Vad AI upptäckte när det dök upp på jobbet

Podewils är med-VD för ett företag som bygger HR-programvara, så hon har både en inblick i hur organisationer använder personalteknik och en direkt kanal till vad det egna teamet faktiskt upplevde. Hennes iakttagelse från utrullningen belyser något som ofta hamnar i skymundan i de flesta samtal om AI-användning. 

Problemet som AI synliggör inom HR är inte ett teknikproblem. I många fall är det inte ens ett nytt problem. Det är ett misslyckande inom organisationsdesign med mycket lång eftersläpning.

De ledare som navigerar AI mest effektivt just nu är inte de som agerar snabbast. Det är de som är villiga att se på vad AI blottlägger utan att rygga tillbaka.

Beredskapsgapet handlar inte om beredskap

Jeanne Meister har ägnat mer än tre decennier åt att hjälpa organisationer att navigera i förändringar av arbetslivet. Hon har sett företag kämpa med demografiska förändringar, hybridarbete, kompetensgap och ett halvdussin andra strukturella förändringar som skulle omdefiniera arbetslivet som vi kände det. AI är annorlunda på ett specifikt sätt, säger hon: det har gjort ett befintligt gap omöjligt att förneka. Hon kallar det ett beredskapsgap. 

”Gapet mellan vad organisationer vill göra med AI och arbetsstyrkans beredskap att införa AI i sina arbetsflöden.” 

Men hon är snabb med att hävda att utbildning inte är den främsta orsaken. 

”Det handlar om tillit och rädsla. Medarbetare är rädda för att bli överflödiga. De oroar sig för kravet på att behärska AI och vad det innebär för deras nuvarande och framtida roller.”

Den skillnaden, mellan ett kompetensproblem och ett tillitsproblem, spelar enormt stor roll. Om gapet handlar om förmåga löser man det med utbildningsprogram. Om gapet handlar om rädsla kommer enbart utbildningsprogram inte åt det. Då hanterar man något som ligger under kompetensramverket.

Hennes enkätdata gör detta konkret: 79 % av arbetstagarna säger att de känner sig oförberedda på att använda AI på jobbet, och 65 % säger att deras organisation inte har tillhandahållit rätt utbildning. Men Meister går längre än dessa siffror. 

”Många företag kräver AI-kunnighet av sin arbetsstyrka men misslyckas med att definiera vad det innebär för deras medarbetare.” 

Ett krav utan definition är ingen strategi. Det är en mekanism för att leverera oro.

Det hon beskriver är egentligen inte alls ett beredskapsgap. Det är ett kommunikationsmisslyckande som förvärras av ansvarsfrågor. Ledare tror att de kommunicerar AI:s påverkan. Medarbetarna upplever det inte så. Det avståndet, mellan avsikt och mottagande, är något som de flesta organisationer redan hanterade dåligt innan AI kom in i bilden. Nu syns det i siffrorna för AI-användning.

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Create Free Account

Have an account? Log In

Dokumentationsproblemet är ett designproblem

Linnea Bywall tillträdde en roll som personalchef på Quinyx efter sex och ett halvt år då hon byggt upp personalfunktionen på Alva Labs. Hon kom in med en tydlig teori om vad som behövde göras innan något som involverade AI kunde fungera i stor skala.

”Brist på dokumentation är ett betydande hinder för AI-beredskap”, säger hon. ”Så många organisationer vill använda AI, men alltför många processer finns i människors huvuden.”

Det som låter som en teknisk förutsättning – att dokumentera processerna så att AI-modeller har något att arbeta med – är i själva verket en strukturell uppgörelse. Om er introduktionsprocess, ert tillvägagångssätt för prestationskalibrering och er ersättningsfilosofi huvudsakligen finns i muskelminnet hos de personer som har varit med tillräckligt länge för att veta hur saker fungerar, har ni ett problem med organisatorisk sårbarhet som föregår AI med flera år.

Bywalls team skrev om sin personalhandbok och chefshandbok, byggde in dokumentationsmål i kvartalsvisa OKR:er och använde AI både som ett verktyg för att ta fram utkast och som ett bollplank för att identifiera luckor. Processen blev avslöjande på sätt som gick utöver själva dokumenten. ”Vi använde AI som ett bollplank för att säkerställa att vi täckte alla nödvändiga delar”, säger hon. Det som kom tillbaka visade dem hur mycket institutionell kunskap som aldrig hade gjorts uttrycklig.

Podewils nådde samma slutsats från ett annat håll. När hon talar om varför AI behöver sammanlänkade historiska data för att generera meningsfulla insikter, framför hon ett dokumentationsargument med andra ord. 

"En glänsande, fristående AI-agent utanför ditt HR-system kan visst skriva en arbetsbeskrivning. Den kan inte tala om för dig om engagemanget minskar i ett specifikt team, om en högpresterande medarbetare inte har haft ett utvecklingssamtal på flera månader eller om en chefs direktrapporterande medarbetare konsekvent presterar sämre än vad deras egna kollegiala utvärderingar visar."

