AI gör beslut om människor sämre – här är varför

David Rice: Du använder AI för att fatta beslut om rekrytering, prestationsbedömningar, teamsammansättningar och andra viktiga beslut om människor som påverkar karriärer, kultur och resultat i verksamheten. I många fall har vi ingen aning om vilket sammanhang vi faktiskt matar in. Det är som att be en vän om råd om din chef och få svaret: "Jag känner egentligen inte din chef, så hur ska jag kunna ge dig bra råd?" Du måste berätta mer. Men i många fall berättar vi inte mer för AI, utan hoppas bara att den ska förstå.

Dagens gäst är Matt Poepsel från The Predictive Index, och hans session vid den senaste Transform-konferensen i Las Vegas hette Smarta verktyg, dumma beslut om människor. För det här är vad som händer: AI kan undersöka och skriva på några minuter sådant som tidigare tog två veckor, så vi pressar ihop våra förväntningar. Vi arbetar snabbare, men använder fortfarande en gammal mental modell med nya verktyg. Och de som tidigt använder AI intensivt är de som är mest utbrända. Något annat att tänka på är att den viktigaste och farligaste arbetsformen är teambaserat arbete.

Människor med olika personlighetstyper krockar med varandra som radiobilar. Lägg till konkurrerande mål, vilket komplexa strategier ofta nödvändigtvis innehåller, så har du ett recept på katastrof. Men chefer vet inte att de ska efterfråga beteendedata. Vi utbildar dem inte på det sättet. Vi lär ut strategi, teknik och verksamhetsdrift, men inte hur man får människodelen att fungera.

Och nu lägger vi till agenter i mixen. Dina agenter kontaktar mina agenter, AI skapar sammanfattningar som min AI bearbetar. Vi skapar ett verkligt avstånd mellan oss samtidigt som vi tror att vi är produktiva. Det är arbetsfluff – ett försök att hålla jämna steg med gårdagens definition av produktivitet i stället för att utvecklas mot vad värde faktiskt innebär.

I dagens program ska vi därför gå igenom varför AI behöver beteendemässigt sammanhang, inte bara arbetsbeskrivningar och färdigheter; principen att mäta två gånger och såga en gång för beslut om människor där mycket står på spel, eftersom varje beslut om människor numera innebär höga insatser; varför färdigheter är kortlivade medan beteendemässiga egenskaper är stabila; hur man för in beteendeinsikter tidigare i rekryteringsprocessen; varför chefer inte vet hur de ska efterfråga rätt data och vad HR behöver göra åt det; och slutligen skillnaden mellan AI som påskyndar teamdynamik och AI som förstör förtroende.

Jag heter David Rice. Det här är People Managing People. Om du har använt AI för beslut om människor utan att förstå vilket sammanhang som faktiskt är viktigt, hoppas jag att det här samtalet visar exakt vad du saknar. Det här är ett personligt samtal mellan mig och Matt på mässgolvet under Transform. Varsågoda – över till mig och Matt.

Jag är här med Matt Poepsel från The Predictive Index. Välkommen, Matt. Det är trevligt att prata med dig här på Transform.

Matt Poepsel: Tack så mycket. Tack för att jag fick vara med.

David Rice: Jag tyckte verkligen om din session i går. Titeln var Smarta verktyg, dumma beslut om människor.

Matt Poepsel: Ja, precis.

David Rice: Låt oss börja där. I många fall antyder du att AI ger en rekommendation och att en människa godkänner den. Var finns den största risken? Är det att vi förlitar oss för mycket på den, eller att vi i många fall faktiskt inte vet vad vi matar in?

Matt Poepsel: Ja, det stämmer. Jag tror definitivt att det kommer att finnas en överdriven tillit till AI i början, men jag tycker inte att det i sig är något dåligt att använda AI-verktyg.

Vi måste förstå att AI bara har det sammanhang som vi ger den och som den sedan kan återge.

David Rice: Just det.

Matt Poepsel: Det vore som om jag frågade en vän: "Kan du ge mig råd om hur jag ska arbeta med min chef?" Då skulle vännen säga: "Jag känner egentligen inte din chef, så hur ska jag kunna ge dig bra råd? Du måste berätta mer." Jag tycker att det är det som ofta händer med de här AI-verktygen.

