Kontinuerlig återkoppling om prestation 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 har problem med otillräckliga, föråldrade eller inkonsekventa data, vilket påverkar återkopplingens kvalitet.
Förtroendeproblem: Öppenhet kring AI-genererad återkoppling är avgörande; information om detta påverkar medarbetarnas förtroende och återkopplingens effektivitet.
Införandegapet: Det finns en växande klyfta mellan AI:s potentiella fördelar och den praktiska tillämpningen i organisationer.
Återkopplingsloopar: Ineffektiva återkopplingsloopar kan förkorta utvärderingscyklerna, men löser inte problemen med årliga utvärderingar.
Kontinuerlig prestationsfeedback som drivs av AI har gått från att stå på konferensers önskelistor till att rullas ut i företag snabbare än de flesta metoder för personalledning på senare tid.
Budskapet är konsekvent bland leverantörerna: feedback i realtid, minskad närhetsbias och feedback 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 feedback 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 de modeller som har producerat dem.
Andrew Whyatt-Sames, organisationspsykolog och medgrundare av UptakeAI, som arbetar med organisationer som inför AI i processer för personal och prestation, har sett detta utspela sig gång på gång.
När AI genererar en prestationssammanfattning behandlar de flesta chefer den som ett utkast att godkänna i stället för en utgångspunkt att granska kritiskt.
En linjechef, tre månader efter att ett införande på ett företag med 2 000 anställda hade påbörjats, berättade för honom: "Det stod ’stark kommunikatör’ och jag höll med — all data finns ju där, eller hur?"
Den underliggande modellen använde mötesnärvaro som en indikator på kommunikationsförmåga. Ingen hade berättat det för cheferna.
En del av problemet är grundläggande. System för kontinuerlig feedback behöver kontinuerliga data av hög kvalitet. De flesta organisationer har inte det.
"Den har bara den kontext du ger den", sade Matt Poepsel, VP för talangoptimering på The Predictive Index, när vi talade vid Transform-konferensen i mars. "Det vore som att be en vän om råd om din chef och vännen skulle säga: ’Jag känner egentligen inte din chef — du måste berätta mer för mig.’"
Persondata, påpekade han, var redan inkonsekvent innan AI blev involverat. Arbetsbeskrivningar hämtade från inaktuella platsannonser, kompetensbedömningar kopplade till krav som hade förändrats och beteendeprofiler som chefer aldrig skapade eftersom ingen hade utbildat dem i att ställa frågorna.
Vi har enorma mängder data. Frågan är om det är rätt data.
När de underliggande uppgifterna är bristfälliga korrigerar kontinuerlig feedback inte sig själv. Den förstärker problemet med högre frekvens.
Transparens är ett problem oavsett vilket
Det finns en förtroendedynamik som ytterligare försvårar införandet. Som vi har tagit upp tidigare visade en studie från 2021 som publicerades i Strategic Management Journal att AI-genererad feedback överträffar feedback från mänskliga chefer när det gäller mätbara resultat, men endast 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 utspela sig på nära håll.
"Ljug bara aldrig om det", sade hon. "Du måste vara transparent."
Chefer som ger feedback som genererats av AI riskerar att de anställda avfärdar den om de berättar att AI varit involverat. De som inte gör det sitter med ett transparensproblem som förr eller senare tenderar att komma upp till ytan.
Det som står på spel, hävdar Scott, är om dessa system används som en utgångspunkt eller som ett slutmål.
Bedömningen är inte slutmålet. Bedömningen är det som inleder 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 ni måste mötas på mitten."
Medarbetarna vet vad som mäts
Problemet med att manipulera systemet tenderar att uppstå ungefär sex månader efter en implementering, enligt Whyatt-Sames.
Medarbetarna lär sig vad systemet spårar, vanligtvis genom informella kanaler snarare än något officiellt, och anpassar sig därefter. Fler avstämningskommentarer, fler taggade mål, resultat som systemet kan tolka snarare än som är användbara för någon. En L&D-chef som han arbetade med kallade det att "spela på instrumentpanelen."
Volymproblemet följer en liknande utveckling. Organisationer mäter användningen genom aktivitetsantal, så tre gånger så mycket feedback ser ut som en framgång.
"När man granskar själva feedbacken sjunker användbarheten kraftigt", sade Whyatt-Sames. "Den blir kortare, mer formelartad och koncentrerad till det som systemet belönar.
Förväxlingen av signal och brus blir ofta synlig först när någon gör en retrospektiv genomgång, och då är mönstret väl etablerat.
När själva arbetet delas med en agent
Scott ställde 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 ens utför helt själv?"
Det är en fråga som de flesta nuvarande 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 diagnos av varför dessa problem kvarstår knyter samman de individuella 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 är att slutföra den processen.
När det gäller de underliggande insatserna uttryckte Poepsel det enkelt.
"Varje beslut som rör människor är ett beslut med stora konsekvenser. Vi måste tänka igenom det noggrant så att vi kan gå framåt så snabbt som vi vill."
Argumenten för kontinuerlig feedback med stöd av AI kvarstår. Antagandet att implementering av tekniken löser det ledningsproblem som den byggdes för att hantera gör det inte.
