“Miért kellene tervezni, ha senki sem tud semmit?” – azok a kifogások, amelyek miatt a munkaerő-tervezés a fiókban marad

Évek óta írok itt arról, hogy a mesterséges intelligencia hogyan változtatja meg mindazt, amit a HR területén eddig biztosnak hittünk: a sokszínűségről alkotott gondolkodásmódunkat, valamint a tehetségmenedzsment keretrendszer minden elemét – a juttatásokat, a karriermenedzsmentet, a tanulást és a fejlesztést. A visszajelzések kedvesek voltak, de általában egy “de” kísérte őket: Elméletben jó ötlet.

Így két évet töltöttünk azzal, hogy az elméletet gyakorlati eszközökké alakítsuk. Nem azért, hogy megnyerjük a vitát, hanem hogy ellenőrizhetővé tegyük. De mielőtt bármit is bemutatnék, hadd válaszoljak végre egy helyen azokra a kifogásokra, amelyeket minden egyes alkalommal hallok, amikor a stratégiai munkaerő-tervezés szóba kerül. Biztosan fel fogják ismerni őket. Lehet, hogy önök is mondtak már néhányat közülük. Én mindenesetre a múlt hónapban mindet hallottam.

“Miért is kellene egyáltalán tervezni, ha ennyi a bizonytalanság?”

Ez egy nagyon fontos kérdés, úgyhogy vegyük komolyan. Az alapfeltevés helyes: senki sem tudja, milyen gyorsan fog terjedni a mesterséges intelligencia, mely funkciók jelennek meg a következő negyedévben, vagy mit fog pontosítani a szabályozó hatóság 2027-ben. A következtetés azonban téves, mert abból indul ki, hogy a tervezés egyenlő a jövőbelátással.

Nem így van. A bizonytalanság kezelésének lényege éppen az, hogy lebontsuk: nevezzük meg a feltételezéseket, határozzunk meg tartományt mindegyikhez, és nézzük meg, mely döntések maradnak érvényben a tartomány egészén belül. Futassunk le lassú, alapszintű és gyors bevezetési forgatókönyveket. A megvalósulási arányt tekintsük csúszkának, ne pedig reménynek. Amikor a feltételezések egyértelműek, a pénzügyi igazgató azon kérdése, hogy “miért költenénk átképzésre, ha az automatizálás talán nem is jön el?”, már nem meggyőződés kérdése, hanem összehasonlítás: íme a költség, ha eljön, és mi nem vagyunk felkészülve; íme a költség, ha nem jön el, és mi felkészültek vagyunk. Végezzék el együtt a stressztesztet!.

A strukturált bizonytalanság mindig jobb, mint a magabiztos találgatás. Mindig.

És a tétlenség nem jelent semleges megoldást — csupán láthatatlan költségekkel jár: a bérköltségek olyan feladatokra, amelyeket a meglévő licencekkel már el lehetne látni; a 60–120%-es piaci felár, amelyet pánikban fizetsz majd az AI-szakemberekért; valamint a külső tanácsadók, akik azt végzik el, amit a belső átképzésnek kellett volna biztosítania. Ezeket havonta fizeted. Csak soha nem jelennek meg egy cellában.

“Mit tud egy modell elmondani nekünk, amit a saját tapasztalatainkból nem tudunk meg?”

A tapasztalatod valós — és értéket ad a múltnak. Az őszinte válasz az, hogy a mesterséges intelligencia nem változtatja meg a munkát azon a szinten, ahol a tapasztalat érvényesül. A vezetőknek jó megérzésük van a állásajánlatok. De a mesterséges intelligencia megváltoztatja a munkakörökön belüli feladatok: ugyanazon szerepkörben az egyik tevékenységet felváltják, egy másikat felgyorsítanak, egy harmadikat pedig érintetlenül hagynak. Két szerepkör, amely a szervezeti ábrán azonosnak tűnik, feladat szinten egymással ellentétes irányba mutathat.

