Sztuczna inteligencja w zarządzaniu wydajnością i analityce: Zobacz problemy, zanim staną się kryzysami
Oceny wyników zdarzają się raz lub dwa razy w roku. Do tego czasu problemy ropieją od miesięcy. Dobrzy pracownicy są już jedną nogą za drzwiami. Luki w umiejętnościach spowalniają projekty od wielu kwartałów.
Sam proces recenzji jest bolesny. Zebranie opinii od pięciu osób. Przeczytać strony komentarzy. Spróbuj znaleźć motywy. Napisać podsumowanie. Zaplanuj spotkanie. Powtórz dla każdego członka zespołu.
Menedżerowie go nienawidzą. Pracownicy mu nie ufają. Dział HR spędza całe tygodnie na nakłanianiu ludzi do wypełniania ocen. A rzeczywista wartość - pomaganie ludziom w doskonaleniu się - ginie w obciążeniach administracyjnych.
Sztuczna inteligencja to zmienia. Analizuje informacje zwrotne w czasie rzeczywistym, a nie raz w roku. Dostrzega wzorce w danych dotyczących wydajności. Identyfikuje luki w umiejętnościach, zanim staną się one problemem. Przewiduje ryzyko retencji, zanim ludzie odejdą z pracy.
Zarządzanie wydajnością staje się ciągłe, oparte na danych i faktycznie pomocne. Nie jest to przerażający coroczny rytuał.
Dlaczego zarządzanie wydajnością dziś nie działa
Wszyscy wiedzą, że oceny wyników są zepsute. Firmy i tak je przeprowadzają, ponieważ są im do czegoś potrzebne.
Problemy są oczywiste. Przeglądy mają charakter retrospektywny - w momencie, gdy przeglądasz wyniki z ostatniego kwartału, są to już stare wiadomości. Są czasochłonne - menedżerowie poświęcają godziny na jedną osobę, pomnożone przez cały zespół. Są subiektywne - różni menedżerowie różnie oceniają, co prowadzi do niespójności.
I są rzadkie. Coroczne przeglądy oznaczają wyłapywanie problemów o 6-12 miesięcy za późno. Ktoś ma problemy? Nie dowiesz się aż do przeglądu. Ktoś jest niezaangażowany? Zanim to zauważysz, będzie już prowadził rozmowy kwalifikacyjne gdzie indziej.
Zbieranie opinii jest bolesne. "Czy możesz przesłać recenzje dla swoich trzech kolegów do piątku?". Przypomnienia. Pościg. Przedłużanie terminów. Niektórzy piszą przemyślane opinie. Inni robią to na telefon. Jakość jest bardzo różna.
Wtedy ktoś musi nadać temu wszystkiemu sens. Przeczytać wszystkie komentarze. Zidentyfikować tematy. Jakie są prawdziwe problemy? Co jest tylko szumem? Które opinie są sprzeczne? Zajmuje to wiele godzin dla każdego pracownika.
Do czasu faktycznego przeglądu menedżerowie są wyczerpani. Pracownicy są niespokojni. A rozmowa często nie prowadzi do znaczących zmian, ponieważ jest to zbyt wiele informacji dostarczonych zbyt późno.
Nie dzieje się tak dlatego, że ludziom nie zależy. Dzieje się tak dlatego, że proces ten jest zasadniczo ręczny, rzadki i wsteczny. Sztuczna inteligencja rozwiązuje wszystkie trzy problemy.
Co sztuczna inteligencja robi dla zarządzania wydajnością
Sztuczna inteligencja nie zastępuje menedżerów w zarządzaniu wydajnością. Daje im lepsze informacje szybciej, dzięki czemu mogą faktycznie pomóc swoim zespołom. Oto jak to zrobić.
Analiza sprzężenia zwrotnego, która znajduje prawdziwe wzorce
Opinie 360 zbierają informacje zwrotne od wielu osób. Menedżer. Rówieśnicy. Czasami bezpośredni podwładni. Każda osoba pisze akapity komentarzy.
Czytanie tego wszystkiego jest nużące. A dostrzeganie wzorców? Jeszcze trudniejsze. Jedna osoba wspomina niejasno o "problemach z komunikacją". Inna mówi, że "czasami nie ma pętli w zespole". Inna zauważa "czasami dowiadujemy się o rzeczach z opóźnieniem". Czy są one powiązane? Czy to ten sam problem? Różne kwestie?
