Κори Σπένσερ, Γενικός Διευθυντής και Αντιπρόεδρος του Τμήματος AI στην UKG – Σειρά Συνεντεύξεων

Κори Σπένσερ είναι Αντιπρόεδρος και Γενικός Διευθυντής του Τμήματος Διαχείρισης Προϊόντων για την τεχνητή νοημοσύνη και την πλατφόρμα στην UKG. Ηγείται της στρατηγικής προϊόντων και της καινοτομίας σε όλες τις πρωτοβουλίες της UKG για την τεχνητή νοημοσύνη, την πλατφόρμα και την ευφυΐα της εργατικής δύναμης, βοηθώντας τις οργανώσεις να μετατρέψουν τα δεδομένα της εργατικής δύναμης σε ενεργητικές γνώσεις που διαμορφώνουν θετικά επιχειρηματικά αποτελέσματα. Με περισσότερες από 20 χρόνια εμπειρίας, ο Σπένσερ είναι ένας σεβαστός ηγέτης σκέψης για το μέλλον της τεχνητής νοημοσύνης, την ευφυΐα της εργατικής δύναμης και την εφαρμογή της τεχνητής νοημοσύνης στην εργασία της πρώτης γραμμής.

UKG είναι ένας παγκόσμιος παρόχης διαχείρισης ανθρώπινου κεφαλαίου, μισθοδοσίας και διαχείρισης εργατικής δύναμης, που σχεδιάζεται για να βοηθήσει τις οργανώσεις να διαχειρίζονται και να υποστηρίζουν τους υπαλλήλους τους πιο αποτελεσματικά. Η πλατφόρμα του συνδυάζει ανθρώπινους πόρους, μισθοδοσία, προγραμματισμό, χρόνο και παρουσία, συμμόρφωση, ανάλυση και ενισχυμένες με τεχνητή νοημοσύνη γνώσεις της εργατικής δύναμης, που εξυπηρετούν επιχειρήσεις που κυμαίνονται από μικρές εταιρείες έως μεγάλες παγκόσμιες επιχειρήσεις. Με 50 χρόνια εμπειρίας στην βιομηχανία, η UKG υποστηρίζει περισσότερες από 80.000 οργανώσεις σε 150 χώρες, με δεκάδες εκατομμύρια άνθρωποι που χρησιμοποιούν τις λύσεις της κάθε μέρα.

Έχετε περάσει περισσότερα από δύο δεκαετίες βοηθώντας τις επιχειρήσεις να κατανοήσουν δεδομένα πελατών, ανάλυσης και εργατικής δύναμης σε εταιρείες όπως η Adobe, Alteryx και UKG. Τι σας έπεισε ότι οι εργαζόμενοι της πρώτης γραμμής, και όχι οι εργαζόμενοι γνώσεων, αντιπροσωπεύουν μια από τις πιο σημαντικές και παραμελημένες ευκαιρίες για την τεχνητή νοημοσύνη σήμερα;

Αυτό που με έπεισε είναι απλό: η πρώτη γραμμή είναι όπου λειτουργεί πραγματικά η οικονομία.

Έχουμε δει σημαντική πρόοδο στην εφαρμογή της τεχνητής νοημοσύνης στην εργασία γνώσεων. Αλλά ο μεγαλύτερος, πιο δυναμικός μέρος της εργατικής δύναμης έχει συχνά υποτιμηθεί. Οι εργαζόμενοι της πρώτης γραμμής αντιπροσωπεύουν την πλειοψηφία των εργαζομένων παγκοσμίως – έως και 80% σύμφωνα με κάποιες εκτιμήσεις – και τροφοδοτούν τις βιομηχανίες στις οποίες εξαρτόμαστε καθημερινά: υγεία, λιανική, κατασκευή, логιστική, φιλοξενία και δημόσιες υπηρεσίες.

Για πολλές εταιρείες, η πρώτη γραμμή είναι επίσης ένας από τους μεγαλύτερους μέρους του P&L. Είναι εκεί όπου ο κόστος εργασίας, η εμπειρία του πελάτη, η συμμόρφωση, η ασφάλεια, η ποιότητα υπηρεσιών και η εμπειρία του εργαζομένουすべて έρχονται μαζί. Και όμως, παραμένει ένας από τους λιγότερο βελτιωμένους τομείς της επιχείρησης.

Δεν είναι因为 η δουλειά είναι απλή. Αλλά είναι απίστευτα σύνθετη.

Η εργασία της πρώτης γραμμής μπορεί να προγραμματιστεί από την εβδομάδα ή το μήνα, αλλά αλλάζει κάθε λεπτό κάθε βάρδιας. Κάποιος καλεί εκτός. Η ζήτηση αυξάνεται. Η φόρτωση του ασθενούς αλλάζει. Μια αποστολή καθυστερεί. Μια κανόνας συμμόρφωσης εφαρμόζεται διαφορετικά με βάση το ρόλο, την τοποθεσία, την πιστοποίηση ή τις ώρες εργασίας.

Οι παραδοσιακές επιχειρηματικές συστήματα были κατασκευασμένα για να καταγράψουν τι συνέβη. Η πρώτη γραμμή χρειάζεται τεχνολογία που μπορεί να βοηθήσει τις οργανώσεις να ενεργήσουν ενώ η απόφαση ακόμη έχει σημασία.

Αυτό είναι γιατί η τεχνητή νοημοσύνη είναι τόσο σημαντική. Η ενεργητική τεχνητή νοημοσύνη μπορεί να κατανοήσει το контέκστ, την πρόθεση και τις περιορισμούς, και στη συνέχεια να βοηθήσει να διευθύνει την δράση σε προγραμματισμό, χρόνο, αμοιβή, ανθρώπινους πόρους και λειτουργίες – με τους ανθρώπους να ελέγχουν.

