Från årliga utvärderingar till kontinuerlig AI-assisterad coachning: en praktisk migrationsmodell
Endast 2 % av Fortune 500:s CHRO:er tror starkt att deras nuvarande system för prestationsutvärdering driver förbättringar.
Den siffran har blivit en pålitlig samtalspunkt på HR-konferenser och i leverantörers presentationsmaterial, vanligtvis följd av ett löfte om att AI-driven kontinuerlig återkoppling ska lösa problemet. Argumentet är övertygande. Resultaten hittills är det inte.
Den numera välkända forskningen från MIT:s NANDA-initiativ visade att ungefär 95 % av alla pilotprogram för generativ AI misslyckas med att skalas upp till produktion. En separat analys från RAND Corporation anger den övergripande misslyckandefrekvensen för AI-projekt till 80 %, där övergivna projekt i genomsnitt innebär 4,2 miljoner dollar i nedlagda kostnader.
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
Gartner klassificerar nu AI i företag som tydligt befinner sig i desillusioneringens dal för 2026, en beteckning som stämmer överens med vad CHRO:er upplever i praktiken: verktyg som fungerar väl i demonstrationer, accepteras under pilotfasen och sedan stannar upp när de ska införas i hela organisationen.
Området prestationshantering är särskilt sårbart för detta mönster eftersom den underliggande processen som det ska förbättra, den årliga utvärderingen, själv är djupt rotad. Att köpa ett verktyg som lovar att omvandla återkoppling till en kontinuerlig, AI-stödd coachningscykel låter övertygande på en leverantörsbild.
Operativt kräver det en genomgripande omformning av hur chefer använder sin tid, hur beslut om ersättning och befordran fattas och hur medarbetare upplever ansvarstagande. De flesta organisationer hoppar över denna omformning och förväntar sig att programvaran ska bära hela ansvaret.
Det som följer är ett praktiskt ramverk för övergången, byggt kring var införanden faktiskt bryter samman:
- Den granskning före övergången som de flesta organisationer hoppar över
- Hur chefens arbetsflöde behöver se ut efter övergången
- Överlämningsarkitekturen som hindrar coachningsverktyg från att bli övervakningsverktyg
- De fem återkommande orsakerna till misslyckanden och en realistisk tidsplan för övergången.
Granskningen
Innan något AI-verktyg konfigureras måste tre frågor besvaras ärligt.
Data
Den första gäller data. Kontinuerlig AI-stödd coachning är beroende av ett jämnt flöde av strukturerade indata som omfattar:
- Dokumenterade anteckningar från 1:1-samtal
- Projektmilstolpar
- Poster med återkoppling från kollegor
- Uppdateringar av måluppföljningen.
Om cheferna inte redan skapar dessa data konsekvent har AI:n inget meningsfullt att analysera. Skräp in, brus ut.
Chefens förmåga
Den andra frågan gäller chefens förmåga. Ett AI-system som upptäcker en signal på bristande engagemang och föreslår en coachningsinsats är bara användbart om chefen som får signalen vet hur den ska hanteras.
Om dina chefer har svårt med direkta återkopplingssamtal redan nu kommer en maskingenererad uppmaning inte att lösa det. Den kommer att synliggöra bristen snabbare, vilket kan vara användbart, men bara om organisationen har en plan för att åtgärda den.
Process
Den tredje frågan gäller processarkitekturen. Har ditt nuvarande system för prestationshantering tydliga eskaleringsvägar? När övergår ett mönster av bristande prestation från att vara chefens ansvar till HR:s? Vem beslutar när en coachningsinsats blir en plan för prestationsförbättring?
Dessa överlämningspunkter måste finnas innan AI börjar markera problem i stor skala, eftersom mängden markeringar kommer att blottlägga varje oklarhet i din nuvarande process inom några veckor.
De flesta organisationer gör det här i fel ordning. De implementerar verktyget först och undrar sedan varför användningen går trögt. Den smartare vägen börjar med en definition. Hur ser ett bra chefskap ut i en kultur med kontinuerlig återkoppling? Först därefter bör man fråga om verktyget faktiskt stödjer det. Om man hoppar över det steget har man inte förändrat chefens arbete. Man har bara gett dem ännu en instrumentpanel att ignorera.