Ez a struktúra az intuíció számára láthatatlan, és a létszámtervezés szempontjából is rejtve marad — a munkát fel kell bontani, pontozni és nyomon követhetővé tenni. Nem azért, mert a modell okosabb lenne az alkalmazottaidnál. Hanem azért, mert olyan részletességi szintet vizsgál, ahol a “tapasztalat” szó szerint soha nem szolgált adatokkal. (És minden értékelést egy megnevezett szakértő felülbírálhat – a modell javaslatot tesz, az embereid döntnek. Ez egy tervezési elv, nem pedig felelősségkizárás.)

“Már így is rengeteget költünk az átképzésre.”

Rengeteget költesz képzés. Ez nem ugyanaz a dolog, és hangosan kimondom azt is, ami kellemetlen: a jelenleg “AI-átképzés” néven futó programok nagy része – a prompt-tervezési tanfolyamok, a mindenki számára elérhetővé tett általános AI-e-tanfolyamok – ugyan hasznos, de egyetlen embert sem fog alkalmassá tenni egy új munkakör betöltésére.

Ne higgyen nekem, hanem a piacnak! Ha azok a tanfolyamok hatékonyak lennének, a vezetők nem neveznék meg szinte egyhangúlag a szakemberhiány, mint a mesterséges intelligencia kiterjesztésének legfőbb akadálya. Mindkét dolog egyszerre igaz: rekordmagasságú képzési volumenek, és olyan munkaerő, amelyet a vezetők még nem tartanak felkészültnek. Ennek a paradoxonnak egyszerű a magyarázata: a befektetett erőfeszítéseket (befejezett képzések, órák, tanúsítványok) mérjük, és ezt nevezzük felkészültségnek.

A valódi átképzés a másik végéről indul: mely pozíciók változnak, mivé, mely készségek hidalják át a szakadékot, ki képes reálisan végigcsinálni az átállást, mennyi idő alatt, milyen költségekkel – és hogy a célpozíciók valóban képesek-e befogadni őket. Ez utóbbi nagyon fontos: a “majd egyszerűen áthelyezzük mindenkit az új szerepkörökbe” megközelítés az, ahol a legtöbb átalakítási terv csendben megtéveszti önmagát. A célszerepköröknek van befogadóképességük – a növekedés és a természetes fluktuáció együttes eredménye –, és egy terv, amely ezt figyelmen kívül hagyja, nem is terv.

“Ez nem a befektetés megtérüléséről szól – hanem arról, hogy az emberek hogyan érzik magukat.”

Sokkal inkább egyetértek, mint gondolnád. És pontosan ezért nem felel meg az embereknek a jelenlegi megközelítés.

Mit éreznek valójában a munkavállalók jelenleg? Egyre inkább egy csendes félelem, hogy feleslegessé válnak – hogy az új rendszerben nem lesz helyük. És mit kínálunk ennek a félelemnek ellensúlyaként? Egy motivációs gyűlést és azt a mondatot, hogy “az AI nem veszi el a munkátokat”. Amit – legyünk őszinték – a teremben senki sem hisz el, beleértve azt is, aki kimondja.

Tudod, mi növeli valójában az elkötelezettséget? Egy hiteles, személyes válasz: Így változik a szereped, íme egy reális pálya számodra, és íme a mögötte álló átképzés – finanszírozással és ütemtervvel együtt. A jól felépített tervek nem ellentétei az emberek iránti törődésnek. Éppen azok mutatják meg, hogyan néz ki a törődés, ha komolyan vesszük. A remény nem egy „EX” stratégia.

“A mesterséges intelligencia csak egy divathullám.” / “Nekünk egyelőre nem releváns.”

Ha ez csak felhajtás, akkor magyarázd el nekem, mi az a „árnyék-AI”. A legtöbb szervezetben a munkaerő jelentős része már most is nap mint nap használja a mesterséges intelligenciát – magáncélra, a saját fiókjaikon keresztül, mindenféle ellenőrzés és mérés nélkül, ráadásul az adataidat is beleviszik a parancssorba. Az átalakulás nem várja meg az irányító bizottságod döntését. Már folyamatban van. Az egyetlen kérdés az, hogy szabályozottan vagy szabályozatlanul zajlik-e.

“A ”még nem releváns“ kifejezés általában azt jelenti, hogy ”még nem látható”. Ez két különböző dolog.

“Most nem tudunk ezzel foglalkozni – a bérek átláthatósága felemészti az összes kapacitásunkat.”

