Corey Spencer, GM i GVP ds. AI w UKG – Wywiad

Corey Spencer jest wiceprezesem i dyrektorem generalnym ds. zarządzania produktem w dziale AI i Platformy w UKG. Kieruje strategią produktową i innowacjami w obszarach AI, platformy i inteligencji workforce, pomagając organizacjom przekształcić dane o pracownikach w działania, które kształtują pozytywne wyniki biznesowe. Z ponad 20-letnim doświadczeniem, Spencer jest szanowanym liderem myśli w dziedzinie przyszłości AI, inteligencji workforce i zastosowania AI w pracy na pierwszej linii.

UKG to globalny dostawca oprogramowania do zarządzania kapitałem ludzkim, płac i zarządzania pracownikami, zaprojektowanego, aby pomóc organizacjom zarządzać i wspierać swoich pracowników w sposób bardziej efektywny. Jego platforma łączy zasoby ludzkie, płace, planowanie, czas i obecność, compliance, analitykę i AI-powered workforce insights, obsługując firmy od małych przedsiębiorstw do dużych globalnych przedsiębiorstw. Z 50-letnim doświadczeniem w branży, UKG wspiera ponad 80 000 organizacji w 150 krajach, z dziesiątkami milionów ludzi korzystających z jego rozwiązań każdego dnia.

Prowadziłeś ponad dwie dekady, pomagając przedsiębiorstwom zrozumieć dane klientów, analityczne i workforce w firmach takich jak Adobe, Alteryx i UKG. Co przekonało Cię, że pracownicy na pierwszej linii, a nie pracownicy wiedzy, reprezentują jedną z najważniejszych i najbardziej zaniedbanych możliwości dla AI dzisiaj?

To, co mnie przekonało, jest proste: pierwsza linia to miejsce, gdzie naprawdę działa gospodarka.

Widzieliśmy ogromne postępy w zastosowaniu AI do pracy wiedzy. Ale największa, najbardziej dynamiczna część siły roboczej była często zaniedbywana. Pracownicy na pierwszej linii reprezentują większość pracowników na świecie – aż 80% według niektórych szacunków – i napędzają branże, od których wszyscy zależymy każdego dnia: opiekę zdrowotną, handel detaliczny, produkcję, logistykę, hotelarstwo i usługi publiczne.

Dla wielu firm pierwsza linia jest również jednym z największych części P&L. To miejsce, gdzie koszt pracy, doświadczenie klienta, compliance, bezpieczeństwo, jakość usług i zaangażowanie pracowników wszystko się łączy. I jednak, pozostaje to jeden z najmniej zoptymalizowanych części przedsiębiorstwa.

Nie dlatego, że praca jest prosta. Dlatego, że jest niezwykle złożona.

Praca na pierwszej linii może być planowana tygodniowo lub miesięcznie, ale zmienia się każdej minuty każdej zmiany. Ktoś odwołuje się. Popyt szczytuje. Obciążenie pacjentów się zmienia. Przesyłka jest opóźniona. Zasada compliance ma zastosowanie inaczej w zależności od roli, lokalizacji, certyfikacji lub godzin pracy.

Tradycyjne systemy przedsiębiorstw zostały zaprojektowane, aby rejestrować, co się wydarzyło. Pierwsza linia potrzebuje technologii, która może pomóc organizacjom działać, gdy decyzja jeszcze ma znaczenie.

Dlatego AI jest tak ważne. Agentic AI może zrozumieć kontekst, intencję i ograniczenia, a następnie pomóc w koordynowaniu działań w zakresie planowania, czasu, płac, HR i operacji – z ludźmi w kontroli.

Dla mnie możliwość jest zamykaniem luki między planowaniem siły roboczej a wykonaniem siły roboczej. Kiedy to robimy, pracownicy otrzymują lepsze doświadczenia, menedżerowie otrzymują wsparcie w skali, której żaden indywidualny człowiek nie może samodzielnie obsłużyć, a firmy mogą działać z większą szybkością, precyzją i zaufaniem.

