Så använder du AI för att stärka dina medarbetare och förändra din organisation

Läs transkriptionen:

Vi testar att transkribera våra poddar med hjälp av ett datorprogram. Ha överseende med eventuella stavfel eftersom boten inte har rätt 100 % av gångerna.

Becca Banyard: Visste du att nästan 50 % av de främsta talangerna lämnar organisationer inom två år? Och vad värre är? Vissa uppgifter tyder på att många av dem skulle välja att stanna om de fick rätt möjligheter till lärande och utveckling.

Välkommen till podden People Managing People. Vårt uppdrag är att skapa en bättre arbetsvärld och hjälpa dig att skapa lyckliga, hälsosamma och produktiva arbetsplatser. Jag heter Becca Banyard och är din värd.

I dagens avsnitt diskuterar vi hur artificiell intelligens används för att skapa bättre och lyckligare arbetsplatser. Du får lära dig om några nya och spännande sätt som AI kan hjälpa dig att minska personalomsättningen, undvika uppsägningar och ge dina medarbetare möjlighet att utvecklas i sina karriärer och bygga upp sina färdigheter.

Min gäst i dag är Alexandra Levit. Hon är grundare och vd för Inspiration at Work. Hon är en internationellt bästsäljande författare, kolumnist på The Wall Street Journal och framtidsanalytiker inom arbetslivet.

Alexandra, välkommen till programmet. Det är så roligt att ha dig här i dag. Vi ska fördjupa oss i ett mycket relevant ämne, nämligen artificiell intelligens på arbetsplatsen.

Men innan vi börjar, vill du berätta lite för våra lyssnare om vem du är och vad du gör på Inspiration at Work?

Alexandra Levit: Absolut. Det är roligt att vara här. Jag heter Alexandra Levit. Jag är författare, talare, konsult och framtidsanalytiker inom affärsliv och arbetsliv. Framtidsanalytiker är ett ord som vissa kan tycka känns lite skrämmande, men egentligen betyder det bara en person som tittar på trender och signaler som växer fram på marknaden, i samhället och inom näringslivet, och försöker göra en välgrundad bedömning av vad som har störst potential att orsaka förändringar.

På Inspiration at Work, som är min organisation, tittar vi specifikt på arbetskraften. Vi brukar blicka två till fem år framåt, ibland till och med tio år, och försöker avgöra hur arbetskraften kommer att se ut. Vi hjälper organisationer och deras medarbetare att förbereda sig för det som kommer härnäst när det gäller framtidens arbetsliv.

Vi gör många olika saker. Vi arbetar med rådgivning och skrivande. Egentligen gör vi allt vi kan för att hjälpa till. Vi gör inga förutsägelser och har ingen kristallkula, utan tittar på världen omkring oss och baserar våra prognoser på det som har hänt tidigare, det vi ser hända omkring oss och försöker göra så gott vi kan för att vara förberedda på det som kommer härnäst.

Becca Banyard: Fantastiskt. Det låter så intressant. Om vi hade haft mer tid i dag hade jag gärna hört vad du förutspår. Fast du sa väl att du inte förutspår, utan vad du trodde om pandemin och den stora uppsägningen och allt sådant. Men det får bli ett samtal en annan gång.

När det gäller AI kan begreppet artificiell intelligens betyda väldigt många saker. För att börja på rätt sätt vill jag fråga vad du menar när du använder termen AI. Jag vet att det kan handla om robotar, chattbotar, automatiseringar och en mängd andra saker. Vad tänker du på när du säger AI i det här sammanhanget, och vilka typer av AI-verktyg tänker du på?

Alexandra Levit: Det är en bra fråga. När vi har ett sådant här samtal måste vi verkligen klargöra vad vi menar med AI. AI betyder egentligen användningen av en datorplattform för att efterlikna den typ av intelligens som människor använder. När vi talar om artificiell intelligens i samband med boken Deep Talent talar vi specifikt om olika former av talangintelligens som använder djupinlärning.

Djupinlärning innebär att man använder en AI-baserad algoritm för att bedöma något som kallas färdighetsnärhet. Om du är bra på färdighet A är det sannolikt att du också är bra på färdighet B. Om du till exempel är bra på algebra kan en AI-baserad algoritm titta på ett mycket stort spann av interna eller externa data från världen och identifiera olika mönster. Den kan säga att eftersom du är bra på algebra är det sannolikt att du också är bra på kalkyl.