David Rice: Ja. Och en annan sak är att data om människor är ökänd för att innehålla många problem. Hur trygga tror du att människor är med det de matar in?

Matt Poepsel: Inte trygga alls. Vi befinner oss fortfarande i AI:s tidiga dagar, och mycket är till en början experimentellt: "Hur kan du hjälpa mig? Jag undrar vad jag får tillbaka." Med tiden blir människor mer bekväma med tekniken, vilket är bra, och börjar be den om mer avancerade saker.

Det började med: "Hjälp mig att formulera det här mejlet." Nu har det blivit: "Hjälp mig att skapa en presentation för mitt team om de senaste försäljningssiffrorna." Men det som ofta förbises är att vi kanske inte känner till teamets beteendestilar eller kommunikationspreferenser. Får vi då verkligen de bästa råden från AI när den hjälper oss att skapa presentationen? Det är det som oroar mig.

David Rice: Jag har varit på några konferenser nyligen och det pratas mycket om styrning, särskilt när vi går in i agenternas era. Hur väl tycker du att människor definierar vem som äger ett beslut?

Matt Poepsel: Det beslutet kastas runt som en fotboll. Det hamnar i ett slags mellanläge. Det är inte enbart juridik, IT eller HR. Ofta får HR uppgiften att driva frågan om acceptabel och lämplig användning av AI, vilket är rimligt.

I slutändan handlar det om att människor potentiellt kan hamna i skottlinjen. Om en medarbetare får något från sin chef som upplevs stötande kan det förstöra mycket förtroende. Därför finns det en hög kostnad för människor, och HR har en viktig roll. Men frågan betraktas ibland alltför transaktionellt. Om vi bara närmar oss den ur ett regelefterlevnadsperspektiv missar vi att AI också kan hjälpa oss att förbättra teamdynamik och driva verksamheten på nya sätt.

David Rice: Du nämner teamdynamik. AI är inte fullt kapabel att förstå det eller hur arbete faktiskt blir gjort. Hur strukturerar man sammanhanget man ger AI och skapar strukturerad input så att den kan fungera bra?

Matt Poepsel: Jag säger ofta att den viktigaste och farligaste arbetsformen är teambaserat arbete. Om man tänker på allt som händer i ett företag är det ganska osannolikt att en enda person gör det helt själv. Det är team, eller team av team, som får program, initiativ och förändringar i affärsmodellen att fungera.

Därför måste vi få teambaserat arbete att fungera. Det börjar med att förstå beteendemässiga skillnader och teamets strategiska krav. När människor med väldigt olika personlighetstyper sätts ihop kan de krocka som radiobilar. Om man dessutom lägger till konkurrerande mål blir resultatet lätt en mycket dålig teamdynamik.

Vi måste förstå all data om vilket arbete som ska göras och vem som ska göra det. Det är ett rikt sammanhang som en erfaren människa kan använda för att förstå varför ett team tappar fart eller upplever friktion. Frågan är hur vi också får AI-verktyg att hjälpa oss med detta.

David Rice: Det är intressant, eftersom teamdynamik och teamwork nästan är hotade samtidigt som alla ska bli entreprenörer och chefer för agenter. Om jag inte förstår hur jag får människor att samarbeta, hur ska jag då få agenter att samarbeta korrekt?

Matt Poepsel: Precis. Din agent kontaktar min agent. Plötsligt skapas mycket av dagens arbetsfluff eftersom människor försöker hålla jämna steg med gårdagens definition av produktivitet, i stället för att utvecklas mot vad värde faktiskt innebär.

Människor känner att de ligger efter. Om en agent kan automatisera delar av arbetet tänker man att man kan göra mycket mer. Men är det rätt sorts arbete? Om du har ett team av agenter som hjälper dig med din del och jag har ett team som hjälper mig med min, kan AI bara skapa sammanfattningar som min AI bearbetar? Då skapar vi ett verkligt avstånd mellan oss. Det måste vi vara mycket försiktiga med.

David Rice: Vi är alla pressade att arbeta snabbare och det betraktas som en konkurrensfördel. Incitamentet är att lita på resultatet och gå vidare. Hur minskar vi den här pressen?