Ett användbart perspektiv kommer från den bredare forskningen om AI-implementering. En rapport från World Economic Forum, som publicerades tidigare i år, visade att färre än en av fem organisationer uppgav hög mognad inom någon aspekt av dataförberedelse, och 72 % av företagsledarna sade att datafundament och dataledningar skulle vara deras snabbast växande investeringsområde inom AI.
Med prestationsstyrning som utgångspunkt är grundarbetet revisionen: att kartlägga ert datalandskap, bedöma era chefer och dokumentera er processarkitektur innan verktyget aktiveras.
Så ser en chefs vecka ut efter migreringen
Det vanligaste problemet med innehåll om kontinuerlig återkoppling är att det förblir på idéstadiet.
”Övergå till löpande coachande samtal” är ett direktiv som inte säger en chef någonting om tisdagen. Migreringsramverket måste vara tillräckligt konkret för att en CHRO ska kunna beskriva, med termer som en första linjens chef känner igen, vad som förändras i deras veckorytm.
Vid en mogen implementering genererar AI-plattformen en löpande sammanfattning av varje direkt underställds aktivitet, baserad på data från projektstyrning, inlägg med kollegial återkoppling och dokumenterade 1:1-anteckningar.
Måndag
Chefens måndag börjar vanligtvis med 15–20 minuters genomgång av dessa sammanfattningar. Systemet har markerat en kort lista över coachningstillfällen, kanske fem till sju för ett team med åtta till tio direkt underställda, rangordnade efter hur brådskande de är och hur tydliga mönstren är.
Chefens uppgift är att filtrera listan. Vissa markeringar är brus. En nedgång i samarbetsmått kan bero på en projektfas som kräver fokuserat arbete, inte på bristande engagemang. Det vet AI inte. Det vet chefen.
Det är i detta filtreringssteg som mänskligt omdöme fortfarande är avgörande, och det är här implementeringar som positionerar AI som en ersättning för chefens omdöme i stället för ett stöd för det tenderar att falla samman.
Tisdag - fredag
Under veckan håller chefen 1:1-samtal. I en äldre modell är dessa möten ofta ostrukturerade avstämningar som styrs av det som ligger överst i medvetandet.
I den migrerade modellen har AI förberett en coachningsagenda för varje direkt underställd och lyfter fram mönster som chefen kanske inte hade lagt märke till: en teammedlem som har fått uppskattning från kollegor tre gånger den här månaden men ingen återkoppling på utvecklingsområden, eller någon vars måluppfyllelse sjönk kraftigt under de två senaste sprintarna.
Den avgörande skillnaden mot den gamla modellen är inte hur ofta samtalen äger rum. Många chefer hade redan veckovisa 1:1-samtal. Skillnaden ligger i kvaliteten på förberedelserna. AI utför det sammanställnings- och mönsterigenkänningsarbete som en chef antingen gjorde bristfälligt, eftersom datamängden översteg vad en människa kan följa för ett helt team, eller inte gjorde alls.
Men användningen av den nya rytmen är ojämn på sätt som de flesta organisationer inte förutser. Enligt Poepsel är de chefer som verkligen engagerar sig i kontinuerliga AI-genererade insikter oftast de som redan hade coachningsvanor innan verktyget kom.
”AI förstärkte helt enkelt det som redan fanns”, sade han. ”För resten hamnade verktyget i ett beteendemässigt vakuum.”
Han pekade på beteendeprofilen som en faktor som organisationer rutinmässigt förbiser: resultatinriktade chefer tenderar att betrakta verktyget som brus, medan människoorienterade chefer har större sannolikhet att integrera det i sitt befintliga arbetssätt.
”Om ni inte tar hänsyn till beteendeprofilen i er strategi för användning utformar ni den för en typ av chef och undrar varför de andra inte följer med”, sade han.
Data från Happily.ai, som analyserade 633 chefer i 60 organisationer, tyder på att mönstret sträcker sig längre än till coachningsstil. Företaget fann att anställningstid nästan inte hade något samband med teamets engagemang, vilket innebär att en chef som anställdes för tre månader sedan och är konsekvent närvarande kommer att prestera bättre än en tioårig veteran som inte gör det.