Για μένα, η ευκαιρία είναι να κλείσει το χάσμα μεταξύ της προγραμματισμένης εργασίας και της εκτέλεσης της εργασίας. Όταν το κάνουμε αυτό, οι εργαζόμενοι λαμβάνουν καλύτερες εμπειρίες, οι διευθυντές λαμβάνουν υποστήριξη σε κλίμακα που κανείς δεν μπορεί να χειριστεί μόνος του, και οι επιχειρήσεις μπορούν να λειτουργούν με περισσότερη ταχύτητα, ακρίβεια και εμπιστοσύνη.

Αυτό δεν είναι μόνο μια ιστορία παραγωγικότητας. Είναι μια ιστορία εκτέλεσης.

Οι εργαζόμενοι της πρώτης γραμμής αποτελούν την πλειοψηφία της παγκόσμιας εργατικής δύναμης,然而 η πλειοψηφία της τεχνητής νοημοσύνης έχει επικεντρωθεί σε εργαλεία παραγωγικότητας γραφείου. Γιατί νομίζετε ότι η βιομηχανία υποτιμούσε τη σύνθετη και σημαντική πρώτη γραμμή για τόσο καιρό;

Νομίζω ότι η βιομηχανία υποτιμούσε την πρώτη γραμμή γιατί ήταν πιο εύκολο να κατασκευάσει τεχνητή νοημοσύνη για την εργασία που ήταν ήδη ψηφιακή.

Η εργασία του γραφείου συμβαίνει σε έγγραφα, emails, συναντήσεις, ημερολόγια και εργαλεία συνεργασίας. Αυτό έκανε την πρώτη γραμμή να είναι φυσική, κατανεμημένη, υψηλά ρυθμιζόμενη, χρονικά ευαίσθητη και συνεχώς αλλάζουσα. Και όμως, αντιπροσωπεύει έως και 80% της παγκόσμιας εργατικής δύναμης – ανθρώπους που γενικά δεν κάθονται σε γραφεία, αλλά που κρατούν τις επιχειρήσεις, τις κοινότητες και τις οικονομίες να λειτουργούν κάθε μέρα.

Η σύνθετη δεν είναι μόνο η δουλειά selbst. Είναι τα δεδομένα γύρω από την δουλειά. Είμαστε τυχεροί που η UKG έχει πάντα επικεντρωθεί στην πρώτη γραμμή, οπότε έχουμε μια δεκαετή προηγούμενη εμπειρία σε αυτόν τον τομέα.

Τα δεδομένα της εργατικής δύναμης της πρώτης γραμμής είναι απίστευτα υψηλής όγκου και θορυβώδους. Προέρχονται από προγράμματα, χρόνο, μισθούς, κανόνες, προβλέψεις, απουσίες, σήματα ζήτησης, απαιτήσεις συμμόρφωσης, αποφάσεις διευθυντών, προτιμήσεις εργαζομένων και αλλαγές λειτουργιών που συμβαίνουν σε χιλιάδες τοποθεσίες και βάρδιες. Αυτά τα σήματα είναι συνεχώς σε κίνηση και είναι βαθιά εξαρτημένα από το контέκστ – ρόλο, τοποθεσία, δεξιότητες, πολιτική, κανονισμό, ζήτηση και χρονικότητα.

Αυτό έχει κάνει την πρώτη γραμμή να είναι πολύ πιο δύσκολο να αναλυθεί με έναν σημαντικό τρόπο. Από την στιγμή που πολλές οργανώσεις μπορούν να κατανοήσουν τι συνέβη, η στιγμή για να επηρεάσουν το αποτέλεσμα έχει ήδη περάσει. Ένα κενό σε προγραμματισμό, ένα ρίσκο υπερωρίας, ένα ζήτημα συμμόρφωσης, μια εξαίρεση μισθοδοσίας ή ένα σήμα κάλυψης δεν έχει σημασία μια εβδομάδα αργότερα. Έχει σημασία ενώ υπάρχει ακόμη χρόνος να ενεργήσει.

Αυτό είναι γιατί η τεχνητή νοημοσύνη της πρώτης γραμμής πρέπει να είναι θεμελιωδώς διαφορετική από την τεχνητή νοημοσύνη της παραγωγικότητας του γραφείου. Δεν μπορεί einfach να συνοψίσει πληροφορίες ή να δημιουργήσει περιεχόμενο. Πρέπει να κατανοήσει το λειτουργικό контέκστ, να ερμηνεύσει τα θορυβώδη σήματα της εργατικής δύναμης και να βοηθήσει τους ανθρώπους να ενεργήσουν σε πραγματικό χρόνο.

Για την UKG, αυτό είναι το βασικό χόβημα της επιχείρησής μας και λύσεων όπως το UKG Workforce Intelligence Hub. Η πρώτη γραμμή δεν χρειάζεται άλλο σύστημα καταγραφής. Χρειάζεται ένα σύστημα δράσης – ένα που βοηθά τις οργανώσεις να μετατρέψουν τα δεδομένα της εργατικής δύναμης σε καλύτερες αποφάσεις, ταχύτερη εκτέλεση και περισσότερη εμπιστοσύνη για τους εργαζομένους, τους διευθυντές και την επιχείρηση.