Sztuczna inteligencja odczytuje wszystkie opinie. Automatycznie identyfikuje tematy.
"Komunikacja" pojawia się w czterech recenzjach. Sztuczna inteligencja grupuje je razem. Widzi, że trzy osoby konkretnie wspominają o "czasie aktualizacji", a dwie o "poziomie szczegółowości". Wzorzec jest jasny: ta osoba musi bardziej proaktywnie komunikować aktualizacje projektu.
Albo miejsca AI: pięć osób chwali "umiejętności techniczne", ale trzy wspominają "mógłby być bardziej skłonny do współpracy". Motyw przewodni: silny indywidualny współpracownik, potrzebuje rozwoju w zakresie pracy zespołowej.
Sztuczna inteligencja nie pisze recenzji za Ciebie. Daje ci jednak jasne wzorce, dzięki czemu nie musisz czytać 10 stron komentarzy, próbując ręcznie znaleźć motywy.
Działa to również w całej organizacji. Czy niektóre zespoły stale otrzymują informacje zwrotne na temat obciążenia pracą? To problem z zasobami. Czy nowi menedżerowie mają problemy z delegowaniem zadań? To jest potrzeba szkoleniowa.
Wzorce, których ręczne wykrycie zajęłoby tygodnie analizy? Sztuczna inteligencja znajduje je natychmiast.
Identyfikacja luk w umiejętnościach
Twój zespół potrzebuje pewnych umiejętności. Dla ich obecnych ról. Dla nadchodzących projektów. Do tego, dokąd zmierza firma.
Kto posiada te umiejętności? Kto potrzebuje rozwoju? Zazwyczaj jest to zgadywanie. Menedżerowie mają intuicję. Dział HR wie pewne rzeczy. Ale kompleksowa widoczność? Rzadko.
Sztuczna inteligencja analizuje dane dotyczące umiejętności w całej organizacji.
Analizuje wymagania dotyczące stanowiska. Informacje zwrotne dotyczące wydajności. Ukończenie szkolenia. Zadania projektowe. Samooceny. Oceny menedżerów. Wszystkie dane, które już posiadasz, tylko rozproszone w różnych systemach.
Identyfikuje luki: "Twój zespół analityczny wykazuje silne umiejętności SQL, ale ograniczone doświadczenie z Pythonem. Trzy nadchodzące projekty wymagają Pythona. To jest ryzyko".
Albo: "Pięciu starszych inżynierów kwalifikuje się do ról kierowniczych, ale tylko dwóch ukończyło jakiekolwiek szkolenie z zakresu przywództwa. Tworzy to lukę w planowaniu sukcesji".
Albo: "Opinie klientów wielokrotnie wspominają o "wolnym czasie reakcji". Analiza pokazuje, że zespół wsparcia nie został przeszkolony w zakresie nowego systemu obsługi zgłoszeń. To wyjaśnia problem".
Sztuczna inteligencja łączy punkty, których ludzie nie są w stanie dostrzec w setkach pracowników. Wykrywa luki, zanim spowodują one problemy. I robi to w sposób ciągły, a nie raz do roku.
Teraz możesz ukierunkować rozwój tam, gdzie ma to znaczenie. Nie ogólne szkolenia, które wszyscy ignorują. Konkretne umiejętności, które faktycznie pomogą konkretnym osobom lepiej wykonywać swoją pracę.
Przewidywanie ryzyka retencji
Ludzie nie odchodzą znikąd. Pojawiają się oznaki. Zazwyczaj subtelne. Zwykle widoczne dopiero z perspektywy czasu.
Zaangażowanie spada. Udział w spotkaniach spada. Informacje zwrotne stają się mniej szczegółowe. Spotkania jeden na jeden są przekładane. Wyniki pozostają akceptowalne, ale entuzjazm zanika.
Zanim menedżerowie to zauważą, dana osoba ma już inną ofertę. Rozmowa kwalifikacyjna ujawnia, że pracownik był niezadowolony od miesięcy. "Dlaczego nikt ze mną nie rozmawiał?"
Sztuczna inteligencja wcześnie wykrywa te wzorce.
