Varför förbättrad produktivitet börjar med att förstå arbetet
David Rice: När en ledare i företagsledningen blickar ut över organisationen ser hen ett organisationsschema och ett processdokument. Roll A avslutar något och lämnar över det till roll B, B lämnar över till C. Det är rent, enkelt och nästan helt fiktivt. I dagens program pratar jag med Heidi Farris, vd för ActivTrak, om skillnaden mellan hur ledare tror att arbetet utförs och hur det faktiskt utförs.
Det verkliga arbetsflödet är summan av överlämningarna, kringgåendena och den informella omdirigeringen som aldrig hamnar i något dokument. Heidi kallar den goda versionen av detta för tyst kunskap. Det handlar inte om sortens kunskap där man vet väldigt mycket om verksamheten, utan om de små dagliga anpassningarna som håller saker fungerande. Människor gör arbetet bättre varje dag, säger Heidi.
Problemet är att detta egentligen inte syns i dokumentationen. Därför ska vi i dag prata om varför den dokumenterade processen sällan överensstämmer med hur arbetet faktiskt utförs, de tre kategorierna för att avgöra var AI hör hemma i en roll, vad som händer med organisationens genomströmning när ett team accelererar men dess grannar inte gör det, och de verkliga tecknen på att ett företag har gått från AI-användning till AI-effekt.
Jag heter David Rice. Det här är People Managing People, och om din organisation mäter AI-framgång genom användningsmått i stället för genom vad som hände med den kapacitet som skapades, visar det här samtalet vad du missar. Då kör vi.
Okej, Heidi, välkommen till programmet. Det är roligt att ha dig här.
Heidi Farris: Tack, David. Jag är väldigt glad över att vara här.
David Rice: Jag ville börja vårt samtal med att prata om hur en ledare i företagsledningen ser på organisationen i dag. Jag tror att en av de vanliga frustrationerna många människor har med ledarskap på jobbet är att det känns som att ledarna egentligen inte vet vad arbetet innebär.
Jag undrar därför: när en ledare i företagsledningen blickar ut över organisationen, vad missförstår de vanligtvis om hur arbetet faktiskt blir gjort?
Heidi Farris: Jag tror att det är något som många organisationer brottas med i dag när man ser ut över landskapet och alla pratar om att göra om arbetet eller tillämpa AI på arbete. Det ledarna ser är ett organisationsschema och ett processdokument, eller hur?
Roll A avslutar något, lämnar det till roll B och sedan lämnar B det till C. Det är tänkt att vara en snygg och ren överlämning på det sättet. Vi tenderar att förenkla hur arbetet faktiskt utförs i organisationer. En individ i en organisation kan lätt behöva navigera mellan dussintals appar, flera godkännandeprocesser, många olika intressenter och kringgåenden under en och samma dag.
Det verkliga arbetsflödet är summan av överlämningarna, kringgåendena och den informella omdirigering som människor hanterar, men som inte syns i ett processdokument eller organisationsschema. Det är verkligen osynligt för toppen, och vi tappar snabbt kontakten med hur arbetet faktiskt utförs i en organisation.
David Rice: Ja. Det är nog naturligt. När man rör sig uppåt i hierarkin reduceras saker till diagram, standardrutiner och instrumentpaneler. Jag tycker att det finns en intressant skillnad mellan insyn i medarbetarna och insyn i arbetet. Det är egentligen inte samma sak, eller hur?
Heidi Farris: Precis. Arbetet i sig är det vi bryr oss om. Medarbetare försöker instinktivt alltid göra sitt bästa. Det handlar mer om hur vi kan hjälpa till att förbättra arbetet i en organisation eller förstå hur arbetet utförs, så att vi sedan kan förbättra arbetet eller de delar där människor kan tillämpa omdöme och empati på ett sätt som AI inte kan.
David Rice: Om man försöker avgöra var AI bör förändra hur arbetet utförs, vad behöver man då först förstå om arbetet? Vad är det mest värdefulla som kan hjälpa till att forma det?
Heidi Farris: Man behöver förstå vilka uppgifter som utförs av varje roll.
Och man måste kunna sortera dem på något sätt, eftersom jobb består av samlingar av uppgifter och AI förändrar arbete genom att förändra uppgifter, inte nödvändigtvis genom att ersätta hela roller. Det finns vissa delar av varje roll där AI kan vara till nytta. Det första är därför att kategorisera de uppgifter som en viss roll utför i repetitiva, strukturerade och regelbaserade uppgifter, som lämpar sig väl för AI; AI-assisterade uppgifter som kräver snabb datasammanställning eller mönsterigenkänning, där AI fungerar som en medpilot åt en människa och där samarbete sker; samt unikt mänskliga uppgifter som kräver empati, emotionell intelligens och omdöme.