Για χρόνια, το λογισμικό επιχείρησης ήταν κατασκευασμένο γύρω από την εργασία που ήταν πιο εύκολο να ψηφιοποιηθεί: γραφεία, έγγραφα, συναντήσεις, ροές εργασίας και εργασία γνώσεων. Αλλά η εργασία της πρώτης γραμμής είναι διαφορετική. Είναι φυσική, κατανεμημένη, ρυθμιζόμενη, χρονικά ευαίσθητη και υψηλά βιομηχανικά ειδική.

Ένας υπεύθυνος λιανικής, μια νοσοκόμα, ένας τεχνικός κατασκευής, ένας εργαζόμενος αποθήκης και ένας διευθυντής ξενοδοχείου είναι όλοι εργαζόμενοι της πρώτης γραμμής, αλλά το περιβάλλον λειτουργίας γύρω από κάθε einen από αυτούς είναι完全 διαφορετικό. Οι ομάδες λιανικής μπορεί να χρειαστεί να προσαρμόσουν την εργασία με βάση την κίνηση, τις προωθήσεις, το καιρό ή τα τοπικά γεγονότα. Οι ομάδες υγείας χρειάζονται τον σωστό άνθρωπο με την σωστή πιστοποίηση στην σωστή μονάδα καθώς τα ανάγκη των ασθενών αλλάζουν καθ’ όλη τη διάρκεια της ημέρας. Οι ομάδες κατασκευής ισορροπούν δεξιότητες, ασφάλεια, υπερωρία, προγράμματα παραγωγής και κανόνες εργασίας.

Αυτό είναι η πραγματική σύνθεξη. Η δουλειά μπορεί να προγραμματιστεί από την εβδομάδα ή το μήνα, αλλά αλλάζει κάθε λεπτό κάθε βάρδιας. Ένα πρόγραμμα που έδειχνε σωστό την Δευτέρα μπορεί να είναι λάθος μέχρι την Τετάρτη. Ένα σχέδιο προγραμματισμένης εργασίας που δούλεψε στις 8 το πρωί μπορεί να είναι κατεστραμμένο μέχρι το μεσημέρι.

Ιστορικά, τα περισσότερα συστήματα μπορούσαν μόνο να καταγράψουν τι συνέβη μετά την πραγματοποίηση. Η πρώτη γραμμή χρειάζεται περισσότερα από αναφορές. Χρειάζεται δράση στην στιγμή.

Αυτό είναι γιατί η τεχνητή νοημοσύνη είναι τόσο σημαντική. Η ενεργητική τεχνητή νοημοσύνη μπορεί να κατανοήσει το контέκστ, την πρόθεση, τις περιορισμούς και τους κανονισμούς, και στη συνέχεια να βοηθήσει τους διευθυντές και τους εργαζομένους να ενεργήσουν σε προγραμματισμό, χρόνο, αμοιβή, ανθρώπινους πόρους και λειτουργίες.

Έχουμε περάσει δεκαετίες εργαζόμενους σε αυτές τις προκλήσεις της πρώτης γραμμής. Τι είναι διαφορετικό τώρα είναι ότι η τεχνητή νοημοσύνη μας δίνει έναν τρόπο να τις μετατρέψουμε σε ένα νέο επίπεδο ταχύτητας, ακρίβειας και βιομηχανικής σχετικότητας.

Η ευκαιρία δεν είναι να κάνουμε την εργασία της πρώτης γραμμής να μοιάζει με την εργασία του γραφείου. Είναι να κατασκευάσουμε τεχνολογία που σέβεται πώς η εργασία της πρώτης γραμμής πραγματικά συμβαίνει – και να βοηθήσει τους ανθρώπους και τις επιχειρήσεις να λαμβάνουν καλύτερες αποφάσεις σε πραγματικό χρόνο.

Η κατασκευή της τεχνητής νοημοσύνης για έναν υπεύθυνο λιανικής, μια νοσοκόμα, έναν εργαζόμενο αποθήκης ή έναν εργαζόμενο ξενοδοχείου είναι πολύ διαφορετική από την κατασκευή της τεχνητής νοημοσύνης για τους εργαζομένους του γραφείου. Ποια είναι οι μεγαλύτερες τεχνικές και λειτουργικές διαφορές μεταξύ αυτών των περιβαλλόντων;

Η μεγαλύτερη διαφορά είναι ότι η τεχνητή νοημοσύνη της πρώτης γραμμής δεν μπορεί einfach να ζήσει σε ένα έγγραφο, inbox ή chat window. Πρέπει να ζήσει στη ροή της δουλειάς.

Για τους εργαζομένους του γραφείου, η τεχνητή νοημοσύνη συχνά βοηθά να δημιουργήσει, να συνοψίσει, να αναζητήσει ή να αναλύσει πληροφορίες. Για τους εργαζομένους της πρώτης γραμμής, η τεχνητή νοημοσύνη πρέπει να κατανοήσει τι συμβαίνει στην λειτουργία αυτή τη στιγμή – ποιος εργάζεται, ποιος είναι πιστοποιημένος, ποιος είναι διαθέσιμος, τι ζήτηση υπάρχει, ποιοι κανόνες ισχύουν και ποια δράση πρέπει να συμβεί επόμενη. Αυτό είναι ένα πολύ διαφορετικό τεχνικό πρόβλημα.

Έτσι, η τεχνητή νοημοσύνη πρέπει να είναι контεκστουαλ, βιομηχανικά ενημερωμένη και δράση-παραγωγική. Πρέπει να κατανοήσει ρόλους, πολιτικές, κανόνες εργασίας, επιπτώσεις μισθοδοσίας, προγράμματα, πιστοποιήσεις και προτεραιότητες επιχείρησης – και πρέπει να το κάνει με εμπιστοσύνη, εξηγήσιμη και ανθρώπινη εποπτεία.