Monitoruje sygnały zaangażowania. Tendencja spadkowa w odpowiedziach na ankiety. Mniej pytań na spotkaniach. Zmniejszona liczba przeglądów kodu lub współpracy. Zwiększone wykorzystanie WOM. Zmienione wzorce komunikacji.
Pojedynczo nic one nie znaczą. Razem tworzą wzór. Sztuczna inteligencja dostrzega go i sygnalizuje: "Ryzyko retencji dla tego pracownika wzrosło. Zarekomenduj kierownikowi odprawę".
Nie dlatego, że sztuczna inteligencja wie, że dana osoba szuka pracy. Ale dlatego, że wzorzec pasuje do osób, które odeszły w przeszłości. To ostrzeżenie, by uważać, zanim będzie za późno.
Menedżerowie mogą wtedy prowadzić prawdziwe rozmowy. "Jak się sprawy mają? Jak mogę cię lepiej wspierać?". Na tyle wcześnie, że problemy można jeszcze naprawić.
Nie zapobiega to wszystkim rotacjom - czasami ludzie odchodzą z powodów, których nie można kontrolować. Zapobiega to jednak utracie pracowników, ponieważ nikt nie zauważył, że zmagają się oni z problemami, aż do momentu złożenia przez nich rezygnacji.
Generowanie projektu przeglądu wyników
Pisanie ocen wyników zajmuje wieczność. Menedżerowie zwlekają. Dział HR przedłuża terminy. Cierpi na tym jakość, ponieważ ludzie się spieszą.
AI przygotowuje przegląd na podstawie dostępnych danych. Zebrane informacje zwrotne. Cele i postępy. Wskaźniki wydajności. Ostatnie osiągnięcia. Zidentyfikowane obszary rozwoju.
Generuje ustrukturyzowany szkic: "Obszary mocnych stron: [podsumowanie pozytywnych informacji zwrotnych z przykładami]. Obszary do rozwoju: [podsumowanie konstruktywnych informacji zwrotnych z przykładami]. Postępy w realizacji celów: [status każdego celu]. Zalecane obszary zainteresowania: [sugestie dotyczące rozwoju]".
Menedżer dokonuje przeglądu. Dodaje osobiste obserwacje. Dostosowuje ton. Uwzględnia kontekst, którego SI nie mogła znać. Nadaje mu osobisty charakter.
Ale ciężka praca - synteza wszystkich informacji zwrotnych i danych - została wykonana. To, co zajmowało 2 godziny, teraz zajmuje 30 minut. A jakość jest często lepsza, ponieważ nic nie zostaje pominięte.
To nie jest sztuczna inteligencja pisząca recenzje. Jest to sztuczna inteligencja wykonująca żmudną syntezę, dzięki czemu menedżerowie mogą skupić się na rzeczywistej rozmowie z członkiem zespołu.
Śledzenie celów, które zapewnia widoczność wyników
Cele są wyznaczane w styczniu. Do marca się o nich zapomina. Do grudnia ludzie starają się przypomnieć sobie, co mieli osiągnąć.
AI sprawia, że cele są widoczne i śledzone w sposób ciągły.
Przypomina pracownikom i menedżerom o celach. Śledzi postępy na podstawie aktualizacji. Flaguje cele, które nie są realizowane: "Ten cel nie wykazuje postępu w ciągu 6 tygodni. Potrzebna aktualizacja statusu?"
Łączy cele z rzeczywistą pracą. Jeśli czyimś celem jest "poprawa zadowolenia klientów", a wyniki ankiet klientów są śledzone, sztuczna inteligencja może automatycznie pokazywać postępy.
Sugeruje korekty. "Ten cel jest konsekwentnie oznaczany jako zablokowany z powodu ograniczeń zasobów. Czy należy to zmienić lub eskalować?".
Zarządzanie wydajnością staje się ciągłe. Nie jest niespodzianką raz do roku. Stały wgląd w to, jak ludzie sobie radzą i gdzie potrzebują wsparcia.
Co to oznacza dla użytkownika
Dla dyrektorów HR i liderów personalnych
- Decyzje dotyczące talentów oparte na danych. Nie przeczucie. Rzeczywiste wzorce wydajności, umiejętności i zaangażowania.
- Wczesne ostrzeżenie o retencji. Wykryj ryzyko związane z lotem, zanim ludzie zrezygnują. Czas zająć się problemami, gdy można je naprawić.