Det är det första steget, och de flesta hoppar helt enkelt över det och kastar teknik på varje problem.
David Rice: Det är intressant att du säger det, för jag tänkte på det tidigare efter att ha sett ett klipp där någon pratade om att empati är det viktigaste framöver. Jag tror att det är något vi inte har lärt ut särskilt väl.
Vi har ofta betraktat det som en egenskap snarare än en färdighet. En risk med AI är att dess användbarhet på uppgiftsnivå kan distrahera oss från frågan om uppgiften över huvud taget bör finnas i sin nuvarande form. Det finns verkligen olika nivåer av ingripande. Man kan förbättra uppgiften, vilket jag tror att vi har ägnat mycket tid åt.
Man kan kanske ta bort uppgiften eller göra om arbetsflödet. Man kan ompröva vilket resultat man försöker skapa. Det finns många olika saker här. Men det är skillnad mellan att fråga ”Kan AI göra detta?” och att fråga ”Varför måste någon göra detta?” Den andra frågan känns mer avgörande.
De enklaste sakerna att automatisera är i många fall inte nödvändigtvis de mest värdefulla sakerna att förändra, eller hur?
Heidi Farris: Precis. Varje gång man gör en granskning lyser AI just nu upp arbetet, men det du beskriver har egentligen alltid funnits. Med tiden samlar vi på oss arbetsskuld på samma sätt som en teknisk plattform eller produkt samlar på sig teknisk skuld.
Det finns saker där man någon gång måste omvärdera och säga: ”Varför gör vi ens det här längre?” Man måste göra en fullständig granskning och förstå de olika typerna av arbete och hur man gör dem bättre. Allt är inte AI.
AI är inte lösningen på varje problem vi ser i arbetet. Ibland handlar det om att göra om arbetsflödet, ibland om bättre stöd och förutsättningar för människor, och ibland är det helt enkelt fel teknik. Man måste verkligen förstå hur arbetet utförs och vilka uppgifter som görs för att kunna plocka isär arbetet och säga: ”Okej, så här förbättrar vi faktiskt detta.”
Det kan vara AI, men det kan också vara något annat.
David Rice: Låt oss säga att AI ger ett team tillbaka 15 procent av sin kapacitet. Vi har sett många produktivitetsvinster och i vissa fall har administration blivit enklare. Men om människor får tillbaka kapacitet, vilket beslut måste fattas därefter?
Jag har frågat många ledare om detta på sistone: vad är det första steget för att omfördela den kapaciteten med affärsvärde i åtanke? Om man lämnar det åt medarbetarna kan det bli ganska intressant.
Heidi Farris: Det första är att man måste ge någon i organisationen mandat att vara beslutsfattare.
Kapacitet omfördelar inte sig själv. Om ingen uttryckligen är ansvarig för den absorberas den bara tyst tillbaka i organisationen, kanske i form av lågprioriterat arbete eller så försvinner den in i någon Slack-tråd. Som jag sa finns det en lista över arbetsskuld som har byggts upp över tid, och det kanske inte är det mest värdefulla arbete man vill att människor automatiskt ska återgå till.
Det andra är att besluta vilken kategori kapaciteten ska hamna i. Är målet kostnadsminskning, så att funktionen faktiskt ska krympas? Är det återinvestering, så att frigjorda timmar ska styras mot arbete med högre värde? Eller är det expansion, så att man ska ta sig an ett helt nytt projekt eller en ny typ av arbete som inte tidigare har funnits i organisationen?
Var och en leder till ett annat ekonomiskt resultat. Vissa kopplas till EBITDA, vissa till tillväxt och vissa till att skapa differentiering på marknaden. Om man bara firar användningsmåttet och aldrig kontrollerar i vilken kategori kapaciteten hamnade kommer man aldrig att kunna dra en linje till resultaträkningen och säga: ”Så här gjorde vi.”
Att göra arbetet bättre är bara den ena halvan av ekvationen. Den andra halvan är att visa var resultatet syns i organisationens ekonomiska profil.
David Rice: Jag håller verkligen med om det du sa om att kapaciteten kan bli lågprioriterat arbete. Jag pratade nyligen med en ledare i en annan medieorganisation.
