CFOens nye fordelsposisjon: Hvordan AI gjør arbeidsstyrkeplanlegging til en gevinstmaskin

Arbeidsstyrkeplanlegging behandles ofte som et HR-problem – en måte å sikre at riktige personer er i riktige roller, løse konkurranse om bemanningsprioriteringer og bestemme hver teams head count-allokering. Men med arbeidskostnader som utgjør så mye som 70 prosent av totale forretningskostnader, blir resultatet bedre når CFOer og deres teamer er jevnt over involvert i arbeidsstyrkeplanlegging – og behandler head count ikke bare som en kostnadsenhet å håndtere, men som en inntektshevel som de kan trekke i.

Når det gjøres godt, kan arbeidsstyrkeplanlegging ikke bare redusere driftskostnader, men også utvide marger og til slutt øke fortjeneste. Bruken av AI kan ha en dramatisk innvirkning på dette, med generativ AI som øker påliteligheten av bemanningsprognoser og agens AI som kan ta på seg spesialiserte oppgaver som gjør det unødvendig å øke head count. Det er mer, CFOer bruker stadig AI i sitt arbeid, og disse trendene har kombinert til å gjøre AI-basert arbeidsstyrkeplanlegging til CFOens nye fordelsposisjon, som leder veien mot økt lønnsomhet for bedriften.

GenAI: Fra høye bemanningskostnader til EBITDA-økning

McKinsey har rapportert at AI-baserte prognosemodeller kan oppnå over 90 prosent nøyaktighet i å forutsi bemanningsbehov for noen bedrifter, og kutte overtidkostnader med 15-20 prosent.

Rollen til arbeidsstyrkeplanlegging er spesielt kritisk i blåhals-tjenestenæringen, og BSL, et fysisk sikkerhetsfirma som sender ut titusener av sikkerhetsvakter til tusenvis av steder for globale kunder som Nike og Amazon, så nylig enda bedre resultater enn dette benchmarket. Det var konfrontert med en utfordring som er kjent for enhver arbeidsintensiv, skiftbasert bedrift: den konstante blødningen av overtidsgodtgjørelse og dyre, siste-minutt- underkontraktering. Når etterspørselen økte, eller når det oppstod et gap i utplasseringen, endte selskapet ofte med å betale en premie – enten til eksisterende ansatte eller til eksterne underkontraktorer.

BSL var i stand til å redusere overtidkostnadene med 30 prosent, samtidig som de også reduserte underkontraktørkostnadene, da de begynte å bruke mer nøyaktige og langsiktige AI-drevne arbeidsstyrkeplanlegging. Ved å parse ansatt- og kundeavtaler, oversette arbeidslover og -reguleringer til algoritme-begrensninger, og utføre en kompleks optimering med en multi-runde attribusjonsalgoritme under disse begrensningene, produserte AI-verktøyene raskt en ett-års rullende bemanningsplan. Tidligere brukte selskapet uker på å bygge bemanningsplaner som bare så ett til tre måneder frem i fremtiden. Som resultat økte EBITDA med 200 basispunkter, ved massiv reduksjon av overtid og underkontraktører, en betydelig forbedring i et felt hvor marginene er notorisk tynne.

Ved BSL, og i mange andre tilfeller, var hovedrollen til AI ikke å redusere ansatte. Snarere reduserte generative AI-verktøyene fluktuasjonen, forbedret planleggingen og hjalp med å bygge skemaer som både kunder og ansatte foretrakk. For eksempel var antallet sikkerhetsvakter som ble plassert på rotasjon for en gitt posisjon begrenset til tre, til tilfredshet for kunder som ønsket å beholde vakter som spesialiserte seg i deres selskaps behov. Antallet skifter som krevde en lang reise ble redusert, og arbeidsfrie helger ble jevnt fordelt. Forandringer som disse øker kvaliteten på livet for ansatte, samtidig som de også forbedrer kundetilfredsheten og reduserer utgiftene og besværet med ansatt-fluktuasjon for selskapet på lang sikt.

Agens AI: Skalering uten head count

I andre tilfeller muliggjør AI-basert arbeidsstyrkeplanlegging at bedrifter kan unngå å øke ansatte, slik at selskapet kan skale i en rimelig måte. For eksempel, da Zendata Cybersecurity ble valgt til å deployere en integrert løsning innen Dubai International Financial Centre og Abu Dhabi Global Market, trengte selskapet å skale raskt. Det måtte finne en måte å sikre flytende administrativ og teknisk onboarding for tusenvis av nye kunder og implementere obligatoriske sikkerhetsauditorer hver kvartal. Å ansette tilstrekkelig mange nye ingeniører for denne oppskalingen ville ha vært kostbart og utfordrende, med 72 prosent av arbeidsgivere globalt som rapporterer at de sliter med å finne den kompetansen de trenger.

I stedet brukte sikkerhetsfirmaet en konsulent AI-agent til å onboard 5 000 sluttbrukere på seks uker, og unngikk dermed å ansette nye ansatte eller påføre en ekstra byrde på eksisterende team. En annen agent muliggjorde for Zendata å implementere kvartalsvise auditorer og levere personlige innsikter, diagnose og handlingsplaner til deres kunder. I stedet for at ZenDatas ingeniører brukte en uke på auditorer hver kvartal, ble den menneskelige gjennomgangen redusert til en gjennomsnittlig time hver kvartal. Dette reduserte den operative arbeidsbyrden og akselererte auditorprosessen, samtidig som det løste utfordringen med å finne nok nye ingeniører til å gjennomføre auditorer for det store antallet nye kunder.

Hva CFOer bør ta med seg

Den felles tråden gjennom disse eksemplene er ikke at AI reduserer rollen til menneskelig dømmekraft i arbeidsstyrkebeslutninger. Det er at AI fjerner ineffektiviteter og kompleksiteter som skapte betydelig inntektslekkasje i eksisterende arbeidsstyrkeplanleggingsløsninger.

Generativ AI kan parse tusenvis av avtaler, anvende hundredvis av reguleringer og produsere prognoser over ett år langt horisont i den tiden det ville ta en menneskelig team å sette opp et regneark. Resultatet er at AI lar bedrifter skale raskt, absorbere toppbelastning uten leadtid og forbedre pris konkurranse og lønnsomhet. CFOer innser stadig dette og bruker verktøyene som er tilgjengelige i dag – og resultater vises på inntektsrapporter.