Varför förbättrad produktivitet börjar med att förstå arbetet

David Rice: När en ledare i företagsledningen ser ut över organisationen ser hen ett organisationsschema och ett processdokument. Roll A avslutar något och lämnar över det till roll B, som lämnar över det till C. Det är rent, enkelt och nästan helt fiktivt. I dagens program pratar jag med Heidi Farris, vd på ActivTrak, om gapet mellan hur ledare tror att arbetet går till och hur det faktiskt går till.

Det verkliga arbetsflödet är summan av överlämningarna, kringlösningarna och den informella omdirigeringen som aldrig hamnar i något dokument. Heidi kallar den goda versionen av detta för tyst kunskap. Det handlar inte om typen av kunskap där man vet väldigt mycket om verksamheten, utan om de små dagliga anpassningarna som får saker att fungera. Människor förbättrar arbetet varje dag, säger Heidi.

Problemet är att det egentligen inte syns i dokumentationen. Därför pratar vi i dag om varför den dokumenterade processen sällan stämmer överens 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 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 att när en ledare i företagsledningen ser ut över organisationen i dag tror jag att en av de vanligaste frustrationerna många har med ledarskap på jobbet är att det känns som om ledarna inte riktigt vet vad arbetet innebär.

Jag är nyfiken på vad en sådan ledare vanligtvis missförstår om hur arbetet faktiskt blir gjort.

Heidi Farris: Jag tror att det är något många organisationer kämpar med i dag när man ser på utvecklingen och alla pratar om att utforma om arbetet eller tillämpa AI på arbete. Det ledare ser är ett organisationsschema och ett processdokument, eller hur?

Roll A avslutar något, lämnar över det till roll B och sedan till C, och det ska vara en trevlig och tydlig överlämning på det sättet. Vi tenderar att förenkla hur arbetet faktiskt utförs i organisationer. En person i en organisation kan lätt navigera mellan dussintals appar, flera godkännandeprocesser, många olika intressenter och kringlösningar under en och samma dag.

Det verkliga arbetsflödet är summan av överlämningarna, kringlösningarna och den informella omdirigering som människor hanterar men som inte syns i ett processdokument eller i ett organisationsschema. Det är verkligen osynligt för toppen, och vi tappar snabbt kontakten med hur arbetet faktiskt blir gjort 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 medarbetare och insyn i arbete. Det är inte riktigt samma sak, eller hur?

Heidi Farris: Nej, precis. Det är exakt så. Det är själva arbetet vi bryr oss om. Jag tror att medarbetare instinktivt alltid försöker göra sitt bästa. Det handlar mer om hur vi hjälper till att förbättra arbetet i en organisation eller förstår hur arbetet sker, så att vi sedan kan förbättra arbetet eller förstå vilka delar människor kan tillföra genom omdöme och empati som AI inte kan göra.

David Rice: Om man försöker avgöra var AI bör förändra hur arbetet utförs, vad behöver man förstå om arbetet först? Vad är det viktigaste som kan hjälpa till att forma det?

Heidi Farris: Man behöver förstå vilka uppgifter som utförs av varje roll.

Och man behöver kunna sortera dem på ett meningsfullt 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 delar av varje roll där AI kan vara till hjälp. Det första är därför att kategorisera uppgifterna i en viss roll som repetitiva, strukturerade och regelbaserade uppgifter, som lämpar sig väl för AI; AI-assisterade uppgifter som kräver snabb datasammanställning, mönsterigenkänning eller något liknande, där AI fungerar som en andrepilot för 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 över det steget och kastar bara teknik på varje problem.

David Rice: Det är intressant att du säger det, för jag tänkte tidigare på att jag hade sett ett klipp med någon som pratade om empati som det viktigaste framöver. Jag tror att det är något vi inte har lärt ut särskilt väl.

Vi har ofta betraktat det som ett personlighetsdrag snarare än en färdighet. En risk med AI är att dess användbarhet på uppgiftsnivå kan distrahera från frågan om uppgiften verkligen bör finnas i sin nuvarande form. Det finns olika nivåer av ingripande. Man kan förbättra uppgiften, vilket jag tror att vi har lagt mycket tid på.

Man kan kanske ta bort uppgiften, eller göra om arbetsflödet. Man kan ompröva resultatet man försöker skapa. Det finns många olika möjligheter. Men det är skillnad mellan att fråga ”Kan AI göra det här?” och att fråga ”Varför måste någon göra det här?” Den andra frågan känns mer betydelsefull.

