Περίληψη άρθρου:
Η  γεννητική Τεχνητή Νοημοσύνη, όπως το ChatGPT, αλλάζει γρήγορα τον τρόπο με τον οποίο εργαζόμαστε και έχει τη δυνατότητα να αναμορφώσει τις διαδικασίες ανθρώπινου δυναμικού. Στις προσλήψεις, η γεννητική ΤΝ μπορεί να βοηθήσει τους διευθυντές να δημιουργήσουν καλύτερες απαιτήσεις εργασίας και να βελτιώσουν την εξατομίκευση των υποψηφίων. Επιπλέον, μπορεί να βοηθήσει στην επαγγελματική ανάπτυξη, βοηθώντας τα άτομα να διερευνήσουν ευκαιρίες σταδιοδρομίας με βάση τις δεξιότητες και τις εμπειρίες τους. Η ΤΝ μπορεί να είναι ιδιαίτερα επωφελής για τους νέους εργαζόμενους στην ταχεία απόκτηση θεσμικών γνώσεων και στην προσαρμογή στην ταχύτητα. Μια άλλη πιθανή εφαρμογή της γεννητικής ΤΝ είναι στις αξιολογήσεις απόδοσης, όπου μπορεί να βοηθήσει τους αξιολογητές δημιουργώντας ένα προσχέδιο που συνοψίζει τα σχόλια και τα δεδομένα, επιτρέποντάς τους να επικεντρωθούν στην διερεύνηση της ανάπτυξης και της εξέλιξης. Ωστόσο, είναι σημαντικό να σημειωθεί ότι η γεννητική ΤΝ δεν πρέπει να αντικαταστήσει την ανθρώπινη κρίση στη διαδικασία αξιολόγησης των επιδόσεων. Υπάρχουν επίσης κίνδυνοι που σχετίζονται με τη γεννητική ΤΝ, όπως η ενίσχυση των προκαταλήψεων που υπάρχουν στα ιστορικά δεδομένα. Είναι όμως ζωτικής σημασίας να αντιμετωπιστούν αυτοί οι κίνδυνοι εκ των προτέρων. Επιπλέον, η κυβερνητική ρύθμιση και οι πολιτικές διαδραματίζουν κρίσιμο ρόλο στη διασφάλιση της υπεύθυνης χρήσης της γεννητικής τεχνολογίας ΤΝ.

Κύρια σημεία του άρθρου:

• Η γεννητική ΤΝ, όπως το ChatGPT, μπορεί να διαταράξει τα καθήκοντα του ανθρώπινου δυναμικού και να αναδιαμορφώσει την πρόσληψη, δημιουργώντας εξατομικευμένο περιεχόμενο και βοηθώντας τους διευθυντές να γράψουν καλύτερες απαιτήσεις εργασίας.
• Η γεννητική ΤΝ μπορεί να αποτελέσει ένα παραγωγικό και ασφαλές εργαλείο, εάν αξιοποιηθεί αποτελεσματικά στις πρακτικές ανθρώπινου δυναμικού.
• Υπάρχουν επιπτώσεις της γεννητική ΤΝ στις αξιολογήσεις απόδοσης των εργαζομένων και στην ανάπτυξη της σταδιοδρομίας, καθώς και κίνδυνοι όπως η διάδοση προκαταλήψεων και η μειωμένη δημιουργικότητα.
• Οι άνθρωποι θα πρέπει να αγκαλιάσουν και να μάθουν να εργάζονται με την ΤΝ αντί να της αντιστέκονται.
• Οι ηγέτες διαδραματίζουν ρόλο στον εκσυγχρονισμό των ικανοτήτων των ταλέντων και στη διαχείριση των μετατοπίσεων του εργατικού δυναμικού λόγω της αυτοματοποίησης.

Αναλυτικά το άρθρο:
Ένα chatbot μπορεί να μην πάρει τη δουλειά σας - αλλά είναι σχεδόν βέβαιο ότι θα την αλλάξει. Δείτε πώς μπορείτε να αρχίσετε να σκέφτεστε να βάλετε τη παραγωγική τεχνητή νοημοσύνη να δουλέψει για εσάς.

