パフォーマンス管理と分析のためのAI：危機に陥る前に問題を発見する
人事考課は年に1度か2度行われる。その頃には、問題は何カ月も膿んでいる。優秀な社員はすでに片足を踏み出している。スキルの差は、何四半期にもわたってプロジェクトを遅らせている。
審査のプロセス自体が苦痛だ。5人からフィードバックを集める。何ページものコメントに目を通す。テーマを見つける。要約を書く。ミーティングの日程を決める。チームメンバー全員に同じことを繰り返す。
管理職はそれを嫌う。従業員はレビューを信用していない。人事は何週間もかけてレビューを完了させるために人を追いかける。そして、実際の価値-社員の向上を助ける-は、管理負担のために失われてしまう。
AIはこれを変える。AIは年に一度ではなく、リアルタイムでフィードバックを分析する。パフォーマンスデータのパターンを発見する。問題になる前にスキルギャップを特定する。従業員が辞める前に、定着リスクを予測する。
パフォーマンス・マネジメントは継続的で、データに基づいた、実際に役立つものになる。年に一度の儀式ではないのだ。
パフォーマンス・マネジメントが機能しない理由
人事考課が破綻していることは誰もが知っている。企業は何かを必要としているので、いずれにせよ人事考課を行う。
問題は明白だ。レビューが後ろ向きである。前期の業績をレビューしている時点で、それはすでに古いニュースになっている。時間がかかる-マネジャーは1人当たり何時間も費やし、チーム全体では何倍にもなる。主観的-マネジャーによって評価が異なるため、一貫性がない。
しかも頻度は低い。年1回の見直しでは、問題を発見するのが6～12カ月遅すぎる。誰かが苦しんでいる？レビューまでわからない。離職者がいる？気づいたときにはすでに他で面接を受けている。
フィードバック収集は苦痛だ。"金曜日までに3人の仲間のレビューを提出してもらえますか？"リマインダー。追いかける。締め切りの延長。心のこもったフィードバックを書く人もいる。電話で済ませる人もいる。質は千差万別。
それなら、誰かがすべてを理解しなければならない。すべてのコメントに目を通す。テーマを特定する。何が本当の問題なのか？単なるノイズは何か？矛盾しているフィードバックは何か？これには従業員一人当たり何時間もかかる。
実際にレビューが行われる頃には、マネージャーは疲れ切っている。従業員は不安でいっぱいだ。そして、あまりに多くの情報が遅すぎるために、意味のある変化につながらないことが多い。
これは、人々が気にかけていないからではない。そのプロセスが基本的に手作業で、頻度が少なく、後ろ向きだからだ。AIはこの3つの問題をすべて解決する。
AIがパフォーマンス管理にもたらすもの
AIはパフォーマンス・マネジメントにおいてマネジャーに取って代わるものではない。より良い情報をより早く提供することで、実際にチームを助けることができるのだ。その方法はこうだ。
真のパターンを見つけるフィードバック分析
360度レビューでは、複数の人からフィードバックを集める。マネージャー同僚。時には直属の部下。各人が段落ごとにコメントを書く。
これを全部読むのは面倒だ。パターンを見つけるのは？さらに難しい。ある人は「コミュニケーションの問題」を漠然と挙げている。別の人は "チーム内でループしないことがある "と言う。また別の人は、"物事を知るのが遅れることがある "と書いている。これらは関連しているのだろうか？同じ問題？別の問題？
AIがすべてのフィードバックを読み取る。自動的にテーマを特定する。
「コミュニケーション」は4つのレビューに登場する。AIはこれらをグループ化する。具体的には、3人が "更新のタイミング "について、2人が "詳細度 "について言及している。この人物は、プロジェクトの最新情報をもっと積極的に伝える必要がある。
あるいは、AIスポット：5人が "技術的スキル "を称賛しているが、3人が "もっと協力的であるべき "と述べている。テーマ：個人の貢献度は高いが、チームワークの向上が必要。
AIがあなたの代わりにレビューを書いてくれるわけではありません。しかし、明確なパターンを示してくれるので、10ページにも及ぶコメントを読んで手動でテーマを探す必要はありません。