Den nedersta kvartilen av cheferna i deras datamaterial presterade inte gradvis sämre. Deras poäng för teamengagemang var noll. Slutsatsen för en övergång till kontinuerlig feedback är att tekniken kan vara redo från dag ett, men variationen i chefernas beteende avgör om den leder till insikter eller tystnad.
Med det sagt förskjuts tidsinvesteringen snarare än försvinner. Cheferna lägger mindre tid på att stressa igenom årsutvärderingar. Ett ofta nämnt mål bland tidiga användare är en minskning med 20 % av den totala tiden som läggs på administrativt arbete kopplat till utvärderingar, omfördelad över året till kortare och mer fokuserade coachningssamtal.
Det totala antalet timmar minskar inte nödvändigtvis. Timmarna blir mer produktiva.
Överlämningen i tre nivåer
Ett av de snabbaste sätten att förstöra en AI-stödd coachningsimplementering är att sudda ut skillnaden mellan insikt och tillsyn.
Anställda som upptäcker att AI spårar deras samarbetsmönster, svarstider på e-post eller mötesnärvaro utan sammanhang kommer att tolka systemet som övervakning. Och de har inte fel, såvida organisationen inte har fastställt tydliga gränser för vad som spåras, vem som ser vad och när en flaggning eskaleras bortom chefen.
De organisationer som får detta att fungera tenderar att arbeta enligt en modell i tre nivåer.
Chefsnivå
Den första nivån är chefsnivån. AI visar coachningsuppmaningar, sammanfattningar av mönster och utvecklingsrekommendationer direkt för chefen. Dessa data är avsedda för chefens användning i coachningssamtal. De delas inte automatiskt uppåt.
HRBP-nivå
När ett mönster kvarstår under en fastställd period, exempelvis 60 till 90 dagar med försämrade resultatmått eller upprepade flaggningar som chefen inte har agerat på, eskalerar systemet till HRBP. Eskaleringen utlöser ett samtal mellan HRBP och chefen, inte en granskning av den anställdes data av HR utan chefens sammanhang.
Organisationsnivå
Aggregerade, anonymiserade data flödar uppåt för personalplanering. Ledningen ser trender mellan team och avdelningar, mönster för kvarstannanderisk och utvecklingen av engagemanget. De ser inte individuella medarbetarpaneler.
Transparensen är lika viktig som arkitekturen. Anställda behöver veta vad som spåras, hur det används och vad de själva kan se. De implementeringar som kommer att undvika motreaktioner ger de anställda tillgång till sina egna AI-genererade sammanfattningar, vilket skapar en gemensam referenspunkt för coachningssamtal i stället för ett enkelriktat övervakningsverktyg.
En del av anledningen till att införandet har svårt att lyckas i olika branscher är att misslyckade införanden ofta drivs av anställdas oro kring relevans, identitet och anställningstrygghet, inte av tekniska begränsningar.
Inom prestationsstyrning förstärks den oron eftersom de data som AI bearbetar är personliga. Hur någon agerar på arbetet, hur de samarbetar, hur de presterar. Om anställda upplever att dessa data används mot dem i stället för för deras skull, dör införandet oavsett verktygets tekniska kapacitet.
Fem sätt att misslyckas och hur de faktiskt ser ut
Forskningen om misslyckade AI-projekt, tillsammans med tidiga användares erfarenheter av prestationsstyrning i synnerhet, pekar på fem återkommande mönster för sammanbrott. De är värda att beskriva i detalj eftersom det mesta leverantörsfinansierade innehållet om kontinuerlig feedback aldrig nämner dem, och de visar var det verkliga operativa lärandet finns.
Problemet med en påklistrad lösning
Organisationen köper AI-verktyget men avskaffar inte den årliga utvärderingen. Båda systemen körs parallellt. Cheferna återgår till det välbekanta systemet.
Den AI-plattformen blir hyllvara, och när det är dags att förnya avtalet visar data låg användning och otydlig avkastning på investeringen.
Om ni övergår till kontinuerlig coachning måste den årliga utvärderingsprocessen monteras ned, inte kompletteras. Organisationer som försöker köra båda kommer att se den årliga cykeln vinna varje gång, eftersom den har institutionell tyngd och är kopplad till ersättningsbeslut på sätt som det nya systemet ännu inte har förtjänat tillräckligt förtroende för att ersätta.