Η λειτουργική διαφορά είναι εξίσου σημαντική. Οι διευθυντές της πρώτης γραμμής δεν έχουν χρόνο να ερμηνεύσουν πίνακες ενώ η βάρδια κινείται. Οι εργαζόμενοι δεν θέλουν άλλο σύστημα να πλοηγηθούν. Η τεχνητή νοημοσύνη πρέπει να είναι ενσωματωμένη, γρήγορη,直觀 και χρήσιμη στην στιγμή.

Αυτό είναι γιατί η τεχνητή νοημοσύνη της πρώτης γραμμής δεν είναι απλά ένας συνεργάτης για την δουλειά. Είναι μια νοημοσύνη που βοηθά τις οργανώσεις να αισθανθούν, να αποφασίσουν και να ενεργήσουν σε πραγματικό χρόνο.

Έχετε μιλήσει για τη σημασία των δεδομένων της εργατικής δύναμης σε πραγματικό χρόνο, συμπεριλαμβανομένων των βαρδιών, προγραμματισμού, μισθοδοσίας και σημάτων προγραμματισμένης εργασίας. Γιατί η εκτέλεση σε πραγματικό χρόνο είναι ιδιαίτερα κρίσιμη για τα συστήματα της τεχνητής νοημοσύνης της πρώτης γραμμής;

Η πρόκληση δεν είναι αν μια οργάνωση έχει τα δεδομένα. Οι περισσότερες επιχειρήσεις δημιουργούν περισσότερα δεδομένα της εργατικής δύναμης από ποτέ. Η πρόκληση είναι να μετατρέψουν αυτά τα σήματα σε συστάσεις, οδηγίες και δράση – ενώ η απόφαση ακόμη έχει σημασία.

Αυτό είναι γιατί η εκτέλεση σε πραγματικό χρόνο είναι τόσο κρίσιμη για την τεχνητή νοημοσύνη της πρώτης γραμμής. Η τεχνητή νοημοσύνη πρέπει να κατανοήσει τι συμβαίνει, ποιοι περιορισμοί ισχύουν και ποια η καλύτερη επόμενη δράση πρέπει να συμβεί. Πρέπει να προσαρμόσουμε το πρόγραμμα; Να γεμίσουμε μια ανοιχτή βάρδια; Να ειδοποιήσουμε έναν διευθυντή; Να προληψουμε ένα ζήτημα συμμόρφωσης; Να διορθώσουμε μια εξαίρεση μισθοδοσίας πριν γίνει ένα πρόβλημα εμπειρίας εργαζομένου;

Αυτά μπορεί να φαίνονται μικρές αποφάσεις, αλλά σε χιλιάδες εργαζομένους, βάρδιες και τοποθεσίες, οι μικρές βελτιώσεις συνδυάζονται γρήγορα. Καλύτερη κάλυψη, λιγότερες εξαιρέσεις, έξυπνες αποφάσεις εργασίας και ταχύτερη δράση διευθυντών μπορούν να δημιουργήσουν σημαντική επίδραση για τους εργαζομένους και για την επιχείρηση.

Αυτό είναι ο σκοπός του UKG Workforce Intelligence Hub: να βοηθήσει τις οργανώσεις να μετατρέψουν τα δεδομένα της εργατικής δύναμης σε καλύτερες αποφάσεις και ταχύτερη δράση, ιδιαίτερα για την πρώτη γραμμή.

Έχουμε μια μοναδικά πλούσια θέα σε ανθρώπινους πόρους, μισθούς και διαχείριση εργατικής δύναμης – τις περιοχές όπου η στρατηγική της εργατικής δύναμης γίνεται λειτουργική πραγματικότητα. Όταν αυτά τα δεδομένα συνδυαστούν με βιομηχανικές και πειραματικές αναφορές, επιπτώσεις κόστους εργασίας, και τεχνητή νοημοσύνη που μπορεί να επιφέρει τις πιο σχετικές λήψεις και συστάσεις, οι ηγέτες λαμβάνουν μια πολύ πιο καθαρή θέα του τι συμβαίνει, γιατί έχει σημασία και πού να ενεργήσουν.

Για τους εκτελεστές, αυτό είναι η πραγματική αξία. Δεν είναι άλλος πίνακας να αναθεωρήσουν. Είναι ένα εργαλείο να βοηθήσει να διαχειριστεί την εργασία με μεγαλύτερη ακρίβεια, να αναγνωρίσει κινδύνους νωρίτερα, να μετρήσει την απόδοση πιο αποτελεσματικά και να λαμβάνει αποφάσεις με μεγαλύτερη εμπιστοσύνη στις στιγμές που έχουν σημασία.

Πολυάριθμες οργανώσεις εξετάζουν την τεχνητή νοημοσύνη, αλλά υπάρχει ανησυχία γύρω από την αυτονομία, τη διακυβέρνηση και την εμπιστοσύνη. Ποια φράγματα είναι απαραίτητα πριν οι επιχειρήσεις μπορέσουν να επιτρέψουν στα συστήματα της τεχνητής νοημοσύνης να ενεργήσουν στην διαχείριση της εργατικής δύναμης;

Στη διαχείριση της εργατικής δύναμης, τα συστήματα της τεχνητής νοημοσύνης χρειάζονται σαφείς περιορισμοί γιατί οι αποφάσεις είναι βαθιά ανθρώπινες. Αfectουν προγράμματα, μισθούς, συμμόρφωση, κάλυψη, κόπωση, δίκαιη εργασία και εμπιστοσύνη εργαζομένου. Αυτό σημαίνει ότι τα συστήματα δεν μπορούν απλά να βελτιστοποιήσουν για ταχύτητα ή αποτελεσματικότητα. Πρέπει να λειτουργούν εντός πολιτικής, εξουσιοδότησης και σκοπού.

