Kontinuerlig återkoppling på prestationer låter omvälvande – tills du ser hur företag använder den
AI-fördel: AI-driven återkoppling kan ge insikter i realtid och minska de snedvridningar som förekommer i traditionella utvärderingar.
Datakvalitet: Många organisationer kämpar med otillräckliga, föråldrade eller inkonsekventa data som påverkar återkopplingens kvalitet.
Förtroendeproblem: Transparens i AI-genererad återkoppling är avgörande; information om detta påverkar medarbetarnas förtroende och återkopplingens effektivitet.
Implementeringsgap: Det finns en växande skillnad mellan AI:s potentiella fördelar och dess praktiska användning i organisationer.
Återkopplingsloopar: Ineffektiva återkopplingsloopar kan förkorta utvärderingscyklerna, men de löser inte problemen med årliga utvärderingar.
Kontinuerlig återkoppling om prestationer, en central del av prestationshantering i realtid, har gått från att vara en punkt på konferensers önskelistor till företagsomfattande utrullning snabbare än de flesta metoder för personalledning på senare tid, där AI i allt högre grad driver dessa system.
Budskapet är konsekvent hos leverantörerna: återkoppling i realtid, minskad närhetsbias och återkoppling som inte formas av hur en chef råkade känna sig en viss eftermiddag.
Anställda har länge sagt att de vill ha mer frekvent och mer specifik återkoppling än vad årliga utvärderingar ger. AI-assisterade system är utformade för just detta, men gapet mellan löftet och genomförandet blir allt svårare att ignorera.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Problemet med chefens gummistämpel
Chefer godkänner AI-genererade sammanfattningar utan att granska modellerna som har producerat dem.
Andrew Whyatt-Sames, organisationspsykolog och medgrundare av UptakeAI, som arbetar med organisationer som använder AI i personal- och prestationsprocesser, har sett detta upprepas gång på gång.
När AI genererar en prestationssammanfattning behandlar de flesta chefer den som ett utkast att godkänna, snarare än som en utgångspunkt att granska kritiskt.
En linjechef, tre månader in i en utrullning på ett företag med 2 000 anställda, berättade för honom: "Det stod ’stark kommunikatör’ och jag höll med – all data finns ju där, eller hur?"
Den underliggande modellen använde mötesnärvaro som ett ställföreträdande mått på kommunikationsförmåga. Ingen hade berättat det för cheferna.
En del av problemet är grundläggande. System för kontinuerlig återkoppling behöver kontinuerliga data av hög kvalitet. De flesta organisationer har inte det.
"Den har bara det sammanhang du ger den", sa Matt Poepsel, VP för talangoptimering på The Predictive Index, när vi pratade på Transform-konferensen i mars. "Det skulle vara som att be en vän om råd om din chef och få svaret: ’Jag känner egentligen inte din chef – du måste berätta mer för mig.’"
Data om människor, påpekade han, var redan inkonsekvent innan AI blandades in. Arbetsbeskrivningar hämtade från inaktuella platsannonser, kompetensbedömningar kopplade till krav som har förändrats och beteendeprofiler som chefer aldrig byggde upp eftersom ingen hade lärt dem att ställa frågorna.
Vi har enorma mängder data. Frågan är om det är rätt data.
När de underliggande uppgifterna är bristfälliga korrigerar kontinuerlig återkoppling inte sig själv. Den förstärker problemet med högre frekvens.
Transparens är ett problem oavsett
Det finns en förtroendedynamik som ytterligare försvårar införandet. Som vi har skrivit om tidigare visade en studie från 2021, publicerad i Strategic Management Journal, att AI-genererad återkoppling överträffar återkoppling från mänskliga chefer när det gäller mätbara resultat, men bara när de anställda inte vet att den kommer från en maskin. När detta avslöjas försvinner prestationsvinsterna.
Kamaria Scott, grundare och vd för Enetic, har sett transparensproblemet på nära håll.
"Ljug bara aldrig om det", sa hon. "Ni måste vara transparenta."
Chefer som ger återkoppling som genererats av AI riskerar att de anställda avfärdar den om de berättar att AI var inblandat. De som inte gör det sitter med ett transparensproblem som tenderar att dyka upp förr eller senare.
Det som står på spel, menar Scott, är om dessa system används som en utgångspunkt eller som slutpunkt.
Bedömningen är inte slutmålet. Bedömningen är startpunkten för samtalet.
Enligt henne är den mest försvarbara användningen av AI inom prestationshantering som ett dataunderlag som öppnar för en diskussion, inte som en fristående sammanfattning. ”Något som säger: ’Det här är en neutral plats för oss att börja på’ — det är användbart. Men man måste mötas halvvägs.”
Medarbetarna vet vad som mäts
Enligt Whyatt-Sames tenderar problemet med att manipulera systemet att uppstå ungefär sex månader efter en implementering.
Medarbetarna lär sig vad systemet spårar, vanligtvis genom informella kanaler snarare än via något officiellt, och anpassar sig därefter. Fler kommentarer vid avstämningar, fler taggade mål, resultat som är läsbara för systemet snarare än användbara för någon. En L&D-chef som han arbetade med kallade det att ”spela på instrumentpanelen”.
Volymproblemet följer en liknande kurva. Organisationer mäter användningen genom aktivitetsantal, så tre gånger så mycket feedback ser ut som en framgång.
”När man granskar själva feedbacken minskar användbarheten kraftigt”, sade Whyatt-Sames. ”Den blir kortare, mer formelartad och koncentrerad till det som systemet belönar.
Förskjutningen från signal till brus blir ofta synlig först när någon genomför en retrospektiv genomgång, och då är mönstret redan väl etablerat.
När själva arbetet delas med en agent
Scott tog upp en fråga i mars som ännu inte har fått något tydligt svar: ”Hur ser prestation ut om människor själva inte utför arbetet, eller om agenter utför hälften av arbetet? Hur ska ni utvärdera min prestation som person för arbete som jag inte längre utför helt själv?”
Det är en fråga som de flesta aktuella implementeringar inte är utformade för att hantera. De mäter fortfarande individuella resultat i en kontext där gränserna för individuella bidrag blir allt mindre tydliga.
Whyatt-Sames analys av varför dessa problem kvarstår knyter samman de enskilda problemen.
”Organisationer behandlar AI-lagret som lösningen och hoppar över förändringsarkitekturen”, sade han. ”Systemet genererar feedbacken; ingen frågar om feedbacken förändrar beteendet. Det är ett problem med implementeringsdesignen, och i de flesta implementeringar finns det ingen vars uppgift det är att sluta den cirkeln.
När det gäller de underliggande insatserna uttryckte Poepsel det enkelt.
”Varje beslut som rör människor är ett beslut med höga insatser. Vi måste vara eftertänksamma kring det så att vi kan gå så snabbt fram som vi vill.”
Argumenten för kontinuerlig feedback med stöd av AI kvarstår. Antagandet att implementeringen av tekniken löser det ledningsproblem som den byggdes för att lösa gör det inte.