これは組織全体にも有効です。特定のチームが仕事量について常にフィードバックを受けていませんか？それはリソースの問題だ。新任マネジャーが常に権限委譲に苦労している？それはトレーニングの必要性だ。
手作業で何週間もかけて分析するようなパターンを、AIが即座に発見する。AIはそれを即座に発見する。
スキル・ギャップの特定
あなたのチームには特定のスキルが必要だ。現在の役割のために。今後のプロジェクトのために。会社の方向性のために。
誰がそのスキルを持っているのか？能力開発が必要なのは誰か？通常、これは推測にすぎない。管理職には直感がある。人事はある程度のことを知っている。しかし、包括的な可視化？めったにない。
AIは組織全体のスキルデータを分析します。
職務要件を見る。パフォーマンスのフィードバックトレーニングの完了。プロジェクト課題。自己評価。マネージャーの評価。あなたがすでに持っているすべてのデータが、システム上に散らばっているだけなのです。
ギャップを特定します：「あなたの分析チームはSQLのスキルは高いが、Pythonの経験は浅い。今後予定されている3つのプロジェクトではPythonが必要です。これはリスクです。
あるいは、「5人のシニア・エンジニアは管理職の資格があるが、リーダーシップ・トレーニングを修了しているのは2人だけだ。これは、後継者育成計画のギャップを生み出している。"
あるいは、「顧客からのフィードバックでは、何度も "レスポンスタイムが遅い "と書かれています。分析によると、貴社のサポートチームは新しい発券システムのトレーニングを受けていない。これが問題の原因です。"
AIは、何百人もの従業員にわたって、人間には見えない点をつなぎ合わせる。問題を引き起こす前にギャップを発見する。しかも年に一度ではなく、継続的に。
これで、重要な部分に的を絞った育成が可能になる。誰もが無視するような一般的なトレーニングではありません。特定の社員がよりよい仕事をするために実際に役立つ特定のスキルだ。
保有リスク予測
人は突然辞めたりしない。兆候はある。たいていは微妙なものだ。たいていは後から振り返って初めてわかるものだ。
エンゲージメント低下。ミーティングへの参加が減る。フィードバックが細かくなる。1対1の予定が変更される。パフォーマンスは許容範囲にとどまるが、熱意は薄れる。
管理職が気づいたときには、その人はすでに別のオファーを受けている。退社面接では、何カ月も不満を抱いていたことが明らかになる。"なぜ誰も私に話しかけてくれなかったのか？"
AIはこうしたパターンを早期に発見する。
エンゲージメントのシグナルを監視。アンケートの回答が減少傾向にある。ミーティングでの質問の減少コードレビューやコラボレーションの減少PTOの増加。コミュニケーションパターンの変化。
個々には何の意味もない。それらが組み合わさって一つのパターンを形成する。AIはそれを発見し、フラグを立てる：「この従業員のリテンションリスクが高まっています。マネージャーのチェックを推奨します。"
AIがその人が就活中だと知っているからではない。しかし、そのパターンが過去に退職した人と一致するからだ。手遅れになる前に注意を払うようにという警告なのだ。
そうすれば、マネジャーたちは本音で語り合うことができる。「調子はどうだ？どうすればもっとうまくサポートできますか？問題はまだ修正可能なほど早い段階で。
これはすべての離職を防ぐものではない。しかし、辞表を出すまで誰もその人が苦労していることに気づかなかったために、その人を失うことを防ぐことができる。
パフォーマンス・レビュー草案
業績評価を書くのに時間がかかる。管理職は先延ばしにする。人事は締め切りを延ばす。人事部は締め切りを延長する。
AIが入手可能なデータに基づいてレビューを起草。フィードバックを収集。目標と進捗状況。パフォーマンス指標。最近の業績。特定された発展分野。
これは構造化されたドラフトを生み出す：「強みの分野：［肯定的なフィードバックの要約と例］。発展させるべき分野：[建設的なフィードバックの要約（例付き）]。目標の進捗状況：[各目標の状況]。推奨される重点分野：[開発提案]。