To nie jest tylko historia o produktywności. To historia o wykonaniu.

Pracownicy na pierwszej linii stanowią większość globalnej siły roboczej, a jednak wiele z boomu AI skupiło się na narzędziach produktywności biurowej. Dlaczego uważasz, że branża zaniżała złożoność i wagę środowisk pierwszej linii przez tak długi czas?

Uważam, że branża zaniżała pierwszą linię, ponieważ było łatwiej budować AI dla pracy, która była już cyfrowa.

Praca biurowa odbywa się w dokumentach, e-mailach, spotkaniach, kalendarzach i narzędziach współpracy. To sprawiło, że była to naturalna pierwsza fala dla AI. Ale pierwsza linia jest inna. Jest fizyczna, rozproszona, silnie uregulowana, czasochłonna i stale zmieniająca się. I jednak, reprezentuje aż 80% globalnej siły roboczej – ludzi, którzy zwykle nie siedzą przy biurkach, ale którzy utrzymują firmy, społeczności i gospodarki w działaniu każdego dnia.

Złożoność nie jest tylko sama praca. Jest to dane wokół pracy. Jesteśmy szczęśliwi, że UKG zawsze koncentrował się na pierwszej linii, więc mamy wieloletnią przewagę w tym obszarze.

Dane o siłach roboczych na pierwszej linii są niezwykle wielowymiarowe i głośne. Pochodzą one z planów, zegarów, punktów, zasad wynagrodzenia, certyfikatów, prognoz pracy, nieobecności, sygnałów popytu, wymagań compliance, decyzji menedżerów, preferencji pracowników i zmian operacyjnych, które występują w tysiącach lokalizacji i zmian. Te sygnały są stale w ruchu i są głęboko uzależnione od kontekstu – roli, lokalizacji, umiejętności, polityki, regulacji, popytu i czasu.

To sprawiło, że środowiska pierwszej linii były o wiele trudniejsze do analizy w sposób znaczący. Do czasu, gdy wiele organizacji może zrozumieć, co się wydarzyło, moment, aby wpłynąć na wynik, już minął. Przerwa w obsadzie, ryzyko nadgodzin, problem compliance, wyjątek w płacy lub sygnał o nieobsadzonej zmianie nie ma znaczenia tydzień później. Ma znaczenie, gdy jest jeszcze czas, aby działać.

Dlatego AI na pierwszej linii musi być fundamentalnie różne od AI biurowej. Nie może po prostu podsumowywać informacji lub generować treści. Musi zrozumieć kontekst operacyjny, interpretować głośne sygnały sił roboczych i pomóc ludziom działać w czasie rzeczywistym.

Dla UKG jest to rdzeń możliwości naszego biznesu i rozwiązań takich jak UKG Workforce Intelligence Hub. Pierwsza linia nie potrzebuje kolejnego systemu rejestracji. Potrzebuje systemu działania – jednego, który pomaga organizacjom przekształcić dane o siłach roboczych w lepsze decyzje, szybsze wykonanie i bardziej zaufane wyniki dla pracowników, menedżerów i biznesu.

Przez lata oprogramowanie przedsiębiorstw było budowane wokół pracy, która była łatwiejsza do zcyfrowienia: biurka, dokumenty, spotkania, przepływy pracy i praca wiedzy. Ale praca na pierwszej linii jest inna. Jest fizyczna, rozproszona, uregulowana, czasochłonna i silnie uzależniona od branży.

Pracownik detaliczny, pielęgniarka, technik produkcji, pracownik magazynu i menedżer hotelu są wszystkim pracownikami na pierwszej linii, ale środowisko operacyjne wokół każdego z nich jest całkowicie inne. Zespoły detaliczne mogą potrzebować dostosowania obsady w oparciu o ruch, promocje, pogodę lub lokalne wydarzenia. Zespoły opieki zdrowotnej potrzebują odpowiedniej osoby z odpowiednimi kwalifikacjami w odpowiedniej jednostce, gdy potrzeby pacjentów się zmieniają w ciągu dnia. Zespoły produkcyjne balansują umiejętnościami, bezpieczeństwem, nadgodzinami, harmonogramami produkcji i zasadami pracy.

