Od corocznych ocen do ciągłego coachingu wspieranego przez sztuczną inteligencję: praktyczne ramy migracji
Tylko 2% dyrektorów HR z firm z listy Fortune 500 (CHROs) jest głęboko przekonanych, że ich obecny system ocen pracowniczych prowadzi do poprawy.
Liczba ta stała się stałym tematem rozmów na konferencjach HR i w prezentacjach sprzedażowych dostawców, zwykle po którym następuje obietnica, że ciągła informacja zwrotna wspierana przez AI rozwiąże problem. Argumentacja jest przekonująca. Dotychczasowe rezultaty już nie.
Obecnie słynne badanie przeprowadzone w ramach inicjatywy NANDA na MIT wykazało, że około 95% pilotażowych programów generatywnej AI nie osiąga skali pozwalającej na wdrożenie produkcyjne. Odrębna analiza RAND Corporation wskazuje, że ogólny odsetek nieudanych projektów AI wynosi 80%, a średni koszt utopiony w porzuconych projektach to 4,2 miliona dolarów.
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
Gartner klasyfikuje obecnie AI w przedsiębiorstwach jako znajdującą się w 2026 roku w samym środku Doliny Rozczarowania — określenie to odpowiada doświadczeniom CHROs w praktyce: narzędzia dobrze prezentują się na demonstracjach, akceptowalnie wypadają w pilotażach, a następnie zatrzymują się na etapie wdrażania w całym przedsiębiorstwie.
Obszar zarządzania efektywnością pracowników jest szczególnie podatny na ten schemat, ponieważ proces, który ma zostać usprawniony — coroczna ocena — jest sam w sobie głęboko zakorzeniony. Zakup narzędzia, które obiecuje przekształcić informację zwrotną w ciągły cykl coachingu wspieranego przez AI, brzmi przekonująco na slajdzie dostawcy.
Operacyjnie wymaga to całkowitego przeprojektowania sposobu, w jaki menedżerowie spędzają czas, podejmowania decyzji dotyczących wynagrodzeń i awansów oraz tego, jak pracownicy doświadczają odpowiedzialności. Większość organizacji pomija to przeprojektowanie i oczekuje, że oprogramowanie samo udźwignie ten ciężar.
Poniżej przedstawiamy praktyczne ramy migracji skonstruowane wokół obszarów, w których wdrożenia faktycznie się załamują:
- Audyt poprzedzający migrację, który pomija większość organizacji
- Jak powinien wyglądać przepływ pracy menedżera po drugiej stronie
- Architektura przekazywania spraw, która zapobiega przekształceniu narzędzi coachingowych w narzędzia nadzoru
- Pięć powtarzających się przyczyn niepowodzeń oraz realistyczny harmonogram przejścia.
Audyt
Zanim skonfigurowane zostanie jakiekolwiek narzędzie AI, należy szczerze odpowiedzieć na trzy pytania.
Dane
Pierwsze dotyczy danych. Ciągły coaching wspierany przez AI zależy od stałego strumienia ustrukturyzowanych danych wejściowych, który obejmuje:
- Udokumentowane notatki ze spotkań 1:1
- Kamienie milowe projektów
- Wpisy z informacjami zwrotnymi od współpracowników
- Aktualizacje dotyczące realizacji celów.
Jeśli menedżerowie nie tworzą już takich danych w sposób konsekwentny, AI nie ma niczego wartościowego do przeanalizowania. Dane niskiej jakości dają wyniki pełne szumu.
Kompetencje menedżerów
Drugie pytanie dotyczy kompetencji menedżerów. System AI, który wykrywa sygnał braku zaangażowania i sugeruje interwencję coachingową, jest użyteczny tylko wtedy, gdy menedżer otrzymujący ten sygnał wie, jak na niego zareagować.
Jeśli Twoi menedżerowie mają obecnie trudności z prowadzeniem bezpośrednich rozmów przekazujących informacje zwrotne, dodanie podpowiedzi wygenerowanej przez maszynę tego nie naprawi. Szybciej ujawni lukę, co może być przydatne, ale tylko wtedy, gdy organizacja ma plan jej uzupełnienia.
Proces
Trzecie pytanie dotyczy architektury procesów. Czy Twój obecny system zarządzania efektywnością pracowników ma jasno określone ścieżki eskalacji? Kiedy wzorzec niewystarczających wyników przechodzi z odpowiedzialności menedżera na dział HR? Kto decyduje, kiedy interwencja coachingowa staje się planem poprawy wyników?
