Inom lönehantering ser de farligaste AI-felen korrekta ut

Lönehantering är en av få affärsprocesser där varje misstag förknippas med ett namn, ett belopp och ett datum. Därför förtjänar AI inom lönehantering en mer ingående diskussion, eftersom det mesta av samtalet handlar om vad AI upptäcker. Den svårare frågan är vad AI förändrar när ingen håller uppsikt.

Jag har arbetat med ekonomi i sjutton år, först som ekonomichef och därefter med att bygga upp infrastruktur för lönehantering över nationsgränser. Under den tiden har jag lärt mig att se automatisering som ett utbyte: man avstår från synligt manuellt arbete och får i gengäld ett osynligt systembeteende.

Vad regelverket faktiskt kräver

Enligt EU:s AI-förordning är AI på arbetsplatsen högrisk när den bidrar till beslut om en person: vem som anställs, befordras eller sägs upp, hur arbetet fördelas, hur personens prestation bedöms eller hur arbetsvillkoren ändras. Sådana beslut påverkar någons arbete och inkomst, så företaget som använder verktyget måste se till att en människa har kontrollen och dokumentera hur varje beslut fattades. Löneberäkning omfattas inte automatiskt av den kategorin, eftersom det är ren aritmetik att tillämpa överenskomna ersättningsnivåer på godkända arbetstimmar. Den blir högrisk när löneuppgifter börjar användas som underlag för beslut om människor, eller när ett verktyg som säljs som ”lönehantering” i det tysta börjar fatta sådana beslut.

I USA publicerade National Institute of Standards and Technology (NIST), en federal myndighet känd för att fastställa tekniska standarder och säkerhetsstandarder, redan 2023 ett särskilt ramverk för AI-riskhantering som organisationer enkelt kan anpassa till sina egna förutsättningar. Det ger företagen en praktisk arbetscykel i fyra steg, som jag återkommer till nedan.

Hur långt AI säkert kan gå inom lönehantering i dag

På ytan ser AI inom lönehantering ut som ett snabbare par händer. Men AI:s superkraft – och samtidigt dess förbannelse – är felfri, sömlös och beroendeframkallande automatisering. När systemet väl är i drift är det svårt att se och rätta till alla sätt på vilka det påverkar dem som i slutänden berörs – människor i arbetslivet. Därför betraktas AI inom HR som högrisk: den påverkar direkt människors försörjning, framgång på arbetsplatsen och framtida karriärmöjligheter.

De flesta verktyg för lönehantering följer en kort process. Först kontrollerar och förbereder de genom att jämföra, markera avvikelser och skapa utkast. Sedan börjar de ge rekommendationer, till exempel om att hålla inne en utbetalning eller ifrågasätta en faktura, medan en människa fattar beslutet. I det tredje steget, när verktyget agerar på något som påverkar en persons arbete, ställning eller inkomst, bör det stanna och lämna tillbaka beslutet till en människa. Svårigheten är att stegen glider in i varandra. En markering av ovanligt många arbetstimmar är en ofarlig avstämningskontroll i det första steget, men en bedömning av arbetsprestationen i det tredje. Modellen förändras inte mellan stegen; det som förändras är hur en människa använder dess resultat.

Där AI verkligen gör nytta

Ett positivt resultat av automatiserad lönehantering är en kraftig minskning av antalet fel – med upp till 78 procent, enligt Blair McQuillen från Ignite HCM, en konsulttjänst inom lönehantering. Ett AI-drivet verktyg som ska minska felen i lönehanteringen utför i huvudsak följande åtgärder för att granska och korrigera lönesystem:

• Avvikelsedetektering innebär att maskininlärningsalgoritmer jämför löneuppgifter med historiska uppgifter för att upptäcka kraftiga ökningar i utbetalningar, dubbla poster och ovanliga avdrag.
• Validering av uppgifter i realtid innebär att AI granskar både aktuella medarbetaruppgifter (t.ex. automatiskt registrerad närvaro) och källsystem (t.ex. tidrapporter) och upptäcker fel som uppstått vid manuell kopiering och inklistring.
• Förebyggande av fel med hjälp av prediktioner syftar till att förutse fel innan lönekörningen slutförs.
• AI-agenter kan också automatisera regelefterlevnad i viss utsträckning. De övervakar personalen och löneberäkningarna och larmar HR omedelbart, till och med innan en kvartalsrevision äger rum. Om AI ska användas för regelefterlevnad som visselblåsare måste dess förmågor tydligt definieras och riktiga människor alltid vara delaktiga i beslutsfattandet.
• Prognoser med AI förutspår hur organisatoriska förändringar eller marknadsfluktuationer påverkar lönekostnader och budgetar.

Enligt OpenLadger Report, en inbäddad redovisnings-API med AI, uppnådde företagen 19 % snabbare bokslut och 34 % bättre budgetefterlevnad.

När referensvärdet lär sig av dina misstag

De flesta AI-system för lönehantering marknadsförs med löftet om kontinuerligt lärande. Med tiden lär sig systemet hur en normal lönekörning ser ut i din organisation och jämför varje körning med den. Det är verkligen användbart, men det är också där det obemärkt börjar gå fel.