Τα πιο σημαντικά φράγματα είναι το контέκστ, ο έλεγχος και η ευθύνη.

Το контέκστ σημαίνει ότι η τεχνητή νοημοσύνη κατανοεί τον εργαζόμενο, το ρόλο, την τοποθεσία, τους κανόνες εργασίας, την επιχειρηματική ανάγκη και την επιπτώση. Ο έλεγχος σημαίνει ότι το σύστημα ενεργεί μόνο εντός καθορισμένων εξουσιοδοτήσεων, με το σωστό επίπεδο ανθρώπινης έγκρισης με βάση τον κίνδυνο. Η ευθύνη σημαίνει ότι κάθε σύσταση ή δράση είναι εξηγήσιμη, ελέγξιμη και αναστρέψιμη.

Ορισμένες δράσεις μπορεί να είναι κατάλληλες για ένα σύστημα να εκτελέσει αυτόματα, όπως να επιφέρουν μια ανοιχτή βάρδια σε πιστοποιημένους εργαζομένους ή να ειδοποιήσουν έναν διευθυντή για ένα ρίσκο υπερωρίας. Δράσεις υψηλότερου επιπτώματος, ιδιαίτερα αυτές που αφορούν μισθούς, συμμόρφωση, πειθαρχία ή σημαντικές αλλαγές προγραμματισμένης εργασίας, πρέπει να απαιτούν ανθρώπινη αναθεώρηση.

Ο σκοπός δεν είναι να αφαιρέσουμε τους διευθυντές ή τις ομάδες ανθρώπινων πόρων από τη διαδικασία. Είναι να τους δώσουμε έξυπνη υποστήριξη σε κλίμακα που κανείς δεν μπορεί να χειριστεί μόνος του.

Η τεχνητή νοημοσύνη πρέπει να είναι διαφανής, ελέγξιμη και αναστρέψιμη. Οι διευθυντές χρειάζονται να γνωρίζουν γιατί μια σύσταση έγινε. Οι εργαζόμενοι χρειάζονται να εμπιστεύονται τη διαδικασία. Και η επιχείρηση χρειάζεται να έχει εμπιστοσύνη ότι η τεχνητή νοημοσύνη βελτιώνει την εκτέλεση χωρίς να εισάγει νέο κίνδυνο.

Κάθε ικανότητα πρέπει να υποβληθεί σε αυστηρή επαλήθευση μοντέλου, αναθεώρηση ασφαλείας, αξιολόγηση ιδιωτικότητας και συνεχής παρακολούθηση πριν φτάσει στην παραγωγή.

Η UKG έχει συζητήσει εφαρμογές της τεχνητής νοημοσύνης που μπορούν να επαναισορροπήσουν προγράμματα, να ανιχνεύσουν ανωμαλίες μισθοδοσίας και να επιταχύνουν την πρόσληψη. Ποια από αυτά τα σενάρια είναι ήδη σε θέση να παραδώσουν μετρήσιμη λειτουργική αξία σήμερα, και ποια είναι ακόμη σε πρώιμο στάδιο;

Τα σενάρια που παραδίδουν αξία ταχύτερα είναι αυτά που αφαιρούν την τριβή από τις αποφάσεις που οι διευθυντές και οι ομάδες πρέπει να λάβουν κάθε μέρα.

Η ανίχνευση ανωμαλιών μισθοδοσίας είναι ένα παράδειγμα που όλοι μπορούν να συσχετίσουν. Η μισθοδοσία είναι μια από τις πιο σημαντικές διαδικασίες σε οποιαδήποτε επιχείρηση, και είναι ιδιαίτερα σύνθετη για τους εργαζομένους της πρώτης γραμμής και τους ωρομίσθιους εργαζομένους. Μια λείπων πίστωση, ένα ζήτημα υπερωρίας, μια εξαίρεση κανόνα μισθοδοσίας ή ένα ζήτημα συμμόρφωσης μπορεί να δημιουργήσει ώρες χειροκίνητου έργου και να επηρεάσει trực tiếp την εμπειρία του εργαζομένου. Η τεχνητή νοημοσύνη μπορεί να βοηθήσει να αναγνωρίσει ζητήματα νωρίτερα, να εξηγήσει τι φαίνεται λάθος και να οδηγήσει τις ομάδες προς επίλυση πριν κλείσει η μισθοδοσία.

Υπάρχουν πολλά πιο προηγμένα παραδείγματα που είμαστε πολύ ενθουσιασμένοι. Ένα από αυτά είναι η βελτιστοποίηση προγραμματισμένης εργασίας και εργασίας σε πραγματικό χρόνο. Αυτό είναι όπου το UKG Dynamic Workforce Operations είναι τόσο σημαντικό. Η αξία δεν είναι απλά να δούμε ότι ένα κατάστημα, μονάδα, αποθήκη ή ξενοδοχείο είναι υποαπασχολημένο. Η αξία είναι να κατανοήσουμε τι άλλαξε, ποιοι περιορισμοί ισχύουν και ποια δράση ένας διευθυντής μπορεί να λάβει στην στιγμή – είτε να γεμίσει μια ανοιχτή βάρδια, να αποφύγει ρίσκο υπερωρίας ή να προστατεύσει την κάλυψη. Αυτές οι αποφάσεις λαμβάνονται σήμερα από το ένστικτο, συχνά ώρες αργότερα. Τώρα, οι διευθυντές μπορούν να λάβουν μια σύσταση που υποστηρίζεται από δεδομένα πριν ακόμη ένας άνθρωπος να γνωρίζει ότι υπάρχει πρόβλημα.