Te punkty przekazywania spraw muszą istnieć, zanim AI zacznie wykrywać problemy na dużą skalę, ponieważ liczba sygnałów w ciągu kilku tygodni ujawni każdą niejasność w obecnym procesie.
Większość organizacji podchodzi do tego odwrotnie. Najpierw wdrażają narzędzie, a potem zastanawiają się, dlaczego jego przyjęcie sprawia trudności. Mądrzejsza ścieżka zaczyna się od definicji. Jak powinno wyglądać dobre zachowanie menedżera w kulturze ciągłego przekazywania informacji zwrotnej? Dopiero potem należy zapytać, czy narzędzie rzeczywiście to wspiera. Jeśli pominiesz ten krok, nie zmienisz pracy menedżera. Po prostu dasz mu kolejny pulpit, który będzie ignorować.
Przydatny sposób spojrzenia na ten temat wynika z szerszych badań nad wdrażaniem AI. Raport Światowego Forum Ekonomicznego opublikowany na początku tego roku wykazał, że mniej niż jedna na pięć organizacji deklarowała wysoki poziom dojrzałości w dowolnym aspekcie gotowości danych, a 72% liderów biznesowych stwierdziło, że podstawy danych i potoki danych będą najszybciej rozwijającym się obszarem ich inwestycji w AI.
W kontekście zarządzania wynikami prace fundamentowe oznaczają audyt: zmapowanie środowiska danych, ocenę menedżerów i udokumentowanie architektury procesów, zanim narzędzie zostanie uruchomione.
Jak wygląda tydzień menedżera po migracji
Najczęstszą wadą treści poświęconych ciągłemu przekazywaniu informacji zwrotnej jest to, że pozostają one na poziomie teorii.
„Przejdź do bieżących rozmów coachingowych” to wskazówka, która nie mówi menedżerowi nic o wtorku. Ramy migracji muszą być na tyle konkretne, aby dyrektor HR mógł opisać — w kategoriach rozpoznawalnych dla menedżera pierwszej linii — co zmienia się w jego cotygodniowym rytmie pracy.
W dojrzałym wdrożeniu platforma AI generuje bieżące podsumowanie aktywności każdego bezpośredniego podwładnego, korzystając z danych dotyczących zarządzania projektami, wpisów z informacjami zwrotnymi od współpracowników oraz udokumentowanych notatek ze spotkań 1:1.
Poniedziałek
Poniedziałek menedżera zazwyczaj zaczyna się od trwającego od 15 do 20 minut przeglądu tych podsumowań. System wskazał krótką listę sytuacji coachingowych — być może od pięciu do siedmiu w zespole liczącym od ośmiu do dziesięciu bezpośrednich podwładnych — uszeregowanych według pilności i siły wzorca.
Zadaniem menedżera jest przefiltrowanie tej listy. Niektóre sygnały to szum. Spadek wskaźników współpracy może odzwierciedlać etap projektu wymagający pracy w skupieniu, a nie brak zaangażowania. AI tego nie wie. Menedżer — tak.
Ten etap filtrowania pokazuje, dlaczego ludzki osąd pozostaje niezbędny i dlaczego wdrożenia, w których AI przedstawia się jako zastępstwo menedżerskiego rozeznania, a nie jako jego wsparcie, zwykle się załamują.
Od wtorku do piątku
W ciągu tygodnia menedżer prowadzi spotkania 1:1. W tradycyjnym modelu są to często nieustrukturyzowane rozmowy kontrolne, których przebieg zależy od tego, co akurat najbardziej zaprząta uwagę.
W modelu po migracji AI wstępnie przygotowała agendę coachingową dla każdego bezpośredniego podwładnego, uwypuklając wzorce, których menedżer mógł nie zauważyć: członka zespołu, który w tym miesiącu trzykrotnie otrzymał uznanie od współpracowników, ale nie dostał żadnej informacji zwrotnej dotyczącej obszarów rozwoju, albo osobę, której wskaźnik realizacji celów gwałtownie spadł w ciągu ostatnich dwóch sprintów.
