A parte difícil começa depois de a IA funcionar

Na semana passada, sentei-me com um grupo de CHROs em Atlanta para falar sobre a expansão da IA em toda a empresa.

Começámos pelo ROI, mas a conversa voltou repetidamente ao trabalho em si: que problemas merecem investimento em IA, o que devem as organizações fazer com a capacidade que este investimento cria e quando é que um número suficiente de tarefas mudou ao ponto de uma função também ter de mudar.

Kia Painter deu-nos o nosso ponto de partida. Começar pelo problema empresarial, compreender o fluxo de trabalho, reformular o processo e só depois decidir onde a IA se enquadra.

Painter reformou-se recentemente da Cox Communications, após 28 anos na empresa, tendo desempenhado mais recentemente o cargo de diretora de pessoas. A sequência é importante porque as organizações têm muitas formas de utilizar a IA. A disciplina mais difícil consiste em decidir quais dessas utilizações merecem tempo, dinheiro e mudança organizacional.

O discernimento na escolha dos casos de utilização pode ser mais importante do que a formação sobre ferramentas

Algumas semanas antes do jantar, fiz uma sondagem informal na nossa newsletter AI Signal, perguntando por que motivo os gestores estavam a pedir mais formação em IA para as suas equipas. O principal motivo: as pessoas não tinham a certeza de quais eram os casos de utilização importantes.

Isso aponta para um problema na forma como muitas empresas abordam a capacitação em IA. Ensinar as pessoas a criar instruções, resumir documentos ou gerar conteúdos aumenta a familiaridade com a tecnologia. Pouco contribui para as ajudar a decidir onde a IA pode melhorar um resultado empresarial significativo.

Angela Cheng-Cimini, diretora de recursos humanos da The Chronicle of Philanthropy, descreveu uma abordagem centrada nos problemas dos colaboradores, em vez das capacidades das ferramentas. Disse que a sua organização planeava recolher junto dos colaboradores os desafios do dia a dia, escolher vários com relevância abrangente e organizar maratonas de inovação curtas para os resolver. Uma colaboradora já tinha adotado essa abordagem, criando um agente para tratar dos pedidos repetitivos de faturas que estavam a inundar uma caixa de entrada do serviço de apoio ao cliente.

Esse é um modelo muito mais útil para a formação em IA, porque liga a aprendizagem ao trabalho que as pessoas já conhecem. A capacidade que as empresas precisam de desenvolver é o discernimento na escolha dos casos de utilização: consegue um gestor analisar um fluxo de trabalho, identificar onde se está a perder tempo ou qualidade e reconhecer onde a IA poderia fazer a diferença?

Esse discernimento também aumenta as probabilidades de produzir ROI. Uma implementação tecnicamente bem-sucedida, mas orientada para um problema de baixo valor, continua a ser um mau investimento.

A capacidade disponível obriga a tomar decisões sobre o trabalho

A questão seguinte é saber o que fazer quando o caso de utilização é bem-sucedido.

A IA pode eliminar trabalho administrativo, reduzir os tempos de ciclo e dar às pessoas uma capacidade que antes não tinham. Os líderes têm então de decidir para que serve essa capacidade.

À volta da mesa, isso conduziu a uma discussão sobre  a compressão de funções e funções mais abrangentes. Kesi Dorner, AGM de Recursos Humanos da Metro Atlanta Regional Transit Authority (MARTA), falou sobre a combinação de trabalho que atualmente está distribuído por funções especializadas de RH em funções de parceiros de negócio mais abrangentes.

A minha pergunta sobre quando é que uma função mudou o suficiente para dever ser totalmente reformulada ficou sem resposta.

É nessas escolhas que as horas poupadas se transformam numa decisão operacional. Uma empresa pode utilizar a capacidade para aumentar a produção, melhorar o serviço, reduzir futuras contratações, alargar responsabilidades ou abordar trabalho que tinha ficado de fora. Cada escolha produz um tipo de valor diferente.

Isso também altera aquilo pelo qual o colaborador é responsável.

Isso tornou-se ainda mais claro quando a discussão passou para o número de colaboradores. Painter descreveu conversas com o seu CFO sobre a possibilidade de a IA reduzir os custos laborais. A sua resposta foi voltar ao trabalho. 

A sua conclusão foi que a IA tem de ser analisada através do modelo operacional e da conceção do trabalho antes de os líderes começarem a fazer suposições sobre a força de trabalho.

Esse é um papel valioso para os RH, porque a IA altera frequentemente os empregos de forma incremental. Quando uma tarefa desaparece, outra torna-se mais rápida. O trabalho rotineiro pode diminuir, mas o trabalho restante exige mais discernimento. Podem então surgir novas responsabilidades para ocupar o espaço criado.

