Corey Spencer, GM og GVP for AI i UKG – Intervju-serie

Corey Spencer er Group Vice President og General Manager for Product Management for AI & Platform i UKG. Han leder produktstrategi og innovasjon over UKGs AI-, plattform- og arbeidskraftsintelligens-initiativer, og hjelper organisasjoner med å omdanne arbeidskraftsdata til handlebare innsikter som former positive forretningsresultater. Med over 20 års erfaring er Spencer en respektert tankeleder på fremtiden for AI, arbeidskraftsintelligens og anvendelsen av AI i frontlinje-arbeid.

UKG er en global leverandør av menneskelige kapitalforvaltning, lønn og arbeidskraftsforvaltning programvare designet for å hjelpe organisasjoner med å forvalte og støtte sine ansatte mer effektivt. Deres plattform kombinerer menneskelige ressurser, lønn, planlegging, tid og fremmøte, kompatibilitet, analyser og AI-drevne arbeidskraftsinsikter, som betjener bedrifter fra små selskaper til store globale bedrifter. Med 50 års bransjeerfaring støtter UKG over 80 000 organisasjoner i over 150 land, med titalls millioner mennesker som bruker deres løsninger hver dag.

Du har brukt over to tiår med å hjelpe bedrifter med å forstå kunde-, analyser- og arbeidskraftsdata over bedrifter som Adobe, Alteryx og UKG. Hva overbeviste deg om at frontlinje-arbeidere, og ikke kunnskapsarbeidere, representerer en av de viktigste og oversette mulighetene for AI i dag?

Hva som overbeviste meg er enkelt: frontlinjen er der økonomien faktisk kjører.

Vi har sett enorm fremgang i å anvende AI på kunnskapsarbeid. Men den største, mest dynamiske delen av arbeidskraften har ofte vært underservert. Frontlinje-arbeidere representerer majoriteten av arbeidere globalt – opptil 80% ifølge noen estimater – og de driver de industrier vi alle avhenger av hver dag: helse, detaljhandel, produksjon, logistikk, hotell og offentlige tjenester.

For mange bedrifter er frontlinjen også en av de største delene av P&L. Det er der hvor arbeidskost, kundeopplevelse, kompatibilitet, sikkerhet, servicenivå og ansattengasjement alle kommer sammen. Og likevel er det en av de minst optimerte delene av bedriften.

Ikke fordi arbeidet er enkelt. Fordi det er usedvanlig komplekst.

Frontlinje-arbeid kan planlegges etter uke eller måned, men det endrer seg hver minutt av hver skift. Noen ringer av. Etterspørselen øker. En pasientlast endrer seg. En levering er forsinket. En kompatibilitetsregel gjelder forskjellig basert på rolle, lokasjon, sertifisering eller antall timer arbeidet.

Tradisjonelle bedriftssystemer var bygget for å registrere hva som skjedde. Frontlinjen trenger teknologi som kan hjelpe organisasjoner med å handle mens avgjørelsen fortsatt betyr noe.

Dette er hvorfor AI er så viktig. Agens AI kan forstå kontekst, intensjon og begrensninger, og deretter hjelpe med å orkestrere handlinger over planlegging, tid, lønn, HR og drift – med mennesker i kontroll.

For meg er muligheten å lukke gapet mellom arbeidskraftsplanlegging og arbeidskraftsutførelse. Når vi gjør det, får ansatte bedre opplevelser, ledere får støtte i en skala ingen enkelt kan håndtere alene, og bedrifter kan operere med mer hastighet, presisjon og tillit.

Dette er ikke bare en produktivitetshistorie. Det er en utførelsehistorie.

Frontlinje-ansatte utgjør majoriteten av den globale arbeidskraften, men mye av AI-boomen har fokusert på kontorproduktivitetstverktøy. Hvorfor tror du industrien undervurderte kompleksiteten og viktigheten av frontlinjemiljøer så lenge?

Jeg tror industrien undervurderte frontlinjen fordi det var enklere å bygge AI for arbeid som allerede var digitalt.