To jest prawdziwa złożoność. Praca może być zaplanowana tygodniowo lub miesięcznie, ale zmienia się każdej minuty każdej zmiany. Plan, który wyglądał dobrze w poniedziałek, może być błędny do środy. Plan obsady, który działał o 8 rano, może być złamany do południa.

Historycznie, większość systemów mogła tylko rejestrować, co się wydarzyło po fakcie. Pierwsza linia potrzebuje czegoś więcej niż raportowanie. Potrzebuje działania w momencie.

To jest dlaczego AI jest tak ważne. Agentic AI może zrozumieć kontekst, intencję, ograniczenia i zasady biznesowe, a następnie pomóc menedżerom i pracownikom działać w zakresie planowania, czasu, płac, HR i operacji.

Przez dziesięciolecia pracowaliśmy nad tymi wyzwaniami pierwszej linii. Co jest inne teraz, to to, że AI daje nam sposób, aby je przekształcić na nowym poziomie szybkości, precyzji i uzasadnienia branżowego.

Możliwość nie jest taka, aby uczynić pracę na pierwszej linii podobną do pracy biurowej. Jest taka, aby zbudować technologię, która szanuje, jak praca na pierwszej linii naprawdę się odbywa – i pomóc ludziom i firmom podejmować lepsze decyzje w czasie rzeczywistym.

Budowanie AI dla pracownika detalicznego, pielęgniarki, pracownika magazynu lub pracownika hotelu jest bardzo różne od budowania AI-kopilotów dla pracowników biurowych. Jakie są największe techniczne i operacyjne różnice między tymi środowiskami?

Największa różnica polega na tym, że AI na pierwszej linii nie może po prostu żyć w dokumencie, skrzynce odbiorczej lub oknie czatu. Musi żyć w przepływie pracy.

Dla pracowników biurowych AI często pomaga tworzyć, podsumowywać, wyszukiwać lub analizować informacje. Dla pracowników na pierwszej linii AI musi zrozumieć, co się dzieje w operacji w tym momencie – kto pracuje, kto jest wykwalifikowany, kto jest dostępny, jaki wygląda popyt, jakie zasady mają zastosowanie i jakie działanie powinno nastąpić. To jest zupełnie inny problem techniczny.

AI musi być kontekstowe, świadome branży i ukierunkowane na działanie. Musi zrozumieć role, polityki, zasady pracy, implikacje wynagrodzenia, plany, certyfikaty i priorytety biznesowe – i musi to robić z zaufaniem, wyjaśnialnością i nadzorem ludzkim.

Różnica operacyjna jest równie ważna. Menedżerowie na pierwszej linii nie mają czasu, aby interpretować pulpity nawigacyjne, podczas gdy zmiana jest w toku. Pracownicy nie chcą kolejnego systemu do nawigacji. AI musi być wbudowane, szybkie, intuicyjne i użyteczne w momencie.

To jest dlaczego AI na pierwszej linii nie jest po prostu kopilotem dla pracy. Jest to inteligencja, która pomaga organizacjom zrozumieć, podejmować decyzje i działać w czasie rzeczywistym.

Czy mogłbyś powiedzieć nam, dlaczego wykonanie w czasie rzeczywistym jest tak krytyczne dla systemów AI na pierwszej linii?

Wyzwanie nie polega na tym, czy organizacja ma dane. Większość przedsiębiorstw tworzy więcej danych o siłach roboczych niż kiedykolwiek wcześniej. Wyzwanie polega na tym, aby przetłumaczyć te sygnały na zalecenia, wskazówki i działania – gdy decyzja jeszcze ma znaczenie.

Dlatego wykonanie w czasie rzeczywistym jest tak krytyczne dla AI na pierwszej linii. AI musi zrozumieć, co się dzieje, jakie ograniczenia mają zastosowanie i jakie najlepsze działanie powinno nastąpić. Czy powinniśmy dostosować plan? Wypełnić otwartą zmianę? Powiadomić menedżera? Zapobiec problemowi compliance? Naprawić wyjątek w płacy, zanim stanie się problemem doświadczenia pracownika?

