Key Takeaways
İşle Başlayın: Şirketler, yapay zekâ araçlarını seçmeden veya beklenen getirileri ölçmeden önce iş akışlarını iş sorunları etrafında yeniden tasarlamalıdır.
Kullanım Alanı Muhakemesi: Yapay zekâ eğitimi, çalışanlar yalnızca yeni araçları kullanmayı değil, değerli sorunları belirlemeyi öğrendiğinde daha fazla değer yaratır.
İşin Yeniden Tasarlanması: Başarılı yapay zekâ benimsemesi, görevler değiştikçe liderleri sorumlulukları, becerileri, performans standartlarını ve kariyer yollarını yeniden tanımlamaya zorlar.
Dikkatli Ölçeklendirin: Pilot uygulamalar nadiren işlevler arasında doğrudan aktarılabilir; kuruluşlar, kanıtlanmış uygulamaları standartlaştırırken iş akışlarına, risklere ve verilere göre uyarlama yapmalıdır.
Adil Erişim: Yapay zekâya eşitsiz erişim, benzer işler yapan çalışanlar arasındaki performans değerlendirmelerini, gelişim fırsatlarını ve üretkenlik karşılaştırmalarını çarpıtabilir.
Geçtiğimiz hafta Atlanta’da bir grup CHRO ile işletme genelinde yapay zekânın ölçeklendirilmesi hakkında konuşmak üzere bir araya geldim.
Konuşmaya yatırım getirisiyle başladık, ancak sohbet tekrar tekrar işin kendisine döndü: Hangi sorunlar yapay zekâ yatırımını hak ediyor, kuruluşlar yapay zekânın yarattığı kapasiteyle ne yapmalı ve bir işin onunla birlikte değişmesi gerekecek kadar çok görev ne zaman değişmiş sayılır?
Kia Painter başlangıç noktamızı belirledi. İş sorunuyla başlayın, iş akışını anlayın, süreci yeniden tasarlayın ve ardından yapay zekânın nereye ait olduğuna karar verin.
Painter, şirkette 28 yıl geçirdikten sonra kısa süre önce Cox Communications’tan emekli oldu ve son olarak insan ve kültürden sorumlu baş yönetici olarak görev yaptı. Sıralaması önemli, çünkü kuruluşların yapay zekâyı kullanabilecekleri pek çok yol var. Daha zor olan disiplin ise hangi kullanımların zaman, para ve kurumsal değişimi hak ettiğine karar vermek.
Kullanım Alanına İlişkin Muhakeme, Araç Eğitiminden Daha Önemli Olabilir
Yemekten birkaç hafta önce, AI Signal bültenimizde yöneticilerin ekipleri için neden daha fazla yapay zekâ eğitimi talep ettiğini soran gayriresmî bir anket düzenledim. En yaygın neden şuydu: İnsanlar hangi kullanım alanlarının önemli olduğundan emin değildi.
Bu durum, birçok şirketin yapay zekânın benimsenmesini ele alma biçimindeki bir soruna işaret ediyor. İnsanlara etkili istemler oluşturmayı, belgeleri özetlemeyi veya içerik üretmeyi öğretmek, teknolojiye aşinalık kazandırır. Ancak bu, yapay zekânın anlamlı bir iş sonucunu nerede iyileştirebileceğine karar vermelerine pek yardımcı olmaz.
The Chronicle of Philanthropy’de insan kaynaklarından sorumlu baş yönetici olan Angela Cheng-Cimini, araçların yeteneklerinden ziyade çalışanların sorunları etrafında şekillenen bir yaklaşımı anlattı. Kuruluşunun çalışanlardan günlük zorlukları toplu olarak derlemeyi, geniş ölçüde önem taşıyan birkaç tanesini seçmeyi ve bunları çözmek için kısa süreli çözüm geliştirme etkinlikleri düzenlemeyi planladığını söyledi. Bir çalışan bu yaklaşımı zaten kendi başına uygulamış ve müşteri hizmetleri gelen kutusuna yığılmış tekrarlayan fatura taleplerini ele alacak bir aracı oluşturmuştu.
Bu, yapay zekâ eğitimi için çok daha yararlı bir model, çünkü öğrenmeyi insanların zaten aşina olduğu işle ilişkilendiriyor. Şirketlerin geliştirmesi gereken yetkinlik, kullanım alanına ilişkin muhakemedir: Bir yönetici bir iş akışına bakıp zamanın veya kalitenin nerede kaybedildiğini belirleyebilir ve yapay zekânın nerede fark yaratabileceğini anlayabilir mi?