Το τρίτο είναι η υποστήριξη της πρώτης γραμμής στη ροή της δουλειάς. Μέσω του UKG Frontline Worker Network, τα δεδομένα της εργατικής δύναμης μπορούν να βοηθήσουν τους εργαζομένους να συνδεθούν με υποστήριξη γύρω από πλούτο, υγεία και καθημερινές απαιτήσεις όταν αυτές οι ανάγκες είναι πιο σχετικές. Αυτό είναι ακόμη μια αναδυόμενη κατηγορία, αλλά είναι μια σημαντική γιατί η εμπειρία του εργαζομένου δεν μπορεί να ζήσει σε ένα ξεχωριστό πορτάλ που κανείς δεν έχει χρόνο να χρησιμοποιήσει.

Η επιτάχυνση της πρόσληψης είναι επίσης πολύ πρακτική, ιδιαίτερα σε περιβάλλοντα πρώτης γραμμής υψηλής όγκου όπου η ταχύτητα έχει σημασία. Το AI-родное UKG Rapid Hire έχει μειώσει τον χρόνο από το ενδιαφέρον του υποψηφίου έως την προγραμματισμένη συνέντευξη από εβδομάδες και ημέρες σε ώρες και ακόμη και λεπτά σε ορισμένες περιπτώσεις. Έχουμε μειώσει το επαναλαμβανόμενο έργο σε πηγές, σάρωση, προγραμματισμό, ενσωμάτωση και ετοιμότητα για την πρόσληψη της πρώτης γραμμής σε κλίμακα.

Η πραγματική ευκαιρία δεν είναι η απομόνωση αυτοματοποίησης. Είναι μια πλατφόρμα διαχείρισης εργατικής δύναμης που μπορεί να αισθανθεί τι αλλάζει, να συστήσει την επόμενη καλύτερη δράση και να βοηθήσει τις οργανώσεις να μετατρέψουν την πρόθεση σε δράση με τη σωστή διακυβέρνηση και ανθρώπινη εποπτεία.

Σε τομείς όπως η υγεία, η κατασκευή και η логιστική, μικρές διαταραχές της εργατικής δύναμης μπορούν να έχουν άμεσες επιπτώσεις. Πώς σχεδιάζετε συστήματα της τεχνητής νοημοσύνης που μπορούν να ανταποκριθούν γρήγορα χωρίς να δημιουργήσουν πρόσθετο λειτουργικό κίνδυνο;

Η ταχύτητα έχει σημασία, αλλά σε περιβάλλοντα πρώτης γραμμής, η ταχύτητα χωρίς έλεγχο είναι κίνδυνος.

Στη υγεία, κατασκευή, логιστική και άλλες σύνθετες βιομηχανίες, μια μικρή διαταραχή της εργατικής δύναμης μπορεί να επηρεάσει γρήγορα. Μια απουσία μπορεί να επηρεάσει την κάλυψη του ασθενούς. Μια έλλειψη δεξιοτήτων μπορεί να επιβραδύνει μια γραμμή παραγωγής. Μια λείπων σήματος προγραμματισμένης εργασίας μπορεί να καθυστερήσει παραδόσεις ή να δημιουργήσει ρίσκο υπερωρίας.

Έτσι, ο σκοπός δεν είναι να κατασκευάσουμε τεχνητή νοημοσύνη που απλά κινείται ταχύτερα. Ο σκοπός είναι να κατασκευάσουμε τεχνητή νοημοσύνη που κινείται ταχύτερα εντός των σωστών περιορισμών.

Αυτό αρχίζει με το контέκστ. Η τεχνητή νοημοσύνη πρέπει να κατανοήσει ποιος είναι πιστοποιημένος, ποιοι κανόνες ισχύουν, ποια κάλυψη απαιτείται, ποιοι κίνδυνοι συμμόρφωσης υπάρχουν και ποια η επιπτώση της κάθε δράσης θα μπορούσε να είναι.

Απαιτεί επίσης ρίσκο-βασισμένη αυτονομία. Ορισμένες δράσεις μπορούν να συστηθούν ή να εκτελεστούν με πολύ χαμηλό ρίσκο, όπως να ειδοποιήσουν έναν διευθυντή, να αναγνωρίσουν πιστοποιημένους αντικαταστάτες ή να επιφέρουν μια ανοιχτή βάρδια. Άλλες δράσεις πρέπει να απαιτούν ανθρώπινη αναθεώρηση, ιδιαίτερα όταν επηρεάζουν μισθούς, συμμόρφωση, ασφάλεια ή σημαντικές αλλαγές προγραμματισμένης εργασίας.

Τα καλύτερα συστήματα της τεχνητής νοημοσύνης της πρώτης γραμμής είναι σχεδιασμένα να είναι εξηγήσιμα, ελέγξιμα και αναστρέψιμα. Οι διευθυντές χρειάζονται να γνωρίζουν γιατί μια σύσταση έγινε. Οι εργαζόμενοι χρειάζονται να εμπιστεύονται τη διαδικασία. Και η επιχείρηση χρειάζεται να έχει εμπιστοσύνη ότι η τεχνητή νοημοσύνη βελτιώνει την εκτέλεση χωρίς να εισάγει νέο κίνδυνο.

Για μας, ο σχεδιαστικός αρχισμός είναι απλός: η τεχνητή νοημοσύνη πρέπει να βοηθήσει τις οργανώσεις να αισθανθούν, να αποφασίσουν και να ενεργήσουν σε πραγματικό χρόνο – με ανθρώπους, πολιτική και διακυβέρνηση να είναι ενσωματωμένα από την αρχή.