Matt Poepsel: Tidsbegränsningar och tidspress ökar. Om en undersökning med text tidigare tog två veckor kan AI nu göra den på några minuter. Då känns det rimligt att också förkorta förväntningarna. Men när det gäller att lita på resultatet krävs fortfarande faktagranskning och bra instruktioner. Det kommer inte gratis.

Vi måste inse att vår uppskattning av hur lång tid en uppgift tar kan vara konstgjord. Frågan är om resultatet fortfarande håller hög kvalitet eller om det ser ut som om AI skapade det i ett vakuum. Det hjälper ingen.

Forskningen visar samtidigt att de tidigaste och mest intensiva AI-användarna faktiskt är mest utbrända. De arbetar fortfarande utifrån en gammal mental modell trots att de använder nya verktyg. AI skapar absolut värde, men om vår användning skapar avstånd till kollegor eller tömmer våra egna resurser visar det hur mycket mer vi behöver förstå tekniken.

David Rice: AI skapar snabbhet, men vid beslut om människor tjänar vi ofta på att vara lite långsammare, mer avsiktliga och mer reflekterande. Hur behåller man kvaliteten utan att offra den snabbhet man vill uppnå?

Matt Poepsel: Det korta svaret är: inte särskilt bra. Vi befinner oss tidigt i inlärningskurvan, men det finns ett stort tryck att röra sig för snabbt. Då förvärrar vi situationen. Om vi inte möter människors behov och de tappar förtroendet kan det ta mycket längre tid än om vi hade lagt lite mer tid från början.

Det finns ett gammalt ordspråk inom snickeri: "Mät två gånger, såga en gång." Det finns en god anledning till det. Det är snabbare och mer kostnadseffektivt. Vi behöver använda samma angreppssätt vid beslut om människor där mycket står på spel. Och i dagens klimat är varje beslut om människor ett beslut med höga insatser. Vi behöver inte sakta ner, men vi måste vara eftertänksamma så att vi kan arbeta så snabbt som vi vill.

David Rice: Jag tittar mycket på rekrytering. Kvaliteten på den data vi får in borde kanske vara bättre. Vi behöver sakta ner lite och kontrollera att vi har rätt information. Ibland vet vi inte ens vilka färdigheter vi söker. Hur ska vi då skriva en arbetsbeskrivning för att hitta rätt person?

Matt Poepsel: Vi kopierar ofta gamla formuleringar från tidigare år och sökresultat, kör dem genom AI och får tillbaka ungefär samma sak. Dessutom har kandidaterna också tillgång till AI. Alla kan därför se fantastiska ut. Man undrar hur alla plötsligt kan vara perfekta kandidater.

Vi hjälper kunder att föra in beteendeinsikter tidigare i processen. När man skriver arbetsbeskrivningen ska man inte bara fokusera på färdigheter och uppgifter, utan också på rollens beteendemässiga krav. Då blir det tydligare vad man faktiskt söker.

Under intervjun bör kandidaten också få tala konkret om dessa beteenden. När man frågar: "Berätta om ett tillfälle då..." är det svårare att i realtid, utan tillgång till AI, hitta på en övertygande berättelse om när man gjorde just det på just det sättet.

Färdigheter förändras snabbt och är möjliga att lära sig. Personlighetsrelaterade beteenden är däremot inte något man enkelt lär sig. Man är den man är, och det är vackert. Vi måste bara se till att vi anställer människor för rätt typ av passform.

David Rice: För två år sedan trodde alla att instruktionsteknik skulle bli enormt viktigt, och nu pratar jag bara med AI.

Matt Poepsel: Ja, vi improviserar oss fram. Färdigheter kommer att förändras och vara kortlivade. Däremot kommer mellanmänskliga färdigheter, berättande, kreativt tänkande och förmågan att samspela med olika grupper aldrig att bli omoderna. Det är inte mjuka färdigheter, utan nödvändiga färdigheter när tekniken kan utföra så mycket av det mekaniska arbetet.

David Rice: Vi tenderar att tro att mer data automatiskt leder till bättre beslut. Men sammanhanget är avgörande. Är det ens rätt data vi tittar på för det beslut vi ska fatta?