Kluczowa różnica w porównaniu ze starym modelem nie dotyczy częstotliwości rozmów. Wielu menedżerów już wcześniej organizowało cotygodniowe spotkania 1:1. Różnica polega na jakości przygotowania. AI wykonuje pracę polegającą na agregowaniu danych i rozpoznawaniu wzorców, którą menedżer albo wykonywał niedokładnie, ponieważ ilość danych przekraczała możliwości śledzenia przez człowieka w całym zespole, albo nie wykonywał jej wcale.
Jednak przyjęcie tego nowego rytmu przebiega nierównomiernie, w sposób, którego większość organizacji nie przewiduje. Według Poepsela menedżerowie, którzy rzeczywiście korzystają z ciągłych analiz generowanych przez AI, to zazwyczaj ci, którzy jeszcze przed pojawieniem się narzędzia mieli już nawyki coachingowe.
AI po prostu wzmocniła to, co już istniało — powiedział. — W przypadku pozostałych narzędzie trafiło w próżnię behawioralną.
Wskazał profil behawioralny jako czynnik, który organizacje rutynowo pomijają: menedżerowie nastawieni na wyniki mają tendencję do traktowania narzędzia jako szumu, podczas gdy menedżerowie zorientowani na ludzi częściej włączają je do swojego dotychczasowego podejścia.
— Jeśli nie uwzględnisz profilu behawioralnego w swojej strategii wdrażania, projektujesz rozwiązanie dla jednego typu menedżera, a potem zastanawiasz się, dlaczego pozostali nie podążają za zmianą — powiedział.
Dane firmy Happily.ai, która przeanalizowała 633 menedżerów z 60 organizacji, sugerują, że ten wzorzec sięga głębiej niż styl coachingu. Firma ustaliła, że staż pracy miał niemal żaden związek z zaangażowaniem zespołu, co oznacza, że menedżer zatrudniony trzy miesiące temu, który konsekwentnie angażuje się w pracę, osiągnie lepsze wyniki niż weteran z dziesięcioletnim stażem, który tego nie robi.
Najniższy kwartyl menedżerów w ich zbiorze danych nie osiągał stopniowo coraz gorszych wyników. Wyniki zaangażowania ich zespołów wynosiły zero. Wniosek dla migracji do ciągłego przekazywania informacji zwrotnych jest taki, że technologia może być gotowa od pierwszego dnia, ale zróżnicowanie zachowań menedżerów zdecyduje, czy przyniesie wnioski, czy ciszę.
To powiedziawszy, nakład czasu zmienia się, zamiast znikać. Menedżerowie poświęcają mniej czasu na gorączkowe przygotowania do ocen rocznych. Często przywoływanym celem wśród pierwszych użytkowników jest zmniejszenie o 20% całkowitego czasu poświęcanego na administracyjne prace związane z ocenami, przy jednoczesnym rozłożeniu go w ciągu roku na krótsze, bardziej skoncentrowane spotkania coachingowe.
Łączna liczba godzin niekoniecznie się zmniejsza. Godziny te stają się bardziej produktywne.
Trójstopniowe przekazywanie informacji
Jednym z najszybszych sposobów na zniweczenie wdrożenia coachingu wspieranego przez AI jest zatarcie różnicy między wnioskami a nadzorem.
Pracownicy, którzy odkryją, że AI śledzi wzorce ich współpracy, czas reakcji na e-maile lub obecność na spotkaniach bez odpowiedniego kontekstu, uznają system za narzędzie nadzoru. I nie będą się mylić, chyba że organizacja wyznaczyła jasne granice dotyczące tego, co jest śledzone, kto ma dostęp do poszczególnych informacji i kiedy sygnał jest eskalowany poza poziom menedżera.
Organizacje, którym udaje się to osiągnąć, zwykle działają w oparciu o model trójstopniowy.
Poziom menedżera
Pierwszy poziom to poziom menedżera. AI przedstawia menedżerowi bezpośrednio sugestie coachingowe, podsumowania wzorców i rekomendacje rozwojowe. Dane te służą menedżerowi podczas rozmów coachingowych. Nie są automatycznie przekazywane przełożonym.
Poziom HRBP
Gdy dany wzorzec utrzymuje się przez określony czas, na przykład przez 60–90 dni spadku wskaźników efektywności lub powtarzających się sygnałów, na które menedżer nie zareagował, system eskaluje sprawę do HRBP. Eskalacja uruchamia rozmowę między HRBP a menedżerem, a nie analizę danych pracownika przez dział HR bez kontekstu przedstawionego przez menedżera.
