I lønadministration ser de farligste AI-fejl korrekte ud

Lønadministration er en af de få forretningsprocesser, hvor hver fejl er knyttet til et navn, et beløb og en dato. Derfor fortjener brugen af AI i lønadministration en mere grundig drøftelse, eftersom det meste af debatten fokuserer på, hvad AI opdager. Det sværere spørgsmål er, hvad AI ændrer, mens ingen holder øje.

Jeg har arbejdet med økonomi i sytten år, først som økonomidirektør og siden med at opbygge infrastruktur til lønadministration på tværs af landegrænser. I den tid har jeg lært at betragte automatisering som en byttehandel: Man giver afkald på synligt manuelt arbejde og får til gengæld usynlig systemadfærd.

Hvad reglerne faktisk kræver

Ifølge EU’s AI-forordning er AI på arbejdspladsen højrisiko, når den bidrager til beslutninger om en person: hvem der bliver ansat, forfremmet eller afskediget, hvordan arbejdet fordeles, hvordan personens præstation vurderes, eller hvordan vilkårene for arbejdet ændres. Disse beslutninger former en persons arbejde og indkomst, så virksomheden, der bruger værktøjet, skal sikre, at et menneske bevarer kontrollen, og føre dokumentation for, hvordan hver beslutning blev truffet. Beregning af løn er som udgangspunkt ikke omfattet, fordi det er ren aritmetik at anvende aftalte satser på godkendte arbejdstimer. Det bliver højrisiko, når løndata begynder at indgå i beslutninger om mennesker, eller når et værktøj, der sælges som »lønadministration«, i det skjulte begynder at træffe sådanne beslutninger.

I USA offentliggjorde National Institute of Standards and Technology (NIST), et føderalt agentur, der er kendt for at fastsætte tekniske standarder og sikkerhedsstandarder, allerede i 2023 en særlig ramme for risikostyring af AI, som organisationer let kan tilpasse til deres egne forhold. Den giver virksomheder en praktisk proces i fire trin, som jeg vender tilbage til nedenfor.

Hvor langt AI trygt kan gå i lønadministration i dag

På overfladen ligner AI i lønadministration et par hurtigere hænder. Men AI’s superkraft er samtidig dens forbandelse: fejlfri, gnidningsfri og vanedannende automatisering. Når først systemet kører, er det svært at få øje på og rette op på alle de måder, det påvirker dem, det i sidste ende skal tjene – mennesker på arbejdspladsen. Derfor betragtes AI inden for HR som højrisiko: Den har direkte indflydelse på folks levebrød, succes på arbejdspladsen og fremtidige karrieremuligheder.

De fleste værktøjer til lønadministration følger en kort proces. Først kontrollerer og klargør de ved at sammenligne, markere og udarbejde udkast. Derefter begynder de at komme med anbefalinger, for eksempel om at tilbageholde en udbetaling eller stille spørgsmål ved en faktura, mens et menneske træffer beslutningen. Ved det tredje trin bør værktøjet stoppe og give beslutningen tilbage til et menneske: Det er her, værktøjet handler på noget, der påvirker en persons arbejde, status eller indkomst. Problemet er, at trinnene glider over i hinanden. En markering af usædvanligt mange arbejdstimer er en harmløs afstemningskontrol i første trin, men bliver til en vurdering af præstationen i tredje trin. Modellen ændrer sig ikke; det gør menneskets brug af dens output.

Hvor AI virkelig gør gavn

En positiv effekt af automatiseret lønadministration er en markant reduktion i antallet af fejl – op til 78 % ifølge Blair McQuillen fra Ignite HCM, en konsulenttjeneste inden for lønadministration. Et AI-drevet værktøj, der skal reducere fejl i lønadministrationen, udfører grundlæggende følgende handlinger for at gennemgå og rette lønsystemer:

• Afvigelsesregistrering indebærer, at maskinlæringsalgoritmer sammenligner løndata med historiske registreringer for at finde store udsving i udbetalinger, dobbeltregistreringer og usædvanlige fradrag.
• Validering af data i realtid betyder, at AI gennemgår både aktuelle medarbejderdata (f.eks. automatisk registreret fremmøde) og kildesystemer (f.eks. timesedler) og påpeger fejl, der skyldes manuel kopiering og indsættelse.
• Forebyggelse af fejl ved hjælp af forudsigelser har til formål at forudse fejl, før lønkørslen afsluttes.
• Overholdelse af regler kan også automatiseres til en vis grad ved hjælp af AI-agenter. De overvåger medarbejdere og lønberegninger og giver straks HR besked, selv inden den næste kvartalsrevision finder sted. Hvis AI får rollen som whistleblower inden for regeloverholdelse, kræver det, at dens beføjelser afgrænses entydigt, og at virkelige mennesker inddrages i beslutningstagningen.
• AI-baserede prognoser forudsiger, hvordan organisatoriske ændringer eller udsving på markedet vil påvirke lønomkostninger og budgetter.

Ifølge OpenLadger-rapporten opnåede virksomheder 19 % hurtigere regnskabsafslutninger og 34 % bedre budgetoverholdelse ved hjælp af en integreret regnskabs-API drevet af AI.

