czy wcześniej o tym wiedzieliśmy, a następnie dostosować komunikację do tych osób i ich sieci.

Nie ma znaczenia, gdzie znajdują się w organizacji — liderzy opinii są wszędzie. Możliwość dotarcia do tych osób i przyspieszenia akceptacji zmian to dla nas ogromny przypadek użycia.

David Rice: Z technicznego punktu widzenia dane i infrastruktura, z którymi spotkacie się w każdej organizacji, mogą być nieco inne. Jakich danych i infrastruktury potrzebują firmy, zanim będą mogły realistycznie wdrożyć tych agentów?

Francisco Marin: To świetne pytanie, ponieważ bariery wejścia są znacznie niższe, niż ludzie sądzą. Łączymy aktywną analizę sieci organizacyjnych z analizą pasywną. Aktywna ONA opiera się na ankietach internetowych, a pasywna ONA analizuje zagregowane metadane narzędzi współpracy, takich jak Microsoft, Google, Slack i inne.

Jeśli chodzi o konkretne wskaźniki, najważniejsze są właściwie imię i nazwisko pracownika, jego adres e-mail, imię i nazwisko przełożonego oraz adres e-mail przełożonego. To w zasadzie wystarczy do uruchomienia pilotażu. Następnie można dodawać dział, jednostkę, wyniki, zaangażowanie, odejścia i historię danych dotyczących odejść.

Im więcej danych, tym lepiej, ale właśnie na tym polega piękno agentowej AI: potrafi podejmować decyzje uwzględniające kontekst i pracować z podstawowymi informacjami, które posiada. Jeśli AI nie wie, kto jest twoim menedżerem ani jaki jest jego adres e-mail, nie będzie mogła nikogo poinformować ani wysyłać powiadomień.

Wiele z tych informacji jest już domyślnie dostępnych w interfejsach API Microsoftu lub Google. Dane, które można dodać, poprawiają działanie rozwiązania.

Dan George: Zespoły przesyłały nam bardzo proste struktury hierarchiczne, ale inni klienci przesyłali dwie lub trzy odrębne hierarchie, zależnie od tego, jak chcieli oglądać swoje organizacje i rozumieć oraz śledzić trendy.

Możemy więc przyswoić praktycznie każdą strukturę, która ma dla nich sens. Uważam, że na tym polega piękno naszego konkretnego dużego modelu językowego zaplecza. Jeśli działamy w jednym z systemów innego dostawcy, możemy również połączyć się z jego konkretnymi modelami językowymi, tak aby kilka modeli wspólnie pomagało naszemu silnikowi ONA analizować te sieci.

Francisco Marin: Dobrym przykładem jest niedawna współpraca z firmą z pierwszej piątki zestawienia Fortune. Miała ona siedem różnych wskaźników definiujących zespoły: organizację nadzorczą, różne poziomy podległości, raporty funkcjonalne, bezpośrednie i pośrednie. AI potrafiła zrozumieć wszystkie te uniwersalne wskaźniki, które jej dostarczyliśmy, uwzględnić je w rekomendacjach i włączyć do poleceń wraz z komponentem generatywnej AI. To kolejna funkcja, która znacząco zmienia sposób, w jaki klienci korzystają z tego rodzaju informacji.

David Rice: Ciekawi mnie, ponieważ widziałem badania sugerujące, że specjaliści HR w szczególności czują, iż mogą nie mieć kwalifikacji do korzystania z wielu narzędzi AI. Być może nie są osobami zajmującymi się danymi. Czy spotkaliście się ze sceptycyzmem lub oporem przed wprowadzeniem agentowej AI do tradycyjnie skoncentrowanych na człowieku procesów i jak sobie z tym radziliście?

Francisco Marin: Z mojego doświadczenia wynika, że obecnie bardzo dobrze rozumie się, iż AI odegra kluczową rolę w przyszłości pracy. Niezależnie od tego, czy pracujesz w HR, IT czy finansach, musisz się z tym zmierzyć i mieć kontakt z tą technologią, ponieważ w krótkim czasie wpłynie ona na twoją pracę.