Vi pratade om att vissa saker hade frigjorts och att det fanns en person vars idéer ledaren inte var särskilt imponerad av. Personen hade börjat använda AI i sin kreativa planering, vilket frigjorde mycket tid, men fick sedan i uppgift att lägga allt i olika kalkylblad och bara administrera dem. Tiden absorberades av att hantera kalkylblad.
Är det ett bra sätt att använda den skapade kapaciteten? AI skulle förmodligen kunna hantera kalkylbladen också. Men det betyder inte automatiskt att man inte längre behöver personen. Det är den delen av berättelsen som vi ofta tappar bort: minskning av antalet anställda.
Det finns många andra saker som kapaciteten skulle kunna användas till. Det verkar som att det saknas ett ledningsbeslut mellan att spara tid och att skapa värde. Någon måste besluta vad tiden ska användas till. Min följdfråga blir därför: bör ledare besluta hur kapaciteten ska omfördelas innan de automatiserar?
Automatisera för att skapa den kapacitet som gör det möjligt att göra X.
Heidi Farris: Ja, eftersom man bör börja med sina mål. Om målet är EBITDA genom att ta bort roller måste man först förstå var den största möjligheten till AI-automatisering finns i organisationen och börja där. Om man däremot har många roller där 80 procent av tiden består av uppgifter som kräver AI som medpilot eller mycket mänskligt omdöme, kommer man inte att kunna ta bort de rollerna.
Om man gör det kommer man att behöva anställa personerna igen, eftersom man inser att mänskligt omdöme, empati och förmågan att stresstesta det AI säger är viktigt. Det är något helt annat än att automatisera en redan väldefinierad, datadriven process. Om en roll till 80 procent består av de andra sakerna kommer man ändå inte att uppnå den EBITDA man vill ha.
Att förstå målet innan man börjar är därför mycket viktigt. Annars kan man utföra en massa arbete utan att faktiskt nå målet.
David Rice: Absolut. Okej, AI-användning och AI-värde. Det ena leder inte automatiskt till det andra. Vad tycker du att ledare faktiskt bör mäta för att veta om AI skapar meningsfull kapacitet och om den kapaciteten leder till bättre affärsresultat?
Heidi Farris: Den viktiga delen är att användningsmått mäter användning. Vanliga användningsmått mäter just användning. Men man behöver ett mått före och efter. Man måste förstå hur cykeltid, genomströmning och andra relevanta mått såg ut innan man införde en lösning, som kan vara AI, och hur arbetet såg ut efteråt.
Utan bilden före och efter är det mycket svårt att bedöma hur den nya lösningen faktiskt påverkade arbetet. Förbättrade den kapaciteten? Förbättrade den genomströmningen? Var vann man något?
Och nästan ingen följer i dag upp vart kapaciteten faktiskt tog vägen. Om man inte kan svara på vad ett team gör med den tid som AI gav tillbaka har man ingen berättelse om avkastning på investeringen, bara en berättelse om användning. Man har spenderat pengar och börjat använda fler verktyg, men man har inte kopplat det till något meningsfullt i företaget.
David Rice: Du sa precis: vad gör teamet? Jag tror att det måste vara fokus. Individuell produktivitet är lockande eftersom den är lätt att demonstrera: det som tidigare tog 40 minuter tar nu 10.
Men får organisationen faktiskt nytta av att en persons process går lite snabbare? Man kan bli 30 procent mer produktiv utan att organisationen blir 30 procent mer produktiv. Om jag avslutar mitt arbete dubbelt så snabbt men det sedan ligger i någon annans kö som en flaskhals i tre dagar, har vi då förbättrat något?
Det finns en användbar skillnad mellan effektivitet i en uppgift, genomströmning i ett arbetsflöde och affärsresultat. Varför finns det ofta ett så stort gap mellan hur ledare tror att ett arbetsflöde fungerar och hur det faktiskt utförs?
Heidi Farris: Processdokumentet är en ögonblicksbild, medan arbetet hela tiden förändras. Vi säger ofta internt att ett processdokument sällan överlever arbetsstyrkan.
Det betyder inte att människor inte gör rätt saker. Det betyder bara att ett processdokument i praktiken inte visar alla nyanser. De som står närmast arbetet gör dussintals små anpassningar varje vecka för att förbättra det. Om dessa anpassningar sällan förs tillbaka till något dokument och man multiplicerar det över hundratals eller tusentals roller och många år, växer gapet mellan den dokumenterade processen och det faktiska arbetsflödet mycket snabbt. Ledare behöver en tydlig och kontinuerlig bild av hur arbetet utförs för att kunna vara agila i hur de leder organisationer i AI-eran.
