Экспериментирование до выполнения: Как ИИ может повысить планку в области HR и зарплаты

ИИ доминировал в разговорах о бизнес-технологиях в течение последних нескольких лет, потому что обещанные выгоды в производительности и эффективности действительно трансформативны. Но отчет McKinsey о состоянии ИИ в корпоративном секторе показал, что, хотя почти все респонденты используют инструменты ИИ в какой-то степени, большинство из них все еще находятся на этапе экспериментирования.

Почти две трети опрошенных компаний еще не смогли масштабировать технологию во всей организации и выполнить ее таким образом, чтобы получить ценность. В то же время технология развивается очень быстро. ИИ – это движущаяся цель, что является еще одним вызовом для бизнес-лидеров, которые ищут способы перейти от шума вокруг ИИ к измеримым результатам.

HR и зарплата выделяются как полигон для испытаний в пути от экспериментирования к выполнению. Вот обзор некоторых проблем, с которыми сталкиваются лидеры HR на этом критическом этапе, почему человеческий надзор останется критически важным и как двигаться вперед таким образом, чтобы оказать наиболее положительное влияние на бизнес.

Уникальные проблемы применения ИИ в процессах HR и зарплаты

В теории функция HR и зарплаты является идеальной областью для применения ИИ, поскольку существует много процессов с высоким объемом и интенсивным использованием данных, которые требуют точности и эффективности. Однако данные не могут быть более чувствительными, чем информация, связанная со здоровьем сотрудников, их производительностью и оплатой труда.

Учитывая эту обстановку, есть две основные проблемы, с которыми сталкиваются лидеры, которые хотят развернуть ИИ в контексте HR и зарплаты. Первая проблема – это безопасность данных. Это просто недопустимый риск – размещать личную идентифицирующую информацию (PII) в незащищенной публичной среде ИИ.

Функции ИИ HR и зарплаты должны работать в защищенной, соответствующей HIPAA среде, а не в публичном экземпляре ChatGPT. Это первый ограничитель, и он является незаперечимым.

Решение о том, как применить технологию, является второй проблемой. Инструменты ИИ способны выполнять трудоемкие задачи, такие как проведение сравнительных анализов и сканирование зарплатных выплат на аномалии, но точность данных является ключом к успеху. В области HR и зарплаты нет места для ошибок из-за прямого влияния на сотрудников. Балл 99% заслуживает неудовлетворительную оценку в HR.

По этим причинам лидеры HR нуждаются в платформо-специфическом опыте и сильном акценте на управлении для эффективного применения ИИ в HR и зарплате; общее знакомство с теорией ИИ не достаточно. Также важно выбрать платформу, которая позволяет инструментам ИИ учиться на собственных данных организации, а не только на публично доступной информации из интернета.

Человеческий надзор является критически важным фактором успеха

Когда приложения HR и зарплаты доказывают, что ИИ может доставить измеримые результаты, становится все более ясно, что эффективные стратегии ИИ строятся не только вокруг управления и целостности данных, но также и человеческого надзора, который является критически важным фактором успеха.

Лучший подход – встроить ИИ в реальные рабочие процессы, используя собственные данные организации, с людьми, подтверждающими анализ ИИ. Эта стратегия помогает организациям избежать распространенной ошибки использования ИИ как самостоятельного инструмента, который извлекает публичные данные из онлайн-источников. Такой подход является рискованным, поскольку, даже самые энтузиастические сторонники признают, что ИИ не является 100% точным и требует проверки в качестве ограничителя для минимизации рисков.

Процесс, участвующий в определении зарплатных диапазонов, является хорошим примером задачи HR, которая требует тщательного человеческого надзора. Компаниям нужны конкурентоспособные зарплатные диапазоны, чтобы привлечь высококачественных кандидатов, и несколько штатов имеют законы о прозрачности зарплаты в действии. Важно убедиться, что команда HR принимает решения на основе точных данных.

Несколько факторов входят в оптимизацию зарплатных диапазонов, включая соображения о местоположении. Итак, команда HR, которая полагается на платформу в стиле ChatGPT, которая доступна к публично доступным данным, будет в невыгодном положении, если они невольно основывают уровни зарплаты на данных из Нью-Йорка при определении зарплатных диапазонов для Орландо, Флорида.

Когда команды HR получают доступ к платформе, соответствующей HIPAA, с сильными механизмами управления, которые основывают анализ на собственных данных организации, они могут начать демонстрировать реальные результаты. Но даже тогда человеческий фактор остается критически важным, поскольку точность не является необязательной в HR и зарплате. Итак, роль, назначенная ИИ, имеет значение.

Вместо того, чтобы просить ИИ устанавливать зарплатные диапазоны или определять налоговые ставки, лидеры HR должны использовать его для анализа, который затем подтверждается людьми, и для создания других задач, которые люди затем выполняют. Например, ИИ может генерировать напоминания, чтобы обеспечить своевременную оплату налогов HR и предоставлять отчеты пользователям на основе данных из системы, а не из интернета.

Развертывание ИИ для создания ценности

Один фактор, который делает ИИ уникальным, – это его невероятно быстрая эволюция. Поскольку он постоянно учится и расширяет возможности, решение о том, где и как развернуть ИИ, всегда будет похоже на попытку попасть в движущуюся цель.

Одна стратегия, которая стоит рассмотреть, – для лидеров HR определить три-пять самых трудоемких процессов и определить, как ИИ может помочь оптимизировать эти задачи. Помощь уже доступна в нескольких формах, будь то агентный ИИ, который может быть встроен в рабочие процессы для выполнения задач, или модель LLM, которая может выполнять анализ данных.

Например, компании-производители программного обеспечения начинают использовать искусственный интеллект для значительного оптимизации администрирования льгот для сотрудников, действуя как интеллектуальный переводчик между плотными, сложными документами льгот и высоко структурированными правилами конфигурации, необходимыми для систем информации о человеческих ресурсах (HRIS). Используя передовые методы обработки естественного языка (NLP), ИИ может читать через сложные юридические контракты или сводки льгот, чтобы автоматически извлекать критические точки данных – такие как критерии приемлемости, уровни покрытия, франшизы и лимиты взносов. Затем он сопоставляет и преобразует эти переменные непосредственно в конкретные цифровые форматы и логику, которую программное обеспечение HR внутренне понимает. Эта автоматизация преобразует традиционно утомительный и ошибочный процесс ручного ввода данных, позволяя отделам HR реализовывать ежегодные изменения планов, обновлять правила соблюдения или развертывать совершенно новые предложения с беспрецедентной скоростью, точностью и легкостью.

Это демонстрирует фундаментальную истину об возможностях ИИ, когда лидеры HR и зарплаты переходят от экспериментирования к выполнению. Волнующие возможности, такие как обсуждения между автономными агентами, находятся на горизонте, и это будет игроком, меняющим правила игры, но в конечном итоге решения будут требовать человеческих лидеров, чтобы принять решение.

Когда лидеры HR строят системы, которые центрируют управление, обеспечивают целостность данных и интегрируют человеческий надзор как необходимый компонент, ИИ может взять на себя нагрузку, когда он встроен в рабочие процессы, но люди останутся ответственными. Это должно быть так, когда лидеры используют ИИ, чтобы повысить планку в производительности HR и зарплаты.