Poziom organizacyjny
Zagregowane, zanonimizowane dane przepływają wyżej na potrzeby planowania zatrudnienia. Liderzy widzą trendy w zespołach i działach, wzorce ryzyka odejść oraz przebieg zaangażowania. Nie widzą paneli poszczególnych pracowników.
Przejrzystość jest równie ważna jak architektura. Pracownicy muszą wiedzieć, co jest śledzone, w jaki sposób jest wykorzystywane i co mogą zobaczyć na swój temat. Wdrożenia, które pozwolą uniknąć sprzeciwu, zapewnią pracownikom dostęp do własnych podsumowań generowanych przez AI, tworząc wspólny punkt odniesienia dla rozmów coachingowych zamiast jednostronnego narzędzia monitorującego.
Jednym z powodów problemów z wdrażaniem w różnych branżach jest to, że niepowodzenia we wdrażaniu często wynikają z obaw pracowników dotyczących znaczenia ich pracy, tożsamości i bezpieczeństwa zatrudnienia, a nie z ograniczeń technicznych.
W zarządzaniu efektywnością te obawy są spotęgowane, ponieważ dane przetwarzane przez AI mają osobisty charakter. Sposób, w jaki ktoś funkcjonuje w pracy, współpracuje z innymi i osiąga wyniki. Jeśli pracownicy czują, że dane są wykorzystywane przeciwko nim, a nie dla ich dobra, wdrożenie kończy się niepowodzeniem niezależnie od możliwości technicznych narzędzia.
Pięć sposobów na niepowodzenie i ich rzeczywisty obraz
Badania nad niepowodzeniami projektów AI, w połączeniu z doświadczeniami pierwszych użytkowników w szczególności w zakresie zarządzania efektywnością, wskazują na pięć powtarzających się wzorców załamania. Warto je szczegółowo opisać, ponieważ większość treści dotyczących ciągłego przekazywania informacji zwrotnych sponsorowanych przez dostawców nigdy o nich nie wspomina, a to właśnie w tych obszarach znajduje się rzeczywista wiedza operacyjna.
Problem rozwiązania dołączonego na siłę
Organizacja kupuje narzędzie AI, ale nie rezygnuje z corocznej oceny. Oba systemy działają równolegle. Menedżerowie domyślnie wybierają ten znany.
Platforma AI staje się niewykorzystywanym oprogramowaniem, a gdy nadchodzi czas odnowienia umowy, dane pokazują niski poziom wykorzystania i niejasny zwrot z inwestycji.
Jeśli przechodzisz na ciągły coaching, proces corocznej oceny musi zostać rozmontowany, a nie uzupełniony. Organizacje, które próbują prowadzić oba procesy, za każdym razem obserwują zwycięstwo cyklu rocznego, ponieważ ma on ugruntowaną pozycję instytucjonalną i jest powiązany z decyzjami dotyczącymi wynagrodzeń w sposób, który nie pozwolił jeszcze nowemu systemowi zdobyć zaufania potrzebnego do jego zastąpienia.
Problem nadmiaru sygnałów
AI sygnalizuje wszystko. Menedżerowie otrzymują od 10 do 15 alertów dziennie, nie potrafią odróżnić istotnych sygnałów od szumu i zaczynają całkowicie ignorować system. Przyczyną jest zazwyczaj niewłaściwa konfiguracja progów podczas ustawiania systemu.
Platformę należy dostroić tak, aby menedżerowie widzieli od trzech do pięciu możliwych do podjęcia działań coachingowych tygodniowo, a nie dziennie.
Luka w zaufaniu
Menedżerowie otrzymują wygenerowaną przez AI wskazówkę coachingową i nie wierzą w jej trafność. Być może system oznaczył brak zaangażowania u pracownika, którego menedżer uważa za jednego z najlepszych w zespole.
Zamiast zbadać tę rozbieżność, menedżer odrzuca ocenę AI. Poepsel opisał częsty wariant tej sytuacji: AI wykrywa brak zaangażowania na podstawie sygnałów behawioralnych, takich jak częstotliwość komunikacji czy udział w spotkaniach, ale całkowicie pomija kontekst.
Ktoś milczy, ponieważ wykonuje pracę wymagającą głębokiego skupienia. Albo przechodzi przez coś osobistego — powiedział. — Menedżer, kierując się obowiązkiem, reaguje na ten sygnał, odbywa niezręczną rozmowę kontrolną, a pracownik czuje się obserwowany, a nie wspierany. Ten moment niedopasowania nie tylko szkodzi relacji. Podważa również zaufanie menedżera do narzędzia.