De enklaste sakerna att automatisera är alltså i många fall inte nödvändigtvis de mest värdefulla sakerna att förändra.

Heidi Farris: Precis. Varje gång man gör en granskning lyser AI upp arbetet just nu, men det du beskriver har egentligen alltid funnits. Med tiden samlar vi på oss arbetsskuld på samma sätt som en teknikplattform eller produkt samlar på sig teknisk skuld.

Det finns saker som man vid någon tidpunkt måste omvärdera och säga: ”Varför gör vi ens det här längre?” Man behöver 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 alla problem vi ser i arbetet. Ibland handlar det om att göra om arbetsflödet, ibland om bättre stöd och kompetensutveckling för människor, och ibland är det helt enkelt fel teknik. Man måste verkligen förstå hur arbetet sker och vilka uppgifter som utförs för att sedan kunna plocka isär arbetet och säga: ”Okej, så här förbättrar vi det faktiskt.”

Det kan vara AI, men det kan också vara något annat.

David Rice: Om AI ger ett team tillbaka 15 procent av sin kapacitet, och vi har sett många produktivitetsvinster där administrativa saker har blivit enklare, vilket beslut måste då fattas härnäst?

Jag har frågat många ledare om detta på sistone: vad är det första steget när man omfördelar den kapaciteten med affärsvärdet i åtanke? För om man överlåter det till medarbetarna kan det bli ganska intressant.

Heidi Farris: Jag tror att det första man måste göra är att ge någon i organisationen mandat att vara beslutsfattare.

Kapacitet omfördelar inte sig själv. Om ingen uttryckligen är ansvarig för den blir den bara tyst uppslukad av organisationen. Den går kanske tillbaka till arbete med lågt värde eller försvinner någonstans i Slack. Det finns en lista över arbetsskuld som har byggts upp över tid, och det är kanske inte det mest värdefulla arbete man vill att människor automatiskt ska återgå till.

Det andra är att avgöra vilken kategori kapaciteten ska hamna i. Är målet kostnadsminskning? Vill vi faktiskt minska funktionen? Är det återinvestering, där vi styr de frigjorda timmarna mot arbete med högre värde? Eller är det expansion, där vi tar oss an ett helt nytt projekt eller en helt ny typ av arbete som inte tidigare har funnits i organisationen?

Varje alternativ får ett annat ekonomiskt resultat. Vissa kopplas till EBITDA, vissa till tillväxt och vissa till att särskilja sig på marknaden. Om man bara firar användningsmåttet och aldrig kontrollerar vilken kategori kapaciteten hamnade i, kommer man aldrig att kunna dra en linje till resultaträkningen och säga: ”Det var så här vi gjorde det.”

Att göra arbetet bättre är bara ena halvan av ekvationen. Den andra halvan är att visa var resultatet syns i organisationens ekonomiska profil.

David Rice: Jag håller helt med om det du sa om att kapaciteten kan bli arbete med lågt värde. Jag pratade nyligen med en ledare i en annan medieorganisation.

Vi pratade om att vissa saker frigjordes, och de hade en person vars idéer de inte var särskilt imponerade av. Personen hade börjat använda AI i sin kreativa planering, vilket frigjorde mycket tid, men fick sedan i uppgift att lägga in allt i olika kalkylblad och bara administrera dem. Tiden absorberades av att hantera kalkylblad.

Jag frågade om det verkligen var en bra användning av den kapacitet som skapats, eftersom AI förmodligen också kunde hantera kalkylbladen. Men det betyder inte automatiskt att man inte längre behöver personen. Det är den delen av berättelsen som vi alltför ofta tappar bort: minskning av personalstyrkan.

Det finns många andra saker kapaciteten kan bli. Det verkar finnas ett ledningsbeslut som saknas mellan att spara tid och att skapa värde. Någon måste besluta vad tiden ska användas till. Bör ledare bestämma hur kapaciteten ska omfördelas innan de automatiserar?

Automatisera för att skapa kapaciteten så att ni kan göra X.

Heidi Farris: Ja, eftersom man bör börja med sina mål. Om målet är EBITDA genom att avskaffa roller, ska 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 andrepilot eller mycket mänskligt omdöme, kommer man inte att kunna avskaffa 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 inte samma sak som att automatisera en väl definierad, datadriven process. Om en roll till 80 procent består av de andra sakerna kommer man ändå inte att få den EBITDA man vill ha.