Te decyzje mogą wydawać się małe, ale w przypadku tysięcy pracowników, zmian i lokalizacji, te momenty kumulują się szybko. Lepsze pokrycie, mniej wyjątków, inteligentniejsze decyzje dotyczące pracy i szybsze działanie menedżerów mogą mieć znaczący wpływ na pracowników i firmę.

To jest cel UKG Workforce Intelligence Hub: pomóc organizacjom przekształcić dane o siłach roboczych w lepsze decyzje i szybsze działanie, szczególnie na pierwszej linii.

Mamy unikalnie bogaty widok na HR, płace i zarządzanie siłami roboczymi – obszary, w których strategia sił roboczych staje się rzeczywistością operacyjną. Kiedy te dane są połączone z branżowymi i benchmarkami rówieśników, wglądem w koszty pracy, AI, które mogą wyłonić najbardziej istotne wnioski i zalecenia, liderzy mają znacznie jaśniejszy widok tego, co się dzieje, dlaczego ma to znaczenie i gdzie działać.

Dla executive, to jest prawdziwa wartość. Nie jest to kolejny pulpit nawigacyjny do przeglądania. Jest to narzędzie, które pomaga zarządzać pracą z większą precyzją, identyfikować ryzyko wcześniej, benchmarkować wydajność bardziej skutecznie i podejmować decyzje z większą pewnością w momentach, które mają znaczenie.

Wiele organizacji bada AI agenty, ale istnieje obawa dotycząca autonomii, zarządzania i zaufania. Jakie są niezbędne barierki, zanim przedsiębiorstwa będą mogły pozwolić agentom AI na podejmowanie działań w systemach zarządzania siłami roboczymi?

W operacjach sił roboczych agenci AI potrzebują wyraźnych granic, ponieważ decyzje są głęboko ludzkie. Dotyczą one planów, płac, compliance, pokrycia, zmęczenia, sprawiedliwości i zaufania pracowników. To oznacza, że agenci nie mogą po prostu optymalizować dla szybkości lub wydajności. Muszą działać w ramach polityki, uprawnień i celu.

Najważniejsze barierki to kontekst, kontrola i odpowiedzialność.

Kontekst oznacza, że AI rozumie pracownika, rolę, lokalizację, zasady pracy, potrzeby biznesowe i wpływ downstream. Kontrola oznacza, że agent działa tylko w ramach określonych uprawnień, z odpowiednim poziomem zatwierdzenia ludzkiego na podstawie ryzyka. Odpowiedzialność oznacza, że każde zalecenie lub działanie jest wyjaśnialne, audytowalne i odwracalne.

Pewne działania mogą być odpowiednie dla agenta do wykonania automatycznie, takie jak prezentowanie otwartej zmiany wykwalifikowanym pracownikom lub powiadamianie menedżera o ryzyku nadgodzin. Działania o wyższym wpływie, szczególnie te dotyczące wynagrodzenia, compliance, dyscypliny lub istotnych zmian w planie, powinny wymagać przeglądu ludzkiego.

Celem nie jest usunięcie menedżerów lub zespołów HR z procesu. Jest to dostarczenie im inteligentnego wsparcia w skali, której żaden indywidualny człowiek nie może samodzielnie obsłużyć.

Zaufane AI agenty powinny przekształcić intencję w działanie – ale zawsze z transparentnością, zarządzaniem i ludźmi w pętli.

Każda funkcjonalność powinna przejść przez rygorystyczną walidację modelu, przegląd bezpieczeństwa, ocenę prywatności i ciągłe monitorowanie przed wejściem do produkcji.

UKG omawiał aplikacje AI, które mogą rebilansować plany, wykrywać anomalie w płacach i przyspieszać rekrutację. Które z tych przypadków użycia dostarczają już mierne operacyjne korzyści dzisiaj, a które są jeszcze we wczesnej fazie?