Brusproblemet
AI flaggar allt. Cheferna får 10 till 15 aviseringar per dag, kan inte skilja signal från brus och börjar helt ignorera systemet. Grundorsaken är vanligtvis en bristfällig tröskelkonfiguration under installationen.
Plattformen måste finjusteras så att cheferna ser tre till fem handlingsbara coachningstillfällen per vecka, inte per dag.
Förtroendegapet
Chefer får en AI-genererad coachningsuppmaning och tror inte på den. Kanske har systemet flaggat för bristande engagemang hos en medarbetare som chefen betraktar som en toppresterare.
I stället för att undersöka avvikelsen avfärdar chefen AI:n. Poepsel beskrev en vanlig variant av detta: AI:n flaggar för bristande engagemang baserat på beteendesignaler som kommunikationsfrekvens eller deltagande i möten, men missar helt sammanhanget.
Någon är tyst för att de arbetar koncentrerat. Eller så går de igenom något personligt", sade han. "Chefen agerar på flaggan av pliktkänsla, har ett obekvämt avstämningssamtal, och medarbetaren känner sig övervakad snarare än stöttad. Det ögonblicket av bristande överensstämmelse skadar inte bara relationen. Det skadar också chefens förtroende för verktyget.
Lösningen är transparens kring hur AI:n genererar sina bedömningar, vilka data den använder och vilken känd felfrekvens den har. Att öppet dela andelen falska positiva resultat med chefer, i stället för att marknadsföra verktygets träffsäkerhet, bygger den typ av kalibrerat förtroende som upprätthåller användningen.
Motreaktionen mot övervakning
Detta togs upp i avsnittet om överlämning, men det är värt att lyfta fram som ett särskilt misslyckande. Det kan hända även när organisationen har goda avsikter och en rimlig dataarkitektur, om kommunikationen till medarbetarna är bristfällig.
Utlösande faktor är nästan alltid upptäckt snarare än information: medarbetare får reda på vad som spåras i stället för att informeras proaktivt.
Problemet med datakvaliteten
AI:n analyserar ofullständiga uppgifter. Hälften av cheferna i organisationen dokumenterar sina 1:1-samtal. Den andra hälften gör det inte. Kollegial återkoppling ges sporadiskt. Målspårningen är inkonsekvent mellan teamen. AI:n genererar insikter vars kvalitet varierar kraftigt, vilket urholkar förtroendet för systemets resultat i hela organisationen.
Detta är revisionsproblemet från det första avsnittet som visar sig i stor skala, och det är därför steget med datahygien före migreringen inte är förhandlingsbart.
Att fatta beslut om ersättning och befordran utan årliga bedömningar
Det här är frågan som gör ekonomichefer och ersättningskommittéer nervösa, och det är den fråga som det mesta innehållet om fortlöpande återkoppling undviker. Om man avskaffar den årliga utvärderingen, hur fattar man då beslut om befordran och ersättning?
Det korta svaret är att man ersätter en enda bedömning med höga insatser med en serie dokumenterade bedömningar med lägre insatser som samlas in över tid.
I ett migrerat system upprätthåller AI:n ett löpande prestationsregister som sammanställer coachningssamtal, data om måluppfyllelse, erkännande från kollegor och chefsbedömningar som har registrerats under året.
När en kvartalsvis eller halvårsvis beslutspunkt infaller har chefen och HRBP:n ett bredare, mer aktuellt och mer detaljerat evidensunderlag än något som en retrospektiv årlig utvärdering skulle kunna producera.
Det längre svaret är att detta kräver en grundläggande omformning av kalibreringsprocessen. Årliga kalibreringsmöten, där chefer argumenterar för sina teammedlemmars bedömningar mot en påtvingad fördelningskurva, är utformade för en värld där prestationsdata är knapp och subjektiv.
I en fortlöpande modell skiftar kalibreringssamtalet från att debattera bedömningar till att granska utvecklingskurvor. Går den här personen framåt? Har deras utvecklingstakt förändrats? Var finns gapen mellan deras dokumenterade prestation och deras ersättningsnivå?
Poepsel ser detta som den olösta spänningen i centrum för samtalet om fortlöpande återkoppling.