マネージャーがレビューする。個人的な見解を加える。トーンを調整する。AIが知り得ない文脈を含める。それを個人的なものにする。
しかし、すべてのフィードバックとデータを合成するという力仕事は終わった。2時間かかっていた作業が30分で済む。しかも、見落としがないため、品質が向上することも多い。
これはAIがレビューを書くのではない。マネジャーがチームメンバーとの実際の会話に集中できるように、AIが面倒な合成作業を行っているのだ。
パフォーマンスを可視化するゴールトラッキング
目標は1月に設定される。3月には忘れ去られる。12月になると、人々は何を達成するはずだったかを思い出そうと奔走する。
AIは目標を可視化し、継続的に追跡する。
従業員やマネージャーに目標を思い出させます。アップデートに基づいて進捗状況を追跡します。進捗が遅れている目標にフラグを立てます：「この目標は6週間経過していません。ステータスアップデートが必要ですか？
目標を実際の仕事に結びつける。ある人の目標が「顧客満足度の向上」であり、顧客調査のスコアが追跡されていれば、AIは自動的に進捗状況を示すことができる。
調整を提案する。「この目標はリソースの制約のため、常にブロックされています。これは修正すべきか、エスカレーションすべきか？"
パフォーマンス管理は継続的に。年に一度のサプライズではない。社員がどのように仕事をしているか、どこにサポートが必要かを継続的に可視化する。
これが意味するもの
人事部長および人事リーダー向け
- データに基づいた人材の決定 直感ではない。パフォーマンス、スキル、エンゲージメントにまたがる実際のパターン。
- 残留に関する早期警告。 辞める前に飛行リスクを発見する。修正可能なうちに問題に対処する。
- 真の格差に対処する開発プログラム。 一般的なトレーニングではない。実際に必要なところに的を絞った育成。
- 組織全体の可視性。 どのチームが繁栄しているか？苦戦しているチームは？システム上の問題はどこにあるのか？それを明確に把握する。
- より良い後継者育成計画。 誰が昇進の準備ができているかを知る。誰が成長が必要か。ベンチの力が弱いところ。
- 人々に嫌われないパフォーマンスプロセス 管理負担が少ない。より実際の開発に集中できる。誰にとってもより良い経験。
マネージャー向け
- 審査書類の作成にかかる時間が短縮される。 合成はAIが行う。あなたは会話とコーチングに集中する。
- チームパフォーマンスに対するより良い洞察。 フィードバックからの明確なパターン目に見えるスキルギャップエンゲージメントに関する早期警告。
- 問題を早期に発見する。 問題を発見するために年次レビューを待ってはいけない。問題がまだ小さいうちに見つけるのだ。
- より有意義な開発に関する会話。 漠然とした印象ではなく、実際のデータやパターンに基づいている。
- 目に見える目標 見直しの時まで忘れない。継続的に追跡され、調整される。
従業員向け
- より明確なフィードバック。 整理されていないコメントの山ではない。明確なテーマと取り組むべき特定の分野。
- 実際のニーズに沿った開発。 一般的なコースではなく、実際のスキルギャップに役立つトレーニング。
- 適切であり続ける目標。 一度決めたら忘れない。状況の変化に応じて追跡し、調整する。
- レビューに驚きはない。 継続的な可視化とは、年に一度ではなく、自分の立ち位置を知ることである。
- 公正なプロセス。 組織全体で一貫した分析。マネージャー個人のバイアスに左右されにくい。
AIにできないこと
限界についてはっきりさせておこう。
AIは業績を決定しない。昇進を決めるわけでもない。報酬を決定することもない。解雇もしない。業績を評価することもない。
判断、状況、説明責任を必要とする人間の決断だ。管理職はそのような判断を下す。AIは、彼らがより良い判断を下すための情報を提供する。
AIはまた、人間のようにニュアンスを理解することもできない。AIはデータのパターンを理解する。誰かが個人的な危機のためにパフォーマンスを落としたとか、メトリクスに現れない余分な仕事をしているなどということは理解できない。