Przypadki użycia, które dostarczają wartość najszybciej, są tymi, które usuwają tarcie z decyzji, które menedżerowie i zespoły już muszą podejmować każdego dnia.

Wykrywanie anomalii w płacach jest przykładem, z którym każdy może się identyfikować. Płace są jednym z najbardziej zaufanych procesów w każdej firmie, a są szczególnie złożone dla pracowników na pierwszej linii i godzinowych. Zatrzymany punkt, problem z nadgodzinami, wyjątek w zasadach wynagrodzenia lub problem compliance może stworzyć godziny ręcznej pracy i bezpośrednio wpłynąć na zaufanie pracownika. AI może pomóc w identyfikowaniu problemów wcześniej, wyjaśniać, co wygląda nie tak, i prowadzić zespoły w kierunku rozwiązania przed zamknięciem płac.

Jest kilka bardziej zaawansowanych przykładów, na które jesteśmy bardzo podekscytowani. Jednym z nich jest optymalizacja sił roboczych i planów w czasie rzeczywistym. To jest tam, gdzie UKG Dynamic Workforce Operations jest tak ważne. Wartość nie polega tylko na tym, że widzimy, że sklep, jednostka, magazyn lub hotel są niedostatecznie obsadzone. Wartość polega na zrozumieniu, co się zmieniło, jakie ograniczenia mają zastosowanie i jakie działanie menedżer może podjąć w momencie – czy to wypełnienie otwartej zmiany, uniknięcie ryzyka nadgodzin lub ochrona pokrycia. Te decyzje są podejmowane dzisiaj przez instynkt, często godziny za późno. Teraz menedżerowie mogą uzyskać zalecenie wsparte danymi, zanim ludzki nawet wie, że jest problem.

Trzecim jest wsparcie na pierwszej linii w przepływie pracy. Przez UKG Frontline Worker Network dane o siłach roboczych mogą pomóc w połączeniu pracowników z wsparciem wokół bogactwa, zdrowia i codziennych podstaw, gdy te potrzeby są najbardziej istotne. To jest jeszcze wschodząca kategoria, ale jest to ważne, ponieważ doświadczenie pracownika nie może mieszkać w oddzielnym portalu, którego nikt nie ma czasu używać.

Przyspieszanie rekrutacji staje się również bardzo praktyczne, szczególnie w środowiskach pierwszej linii, gdzie szybkość ma znaczenie. Nasz AI-natywny UKG Rapid Hire zmniejszył czas od zainteresowania kandydata do zaplanowanego wywiadu z tygodni i dni do godzin i nawet minut w niektórych przypadkach. Zmniejszyliśmy powtarzalną pracę w źródle, screeningu, planowaniu, onboarding i gotowości pierwszego dnia dla rekrutacji na pierwszej linii w skali.

Prawdziwa możliwość nie jest izolowaną automatyzacją. Jest to platforma operacyjna sił roboczych, która może zrozumieć, co się zmienia, zalecić następne najlepsze działanie i pomóc organizacjom przechodzić od intencji do działania z odpowiednim zarządzaniem i nadzorem ludzkim.

W sektorach takich jak opieka zdrowotna, produkcja i logistyka, niewielkie zakłócenia sił roboczych mogą mieć natychmiastowe konsekwencje downstream. Jak projektujesz systemy AI, które mogą reagować szybko, nie tworząc dodatkowego ryzyka operacyjnego?

Szybkość ma znaczenie, ale w środowiskach pierwszej linii szybkość bez kontroli jest ryzykiem.

W opiece zdrowotnej, produkcji, logistyce i innych złożonych sektorach niewielkie zakłócenia sił roboczych mogą szybko się rozprzestrzeniać. Jedna nieobecność może wpłynąć na pokrycie pacjentów. Jedna luka umiejętności może spowolnić linię produkcyjną. Jedna przeoczone sygnały sił roboczych może opóźnić dostawy lub stworzyć narażenie na nadgodziny.

Celem nie jest budowanie AI, które po prostu działa szybciej. Celem jest budowanie AI, które działa szybciej w ramach odpowiednich ograniczeń.

