Den svåra delen börjar efter att AI fungerar
![[OPT 1] IMG PMP – Editorial – Dinner Conversation with CHROs-14152](https://peoplemanagingpeople.com/cdn-cgi/image/format=auto,quality=82,onerror=redirect,width=792,height=446,fit=crop/wp-content/uploads/sites/3/2026/09/OPT-1-IMG-PMP-–-Editorial-–-Dinner-Conversation-with-CHROs-14152.jpg)
Börja med arbetet: Företag bör utforma om arbetsflöden utifrån affärsproblem innan de väljer AI-verktyg eller mäter förväntad avkastning.
Bedömning av användningsfall: AI-utbildning skapar mer värde när medarbetare lär sig att identifiera problem som är värda att lösa, inte bara att använda nya verktyg.
Arbetsutformning: Framgångsrik AI-användning tvingar ledare att omdefiniera ansvarsområden, kompetenser, prestationsstandarder och karriärvägar när arbetsuppgifterna förändras.
Skala varsamt: Pilotprojekt kan sällan överföras direkt mellan funktioner; organisationer måste standardisera beprövade arbetssätt och samtidigt anpassa dem efter arbetsflöden, risker och data.
Rättvis tillgång: Ojämlik tillgång till AI kan snedvrida prestationsbedömningar, utvecklingsmöjligheter och produktivitetsjämförelser mellan medarbetare som utför liknande arbete.
Förra veckan satte jag mig ner med en grupp CHRO:er i Atlanta för att prata om hur man skalar upp AI i hela verksamheten.
Vi började med ROI, men samtalet återkom hela tiden till själva arbetet: vilka problem som förtjänar AI-investeringar, vad organisationer bör göra med den kapacitet som skapas och när tillräckligt många uppgifter har förändrats för att en roll också behöver förändras.
Kia Painter gav oss vår utgångspunkt. Börja med affärsproblemet, förstå arbetsflödet, gör om processen och avgör sedan var AI hör hemma.
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
Painter gick nyligen i pension från Cox Communications efter 28 år på företaget, senast som personalchef. Hennes ordningsföljd är viktig eftersom organisationer har gott om sätt att använda AI. Den svårare disciplinen är att avgöra vilka användningsområden som förtjänar tid, pengar och organisatorisk förändring.
Bedömning av användningsområden kan vara viktigare än utbildning i verktyg
Några veckor före middagen genomförde jag en informell omröstning i vårt nyhetsbrev AI Signal och frågade varför chefer bad om mer AI-utbildning för sina team. Det vanligaste svaret var att medarbetarna inte var säkra på vilka användningsområden som var viktiga.
Det pekar på ett problem med hur många företag arbetar med att möjliggöra AI-användning. Att lära människor hur man skriver instruktioner, sammanfattar dokument eller genererar innehåll skapar förtrogenhet med tekniken. Det hjälper dem föga att avgöra var AI kan förbättra ett betydelsefullt affärsresultat.
Angela Cheng-Cimini, personalchef på The Chronicle of Philanthropy, beskrev ett arbetssätt som utgår från medarbetarnas problem snarare än verktygens funktioner. Hon berättade att hennes organisation planerade att samla in vardagliga utmaningar från personalen, välja ut några med bred relevans och genomföra korta hackatoner för att lösa dem. En medarbetare hade redan själv valt detta arbetssätt och byggt en agent för att hantera återkommande fakturaförfrågningar som hade översvämmat en kundtjänstinkorg.
Det är en mycket mer användbar modell för AI-utbildning eftersom den kopplar lärandet till det arbete som människor redan förstår. Den förmåga som företag behöver utveckla är bedömning av användningsområden: Kan en chef granska ett arbetsflöde, identifiera var tid eller kvalitet går förlorad och se var AI skulle kunna göra skillnad?
Den bedömningen ökar också sannolikheten för att skapa ROI. En tekniskt framgångsrik implementering som riktas mot ett problem med lågt värde är fortfarande en dålig investering.
Ökad kapacitet tvingar fram beslut om arbetet
Nästa fråga är vad man ska göra när användningsområdet fungerar.
AI kan ta bort administrativt arbete, korta ned genomloppstider och ge människor kapacitet som de inte hade tidigare. Ledarna måste då bestämma vad den kapaciteten ska användas till.
Runt bordet ledde det till en diskussion om komprimering av roller och bredare ansvarsområden. Kesi Dorner, personalchef på Metro Atlanta Regional Transit Authority (MARTA), pratade om att slå samman arbete som i dag är fördelat mellan specialiserade HR-roller till mer heltäckande roller som affärspartner.
Min fråga om när en roll har förändrats tillräckligt mycket för att den helt och hållet bör göras om förblev obesvarad.
Det är i dessa val som sparade timmar förvandlas till ett beslut om verksamhetens arbetssätt. Ett företag kan använda kapaciteten till att öka produktionen, förbättra servicen, minska framtida rekryteringsbehov, utöka ansvarsområden eller ta itu med arbete som tidigare fått stå tillbaka. Varje val skapar ett annorlunda slags värde.
Det förändrar också vad medarbetaren ansvarar för.
Det blev ännu tydligare när diskussionen kom in på personalstyrkan. Painter beskrev samtal med sin ekonomichef om huruvida AI kunde minska arbetskraftskostnaderna. Hennes svar var att återgå till arbetet.
