Ciągła informacja zwrotna na temat wyników pracy brzmi przełomowo, dopóki nie zobaczysz, jak firmy ją wdrażają
Korzyść AI: Informacje zwrotne oparte na AI mogą dostarczać spostrzeżeń w czasie rzeczywistym, ograniczając uprzedzenia występujące w tradycyjnych ocenach.
Jakość danych: Wiele organizacji zmaga się z niewystarczającymi, nieaktualnymi lub niespójnymi danymi, które wpływają na jakość informacji zwrotnych.
Problemy z zaufaniem: Przejrzystość informacji zwrotnych generowanych przez AI ma kluczowe znaczenie; ujawnianie sposobu ich tworzenia wpływa na zaufanie pracowników i skuteczność informacji zwrotnych.
Luka wdrożeniowa: Rośnie rozbieżność między potencjalnymi korzyściami AI a jej praktycznym zastosowaniem w organizacjach.
Pętle informacji zwrotnej: Nieskuteczne pętle informacji zwrotnej mogą skrócić cykle ocen, ale nie rozwiązują problemów związanych z corocznymi ocenami.
Ciągła informacja zwrotna dotycząca wyników, będąca kluczowym elementem zarządzania wynikami w czasie rzeczywistym, przeszła od pozycji na konferencyjnej liście życzeń do wdrożeń w przedsiębiorstwach szybciej niż większość praktyk zarządzania ludźmi w ostatnich latach, a systemy te są coraz częściej zasilane przez sztuczną inteligencję.
Przekaz dostawców jest spójny: informacje w czasie rzeczywistym, ograniczenie efektu świeżości oraz informacja zwrotna, na którą nie wpływa to, jak akurat danego popołudnia czuł się menedżer.
Pracownicy od dawna mówią, że chcą częstszych i bardziej konkretnych informacji niż te, które zapewniają coroczne oceny. Systemy wspomagane przez sztuczną inteligencję zostały zaprojektowane właśnie w tym celu, jednak coraz trudniej ignorować lukę między obietnicą a wdrożeniem.
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
Problem bezrefleksyjnego zatwierdzania przez menedżerów
Menedżerowie zatwierdzają podsumowania wygenerowane przez sztuczną inteligencję, nie analizując modeli, które je stworzyły.
Andrew Whyatt-Sames, psycholog organizacyjny i współzałożyciel UptakeAI, firmy współpracującej z organizacjami wdrażającymi sztuczną inteligencję w procesach związanych z ludźmi i wynikami, wielokrotnie obserwował taki scenariusz.
Kiedy sztuczna inteligencja generuje podsumowanie wyników, większość menedżerów traktuje je jako wersję roboczą do zatwierdzenia, a nie punkt wyjścia do wnikliwej analizy.
Pewien menedżer liniowy, trzy miesiące po rozpoczęciu wdrożenia w firmie zatrudniającej 2000 osób, powiedział mu: „Napisano tam «dobrze się komunikuje», więc się zgodziłem — wszystkie dane przecież tam są, prawda?”
Podstawowy model traktował obecność na spotkaniach jako wskaźnik zastępczy komunikacji. Nikt nie powiedział o tym menedżerom.
Część problemu ma charakter fundamentalny. Systemy ciągłej informacji zwrotnej potrzebują ciągłych danych wysokiej jakości. Większość organizacji ich nie ma.
„Ma tylko taki kontekst, jaki mu zapewnisz” — powiedział Matt Poepsel, wiceprezes ds. optymalizacji talentów w The Predictive Index, kiedy rozmawialiśmy podczas konferencji Transform w marcu. „To tak, jakby poprosić przyjaciela o radę w sprawie szefa, a on odpowiedziałby: «Tak naprawdę nie znam twojego szefa — musisz powiedzieć mi więcej»”.
Dane dotyczące pracowników — zauważył — były niespójne już zanim zaangażowano sztuczną inteligencję. Opisy stanowisk pobierane z nieaktualnych ogłoszeń, oceny umiejętności powiązane z wymaganiami, które uległy zmianie, oraz profile behawioralne, których menedżerowie nigdy nie stworzyli, ponieważ nikt nie przeszkolił ich w zadawaniu odpowiednich pytań.
Mamy mnóstwo danych. Pytanie brzmi, czy są to właściwe dane.
Gdy dane bazowe są słabe, ciągła informacja zwrotna nie koryguje się sama. Z większą częstotliwością potęguje problem.