To zaczyna się od kontekstu. AI musi zrozumieć, kto jest wykwalifikowany, jakie zasady mają zastosowanie, jakie pokrycie jest wymagane, jakie ryzyko compliance istnieje i jaki może być wpływ downstream każdego działania.

Wymaga to również autonomii opartej na ryzyku. Niektóre działania mogą być zalecane lub wykonane z bardzo niskim ryzykiem, takie jak powiadamianie menedżera, identyfikowanie wykwalifikowanych zastępców lub prezentowanie otwartej zmiany. Inne działania powinny wymagać przeglądu ludzkiego, szczególnie gdy wpływają na wynagrodzenie, compliance, bezpieczeństwo lub istotne zmiany w planie.

Najlepsze systemy AI na pierwszej linii są zaprojektowane, aby być wyjaśnialne, audytowalne i odwracalne. Menedżerowie muszą wiedzieć, dlaczego zalecenie zostało podjęte. Pracownicy muszą ufać procesowi. A firma musi mieć pewność, że AI poprawia wykonanie bez wprowadzania nowego ryzyka.

Dla nas zasadą projektowania jest prosta: AI powinno pomóc organizacjom zrozumieć, podejmować decyzje i działać w czasie rzeczywistym – z ludźmi, polityką i zarządzaniem wbudowanymi od samego początku.

Istnieje rosnąca obawa wśród pracowników, że AI może zastąpić miejsca pracy, szczególnie w branżach pierwszej linii. Jak balansujesz automatyzację z empowermentem pracowników, zamiast tworzenia strachu lub niepewności wokół adopcji AI?

Uważam, że musimy oddzielić hiperbolę automatyzacji od rzeczywistości operacyjnej.

W ciągu ostatniej dekady widzieliśmy wiele przykładów, w których zastąpienie pracy na pierwszej linii okazało się o wiele trudniejsze, niż się spodziewano. Samoobsługowe kasowanie miało mieszane wyniki. W pełni zautomatyzowana szybka obsługa była bardziej pilotem niż paradygmatem. Dostawa dronem wciąż wydaje się, dla większości ludzi, czymś z przyszłości.

To nie jest dlatego, że technologia nie jest potężna. Jest to dlatego, że duża część pracy na pierwszej linii pozostaje głęboko ludzka.

Pracownicy na pierwszej linii obsługują wyjątki, osąd, opiekę, bezpieczeństwo, usługi, empatię i zaufanie. Pielęgniarka nie jest po prostu wykonująca zadanie. Pracownik detaliczny nie jest po prostu przenoszący towary. Pracownik restauracji nie jest po prostu wypełniający zamówienie. Te role znajdują się na skrzyżowaniu ludzi, operacji, compliance i doświadczenia klienta.

AI może usunąć tarcie wokół pracy na pierwszej linii: mylne plany, zatrzymane punkty, pytania o wynagrodzenie, otwarte zmiany, złożoność compliance, luki w obsadzie i administracyjne zadania, które odciągają menedżerów od ich zespołów. Może pomóc pracownikom uzyskać odpowiedzi szybciej, pomóc menedżerom podejmować lepsze decyzje i pomóc organizacjom działać z większą precyzją.

Przyszłość AI na pierwszej linii nie jest taka, aby usunąć ludzi z pracy. Jest taka, aby dać ludziom lepsze narzędzia, lepsze wskazówki i więcej wsparcia w momentach, które mają znaczenie.

Opisałeś AI jako przechodzące od systemów rejestracji do systemów inteligentnego działania. Jak widzisz ewolucję platform sił roboczych w ciągu najbliższych pięciu lat, gdy AI staje się bardziej wbudowane w codzienne operacje?

Chciałbym nieco zmienić to pytanie. Pytanie nie jest, jaki będzie wyglądał wygląd platform sił roboczych za pięć lat. Pytanie jest, które organizacje budują fundamenty dzisiaj, aby być liderami za pięć lat.

