Ένας αλγόριθμος ίσως αποφασίσει την επόμενη αύξηση του μισθού σας

Σχεδόν όλοι συμφωνούν ότι ο παραδοσιακός τρόπος αξιολόγησης των υπαλλήλων που βασίζεται σε έναν ετήσιο έλεγχο δεν λειτουργεί πια. Στην πραγματικότητα, είναι δύσκολο να σκεφτούμε κάτι που να κάνουν οι επιχειρήσεις και να είναι πιο αντιδημοφιλές.

της Anne Fisher

Μια πρόσφατη παγκόσμια έρευνα της Mercer για τους ηγέτες ανθρώπινου δυναμικού διαπίστωσε ότι μόνο το 2% πιστεύει ότι τα τρέχοντα συστήματα διαχείρισης απόδοσης είναι πολύ αποτελεσματικά. Δεν είναι λοιπόν περίεργο που η McKinsey ανέφερε, σε άλλη πρόσφατη μελέτη, ότι τα δύο τρίτα των εργοδοτών λένε ότι εισάγουν – ή προσπαθούν να εισάγουν – μεγάλες αλλαγές.

«Οι διευθυντές και οι εργαζόμενοι αντιλαμβάνονται την παλιά προσέγγιση της ετήσιας αξιολόγησης ως υπερβολικά υποκειμενική, υπερβολικά γραφειοκρατική και υπερβολικά παλιομοδίτικη», σημειώνει ο Bryan Hancock, εταίρος της McKinsey στην Ουάσιγκτον, ο οποίος συνεργάζεται με εταιρείες όπου εφαρμόζεται η τεχνητή νοημοσύνη για την αξιολόγηση της απόδοσης των ανθρώπων. Αυτοί οι εργοδότες προσπαθούν να ξεφορτωθούν μια για πάντα τις ετήσιες αξιολογήσεις, αντικαθιστώντας τες με συνεχή ανατροφοδότηση σε πραγματικό χρόνο.

Τα νέα συστήματα παρέχουν επίσης στους μάνατζερ μια ευρεία γκάμα πληροφοριών σε πραγματικό χρόνο, από το πόσο χρόνο έχει παραμείνει κάποιος στο τρέχον πόστο του μέχρι το ποιες δεξιότητες διαθέτει που θα μπορούσαν να φανούν χρήσιμες σε άλλο τμήμα της εταιρείας.

Χρησιμοποιώντας τα δεδομένα, λέει ο Hancock, οι διευθυντές μπορούν να επικεντρωθούν στην «καθοδήγηση των ανθρώπων και όχι στην αξιολόγηση τους. Είναι πολύ πιο αντικειμενικό από τον παλιό τρόπο και πολύ περισσότερο επικεντρωμένο στα μελλοντικά αποτελέσματα».

Τα πιο προηγμένα συστήματα που λειτουργούν με τεχνητή νοημοσύνη κάνουν επίσης και κάτι άλλο: Συστήνουν συγκεκριμένες ενέργειες – πότε πρέπει να εξεταστεί η προαγωγή ενός ατόμου, για παράδειγμα – με βάση τάσεις και μοτίβα που εμφανίζονται σε μεγάλα σύνολα εταιρικών δεδομένων.

Το βασισμένο στην τεχνητή νοημοσύνη σύστημα διαχείρισης απόδοσης της IBM, το οποίο η εταιρεία άρχισε να κατασκευάζει το 2015, προσφέρει μια ματιά στο πώς η τεχνητή νοημοσύνη μπορεί να μεγεθύνει την ανθρώπινη νοημοσύνη επιτρέποντας παράλληλα στους μάνατζερ να εφαρμόζουν τις δικές τους γνώσεις και κρίσεις.

Ας δούμε, για παράδειγμα, ένα είδος σύστασης που κάνει το σύστημα της IBM: Πότε και πώς πρέπει ένας διευθυντής να ξεκινήσει ενεργά να ενθαρρύνει έναν υπάλληλο του να παραμείνει στην εταιρεία. Χρησιμοποιώντας τους αλγόριθμους του Watson, η ομάδα ανθρώπινου δυναμικού ανέπτυξε και κατοχύρωσε ένα πρόγραμμα που εξετάζει πρότυπα σε δεδομένα απ’ όλη την IBM και προβλέπει ποιοι υπάλληλοι είναι πιο πιθανό να εγκαταλείψουν την εταιρεία στο εγγύς μέλλον. Οι αλγόριθμοι προτείνουν έπειτα συγκεκριμένες ενέργειες – όπως περισσότερη εκπαίδευση ή ολοκλήρωση μιας καθυστερημένης προαγωγής – για να τους αποτρέψουν να φύγουν.

Πρέπει οι διαχειριστές να κάνουν αυτό που υπαγορεύει το σύστημα; Η Diane Gherson, επικεφαλής ανθρώπινου δυναμικού της IBM, λέει ότι δεν είναι υποχρεωμένοι να το κάνουν, αλλά προειδοποιεί: Τα στελέχη που ακολουθούν τις συμβουλές του συστήματος συνήθως επιτυγχάνουν καλύτερα αποτελέσματα.

«Όλα τα στοιχεία έδειξαν ότι η παροχή σε μια συγκεκριμένη ομάδα εργαζομένων μιας αύξησης μισθού κατά 10% μειώνει τον κίνδυνο αποχώρησης κατά 90%», επισημαίνει η Gherson. «Οι διευθυντές που αγνόησαν αυτή τη συμβουλή είχαν ποσοστά αποχώρησης στις ομάδες τους που ήταν διπλάσια από τα αντίστοιχα εκείνων που έλαβαν υπόψη τους τα συγκεκριμένα στοιχεία».