Anledningen till att det är så kraftfullt är att vi människor inte nödvändigtvis kan dra sådana slutsatser direkt. Men artificiell intelligens kan göra det. Den kan ta data från alla källor i världen som finns till hands och säga att eftersom du är bra på färdighet A kanske du också är bra på färdighet B. Det är en form av artificiell intelligens som kallas djupinlärning och används för att dra sådana slutsatser.

Det är faktiskt väldigt spännande. Men du har rätt i att artificiell intelligens kan omfatta ett mycket brett spektrum av olika tekniker. När det gäller det specifika ämnet, boken Deep Talent som vi ska prata om, handlar det om att använda naturlig språkbehandling och djupinlärning för en mycket specifik typ av uppgifter som innebär att arbeta med färdigheter.

Becca Banyard: Det är verkligen häftigt. Det är fantastiskt vilka tider vi lever i.

Alexandra Levit: Visst är det?

Becca Banyard: Allt som är möjligt med datorer, teknik och allt annat. Det är verkligen häftigt. Du nämnde Deep Talent nyss, och det är en bok som du nyligen har gett ut. Den fullständiga titeln är Deep Talent: Så förändrar du din organisation och stärker dina medarbetare genom AI.

Min nästa fråga är: Hur kan artificiell intelligens göra arbetet mer meningsfullt för människor? Och vilka konkreta exempel finns det på det?

Alexandra Levit: Det är en mycket bra fråga. Jag tror att anledningen till att vi valde att skriva boken är att vi befinner oss vid en unik samhällelig och teknisk brytpunkt.

Efter pandemin är vi redo att ge medarbetare möjlighet att göra karriärer som känns meningsfulla för dem och att välja vad de vill göra inom organisationen, i stället för att alltid få veta vad de ska göra härnäst. Samtidigt ser vi företagsledare säga att rekrytering och utveckling av talanger är deras största utmaningar.

Vi ser talangbrist, långa rekryteringstider och högre personalomsättning. Under perioden efter pandemin har det dessutom varit svårt att hantera medarbetarnas förväntningar. Medarbetare säger att de vill arbeta i en mycket specifik typ av miljö. De accepterar inte arbetsmiljöer som inte passar det sätt de vill arbeta på.

Vi ser alltså att prioriteringarna håller på att förändras. För att vara ärlig finns det en del friktion just nu. När vi tittar på data ser vi att nästan 50 % av de främsta talangerna lämnar en organisation inom två år. Men när vi ser på den andra sidan av saken ser vi att de flesta gärna skulle stanna i en organisation om de fick rätt möjligheter till lärande och utveckling.

Tyvärr händer det ofta inte. När arbetsstyrkan växer och organisationerna blir större tappar de faktiskt koll på vad deras medarbetare kan göra. De vet inte vilka färdigheter medarbetarna har samlat på sig i ett visst arbete. De vet inte vilka färdigheter medarbetarna är redo att utveckla härnäst.

De vet inte hur vissa färdigheter kan användas för att utveckla enskilda karriärer. Det AI gör, och det knyter an till det vi pratade om tidigare, är att tekniken lovar att kunna berätta vad medarbetarna kan göra härnäst. Jobben finns, människorna finns, och därför handlar det om att hitta rätt matchning mellan de personer som har talang och lojalitet till organisationen och de viktiga jobb som behöver tillsättas.

AI kan hjälpa oss att göra det. Det som är särskilt spännande är att detta faktiskt går att göra redan i dag. Jag har flera konkreta exempel om du vill att jag ska berätta, men det används inom offentliga verksamheter. Det här är ett av mina absoluta favorite exempel, eftersom vi vanligtvis talar om mycket innovativa teknikföretag som leder utvecklingen när det gäller nya och heta tekniker.

En sak jag är särskilt stolt över när det gäller hur tekniken används, åtminstone här i USA, är att några av de mest innovativa tillämpningarna faktiskt görs av delstatsregeringar.

När vi tänker på delstatsregeringar brukar vi ofta tro att de ligger efter och inte riktigt håller måttet när det gäller att arbeta på ett banbrytande sätt. Men delstaterna New York och Indiana, bland andra, leder verkligen utvecklingen genom att matcha arbetslösa personers färdigheter med de jobb som finns tillgängliga i delstaten. På så sätt behåller de talangerna i delstaten och sänker samtidigt arbetslösheten. Man löser alltså två problem med en enda åtgärd. Jag vet att svaret innehöll många klichéer, och det ber jag om ursäkt för.