Det är därför mycket viktigt att förstå målet innan man börjar. Annars kan man göra mycket arbete utan att faktiskt nå målet.

David Rice: Absolut. AI-användning och AI-värde är alltså inte samma sak, och det ena leder inte automatiskt till det andra. Vad bör ledare mäta för att veta om AI skapar meningsfull kapacitet och om kapaciteten leder till bättre affärsresultat?

Heidi Farris: Användningsmått mäter användning. Men man behöver ett före- och eftermått. Man måste förstå hur exempelvis cykeltid och genomströmning såg ut innan man införde en förändring, 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 påverkade arbetet. Förbättrade den kapaciteten? Förbättrade den genomströmningen? Var uppstod vinsten? 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 spenderade pengar och började använda fler verktyg, men kopplade det inte till något meningsfullt i företaget.

David Rice: Du frågade vad teamet gör, och jag tror att det måste vara fokus. Individuell produktivitet är lockande eftersom den är enkel att visa: det som tidigare tog 40 minuter tar nu 10.

Men gynnas organisationen verkligen av att en persons process blir 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 faktiskt förbättrat något?

Det finns alltså en användbar skillnad mellan uppgiftseffektivitet, arbetsflödets genomströmning 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 är ett rörligt mål. Arbetet förändras hela tiden. Vi brukar säga internt att ett processdokument sällan överlever arbetsstyrkan.

Det betyder inte att människor gör fel. Det betyder att ett processdokument i praktiken inte visar alla nyanser. De som står närmast arbetet gör dussintals små anpassningar varje vecka för att göra arbetet bättre. Om de anpassningarna nästan aldrig hamnar i något dokument och man multiplicerar det över hundratals eller tusentals roller och många år, vidgas 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 leda organisationer agilt i AI-eran.

David Rice: Jag kan inte komma på någon plats där jag har arbetat som inte haft en återkommande kringlösning som vi medarbetare skapade. Den formella processen stämmer inte överens med verkligheten på marken. En risk med AI är att vi försöker automatisera det officiella arbetsflödet utan att förstå kringlösningen som kanske faktiskt får saker att fungera.

Den var inte en del av den ursprungliga planen, men om vi börjar ta bort sådana saker måste vi svara på hur mycket av processen som går sönder.

Heidi Farris: Som ledare ger vi inte tillräckligt erkännande åt att människor förbättrar arbetet varje dag genom att använda sitt förnuft. När man är nyanställd följer man ett processdokument och klickar sig igenom alla steg. Sedan stöter man på något och säger: ”Åh nej.” Personen bredvid, över skrivbordet eller på Slack säger då: ”Du måste hålla ned skiftknappen, gå till Excel, kopiera det härifrån och klistra in det där, så fungerar allt igen.”

Vi ger inte tillräckligt erkännande åt att människor löser sådana saker, trots att de inte finns dokumenterade någonstans. Det kallas ofta för tyst kunskap. Många tänker då på att veta mycket om verksamheten, men det är inte den tysta kunskap som verkligen får en organisation att fungera. Det är alla små nyanser, kringlösningar och sätt att få något att fungera varje dag så att verksamheten kan fortsätta.

David Rice: Vad händer då med personalplaneringen när AI förändrar kapaciteten i olika funktioner?

Vi ser förändringen i olika takt. För en analytiker kommer den att se annorlunda ut än för någon inom marknadsföring eller ekonomi. Många olika områden tillämpar samma teknik, men effekten blir inte alltid densamma överallt. Vad måste vi ta hänsyn till när vi tänker på personalplanering?

Heidi Farris: Vi hade ett bra internt exempel. Vårt ingenjörsteam började använda AI-verktyg för kodning och hittade ett sätt att få stor effekt av det. De kortade våra cykeltider och ökade takten på kodleveranserna. Genomströmningen i ingenjörsteamet mer än fördubblades.

Det var en framgång och vi började fira, men insåg snabbt att ingenjörerna nu kunde koda snabbare än vårt produktledningsteam kunde omarbeta kraven. Vi flyttade alltså bara flaskhalsen från en funktion till en annan. Som organisation förbättrade vi inte den totala genomströmningen.