- Programy rozwojowe, które zajmują się rzeczywistymi lukami. Nie ogólne szkolenia. Ukierunkowany rozwój tam, gdzie jest on rzeczywiście potrzebny.
- Widoczność w całej organizacji. Które drużyny dobrze prosperują? Które zmagają się z problemami? Gdzie występują problemy systemowe? Zobacz to wyraźnie.
- Lepsze planowanie sukcesji. Dowiedz się, kto jest gotowy na awans. Kto potrzebuje rozwoju. Gdzie siła ławki jest słaba.
- Proces wydajności, którego ludzie nie nienawidzą. Mniejsze obciążenie administracyjne. Większy nacisk na rzeczywisty rozwój. Lepsze doświadczenie dla wszystkich.
Dla menedżerów
- Mniej czasu na przegląd dokumentacji. Sztuczna inteligencja zajmuje się syntezą. Ty skupiasz się na rozmowie i coachingu.
- Lepszy wgląd w wydajność zespołu. Wyraźne wzorce z informacji zwrotnych. Widoczne luki w umiejętnościach. Wczesne ostrzeżenia dotyczące zaangażowania.
- Wyłapuj problemy wcześniej. Nie czekaj na coroczny przegląd, aby odkryć problemy. Dostrzegaj je, gdy są jeszcze małe.
- Bardziej znaczące rozmowy rozwojowe. W oparciu o rzeczywiste dane i wzorce, a nie niejasne wrażenia.
- Cele, które pozostają widoczne. Nie zapomniane do czasu przeglądu. Ciągłe śledzenie i dostosowywanie.
Dla pracowników
- Bardziej przejrzyste informacje zwrotne. Nie śmietnik niezorganizowanych komentarzy. Jasne tematy i konkretne obszary do pracy.
- Rozwój dostosowany do rzeczywistych potrzeb. Szkolenia, które pomagają uzupełnić rzeczywiste braki w umiejętnościach, a nie ogólne kursy.
- Cele, które pozostają aktualne. Nie ustalone raz i zapomniane. Śledzone i dostosowywane do zmieniającej się sytuacji.
- Brak niespodzianek w recenzjach. Ciągła widoczność oznacza, że wiesz, na czym stoisz, a nie dowiadujesz się tego raz w roku.
- Uczciwy proces. Spójna analiza w całej organizacji. Mniejsza podatność na uprzedzenia poszczególnych menedżerów.
Czego sztuczna inteligencja nie zrobi
Postawmy sprawę jasno.
Sztuczna inteligencja nie podejmuje decyzji dotyczących wydajności. Nie decyduje o awansach. Nie określa wynagrodzenia. Nie zwalnia ludzi. Nie ocenia wydajności.
Są to ludzkie decyzje, które wymagają osądu, kontekstu i odpowiedzialności. Menedżerowie podejmują te decyzje. Sztuczna inteligencja dostarcza informacji, które pomagają im podejmować lepsze decyzje.
Sztuczna inteligencja nie jest również w stanie zrozumieć niuansów tak, jak ludzie. Widzi wzorce w danych. Nie rozumie, że czyjaś wydajność spadła z powodu osobistego kryzysu lub że wykonuje dodatkową pracę, która nie jest widoczna w metrykach.
Menedżerowie nadal muszą prowadzić rozmowy. Rozumieć kontekst. Używać osądu. Być ludźmi w zarządzaniu ludźmi.
Sztuczna inteligencja ułatwia to, obsługując analizę danych i prace administracyjne. Nie zastępuje ona jednak ludzkiego elementu zarządzania wydajnością.
Sztuczna inteligencja w zarządzaniu wydajnością wymaga również dobrych danych. Jeśli informacje zwrotne są bezwartościowe, analiza AI będzie bezwartościowa. Jeśli cele nie są śledzone, sztuczna inteligencja nie może pomóc. Jeśli sygnały zaangażowania nie są rejestrowane, przewidywanie retencji nie będzie działać.
Sztuczna inteligencja wzmacnia proces. Jeśli proces jest dobry, sztuczna inteligencja go usprawni. Jeśli proces jest zepsuty, najpierw należy go naprawić.
Wpływ na rzeczywistość
Jak to wygląda w praktyce?