Når grundlinjen lærer af dine fejl

De fleste AI-løsninger til lønadministration sælges på, at de løbende lærer. Med tiden finder systemet ud af, hvordan normal lønadministration ser ud i din organisation, og sammenligner hver lønkørsel med det mønster. Det er virkelig nyttigt, men det er også her, den stille fejl begynder.

Et system, der lærer, hvad der er »normalt«, ud fra historiske data, lærer også fejlene i disse data. Antag, at et fradrag blev anvendt forkert i seks måneder. Detektoren holder op med at markere det, fordi det efter seks måneder med den samme fejl ikke længere ser usædvanligt ud.

Arbejde på tværs af landegrænser gør problemet tydeligere. Når du betaler entreprenører i mange lande, med forskellige valutaer og via forskellige udbetalingsmetoder, er »usædvanligt« ofte helt legitimt: en milepæl i et projekt, et skift af betalingskanal, en enkeltstående opgave eller åbningen af en ny betalingsrute. En model, der er indstillet til at reducere antallet af falske positiver, vil med tiden begynde at undertrykke de reelle positiver sammen med dem.

Når en udbetaling tilbageholdes, markeres eller justeres, skal nogen forklare hvorfor: over for kontraktansatte, der venter på pengene, over for en revisor flere måneder senere og til sidst over for en tilsynsmyndighed.

Tre måder at gøre automatisering af lønadministrationen revisionssikker på

1. Adskil opgaverne. En enkelt assistent, der indlæser data, klassificerer medarbejdere, beregner løn, kontrollerer, om reglerne overholdes, og sender lønsedler, er nem at købe, men vanskelig at revidere, for når resultatet er forkert, kan man ikke se, hvilket trin der forårsagede fejlen. Nogle lønudbydere går allerede over til løsninger med flere agenter, hvor separate komponenter håndterer indlæsning af timesedler, klassificering af medarbejdere, lønberegning, regeloverholdelse og kommunikation, og hver komponent skriver til et fælles revisionsspor. Den løsning koster mere at etablere, men den tjener udgiften hjem, første gang en tilsynsmyndighed spørger, hvordan en beslutning blev truffet. Man kan gennemgå hele kæden trin for trin.
2. Inddel handlinger efter, om de kan omgøres. En model med menneskelig kontrol, som nu er almindelig inden for HR-teknologi, opdeler automatiserede handlinger i tre kategorier: udfør automatisk, eskaler og bloker. Jeg ville inddele dem ud fra ét kriterium: konsekvensen af at træffe en forkert beslutning. Handlinger med lav risiko, som kan omgøres, såsom påmindelser, anmodninger om dokumenter og formateringskontrol, kan udføres automatisk. Ved handlinger med middel risiko, såsom at tilbageholde en udbetaling, indtil noget er afklaret, eller at stille spørgsmål til en faktura, bør AI’en fremlægge dokumentationen, mens et menneske træffer beslutningen. Handlinger, der ikke kan omgøres, og alt, der påvirker nogens levebrød, skal være uden for maskinens rækkevidde: at afslutte et samarbejde, ændre en medarbejders status eller tilbageholde løn af hensyn til regeloverholdelse. Jeg bruger ét spørgsmål som målestok: Hvis det viste sig, at handlingen var forkert, kunne vi så omgøre den, før personen på den anden side opdagede det? Hvis svaret er nej, skal et menneske godkende den.
3. Skab styring, før du skalerer. Den NIST-ramme for risikostyring af AI, som jeg nævnte tidligere, bygger på fire funktioner: styring, kortlægning, måling og håndtering. Når det gælder lønadministration, bliver de til fire spørgsmål. Hvem har ansvaret for resultatet: lønadministrationen, økonomiafdelingen, complianceafdelingen eller leverandøren? I henhold til AI-forordningen påhviler forpligtelserne som idriftsætter den organisation, der driver systemet, så »leverandøren« er ikke et muligt svar, uanset hvor mange produkter der nu bærer mærkatet »klar til EU’s AI-forordning«. Hvilke af jeres værktøjer bruger faktisk AI, når så meget maskinlæring nu indgår i software, der er købt som regelbaseret? Hvor ofte tilsidesætter medarbejderne AI’ens beslutninger? Det tal ville jeg holde særligt øje med, for en tilsidesættelsesrate tæt på nul betyder sjældent, at modellen er fejlfri, og betyder ofte, at medarbejderne er holdt op med at læse resultaterne. Og hvad er reserveplanen, hvis modellen ikke er tilgængelig under lønafslutningen, eller dens resultater ikke længere er til at stole på? Er der stadig nogen på teamet, der ved, hvordan man håndterer lønkørslen manuelt? For HR- og lønansvarlige, der planlægger at bruge AI i stor skala, er det værd at etablere denne struktur tidligt.

AI-æraen giver virksomhederne et vindue til det mindre glamourøse arbejde: en fortegnelse over værktøjer, der benytter AI, logfiler, der registrerer ræsonnementet og ikke kun resultaterne, navngivne ansvarlige for hver automatiseret beslutning samt målinger af, hvor ofte beslutninger tilsidesættes, som gennemgås regelmæssigt.

Når forpligtelserne for højrisikosystemer træder i kraft, bliver revisorernes spørgsmål ikke »Bruger I AI?« Det bliver »Vis mig, hvorfor denne betaling blev gennemført, tilbageholdt eller ændret.« Virksomheder, der kan svare på få minutter, vil få succes med at skalere deres automatisering.