David Rice: Jag kan inte komma på någon arbetsplats där vi inte hade någon form av återkommande kringgående som vi hade skapat som medarbetare. Den formella processen överensstämmer inte med verkligheten på marken. En risk med AI är att vi försöker automatisera det officiella arbetsflödet utan att förstå kringgåendet som kanske faktiskt fick processen att fungera.
I vissa fall fungerade det av misstag. Det var inte en del av den ursprungliga planen, men om vi tar bort de sakerna, hur mycket av processen går då sönder? Det är frågan vi måste besvara.
Heidi Farris: Något vi som ledare inte ger tillräckligt mycket erkännande är att människor gör arbetet bättre varje dag genom att använda sitt tänkande och sitt omdöme.
När man är nyanställd får man ett processdokument och följer alla steg. Sedan stöter man på något och tänker: ”Åh nej.” Då säger personen bredvid, någon i arbetsutrymmet eller någon på Slack: ”Du måste hålla ned skiftknappen, gå till Excel, kopiera det härifrån och klistra in det där, så fungerar allt igen.”
Vi ger inte tillräckligt mycket erkännande åt det faktum att människor löser sådana saker, trots att de inte finns dokumenterade någonstans. Människor kallar det tyst kunskap. Men när många tänker på tyst kunskap tänker de på att någon vet väldigt mycket om verksamheten. Det är inte den tysta kunskap som verkligen får en organisation att fungera.
Den tysta kunskap som får en organisation att fungera består av alla små nyanser och kringgåenden, och av hur jag måste få något att fungera varje dag så att verksamheten kan fortsätta.
David Rice: Det leder till en annan fråga: vad händer med personalplaneringen när AI förändrar kapaciteten i olika funktioner?
Vi ser detta i olika takt. För en analytiker kommer det att se helt annorlunda ut än för någon inom marknadsföring eller ekonomi. Det finns många olika områden som nu tillämpar samma teknik, men den får inte alltid samma effekt överallt.
Vad måste vi ta hänsyn till när vi tänker på personalplanering?
Heidi Farris: Vi hade ett mycket bra internt exempel med våra egna team. Vårt ingenjörsteam började använda AI-verktyg för kodning och hittade ett sätt att få stor effekt av dem. De kortade våra cykeltider och ökade antalet kodändringar. Ingenjörsteamets genomströmning mer än fördubblades.
Det var en framgång och vi började fira. Sedan insåg vi snabbt att våra ingenjörer nu kunde skriva kod snabbare än produktledningsteamet kunde utveckla nya krav åt dem. Vi hade alltså bara flyttat flaskhalsen från en funktion till en annan, och som organisation hade vi inte faktiskt förbättrat den totala genomströmningen.
Tillfälligt hade vi gjort det, eftersom ingenjörerna kunde slutföra de krav som redan låg på deras bord snabbare. Men det blev ett problem att få fram nya krav i samma takt som de nu kunde utveckla kod. Organisationer måste därför se holistiskt på hela organisationen och förstå att allt arbete hänger ihop på något sätt. Om en avdelning ökar genomströmningen eller minskar cykeltiden måste de angränsande teamen också anpassa sig för att hålla jämna steg.
David Rice: Det låter som ett tydligt exempel på problemet med personalplanering. Det handlar inte om hur många personer vi behöver, utan om var begränsningen kommer att flytta sig. Isolerade produktivitetsvinster flyttar flaskhalsen eller skapar nya i stället för att ta bort de gamla.
Heidi Farris: En del av detta kommer att hända eftersom man inte kan göra allt samtidigt. Därför finns det en ordning i hur man bör tänka. Det bör vara en del av personalplaneringen: man ska stanna upp och fundera på vilken del man ska accelerera först och hur länge det köper tid innan man stöter på en ny flaskhals.
Att ha en kontinuerlig bild av arbetet i hela organisationen gör det möjligt att förstå var svängningarna kommer att uppstå.
David Rice: När du hittar ett arbetsflöde som använder mer kapacitet än det borde, hur avgör du om svaret är AI, en omdesign av processen, någon annan teknik eller helt enkelt bättre stöd och förutsättningar?