Om jag hade använt AI hade jag kanske inte behövt använda så många klichéer i svaret. Men det jag försöker säga är att jag är otroligt stolt över dessa tillämpningar. Jag hade inget med dem att göra, men det är fantastiskt när delstatsregeringar vågar satsa på teknik och säga: Vi har ett mål. Vi har många arbetslösa i vår delstat och organisationer som är redo att anställa dem. Om vi kan använda tekniken för att lösa båda problemen samtidigt, varför inte försöka? Det gjorde de, och därför kunde de lösa båda problemen.

Jag sitter här i dag och använder dem som fallstudier eftersom de gjorde detta. Det underbara med offentliga verksamheter är att de kan hjälpa många människor på en gång. När man gör saker genom en offentlig verksamhet kan man skala upp hjälpen och skapa förändring i mycket större omfattning än om man till exempel hade börjat i ett litet företag.

Becca Banyard: Wow. Så bra. Det finns så många intressanta saker där. Jag undrar: Du nämnde hur myndigheter hjälpte människor att få jobb och komma i arbete. Men hur kan AI användas i organisationer där de främsta talangerna lämnar efter två år, eller där medarbetare lämnar för att de inte fick det stöd för lärande och utveckling som de behövde?

Hur kan AI användas i sådana situationer för att behålla medarbetarna?

Alexandra Levit: Det är också en mycket bra fråga. En viktig del är att använda kunskapen om färdighetsnärhet för att regelbundet kartlägga arbetsstyrkan. Då får man en mycket bredare förståelse för vilka färdigheter medarbetarna har och vilka färdigheter organisationen behöver, inte bara nu utan även inom den närmaste framtiden och på längre sikt.

Vi brukar inte blicka alltför långt fram. Precis som framtidsanalytiker inte brukar göra det. När man planerar färdigheter för framtiden måste man vara relativt kortsiktig eftersom vi inte riktigt vet vad som händer. Det kan finnas färdigheter som vi inte ens har hört talas om men som kommer att behövas om tio eller femton år.

Men jag tror att AI verkligen kan hjälpa till att utveckla färdighetsprofiler för olika roller. Med en plattform för talangintelligens kan man göra det och arbeta med sin arbetsstyrkeplanering. Genom att förstå vilka färdigheter organisationen kommer att behöva och samtidigt förstå vad personerna i arbetsstyrkan kan göra härnäst kan man planera bättre.

Man kan faktiskt också förutse vad de kommer att göra härnäst genom att analysera data från miljarder karriärprofiler runt om i världen. Då kan man mycket exakt säga att de flesta som har den här typen av jobb sannolikt vill ha den här typen av jobb härnäst. I framtiden kan man börja utbilda dem proaktivt så att de kan röra sig inom organisationen.

Det ligger i organisationens intresse att ha en så bred färdighetsbas som möjligt, eftersom vi aldrig vet när nästa störning kommer. De smartaste företagen under pandemin sade inte upp människor, utan omplacerade dem.

Vi såg det överallt. Organisationer kunde plötsligt ha en avdelning som gick mycket långsamt eftersom den inte användes under pandemin. I stället för att förlora en mycket bra person eller grupp omplacerade de dem till en annan funktion.

När den funktionen sedan tog fart igen kunde de flytta tillbaka dem. Det är det smarta sättet att driva företag i dag: att inte säga upp duktiga människor och sedan behöva försöka få tillbaka dem senare. Flygbolagen har redan upplevt detta. De sade upp mängder av människor under pandemin och har nu en enorm arbetskraftsbrist.

Det hade varit bättre om de hade haft en bredare färdighetsbas så att de kunde behålla personerna, placera dem i andra områden och sedan behålla dem. Då hade de inte haft någon arbetskraftsbrist nu. Om man använder talangintelligens för att flytta människor mellan olika uppgifter men behåller dem löser man dessutom problemet med att människor lämnar efter två år eftersom de inte har tillräckliga möjligheter.

Om du vidareutbildar dem, utvecklar deras färdigheter och ger dem fler möjligheter kommer de sannolikt att stanna längre i organisationen. Alla blir nöjdare. Men det hjälper att veta vad de kan göra. Och det här är information för alla, inte bara för ledarna.

