Varför EU:s direktiv om lönetransparens är mer än en efterlevnadsövning

David Rice: EU:s transparensdirektiv är inte en rapporteringsövning. Det är en genomgripande förändring av verksamhetsmodellen. Men de flesta organisationer tittar bara på den synliga delen av isberget, så att säga. I dagens program pratar jag med Tom Heys, expert på lönerapportering vid Lewis Silkin, om varför han beskriver direktivet om lönetransparens som Storbritanniens system för lönekartläggning av könsskillnader på steroider.

Till skillnad från tidigare rapporteringskrav kombinerar detta direktiv rapportering av löneskillnader i hela företaget med individuella arbetstagares rättigheter, nya begränsningar för vad man får fråga om under rekryteringen samt kravet att kategorisera arbeten med likvärdigt värde och kunna försvara dessa beslut inför arbetstagarrepresentanter. Det är den sista delen som kommer att bli svår för många organisationer.

Noggrannhet och förklarbarhet är inte samma sak. Ett svar kan vara statistiskt korrekt och ändå omöjligt att försvara. Den här lagstiftningen ber inte bara om svar, utan kräver att ni visar hur ni kom fram till dem. Om en arbetstagarrepresentant vänder sig till er och säger: “Visa oss er modell”, och det var en svart låda som genererade siffran, då är ni utsatta.

Toms bredare varning sträcker sig långt bortom ersättning. Vi går in i en era där ledare fattar beslut som delvis påverkas av system som de inte har byggt och inte helt förstår. Det gör förklarbarhet till en ledarskapsförmåga snarare än en teknisk fråga. I dag ska vi därför gå igenom vad som gör direktivet om lönetransparens fundamentalt annorlunda än tidigare krav på lönerapportering, varför arbetsarkitekturen är grunden som allt annat vilar på, skillnaden mellan dokumenterat arbete och det människor faktiskt gör, varför AI kan påskynda processen men inte fatta besluten samt varför förklarbarhet blir lika viktigt som effektivitet.

Jag heter David Rice. Det här är People Managing People, och om er organisation behandlar lönetransparens som en kryssruta för efterlevnad visar det här samtalet hur mycket arbete som faktiskt ligger under ytan. Då sätter vi igång.

Om du driver ett företag startade du förmodligen inte det för att du älskar bokföring. Där kan QuickBooks Online hjälpa till. Tjänsten automatiserar vardagliga uppgifter som fakturering, kostnadsuppföljning och bokföring, så att du kan lägga mindre tid på administration och mer tid på att utveckla företaget. Det är ett enkelt sätt att hålla ordning och få ekonomin att fungera för dig. Om du vill spara tid och förenkla företagets ekonomi kan du prova QuickBooks Online.

Tom, välkommen till programmet. Det är roligt att ha dig här.

Tom Heys: Tack för att jag fick komma, David.

David Rice: När vi pratade före programmet beskrev du EU:s direktiv om lönetransparens som ungefär Storbritanniens system på steroider.

Vad skiljer detta från tidigare krav på lönerapportering, och varför tror du att så många organisationer underskattar hur mycket arbete som krävs?

Tom Heys: Jag närmade mig direktivet utifrån att jag under de senaste åren har arbetat mycket med brittiska företag kring Storbritanniens rapportering av könsrelaterade löneskillnader.

På en övergripande nivå handlar det inte om att jämföra likvärdigt med likvärdigt. Det är snarare en representationell löneskillnad man tittar på. Direktivet utgår från en liknande plats genom att man även måste rapportera dessa skillnader på organisationsnivå. Men sedan fokuserar det mycket mer på den större frågan om lika lön. Det sker genom rapporteringsskyldigheter, men också genom ytterligare rapporteringskrav jämfört med det man exempelvis ser i Storbritannien.

Det handlar alltså om att titta på jämförbara arbeten, jämföra likvärdigt med, eller åtminstone ungefär likvärdigt med, och därefter kombinera detta med nya individuella rättigheter samt nya förbud mot vad man får och inte får fråga om under rekryteringen. Den strategi som verkar ha valts är att lika lön är en grundläggande rättighet inom EU.