Bu muhakeme, yatırım getirisi elde etme olasılığını da artırır. Düşük değerli bir sorunu hedefleyen teknik açıdan başarılı bir uygulama yine de kötü bir yatırımdır.
Have an account? Log In
Kapasite, İşle İlgili Kararları Zorunlu Kılar
Sonraki soru, kullanım alanı başarılı olduğunda ne yapılacağıdır.
Yapay zekâ idari işleri ortadan kaldırabilir, işlem sürelerini kısaltabilir ve insanlara daha önce sahip olmadıkları bir kapasite sağlayabilir. Liderlerin ardından bu kapasitenin ne için kullanılacağına karar vermesi gerekir.
Masanın etrafında bu durum, işlerin sıkıştırılması ve daha kapsamlı roller üzerine bir tartışmaya yol açtı. Kesi Dorner, Metro Atlanta Bölgesel Toplu Taşıma İdaresi’nde (MARTA) İnsan Kaynakları AGM’si olarak, şu anda uzmanlaşmış İK pozisyonlarına dağılmış işleri daha kapsamlı iş ortağı rollerinde birleştirmekten bahsetti.
Bir işin tamamen yeniden tasarlanması gerektiğini söylemek için ne kadar değişmiş olması gerektiğine ilişkin sorum yanıtsız kaldı.
Çalışan saatlerinden elde edilen tasarrufları operasyonel bir karara dönüştüren şey, bu seçimlerdir. Bir şirket bu kapasiteyi üretimi artırmak, hizmeti iyileştirmek, gelecekteki işe alımları azaltmak, sorumlulukları genişletmek veya daha önce arada kaynayan işlerle ilgilenmek için kullanabilir. Her seçim farklı bir değer türü üretir.
Bu aynı zamanda çalışanın sorumluluklarını da değiştirir.
Konu çalışan sayısına geldiğinde bu durum daha da netleşti. Painter, yapay zekânın iş gücü maliyetlerini azaltıp azaltamayacağı konusunda CFO’suyla yaptığı görüşmeleri anlattı. Onun yanıtı işe geri dönmek oldu.
Ödenecek hesapları ele alalım. İnsanlar gerçekten ne yapıyor? Yapay zekâ hangi görevleri üstlenebilir? Geriye ne kalıyor? Hangi iş sonucu hâlâ ortaya konulmak zorunda?
Painter’ın vardığı sonuç, liderlerin iş gücüyle ilgili varsayımlarda bulunmaya başlamasından önce yapay zekânın operasyon modeli ve işin tasarımı üzerinden incelenmesi gerektiğiydi.
Bu, İK için değerli bir roldür çünkü yapay zekâ genellikle işleri kademeli olarak değiştirir. Bir görev ortadan kalkarken bir diğeri hızlanır. Rutin işler azalabilir, ancak geriye kalan işler daha fazla muhakeme gerektirir. Ardından yeni sorumluluklar oluşan boşluğu doldurabilir.
Bir noktada, biriken değişiklikler farklı bir iş ortaya çıkarır.
İK bu eşiği gözlemliyor olmalıdır. İş tanımları, beceri gereksinimleri, ücretlendirme, kariyer yolları ve performans beklentilerinin tümü, rolün artık ne gerektirdiğinin doğru anlaşılmasına bağlıdır. Liderler bu temel unsurları yeniden ele almadan yapay zekâyı mevcut rollere katmaya devam ederse çalışanlar, eski bir iş tasarımı kapsamında farklı işler yapar hâle gelebilir.
Aynı konu ekip performansı beklentileri için de geçerlidir. Bir ekip yapay zekâ sayesinde daha üretken hâle gelirse liderler doğal olarak yeni çıktı düzeyinin standart hâline gelip gelmemesi gerektiğini soracaktır.
Bu karar, teknolojinin işe yaradığını gösteren kanıttan daha fazlasını gerektirir. Kazancın sürdürülebilir olduğuna, çalışanların araçlara benzer düzeyde erişebildiğine ve aynı beklentinin kuruluş genelinde uygulanabilmesi için işin yeterince benzer olduğuna dair güven gerektirir.
Pilot Uygulamanın Ötesine Ölçekleme
Başarılı bir pilot uygulamanın kuruluş genelinde bir zorluğa dönüştüğü nokta burasıdır.