Παραγωγική τεχνητή νοημοσύνη: Είναι ισχυρή. Είναι προσιτή. Και είναι έτοιμη να αλλάξει τον τρόπο με τον οποίο εργαζόμαστε. Σε αυτό το επεισόδιο του podcast McKinsey Talks Talent, οι επικεφαλής ταλέντων Bryan Hancock και Bill Schaninger μιλούν με την πρόεδρο του Συμβουλίου Τεχνολογίας της McKinsey Lareina Yee και την παγκόσμια διευθύντρια σύνταξης Lucia Rahilly για τις υποσχέσεις και τις παγίδες της χρήσης της γενικής ΤΝ στο HR - από την πρόσληψη έως τη διαχείριση της απόδοσης και την επαγγελματική ανάπτυξη με τη βοήθεια chatbot. Ακολουθεί μια επεξεργασμένη έκδοση της συζήτησής τους.

Τι είναι τόσο διαφορετικό - και τόσο ανατρεπτικό

Lucia Rahilly: Τους τελευταίους μήνες έχει γίνει πολύς θόρυβος για τη γενεσιουργό τεχνητή νοημοσύνη και εργαλεία όπως το ChatGPT. Πολλοί άνθρωποι φαίνεται να αμφιταλαντεύονται μεταξύ του θαυμασμού για τις δυνατότητες αυτών των εργαλείων και του φόβου για τους εγγενείς κινδύνους τους. Lareina, τι διαφορετικό έχει η γενεσιουργός τεχνητή νοημοσύνη και τι κρύβεται πίσω από τις ανατρεπτικές δυνατότητές της;

Lareina Yee: Είναι μερικά πράγματα που ξεχωρίζουν σχετικά με τη γεννητική τεχνητή νοημοσύνη. Τον Νοέμβριο του 2022, το OpenAI κυκλοφόρησε το ChatGPT 3.5 και μέσα σε πέντε ημέρες, υπήρχαν ένα εκατομμύριο χρήστες. Έτσι, η ταχύτητα της υιοθέτησης ήταν διαφορετική από οτιδήποτε άλλο έχουμε δει.

Για μένα, αυτό που ήταν το πιο βαθυστόχαστο σε εκείνη τη στιγμή ήταν ότι οποιοσδήποτε - οποιασδήποτε ηλικίας, οποιουδήποτε μορφωτικού επιπέδου, οποιασδήποτε χώρας - μπορούσε να μπει στο GPT, να υποβάλει μια ή δύο ερωτήσεις και να βρει κάτι πρακτικό ή διασκεδαστικό, όπως ένα ποίημα ή ένα δοκίμιο. Υπήρχε μια εμπειρία που ήταν προσιτή σε όλους. Από τότε έχουμε δει μεγάλη πρόοδο στην τεχνολογία, και έχουν περάσει μόλις δύο μήνες.

Ένα δεύτερο εξαιρετικά ενδιαφέρον πράγμα είναι ότι δεν χρειάζεται να είστε επιστήμονας πληροφορικής για να αξιοποιήσετε την τεχνολογία - μπορεί να χρησιμοποιηθεί σε όλους τους τύπους εργασιών. Η έρευνα του OpenAI εκτιμά ότι το 80% των θέσεων εργασίας μπορούν να ενσωματώσουν την τεχνολογία και τις δυνατότητες της δημιουργικής τεχνητής νοημοσύνης σε δραστηριότητες που συμβαίνουν σήμερα στην εργασία. Αυτός είναι ένας βαθύς αντίκτυπος στο ταλέντο και τις θέσεις εργασίας, και είναι διαφορετικός από τον τρόπο με τον οποίο έχουμε μιλήσει γι' αυτό στο παρελθόν.

Κατά κάποιο τρόπο, το τζίνι έχει βγει από το μπουκάλι. Δεν είναι μάλλον η καλύτερη στρατηγική να προσπαθήσουμε να το ξαναβάλουμε μέσα. Σκύψτε μπροστά και βρείτε πώς να το χρησιμοποιήσετε με τρόπο που να είναι παραγωγικός και ασφαλής.