De flesta organisationer har inte ersatt den årliga utvärderingen. De har lagt fortlöpande återkoppling ovanpå den. De kör två system och kallar det en förändring", sade han. "AI:n bör informera det mänskliga omdömet genom att synliggöra mönster, identifiera utvecklingskurvor och flagga för inkonsekvenser mellan chefers bedömningar. Men människan måste fortfarande fatta beslutet. När organisationer låtsas något annat eliminerar de inte partiskhet. De döljer ansvarsutkrävandet.
Det ofta citerade Gallup-resultatet att medarbetare som får återkoppling varje vecka löper 2,7 gånger större sannolikhet att vara engagerade lyfts ofta fram som ett skäl att gå över till fortlöpande återkoppling. Men engagemang i sig löser inte ersättningsproblemet.
Den operativa frågan är om fortlöpande data faktiskt leder till bättre beslut om befordran och lön. Tidiga belägg från organisationer som har genomfört hela migreringen tyder på att svaret är ja, men med en reservation: datakvaliteten beror helt på om cheferna har använt systemet konsekvent under hela året.
I organisationer med ojämn användning är de kontinuerliga uppgifterna faktiskt sämre än det gamla systemet, eftersom de skapar en illusion av noggrannhet som bygger på ofullständiga indata.
En realistisk migreringstidslinje
Utifrån de felmönster som dokumenterats ovan och erfarenheterna från organisationer som har genomfört denna migrering ser ordningsföljden ungefär ut så här.
Månad 1–3 är granskningsfasen. Kartlägg ert datalandskap. Bedöm chefernas beredskap. Dokumentera er nuvarande eskalerings- och beslutsstruktur.
Den här fasen är föga glamorös och ger inga synliga resultat, vilket är anledningen till att den hoppas över. Organisationer som hoppar över den brukar befinna sig tillbaka i detta skede nio månader senare, efter att ha förbrukat sitt förtroendekapital och sin första förnyelseperiod på vägen.
Månad 4–6 handlar om redesign av processerna. Det är här chefens arbetsflöde byggs om. Hur ser den veckovisa rytmen ut? Vilka är överlämningsprotokollen? Hur ska kalibreringen fungera? Vem ser vilka uppgifter?
De här frågorna besvaras innan någon leverantör väljs, eftersom svaren avgör kraven.
Månad 7–9 är pilotfasen. En grupp chefer genomför den nya processen med den valda plattformen. Målet med piloten är inte att bevisa att systemet fungerar, utan att dokumentera var det brister.
Varje felläge, varje kringgående lösning och varje förvirrande punkt katalogiseras. Implementeringar som använder piloten för att skapa en framgångssaga i stället för en felkatalog optimerar för fel resultat.
Månad 10–12 handlar om justeringar och bredare utrullning. Protokollen revideras utifrån det som piloten visade. Utrullningen utökas, med realistiska förväntningar på organisationen.
De flesta implementeringar når 60–70 % av sin målanvändning i slutet av det första året. Full mognad, där systemet är den primära mekanismen för prestationsstyrning snarare än ett komplement till äldre processer, tar 18 till 24 månader.
En ärlig bedömning från de personer jag talar med är att de flesta organisationer kommer att landa på omkring 60 % av det värde de förväntade sig av denna migrering. Det är fortfarande värt det, om mätinstrumentet är kalibrerat efter verkligheten.
Chefernas tid som läggs på administrativt granskningsarbete minskar. Kvaliteten på återkopplingen, mätt utifrån specificitet och aktualitet, ökar. Medarbetarnas tydlighet kring var de befinner sig förbättras. Men inget av detta sker på 90 dagar, och inget av det sker genom att lägga till ett verktyg i en process som inte utformats för att stödja det.
Gartners John-David Lovelock sade tidigare i år att AI oftast kommer att säljas till företag av deras befintliga programvaruleverantör snarare än köpas som en del av ett nytt projekt, eftersom förutsägbarheten i avkastningen på investeringen måste förbättras innan organisationer vågar satsa på omvälvande användningsområden.
Prestationsstyrning är ett test av den tesen. Verktyget är inte omvandlingen. Det är omdesignen av processen som utgör omvandlingen. Verktyget är det som gör den omdesignade processen skalbar. Och de organisationer som fortfarande behandlar detta som ett inköpsbeslut bygger på samma grund som skapade ett system som nästan ingen tror på.