Firma wdraża sztuczną inteligencję do zarządzania wydajnością. Przed: menedżerowie spędzali 3-4 godziny na pracownika na corocznych przeglądach. Po: 1 godzina. To oszczędność 2-3 godzin na osobę. W przypadku menedżera z 8 bezpośrednimi podwładnymi jest to 16-24 godzin zaoszczędzonych na cykl przeglądu.
Poprawa retencji. System wczesnego ostrzegania wychwytuje 70% potencjalnych odejść wystarczająco wcześnie, aby się nimi zająć. Nie wszyscy zostają, ale wiele kwestii zostaje rozwiązanych, zanim ludzie odejdą.
Wydatki na rozwój stają się bardziej efektywne. Zamiast rozpraszać budżet szkoleniowy na ogólne kursy, inwestycje koncentrują się na zidentyfikowanych lukach w umiejętnościach. Liczba ukończonych szkoleń wzrasta, ponieważ są one rzeczywiście istotne.
Zwiększa się zadowolenie pracowników z procesu oceny wyników. Informacje zwrotne są bardziej przejrzyste. Oceny są mniej arbitralne. Rozwój ma większe znaczenie.
To nie jest teoria. Dzieje się tak, gdy sztuczna inteligencja sprawia, że zarządzanie wydajnością jest ciągłe i oparte na danych, a nie roczne i subiektywne.
Pierwsze kroki
Nie musisz zmieniać wszystkiego od razu. Zacznij od jednego elementu.
Dla większości firm jest to analiza opinii. W następnym cyklu przeglądu zleć sztucznej inteligencji analizę opinii i wyodrębnienie tematów. Zobacz, ile czasu to zaoszczędzi. Sprawdź, czy menedżerowie uznają to za przydatne.
Możesz też zacząć od analizy luk w umiejętnościach. Odnieś wymagania dotyczące ról do rzeczywistych umiejętności. Sprawdź, gdzie istnieją luki. Wykorzystaj to do ukierunkowania rozwoju.
Lub wdrożyć śledzenie celów. Cele dotyczące wydajności powinny być widoczne i śledzone w sposób ciągły, a nie ustalone i zapomniane.
Wybierz jeden element. Wdróż go. Zmierz wpływ. Następnie rozwiń.
Zarządzanie wydajnością w każdej firmie jest inne. Proces oceny ma określone etapy. Zbieranie informacji zwrotnych ma określone formaty. Dane dotyczące wydajności są przechowywane w określonych systemach.
Właśnie dlatego sztuczna inteligencja do zarządzania wydajnością nie jest typu plug-and-play. Musi pasować do rzeczywistego procesu. Rzeczywistych danych. Rzeczywistej kultury.
Podsumowanie
Zarządzanie wydajnością powinno pomagać ludziom w doskonaleniu się. Zamiast tego stało się obciążeniem administracyjnym, którego wszyscy się boją.
Sztuczna inteligencja nie zastępuje ludzkiego elementu zarządzania wydajnością. Usuwa żmudne elementy, dzięki czemu ludzie mogą skupić się na tym, co naprawdę ważne - pomaganiu ludziom w rozwoju i odnoszeniu sukcesów.
Rezultat: menedżerowie spędzają mniej czasu na papierkowej robocie, a więcej na coachingu. Dział HR wykrywa problemy, zanim staną się kryzysami. Pracownicy otrzymują jaśniejsze informacje zwrotne i lepiej się rozwijają. Organizacja podejmuje mądrzejsze decyzje dotyczące talentów.
To nie szum informacyjny. To właśnie robi sztuczna inteligencja w zarządzaniu wydajnością, gdy jest prawidłowo wdrożona.
Gotowy, aby zarządzanie wydajnością było faktycznie przydatne?
Nie sprzedajemy ogólnej sztucznej inteligencji do zarządzania wydajnością. Przyglądamy się konkretnym procesom. Mechanizmy informacji zwrotnej. Twoim systemom danych. Twoim potrzebom.
Następnie tworzymy sztuczną inteligencję, która pasuje do tego, jak faktycznie zarządzasz wydajnością. Nie jakiś wyidealizowany proces - twój rzeczywisty proces.
Bez szumu reklamowego. Bez nadmiernej sprzedaży. Tylko praktyczna sztuczna inteligencja, która sprawia, że zarządzanie wydajnością jest mniej bolesne i bardziej skuteczne.
Porozmawiajmy o wyzwaniach związanych z zarządzaniem wydajnością