Den ingår i fördragen, och frågan blir därför hur man kan angripa den från alla håll för att säkerställa lika lön i så stor utsträckning som möjligt. Det verkar vara den vägledande filosofin bakom hur direktivet har utformats. Det är alltså en mycket omfattande ny lagstiftning, och jag tror att den kommer att få stora konsekvenser under de kommande ett till tre åren.

Den kommer att röra upp mycket damm, och det kommer att ta tid innan dammet lägger sig.

David Rice: Det verkar egentligen inte så mycket vara en rapporteringsövning som en övning i verksamhetsmodellen.

Tom Heys: Jag tror att det stämmer. Jag tror att det innebär ett nytt sätt att arbeta, en ny normalitet. Därför kräver det mycket större disciplin kring sådant som lönesättning, hur man gör och inte gör, vad man får ta hänsyn till och vad man inte bör ta hänsyn till.

Det handlar om sätt att arbeta som säkerställer att partiskhet inte smyger sig in. Jag nämnde till exempel några av de nya skyldigheterna kring rekrytering. Man kommer inte att kunna fråga kandidater om deras lönehistorik, så man får inte säga: “Vad tjänar du nu?” Det får man inte fråga om som en del av rekryteringen. För många företag är det helt enkelt det vanliga sättet att arbeta, och så har det varit under mycket lång tid.

Så även just den mycket specifika förändringen är stor.

David Rice: Ja, det är den. Rapporteringsdelen känns som den synliga delen av isberget, så att säga. Under ytan finns arbetsarkitektur, nivåindelning, ersättningsfilosofi, styrning och allt möjligt annat. På vissa sätt känns det likt det som har hänt med AI-beredskap, där alla ville ha resultaten men först behövde åtgärda grunderna.

Och det låter som att det här kan vara något liknande.

Tom Heys: Jag tycker att du har helt rätt. Isbergsexemplet hade jag inte tänkt på tidigare, men det passar verkligen. Du nämnde arbetsarkitekturen. Den ligger till grund för de två största sakerna som företag verkar vara mest bekymrade över.

I direktivet talas det om kategorisering, alltså att gruppera människor i arbeten som har likvärdigt värde. Det gäller färdigheter, ansträngning, beslutsfattande, ansvar och arbetsförhållanden. Dessa arbeten ska grupperas tillsammans. För det första har alla arbetstagare rätt till den genomsnittliga lönen för män och kvinnor inom sin kategori.

Den nya rättigheten, som stöds av all den viktiga arbetsarkitekturen, ger människor den information de behöver för att kunna identifiera möjliga problem med lika lön. De kan se: “Vänta lite, jag får bara så här mycket betalt. Alla som har arbeten som liknar mitt tillräckligt mycket får så här mycket, så jag vill veta vad som pågår.”

För det andra har vi rapporteringsdelen som du nämnde. Utöver de breda skillnaderna på företagsnivå och skillnaderna i representation kommer det även att finnas ett krav på att internt rapportera skillnaderna inom varje kategori. Därmed kombineras skyldigheter för arbetsgivare med rättigheter för individer, och all information som behövs för att människor ska kunna väcka krav på lika lön görs tillgänglig.

Som du säger ligger arbetsarkitekturen och kategoriseringen precis under båda dessa stora områden.

David Rice: Ett tema som återkom när vi pratade före programmet var förklarbarhet. Det är också något jag nyligen skrev om när det gäller urval i rekryteringen. Hur väl kan man till exempel förklara vad AI gör?

AI kan producera svar mycket snabbt, men lagstiftningen kräver inte bara svar. Den kräver att organisationer ska kunna försvara dem. Varför är den skillnaden så viktig?

Tom Heys: Jag tror att det är viktigt på grund av den roll som lagstiftningen föreställer sig att arbetstagarrepresentanter ska ha.

Det är en mycket kraftfull roll. De har rättigheter och skyldigheter och kan i vissa situationer i praktiken avgöra om löneskillnader är motiverade eller inte. De får tillgång till metoder och arbetssätt, och de är människor som kan ställa frågor. Vissa frågor kan vara helt logiska och rimliga, medan andra kan komma från personer som inte är lika insatta, eftersom detta är nytt för många.