Rozwiązaniem jest przejrzystość dotycząca sposobu, w jaki AI generuje swoje oceny, danych, z których korzysta, oraz znanego wskaźnika błędów. Otwarte informowanie menedżerów o odsetku wyników fałszywie pozytywnych, zamiast promowania dokładności narzędzia, buduje zaufanie o odpowiednim poziomie, które podtrzymuje korzystanie z systemu.
Sprzeciw wobec nadzoru
Ta kwestia została omówiona w sekcji dotyczącej przekazania, ale warto wskazać ją jako odrębny rodzaj niepowodzenia. Może do tego dojść nawet wtedy, gdy organizacja ma dobre intencje i rozsądną architekturę danych, jeśli komunikacja z pracownikami jest niewłaściwa.
Wyzwalaczem jest niemal zawsze odkrycie, a nie ujawnienie informacji: pracownicy dowiadują się, co jest monitorowane, zamiast otrzymać tę informację z wyprzedzeniem.
Problem z jakością danych
AI analizuje niekompletne dane. Połowa menedżerów w organizacji dokumentuje swoje spotkania 1:1. Druga połowa tego nie robi. Informacje zwrotne od współpracowników pojawiają się nieregularnie. Śledzenie celów jest niespójne między zespołami. AI generuje spostrzeżenia o bardzo nierównej jakości, co podważa zaufanie do wyników systemu w całej organizacji.
To problem audytu z pierwszej sekcji, który ujawnia się na dużą skalę, dlatego etap porządkowania danych przed migracją nie podlega negocjacjom.
Podejmowanie decyzji dotyczących wynagrodzeń i awansów bez rocznych ocen
To pytanie niepokoi dyrektorów finansowych i komisje ds. wynagrodzeń, a większość materiałów dotyczących ciągłej informacji zwrotnej go unika. Jeśli zlikwidujesz roczną ocenę, jak będziesz podejmować decyzje dotyczące awansów i wynagrodzeń?
Krótka odpowiedź brzmi: pojedynczy osąd o wysokiej stawce zastępujesz serią udokumentowanych ocen o mniejszej wadze, gromadzonych w czasie.
W zmigrowanym systemie AI prowadzi bieżący rejestr wyników, który łączy rozmowy coachingowe, dane dotyczące realizacji celów, uznanie ze strony współpracowników oraz oceny menedżerów wprowadzane w ciągu całego roku.
Gdy nadchodzi kwartalny lub półroczny moment podjęcia decyzji, menedżer i HRBP dysponują zestawem dowodów szerszym, aktualniejszym i bardziej szczegółowym niż cokolwiek, co mogłaby dostarczyć retrospektywna roczna ocena.
Dłuższa odpowiedź jest taka, że wymaga to gruntownego przeprojektowania procesu kalibracji. Coroczne sesje kalibracyjne, podczas których menedżerowie uzasadniają oceny członków swoich zespołów w odniesieniu do krzywej wymuszonego rozkładu, powstały z myślą o świecie, w którym dane dotyczące wyników są skąpe i subiektywne.
W modelu ciągłym rozmowa kalibracyjna przechodzi od debatowania nad ocenami do analizowania trajektorii. Czy ta osoba rozwija się? Czy zmieniło się tempo jej rozwoju? Gdzie występują rozbieżności między udokumentowanymi wynikami a przedziałem wynagrodzenia?
Poepsel postrzega to jako nierozwiązane napięcie w centrum dyskusji o ciągłej informacji zwrotnej.
Większość organizacji nie zastąpiła rocznej oceny. Dodała do niej ciągłą informację zwrotną. Uruchomiły dwa systemy i nazywają to transformacją — powiedział. — AI powinno wspierać ludzki osąd, ujawniając wzorce, identyfikując trajektorie rozwoju i wskazując niespójności między ocenami menedżerów. Jednak decyzję nadal musi podjąć człowiek. Gdy organizacje udają, że jest inaczej, nie eliminują uprzedzeń. Ukrywają odpowiedzialność.
Często przywoływane badanie Gallupa, zgodnie z którym pracownicy otrzymujący cotygodniową informację zwrotną są 2,7 raza bardziej skłonni do zaangażowania, jest często przedstawiane jako argument za przejściem na ciągłą informację zwrotną. Jednak samo zaangażowanie nie rozwiązuje problemu wynagrodzeń.
