5 AI-lärdomar från tredje kvartalet som varje CHRO bör komma ihåg
Utbildningssignaler: Förfrågningar om utbildning i AI-användning avslöjar ofta otydliga prioriteringar, arbetsflöden och standarder snarare än enkla kunskapsluckor kring verktygen.
Skugg-AI: Ej godkända AI-arbetsflöden synliggör ouppfyllda medarbetarbehov samtidigt som de skapar risker kring ägarskap, dokumentation och styrning.
Bevis på tillsyn: Effektiv mänsklig tillsyn kräver dokumenterade granskningar, meningsfulla beslutsbefogenheter och mätbara ingripanden i arbetsflöden med stor påverkan.
Gränser för coachning: Samma AI-analys kan förbättra prestationer eller möjliggöra övervakning, beroende på åtkomst, användarkontroll och lagringstid.
Strategiskt tålamod: Snabbare AI-stödd arbetsinsats motiverar inte omedelbara omstruktureringar; ledare behöver bevis innan de förändrar roller, förväntningar eller kapacitet.
Vår rapportering under det senaste kvartalet återkom hela tiden till samma punkt: det svåra med att införa AI börjar efter att verktyget fungerar.
När människor kan använda AI måste ledare besluta vilka problem som är värda att lösa, vad som bör standardiseras, vem som ska ifrågasätta det som tekniken producerar och hur snabbt organisationen bör förändras kring den.
Med detta i åtanke kommer här fem lärdomar från tredje kvartalet att ha i åtanke och ta med i er planering för 2027.
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
1. Utbildningsförfrågningar signalerar vanligtvis en brist på omdöme
På AI4 i augusti beskrev Markus McKay-Fleisch, chef för AI-kompetensutveckling inom professionella tjänster på Smartsheet, hur man upptäckte mer än 50 separata Claude-projekt som byggts av medarbetare inom ekonomi, kundsupport, försäljning och HR för att skapa material i linje med varumärket.
Problemet var att medarbetarna inte visste att någon annan redan hade löst samma problem.
Det är ett allt vanligare problem som döljer sig bakom förfrågningar om mer AI-utbildning. Chefer kanske ber om utbildning när det medarbetarna egentligen saknar är tydlighet kring vilka problem som är värda att lösa, hur ett bra resultat ser ut eller hur deras arbete bör förändras.
Samma begränsning syns i promptbibliotek. En bättre prompt kan göra en uppgift snabbare, men ett omarbetat arbetsflöde kan förändra hur arbetet utförs i grunden.
AI-kompetensutveckling kan inte stanna vid att lära människor hur de använder verktyget. Den måste hjälpa dem att avgöra var det är meningsfullt att använda det.
2. Icke godkänd AI visar var problemen finns
Analiese Brown, personalchef på Campminder, kallar den fragmentering som skapas av okontrollerad AI-användning ”kaosskuld”.
Det kan först se ut som framsteg. Medarbetare bygger kringlösningar, automatiserar uppgifter och delar verktyg med kollegor. Med tiden samlar organisationer på sig arbetsflöden med otydligt ägarskap, bristfällig dokumentation och beroenden som ingen avsåg att skapa.
Det skapar ett uppenbart styrningsproblem, men också användbar information.
Om någon inom ekonomi bygger sin egen avstämningsprocess, eller om en rekryterare kringgår ett godkänt system med hjälp av ett AI-arbetsflöde, bör ni fråga vad som från början fick dem att kringgå den officiella processen.
Skugg-AI visar inte bara var kontrollerna är svaga. Den kan också visa var befintliga verktyg och processer inte tillgodoser behoven hos de människor som använder dem.
3. Mänsklig översyn kräver bevis
De flesta ramverk för AI-styrning placerar fortfarande en människa någonstans i processen.
Den mer användbara frågan är om den personen någonsin säger emot systemet.
Ett sätt att testa om beslutsbefogenheter för AI är verkliga är att granska konsekvensrika arbetsflöden, såsom kandidatgranskning eller prestationsvarningar, och räkna de dokumenterade avvikelserna från systemets beslut.
Om antalet är noll är det värt att undersöka.
Systemet kanske verkligen har haft rätt varje gång. Eller så tror medarbetarna inte att de har verklig befogenhet att ifrågasätta det, vet inte när de bör göra det eller dokumenterar inte dessa meningsskiljaktigheter när de uppstår.
Det är enkelt att utse en människa som ansvarig. Det är svårare att bygga ett system som gör det möjligt för den personen att utöva sitt omdöme.
4. Samma AI kan coacha eller övervaka
AI kan synliggöra delar av arbetet som chefer tidigare inte kunde se.
På Cognite fick chefer analyser av sina egna anställningsintervjuer. En upptäckte att 90 % av hans frågor hade varit slutna. En annan upptäckte att han hade ägnat 85 % av en intervju åt att prata i stället för att lyssna.
Informationen gick tillbaka till cheferna själva så att de kunde förbättra sig.
Den skillnaden spelar roll eftersom coachning och övervakning kan komma från samma verktyg.
Vem ser resultatet? Kan den person som mäts använda det? Hur länge finns dokumentationen kvar?
De besluten fattas allt oftare i anteckningsverktyg, transkriberingsprodukter och analysplattformar. När en organisation börjar diskutera huruvida ett verktyg känns integritetskränkande kan några av de mest avgörande valen redan ha gjorts i inställningarna.
5. Snabbare är inte samma sak som längre fram
AI skapar ett tryck på att korta tidsramarna.
Bygg snabbare. Implementera snabbare. Visa ROI tidigare. Omvandla den sparade tiden till mätbart värde.
Men snabbhet kan också få ledare att fatta permanenta beslut utifrån tillfälliga bevis.
Det är därför strategiskt tålamod blir allt viktigare när AI accelererar arbetet. Att ett arbetsflöde blir snabbare säger inte omedelbart vad jobbet bör utvecklas till, om vinsten kommer att bestå eller vad medarbetarna ska göra med den kapacitet som frigörs.
AI tenderar att förändra arbetet en uppgift i taget. Vissa ansvarsområden försvinner. Andra blir viktigare. Nya uppstår.
Ledare behöver tillräckligt med tid för att se det mönstret innan de utformar om jobb, höjer prestationsförväntningarna eller minskar kapaciteten utifrån en tidig produktivitetsvinst.
Planeringssäsongen gör detta särskilt viktigt. Beslut som fattas nu om budgetar, roller och förväntningar kommer att gälla längre än de pilotprojekt som ligger till grund för dem.
Vad Q3 lämnade oss med
AI-samtalet blir allt mer konkret.
Samtalen om införande håller på att hamna i backspegeln. Frågorna handlar nu om huruvida medarbetarna använder det för värdefulla problem, vad det inofficiella införandet säger oss, om människor fortfarande utövar omdöme och om ledare kan motstå att omvandla varje tidig vinst till ett omedelbart krav.