Det kommer att ta tid för människor att skaffa sig kunskap om området. Man måste kunna förklara för en människa och verkligen veta varför man har gjort saker på det sätt man har gjort. Vilken process har man följt? Någon kommer att fråga om det, de har rätt att fråga om det, och det är nästan säkert att de någon gång kommer att göra det.

Om man inte vet varför man har gjort allt man har gjort kommer det inte att klara granskningen. Slutresultatet kan vara helt korrekt och rimligt, men om man inte vet hur det har tagits fram finns en underliggande potentiell risk som kan skapa problem längre fram.

David Rice: När jag skrev den artikeln tänkte jag på att noggrannhet och förklarbarhet inte är samma sak.

De är inte ens nödvändigtvis inom samma kategori, och det är en av de situationer där två saker kan vara sanna samtidigt. Ett svar kan vara statistiskt korrekt men omöjligt att försvara. Många av de AI-samtal jag har nu handlar om att gå från fokus på resultat till fokus på utfall. Jag håller med om det, men har varnat för att bli alltför besatt av utfallet, eftersom man fortfarande måste ägna uppmärksamhet åt resonemanget.

Hur kom man fram till resultatet? Vi befinner oss i en tid där tilliten är mycket låg. Jag tror inte att förtroende skapas för att man har ett svar. Det skapas för att människor förstår hur man arbetar, tänker och resonerar när man fattar ett beslut. Därför ligger det här mycket nära samma fråga.

Tom Heys: Jag tror definitivt att AI kan spela en roll i allt detta genom att hjälpa anställda att förbereda sig, eftersom arbetsarkitektur är ett enormt arbete.

Allt som kan påskynda processen är värdefullt, särskilt för många anställda som närmar sig detta från en situation utan någon arbetsarkitektur alls. Det är en helt ny värld som många företag går in i. Men det finns en viktig skillnad mellan att använda AI för att påskynda beslutsfattandet eller förbättra processerna och att överlåta besluten åt AI.

Besluten måste vara era.

David Rice: Jag tror att det finns en uppenbar frestelse här. Om man befinner sig i den här situationen vill man kanske ladda upp arbetsbeskrivningarna, köra dem genom en AI-modell och påskynda arbetsvärderingen. Men arbetsbeskrivningar återspeglar ofta vad en roll var tänkt att vara, inte vad den faktiskt blev eller vad människor faktiskt gör.

Hur stor tror du att skillnaden kan vara mellan dokumenterat arbete och verkligt arbete?

Tom Heys: Jag tror att den kan variera mycket, och den kan variera mellan olika typer av organisationer. Särskilt i mindre organisationer är arbetet mindre strikt definierat. Detsamma gäller nystartade företag och företag i snabb tillväxt, där roller kan förändras mycket snabbt och dokumentationen kanske inte längre stämmer överens med det någon faktiskt gör.

Det klassiska uttrycket “skräp in, skräp ut” är mycket relevant här, eftersom AI bara är så bra som den information som matas in. Om man matar in inaktuell information kan AI visserligen påskynda processerna och ta fram ett resultat, men resultatet kommer inte att vara välgrundat eftersom det bygger på gammal information.

David Rice: Jag hör det här ofta. Problemet med att roller växer är ungefär: vi anställde Janet för att göra detta, men när hon väl kom in i företaget och efter tre år har varit där har hennes roll utvidgats till alla möjliga andra områden, medan vår dokumentation inte nödvändigtvis återspeglar det.

Då saknas också sammanhanget kring den faktiska påverkan av Janets roll, alla olika saker hon gör och allt som har hamnat inom hennes ansvarsområde. Vi pratar hela tiden om hur HR:s roll till exempel ständigt utvidgas. Den blir bara större och större, och så har det varit i flera år.

Men det återspeglas inte nödvändigtvis på samma sätt i dokumentationen. Där tror jag att det kommer att uppstå problem.

Tom Heys: Ja. Kanske kommer anställda att bli mer proaktiva när det gäller att se till att deras arbetsbeskrivningar stämmer överens med det de faktiskt gör. Jag kan föreställa mig att människor mejlar HR och säger: “Det här är vad min arbetsbeskrivning säger att jag ska göra, men nu gör jag faktiskt X, Y och Z, så det måste återspeglas.”