Operacyjne pytanie brzmi, czy ciągłe dane rzeczywiście prowadzą do lepszych decyzji dotyczących awansów i wynagrodzeń. Wstępne dowody z organizacji, które przeprowadziły pełną migrację, sugerują, że tak, ale z zastrzeżeniem: jakość danych zależy całkowicie od tego, czy menedżerowie konsekwentnie korzystali z systemu przez cały rok.
W organizacjach o nierównym poziomie adopcji ciągłe dane są w rzeczywistości gorsze niż stary system, ponieważ tworzą iluzję rygoru opartą na niekompletnych danych wejściowych.
Realistyczny harmonogram migracji
Na podstawie opisanych powyżej schematów niepowodzeń oraz doświadczeń organizacji, które przeprowadziły tę migrację, kolejność działań wygląda mniej więcej tak.
Miesiące 1–3 to etap audytu. Zmapuj środowisko danych. Oceń gotowość menedżerów. Udokumentuj obecną strukturę eskalacji i podejmowania decyzji.
Ten etap nie jest efektowny i nie generuje widocznych rezultatów, dlatego bywa pomijany. Organizacje, które go pomijają, zwykle dziewięć miesięcy później ponownie znajdują się w tym samym punkcie, mając po drodze nadszarpniętą wiarygodność i za sobą pierwszy okres odnowienia umowy.
Miesiące 4–6 to przeprojektowanie procesów. W tym czasie przebudowywany jest obieg pracy menedżera. Jak wygląda tygodniowy rytm pracy? Jakie są protokoły przekazywania? Jak będzie przebiegać kalibracja? Kto ma dostęp do jakich danych?
Na te pytania odpowiada się przed wyborem dostawcy, ponieważ odpowiedzi determinują wymagania.
Miesiące 7–9 to pilotaż. Grupa menedżerów realizuje nowy proces za pomocą wybranej platformy. Celem pilotażu nie jest udowodnienie, że system działa, lecz udokumentowanie miejsc, w których zawodzi.
Każdy tryb awarii, każde obejście problemu i każdy punkt niejasności zostają skatalogowane. Wdrożenia, w których pilotaż służy do stworzenia historii sukcesu zamiast katalogu niepowodzeń, optymalizują niewłaściwy rezultat.
Miesiące 10–12 to dostosowanie i szersze wdrożenie. Protokoły są aktualizowane na podstawie tego, co ujawnił pilotaż. Wdrożenie jest rozszerzane, a wobec organizacji formułuje się realistyczne oczekiwania.
Większość wdrożeń osiąga 60–70% docelowego poziomu adopcji do końca pierwszego roku. Pełna dojrzałość, w której system jest głównym mechanizmem zarządzania efektywnością, a nie uzupełnieniem starszych procesów, zajmuje od 18 do 24 miesięcy.
Uczciwa ocena, wynikająca z rozmów z ludźmi, z którymi mam kontakt, jest taka, że większość organizacji osiągnie około 60% wartości oczekiwanej po tej migracji. Nadal warto ją przeprowadzić, jeśli ramy pomiaru są dostosowane do rzeczywistości.
Czas menedżerów poświęcany na administracyjne przeglądy ulega skróceniu. Jakość informacji zwrotnych, mierzona ich szczegółowością i terminowością, wzrasta. Poprawia się jasność pracowników co do ich aktualnej sytuacji. Nic z tego jednak nie wydarzy się w ciągu 90 dni ani nie nastąpi przez dodanie narzędzia do procesu, który nie został zaprojektowany z myślą o jego obsłudze.
John-David Lovelock z Gartnera powiedział na początku tego roku, że AI będzie najczęściej sprzedawana przedsiębiorstwom przez ich dotychczasowego dostawcę oprogramowania, a nie kupowana jako część nowego projektu, ponieważ przewidywalność zwrotu z inwestycji musi się poprawić, zanim organizacje zaczną podejmować ryzyko związane z transformacyjnymi zastosowaniami.
Zarządzanie efektywnością jest sprawdzianem tej tezy. Narzędzie nie jest transformacją. Jest nią przeprojektowanie procesu. Narzędzie sprawia, że przeprojektowany proces można skalować. Organizacje, które wciąż traktują to jako decyzję zakupową, budują na tym samym fundamencie, który doprowadził do powstania systemu, w który prawie nikt nie wierzy.
