Kokeilu toteutukseen: Miten tekoäly voi parantaa henkilöstö- ja palkkahallintoa

Tekoäly on hallinnut liiketoimintateknologian keskusteluja viime vuosina, koska luvattu tuottavuuden ja tehokkuuden lisäys on todella muodonmuuttava. Mutta McKinsey-raportti tekoälyn tilasta yrityksissä osoittaa, että vaikka lähes kaikki vastaajat käyttävät tekoälytyökaluja jossain määrin, useimmat ovat edelleen kokeiluvaiheessa.

Lähes kaksi kolmasosaa yrityksistä ei ole vielä laajentanut teknologiaa koko organisaatiotaan ja toteuttanut sitä tavalla, joka tuottaa arvoa. Samalla teknologia kehittyy nopeasti. Tekoäly on liikkuva maali, mikä on toinen haaste liiketoimintajohtajille, jotka etsivät keinoja siirtyä tekoälyn hypeystä mitattaviin tuloksiin.

Henkilöstö- ja palkkahallinto ovat nousseet esiin matkalla kokeilusta toteutukseen. Tässä on yleiskatsaus siitä, millaisia haasteita henkilöstöjohtajat kohtaavat tässä kriittisessä vaiheessa, miksi ihmisen valvonta on edelleen kriittinen menestystekijä ja miten edetä tavalla, joka tuottaa positiivisen vaikutuksen liiketoimintaan.

Tekoälyn soveltamisen ainutlaaduiset haasteet henkilöstö- ja palkkahallintoprosesseihin

Teoriassa henkilöstö- ja palkkahallintofunktio on ihanteellinen alue soveltaa tekoälyä, koska siinä on monia suurivolyymisiä, data-intensiivisiä prosesseja, jotka vaativat tarkkuutta ja tehokkuutta. Kuitenkin data ei voi olla herkempiä kuin työntekijöiden terveyteen, työsuoritukseen ja palkkaan liittyvät tiedot.

Annettuna tämä tausta, on kaksi pääasiallista haastetta johtajille, jotka haluavat käyttää tekoälyä henkilöstö- ja palkkahallintokontekstissa. Ensimmäinen on tietoturva. On yksinkertaisesti hyväksymätön riski asettaa henkilökohtaisia tunnistetietoja (PII) ei-julkiseen tekoälyympäristöön.

Henkilöstö- ja palkkahallinnon tekoälytoiminnot on suoritettava turvallisessa, HIPAA-yhdenmukaisessa ympäristössä, ei julkisessa ChatGPT-ekземпляarissa. Tämä on ensimmäinen este, ja se on ehdoton.

Tekoälyn soveltamistapa on toinen haaste. Tekoälytyökalut pystyvät suorittamaan työläitä tehtäviä, kuten vertailevia analyysejä ja palkkakierrosten tarkastelua poikkeamista, mutta datan tarkkuus on avain menestykseen. Henkilöstö- ja palkkahallintotilassa ei ole tilaa virheille suoran vaikutuksen vuoksi työntekijöihin. 99%:n arvosana ansaitsee arvosanan F henkilöstöhallinnossa.

Näistä syistä henkilöstöjohtajat tarvitsevat alusto-erikoisosaamista ja vahvaa hallintoa tekoälyn tehokkaaseen soveltamiseen henkilöstö- ja palkkahallintoon; yleinen tuttuus tekoälyteoriasta ei riitä. On myös olennaista valita alusta, joka mahdollistaa tekoälytyökalujen oppimisen organisaation omasta datasta, ei vain julkisesti saatavilla olevasta internet-tiedosta.

Ihmisen valvonta on kriittinen menestystekijä

Kun henkilöstö- ja palkkahallintosovellukset osoittavat, että tekoäly voi tuottaa mitattavissa olevia tuloksia, on yhä selvemmäksi tullut, että tehokkaat tekoälystrategiat rakennetaan ei vain hallinnon ja datan eheys, vaan myös ihmisen valvonnan ympärille, joka on kriittinen menestystekijä.

Paras lähestymistapa on upottaa tekoäly todellisiin työnkulkuun käyttäen organisaation omaa dataa, jossa ihmiset vahvistavat tekoälyanalyysin. Tämä strategia auttaa organisaatioita välttämään yleistä tekoälyn käytön virhettä, jossa tekoälyä käytetään itsenäisenä työkaluna, joka hakee julkista dataa internetistä. Tämä lähestymistapa on riskialtis, koska tekoälyn innokkaimmat kannattajat tunnustavat, että tekoäly ei ole 100%:n tarkka ja vaatii tarkastelun vähentämään riskejä.

