Экспериментирование до выполнения: как ИИ может повысить планку в области кадров и оплаты труда

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 экспериментальной стадии.

Почти две трети опрошенных компаний еще не смогли масштабировать технологию во всей организации и выполнить ее так, чтобы она приносила ценность. В то же время технологии развиваются очень быстро. ИИ – это движущаяся цель, что является еще одной проблемой для бизнес-лидеров, которые ищут способы перейти от шума вокруг ИИ к измеримым результатам.

Кадры и оплата труда становятся полигоном для проверки в пути от экспериментирования к выполнению. Вот обзор некоторых проблем, с которыми сталкиваются лидеры кадров на этом критическом этапе, почему человеческий надзор останется важным и как двигаться вперед так, чтобы это принесло наибольшую пользу бизнесу.

Уникальные проблемы применения ИИ в процессах кадров и оплаты труда

В теории функция кадров и оплаты труда является идеальной областью для применения ИИ, поскольку существует много высокообъемных, данных-интенсивных процессов, 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 ситуацию, есть две основные проблемы, с которыми сталкиваются лидеры, которые хотят развернуть ИИ в контексте кадров и оплаты труда. Первая проблема – это безопасность данных. Это просто неприемлемый риск – размещать личную идентифицирующую информацию (PII) в не защищенной публичной среде ИИ.

Функции ИИ по кадрам и оплате труда должны работать в защищенной, соответствующей HIPAA среде, а не в публичном экземпляре ChatGPT. Это первый ограничитель, и он не обсуждается.

Решение о том, как применить технологию, является второй проблемой. Инструменты ИИ способны выполнять трудоемкие задачи, такие как проведение сравнительных анализов и сканирование выплат по зарплате на наличие аномалий, но точность данных является ключом к успеху. В области кадров и оплаты труда нет места для ошибок из-за прямого воздействия на сотрудников. Результат 99% означает неудовлетворительную оценку в кадрах.

По этим причинам лидерам кадров необходимо иметь специфические знания платформы и сильный акцент на управлении, чтобы эффективно применять ИИ в кадрах и оплате труда; общее знакомство с теорией ИИ недостаточно. 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 важным фактором успеха

Когда приложения по кадрам и оплате труда доказывают, что ИИ может принести измеримые результаты, становится все более ясно, что эффективные стратегии ИИ строятся не только на управлении и целостности данных, но и на человеческом надзоре, который является важным фактором успеха.

Лучший подход – это внедрение ИИ в реальные рабочие процессы с использованием собственных данных организации, с людьми, которые проверяют анализ ИИ. Эта стратегия помогает организациям избежать распространенной ловушки использования ИИ как самостоятельного инструмента, который извлекает публичные данные из интернета. Этот подход рискован, поскольку, даже по признанию его самых熱ких сторонников признают, ИИ не является на 100% точным и требует проверки в качестве ограничителя для минимизации рисков.

Процесс, связанный с определением диапазонов оплаты, является хорошим примером задачи по кадрам, которая требует тщательного человеческого надзора. Компаниям нужны конкурентные диапазоны оплаты, чтобы привлечь высококачественных кандидатов, и в нескольких штатах есть законы о прозрачности оплаты. Важно убедиться, что команда по кадрам принимает решения на основе точных данных.

Несколько факторов влияют на оптимизацию диапазонов оплаты, включая учет местоположения. Итак, команда по кадрам, которая полагается на платформу в стиле ChatGPT, которая доступна к публичным данным, будет в невыгодном положении, если она непреднамеренно основывает уровни оплаты на данных из Нью-Йорка при определении диапазонов оплаты для Орландо, Флорида.

Когда команды по кадрам 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 важным, поскольку точность не является необязательной в кадрах и оплате труда. Итак, роль, назначенная ИИ, имеет значение.

Вместо того, чтобы просить ИИ устанавливать диапазоны оплаты или определять налоговые ставки, лидерам по кадрам следует использовать его для анализа, который затем подтверждается людьми, и для создания других задач, которые люди затем выполняют. Например, ИИ может генерировать напоминания, чтобы убедиться, что команда по кадрам платит налоги вовремя, и предоставлять отчеты пользователям на основе данных из системы, а не из интернета.

Развертывание ИИ для создания ценности

Одним из факторов, который делает ИИ уникальным, является его невероятно быстрая эволюция. Поскольку он постоянно учится и расширяет свои возможности, решение о том, где и как развертывать ИИ, всегда будет похоже на попытку попасть в движущуюся цель.

Одна стратегия, которую стоит рассмотреть, заключается в том, что лидерам по кадрам необходимо определить три-пять наиболее трудоемких процессов и определить, как ИИ может помочь оптимизировать эти задачи. Помощь уже доступна в нескольких формах, будь то агентский ИИ, который может быть встроен в рабочие процессы для выполнения задач, или модель LLM, которая может выполнять анализ данных.

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

Это демонстрирует фундаментальную истину об возможностях ИИ, когда лидеры по кадрам и оплате труда 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 сделать звонок.

Когда лидеры по кадрам строят системы, которые центрируют управление, обеспечивают целостность данных и интегрируют человеческий надзор как важнейший 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 области кадров и оплаты труда.