Υπάρχει αυξανόμενη ανησυχία μεταξύ των εργαζομένων ότι η τεχνητή νοημοσύνη μπορεί να αντικαταστήσει τις δουλειές, ιδιαίτερα σε βιομηχανίες πρώτης γραμμής. Πώς ισορροπείτε την αυτοματοποίηση με την ενδυνάμωση των εργαζομένων αντί να δημιουργήσετε φόβο ή αβεβαιότητα γύρω από την υιοθέτηση της τεχνητής νοημοσύνης;

Νομίζω ότι πρέπει να ξεχωρίσουμε την αυτοματοποίηση από την λειτουργική πραγματικότητα.

Τις τελευταίες δεκαετίες, έχουμε δει πολλά παραδείγματα όπου η αντικατάσταση της δουλειάς της πρώτης γραμμής αποδείχθηκε πολύ πιο δύσκολο από το αναμενόμενο. Το self-checkout έχει δώσει μεικτά αποτελέσματα. Η πλήρως αυτοματοποιημένη ταχεία εστίαση ήταν πιο πιλότος παρά παραδείγματος. Η παράδοση με drone ακόμη φαίνεται, για τους περισσότερους ανθρώπους, κάτι από το μέλλον.

Αυτό δεν είναι因为 η τεχνολογία δεν είναι ισχυρή. Είναι因为 μια μεγάλη μέρος της δουλειάς της πρώτης γραμμής παραμένει βαθιά ανθρώπινη.

Οι εργαζόμενοι της πρώτης γραμμής χειρίζονται εξαιρέσεις, κρίση, φροντίδα, ασφάλεια, υπηρεσία, έμφαση και εμπιστοσύνη. Μια νοσοκόμα δεν είναι απλά ολοκληρώνει μια δουλειά. Ένας υπεύθυνος λιανικής δεν είναι απλά μετακινεί εμπορεύματα. Ένας εργαζόμενος εστίασης δεν είναι απλά εκπληρώνει μια παραγγελία. Αυτοί οι ρόλοι βρίσκονται στο σημείο τομής των ανθρώπων, λειτουργιών, συμμόρφωσης και εμπειρίας του πελάτη.

Η τεχνητή νοημοσύνη μπορεί να αφαιρέσει την τριβή γύρω από την δουλειά της πρώτης γραμμής: συγχυμένα προγράμματα, λείπων πίστωση, ερωτήσεις μισθοδοσίας, ανοιχτές βάρδιες, σύνθετη συμμόρφωση, κενά προγραμματισμένης εργασίας και διοικητικά καθήκοντα που τραβούν τους διευθυντές μακριά από τις ομάδες τους. Μπορεί να βοηθήσει τους εργαζομένους να λαμβάνουν απαντήσεις γρήγορα, να βοηθήσει τους διευθυντές να λαμβάνουν καλύτερες αποφάσεις και να βοηθήσει τις οργανώσεις να λειτουργούν με περισσότερη ακρίβεια.

Το μέλλον της τεχνητής νοημοσύνης της πρώτης γραμμής δεν είναι να αφαιρέσει τους ανθρώπους από την δουλειά. Είναι να δώσει στους ανθρώπους καλύτερα εργαλεία, καλύτερη οδηγία και περισσότερη υποστήριξη στις στιγμές που έχουν σημασία.

Έχετε περιγράψει την τεχνητή νοημοσύνη ως μετακίνηση του λογισμικού επιχείρησης από συστήματα καταγραφής προς συστήματα έξυπνης δράσης. Πώς βλέπετε τις πλατφόρμες διαχείρισης εργατικής δύναμης να εξελίσσονται τα επόμενα πέντε χρόνια καθώς η τεχνητή νοημοσύνη γίνεται πιο ενσωματωμένη στις καθημερινές λειτουργίες;

Θα ξανασχημάτιζα ελαφρώς την ερώτηση. Η ερώτηση δεν είναι τι θα μοιάζουν οι πλατφόρμες διαχείρισης εργατικής δύναμης σε πέντε χρόνια από τώρα. Η ερώτηση είναι ποιες οργανώσεις χτίζουν τη βάση σήμερα για να είναι ηγέτες σε πέντε χρόνια από τώρα.

Ο ρυθμός της αλλαγής στην τεχνητή νοημοσύνη είναι πολύ γρήγορος για να αντιμετωπίζεται ως μια μακροπρόθεσμη μεταμόρφωση. Το πλεονέκτημα θα πάει στις οργανώσεις που κινηθούν τώρα από αποσυνδεδεμένα συστήματα, άβολες σουίτες και λύσεις σημείου προς μια πραγματική πλατφόρμα διαχείρισης εργατικής δύναμης – μια που συνδέει ανθρώπινους πόρους, μισθούς, χρόνο, προγραμματισμό, ευφυΐα εργατικής δύναμης και εκτέλεση.

Αυτό είναι άλλο ένα παράδειγμα όπου το UKG Workforce Intelligence Hub γίνεται σημαντικό. Όσο η τεχνητή νοημοσύνη γίνεται πιο ενσωματωμένη στις καθημερινές λειτουργίες της εργατικής δύναμης, η νοημοσύνη δεν μπορεί να κάθεται στο πλάι ως στατική αναφορά. Πρέπει να γίνει μέρος του πώς η δουλειά κατανοείται, προτεραιότητας και ενεργείται. Οι οργανώσεις χρειάζονται ένα στρώμα νοημοσύνης για τις λειτουργίες της πρώτης γραμμής για να φέρουν το σωστό περιεχόμενο στην σωστή στιγμή.