Ett system som lär sig vad som är ”normalt” utifrån historiken lär sig också av felen i den. Anta att ett avdrag har tillämpats felaktigt i sex månader. Systemet slutar då att markera det, eftersom det efter sex månader med samma misstag inte längre framstår som ovanligt.

Gränsöverskridande arbete gör problemet tydligare. När du betalar uppdragstagare i många länder, med olika valutor och utbetalningsmetoder, är det som verkar ”ovanligt” ofta helt legitimt: en milstolpe i ett projekt, byte av betalningskanal, ett enstaka uppdrag eller att en ny betalningskorridor öppnas. En modell som finjusterats för att minska antalet falska positiva resultat kommer med tiden att börja sålla bort de verkliga avvikelserna också.

När en utbetalning hålls inne, flaggas eller justeras måste någon kunna förklara varför: för uppdragstagaren som väntar på pengarna, för en revisor flera månader senare och så småningom för en tillsynsmyndighet.

Tre sätt att göra automatiserad lönehantering granskningsbar

1. Dela upp arbetsuppgifterna. En enda assistent som tar in data, klassificerar arbetstagare, beräknar lön, kontrollerar regelefterlevnad och skickar lönespecifikationer är enkel att köpa in men svår att granska, eftersom det inte går att avgöra vilket steg som orsakade felet när resultatet blir fel. Vissa leverantörer av lönetjänster går redan över till upplägg med flera agenter, där separata komponenter hanterar inläsning av tidrapporter, klassificering av arbetstagare, löneberäkning, regelefterlevnad och kommunikation, och varje komponent skriver till ett gemensamt revisionsspår. Det kostar mer att sätta ihop en sådan lösning, men den kostnaden tjänas in redan första gången en tillsynsmyndighet frågar hur ett beslut fattades. Då kan man gå igenom kedjan steg för steg.
2. Gruppera åtgärder efter hur lätta de är att ångra. En modell med mänsklig medverkan, som numera är vanlig inom HR-teknik, delar in automatiserade åtgärder i tre nivåer: utför automatiskt, eskalera och blockera. Jag skulle dela in åtgärderna utifrån ett enda kriterium: kostnaden för att fatta fel beslut. Åtgärder med låg risk som går att återställa, till exempel påminnelser, dokumentförfrågningar och formateringskontroller, kan utföras automatiskt. Vid åtgärder med medelhög risk, till exempel att hålla inne en utbetalning i väntan på ett förtydligande eller att ställa frågor om en faktura, bör AI:n ta fram underlaget och en person fatta beslutet. Oåterkalleliga åtgärder och allt som påverkar någons försörjning ska vara utom räckhåll för maskinen: att avsluta ett uppdrag, ändra en arbetstagares status eller hålla inne lön av regelefterlevnadsskäl. Jag använder en enda fråga som test. Om det visar sig att åtgärden var fel, kan vi då rätta till det innan personen på andra sidan märker något? Om svaret är nej måste en människa godkänna åtgärden.
3. Skapa styrning innan du skalar upp. Det NIST:s ramverk för AI-riskhantering som jag nämnde tidigare bygger på fyra funktioner: styra, kartlägga, mäta och hantera. Översatt till lönehantering blir det fyra frågor. Vem ansvarar för resultatet: löneavdelningen, ekonomiavdelningen, regelefterlevnaden eller leverantören? Enligt AI-förordningen ligger skyldigheterna för den som tillhandahåller systemet på den organisation som driver systemet, så ”leverantören” är inget godtagbart svar, oavsett hur många produkter som numera har en märkning med texten ”redo för EU:s AI-förordning”. Vilka av era verktyg använder faktiskt AI, med tanke på hur mycket maskininlärning som numera ingår i programvara som köpts in som regelbaserad? Hur ofta åsidosätter människor AI:ns beslut? Det är den siffra jag skulle hålla noggrannast uppsikt över, eftersom en andel åsidosättanden nära noll sällan betyder att modellen är felfri och ofta betyder att människorna har slutat läsa. Och vad är reservlösningen om modellen inte är tillgänglig vid lönekörningen, eller om dess resultat inte längre går att lita på? Kan någon i teamet fortfarande sköta löneutbetalningarna manuellt? För HR- och löneansvariga som planerar att använda AI i stor skala är det värt att bygga upp den strukturen tidigt.

AI-eran ger företag ett tillfälle att göra det oglamorösa arbetet: inventera AI-aktiverade verktyg, föra loggar som fångar resonemanget och inte bara resultaten, utse namngivna ansvariga för varje automatiserat beslut och regelbundet granska mått på hur ofta beslut åsidosätts.

När kraven för högriskområden börjar gälla kommer revisorerna inte att fråga: ”Använder ni AI?” De kommer att säga: ”Visa mig varför den här betalningen gjordes, hölls inne eller ändrades.” Företag som kan svara inom några minuter kommer att kunna skala upp sin automatisering på ett framgångsrikt sätt.