Kontorarbeid skjer i dokumenter, e-poster, møter, kalendere og samarbeidsverktøy. Det gjorde det til en naturlig første bølge for AI. Men frontlinjen er forskjellig. Det er fysisk, distribuert, høyt regulert, tidssensitivt og konstant endrer seg. Og likevel representerer det opptil 80% av den globale arbeidskraften – mennesker som generelt ikke sitter ved skrivebord, men som holder bedrifter, samfunn og økonomier i gang hver dag.

Kompleksiteten er ikke bare arbeidet selv. Det er dataene rundt arbeidet. Vi er heldige fordi UKG alltid har fokusert på frontlinjen, så vi har en multi-dekade head start i dette området.

Frontlinje-arbeidskraftsdata er usedvanlig høyvolum og støyende. Det kommer fra planer, tidklokker, punches, løneregler, sertifiseringer, arbeidskraftsprognoser, fravær, etterspørselssignaler, kompatibilitetskrav, lederavgjørelser, ansattpreferanser og operasjonelle endringer som skjer over tusenvis av lokasjoner og skift. Disse signalene er konstant i bevegelse, og de er dypt avhengige av kontekst – rolle, lokasjon, ferdighet, politikk, regulering, etterspørsel og timing.

Dette har gjort frontlinjemiljøer mye harder å analysere på en meningsfull måte. Når mange organisasjoner kan forstå hva som skjedde, har øyeblikket til å påvirke utfallet allerede passert. En bemanningsgap, overtidrisiko, kompatibilitetsproblem, lønnunntak eller savnet dekningssignal betyr ikke noe en uke senere. Det betyr mens det fortsatt er tid til å handle.

Dette er hvorfor frontlinje-AI må være fundamentalt forskjellig fra kontorproduktivitets-AI. Det kan ikke bare summerere informasjon eller generere innhold. Det må forstå operasjonell kontekst, tolke støyende arbeidskraftssignaler og hjelpe mennesker med å handle i sanntid.

For UKG er dette kjerneopportuniteten for vårt forretning og løsninger som UKG Workforce Intelligence Hub. Frontlinjen trenger ikke et annet system for registrering. Det trenger et system for handling – et som hjelper organisasjoner med å omdanne arbeidskraftsdata til bedre avgjørelser, raskere utførelse og mer tillit til utfall for ansatte, ledere og bedrifter.

I årevis har bedriftsprogramvare blitt bygget rundt arbeid som var enklere å digitalisere: skrivebord, dokumenter, møter, arbeidsflyter og kunnskapsarbeid. Men frontlinje-arbeid er forskjellig. Det er fysisk, distribuert, regulert, tidssensitivt og høyt bransjespesifikt.

En detaljhandelsmedarbeider, en sykepleier, en produksjons-tekniker, en lagerarbeider og en hotellleder er alle frontlinje-ansatte, men den operative omgivelsen rundt hver av dem er fullstendig forskjellig. Detaljhandelslag kan trenge å justere arbeidskraft basert på trafikk, kampanjer, vær eller lokale begivenheter. Helse-lag trenger riktig person med riktig sertifisering i riktig enhet når pasientbehov endrer seg gjennom dagen. Produksjonslag balanserer ferdigheter, sikkerhet, overtid, produksjonsskjemaer og arbeidsregler.

Dette er den virkelige kompleksiteten. Arbeid kan planlegges etter uke eller måned, men det endrer seg hver minutt av hver skift. En plan som så riktig ut på mandag kan være feil på onsdag. En bemanningsplan som fungerte kl. 08.00 kan være ødelagt kl. 12.00.

Historisk sett kunne de fleste systemer bare registrere hva som skjedde etterpå. Frontlinjen trenger mer enn rapportering. Det trenger handling i øyeblikket.

Dette er hvorfor AI er så viktig. Agens AI kan forstå kontekst, intensjon, begrensninger og forretningsregler, og deretter hjelpe ledere og ansatte med å handle over planlegging, tid, lønn, HR og drift.

Vi har brukt tiår på å arbeide med disse frontlinje-utfordringene. Hva som er forskjellig nå er at AI gir oss en måte å transformere dem på et nytt nivå av hastighet, presisjon og bransjerelevans.

Muligheten er ikke å gjøre frontlinje-arbeid likt kontorarbeid. Det er å bygge teknologi som respekterer hvordan frontlinje-arbeid faktisk skjer – og hjelper mennesker og bedrifter med å ta bedre avgjørelser i sanntid.