Bir kullanım alanı, iş akışı yapılandırılmış, veriler temiz, yönetici teknolojiyi anlıyor veya çalışanların deneme yapmaya zamanları olmuşsa tek bir ekipte iyi sonuç verebilir. Başka bir işlev bu avantajların hiçbirine sahip olmayabilir.
Painter, kuruluşunun yapay zekâ lideriyle teknoloji kararlarını gelecekteki işletim modeline bağlayan bir hedef durum yol haritası üzerinde çalıştığını anlattı.
Şirket ayrıca İK, teknoloji, finans ve hukuk birimlerini içeren işlevler arası bir yapay zekâ konseyi oluşturdu. Amaç, her işlevin kendi araç ve projelerini başlatmasına izin vermek yerine yatırımları ve yönetişimi iş öncelikleri etrafında koordine etmekti.
Bu, ölçeklemenin hayati bir parçasıdır çünkü başka bir yerde işe yarayan şeyi doğrudan kopyalayamazsınız. Liderlerin, başarılı bir yaklaşımın hangi bölümlerinin standartlaştırılabileceğini ve hangilerinin belirli bir işlevin işine, iş gücüne veya risk profiline bağlı olduğunu belirlemesi gerekir.
Bu durum, geniş kapsamlı üretkenlik varsayımlarını da daha ölçülü hâle getirmelidir. Güçlü bir pilot uygulama, bir kullanım alanı hakkında kanıt sağlayabilir. Ancak tüm iş gücü hakkında otomatik olarak kanıt sağlamaz.
More Articles
Araçlara Erişim Performans Denkleminin Bir Parçasıdır
Ölçekleme aynı zamanda bir adalet sorunu yaratır.
Katılımcılar, çalışanların işlev, bütçe veya politikaya bağlı olarak farklı yapay zekâ araçlarına erişebildiği kuruluşları anlattı. Bazı çalışanlar, işverenlerinin sağladıklarını evde veya kişisel cihazlarında kullandıkları ücretli araçlarla tamamlıyor. Diğerlerinin ise bu seçeneği bulunmuyor.
Yapay zekâ, bir kişinin üretebileceği işin miktarını veya kalitesini etkilediğinde bu farklılıklar performans yönetimi açısından önem taşır.
Kara Miller, Visa'da eski yetenek, öğrenme ve iş gücü dönüşümü başkan yardımcısı olarak başka bir hususu gündeme getirdi: İki çalışan aynı çıktı standardına tabi tutuluyor ancak biri daha yetenekli bir araca erişebiliyorsa, performans farkının ne kadarı bireysel beceriden, ne kadarı kuruluşun bu çalışanların çevresinde oluşturduğu ortamdan kaynaklanır?
Aynı sorun, bazı roller çalışanlara diğerlerinden çok daha fazla yapay zekâ becerileri geliştirme fırsatı sunuyorsa gelişimi ve kariyer hareketliliğini de etkileyebilir.
Grup, şirketlerin her çalışan için aynı araçlara sahip olmasının gerekmediği konusunda hemfikirdi. Ancak şirketlerin, eşitsiz erişimin insanları değerlendirmek için kullandıkları standartları ne zaman etkilemeye başladığını anlaması gerekir.
Yapay Zekâ Olgunluğunu Ölçmenin Daha İyi Bir Yolu
Akşamın sonlarına doğru, liderlerin kuruluşlarının yapay zekâyı nasıl ölçekleyeceğini çözdüğünden emin olabilmesi için gelecek yıl neyin değişmesi gerektiğini sordum.
Yanıtlar kuruluş genelinde daha iyi muhakeme becerisi üzerinde yoğunlaştı: Teknolojiyi belirli bir akıcılıkla tartışabilen yöneticiler, sorumlu kullanımı anlayan çalışanlar, değerli uygulamaları belirleyebilen yöneticiler ve erişim konusunda daha net kararlar.
Bu, İK liderlerine yapay zekâ benimsemesinin bir sonraki aşamasını düşünmeleri için yararlı bir yol sunar.
Yapay zekâdan daha fazla değer elde edecekseniz ele alınacak doğru sorunları seçme, bu sorunlar çözüldüğünde işi yeniden tasarlama ve hangi kazanımların başka yerlerde tekrarlanabileceğine karar verme konusunda daha iyi olmanız gerekecek.
İK ayrıca yeni kapasitenin işler ve performans beklentileri açısından ne anlama geldiği konusunda daha bilinçli hareket etmek zorunda kalacak.