Det gäller ledarna, HR och individerna själva. Ofta är det ny information även för personen själv. De kan säga: Jag hade ingen aning om att jag kanske också är bra på kalkyl bara för att jag är bra på algebra. Det kan vara mycket stärkande för en person att upptäcka att den kan göra saker som den aldrig fått möjlighet att lära sig.

Det ger människor en känsla av självförmåga och självförtroende, särskilt personer som kanske inte har haft samma utbildningsnivå och som har underskattat sig själva.

Vi såg mycket av detta i de amerikanska delstatsregeringarna, till exempel bland personer som arbetade i närbutiker och trodde att det var deras framtid för resten av livet. De insåg att de hade lärt sig många färdigheter genom arbetet i närbutiken, färdigheter som kunde användas på andra håll. Då kunde de upptäcka att de faktiskt kunde arbeta på ett sjukhus. Det var verkligen häftigt.

Det är också till hjälp för chefer, eftersom ett av de största hindren för interna förflyttningar är chefer som inte vill släppa sina medarbetare. De kan vara kortsiktiga och säga att de inte vill stödja en intern förflyttning eftersom de inte vill förlora en duktig person.

Genom att visa att en intern förflyttning faktiskt är bättre för organisationen behöver man kanske inte förlora personen. Personen kan fortfarande arbeta med chefen samtidigt som den tar sig an något annat och en ny utmaning.

Det hjälper alltså alla. Jag tycker också att det demokratiserar möjligheterna. Om talangintelligens används på rätt sätt kan den synliggöra möjligheterna, hjälpa alla att förstå varför det är bäst och göra många bra saker samtidigt.

Det var en bra fråga.

Becca Banyard: Ja, verkligen. Jag vill återkomma till din bok. Vad fick dig ursprungligen att skriva den? Hur såg vägen fram till beslutet ut?

Alexandra Levit: Det är en bra fråga. Jag har funderat på problemet med kompetensgapet under större delen av ett årtionde. Det har alltid varit frustrerande att ständigt höra om uppsägningar samtidigt som vi aldrig verkar kunna hitta rätt personer till rätt jobb.

Det här problemet med att matcha rätt talang med rätt jobb verkar vara något som ingen lyckas hitta en lösning på.

När jag träffade Ashu och Kamal och fick veta att deras teknik på Eightfold gjorde det möjligt att använda artificiell intelligens för att hjälpa till att lösa problemet blev jag mycket intresserad. Jag tyckte om att de hade så många tidiga och framgångsrika exempel som kunde beskrivas på ett tydligt sätt och att vi därför faktiskt hade praktiska råd att ge.

Det var inte bara teori. Det var inte "så här skulle man kunna göra". Tekniken finns tillgänglig i dag och här är hur man använder den. Vi kunde faktiskt berätta vad som finns under huven på talangintelligens.

Jag uppskattade verkligen möjligheten att kunna erbjuda en lösning. Jag har skrivit mycket under åren, och en del av det har varit mer teoretiskt än annat. När man är framtidsanalytiker är mycket av arbetet spekulativt och handlar om sådant som kan hända och sannolikt är på väg. Här hade vi något som redan finns.

Det används redan. Det finns tillämpningar över hela världen och vi ger människor, hoppas jag, en mycket praktisk vägledning för att komma igång utan att vara rädda.

Det är inget man behöver frukta och inte heller något man behöver sakna ett affärsmässigt argument för. Andra har redan gjort detta framgångsrikt och det behöver inte kosta en förmögenhet att starta ett mindre pilotprojekt. Vad har man egentligen att förlora? Det var det som lockade mig att skriva om det och sprida kunskapen.

Mitt budskap som både författare och framtidsanalytiker är att hjälpa så många människor som möjligt att leva så meningsfulla liv som möjligt. Inom mitt område handlar det om arbete. Hur kan vi hitta rätt karriärer, de mest meningsfulla karriärerna, för så många människor som möjligt? Jag såg boken som jag skrev tillsammans med Ashu och Kamal som ett sätt att göra det.

Becca Banyard: Fantastiskt. Jag älskar det. Det får mig att tänka på oss på People Managing People. Vi försöker verkligen skapa innehåll som inte bara handlar om vad man ska göra, utan också om hur man gör det. Hur kan man genomföra det i sin egen organisation, i sitt eget arbetssätt och i sin egen karriär?

Alexandra Levit: Precis. Ni gör exakt samma sak. Ni har exakt samma uppdrag.