Vi gjorde det tillfälligt, eftersom ingenjörerna kunde slutföra de krav som redan låg på deras bord snabbare. Men att få fram nya krav i samma takt som de kunde utveckla kod blev ett problem. 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 närliggande teamen 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 flyttar sig. Isolerade produktivitetsvinster flyttar flaskhalsen eller skapar nya i stället för att eliminera de gamla.

Heidi Farris: En del av det kommer att hända eftersom man inte kan göra allt samtidigt. Därför finns det en ordning i hur man bör tänka. Som en del av personalplaneringen bör man fundera på vilken del som ska accelereras först och hur länge det dröjer innan man stöter på en flaskhals någon annanstans.

En kontinuerlig bild av arbetet i hela organisationen gör det möjligt att förstå var ebb och flod kommer att uppstå.

David Rice: När ni hittar ett arbetsflöde som tar mer kapacitet än ni tycker att det borde, hur avgör ni om svaret är AI, en ny utformning av processen, annan teknik eller helt enkelt bättre stöd?

Heidi Farris: Den första frågan ledare måste besvara är vad som faktiskt orsakar trögheten. Om arbetet är repetitivt, väl definierat och har hög volym är det en kandidat för automatisering eller AI. Men om själva ordningsföljden är fel, med för många godkännanden, onödiga överlämningar eller dubbla steg, är det ett problem med processens utformning 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 kompetens- och stödproblem. Lösningen måste alltså matcha den faktiska orsaken till att arbetet inte är så effektivt eller bra som man vill. De flesta organisationer väljer i stället att köpa mer teknik utan att först kontrollera vilket av dessa tre problem som faktiskt finns.

David Rice: Det verkar finnas ett incitamentsproblem här. Vi har avsatt AI-budgetar och ledningar har gjort AI-åtaganden och sagt åt alla att sätta AI först. Då blir det mer attraktivt att kalla något ett AI-användningsfall än att identifiera det som ett vanligt lednings- eller processproblem.

När man väl har bestämt att AI är strategiskt viktigt finns risken att varje ineffektivitet plötsligt ser ut som en AI-möjlighet. En återkommande manuell uppgift kanske bara behöver automatiseras, medan en inkonsekvent uppgift behöver tydligare standarder.

En förvirrande uppgift kanske bara behöver utbildning. Vi måste tänka på problemen i de här olika kategorierna.

Heidi Farris: AI är fortfarande en genomgripande förändring och kommer att förändra hur vi alla arbetar. Jag förstår 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.

Men nu har förändringen kommit igång. Man ser människor säga att de avskedade för snabbt och måste återanställa, eller att de belönade tokenanvändning och topplaceringar på en resultattavla och sedan behövde införa begränsningar för kostnaderna.

Det behövs därför ett mer genomtänkt långsiktigt sätt att använda AI i organisationer. Man behöver en modell som förstår roller, uppgifter, mänskligt arbete, mänskligt assisterat arbete och AI-arbete. Var hör AI hemma, och hur får man långsiktiga fördelar av AI efter att alla har övertygats om att AI är vägen framåt och börjat använda det?

Vad gör man då?

David Rice: Det är nästan som ett stadsbyggarspel där man bygger en stad. Den första staden var en ren karta, men nu måste man bygga en mycket mer detaljerad, invecklad och avancerad stad.

Förståelsen av vad som händer i arbetet måste också bli mer detaljerad. Vi har kommit långt och arbetet förändrar nu arbetsflöden i flera funktioner. HR har traditionellt ägt jobb, talangsystem och personalplanering. Verksamheten har ägt processerna, IT tekniken och ekonomi pengarna.

Men när arbetsflöden förändras över dessa funktioner, vem ska då vara ansvarig för att utforma själva arbetet på nytt? Om alla gör saker på helt olika sätt kanske delarna inte längre passar ihop som tidigare.

Heidi Farris: Att utforma själva arbetet på nytt behöver en ägare med 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 ebb och flod uppstår och hur arbetet hänger ihop. Det andra är den faktiska befogenheten att förändra hur arbetet struktureras. Utan den andra delen är man begränsad.

Man kan peka på alla platser i en organisation, men utan befogenhet att säga att man ska tänka om kring hur arbetet struktureras för en funktion, roll eller avdelning kan man inte göra förändringen. Det kräver självständighet och mandat.