マネジャーはやはり会話をする必要がある。文脈を理解すること。判断を下すこと。人間的なマネジメント。
AIはデータ分析や事務作業を処理することで、それを容易にする。しかし、AIはパフォーマンス管理の人的要素に取って代わるものではない。
また、パフォーマンス・マネジメントにおけるAIには優れたデータが必要だ。フィードバックがゴミなら、AIの分析もゴミになる。目標が追跡されていなければ、AIは役に立たない。エンゲージメントのシグナルが捉えられていなければ、リテンション予測は機能しない。
AIはプロセスを増幅する。もしあなたのプロセスが優れているなら、AIはそれをより良くする。プロセスが壊れているなら、まずプロセスを修正する。
実社会への影響
実際にはどうなのか？
ある企業がパフォーマンス管理にAIを導入した。導入前：管理職は年次レビューに従業員1人当たり3～4時間を費やしていた。導入後1時間。1人当たり2～3時間の節約になる。直属の部下が8人いるマネジャーの場合、1レビューサイクルあたり16～24時間の節約になる。
定着率が向上。早期警告システムは、潜在的な離職者70%を早期にキャッチし、十分に対処できる。全員が残るわけではないが、多くの問題は辞める前に解決される。
開発費がより効果的になる。研修予算を一般的なコースに分散させる代わりに、特定されたスキルギャップに重点的に投資する。実際に関連性があるため、研修の修了率が高まる。
パフォーマンス・プロセスに対する従業員の満足度が向上する。フィードバックが明確になる。レビューが恣意的でなくなる。育成がより有意義に感じられる。
これは机上の空論ではない。AIがパフォーマンス管理を年次的で主観的なものではなく、継続的でデータ主導のものにしたときに起こることなのだ。
はじめに
一度にすべてを変える必要はない。まずは一枚から。
ほとんどの企業にとって、それはフィードバック分析だ。次のレビューサイクルでは、AIにフィードバックを分析させ、テーマを浮かび上がらせる。どれだけ時間が節約できるか。管理職がそれを有用と感じるかどうかを確認する。
あるいは、スキルギャップ分析から始める。役割要件と実際のスキルを対応させる。どこにギャップがあるかを確認する。それを開発の目標にする。
または、目標追跡を実施する。パフォーマンス目標を目に見える形にし、設定して忘れるのではなく、継続的に追跡する。
要素を1つ選ぶ。それを実行する。影響を測定する。そして拡大する。
各企業の業績管理はそれぞれ異なる。レビュープロセスには特定の段階があります。フィードバック収集には特定の形式があります。業績データは特定のシステムに保存されている。
だからこそ、パフォーマンス管理AIはプラグアンドプレイではないのだ。実際のプロセスに適合させる必要がある。実際のデータ。実際の文化。
結論
パフォーマンス・マネジメントは、従業員の向上に役立つはずだ。それどころか、誰もが恐れる管理負担になっている。
AIはパフォーマンス・マネジメントにおける人間の要素を置き換えるものではない。面倒な部分を取り除くことで、人間は実際に重要なこと、つまり社員の成長と成功を支援することに集中できるのだ。
その結果、管理職は事務処理に費やす時間を減らし、コーチングに多くの時間を割くことができる。人事は、危機的状況になる前に問題を発見する。社員はより明確なフィードバックを得て、より良い成長を遂げる。組織はより賢明な人材決定を下す。
それは誇大広告ではない。AIが適切に導入されれば、それがパフォーマンス・マネジメントのためになるのだ。
業績管理を実際に役立てる準備はできているか？
私たちは、一般的な業績管理AIを販売することはありません。あなたの具体的なプロセスに注目します。フィードバックの仕組みデータシステム貴社のニーズ。
そして、実際のパフォーマンス管理方法に合ったAIを構築する。理想化されたプロセスではなく、実際のプロセスです。
誇大広告なし。誇大広告もない。パフォーマンス・マネジメントをより簡単に、より効果的にする実用的なAI。