Matt Poepsel: Jag känner inga chefer som säger att de önskar att de hade mer data. Vi har mängder av data. Den viktiga frågan är om det är rätt data. När chefer ska få grupper att arbeta tillsammans mot ett gemensamt mål är det den centrala uppgiften. HR stödjer detta genom utbildning, verktyg och vägledning.

Vi kan ha mer och mer data, men är det rätt data för ett beslut som tar hänsyn till sammanhanget? Kan vi sedan anpassa resultatet? Om du leder mig behöver du kanske agera annorlunda än om du leder någon med en helt annan personlighet.

För ledaren innebär det att översätta sin stil och vara medveten om både sig själv och andra. Det är svårt, kanske omöjligt, utan data och verktyg – om man inte har fått omfattande utbildning, vilket chefer sällan får i dag. Därför behöver vi verktyg som är kontextuella, genomtänkta och beteendedrivna, så att vi kan få människodelen att fungera i stor skala.

David Rice: Hur ser ett mer kontextdrivet system ut? Många organisationer matar AI med arbetsbeskrivningar och kanske utvecklingsplaner. Vad behöver finnas där för att stödja ledarskapsbeslut?

Matt Poepsel: Jag skulle vilja arbeta utifrån och in. Börja på högsta nivå: Vilken är företagets kultur? Vilka är de kulturella värderingarna? Vad försöker verksamheten uppnå?

Därefter kan man titta på framtidens färdigheter och vilka förmågor organisationen behöver. Sedan går man ner på teamnivå: Vad arbetar teamet med? Vilken beteendemässig sammansättning har teammedlemmarna? Är vi lika eller olika? Vilken historik har våra interaktioner?

På The Predictive Index har vi mycket data att utgå från, vilket ger ett stort sammanhang. Det hjälper oss att förstå miljön där viktiga interaktioner mellan människor sker och ökar möjligheten att göra rätt.

David Rice: Du arbetar med många olika organisationer och ser vanliga misstag som ledare gör. Underskattar de utmaningen? Känner de sig säkra på att de kan få fram rätt data?

Matt Poepsel: Ofta vet de inte hur de ska ställa frågan. Därför är samarbetet med HR så viktigt. Jag känner inte många outbildade chefer som går till HR och säger: "Jag behöver mer beteendedata om mina medarbetare." De vet inte ens att de ska fråga efter den.

Vi utbildar dem inte på det sättet i våra handelshögskolor. Vi lär ut strategi, teknik och verksamhetsdrift, men inte hur man får människodelen att fungera. Det är ett stort steg att förvänta sig att en chef själv ska förstå att han eller hon behöver data om människor.

Nästa utmaning är att använda informationen i det sammanhang man försöker uppnå något i. Mycket översättning måste ske. Den goda nyheten är att verktygen finns tillgängliga. Man kan utveckla självinsikt, förståelse för andra och en hel teamdynamik med hjälp av verktyg som snabbt gör processen tydligare. Men man måste använda dem.

David Rice: Det har varit trevligt att ha dig med i programmet. Vad ser du mest fram emot den här veckan?

Matt Poepsel: Jag vill förstå hur de HR-personer jag träffar upplever sin roll i den här omställningen. Det varierar mycket. Vissa HR-specialister ligger långt efter och deras organisation behandlar dem rent transaktionellt. Andra ligger längst fram och driver verksamheten mot vad som är möjligt.

De flesta befinner sig någonstans däremellan. Jag vill lära mig mer om deras erfarenheter och hur jag kan hjälpa dem att stärka HR-funktionen. Jag brukar säga att varje verksamhet är en människoverksamhet. Därför måste vi lyfta våra HR-specialister och bygga in dem i de verktyg vi använder varje dag. På så sätt får man ut det bästa HR kan erbjuda i stor skala. Det är det som verkligen entusiasmerar mig med arbetet på The Predictive Index.

David Rice: Matt, tack för att du var med i dag. Det var fantastiskt att ha dig här.

Matt Poepsel: Tack för att jag fick vara med. Det har varit en fantastisk konferens och ett fantastiskt samtal.

David Rice: Då avslutar vi det här avsnittet. Vi hörs i nästa.

Och som alltid: om du inte redan har gjort det, se till att prenumerera på nyhetsbrevet och följa oss på YouTube och i alla sociala medier, så får du allt direkt i ditt flöde.