Funktionsledare står nära arbetet, men just därför kan de ibland bli bundna till ett visst sätt att göra saker och bli nervösa inför förändring. Det kan därför inte enbart vara ett AI- eller IT-team, eftersom de inte förstår funktionsledarnas nyanser. Det kan inte heller enbart vara funktionsledarna, eftersom de inte förstår all kapacitet som AI kan tillföra.

Det behöver ofta vara någon i en operativ chefsroll, exempelvis en COO, som äger resultaten från början till slut och behandlar omformningen som en faktisk leverans i hela organisationen. AI är bara ett sätt att lösa problemet, inte själva lösningen.

David Rice: Jag håller med. Under det senaste året har vi haft många samtal om att CHRO:ns uppdrag behöver breddas från att utforma jobb och organisationer till att utforma hur mänsklig och maskinell kapacitet kombineras för att skapa arbete.

För dem som har gjort detta har det inneburit ett större operativt ansvar i stället för att fortfarande främst befinna sig inom HR eller personalfrågor. Rollen har utvecklats, men jag vet inte om det är den långsiktiga lösningen, eftersom personalutmaningen redan är tillräckligt stor.

Heidi Farris: Jag håller med. Det spännande med AI för HR-ledare är att tekniken börjar föra samman människor och verksamhet. Organisationer placerar ofta HR vid sidan av och säger att HR gör en sak där borta medan resten driver verksamheten här borta. HR kommer in med efterlevnadsfrågor och har sina egna data, medan verksamheten har de data som används för att driva företaget.

Nu måste alla dessa data ge samma bild av arbetet. Om man ska driva verksamheten och utforma roller på nytt är HR en central intressent, om inte ägare, i hela samtalet. Det får konsekvenser för ersättning, titel, struktur och mycket annat.

Jag tycker därför att AI är mycket spännande för HR-ledare. Det är påfrestande, men också spännande för dem som nu vill vara en del av den dagliga driften av verksamheten i stället för att bara vara ett efterlevnadscentrum vid sidan av allt annat.

David Rice: Du nämnde användningsmåtten tidigare. Aktiverade licenser, veckovisa aktiva användare och lanserade användningsfall berättar att vi använder tekniken, men de säger inte nödvändigtvis att vi har gått längre än till användning och förändrat verksamheten.

Vilka tecken visar att någon har gjort det och att verksamheten nu drivs på ett annat sätt?

Heidi Farris: En organisation har gått längre än användning när ledningen, eller egentligen vem som helst i organisationen, kan beskriva vilket arbete som utformades på nytt, vilket resultatet blev och var det syns i målen.

För ledningen är det resultaträkningen. För teamen kan det vara delmål. Det räcker inte att säga att kundserviceteamet nu sparar tid. De brukade göra kvartalsvisa affärsgenomgångar manuellt, samla in all kunddata och skapa presentationen. Nu kan de göra det på fem minuter i stället för fyra timmar.

Man måste också kunna säga var detta syntes i ett mål eller i resultaträkningen. Den tidsbesparingen är inte hela poängen. Poängen är att teamet med den extra tiden kunde öka sin kundportfölj med 50 kunder per person, så att man nu behöver en kundansvarig per 75 kunder i stället för en per 25.

Då börjar det faktiskt synas i mål och resultat. Det är de viktigaste tecknen på att en organisation går från användning till effekt. Berätta inte bara vad ni gjorde med AI, utan också vad ni gjorde med nyttan ni fick från AI.

David Rice: Ju fler av de här samtalen jag har, desto mer kommer jag fram till att effekten till slut måste bli synlig någonstans. Den kan inte bara finnas i en instrumentpanel. Den måste synas i utformningen av roller, kundresultat, organisationsstruktur, kompetenser eller något annat.

Om AI verkligen förändrar organisationen bör jag kunna se bevis utan att titta på ett mått. Det kanske är det yttersta tecknet på AI-mognad: att vi slutar prata om AI eftersom vi i stället pratar om hur verksamheten fungerar.

Heidi Farris: Jag håller helt med. 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 samtalet.

Heidi Farris: Tack själv, David, för att jag fick komma.

David Rice: Lyssnare, om ni inte redan har gjort det kan ni gå till peoplemanagingpeople.com/subscribe och anmäla er till alla våra nyhetsbrev. Det finns tre som skickas ut varje vecka. Ni får allt det här innehållet samlat och snyggt direkt i inkorgen.

Tills nästa gång: människor förändrar redan arbetet till det bättre varje dag. Glöm inte det.