Experimentation till genomförande: Hur AI kan höja ribban i HR och lönehantering

AI har dominerat affärsteknologisamtal under de senaste åren eftersom de utlovade vinsterna i produktivitet och effektivitet verkligen är transformerande. Men en McKinsey-rapport om AI:s tillstånd i företaget fann att medan nästan alla undersökta företag använder AI-verktyg i någon form, är de flesta fortfarande i experimentfasen.

Nästan två tredjedelar av de tillfrågade företagen har ännu inte skalat tekniken över hela organisationen och genomfört den på ett sätt som levererar värde. Samtidigt utvecklas tekniken snabbt. AI är ett rörligt mål, vilket är en annan utmaning för affärsledare som letar efter sätt att gå från AI-hype till mätbara resultat.

HR och lönehantering är på väg att bli bevisgrunder i resan från experiment till genomförande. Här är en översikt av några av de utmaningar HR-chefer står inför vid denna kritiska punkt, varför mänsklig tillsyn kommer att förbli avgörande och hur man kan gå vidare på ett sätt som levererar den mest positiva effekten på företaget.

De unika utmaningarna med att tillämpa AI på HR- och lönehanteringsprocesser

I teorin är HR- och lönefunktionen ett idealt område att tillämpa AI eftersom det finns många högvolym-, dataintensiva processer som kräver precision och effektivitet. Men data kan inte bli känsligare än information som rör anställdas hälsa, arbetsprestation och lön.

Mot denna bakgrund finns det två primära utmaningar som ledare som vill distribuera AI i HR- och lönehanteringskontexten står inför. Den första är datasäkerhet. Det är helt enkelt en oacceptabel risk att placera personligt identifierbar information (PII) i en osäker offentlig AI-miljö.

HR- och lönehanterings-AI-funktioner måste köras i en säker, HIPAA-kompatibel miljö, inte en offentlig ChatGPT-instans. Det är den första skyddsbarriären, och den är icke-förhandlingsbar.

Att bestämma hur man ska tillämpa tekniken är den andra utmaningen. AI-verktyg kan utföra arbetsintensiva uppgifter som att utföra jämförande analyser och skanna lönekörningar för avvikelser, men dataexakthet är nyckeln till framgång. Det finns ingen plats för fel i HR- och lönehanteringsutrymmet på grund av den direkta effekten på anställda. En 99-procentig poäng ger ett F i HR.

Av dessa skäl behöver HR-chefer plattformsspecifik expertis och en stark fokus på styrning för att effektivt tillämpa AI i HR och lönehantering; allmän bekantskap med AI-teori räcker inte. Det är också av avgörande betydelse att välja en plattform som möjliggör att AI-verktyg kan lära sig från organisationens egna data, inte bara allmänt tillgänglig information från internet.

Mänsklig tillsyn är en kritisk framgångsfaktor

Medan HR- och lönehanteringsapplikationer bevisar att AI kan leverera mätbara resultat, blir det alltmer tydligt att effektiva AI-strategier byggs inte bara kring styrning och dataintegritet, utan också mänsklig tillsyn, som är en kritisk framgångsfaktor.

Den bästa strategin är att infoga AI i riktiga arbetsflöden med hjälp av organisationens egna data, med människor som validerar AI-analys. Denna strategi hjälper organisationer att undvika den vanliga fällan att använda AI som ett fristående verktyg som drar offentliga data från onlinekällor. Detta tillvägagångssätt är riskabelt eftersom, även om dess mest entusiastiska evangelister erkänner, AI inte är 100% exakt och kräver granskning som en skyddsbarriär för att minimera risker.

Processen som är involverad i att definiera löneband är ett bra exempel på en HR-uppgift som kräver noggrann mänsklig tillsyn. Företag behöver konkurrenskraftiga löneband för att attrahera högkvalitativa kandidater, och ett antal stater har lönetransparenslagar på plats. Det är viktigt att se till att HR-teamet fattar beslut baserat på exakt data.

Flera faktorer ingår i att optimera löneband, inklusive hänsyn till plats. Så, ett HR-team som förlitar sig på en ChatGPT-liknande plattform som får åtkomst till offentligt tillgänglig data skulle vara i en nackdel om de oavsiktligt baserar lönenivåer på data från New York City när de bestämmer löneband för Orlando, Florida.

När HR-team får tillgång till en HIPAA-kompatibel plattform med starka styrningskontroller som baserar analyser på deras organisations egna data, kan de börja demonstrera verkliga resultat. Men även då förblir den mänskliga faktorn avgörande eftersom exakthet inte är valfri i HR och lönehantering. Så, den roll som tilldelas AI har betydelse.

I stället för att be AI att fastställa löneband eller identifiera skattesatser bör HR-chefer använda det för analys som sedan bekräftas av människor och för att skapa andra uppgifter som människor sedan utför. Till exempel kan AI generera påminnelser för att säkerställa att HR betalar skatter i tid och tillhandahåller rapporter till användare baserat på data från systemet, inte från internet.

Att distribuera AI för att skapa värde

En faktor som gör AI unik är dess otroligt snabba utveckling. Eftersom det ständigt lär sig och expanderar kapaciteten, kommer beslut om var och hur man ska distribuera AI alltid att vara som att försöka träffa ett rörligt mål.

En strategi som är värd att överväga är att HR-chefer identifierar sina tre till fem tidskrävande processer och bestämmer hur AI kan hjälpa till att effektivisera dessa uppgifter. Hjälp finns redan tillgänglig i flera former, antingen som agenterad AI som kan infogas i arbetsflöden för att slutföra uppgifter eller som en LLM-modell som kan utföra dataanalys.

Till exempel börjar programvaruföretag använda artificiell intelligens för att betydligt effektivisera administrationen av anställdas förmåner genom att fungera som en intelligent översättare mellan täta, komplexa förmånsplaner och de högt strukturerade konfigurationsregler som krävs av Human Resources Information Systems (HRIS). Med hjälp av avancerad Natural Language Processing (NLP) kan AI läsa igenom invecklade juridiska kontrakt eller förmånsöversikter för att automatiskt extrahera kritiska datapunkter — såsom behörighetskriterier, täckningsnivåer, självrisk och bidragsgränser. Det kartlägger och omvandlar dessa variabler direkt till de specifika digitala format och logik som HR-mjukvaran inneboende förstår. Denna automatisering omvandlar den traditionellt tråkiga och felbenägna processen med manuell datainmatning, vilket möjliggör för HR-avdelningar att implementera årliga planändringar, uppdatera regelefterlevnadsregler eller lansera helt nya erbjudanden med utan motstycke hastighet, exakthet och lätthet.

Detta demonstrerar en grundläggande sanning om AI-kapacitet när HR- och lönehanteringsledare går från experiment till genomförande. Spännande möjligheter som diskussioner mellan autonoma agenter är på horisonten, och det kommer att vara en spelväxlare, men slutligen kommer besluten att kräva mänskliga ledare som tar beslutet.

När HR-chefer bygger system som centrerar styrning, säkerställer dataintegritet och integrerar mänsklig tillsyn som en avgörande komponent, kan AI axla bördan när det infogas i arbetsflöden, men människor kommer att förbli ansvariga. Det är så det ska vara när ledare använder AI för att höja ribban i HR- och lönehanteringsprestanda.