Bygging av AI for en detaljhandelsmedarbeider, en sykepleier, en lagerarbeider eller en hotellansatt er svært forskjellig fra å bygge AI-kopiloter for skrivebordsarbeidere. Hva er de største tekniske og operative forskjellene mellom disse miljøene?

Den største forskjellen er at frontlinje-AI ikke bare kan leve i en dokument, innboks eller chat-vindu. Det må leve i arbeidsflyten.

For skrivebordsarbeidere hjelper AI ofte med å skape, summerere, søke eller analysere informasjon. For frontlinje-arbeidere må AI forstå hva som skjer i operasjonen akkurat nå – hvem som arbeider, hvem som er kvalifisert, hvem som er tilgjengelig, hva etterspørselen ser ut til å være, hva regler gjelder, og hva handlingen bør være neste. Det er et svært forskjellig teknisk problem.

Så AI må være kontekstuell, bransjebevisst og handling-orientert. Det må forstå roller, politikk, arbeidsregler, lønneimplikasjoner, planer, sertifiseringer og forretningsprioriteter – og det må gjøre det med tillit, forklarbarhet og menneskelig tilsyn.

Den operative forskjellen er like viktig. Frontlinje-ledere har ikke tid til å tolke dashboards mens skiftet er i gang. Ansattene ønsker ikke et annet system å navigere. AI må være innbygget, raskt, intuitivt og nyttig i øyeblikket.

Dette er hvorfor frontlinje-AI ikke bare er en kopilot for arbeid. Det er intelligens som hjelper organisasjoner med å sanse, avgjøre og handle i sanntid.

Du har snakket om viktigheten av sanntids arbeidskraftsdata, inkludert skift, planlegging, lønn og bemannings-signaler. Hvorfor er sanntids-utførelse spesielt kritisk for frontlinje-AI-systemer?

Utfordringen er ikke om en organisasjon har data. De fleste bedrifter lager mer og mer arbeidskraftsdata. Utfordringen er å oversette disse signalene til råd, veiledning og handling – mens avgjørelsen fortsatt betyr noe.

Dette er hvorfor sanntids-utførelse er så kritisk for frontlinje-AI. AI må forstå hva som skjer, hva begrensninger gjelder, og hva den beste neste handlingen bør være. Bør vi justere en plan? Fylle en åpen skift?Varsle en leder? Forhindre et kompatibilitetsproblem? Fikse et lønn-unntak før det blir et ansatt-erfaring-problem?

Disse kan høres ut som små avgjørelser, men over tusenvis av ansatte, skift og lokasjoner, kompenserer disse forbedringene raskt. Bedre dekning, færre unntak, smartere arbeidskraftsavgjørelser og raskere leder-handling kan skape meningsfullt påvirkning for ansatte og for bedrifter.

Dette er formålet med UKG Workforce Intelligence Hub: å hjelpe organisasjoner med å omdanne arbeidskraftsdata til bedre avgjørelser og raskere handling, spesielt for frontlinjen.

Vi har en unik og rik oversikt over HR, lønn og arbeidskraftsforvaltning – områdene hvor arbeidskraftsstrategi blir operasjonell realitet. Når denne dataen kombineres med bransje- og peer-benchmark, arbeidskost-innsikter og AI som kan surface de mest relevante konklusjonene og anbefalinger, får ledere en mye klarere oversikt over hva som skjer, hvorfor det betyr noe, og hvor de bør handle.

For ledere er dette den virkelige verdien. Det er ikke et annet dashboard å se over. Det er et verktøy som hjelper med å forvalte arbeidskraft mer presist, identifisere risiko tidligere, benchmark-ytelse mer effektivt og ta avgjørelser med større tillit i øyeblikkene som betyr noe.

Mange organisasjoner utforsker agens AI, men det er bekymring rundt autonomi, styring og tillit. Hva er nødvendige retningslinjer før bedrifter kan tillate AI-agenter å handle i arbeidskraftsforvaltningssystemer?

