Palkanlaskennassa vaarallisimmat tekoälyvirheet näyttävät oikeilta

Palkanlaskenta on yksi harvoista liiketoimintaprosesseista, joissa jokaiseen virheeseen liittyy nimi, summa ja päivämäärä. Siksi tekoälyn käytöstä palkanlaskennassa on syytä keskustella tavallista huolellisemmin, sillä useimmiten keskustelu keskittyy siihen, mitä tekoäly havaitsee. Vaikeampi kysymys on, mitä tekoäly muuttaa silloin, kun kukaan ei valvo.

Olen työskennellyt rahoitusalalla seitsemäntoista vuotta, ensin talousjohtajana ja sen jälkeen rakentaen maiden rajat ylittävää palkkahallinnon infrastruktuuria. Tuona aikana olen oppinut suhtautumaan automaatioon vaihtokauppana: luovut näkyvästä manuaalisesta työstä ja saat vastineeksi järjestelmän näkymätöntä toimintaa.

Mitä sääntelyssä oikeastaan edellytetään

EU:n tekoälysäädöksen mukaan työelämässä käytettävä tekoäly on suuririskistä, kun se auttaa tekemään henkilöä koskevia päätöksiä: kuka palkataan, ylennetään tai irtisanotaan, miten hänen työnsä järjestetään, miten hänen suoriutumistaan arvioidaan tai miten hänen työnsä ehtoja muutetaan. Tällaiset päätökset vaikuttavat ihmisen työhön ja tuloihin, joten työkalua käyttävän yrityksen on pidettävä ihminen päätöksenteossa mukana ja kirjattava, miten kukin päätös tehtiin. Palkanlaskenta ei lähtökohtaisesti kuulu tähän luetteloon, sillä sovittujen palkkojen laskeminen hyväksyttyjen työtuntien perusteella on aritmetiikkaa. Siitä tulee suuririskistä, kun palkkahallinnon tietoja aletaan käyttää ihmisiä koskevien päätösten pohjana tai kun ”palkanlaskentatyökaluna” myyty työkalu alkaa huomaamatta tehdä tällaisia päätöksiä.

Yhdysvaltain liittovaltion virasto National Institute of Standards and Technology (NIST), joka tunnetaan teknisten ja tietoturvastandardien laatijana, julkaisi jo vuonna 2023 erillisen tekoälyn riskienhallinnan viitekehyksen, jota organisaatiot voivat helposti mukauttaa omiin olosuhteisiinsa. Se tarjoaa yrityksille käytännöllisen nelivaiheisen toimintamallin, johon palaan jäljempänä.

Kuinka pitkälle tekoälyn käyttöä palkanlaskennassa voi nykyään turvallisesti viedä

Pinnalta katsottuna tekoäly palkanlaskennassa vaikuttaa ylimääräiseltä käsiparilta, joka työskentelee nopeammin. Tekoälyn supervoima ja samalla sen kirous on kuitenkin virheetön, saumaton ja koukuttava automaatio. Kun järjestelmä on käynnissä, on vaikea havaita ja korjata kaikkia niitä tapoja, joilla se vaikuttaa lopullisiin edunsaajiinsa – työssä käyviin ihmisiin. Siksi tekoälyn käyttöä henkilöstöhallinnossa pidetään suuririskisenä: se vaikuttaa suoraan ihmisten toimeentuloon, menestymiseen työelämässä ja tuleviin uramahdollisuuksiin.

Useimmat palkkahallinnon työkalut etenevät lyhyen polun. Ensin ne tarkistavat ja valmistelevat tietoja vertailemalla, merkitsemällä huomioita ja laatimalla luonnoksia. Sen jälkeen ne alkavat antaa suosituksia ja ehdottavat esimerkiksi maksun pidättämistä tai laskun selvittämistä, mutta ihminen tekee päätöksen. Kolmannessa vaiheessa työkalu alkaa toimia tavalla, joka vaikuttaa ihmisen työhön, asemaan tai tuloihin. Tässä kohtaa sen pitäisi pysähtyä ja siirtää päätös takaisin ihmiselle. Vaikeutena on, että nämä vaiheet sulautuvat toisiinsa. Poikkeuksellisten työtuntien merkitseminen on ensimmäisessä vaiheessa harmiton täsmäytystarkistus, mutta kolmannessa vaiheessa se voi muuttua arvioksi työntekijän suoriutumisesta. Malli ei muutu vaiheiden välillä; muuttuu se, miten ihminen käyttää sen tuottamaa tulosta.