David Rice: Det håller jag med om, och jag tror att allt fler blir medvetna om hur det här fungerar. Om de vet att tekniken kommer att användas på det sättet kommer de att vilja att informationen är korrekt.

Tom Heys: Det kommer definitivt att öka. Inom EU omfattas ungefär 250 000 företag av direktivet.

Det handlar om tiotals miljoner människor, och plötsligt hör de talas om kategorisering, arbetsnivåer och vad allt detta innebär. Medvetenheten kommer att öka. Som jag sa medför direktivet också nya rättigheter för anställda. Det stärker deras förhandlingsposition.

Det är kanske inte helt rätt ord, men det gör dem åtminstone bättre rustade att företräda sig själva genom att ge dem de rättigheter de behöver.

David Rice: En kort paus. Hur ser ditt kassaflöde ut just nu? Om du är frilansare eller småföretagare kan en tydlig bild av ekonomin göra stor skillnad. QuickBooks Online ger dig ekonomiska insikter i realtid, hjälper dig att skapa och skicka professionella fakturor och gör det enklare att få betalt snabbare. Dessutom håller tjänsten inkomster och utgifter organiserade på ett ställe, så att du alltid har koll på företagets situation. Läs mer om hur QuickBooks Online kan hjälpa dig att driva företaget med trygghet.

Vi har haft gäster i programmet som har pratat om vikten av dokumentation, och jag tror att vi kommer att fortsätta prata om dokumentationsrutiner ett tag till, eftersom sammanhang i samband med AI på många sätt är allt. Många leverantörer framställer AI som en snabb väg till efterlevnad, men om en arbetstagarrepresentant eller till och med en anställd frågar varför en löneskillnad finns och svaret i princip är: “Systemet sa det. Systemet flaggade det”, kommer det förmodligen inte att räcka.

Tror du att organisationer riskerar att skapa nya efterlevnadsproblem när de försöker lösa gamla?

Tom Heys: Jag tror att det finns en sådan risk. Problemen kommer att synliggöras eftersom arbetstagarrepresentanternas roll är tänkt att vara kraftfull och det kommer att finnas mycket information om de nya rättigheterna när de införs.

Allt ska enligt planen träda i kraft den sjunde juni, men genomförandet är splittrat. Många länder kommer att införa reglerna senare, kanske de flesta omkring januari 2027. Oavsett detta finns det mycket information om direktivet. Ju fler som känner till det, desto fler kommer att be sina arbetstagarrepresentanter att hålla arbetsgivaren ansvarig.

Om företag inte har bra förklaringar till hur de arbetar kommer det därför absolut att komma fram.

David Rice: Det är intressant eftersom vi ser samma mönster överallt med AI. Organisationer vill ha snabbhet, och snabbheten kan ibland skapa en ny riskkategori. Frestelsen är att automatisera bort komplexiteten, men för mig låter det här som en situation där förklaringen faktiskt är viktigare än själva svaret.

Tom Heys: Jag tror det, eftersom direktivet handlar om transparens, men framför allt om transparens kring hur saker görs. Det föreskriver inte ett visst sätt att arbeta. Det säger inte att alla ska få exakt samma lön. Skillnader är tillåtna och förväntade. Det kommer alltid att finnas löneskillnader.

Det direktivet vill uppnå är att skillnaderna ska vara objektiva. De ska kunna förklaras och får inte bero på partiska, subjektiva, orättvisa eller olagliga skäl, utan på rimliga och proportionerliga skäl. Om någon har mer erfarenhet än någon annan kan det vara ett bra skäl till högre lön. Men om en person har 30 års erfarenhet av en roll och en annan har fem år, trots att man blir så bra man kan bli i den typen av arbete efter tre år, och personen med 30 års erfarenhet fortfarande får mycket mer, börjar man få problem. Man kan ha börjat med ett objektivt skäl men tillämpar det inte proportionerligt.

Dessa nyanser kommer att framträda med tiden. Direktivet riktar ljuset mot hur saker faktiskt görs.

David Rice: Historiskt har ersättning varit en av de minst transparenta delarna av organisationslivet, åtminstone i USA. Vad tror du händer när människor plötsligt får rätt att ställa alla dessa frågor som många organisationer aldrig tidigare har behövt besvara?