Ujawnianie informacji jest problemem niezależnie od rozwiązania
Istnieje dynamika zaufania, która dodatkowo komplikuje wdrażanie. Jak pisaliśmy wcześniej, badanie opublikowane w 2021 roku w czasopiśmie Strategic Management Journal wykazało, że informacja zwrotna wygenerowana przez sztuczną inteligencję przynosi lepsze wyniki niż informacja zwrotna od ludzkiego menedżera w mierzalnych obszarach, ale tylko wtedy, gdy pracownicy nie wiedzą, że pochodzi ona od maszyny. Po ujawnieniu tego faktu korzyści w zakresie wyników znikają.
Kamaria Scott, założycielka i dyrektorka generalna Enetic, bezpośrednio obserwowała problem ujawniania informacji.
„Tylko nigdy w tej sprawie nie kłam” — powiedziała. „Musisz zachować przejrzystość”.
Menedżerowie udzielający informacji zwrotnej wygenerowanej przez sztuczną inteligencję ryzykują, że pracownicy ją odrzucą, jeśli ujawnią udział AI. Ci, którzy tego nie robią, mają do czynienia z problemem ujawniania informacji, który zwykle prędzej czy później wychodzi na jaw.
Stawką — twierdzi Scott — jest to, czy systemy te są wykorzystywane jako punkt wyjścia, czy jako punkt końcowy.
Ocena nie jest celem końcowym. Ocena jest początkiem rozmowy.
Jej zdaniem najbardziej uzasadnionym zastosowaniem AI w zarządzaniu efektywnością jest wykorzystanie go jako źródła danych rozpoczynających dyskusję, a nie jako samodzielnego podsumowania. „Coś, co mówi: „To jest neutralny punkt wyjścia dla nas” — jest przydatne. Ale trzeba dojść do porozumienia”.
Pracownicy wiedzą, co jest mierzone
Według Whyatt-Sames problem „grania pod system” zwykle pojawia się około sześciu miesięcy po wdrożeniu.
Pracownicy dowiadują się, co system śledzi, zazwyczaj za pośrednictwem nieformalnych kanałów, a nie oficjalnych komunikatów, i odpowiednio dostosowują swoje działania. Więcej komentarzy podczas spotkań kontrolnych, więcej oznaczonych celów, wyniki zrozumiałe dla systemu, a niekoniecznie przydatne dla kogokolwiek. Lider ds. uczenia się i rozwoju, z którym pracował, nazwał to „graniem pod panel kontrolny”.
Problem z ilością przebiega podobnym torem. Organizacje mierzą stopień wykorzystania na podstawie liczby aktywności, więc trzykrotnie większa liczba informacji zwrotnych wygląda jak sukces.
Gdy przeprowadzamy audyt samej informacji zwrotnej, jej przydatność do podejmowania działań gwałtownie spada — powiedział Whyatt-Sames. — Staje się krótsza, bardziej schematyczna i skupiona na tym, co nagradza system.
Odwrócenie relacji między sygnałem a szumem często ujawnia się dopiero podczas retrospektywy — do tego czasu schemat jest już dobrze ugruntowany.
Gdy sama praca jest wykonywana wspólnie z agentem
W marcu Scott postawiła pytanie, na które nie znaleziono jeszcze jednoznacznej odpowiedzi: „Jak wygląda efektywność pracy, jeśli sami pracownicy nie wykonują pracy albo agenci wykonują połowę pracy? Jak zamierzacie oceniać moją efektywność jako osoby w przypadku pracy, której nie wykonuję już w pełni samodzielnie?”
To pytanie, którego większość obecnych wdrożeń nie jest przygotowana obsłużyć. Nadal mierzą indywidualne wyniki w kontekście, w którym granice indywidualnego wkładu stają się coraz mniej wyraźne.
Diagnoza Whyatt-Samesa dotycząca tego, dlaczego te problemy się utrzymują, łączy poszczególne obszary niepowodzeń.
Organizacje traktują warstwę AI jako rozwiązanie i pomijają architekturę zmian — powiedział. — System generuje informacje zwrotne; nikt nie pyta, czy te informacje zmieniają zachowanie. To problem związany z projektem wdrożenia, a w większości wdrożeń nie ma nikogo, do czyich obowiązków należałoby jego rozwiązanie.
Jeśli chodzi o podstawową stawkę, Poepsel ujął to jasno.
„Każda decyzja dotycząca ludzi jest decyzją o poważnych konsekwencjach. Musimy podchodzić do tego rozważnie, aby móc działać tak szybko, jak chcemy”.
Argumenty przemawiające za ciągłą informacją zwrotną wspieraną przez AI nadal są aktualne. Nieaktualne jest natomiast założenie, że wdrożenie technologii rozwiązuje problem zarządzania, który miała ona rozwiązać.