Tempo zmian w AI jest zbyt szybkie, aby traktować to jako odległą transformację. Przewaga będzie należeć do organizacji, które poruszają się teraz od rozłącznych systemów, nieporęcznych pakietów i punktowych rozwiązań w kierunku prawdziwej platformy operacyjnej sił roboczych – jednej, która łączy HR, płace, czas, planowanie, inteligencję sił roboczych i wykonanie.

To jest kolejny przykład, w którym UKG Workforce Intelligence Hub staje się ważne. Gdy AI staje się bardziej wbudowane w codzienne operacje sił roboczych, inteligencja nie może siedzieć na zewnątrz jako statyczne raportowanie. Musi stać się częścią tego, jak praca jest zrozumiana, priorytetowa i podejmowana. Organizacje potrzebują warstwy inteligencji dla operacji sił roboczych na pierwszej linii, aby wprowadzić odpowiednią treść w odpowiedni moment.

To ma znaczenie, ponieważ operacje sił roboczych są pełne marginalnych zysków i marginalnych strat. Jedna przeoczone sygnały sił roboczych, jeden wyjątek w płacach, jeden problem compliance, jeden otwarty plan lub jeden opóźniony menedżerski może wyglądać mało znacząco w izolacji. Ale w przypadku tysięcy pracowników, lokalizacji i zmian te momenty kumulują się szybko.

AI agenty dają organizacjom sposób, aby zamknąć tę lukę. Mogą zrozumieć, co się zmienia, interpretować kontekst biznesowy, zalecić następne najlepsze działanie i pomóc ludziom wykonywać w czasie rzeczywistym z odpowiednim zarządzaniem i nadzorem ludzkim.

W ciągu najbliższych pięciu lat liderami będą nie te organizacje, które po prostu dodały funkcje AI do istniejących przepływów pracy. Będą to te, które przemyślały zarządzanie siłami roboczymi jako system inteligentnego działania.

Dla executive, to jest pilność: pierwsza linia już porusza się w czasie rzeczywistym. Twoja technologia musi poruszać się z nią. Organizacje, które budują tę zdolność teraz, będą miały znaczną przewagę.

Spójrzając w przyszłość, uważasz, że firmy, które wygrają w enterprise AI, będą tymi z najlepszymi modelami, czy tymi z najgłębszymi operacyjnymi i siłami roboczymi danymi powiązanymi bezpośrednio z rzeczywistymi przepływami pracy?

Najlepsze modele będą miały znaczenie, ale nie wierzę, że same modele będą definiować zwycięzców w enterprise AI.

W przedsiębiorstwie inteligencja jest tylko cenna, jeśli rozumie kontekst pracy i może pomóc ludziom podejmować odpowiednie działania. To jest szczególnie prawdziwe w operacjach sił roboczych, gdzie zalecenie może zależeć od tego, kto jest zaplanowany, kto jest wykwalifikowany, jakie zasady mają zastosowanie, jaki wygląda popyt, jakie są implikacje wynagrodzenia i jakie ryzyko lub problem compliance może powstać downstream.

Model bez tego kontekstu operacyjnego może wygenerować odpowiedź. Platforma z odpowiednimi danymi o siłach roboczych, zasadami biznesowymi, kontekstem przepływu pracy i zarządzaniem może pomóc w osiągnięciu wyniku.

To jest tam, gdzie uważam, że rynek się kieruje. Gdy modele stają się bardziej potężne i bardziej dostępne, różnicowanie przyjdzie od tego, jak dobrze AI jest zakorzenione w rzeczywistych przepływach pracy i jak bezpiecznie może przechodzić od wglądu do działania.

Dla pierwszej linii ta różnica jest krytyczna. Praca zmienia się nieustannie, a decyzje mają natychmiastowe konsekwencje dla pracowników, menedżerów, klientów, pacjentów i biznesu.

Firmy, które wygrają w enterprise AI, nie będą po prostu miały AI, które brzmi inteligentnie. Będą miały AI, które rozumie, jak praca naprawdę się odbywa – i które może pomóc organizacjom działać z większą szybkością, precyzją, zaufaniem i humanitaryzmem.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić UKG.