Heidi Farris: Den första frågan ledare måste besvara är vad som faktiskt orsakar hindret. Om arbetet är repetitivt, väldefinierat och har hög volym är det en kandidat för automatisering eller AI. Men om själva sekvensen är fel, med för många godkännanden, onödiga överlämningar eller dubbla steg, är det ett problem med processdesign som måste åtgärdas.
Om processen och verktygen fungerar men människorna inte känner till det bästa sättet att utföra arbetet eller saknar färdigheterna, är det ett problem med stöd och kompetensutveckling. Lösningen måste alltså matcha den verkliga orsaken till att arbetet inte är så effektivt eller bra som man vill. De flesta organisationer väljer automatiskt att köpa mer teknik utan att först kontrollera vilken av dessa tre saker som faktiskt är problemet.
David Rice: Det verkar finnas ett incitamentsproblem här. Vi har avsatt AI-budgetar och ledare har gjort AI-åtaganden och sagt åt alla att sätta AI först. Då blir det mer attraktivt att identifiera något som ett AI-användningsfall än att identifiera det som ett tråkigt lednings- eller processproblem.
När man väl har bestämt att AI är strategiskt viktigt för oss, finns det en risk att varje ineffektivitet plötsligt börjar se ut som en AI-möjlighet, trots att det egentligen handlar om en återkommande manuell uppgift som bara behöver automatiseras, eller en inkonsekvent uppgift som behöver tydligare standarder.
Heidi Farris: AI är fortfarande mycket värdefullt och kommer att förändra hur vi alla arbetar. Jag tror att det i början av förändringsarbetet är svårt om man inte satsar fullt ut på något. Därför förstår jag helt varför organisationer gjorde en stor AI-satsning. För att förändra vanor och arbetssätt och få människor att tänka utanför ramarna måste man ibland göra något överdrivet för att få förändringen att börja röra sig.
Men nu tror jag att förändringen har fått fart. Nu ser man människor säga: ”Vi avskedade för snabbt. Vi måste anställa dem igen”, eller ”Vi sa till alla att det räckte att maximera antalet token för att hamna högst på topplistan och få bonusar”, och nu inför man begränsningar för utgifterna.
Det måste därför finnas ett mer genomtänkt långsiktigt förhållningssätt till hur AI används i organisationerna. Jag tror på ett ramverk som förstår roller, uppgifter, mänskligt arbete, mänskligt assisterat arbete och arbete som enbart utförs av AI. Var hör AI hemma, och hur ska man få långsiktiga fördelar av AI nu när alla är övertygade om att AI är rätt väg och människor använder det?
Vad ska man göra nu?
David Rice: Det är nästan som ett stadsbyggarspel där man bygger en stad. Den första staden är en ren karta, men nu måste man bygga ut den till en mycket mer detaljerad, komplex och sofistikerad stad.
Det handlar om förståelsen av vad som händer i arbetet. Vi är långt inne i detta nu och rullar vidare, och det förändrar arbetsflöden mellan funktioner. HR ägde traditionellt jobb, talangsystem och personalplanering. Operations ägde processerna, IT tekniken och ekonomi pengarna.
När arbetsflöden börjar förändras mellan dessa funktioner, vem måste då ansvara för att själva arbetet görs om? Om alla gör det på helt olika sätt vet jag inte om allt synkroniseras som tidigare.
Heidi Farris: Att göra om själva arbetet behöver en ansvarig som har två saker som de flesta AI-initiativ saknar i dag.
Det ena är insyn i hela arbetsflödet, inte bara en funktions del, så att man förstår var svängningarna finns och hur arbetet hänger ihop. Det andra är den faktiska befogenheten att förändra hur arbetet är strukturerat. Utan den andra delen är man begränsad.
Man kan peka ut alla platser i en organisation, men utan befogenhet att säga ”nu ska vi verkligen tänka om kring hur arbetet är strukturerat för den här funktionen, rollen eller avdelningen” blir det svårt. Det kräver självständighet och auktoritet.
Funktionsledare står nära arbetet, men just därför kan de ibland bli bundna till ett visst sätt att arbeta och känna sig nervösa inför förändring. Det kan därför inte enbart vara ett AI- eller IT-team, eftersom de inte förstår den nyans som funktionsledarna har. Det kan inte heller enbart vara funktionsledarna, eftersom de inte förstår hela den kapacitet som AI kan tillföra organisationen.
Det behöver ofta vara någon i en roll som liknar en operativ chef, någon som äger resultaten från början till slut och behandlar omdesignen som en faktisk leverans i hela organisationen. AI är bara ett sätt att lösa problemet, inte själva lösningen.