Palkkaryhmien määrittelyprosessi on hyvä esimerkki henkilöstötehtävästä, joka vaatii huolellista ihmisen valvontaa. Yrityksillä on kilpailukykyisiä palkkaryhmiä houkutella korkealaatuisia ehdokkaita, ja useat osavaltiot ovat palkkakuvatilalait voimassa. On tärkeää varmistaa, että henkilöstötiimi tekee päätöksiä tarkassa datassa.

Useat tekijät vaikuttavat palkkaryhmien optimointiin, mukaan lukien sijaintia koskevat seikat. Esimerkiksi henkilöstötiimi, joka luottaa ChatGPT-tyyppiseen alusta, joka käyttää julkisesti saatavilla olevaa dataa, olisi haitassa, jos he vahingossa perustaisivat palkkatasoja New Yorkin kaupungin datalle määrittäessään palkkaryhmiä Orlandoon, Floridaan.

Kun henkilöstötiimit pääsevät käsiksi HIPAA-yhdenmukaiseen alusta, jossa on vahvat hallintomekanismit, jotka perustuvat heidän organisaationsa omiin tietoihin, he voivat alkaa osoittaa todellisia tuloksia. Mutta jopa silloin ihmisen osuus on edelleen kriittinen, koska tarkkuus ei ole valinnainen henkilöstö- ja palkkahallinnossa. Niinpä tekoälylle annettu rooli on merkittävä.

Ihmisen sijaan tekoälyä ei pitäisi pyytää asettamaan palkkaryhmiä tai määrittämään verokantoja, vaan sen sijaan käyttää analyysiin, jonka ihmiset vahvistavat, ja luomaan muita tehtäviä, jotka ihmiset toteuttavat. Esimerkiksi tekoäly voi luoda muistutuksia varmistamaan, että henkilöstö maksaa verot ajoissa, ja tarjoaa raportteja käyttäjille perustuen järjestelmän tietoihin, ei internetistä.

Tekoälyn käyttäminen arvon luomiseen

Yksi tekijä, joka tekee tekoälystä ainutlaatuisen, on sen uskomattoman nopea kehitys. Koska se oppii jatkuvasti ja laajentaa kykyjään, tekoälyn soveltamispaikan ja -tavan määrittely on aina kuin yrittäminen osua liikkuvaan maaliin.

Yksi strategia, jota kannattaa harkita, on henkilöstöjohtajien tunnistaa heidän kolme tai viisi aikaa vievintä prosessia ja määrittää, miten tekoäly voi auttaa suorittamaan nämä tehtävät. Apua on jo saatavilla useissa muodoissa, olipa se agenteille tekoäly, joka voidaan upottaa työnkulkuun tehtävien suorittamiseksi, tai LLM-malli, joka voi suorittaa data-analyysiä.

Esimerkiksi ohjelmistoyritykset alkavat käyttää tekoälyä merkittävästi suorittamaan henkilöstöedun hallintaa toimimalla älykkäänä kääntäjänä tiiviiden, monimutkaisten edun suunnitelman asiakirjojen ja henkilöstöhallintojärjestelmien (HRIS) vaatimien konfiguraatioreglien välillä. Käyttäen edistynyttä luonnollisen kielen prosessointia (NLP), tekoäly voi lukea monimutkaisia oikeudellisia sopimuksia tai edun yhteenvetoja ja automaattisesti poimia kriittisiä tietoja, kuten kelpoisuuskriteerejä, kattavuusluokkia, vakuutusmaksuja ja osallistumisrajoituksia. Se kartoittaa ja muuttaa nämä muuttujat suoraan henkilöstöohjelmiston sisäänrakennettuihin digitaalisiin muotoihin ja logiikkaan. Tämä automaatio muuttaa perinteisen, virhealttiin manuaalisen datan syöttämisen prosessin nopeaksi, tarkaksi ja helppokäyttöiseksi, mahdollistaen henkilöstöosastojen toteuttaa vuosittaisia suunnitelman muutoksia, päivittää säätelysääntöjä tai käyttöönottaa uusia tarjouksia ennennäkemättömällä nopeudella, tarkkuudella ja helppoutta.

Tämä osoittaa perustavanlaatuisen tosiasian tekoälyn kyvyistä, kun henkilöstö- ja palkkahallinnon johtajat siirtyvät kokeilusta toteutukseen. Innostavat mahdollisuudet, kuten autonomisten agenttien väliset keskustelut, ovat horisontissa, ja se on pelinmuuttaja, mutta lopulta päätökset vaativat ihmisten johtajuutta.

Kun henkilöstöjohtajat rakentavat järjestelmiä, jotka keskittyvät hallintoon, varmistavat datan eheyden ja integroivat ihmisen valvonnan olennaisena osana, tekoäly voi kantaa vastuun, kun se on upotettu työnkulkuun, mutta ihmiset pysyvät vastuussa. Niin pitäisi olla, kun johtajat käyttävät tekoälyä parantamaan henkilöstö- ja palkkahallinnon suorituskykyä.