Att se dokumentation som ett första steg mot AI-beredskap leder ofta till upptäckten av något som borde ha hanterats oavsett AI. Organisationen drivs av informell infrastruktur. Det fungerade så länge personerna som bar på kunskapen stannade kvar. Det var alltid en belastning.

Navelskåderi i stor skala

Dean Carter arbetade i nästan 25 år som CHRO på företag som Fossil, Sears, Patagonia och Guild innan han blev vd för Instill, ett AI-företag med fokus på kultursignaler i organisatoriska samtal. Hans perspektiv är både långsiktigt och tvärgående, och han är inte särskilt mild i sin syn på vad han ser HR göra med AI just nu.

"Jag tycker att HR är alltför fokuserat på att göra om arbetsflöden och organisationsdesign", säger han. "Det är en droppe i havet. Det ger nästan ingen avkastning på investeringen för ett företag. Vi ägnar oss åt navelskåderi genom att tillämpa AI på det som redan finns."

Det här är den svårare versionen av argumentet. Bywall och Podewils hävdar att organisationer behöver utföra grundläggande arbete innan AI kan leverera. Carter hävdar att även organisationer som gör det grundläggande arbetet rätt kan lösa fel problem. Om du använder AI för att optimera en prestationsbedömningsprocess som redan var trasig har du inte förändrat någonting. Du har automatiserat ett misslyckande.

Han har ett specifikt ramverk för hur han ser på AI:s roll i sitt eget arbete. 

"Åttio procent av det AI ger mig är fantastiskt, och det är allt jag behöver. Jag behöver eller vill inte längre ha en slutgiltig lösning, bild eller svar. Jag vill att AI ska göra det mödosamma arbetet med att samla in och sammanställa kunskap, sådant som tar mer tid än tankekraft, och sedan kan jag använda min tid och hjärna till att forma de sista, utmanande och fantastiska tjugo procenten."

Det är inte en optimering av arbetsflödet. Det är en omdefiniering av var mänskligt omdöme hör hemma i processen. Det mödosamma arbetet var den del som förbrukade tid utan att skapa något särskiljande tänkande. De tjugo procenten är där erfarenhet, visdom och kontextuell förståelse faktiskt spelar roll. AI skapade inte den distinktionen. AI gjorde det bara möjligt att ta den på allvar.

Den svårare fråga Carter väcker handlar om hur många HR-team som använder AI för att skydda den befintliga strukturen i stället för att granska den. Hur många automatiserar processen som i stället borde ha gjorts om?

Problemet med de sammanbindande delarna

Trent Cotton leder arbetet med insikter om talanger på iCIMS, och han ser på AI:s roll i HR i strukturella termer. Hans vision av vad AI möjliggör – en integrerad överblick över talangportföljen som kopplar samman rekrytering, intern rörlighet, prestation och lärande på en och samma plats – låter ambitiös. Men den bygger på en diagnos som handlar mindre om AI:s förmåga än om organisatorisk fragmentering.

"I dag lägger HR för mycket tid på att jaga processer som inte hänger ihop", säger han. "Rekryteringsrekvisitioner här, intern rörlighet där och lärande i ännu ett system."

Den här fragmenteringen är inte ny. HR-funktioner har hanterat system som inte hänger ihop i årtionden, köpt in punktlösningar för specifika problem, byggt kringlösningar och förlorat datakvalitet vid varje överlämning. AI åtgärdar inte den fragmenteringen. AI synliggör varför den alltid var ett problem. Den insikt AI kan generera från sammanlänkade data – vem som riskerar att sluta, vilka chefer som utvecklar sina medarbetare och var luckor i efterträdarplaneringen uppstår – är inte tillgänglig om data ligger isolerad.

"AI genererar användbara insikter från sammanlänkade data", säger Podewils. "AI genererar brus från isolerade data. Fragmentering håller på att bli ett dyrt arv, och uppgörelsen är närmare än de flesta tror."

Cotton utvecklar detta till att handla om själva ledarskapets natur. Han talar om en förskjutning från "ledare för en funktion" till "designer av system som lär sig". HR-ledaren som använder AI, enligt hans synsätt, gör inte mindre. Hen arbetar på en annan nivå och kan lyfta fram kompetensrisker och personalstrategi i samtal som tidigare byggde på intuition och eftersläpande data.

"Med integrerade, AI-förstärkta insikter kan HR gå in i ett möte och säga: 'Här är kompetensmixen i ditt team i dag, här är vad din strategi kräver och här är tre portföljförändringar vi kan genomföra.'"

Det är en annan sorts ledarskapssamtal. Det kräver en annan infrastruktur. Och att bygga den infrastrukturen – de sammanlänkade systemen, de rena datauppgifterna och de dokumenterade processerna – är arbete som inte har något med AI att göra och allt att göra med organisatorisk disciplin som tidigare var valfri men inte längre är det.