Tom Heys: Tendensen att inte prata om pengar finns även här i Storbritannien och i stora delar av Europa. Det finns länder där människor utan problem säger: “Jag tjänar så här mycket. Hur mycket tjänar du?” Men på många håll finns en tydlig tendens att undvika att prata om pengar.

Storbritannien ger en viktig varning. För ungefär 10–15 år sedan fick vi många krav mot lokala myndigheter och kommuner i olika delar av landet.

Kraven kom inte från personer som hade samma arbete, utan från personer i huvudsak kvinnodominerade yrken, exempelvis städare och omsorgspersonal, som jämförde sig med i huvudsak mansdominerade yrken som gatsopare och gravgrävare. De mansdominerade yrkena hade stora bonusar som i praktiken blev en del av lönen. Bonusarna handlade inte om extra produktivitet eller prestation och belönade inget särskilt.

De var helt enkelt en del av den extra lönen, och beloppen var mycket stora. På vissa håll motsvarade de flera gånger kvinnornas lön. Detta kom fram på grund av sektorns karaktär. Inom offentlig sektor gäller offentlighetsprincipen, så människor kunde fråga vad genomsnittslönen var för olika typer av arbeten.

Dessutom hade allt förhandlats genom fackförbund. Informationen fanns där ute, människor visste att det fanns löneskillnader och olika bonusar. Vad hände sedan? De underbetalda ville naturligtvis få lönen korrigerad. Krav väcktes, ofta i stora grupptalanmål med hundratals eller tusentals personer, och konsekvenserna blev enorma.

Birmingham City Council, en av Storbritanniens största arbetsgivare och kanske Europas största lokala myndighet, hade en mycket stor skyldighet avseende lika lön. Jag tror att det handlade om mer än en miljard. Det visar konsekvenserna av detta.

Löneskillnaderna var ofta stora i dessa fall, men de behöver inte vara särskilt stora, särskilt inte när man talar om en arbetsstyrka med många människor. Det har vi sett i liknande situationer där brittiska detaljhandelsföretag har mött stora grupptalanmål.

Skillnaderna där var mindre, men när det handlar om tiotusentals anställda, 40 timmar i veckan och upp till sex års retroaktiv lön behöver skillnaden inte vara särskilt stor. Två eller tre pund här eller där kan bli ett mycket stort belopp när det multipliceras så många gånger.

Den typen av mål handlar exempelvis om butikspersonal som jämför sig med lagerpersonal. Det är olika arbeten, men när de bedöms utifrån likvärdigt värde – färdigheter, ansträngning, ansvar och arbetsförhållanden – är det precis samma sätt som direktivet kräver att arbetsgivare ska bedöma arbeten.

Skillnaderna synliggörs, människor väcker krav, och jag tror att många sådana krav kommer att spridas över Europa. I Storbritannien kan man kräva sex års retroaktiv lön. I andra delar av Europa, och i vissa EU-länder, är perioden längre. På vissa håll finns ingen tidsgräns alls.

En person som har varit underbetald i 30 år skulle alltså kunna få 30 års retroaktiv lön. Jag tror därför att många sådana krav kommer att väckas under de kommande åren.

David Rice: Det är intressant eftersom notan för en kultur där man bara säger “lita på oss” när det gäller ersättning verkar ha kommit.

Tom Heys: Ja.

David Rice: Nu går vi in i en miljö där man säger “visa oss”, och det kommer nog att bli obekvämt för många organisationer som aldrig har behövt formulera en ersättningsfilosofi på ett tydligt språk utåt. Det ska bli fascinerande att se.

Tom Heys: Jag tänker på matematikprov i skolan. Man får poäng för rätt svar, men fler poäng för att visa hur man räknade.

Det är där den verkliga substansen finns.

David Rice: Det var ett bra sätt att uttrycka det. Det låter som att många organisationer upptäcker att de inte kan uppfylla kraven på lönetransparens utan att först städa upp arbetsarkitekturen, graderingen och nivåsystemen.

Är lagstiftningen främst en efterlevnadsutmaning, eller handlar den egentligen om att synliggöra djupare organisatoriska problem som har ignorerats länge?

Tom Heys: Jag tror att det är både och. De djupare problemen skapar risken för ojämlik lön, och direktivet gör risken synlig genom att lägga allt öppet.

