Eksperimentering til udvikling: Hvordan AI kan hæve standarden i HR og lønprocesser

AI har domineret forretningsteknologisamtaler i de seneste par år, fordi de lovede gevinster i produktivitet og effektivitet er sandelig transformerende. Men en McKinsey-rapport om AI’s tilstand i virksomhederne fandt, at selv om næsten alle undersøgtes respondenter bruger AI-værktøjer i en eller anden kapacitet, er de fleste stadig i eksperimenteringsfasen.

Næsten to tredjedele af de undersøgte virksomheder har endnu ikke skaleret teknologien på tværs af deres organisationer og udfører på en måde, der leverer værdi. Samtidig udvikler teknologien sig hurtigt. AI er et flygtigt mål, hvilket er endnu en udfordring for virksomhedsledere, der søger efter måder at gå fra AI-hype til målbare resultater.

HR og løn er begyndt at fungere som et testområde i rejser fra eksperimentering til udvikling. Her er en oversigt over nogle af de udfordringer, HR-ledere står overfor i dette kritiske punkt, hvorfor menneskelig oversigt vil forblive afgørende og hvordan man kan gå videre på en måde, der leverer den mest positive effekt på virksomheden.

De unikke udfordringer ved at anvende AI i HR- og lønprocesser

I teorien er HR- og lønfunktionen et ideelt område at anvende AI, da der er mange højvolumen-, dataintensive processer, der kræver præcision og effektivitet. Men data kan ikke blive mere følsomme end oplysninger relateret til medarbejdernes sundhed, jobpræstation og løn.

Med den baggrund er der to primære udfordringer for ledere, der ønsker at udrulle AI i HR- og lønkonteksten. Den første er datasikkerhed. Det er simpelthen en uacceptabel risiko at placere personligt identificerbare oplysninger (PII) i en ikke-sikret offentlig AI-miljø.

HR- og løn-AI-funktioner skal køre i en sikret, HIPAA-kompatibel miljø, ikke en offentlig ChatGPT-forekomst. Det er den første guardrail, og det er ikke forhandelbart.

At beslutte, hvordan man anvender teknologien, er den anden udfordring. AI-værktøjer er i stand til at udføre arbejdskrævende opgaver som at udføre sammenlignende analyser og scannende lønudløb for anomalier, men datapræcision er nøglen til succes. Der er ingen plads til fejl i HR- og lønrummet på grund af den direkte indvirkning på medarbejderne. En 99%-score giver en F i HR.

Derfor har HR-ledere brug for platform-specifik ekspertise og en stærk fokus på governance for at anvende AI i HR og løn effektivt; generel bekendtskab med AI-teori vil ikke være nok. Det er også afgørende at vælge en platform, der giver AI-værktøjer mulighed for at lære fra organisationens egne data, ikke kun offentligt tilgængelige oplysninger fra internettet.

Menneskelig oversigt er en afgørende succesfaktor

Da HR- og lønanvendelser viser, at AI kan levere målbare resultater, bliver det mere og mere klart, at effektive AI-strategier bygges ikke kun omkring governance og dataintegritet, men også menneskelig oversigt, som er en afgørende succesfaktor.

Den bedste tilgang er at integrere AI i virkelige arbejdsgange ved hjælp af organisationens egne data, med mennesker, der validerer AI-analyse. Denne strategi hjælper organisationer med at undgå den almindelige fælde af at bruge AI som et selvstændigt værktøj, der trækker offentligt tilgængelige data fra onlinekilder. Denne tilgang er risikabel, for selv de mest entusiastiske evangelister erkender, at AI ikke er 100% præcis og kræver gennemgang som en guardrail for at minimere risici.

Processen med at definere lønbånd er et godt eksempel på en HR-opgave, der kræver omhyggelig menneskelig oversigt. Virksomheder har brug for konkurrencedygtige lønbånd for at tiltrække højkvalificerede kandidater, og en række stater har løntransparenslove på plads. Det er vigtigt at sikre, at HR-holdet tager beslutninger baseret på præcise data.

Flere faktorer indgår i optimeringen af lønbånd, herunder overvejelser om beliggenhed. Således ville et HR-hold, der afhænger af en ChatGPT-lignende platform, der får adgang til offentligt tilgængelige data, være udsat for en ulempe, hvis de utilsigtet baserede lønniveauer på data fra New York City, når de fastsætter lønbånd for Orlando, Florida.

Når HR-hold får adgang til en HIPAA-kompatibel platform med stærke governance-kontroller, der baserer analyser på deres egen organisations data, kan de begynde at demonstrere reelle resultater. Men selv da forbliver den menneskelige faktor afgørende, fordi præcision ikke er valgfri i HR og løn. Således er rollen, der er tildelt AI, vigtig.

I stedet for at bede AI om at fastsætte lønbånd eller identificere skattesatser bør HR-ledere bruge det til analyse, der derefter bekræftes af mennesker, og til at oprette andre opgaver, som mennesker derefter udfører. For eksempel kan AI generere påmindelser for at sikre, at HR betaler skat på tid, og give rapporter til brugere baseret på data fra systemet, ikke fra internettet.

Udrulning af AI for at skabe værdi

En faktor, der gør AI unik, er dens utroligt hurtige udvikling. Fordi det konstant lærer og udvider kapaciteter, vil beslutningen om, hvor og hvordan man udruller AI, altid være som at ramme et flygtigt mål.

En strategi, der er værd at overveje, er, at HR-ledere identificerer deres tre til fem tidskrævende processer og bestemmer, hvordan AI kan hjælpe med at strømline disse opgaver. Hjælp er allerede tilgængelig i flere former, enten det er agens-ai, der kan integreres i arbejdsgange for at udføre opgaver, eller en LLM-model, der kan udføre dataanalyse.

For eksempel er softwarevirksomheder begyndt at bruge kunstig intelligens til betydeligt at strømline administrationen af medarbejderfordel ved at fungere som en intelligent oversætter mellem tætte, komplekse fordelingsdokumenter og de højt strukturerede konfigurationsregler, der kræves af Human Resources Information Systems (HRIS). Ved hjælp af avanceret Natural Language Processing (NLP) kan AI læse gennem intrikate juridiske kontrakter eller fordelingssummer for automatisk at udtrække kritiske datapunkter – såsom kvalifikationskriterier, dækningstrin, fradragsbeløb og bidragsgrænser. Derefter mapper og konverterer den disse variable direkte til de specifikke digitale formater og logik, som HR-softwaren naturligt forstår. Denne automatisering transformerer den traditionelt kedelige og fejlbehæftede proces for manuel dataindtastning, hvilket giver HR-afdelinger mulighed for at implementere årlige planændringer, opdatere overholdelsesregler eller rulle helt nye tilbud ud med en hidtil uset hast, præcision og letthed.

Dette demonstrerer en grundlæggende sandhed om AI-kapaciteter, da HR- og lønledere går fra eksperimentering til udvikling. Spændende muligheder som diskussioner mellem autonome agenter er på horisonten, og det vil være en game-changer, men til sidst vil beslutninger kræve, at menneskelige ledere tager beslutningen.

Da HR-ledere bygger systemer, der centrerer om governance, sikrer dataintegritet og integrerer menneskelig oversigt som en afgørende komponent, kan AI overtage arbejdsbyrden, når det er integreret i arbejdsgange, men mennesker vil forblive ansvarlige. Sådan skal det være, da ledere bruger AI til at hæve standarden i HR- og lønydelse.