Eksperimentering til gjennomføring: Hvordan AI kan heve standarden i HR og lønn

AI har dominert bedriftsteknologisamtaler de siste årene fordi de lovede gevinstene i produktivitet og effisiens er virkelig transformative. Men en McKinsey-rapport om AI i bedrifter fant at mens nesten alle undersøkte selskaper bruker AI-verktøy i noen kapasitet, er de fleste fortsatt i eksperimenteringsfasen.

Nærmere to tredjedeler av de undersøkte bedriftene har ennå ikke skalert teknologien over hele organisasjonen og gjennomført den på en måte som leverer verdi. Samtidig utvikler teknologien seg raskt. AI er et flytende mål, noe som er en annen utfordring for bedriftsledere som søker etter måter å gå fra AI-hype til målbare resultater.

HR og lønn er nye områder i reisen fra eksperimentering til gjennomføring. Her er en oversikt over noen av utfordringene HR-ledere står overfor på dette kritiske punktet, hvorfor menneskelig tilsyn vil forbli kritisk og hvordan man kan gå videre på en måte som leverer den mest positive innvirkningen på bedriften.

De unike utfordringene ved å bruke AI i HR- og lønnsprosesser

I teorien er HR- og lønnfunksjonen et ideelt område å bruke AI, fordi det finnes mange høyvolum, dataintensive prosesser som krever presisjon og effisiens. Imidlertid er data ikke mer følsomme enn informasjon relatert til ansattes helse, jobbprestasjoner og lønn.

Med denne bakgrunnen er det to primære utfordringer for ledere som ønsker å bruke AI i HR- og lønnskonteksten. Den første er datasikkerhet. Det er enkelte uakseptabelt å plassere personlig identifiserbar informasjon (PII) i en ikke-sikret offentlig AI-miljø.

HR- og lønnsfunksjoner som kjører i et sikret, HIPAA-samsvarlig miljø, ikke en offentlig ChatGPT-eksempel. Dette er den første guardrailen, og den er ikke forhandlingsbar.

Å bestemme hvordan man skal bruke teknologien er den andre utfordringen. AI-verktøy er i stand til å utføre arbeidskrevende oppgaver som sammenlignende analyser og skanning av lønnskjøringer for anomalier, men dataakkuratheit er nøkkel til suksess. Det finnes ingen rom for feil i HR- og lønnsområdet på grunn av den direkte innvirkningen på ansatte. En 99% score gir en F i HR.

For disse grunnene trenger HR-ledere plattformsbestemt ekspertise og en sterk fokus på styring for å kunne bruke AI effektivt i HR og lønn; generell kjennskap til AI-teori er ikke nok. Det er også avgjørende å velge en plattform som gjør det mulig for AI-verktøy å lære fra organisasjonens egne data, ikke bare offentlig tilgjengelig informasjon fra internettet.

Menneskelig tilsyn er en kritisk suksessfaktor

Etterhvert som HR- og lønnsapplikasjoner viser at AI kan levere målbare resultater, blir det stadig mer tydelig at effektive AI-strategier bygges ikke bare rundt styring og dataintegritet, men også menneskelig tilsyn, som er en kritisk suksessfaktor.

Den beste tilnærmingen er å integrere AI i virkelige arbeidsflyter ved hjelp av organisasjonens egne data, med mennesker som validerer AI-analyse. Denne strategien hjelper organisasjoner å unngå den vanlige fella av å bruke AI som et selvstendig verktøy som trekker offentlig data fra internettet. Denne tilnærmingen er risikabel fordi, selv om dens mest entusiastiske talsmenn erkjenner, er AI ikke 100% nøyaktig og krever gjennomgang som en guardrail for å minimere risiko.

Prosessene involvert i å definere lønnsbånd er et godt eksempel på en HR-oppgave som krever nøye menneskelig tilsyn. Selskaper trenger konkurranseutsatte lønnsbånd for å tiltrekke høykvalifiserte kandidater, og en rekke stater har lønnstransparenslover på plass. Det er viktig å sikre at HR-teamet tar beslutninger basert på nøyaktig data.

Flere faktorer går inn i å optimalisere lønnsbånd, inkludert overveielser om plassering. Så, et HR-team som bruker en ChatGPT-liknende plattform som trekker offentlig tilgjengelig data ville være i en ulempe hvis de utilsiktet baserte lønnsnivåer på data fra New York City når de bestemmer lønnsbånd for Orlando, Florida.

Når HR-teamene får tilgang til en HIPAA-samsvarlig plattform med sterke styringskontroller som baserer analyser på deres egen organisasjonens data, kan de begynne å demonstrere virkelige resultater. Men selv da forblir det menneskelige elementet kritisk fordi nøyaktighet ikke er valgfritt i HR og lønn. Så, rollen tildelt AI er viktig.

I stedet for å be AI om å sette lønnsbånd eller identifisere skattefrekvenser, bør HR-ledere bruke det til analyse som deretter bekreftes av mennesker og å opprette andre oppgaver som mennesker deretter utfører. For eksempel kan AI generere påminnelser for å sikre at HR betaler skatt på tide og levere rapporter til brukere basert på data fra systemet, ikke internettet.

Deploying AI for å skape verdi

En faktor som gjør AI unikt er dens usedvanlig raske utvikling. Fordi det stadig lærer og utvider kapasiteter, vil avgjørelsen om hvor og hvordan man skal bruke AI alltid være som å prøve å treffe et flytende mål.

En strategi som er verdt å overveie er for HR-ledere å identifisere sine tre til fem mest tidskrevende prosesser og bestemme hvordan AI kan hjelpe med å strømlinje disse oppgavene. Hjelp er allerede tilgjengelig i flere former, enten det er agens AI som kan integreres i arbeidsflyter for å fullføre oppgaver eller en LLM-modell som kan utføre dataanalyse.

For eksempel begynner programvareselskaper å bruke kunstig intelligens for å strømlinje administrasjonen av ansattefordeler betydelig ved å fungere som en intelligent oversetter mellom tette, komplekse fordelingsplan-dokumenter og de høyt strukturerte konfigurasjonsreglene som kreves av HR-informasjonssystemer (HRIS). Ved hjelp av avansert naturlig språkbehandling (NLP) kan AI lese gjennom intrikate juridiske kontrakter eller fordelingssammendrag for å automatisk trekke ut kritiske datapunkter — som kvalifiseringskriterier, dekningstier, fradragsbeløp og bidragsbegrensninger. Den kartlegger og konverterer disse variablene direkte til de spesifikke digitale formatene og logikken som HR-programvaren innebygget forstår. Denne automatiseringen transformerer den tradisjonelt tidskrevende og feilfylte prosessen med manuell datainntasting, og gjør det mulig for HR-avdelinger å implementere årlige planendringer, oppdatere retningslinjer for samsvar eller rulle ut helt nye tilbud med utenkelig hastighet, nøyaktighet og enkelhet.

Dette demonstrerer en grunnleggende sannhet om AI-kapasiteter når HR- og lønnsledere går fra eksperimentering til gjennomføring. Spennende muligheter som diskusjoner mellom autonome agenter er på horisonten, og det vil være en game-changer, men til slutt vil avgjørelsene kreve at menneskelige ledere tar

As HR-ledere bygger systemer som sentrerer styring, sikrer dataintegritet og integrerer menneskelig tilsyn som en essensiell komponent, kan AI ta på seg arbeidsbyrden når det er integrert i arbeidsflyter, men mennesker vil forbli ansvarlige. Det er slik det skal være når ledere bruker AI til å heve standarden i HR- og lønnprestasjoner.