Missä tekoälystä on aidosti hyötyä

Automatisoidun palkanlaskennan yksi myönteinen seuraus on virheiden huomattava väheneminen – jopa 78 prosenttia, kertoo Ignite HCM:n palkkahallinnon konsultointipalvelussa työskentelevä Blair McQuillen. Tekoälyä hyödyntävä työkalu vähentää palkanlaskennan virheitä käytännössä käymällä palkkajärjestelmät läpi ja korjaamalla niitä seuraavilla tavoilla:

• Poikkeamien tunnistuksessa koneoppimisalgoritmit vertaavat palkkatietoja aiempiin tietoihin ja tuovat esiin maksuissa tapahtuneet piikit, päällekkäiset kirjaukset ja poikkeukselliset vähennykset.
• Reaaliaikainen tietojen validointi tarkoittaa, että tekoäly tarkastelee sekä ajantasaisia työntekijätietoja (esimerkiksi automaattisesti kirjattuja läsnäolotietoja) että lähdejärjestelmiä (esimerkiksi työaikakirjauksia) ja tuo esiin manuaalisessa kopioinnissa ja liittämisessä syntyneet virheet.
• Ennakoivalla virheiden ehkäisyllä pyritään havaitsemaan virheet ennen palkanlaskennan viimeistelyä.
• Tekoälyagentit voivat automatisoida myös osan vaatimustenmukaisuuden valvonnasta. Ne seuraavat henkilöstöä ja palkkalaskelmia sekä ilmoittavat havainnoistaan heti henkilöstöhallinnolle, jopa ennen neljännesvuosittaista auditointia. Tekoälyn ottaminen mukaan vaatimustenmukaisuuden valvontaan ilmiantajaksi edellyttää sen kyvykkyyksien selkeää määrittelyä ja oikeiden ihmisten sitouttamista päätöksentekoon.
• Tekoälypohjainen ennustaminen arvioi, miten organisaation muutokset tai markkinoiden vaihtelut vaikuttavat palkkakustannuksiin ja budjetteihin.

Tekoälypohjaisen, kirjanpitoon upotettavan rajapintapalvelun OpenLadger-raportin mukaan yritykset saivat talouskauden päätökseen 19 % nopeammin ja paransivat budjetin noudattamista 34 %.

Kun järjestelmän vertailutaso oppii virheistäsi

Useimpia palkanlaskennan tekoälyratkaisuja markkinoidaan jatkuvasti oppivina. Ajan mittaan järjestelmä oppii, miltä organisaatiosi tavanomainen palkanlaskenta näyttää, ja vertaa jokaista palkanmaksukertaa siihen. Tämä on aidosti hyödyllistä, mutta samalla siitä alkaa huomaamatta aiheutua ongelmia.

Järjestelmä, joka oppii historiatiedoista, mikä on ”tavallista”, oppii myös niihin sisältyvät virheet. Kuvitellaan, että vähennys on tehty väärin kuuden kuukauden ajan. Poikkeamien tunnistin lakkaa merkitsemästä sitä, koska kuusi kuukautta jatkunut sama virhe ei enää näytä poikkeukselliselta.

Maiden rajat ylittävä työ tekee tilanteesta vielä vaikeamman. Kun maksat alihankkijoille useissa maissa, useissa valuutoissa ja eri maksutavoilla, ”poikkeuksellinen” on usein täysin perusteltua: kyse voi olla projektin välitavoitteesta, maksukanavan vaihtamisesta, kertaluonteisesta toimeksiannosta tai uuden maksureitin avautumisesta. Väärien positiivisten tulosten vähentämiseen viritetty malli alkaa ajan myötä tukahduttaa myös oikeat hälytykset.

Kun maksu pidätetään, merkitään tarkistettavaksi tai sitä muutetaan, jonkun on selitettävä miksi: rahaa odottavalle toimeksisaajalle, kuukausia myöhemmin tilintarkastajalle ja lopulta valvontaviranomaiselle.