David Rice: Jag håller med. Vi har under det senaste året haft många samtal om att personalchefens ansvarsområde behöver utvidgas, från att utforma jobb och organisationer till att utforma hur mänsklig kapacitet och maskinkapacitet kombineras för att skapa arbete.
För dem som har gjort det har det inneburit ett ökat operativt ansvar, snarare än att rollen fortfarande främst känns som HR eller personalverksamhet. Rollen har utvecklats till något annat. Jag vet inte om det är den långsiktiga lösningen, eftersom utmaningen med människor redan är tillräckligt stor.
Heidi Farris: Jag håller med. Det AI tillför för HR-ledare är att det faktiskt börjar föra samman människor och verksamhet. Organisationer placerar ofta HR vid sidan om och säger att HR gör sin sak där borta medan vi driver verksamheten här borta. HR kommer in med regelefterlevnad och har sina egna data, medan vi har de data vi driver verksamheten med.
Nu måste alla dessa data ge samma bild av arbetet. Om man ska driva och göra om roller är HR självklart en viktig, om inte den ansvariga, intressent i hela samtalet. Det får konsekvenser för ersättning, titel, struktur och allt annat.
Jag tycker därför att AI är mycket spännande för HR-ledare. Även om det är krävande är det också spännande att HR nu kan bli en del av den dagliga driften av verksamheten i stället för ett centrum för regelefterlevnad vid sidan av allt annat.
David Rice: Du nämnde tidigare användningsmåtten. Licenser som aktiverats, veckovisa aktiva användare och lanserade användningsfall berättar att vi använder tekniken. Men de berättar inte nödvändigtvis att man har gått längre än att bara införa den och faktiskt förändrat verksamheten.
Vilka tecken visar att någon har gjort det och att verksamheten nu drivs på ett annat sätt?
Heidi Farris: Jag tycker att en organisation har gått längre än användning när ledningen, eller egentligen vem som helst i organisationen, kan beskriva vilket arbete som gjordes om, vilket resultatet blev och var det syns i målen.
För ledningen är det resultaträkningen. För teamen kan det vara delmål under den. Det räcker inte att säga: ”Vårt kundframgångsteam sparar tid. Tidigare gjorde de kvartalsvisa verksamhetsgenomgångar manuellt, samlade in all kunddata och skapade presentationen. Nu kan vi göra det på fem minuter i stället för fyra timmar.”
Man måste kunna säga: ”Okej, men var syntes det i ett mål eller i resultaträkningen?” Den tidsbesparingen är inte själva resultatet. Resultatet är att teamet med den extra tiden kunde öka sin kundportfölj med 50 kunder var, så att vi nu behöver en kundansvarig per 75 kunder i stället för en per 25 kunder.
Det är då det börjar synas i mål och resultat. Det är de viktigaste kännetecknen för att en organisation faktiskt går från användning till effekt. Säg inte bara vad ni gjorde med AI, utan berätta också vad ni gjorde med den nytta ni fick från AI.
David Rice: Ju fler sådana här samtal jag har, desto mer kommer jag fram till att resultatet till slut måste bli synligt någonstans. Det kan inte bara finnas i en instrumentpanel. Det måste synas i rollutformningen, kundresultaten, organisationsstrukturen, kompetenserna eller något annat. Om det verkligen förändrar organisationen bör jag kunna se bevis utan att titta på ett mått.
Kanske är det det yttersta tecknet på AI-mognad: att vi slutar prata om AI, eftersom vi pratar om hur verksamheten fungerar.
Heidi Farris: Jag kunde inte hålla med mer. Jag tror att HR och verksamheten kommer att samarbeta, och AI är en av många lösningar när vi undersöker hur arbete utförs i dag.
David Rice: Absolut. Heidi, det var faktiskt alla frågor jag hade i dag. Tack för att du var med och delade med dig av dina insikter. Jag uppskattar verkligen detta.
Heidi Farris: Tack själv, David, för att jag fick vara med.
David Rice: Lyssnare, om ni inte redan har gjort det, gå till peoplemanagingpeople.com/subscribe och registrera er för alla våra nyhetsbrev. Det finns tre som skickas ut varje vecka. Ni får allt detta innehåll snyggt paketerat direkt i inkorgen.
Tills nästa gång: människor förändrar redan arbetet till det bättre varje dag. Glöm inte det.