Ezt nagyon szeretem, mert ez a kedvenc ajtóm. A fizetések átláthatósága nem egy versengő prioritás – hanem a tökéletes alkalom arra, hogy mindezt alaposan átgondoljuk, mert ugyanaz a házi feladat.

Már sokszor leírtam: az uniós irányelv nem csupán egy szabálykövetési gyakorlat. Az átláthatóság egy elv – egy etikai kijelentés, amely messze túlmutat az egyenlő bérezéshez való jogon. És a mesterséges intelligencia korszakában szerintem a sokszínűségről szóló egész vitát át kell helyezni a PR-programokról a strukturális kérdésekre: mennyire igazságosak és elfogulatlanok azok a mesterséges intelligencia-eszközök, amelyek döntéseket hoznak az emberekről? Aránytalanul érinti-e a mesterséges intelligencia a nőket – vagy az idősebb munkavállalókat – a te A munkaköri struktúra, és hogyan lehet az átállás során megőrizni az életkor, a nem és a tehetség sokszínűségét? És sikerül-e a megalapozatlan bérkülönbséget nullára csökkenteni – és ezt bizonyítani is?

Egyenlő érték, megalapozott adatok, dokumentált döntések: függetlenül attól, hogy az indító ok egy irányelv vagy egy átalakítás, az alapok megegyeznek. Csak egyszer kell elvégezni a házi feladatot.

Hogyan néz ki valójában a felelősségteljes magatartás?

Ha félretesszük az ellenvetéseket, akkor szerintem a HR három legfontosabb feladata marad az AI-korszakban — mindegyikhez tartozik egy olyan KPI, amely nem csupán látszatintézkedés:

Felelősségteljesen viszonyul az üzleti tevékenységhez. A képzési források oda kerülnek, ahol üzleti indoklás van, nem pedig oda, ahol a leghangosabbak a kérések. A kulcsfontosságú teljesítménymutató (KPI) nem az e-tanfolyamok elvégzése, hanem a jövőbeli működési modellhez szükséges készségekhez viszonyított mesterséges intelligencia (AI) iránti felkészültség – szerepkörönként.

Felelősségteljesen viszonyulok az emberekhez. Ne szlogenek – hanem tervek. A KPI: hány olyan munkatársnak van reális, finanszírozott karrierútja, amelyet átképzés is alátámaszt, azok közül, akik a leginkább érintett pozíciókban dolgoznak? (És ennek sötét ikertestvére: hány embert bocsátanak el, miközben egyidejűleg ugyanolyan létszámú munkaerőt vesznek fel a piacról, ráadásul magasabb áron? Ez a szám jelenti a tervezés elmulasztásának költségét.) Ráadásul a legrégebbi méltányossági KPI: egyenlő bér egyenlő értékű munkáért – ténylegesen mérve.

Felelősségteljes hozzáállás a technológiához. Nincs automatikus jóváhagyás. Ha egy ember “felügyeli” az önéletrajz-szűrő eszközöd működését, de nincs ideje, nincs megfelelő képzettsége és nincs valódi jogosultsága arra, hogy felülbírálja a rendszer döntéseit, az nem felügyelet – hanem felelősségvállalás plusz lépésekkel. A KPI: az elfogultság ellenőrzése, a döntések magyarázhatósága, a valódi felügyelet.

Miért hagytam abba, hogy csak írjak róla

Évekig ez csak egy elmélet volt, amelynek a nevem is szerepelt. Így hát megvalósítottuk: gAIn a stratégiai munkaerő-tervezéshez, konkrét feltételezésekkel és forgatókönyv-logikával; FairPath az AI-irányítás érdekében, amely az elveket ellenőrzési mechanizmusokká alakítja; EAS és PMS A javadalmazás tekintetében az „egyenlő munkáért egyenlő bér” elv tehát számítás kérdése, nem pedig szlogen. Nem azért, mert az eszközök helyettesítik az ítélőképességet, hanem azért, mert az eszközök véget vetnek a számokról szóló vitának, így a vita végre a döntésekről szólhat.

Forgatókönyv-alapú munkaerő-tervezés olyan adatokkal, amelyek alátámaszthatók.

Fedezze fel a gAIn-t →Foglaljon időpontot egy telefonbeszélgetésre →