I arbeidskraftsoperasjoner trenger AI-agenter klare grenser fordi avgjørelser er dypt menneskelige. De påvirker planer, lønn, kompatibilitet, dekning, slit, rettferdighet og ansatt-tillit. Det betyr at agenter ikke bare kan optimere for hastighet eller effisiens. De må operere innenfor politikk, tillatelser og formål.

De viktigste retningslinjene er kontekst, kontroll og ansvar.

Kontekst betyr at AI forstår ansatt, rolle, lokasjon, arbeidsregler, forretningsbehov og nedstrøms-påvirkning. Kontroll betyr at agenten handler bare innenfor definerte tillatelser, med riktig nivå av menneskelig godkjenning basert på risiko. Ansvar betyr at hver anbefaling eller handling er forklarbar, auditerbar og reversibel.

Noen handlinger kan være egnet for en agent å utføre automatisk, som å surface en åpen skift til kvalifiserte ansatte eller å varsle en leder om en overtid-risiko. Høyere-impakt-handlinger, spesielt de som involverer lønn, kompatibilitet, disiplin eller materiel plan-endring, bør kreve menneskelig gjennomgang.

Målet er ikke å fjerne ledere eller HR-team fra prosessen. Det er å gi dem intelligent støtte i en skala ingen enkelt kan håndtere alene.

Tillitlig agens AI bør omdanne intensjon til handling – men alltid med transparens, styring og mennesker i løkken.

Hver funksjon bør gjennomgå rigorøs modell-validering, sikkerhetsgjennomgang, personvernsvurdering og kontinuerlig overvåking før det når produksjon.

UKG har diskutert AI-applikasjoner som kan rebalansere planer, detektere lønn-anomalier og akselerere rekruttering. Hvilke av disse brukstilfellene leverer målbart operasjonelt verdi i dag, og hvilke er fortsatt i tidlige faser?

Brukstilfellene som leverer verdi raskest er de som fjerner friksjon fra avgjørelser ledere og team allerede må ta hver dag.

Lønn-anomali-deteksjon er et eksempel alle kan relatere til. Lønn er en av de høyest-tillits-prosessene i noen bedrift, og det er spesielt komplekst for frontlinje- og time-ansatte. Et savnet punch, en overtid-problem, en lønn-regel-unntak eller et kompatibilitetsproblem kan skape timer med manuell arbeid og direkte påvirke ansatt-tillit. AI kan hjelpe med å identifisere problemer tidligere, forklare hva som ser ut til å være feil, og guide team mot løsning før lønn lukkes.

Det er noen mye mer avanserte eksempler vi er svært glade for. En av dem er sanntids-arbeidskrafts- og plan-optimisering. Dette er hvor UKG Dynamic Workforce Operations er så viktig. Verdien er ikke bare å se at en butikk, enhet, lager eller hotell er underbemannet. Verdien er å forstå hva som endret seg, hva begrensninger gjelder, og hva en leder kan gjøre i øyeblikket – enten det er å fylle en åpen skift, unngå overtid-risiko eller beskytte dekning. Disse avgjørelser tas i dag av instinkt, ofte timer for sent. Nå kan ledere få en anbefaling bakket opp av data før et menneske ennå vet det er et problem.

Det tredje er frontlinje-støtte i arbeidsflyten. Gjennom UKG Frontline Worker Network kan arbeidskraftsdata hjelpe med å koble ansatte til støtte rundt rikdom, helse og hverdags-essensiell når disse behovene er mest relevante. Det er fortsatt en oppmerksom kategori, men det er et viktig ett fordi ansatt-erfaring ikke kan bo i en separat portal ingen har tid til å bruke.

Rekrutterings-akselerasjon blir også svært praktisk, spesielt i høy-volum frontlinje-miljøer hvor hastighet betyr noe. Vår AI-native UKG Rapid Hire har redusert tiden fra kandidat-interesse til planlagt intervju fra uker og dager til timer og selv minutter i noen tilfeller. Vi har redusert repetitivt arbeid over sourcing, screening, planlegging, onboarding og første-dags-klarhet for frontlinje-rekruttering i skala.

Den virkelige muligheten er ikke isolert automatisering. Det er en arbeidskrafts-operasjonsplattform som kan sanse hva som endrer seg, anbefale den neste beste handlingen og hjelpe organisasjoner med å gå fra intensjon til handling med riktig styring og menneskelig tilsyn.