Αυτό έχει σημασία因为 οι λειτουργίες της εργατικής δύναμης είναι πλήρεις από μικρές κέρδη και μικρές απώλειες. Μια λείπων σήματος προγραμματισμένης εργασίας, μια εξαίρεση μισθοδοσίας, ένα ζήτημα συμμόρφωσης, μια ανοιχτή βάρδια ή μια καθυστερημένη απόφαση διευθυντή μπορεί να φαίνεται μικρό σε απομόνωση. Αλλά σε χιλιάδες εργαζομένους, τοποθεσίες και βάρδιες, αυτές οι στιγμές συνδυάζονται γρήγορα.

Η τεχνητή νοημοσύνη δίνει στις οργανώσεις έναν τρόπο να κλείσει αυτό το χάσμα. Μπορεί να κατανοήσει τι αλλάζει, να ερμηνεύσει το επιχειρηματικό контέκστ, να συστήσει την επόμενη καλύτερη δράση και να βοηθήσει τους ανθρώπους να ενεργήσουν σε πραγματικό χρόνο με τη σωστή διακυβέρνηση και ανθρώπινη εποπτεία.

Τις επόμενες πέντε χρόνια, οι ηγέτες δεν θα είναι οι οργανώσεις που απλά πρόσθεσαν χαρακτηριστικά της τεχνητής νοημοσύνης σε υπάρχουσες ροές εργασίας. Θα είναι αυτοί που ξανασκέφτηκαν τη διαχείριση εργατικής δύναμης ως ένα σύστημα έξυπνης δράσης.

Για τους εκτελεστές, αυτή είναι η επείγουσα: η πρώτη γραμμή已经 κινείται σε πραγματικό χρόνο. Η τεχνολογία σας πρέπει να κινείται μαζί της. Οι οργανώσεις που χτίζουν αυτή την ικανότητα τώρα θα έχουν ένα σημαντικό προβάδισμα.

Κοιτάζοντας μπροστά, πιστεύετε ότι οι εταιρείες που θα κερδίσουν στην επιχείρηση της τεχνητής νοημοσύνης θα είναι αυτές με τα καλύτερα μοντέλα, ή αυτές με τα πιο sâuστόχωρα λειτουργικά και δεδομένα εργατικής δύναμης που είναι συνδεμένα直接 με πραγματικές ροές εργασίας;

Τα καλύτερα μοντέλα θα έχουν σημασία, αλλά δεν πιστεύω ότι τα μοντέλα μόνα τους θα ορίσουν τους νικητές στην επιχείρηση της τεχνητής νοημοσύνης.

Στην επιχείρηση, η νοημοσύνη είναι αξιοποιήσιμη μόνο αν κατανοήσει το контέκστ της δουλειάς και μπορεί να βοηθήσει τους ανθρώπους να λάβουν τη σωστή δράση. Αυτό είναι ιδιαίτερα αλήθεια στις λειτουργίες της εργατικής δύναμης, όπου μια σύσταση μπορεί να εξαρτάται από ποιος είναι προγραμματισμένος, ποιος είναι πιστοποιημένος, ποιοι κανόνες ισχύουν, ποια ζήτηση υπάρχει, ποια η επιπτώση της αμοιβής και ποιο ρίσκο ή ζήτημα συμμόρφωσης μπορεί να δημιουργηθεί.

Ένα μοντέλο χωρίς αυτό το λειτουργικό контέκστ μπορεί να παράγει μια απάντηση. Μια πλατφόρμα με τα σωστά δεδομένα εργατικής δύναμης, επιχειρηματικούς κανόνες, ροές εργασίας και διακυβέρνηση μπορεί να βοηθήσει να οδηγήσει ένα αποτέλεσμα.

Αυτό είναι γιατί ένα στρώμα νοημοσύνης, το οποίο έχουμε δημιουργήσει με το Workforce Intelligence Hub, είναι τόσο σημαντικό. Η τεχνητή νοημοσύνη που κάθεται πάνω σε ένα σύστημα έχει περιορισμένη αξία. Η νοημοσύνη πρέπει να είναι ενσωματωμένη στη ροή της δουλειάς, να μπορεί να ερμηνεύσει σήματα, να κατανοήσει λειτουργικούς περιορισμούς και να επιφέρουν αποφάσεις που έχουν σημασία.

Αυτό είναι όπου πιστεύω ότι η αγορά είναι κατευθυνόμενη. Όσο τα μοντέλα γίνονται πιο ισχυρά και πιο προσβάσιμα, η διαφοροποίηση θα έρθει από το πώς καλά η τεχνητή νοημοσύνη είναι εδραιωμένη σε πραγματικές ροές εργασίας και πώς ασφαλής μπορεί να μετατρέψει από έμπνευση σε δράση.

Για την πρώτη γραμμή, αυτή η διάκριση είναι κρίσιμη. Η δουλειά αλλάζει συνεχώς, και οι αποφάσεις έχουν άμεσες επιπτώσεις για τους εργαζομένους, τους διευθυντές, τους πελάτες, τους ασθενείς και την επιχείρηση.

Οι εταιρείες που θα κερδίσουν στην επιχείρηση της τεχνητής νοημοσύνης δεν θα έχουν απλά τεχνητή νοημοσύνη που ακούγεται έξυπνη. Θα έχουν τεχνητή νοημοσύνη που κατανοεί πώς η δουλειά πραγματικά συμβαίνει – και μπορεί να βοηθήσει τις οργανώσεις να λειτουργούν με περισσότερη ταχύτητα, ακρίβεια, εμπιστοσύνη και ανθρωπιά.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν την UKG.