Ta leverantörsreskontra. Vad gör människor faktiskt? Vilka uppgifter kan AI ta över? Vad återstår? Vilket affärsresultat måste fortfarande uppnås?
Hennes slutsats var att AI måste granskas utifrån verksamhetsmodellen och arbetets utformning innan ledare börjar dra slutsatser om personalstyrkan.
Det är en värdefull roll för HR eftersom AI ofta förändrar jobb stegvis. När en uppgift försvinner går en annan snabbare att utföra. Rutinarbete kan minska, men det arbete som återstår kräver mer omdöme. Nya ansvarsområden kan sedan fylla det utrymme som skapades.
Vid någon tidpunkt leder de samlade förändringarna till ett annat jobb.
HR bör vara uppmärksamt på den tröskeln. Arbetsbeskrivningar, kompetenskrav, ersättning, karriärvägar och prestationsförväntningar är alla beroende av en korrekt förståelse av vad rollen nu kräver. Om ledare fortsätter att lägga till AI i befintliga roller utan att ompröva dessa grundläggande delar kan anställda till slut utföra ett annat arbete inom ramen för en gammal arbetsutformning.
Samma fråga gäller förväntningarna på teamets prestationer. Om ett team blir mer produktivt med AI kommer ledare naturligt att fråga sig om den nya produktivitetsnivån bör bli standarden.
Det beslutet kräver mer än bevis på att tekniken fungerade. Det kräver förtroende för att vinsten är hållbar, att medarbetarna har jämförbar tillgång till verktygen och att arbetet är tillräckligt likartat för att samma förväntan ska kunna tillämpas i hela organisationen.
Att skala upp bortom pilotprojektet
Det är här ett framgångsrikt pilotprojekt blir en utmaning för hela företaget.
Ett användningsområde kan fungera bra i ett team eftersom arbetsflödet är strukturerat, data är korrekt, chefen förstår tekniken eller medarbetarna har haft tid att experimentera. En annan funktion kanske inte har någon av dessa fördelar.
Painter beskrev hur hon arbetade tillsammans med organisationens AI-chef med en färdplan för målbilden, som kopplade tekniska beslut till den framtida verksamhetsmodellen.
Företaget skapade också ett tvärfunktionellt AI-råd med deltagare från HR, teknik, ekonomi och juridik. Målet var att samordna investeringar och styrning utifrån verksamhetens prioriteringar, i stället för att låta varje funktion skapa sin egen samling verktyg och projekt.
Detta är en viktig del av uppskalningen eftersom man inte bara kan kopiera det som fungerade någon annanstans. Ledare behöver identifiera vilka delar av ett framgångsrikt arbetssätt som kan standardiseras och vilka som beror på arbetet, personalstyrkan eller riskprofilen i en viss funktion.
Det bör också dämpa breda antaganden om produktivitet. Ett framgångsrikt pilotprojekt kan ge belägg för ett användningsområde. Det ger inte automatiskt belägg för en hel personalstyrka.
Tillgång till verktyg är en del av prestationsbedömningen
Uppskalning skapar också ett rättviseproblem.
Deltagarna beskrev organisationer där medarbetare har tillgång till olika AI-verktyg beroende på funktion, budget eller policy. Vissa medarbetare kompletterar det arbetsgivaren tillhandahåller med betalda verktyg som de använder hemma eller på personliga enheter. Andra har inte den möjligheten.
När AI påverkar hur mycket eller hur väl någon kan producera får dessa skillnader betydelse för prestationsstyrningen.
Kara Miller, tidigare vice president för talang, lärande och omställning av arbetskraften på Visa, tog upp ytterligare en aspekt: Om två medarbetare bedöms utifrån samma produktivitetsstandard men den ena har tillgång till ett mer kapabelt verktyg, hur stor del av prestationsskillnaden beror då på individuell förmåga, och hur mycket beror på den miljö som organisationen har skapat runt dem?
Samma fråga kan påverka utveckling och karriärrörlighet om vissa roller ger medarbetarna betydligt större möjligheter att bygga upp AI-kompetens än andra.
Företag behöver inte ha identiska verktyg för varje medarbetare, var gruppen överens om. De behöver däremot förstå när ojämlik tillgång börjar påverka de standarder de använder för att bedöma människor.
Ett bättre mått på AI-mognad
Mot slutet av kvällen frågade jag vad som skulle behöva förändras under det kommande året för att ledare skulle känna sig säkra på att deras organisationer hade kommit fram till hur AI kan skalas upp.
Svaren kretsade kring bättre omdöme i hela organisationen: chefer som kunde diskutera tekniken med viss insikt, medarbetare som förstod ansvarsfull användning, chefer som kunde identifiera värdefulla användningsområden och tydligare beslut om tillgång.
Det ger HR-ledare ett användbart sätt att tänka på nästa fas av AI-användningen.
Om ni ska få ut mer värde av AI måste ni bli bättre på att välja rätt problem att lösa, utforma arbetet på nytt när problemen är lösta och avgöra vilka vinster som kan återskapas på andra håll.
HR måste också vara mer medvetet om vad ny kapacitet innebär för jobb och prestationsförväntningar.