Därmed blir efterlevnadsproblemen uppenbara. Direktivet bör inte ses som en kryssruta: “Nu är det gjort och vi behöver inte tänka på det mer.” Det handlar snarare om att kasta bort det gamla sättet att arbeta och ersätta det med en ny normalitet.

Det kommer att bli mycket omvälvande. När dammet har lagt sig kommer en ny normalitet, normalitet 2.0, att finnas på plats. Den innebär ett mer objektivt, tydligare och potentiellt ärligare sätt att sätta löner. Det handlar inte bara om “lita på oss, vi gör rätt”, utan om “visa oss”.

Det är inte bara fråga om att be människor lita på oss, utan också om att visa dem. Så bör man se på direktivet. Det inleder en ny era. Det är inte en uppgift där man bara kryssar i en ruta.

David Rice: Det känns nästan som en magnetkameraundersökning av organisationen, som avslöjar strukturer och inkonsekvenser som kan ha funnits länge. På ytan ser det ut som ersättningsproblem, men jag tror egentligen att det främst är ett styrningsproblem.

Tom Heys: Det är ett klokt sätt att uttrycka det. I slutändan handlar det om hur mycket människor får betalt, men problemen uppstår när man exempelvis har för mycket utrymme för chefers godtycke och för få riktlinjer för hur saker ska göras. Om chefer inte har ett tydligt sätt att besluta om bonusar eller använda sin budget för att belöna teamet får man oförklarade beslut som påverkar lönen och därmed skapar en potentiell risk för ojämlik lön.

David Rice: Du har nämnt rapporteringsskyldigheterna enligt direktivet. Vilka problem ser du med att använda AI för att lösa sådana här frågor?

Tom Heys: Det är relevant när det gäller rapportering av skillnader per kategori. Arbetsgivare måste förklara alla skillnader inom en kategori som överstiger fem procent.

För att svara måste vi gå in lite på matematiken. Skillnaderna kan förklaras med objektiva skäl, exempelvis erfarenhet, prestation eller marknadsfaktorer. Målet är att kunna säga: “Vi vet att vi har en skillnad på åtta procent inom nivå tio. Men tack vare vår analys ser vi att fem procent kan förklaras, vilket lämnar tre procent oförklarat.” Direktivet anger en tröskel på fem procent för skillnader inom en kategori.

Om den oförklarade skillnaden överstiger fem procent måste man genomföra en gemensam lönebedömning, i praktiken en lönekartläggning, där arbetstagarrepresentanter får insyn i hela verksamheten. De får se hur allt görs. Det kan bli en stor distraktion från det produktiva arbetet.

Det vanliga sättet att beräkna den förklarade och oförklarade delen är regressionsanalys. Enkelt uttryckt drar man en linje genom en uppsättning punkter, den linje som passar bäst. Problemet är att denna typ av analys är subjektiv.

Det handlar inte om att två plus två är fyra. Jag brukar jämföra det med att blanda färg. Rött plus grönt blir brunt, men hur mycket av varje färg? Skogsgrönt och karmosinrött eller limegrönt och scharlakansrött? Hur tjockt lägger man färgen? Använder man oljefärg eller vattenfärg?

På samma sätt kan man tänka kring regressionsanalys. Hur mycket av varje variabel ska användas? Hur ska modellen specificeras? Vilka variabler ska ingå? Det finns många beslutspunkter, och det finns inte ett enda rätt sätt för varje kategori.

Det finns grader av riktighet och grader av försvarbarhet. Man måste kunna förklara allt för en arbetstagarrepresentant. Det kan finnas flera modeller som fungerar, och andra som också fungerar rimligt väl. Därför måste man välja vilka man ska använda och vilka man ska avstå från.

Risken med att överlåta denna analys till AI är att man får ett svar från en svart låda. Man frågar hur stor den justerade skillnaden är, får ett resultat och säger till arbetstagarrepresentanterna: “Den är tre procent, så det är i sin ordning.”

Då kan de svara: “Visa oss er modell. Visa hur ni räknade.” Om den svarta lådan har gjort analysen på ett sätt som inte går att försvara – kanske genom en överdetaljerad modell eller för många variabler – uppstår problem.