Becca Banyard: Fantastiskt. Jag älskar det. Vi har redan pratat lite om hur AI revolutionerar organisationskulturen genom att minska arbetslösheten eller hjälpa medarbetare att stanna på en arbetsplats som de annars kanske hade lämnat eftersom de inte såg hur de kunde utvecklas i nya roller.

Vilka andra sätt finns det som AI revolutionerar organisationskulturen på?

Alexandra Levit: Jag tycker att vi ser hur AI i allt högre grad används för att förstärka människors deltagande i arbetslivet. Jag vill inte säga ersätta. Jag tror inte att AI har nått en punkt där den kan ersätta människors deltagande i arbetslivet.

Det finns till exempel mycket uppmärksamhet kring ChatGPT och liknande chattbotstekniker just nu. En sak jag alltid känner att jag måste betona när jag talar om detta är att man behöver människor när man för in AI i en traditionellt människodriven process. Någon måste skapa tekniken, hantera den, reparera den när den går sönder, använda den på nytt och förklara för beslutsfattare hur den fungerar.

Det är alltså många människor som behöver vara involverade i övervakningen av AI-teknik. Om de inte är involverade uppstår kaos. Jag har faktiskt ett exempel från i dag.

Jag skriver en kolumn för The Wall Street Journal. Den heter The Workplace Report. I dag kontaktade några PR-personer mig med hjälp av ChatGPT. De använde chattboten för att skriva PR-presentationer. De använde riktiga PR-personers e-postadresser, men ingen riktig PR-person läste texterna som ChatGPT hade skrivit innan de skickades ut.

Tyvärr kan ChatGPT inte skriva PR-presentationer som riktiga PR-personer kan. Texterna var obegripliga. Jag fick därför ett dåligt intryck av PR-personerna eftersom det var tydligt att ChatGPT hade skrivit dem. Jag blev irriterad eftersom jag var tvungen att öppna mejlet och slösa tid på att läsa det.

Det är ett harmlöst exempel, men man måste förstå att företaget ansvarar för dåligt beteende som AI orsakar. Det är inte leverantörens fel. Det är inte företaget som säljer chattbotprogramvaran som ansvarar för det beteende som kan vara olagligt, diskriminerande eller leda till juridiska problem.

Det här är en av mina stora farhågor just nu. Det sker AI-implementeringar på många olika områden och inom alla delar av arbetslivet, men vi har inte tillräcklig mänsklig övervakning av tekniken. Det finns etiska och juridiska problem, och vi låter tekniken löpa amok samtidigt som vi tror att den kan ersätta människor, trots att den inte är där än.

Jag tror att det kommer att dröja innan den är där. Det var min stora predikan för i dag. Men ja, det finns många tillämpningar. AI kan göra fantastiska saker. Jag har trots allt skrivit en bok om hur fantastisk AI är.

Jag tror att den kan göra väldigt mycket. Men jag anser verkligen att det måste finnas mänsklig övervakning när en tillämpning lanseras.

Becca Banyard: Ja, det är så bra. Jag är glad att du tog upp den punkten. Även om jag inte är AI-expert tycker jag att det är mycket viktigt. Jag är också glad att du nämnde ChatGPT, för annars hade jag gjort det. Alla som lyssnar vet säkert att lanseringen av ChatGPT har fått internet att explodera.

Jag skulle gärna vilja prata lite mer om ChatGPT. Hur tror du att ChatGPT kommer att påverka framtidens arbetsliv och framtidens organisationer?

Alexandra Levit: Precis som andra chattbotar är ChatGPT inte unikt på det sättet. Jag skulle inte säga att det är särskilt avancerat jämfört med det som redan finns. ChatGPT är en chattbot som använder naturlig språkbehandling för att sätta ihop meningar eller tankar med hjälp av språk. Den lär sig av det den känner till om det du redan har sagt och det den har läst.

Anledningen till att jag inte tycker att den är revolutionerande är att den inte tänker själv. Jag skulle inte säga att den verkligen kan hålla ett samtal. En människa kan komma med unika och sammanhängande tankar. Det finns något som kallas Turingtestet, där man frågar om man kan avgöra om något är en robot eller om det inte går att skilja från en människa.

För mig klarar ChatGPT inte det testet. När jag läser det kan jag tydligt se att det inte är en person. Det känns inte äkta för mig. Alla tycker inte så, men för mig låter det inte alls som en människa.