Tillitsarkitekturen under allt detta

Det som binder samman dokumentationsproblemet, beredskapsgapet, kritiken mot navelskåderiet och fragmenteringsproblemet är en gemensam grund. I grunden är vart och ett av dem ett tillitsproblem.

Medarbetare som är rädda för att AI ska göra dem överflödiga litar inte på att deras organisation hanterar den här övergången med deras intressen i åtanke. Meisters observation att företag kräver AI-kompetens utan att definiera vad det innebär för varje roll är ett tillitsmisslyckande. 

"Ledare bör gå från en ’AI-utbildning som passar alla’ till rollspecifik AI-utbildning och utvärdera prestationen i det sammanhanget."

Carter uttrycker det mer direkt. När ledare ber medarbetare att kartlägga sina uppgifter och färdigheter i samband med införandet av AI hör de flesta medarbetare ett annat budskap än det som faktiskt förmedlas. 

"Trots vad ledarna säger ser människor vad de gör, och det känns inte autentiskt." Det gapet mellan avsikt och uppfattning är ett förtroendegap. Det fanns redan före AI. AI gav det bara nytt material att arbeta med.

Bywalls observation från hennes egen införanderesa bär på samma underton. 

"Det kan kännas skrämmande att hamna efter när man inför AI. Så många människor talar om hur de har revolutionerat sina arbetssätt, men få förklarar hur de gör det. Jag tror att det kan kännas överväldigande för människor och hindra dem från att verkligen ge sig in i det." 

Transparensproblemet, där ledare talar om resultat utan att förklara vägen dit, skapar oro där engagemang behövs. Det här är ett kommunikations- och förtroendemisslyckande som bär en AI-kostym.

Podewils drar gränsen för AI i HR-beslut med ovanlig tydlighet. 

"AI bör aldrig ersätta mänskligt omdöme i beslut som påverkar någons karriär, försörjning eller välbefinnande. AI utarbetar förslag, ger rekommendationer och synliggör information. En person granskar, fattar beslut och tar ansvar för resultatet."

Hon beskriver inte risken som att AI fungerar fel, utan som att AI fungerar exakt som den är utformad men riktas åt fel håll. Granskningar som går snabbare men känns mindre mänskliga. Frågor om policyer som besvaras av en chattbot utan verifiering. Beslut som verkar objektiva eftersom ett system har producerat dem. 

"Risken är AI som fungerar exakt som den är utformad men pekar åt fel håll."

Det är problemet med förtroendearkitekturen. Och det går inte att lösa enbart genom ramverk för AI-styrning, även om sådana är viktiga. Det kan lösas genom samma saker som bygger organisatoriskt förtroende under alla förhållanden: transparens kring vad som beslutas och varför, ansvar för resultaten samt ett synligt ledarskap vars agerande överensstämmer med de uttalade värderingarna.

Vad diagnostiken visar

Meister har sett AI förändra HR-ledares beteende i en specifik riktning. De tidiga användarna, konstaterar hon, behandlar AI-agenter som nya teammedlemmar och introducerar dem medvetet. Den förändring hon har sett går "från ’jag leder’ till ’jag samordnar ett team av människor och AI-agenter’". Det är inte en ledarskapsfilosofi som är uppbyggd kring AI. Det är en ledarskapsfilosofi som AI synliggör och gör nödvändig.

Cottons observation har en liknande struktur. De ledare som enligt honom kommer att bygga en hållbar fördel under de kommande fem åren är de som använder AI för att "öka organisationens förmåga att lära", snarare än som en mekanism för kostnadsminskningar. Skillnaden är inte semantisk. Det ena förhållningssättet bygger kapacitet, det andra utvinner den.

Bywall avslutar med en förutsägelse som väger tyngre när den kommer från en organisationspsykolog än den kanske skulle göra från en tekniker: 

"Under de kommande fem åren förutspår jag att hälften av personalfunktionerna kommer att bli överflödiga. De yrkesverksamma som blir kvar kommer att vara de som kan hantera både människor och agenter."

Det är inte i första hand ett påstående om AI-kompetens. Det är ett påstående om organisationens syfte. De HR-yrkesverksamma som kommer att fortsätta vara värdefulla är de vars värde inte är förankrat i det administrativa lager som AI håller på att ta över. Det innebär att frågan som ledare för personalfunktioner står inför just nu inte är hur de ska införa AI. Det är vad de faktiskt står för under den administrativa ställningen.

Podewils säger att många HR-ledare sökte sig till området eftersom de brydde sig om människor. Om att bygga kulturer, utveckla ledare och skapa miljöer där människor kunde utföra sitt bästa arbete. "Någonstans på vägen blev många processadministratörer. System ackumulerades. Rollen anpassade sig efter dem."

AI orsakade inte den förskjutningen. Men AI tvingar fram en uppgörelse med den.

Diagnostiken är tillgänglig för alla som är villiga att se vad AI avslöjar, snarare än bara vad tekniken kan göra. Organisationer som behandlar detta som ett teknikinförande kommer att få lära sig, till en viss kostnad, att tekniken var den enkla delen.