Lucia Rahilly: Η αμεσότητα των περιπτώσεων χρήσης μοιάζει τόσο πρωτόγνωρη και τόσο αστραπιαία. Εξηγήστε τι είναι η παραγωγική τεχνητή νοημοσύνη, ώστε να δουλεύουμε με βάση έναν κοινό ορισμό του όρου.

Lareina Yee: Η παραγωγική τεχνητή νοημοσύνη είναι μια τεχνολογία που προτρέπει την επόμενη καλύτερη απάντηση. Πολλοί άνθρωποι έχουν χρησιμοποιήσει το ChatGPT για να συνοψίσουν πληροφορίες, να συντάξουν μια απάντηση σε κάτι, συγκεντρώνοντας έναν τεράστιο όγκο δημόσιων δεδομένων. Υπάρχει όμως και εκπληκτική απεικόνιση. Μπορεί να θέλω ένα τραγούδι, ήχο, βίντεο ή κώδικα. Ο κώδικας είναι ένα τεράστιο παράδειγμα. Είναι εκπληκτικό το εύρος των πραγμάτων που μπορεί να κάνει η γεννητική ΤΝ στον κόσμο, και μόλις τώρα αρχίζει.

Bryan Hancock: Ρώτησα το ChatGPT για μένα και ανέφερε με ακρίβεια ότι ασχολούμαι πολύ με τα ταλέντα. Ωστόσο, ανέφερε ανακριβώς ότι πήγα στο Κορνέλ, επειδή υπέθεσε ότι το Κορνέλ ήταν η καταλληλότερη απάντηση με βάση το ιστορικό μου, αντί για το Πανεπιστήμιο της Βιρτζίνια - όπου όντως πήγα. Το βρήκα πολύ ενδιαφέρον το γεγονός ότι δεν παίρνεις απαραίτητα αυτό που είναι σωστό αλλά μάλλον αυτό που είναι λογικό.

Lareina Yee: Κατά κάποιο τρόπο, αυτό μιμείται τον τρόπο με τον οποίο σκεφτόμαστε. Δεν ισχυρίζομαι ότι σκέφτεται με τον τρόπο που σκέφτονται οι άνθρωποι, αλλά με πολλούς τρόπους, χρησιμοποιούμε συντομεύσεις και ενδείξεις για να κάνουμε υποθέσεις. Αυτός είναι ο λόγος που οι άνθρωποι λένε: "Θεέ μου, το αισθάνομαι πολύ έξυπνο". Αλλά για να σου πω την άποψή σου, Bryan, δεν είναι 100% ακριβές. Υπάρχει ένας πολύ καλός όρος γι' αυτό: "ψευδαισθήσεις".

Τι σημαίνει η τεχνητή νοημοσύνη για τους υπεύθυνους προσλήψεων…

Lucia Rahilly: Θα μιλήσουμε περισσότερο για ορισμένους από τους κινδύνους, αλλά ας περάσουμε στο τι σημαίνουν αυτού του είδους οι δυνατότητες παραγωγικής τεχνητής νοημοσύνης για τα ταλέντα ειδικότερα. Αναμένετε ότι η γενεσιουργός ΤΝ θα αναδιαμορφώσει ή θα αλλάξει τη διαδικασία πρόσληψης με ουσιαστικό τρόπο;

Bryan Hancock: Πιστεύω ότι θα αναδιαμορφώσει την πρόσληψη με δύο σημαντικούς τρόπους. Ο πρώτος είναι να βοηθήσει τους διευθυντές να γράψουν καλύτερες απαιτήσεις εργασίας. Η γενεσιουργός τεχνολογία μπορεί πραγματικά να αντλήσει από τις δεξιότητες που απαιτούνται για την επιτυχία στη θέση εργασίας. Αυτό δεν σημαίνει ότι οι διευθυντές δεν χρειάζεται να ελέγχουν το τελικό προϊόν. Θα πρέπει να είναι αυτός ο άνθρωπος στο βρόχο για να βεβαιωθούν ότι η απαίτηση εργασίας είναι καλή. Όμως, η τεχνητή νοημοσύνη μπορεί να βελτιώσει δραματικά την ταχύτητα και την ποιότητα.