A certa altura, as mudanças acumuladas dão origem a um emprego diferente.

Os RH devem estar atentos a esse limiar. As descrições de funções, os requisitos de competências, a remuneração, os percursos de carreira e as expectativas de desempenho dependem de uma compreensão precisa daquilo que a função agora exige. Se os líderes continuarem a acrescentar IA às funções existentes sem rever esses fundamentos, os colaboradores podem acabar por desempenhar um trabalho diferente sob uma estrutura de função antiga.

A mesma questão aplica-se às expectativas de desempenho das equipas. Se uma equipa se tornar mais produtiva com a IA, os líderes irão naturalmente perguntar se o novo nível de produção deve passar a ser o padrão. 

Essa decisão exige mais do que provas de que a tecnologia funcionou. Exige confiança de que o ganho é sustentável, de que os colaboradores têm acesso comparável às ferramentas e de que o trabalho é suficientemente semelhante para aplicar a mesma expectativa em toda a organização.

Expandir para além do projeto-piloto

É aqui que um projeto-piloto bem-sucedido se transforma num desafio empresarial.

Um caso de utilização pode funcionar bem numa equipa porque o fluxo de trabalho é estruturado, os dados são de qualidade, o gestor compreende a tecnologia ou os colaboradores tiveram tempo para experimentar. Outra área funcional pode não ter nenhuma dessas vantagens.

Painter descreveu o trabalho realizado com a responsável de IA da sua organização para elaborar um roteiro do estado futuro que ligava as decisões tecnológicas ao futuro modelo operacional.

A empresa criou também um conselho de IA multifuncional que envolvia os RH, a tecnologia, as finanças e o departamento jurídico. O objetivo era coordenar o investimento e a governação em torno das prioridades empresariais, em vez de permitir que cada área funcional criasse o seu próprio conjunto de ferramentas e projetos.

Esta é uma parte essencial da expansão, porque não se pode simplesmente copiar aquilo que funcionou noutro lugar. Os líderes precisam de identificar que partes de uma abordagem bem-sucedida podem ser normalizadas e quais dependem do trabalho, da força de trabalho ou do perfil de risco de uma determinada área funcional.

Isso também deve moderar as suposições gerais sobre produtividade. Um projeto-piloto sólido pode fornecer provas sobre um caso de utilização. Não fornece automaticamente provas sobre toda uma força de trabalho.

O acesso às ferramentas faz parte da equação do desempenho

A expansão também cria um problema de equidade.

Os participantes descreveram organizações onde os colaboradores têm acesso a diferentes ferramentas de IA, consoante a área funcional, o orçamento ou a política. Alguns colaboradores complementam o que o empregador disponibiliza com ferramentas pagas que utilizam em casa ou em dispositivos pessoais. Outros não têm essa possibilidade.

Quando a IA afeta a quantidade ou a qualidade do trabalho que alguém consegue produzir, essas diferenças são relevantes para a gestão do desempenho.

Kara Miller, antiga vice-presidente de talento, aprendizagem e transformação da força de trabalho na Visa, levantou outra questão: se dois colaboradores forem avaliados segundo o mesmo padrão de produção, mas um tiver acesso a uma ferramenta mais capaz, em que medida a diferença de desempenho resulta da capacidade individual e em que medida resulta do ambiente que a organização criou à sua volta?

A mesma questão pode afetar o desenvolvimento e a mobilidade profissional se algumas funções proporcionarem aos colaboradores muito mais oportunidades de desenvolver competências de IA do que outras.

As empresas não precisam de ferramentas idênticas para todos os colaboradores, concordou o grupo. Precisam, no entanto, de compreender quando o acesso desigual começa a afetar os padrões que utilizam para avaliar as pessoas.

Uma melhor medida da maturidade da IA

Já perto do final da noite, perguntei o que teria de mudar no próximo ano para que os líderes se sentissem confiantes de que as suas organizações tinham descoberto como expandir a IA.

As respostas centraram-se numa melhor capacidade de discernimento em toda a organização: executivos capazes de discutir a tecnologia com alguma fluência, colaboradores que compreendessem a utilização responsável, gestores capazes de identificar aplicações de valor e decisões mais claras sobre o acesso.

Isso proporciona aos líderes de RH uma forma útil de pensar na próxima fase da adoção da IA.

Se pretende obter mais valor da IA, terá de se tornar melhor a escolher os problemas certos a resolver, a reformular o trabalho quando esses problemas forem resolvidos e a decidir quais os ganhos que podem ser reproduzidos noutros contextos. 

Os RH também terão de ser mais deliberados quanto ao significado da nova capacidade para as funções e as expectativas de desempenho.