To poczucie pilności prawdopodobnie zmniejsza opór przed wdrażaniem i poznawaniem takich technologii, przynajmniej w porównaniu z wcześniejszymi falami. Kiedy integrowaliśmy generatywną AI z naszymi rozwiązaniami, niektóre firmy mówiły: „Uwielbiamy tę technologię i chcemy jej używać, ale nie jesteśmy jeszcze gotowi na komponent generatywnej AI”.

Dwa miesiące później te same firmy wdrażały agentową AI w całej organizacji i mówiły: „To coś innego. Teraz rozumiemy, że musimy być wśród wczesnych użytkowników albo wypadniemy z rynku”. Widzę zmianę nastawienia w tym zakresie. AI staje się również coraz ważniejszą częścią naszego codziennego życia. Moje doświadczenie pokazuje więc znacznie mniejszy opór, niż się spodziewałem.

Dan George: Widzę tu dwa aspekty. Po pierwsze, zaprojektowaliśmy platformę dla każdego specjalisty. Rozległe rozumienie matematycznych podstaw ONA i baz danych grafowych jest oczywiście przydatne. Wszystkie oczekiwane wskaźniki są dostępne, ale to, co pokazujemy na pierwszym planie platformy i w raportach, a także to, co możemy wygenerować, jest zrozumiałe dla osób bez dużego doświadczenia w ONA, które rozumieją sieci, połączenia i współpracę potrzebne w typowym przedsiębiorstwie.

Robimy to na dwa sposoby. Ogólne raporty i wskaźniki wpływu są bardzo łatwe do zrozumienia, ale jeśli ktoś chce zagłębić się w szczegóły, wszystkie informacje są dostępne. Można je pobrać do różnych arkuszy kalkulacyjnych i łatwo uzupełnić nimi bieżącą bazę danych lub hurtownię danych HR.

Nie ma znaczenia, czy chodzi o 300 osób, czy 30 tysięcy — wszystko można zintegrować z systemem. Skupiamy się więc zarówno na nietechnicznych raportach i wnioskach, jak i na udostępnieniu całej matematyki.

Niedawno rozmawiałem z klientem, który chciał rozpocząć bez generatywnej i agentowej AI, ponieważ tak było dla niego wygodniej. Gdy jednak lepiej poznał system, dostępne możliwości oraz sposób prezentowania ankiety i wyników, stwierdził, że warto ją dodać.

Jednym z powodów było to, że rozwiązanie działa w środowisku oddzielonym od innych głównych systemów HR. Klient wiedział, że nie jest to systemowe narzędzie AI, lecz rozwiązanie ograniczone do przestrzeni tej platformy. Dzięki temu łatwiej było mu czuć się bezpiecznie, ponieważ nie uzyskiwało dostępu do informacji, do których nie powinno mieć dostępu. Klient przesłał nam wyłącznie dane demograficzne, które czuł się komfortowo udostępnić poza swoim systemem.

Francisco Marin: Ten przekaz jest kluczowy. Podkreślamy w rozmowach z HR i innymi interesariuszami, że użytkownicy mający dostęp do platformy w pełni kontrolują sposób udostępniania informacji w organizacji. Mogą autoryzować interwencję albo jej nie autoryzować. Mogą udostępnić podsumowanie dla kadry kierowniczej w formacie PDF.

Mogą samodzielnie dostosować wskaźniki, informacje i wykresy uwzględniane w raporcie. Mogą zmienić zakres raportu. To oni są strażnikami i decydują, jak raport jest udostępniany. Ten przekaz trafia do moich zespołów HR.

David Rice: Wyobrażam sobie, że możliwość dostosowania doświadczenia i dopasowania go do poziomu osoby korzystającej z rozwiązania jest ważnym czynnikiem akceptacji.

Prowadzi mnie to do kolejnego pytania. Stworzenie i rozwinięcie takiego poziomu funkcjonalności musiało zająć sporo czasu. Dokąd zmierza to rozwiązanie? Czy już myślicie o możliwościach agentowych na kolejną falę?

Francisco Marin: Tak.

Dan George: Zacznę ja, choć wiem, że Francisco ma na ten temat bardzo dużo do powiedzenia.

Od dawna ma świetną wizję. Znamy się od pięciu czy sześciu lat. Poznaliśmy się jeszcze przed pandemią i od dawna zastanawiamy się nad tym kierunkiem. Widzę wiele obszarów, w których możemy nie tylko rozwinąć drugą generację obecnych ośmiu agentów, ale także wejść w kolejne obszary, gdy ludzie nabiorą większego komfortu.