I sektorer som helse, produksjon og logistikk kan små arbeidskrafts-forstyrrelser ha umiddelbare nedstrøms-konsekvenser. Hvorfor designer du AI-systemer som kan reagere raskt uten å skape ekstra operasjonell risiko?

Hastighet betyr noe, men i frontlinje-miljøer er hastighet uten kontroll risiko.

I helse, produksjon, logistikk og andre komplekse sektorer kan en liten arbeidskrafts-forstyrrelse raskt påvirke. En fravær kan påvirke pasient-dekning. En ferdighets-gap kan sakke en produksjonslinje. En savnet bemannings-signal kan forsinke leveranser eller skape overtid-eksponering.

Så målet er ikke å bygge AI som bare beveger seg raskere. Målet er å bygge AI som beveger seg raskere innenfor riktige begrensninger.

Dette starter med kontekst. AI må forstå hvem som er kvalifisert, hva regler gjelder, hva dekning kreves, hva kompatibilitets-risiko eksisterer og hva nedstrøms-påvirkningen av hver handling kan være.

Det krever også risiko-basert autonomi. Noen handlinger kan være egnet for en agent å utføre automatisk, som å surface en åpen skift eller å varsle en leder. Andre handlinger bør kreve menneskelig gjennomgang, spesielt når de påvirker lønn, kompatibilitet, sikkerhet eller materiel plan-endring.

De beste frontlinje-AI-systemene er designet for å være forklarbare, auditerbare og reversible. Ledere trenger å vite hvorfor en anbefaling ble gjort. Ansattene trenger å stole på prosessen. Og bedriften trenger tillit til at AI forbedrer utførelse uten å introdusere ny risiko.

For oss er design-prinsippet enkelt: AI bør hjelpe organisasjoner med å sanse, avgjøre og handle i sanntid – med mennesker, politikk og styring bygget inn fra starten.

Det er en voksende bekymring blant arbeidere at AI kan erstatte jobber, spesielt i frontlinje-industrier. Hvorfor balanserer du automatisering med å empowerment av ansatte i stedet for å skape frykt eller usikkerhet rundt AI-adoptsjon?

Jeg tror vi må skille automatiserings-hype fra operasjonell realitet.

Over det siste tiåret har vi sett mange eksempler hvor erstattelse av frontlinje-arbeid viste seg å være mye harder enn forventet. Selvbetjening har hatt blandede resultater. Fullt automatisert hurtigmat har vært mer pilot enn paradigme. Drone-levering føles for de fleste som noe fra fremtiden.

Dette er ikke fordi teknologien ikke er kraftig. Det er fordi en stor del av frontlinje-arbeid fortsatt er dypt menneskelig.

Frontlinje-ansatte håndterer unntak, dømmekraft, omsorg, sikkerhet, service, empati og tillit. En sykepleier er ikke bare en som fullfører en oppgave. En detaljhandelsmedarbeider er ikke bare en som flytter vare. Disse rollene sitter i skjæringspunktet mellom mennesker, operasjoner, kompatibilitet og kundeopplevelse.

AI kan fjerne friksjonen rundt frontlinje-arbeid: forvirrende planer, savnede punches, lønn-spørsmål, åpne skift, kompatibilitets-kompleksitet, bemannings-gap og administrative oppgaver som trekker ledere vekk fra teamene sine. Det kan hjelpe ansatte med å få svar raskere, hjelpe ledere med å ta bedre avgjørelser og hjelpe organisasjoner med å operere med mer presisjon.

Fremtiden for frontlinje-AI er ikke om å fjerne mennesker fra arbeid. Det er å gi mennesker bedre verktøy, bedre veiledning og mer støtte i øyeblikkene som betyr noe.

Du har beskrevet AI som å flytte bedriftsprogramvare fra systemer for registrering mot systemer for intelligent handling. Hvor ser du arbeidskrafts-plattformer utvikle seg over de neste fem årene når agens AI blir mer innbygget i dag-til-dag-operasjoner?