Det är oundvikligt att alla arbetsgivare har åtminstone en liten grupp som de måste analysera. När grupperna blir små fungerar regression sämre eftersom det inte finns tillräckligt med data. Det finns inte tillräckligt många punkter för att dra en tydlig eller tillförlitlig linje.

Om man inte känner till det och inte kan se hur analysen har gjorts kan man inte lita på resultatet som något som skulle klara en granskning.

Jag skulle därför vara försiktig med att automatisera den analytiska processen. Titta inte bara på svaret längst ner på matematikprovet, utan se också till att ni förstår hur man kom fram till det.

David Rice: Det gamla problemet med skräp in och skräp ut. Om de data som analysen bygger på är felaktiga innebär det naturligtvis en risk.

Dessutom finns risken att man känner sig säkrare än man borde på grund av resultatet. Man får ett polerat svar, kanske ett diagram eller en rekommendation, och det känns auktoritativt. Men om de underliggande antagandena, bedömningarna och besluten bygger på något som inte stämmer är det ett problem.

Jag brukar säga att man inte kan hålla en maskin ansvarig. Den kan påskynda analysen, men den tar inte över ansvaret.

Tom Heys: Maskinerna gör det man ber dem att göra, men vi måste se till att vi ber dem göra rätt saker.

David Rice: Precis. Vi måste ge den rätt sammanhang, inte bara tänka: “Jag matade in en massa data.” Frågan är: “Var något av det meningsfullt?”

Tom Heys: Vilka data har du matat in och vad har den gjort med dem? Det är som när man kastar en boll till en hund och den hämtar den. Maskinen hämtar tillbaka data, men man vet inte om den gick ut ur parken, nerför gatan och runt från andra hållet eller om den gick raka vägen till dig.

David Rice: Exakt. Det finns en bredare lärdom här som sträcker sig bortom ersättning. När AI blir mer involverad i våra beslut, tror du att vi går in i en tid där förklarbarhet blir lika viktigt som effektivitet?

Tom Heys: Det tror jag. Effektivitet genom att använda AI är bra. Vi har alla sett hur imponerande det är och hur många saker det kan göra för att påskynda beslutsfattandet.

Men det är just det som är poängen. Använd AI för att påskynda beslutsfattandet. Lägg inte över tänkandet på den. Använd den för att förbättra tänkandet.

David Rice: Jag tror att detta är en av de största ledarskapsutmaningarna i AI-eran.

I åratal har vi belönat snabbare beslut, snabbare processer och snabbare genomförande. Men nu går vi in i en värld där ledare kan behöva förklara beslut som delvis påverkats av system som de inte har byggt och i många fall inte själva förstår särskilt väl.

Förklarbarhet går därför från att vara en teknisk fråga till att bli en ledarskapsförmåga.

Tom Heys: Som du säger kommer styrningen av allt detta definitivt att få större uppmärksamhet.

David Rice: Tom, det här har varit ett fascinerande samtal. Jag känner att jag har lärt mig mycket eftersom jag inte visste särskilt mycket om den här regleringen.

Det här är värdefullt för vår publik, så att de får ett bra grepp om frågan. Tack för att du kom till programmet.

Tom Heys: Ingen fara. Tack för att jag fick komma.

David Rice: Då så, lyssnare. Håll utkik efter mer innehåll av det här slaget och efter mer om den framväxande regleringen kring AI, lönetransparens och allt som händer på arbetsplatsen just nu. Följ People Managing People på alla sociala plattformar och gå till peoplemanagingpeople.com/subscribe. Registrera dig för nyhetsbrevet, så får du allt innehåll direkt till inkorgen.

Tills nästa gång: tänk på hur du ska förklara saker.

Innan vi avslutar kommer ett sista tips. Om du håller ordning under hela året blir deklarationstiden mycket enklare. QuickBooks Online hjälper dig att organisera inkomster, utgifter och ekonomiska uppgifter samtidigt som bokföring och rapportering förenklas. Oavsett om du är frilansare, enskild näringsidkare eller driver ett växande småföretag får du verktyg som hjälper dig att hålla koll på ekonomin med mindre manuellt arbete. Se hur QuickBooks Online kan förenkla företagets ekonomi redan i dag.