Chcemy również dopasowywać tempo do tego, co obserwujemy, i rozumieć, które trendy są obecnie najbardziej popularne lub najbardziej wpływowe. Z perspektywy konkurencyjnej kilka z tych pomysłów chciałbym zachować dla siebie. Jesteśmy jednak bardzo podekscytowani nie tylko pierwszą generacją, lecz także przyszłą drugą generacją i kolejnymi rozwiązaniami, które będziemy mogli urzeczywistnić.

Francisco Marin: Dla mnie przyszłość organizacji to sieć wspierana przez agentów. Agenci AI będą wdrażać te makrointerwencje na dużą skalę. Duże międzynarodowe firmy mogą działać jako inkubatory tego nowego sposobu pracy, który nazywamy przyszłością pracy stawiającą sieć na pierwszym miejscu.

Jednocześnie powstają i rozwijają się nowe organizacje, które integrują te praktyki na dużą skalę, tak jak robimy to w CTS. Jesteśmy zespołem 50 osób, bardzo zdecentralizowaną społecznością obejmującą konsultantów, ambasadorów i podstawowy zespół w Kalifornii. Chcemy ostatecznie stworzyć na przykładzie sposobu zarządzania samym CTS studium przypadku pokazujące, jak wygląda ten nowy sposób pracy.

Miesiąc temu uruchomiliśmy również — niezależnie od CTS, na poziomie osobistym — inicjatywę Network-First Manifesto. Zapraszamy każdą osobę, która utożsamia się z koncepcją przyszłości pracy stawiającej sieć na pierwszym miejscu, do współtworzenia manifestu i zestawu zasad. Współpracujemy z liderami opinii, takimi jak Mike Lorena Andras Seven, oraz innymi osobami z branży.

Mamy obecnie grupę 200 osób, w tym 200 członków założycieli i około 80 organizacji uczestniczących. Wszystko to wydarzyło się w ciągu miesiąca. Wkrótce zorganizujemy wydarzenia ratyfikacyjne w prawie 13 miejscach, a następnie ogłosimy serię bardzo ekscytujących kolejnych kroków.

Właśnie dlatego to robimy. Chcemy, w ramach naszych ograniczonych możliwości i wpływów, przewodzić przejściu od modelu stawiającego hierarchię na pierwszym miejscu do przyszłości pracy opartej na sieci.

Gdy nowo zatrudniona osoba dołącza dziś do organizacji, często otrzymuje ograniczone informacje dotyczące tego, gdzie, z kim i kiedy może pracować. Jest to model zwiększający kontrolę współpracy, ale nie zapewnia zdrowej równowagi między centralizacją i decentralizacją ani między kapitałem ludzkim i społecznym.

Chcemy więc osadzić te elementy na poziomie strukturalnym, aby osoba dołączająca do dużej organizacji mogła mieć podobne bodźce i doświadczenia jak ktoś dołączający do startupu w Dolinie Krzemowej.

O to właśnie chodzi: o stworzenie przyszłości pracy, która ekscytuje, a nie przeraża.

David Rice: To wspaniałe. Uwielbiam prace Michaela dotyczące sieci. Zrobił naprawdę interesujące rzeczy. Dan, Francisco, dziękuję, że byliście dziś z nami. Zanim skończymy, chciałbym dać wam możliwość powiedzenia słuchaczom, gdzie mogą dowiedzieć się więcej o waszej działalności i agentach.

Francisco Marin: Można odwiedzić stronę cognitivetalentsolutions.com. Mamy również newsletter na LinkedIn — CTS Running Sites — w którym co tydzień można otrzymywać artykuły na swoją skrzynkę e-mail. Niezależnie od CTS uruchomiliśmy też inicjatywę Network-First Manifesto: networkfirstmanifesto.com lub networkfirstmanifesto.com/join.

Tam można dowiedzieć się więcej o inicjatywie. Jest otwarta dla każdego, kto chce wziąć w niej udział.

David Rice: Dobrze, dziękuję wam obu za udział. To była świetna rozmowa.

Dan George: Dziękuję, Davidzie.

Francisco Marin: Dziękuję, Davidzie.