Jeg ville faktisk omformulere det litt. Spørsmålet er ikke hva arbeidskrafts-plattformer vil se ut til å være om fem år. Spørsmålet er hvilke organisasjoner bygger grunnlaget i dag for å være ledere om fem år.

Tempe av endring i AI er for raskt til å behandle det som en fjernt transformasjon. Fordelen vil gå til organisasjoner som flytter nå fra separate systemer, klønete suiter og punktløsninger mot en sann arbeidskrafts-operasjonsplattform – en som kobler HR, lønn, tid, planlegging, arbeidskraftsintelligens og utførelse.

Dette er et annet eksempel på hvor UKG Workforce Intelligence Hub blir viktig. Når AI blir mer innbygget i dag-til-dag-arbeidskraftsoperasjoner, kan intelligens ikke sitte på siden som statisk rapportering. Det må bli en del av hvordan arbeid forstås, prioriteres og handles. Organisasjoner trenger et intelligens-lag for frontlinje-arbeidskraftsoperasjoner for å bringe riktig innhold inn i riktig øyeblikk.

Dette betyr fordi arbeidskraftsoperasjoner er fulle av marginale gevinster og marginale tap. En savnet bemannings-signal, en lønn-unntak, en kompatibilitets-problem, en åpen skift eller en forsinket leder-avgjørelse kan se ut til å være små i isolasjon. Men over tusenvis av ansatte, lokasjoner og skift, kompenserer disse øyeblikkene raskt. Agens AI gir organisasjoner en måte å lukke dette gapet. Det kan forstå hva som endrer seg, tolke forretnings-kontekst, anbefale den neste beste handlingen og hjelpe mennesker med å utføre i sanntid med riktig styring og menneskelig tilsyn.

Over de neste fem årene vil lederne ikke være organisasjoner som bare la til AI-funksjoner til eksisterende arbeidsflyter. De vil være de som omtenkte arbeidskraftsforvaltning som et system for intelligent handling.

For ledere er dette urgensen: frontlinjen er allerede i bevegelse i sanntid. Deres teknologi må flytte med det. Organisasjoner som bygger denne kapasiteten nå vil ha en betydelig forsprang.

Ser du fremover, tror du at bedrifter som vinner i bedrifts-AI vil være de med de beste modellene, eller de med de dypeste operasjonelle og arbeidskrafts-data koblet direkte til sanntids-arbeidsflyter?

De beste modellene vil bety noe, men jeg tror ikke modeller alene vil definere vinnerne i bedrifts-AI.

I bedrifter er intelligens bare verdifull hvis den forstår konteksten av arbeid og kan hjelpe mennesker med å ta riktig handling. Det er spesielt sant i arbeidskraftsoperasjoner, hvor en anbefaling kan avhenge av hvem som er planlagt, hvem som er kvalifisert, hva regler gjelder, hva etterspørselen ser ut til å være, hva lønne-implikasjoner eksisterer og hva risiko eller kompatibilitets-problem kan bli skapt nedstrøms.

En modell uten denne operasjonelle konteksten kan generere et svar. En plattform med riktig arbeidskrafts-data, forretningsregler, arbeidsflyt-kontekst og styring kan hjelpe med å drive et resultat.

Dette er hvorfor et intelligens-lag, som det vi har skapt med vår Workforce Intelligence Hub, er så viktig. AI som sitter på toppen av et system har begrenset verdi. Intelligens bør være innbygget i arbeidsflyten, kunne tolke signaler, forstå operasjonell begrensning og surface avgjørelser som betyr mest.

Dette er hvor markedet er på vei. Når modeller blir mer kraftige og tilgjengelige, vil differensiering komme fra hvor godt AI er grunnlagt i sanntids-arbeidsflyter og hvor trygt det kan flytte fra innsikt til handling.

For frontlinjen er denne distinksjonen kritisk. Arbeid endrer seg konstant, og avgjørelser har umiddelbare konsekvenser for ansatte, ledere, kunder, pasienter og bedrifter.

Bedrifter som vinner i bedrifts-AI vil ikke bare ha AI som høres intelligent ut. De vil ha AI som forstår hvordan arbeid faktisk skjer – og kan hjelpe organisasjoner med å operere med mer hastighet, presisjon, tillit og menneskelighet.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke UKG.