På samma sätt kan de flesta se att en kundtjänstchattbot är en bot och inte en person. Jag är lite förbryllad över varför människor är så fascinerade av ChatGPT, eftersom det inte verkar vara ett revolutionerande framsteg jämfört med tidigare teknik.

Med det sagt tror jag att det snart kommer ett språng där tekniken blir mycket bättre. Allt eftersom åren går måste vi hantera allt mer avancerad teknik som kan utföra och ersätta fler typer av mänskliga uppgifter.

Människor måste börja se runt hörnen och fundera på vilka delar av den egna rollen som är mest utsatta för automatisering och hur de kan utveckla sin karriär för att ligga steget före.

Om du till exempel är kolumnist för The Wall Street Journal och tror att ChatGPT inom fem år kan bli tillräckligt avancerat för att skriva din kolumn, måste du tänka på hur din karriär behöver utvecklas. I dag kan ChatGPT inte skriva kolumnen. Om tre år kanske den kan göra det.

Kommer The Wall Street Journal att låta ChatGPT publicera texten utan att någon redigerar den? Troligen inte. Då behöver du kanske lära dig redigering utöver skrivande, så att du kan stå för den mänskliga övervakningen av maskinen som så småningom tar över delar av ditt jobb.

Alla måste tänka så nu. Vilka ytterligare färdigheter behöver jag utveckla för att vara anställningsbar när vissa delar av mitt jobb tas över av maskiner? Det är verkligheten.

Maskinerna kommer att bli allt mer avancerade och en dag blir de smartare och kan ta över olika mänskliga uppgifter. Är vi där i dag med ChatGPT? Nej. ChatGPT är inte så smart och kan inte göra särskilt mycket. Chattbotar i allmänhet kan inte göra särskilt mycket ännu, men de kommer att bli bättre.

Vi kommer fortfarande alltid att behöva mänsklig övervakning. Jag ser inte att maskiner inom den närmaste framtiden kommer att kunna göra allt självständigt. Vi måste stå för övervakningen, omdömet och den personliga kontakten.

Det är färdigheter som människor behöver träna och utveckla. Det kommer alltid att finnas en roll för människor. Om du till exempel är mjukvaruutvecklare kan du inte längre förlita dig enbart på dina programmeringskunskaper. Du måste också utveckla sociala färdigheter.

Till alla som har förlitat sig på sina tekniska meriter i 25 år eller mer vill jag säga: de dagarna är räknade. Det är dags att bli mer mångsidig.

Becca Banyard: Precis. Innan Skynet tar över.

Alexandra Levit: Exakt.

Becca Banyard: Okej, vi måste avrunda, men jag har en sista fråga. Det här är något jag frågar alla mina gäster.

Vad tror du är det viktigaste som håller medarbetare nöjda på arbetsplatsen?

Alexandra Levit: Det viktigaste är nya utmaningar. Möjligheten att lära sig, möjligheten att växa och känslan av att vara värdefull och uppskattad. Det är kanske mer än en sak, men jag tror att allt hänger ihop.

Att känna att ens arbete uppskattas, att man utvecklas och att ens bidrag är meningsfullt både för en själv och för organisationen är viktigare än att bara få högre lön. Det handlar om att känna att man är en del av något större än sig själv.

Becca Banyard: Så bra. Jag älskar det. Alexandra, det har varit ett nöje att ha dig med. Jag har verkligen uppskattat vårt samtal.

Alexandra Levit: Jag också.

Becca Banyard: Om vi hade haft mer tid hade jag kunnat ställa så många fler frågor, men vi kanske får göra ett nytt avsnitt i framtiden. Tack så mycket för att du var med.

Till alla som lyssnar och vill komma i kontakt med dig eller följa det du gör: Hur kan de nå dig? Hur kan de hålla sig uppdaterade om ditt arbete?

Alexandra Levit: Besök mig gärna på alexandralevit.com. Läs vår bok Deep Talent och låt mig se.

Jag finns på Twitter @alevit. LinkedIn fungerar också bra, och vi vill gärna höra vad människor tycker. Jag kommer gärna tillbaka när som helst, Becca.

Becca Banyard: Fantastiskt. Jag älskar det.

Okej, till våra lyssnare: Tack så mycket för att ni lyssnade. Glöm inte att gilla och prenumerera för att hålla er uppdaterade om alla nya avsnitt. Vi hörs snart. Ha en fantastisk dag!