Kolme tapaa varmistaa palkanmaksun automaation jäljitettävyys

1. Pidä tehtävät erillään. Yksi avustaja, joka ottaa vastaan tietoja, luokittelee työntekijät, laskee palkat, tarkistaa vaatimustenmukaisuuden ja lähettää palkkalaskelmat, on kätevä hankkia mutta vaikea auditoida, sillä virheellisen tuloksen kohdalla ei voi tietää, missä vaiheessa virhe syntyi. Jotkin palkanmaksupalvelujen tarjoajat siirtyvät jo usean agentin malleihin, joissa erilliset komponentit käsittelevät työaikakirjausten vastaanoton, työntekijöiden luokittelun, palkanlaskennan, vaatimustenmukaisuuden ja viestinnän, ja jokainen niistä kirjaa tietonsa yhteiseen tarkastusketjuun. Tällaisen ratkaisun rakentaminen maksaa enemmän, mutta kustannus maksaa itsensä takaisin heti, kun valvontaviranomainen kysyy, miten päätökseen päädyttiin. Koko ketjun voi käydä läpi vaihe vaiheelta.
2. Aseta toimet eri tasoille sen mukaan, voiko ne peruuttaa. HR-teknologiassa nykyään yleinen ihmisen osallistumiseen perustuva malli jakaa automatisoidut toimet kolmeen tasoon: suorita automaattisesti, siirrä jatkokäsittelyyn ja estä. Itse määrittelisin tasot yhden kriteerin perusteella: kuinka paljon virheestä aiheutuu haittaa. Pienen riskin toimet, jotka voi peruuttaa, kuten muistutukset, asiakirjapyynnöt ja muotoilun tarkistukset, voidaan suorittaa automaattisesti. Keskisuuren riskin toimissa, kuten maksun pidättämisessä lisäselvitystä varten tai laskun selvittämisessä, tekoälyn pitäisi koota tarvittavat tiedot, mutta ihmisen tehdä päätös. Peruuttamattomat toimet ja kaikki, mikä vaikuttaa jonkun toimeentuloon, on pidettävä koneen ulottumattomissa: toimeksiantosuhteen päättäminen, työntekijän aseman muuttaminen ja palkan pidättäminen vaatimustenmukaisuuteen liittyvistä syistä. Käyttämäni testi perustuu yhteen kysymykseen: jos tämä toimi osoittautuisi virheelliseksi, voisimmeko perua sen ennen kuin toinen osapuoli huomaa? Jos vastaus on ei, ihmisen on hyväksyttävä päätös.
3. Luo hallintamalli ennen toiminnan laajentamista. Aiemmin mainitsemani NISTin tekoälyn riskienhallinnan viitekehys perustuu neljään toimintoon: hallinnointiin, kartoittamiseen, mittaamiseen ja hallintaan. Palkanmaksun näkökulmasta ne muuntuvat neljäksi kysymykseksi. Kuka vastaa tuloksesta: palkanlaskenta, taloushallinto, vaatimustenmukaisuudesta vastaava taho vai palveluntarjoaja? Tekoälysäädöksen mukaan järjestelmää käyttävä organisaatio vastaa käyttöönottajan velvoitteista, joten ”palveluntarjoaja” ei ole hyväksyttävä vastaus, vaikka monissa tuotteissa on nykyään ”EU:n tekoälysäädöksen vaatimukset täyttävä” -merkintä. Mitkä työkalunne todella käyttävät tekoälyä, kun otetaan huomioon, kuinka paljon koneoppimista sisältyy nykyään ohjelmistoihin, jotka on hankittu sääntöpohjaisina? Kuinka usein ihmiset ohittavat tekoälyn ehdotuksen? Se on luku, jota itse seuraisin tarkimmin, sillä lähes nollassa oleva ohitusaste tarkoittaa harvoin, että malli olisi virheetön, ja usein sitä, että ihmiset ovat lakanneet lukemasta sen tuottamia tuloksia. Entä miten toimitaan, jos malli ei ole käytettävissä tilinpäätöskauden aikana tai sen tuloksiin ei enää voi luottaa? Osaako joku tiimissä yhä hoitaa palkanmaksun käsin? Tällainen toimintamalli kannattaa rakentaa ajoissa, jos henkilöstöhallinnon ja palkanlaskennan johtajat aikovat käyttää tekoälyä laajamittaisesti.

Tekoälyn aikakausi tarjoaa yrityksille tilaisuuden tehdä vähemmän näyttävää perustyötä: kartoittaa tekoälyä hyödyntävät työkalut, ottaa käyttöön lokit, jotka tallentavat perustelut eivätkä vain tuloksia, nimetä vastuuhenkilöt jokaiselle automatisoidulle päätökselle sekä seurata säännöllisesti sitä, kuinka usein päätöksiä ohitetaan.

Siihen mennessä, kun suuririskisiä toimintoja koskevat velvoitteet tulevat sovellettaviksi, tilintarkastajat eivät kysy: ”Käytättekö tekoälyä?” He kysyvät: ”Näyttäkää, miksi tämä maksu suoritettiin, pidätettiin tai sitä muutettiin.” Yritykset, jotka pystyvät vastaamaan muutamassa minuutissa, pystyvät laajentamaan automaatiotaan menestyksekkäästi.