Η άλλη εφαρμογή στην πρόσληψη είναι η εξατομίκευση των υποψηφίων. Αυτή τη στιγμή, αν είστε ένας οργανισμός με δεκάδες χιλιάδες υποψηφίους, μπορεί να έχετε ή να μην έχετε εξαιρετικά εξατομικευμένους τρόπους προσέγγισης των ανθρώπων που έχουν κάνει αίτηση. Με τη γεννητική τεχνητή νοημοσύνη, μπορείτε να συμπεριλάβετε πολύ μεγαλύτερη εξατομίκευση σχετικά με τον υποψήφιο, τη θέση εργασίας και ποιες άλλες θέσεις εργασίας μπορεί να είναι διαθέσιμες, εάν υπάρχει λόγος που ο υποψήφιος δεν ταιριάζει. Όλα αυτά τα πράγματα γίνονται απίστευτα ευκολότερα και ταχύτερα μέσω της γεννητικής ΤΝ.

Bill Schaninger: Η καλύτερη εφαρμογή της παραγωγικής τεχνητής νοημοσύνης είναι σε μεγάλες δεξαμενές δεξιοτήτων όπου προσπαθείτε να καλύψετε μια αρκετά γνωστή θέση εργασίας. Χρειαζόμαστε έναν πιο παραγωγικό και αποτελεσματικό τρόπο για να περιηγηθούμε σε όλα τα προφίλ που έρχονται. Εκεί που με αγχώνει λίγο είναι κάθε φορά που πρόκειται για μια νέα θέση εργασίας - έναν νέο ρόλο - ή ακόμη και, στο αμερικανικό δίκαιο, μια θέση εργασίας που έχει αλλάξει περισσότερο από 25 ή 33 τοις εκατό. Σε αυτές τις περιπτώσεις, πρέπει να πάτε πίσω και να επανεκτιμήσετε το κριτήριο με το οποίο θα κρίνετε τους ανθρώπους μέσα ή έξω από τη δεξαμενή.

Η πρόκληση με την επικύρωση είναι ότι χρειάζεστε ένα κριτήριο απόδοσης με το οποίο να συγκρίνετε και να πείτε: "Ποια είναι η διαφορά;". Σε ορισμένες περιπτώσεις, αυτό σημαίνει ότι πρέπει να βρούμε πώς να βγάλουμε αυτό το κριτήριο από μια λίμνη δεδομένων χωρίς να παραβιάσουμε τα ιδιόκτητα δεδομένα επιδόσεων άλλων ανθρώπων. Αν πείτε: "Λοιπόν, θα χρησιμοποιήσουμε μόνο τα δικά μας δεδομένα ως εργοδότης", τότε βασίζετε το κριτήριο μόνο σε άτομα που έχετε ήδη προσλάβει. Και για να το επικυρώσετε, πρέπει να εξετάσετε τους ανθρώπους που δεν προσλάβατε.

Επομένως, αυτό δεν σημαίνει ότι η τεχνολογία δεν μπορεί να χρησιμοποιηθεί. Σημαίνει απλώς ότι υπάρχει πιθανώς λίγο περισσότερη δουλειά στο μπροστινό μέρος για την εφαρμογή της σε νέες θέσεις εργασίας και μια μεγάλη ευκαιρία για τις μεγάλες δεξαμενές δεξιοτήτων.

Lucia Rahilly: Μιλάμε συχνά για την υπερβολική εστίαση στα διαπιστευτήρια και την ελλιπή εστίαση στις δεξιότητες κατά τη διαδικασία πρόσληψης. Έχει η  ΤΝ ρόλο στην επιτάχυνση αυτής της μετατόπισης από τα διαπιστευτήρια, όπως τα πτυχία κολεγίου, στις δεξιότητες που οι υποψήφιοι είναι πραγματικά ικανοί να συνεισφέρουν στον εργασιακό χώρο;

Lareina Yee: Είμαι αισιόδοξη ότι μπορεί να το κάνει. Ένα πράγμα που κάνει εξαιρετικά καλά αυτή η τεχνολογία είναι το tagging - η ικανότητα να επισημάνει μη δομημένα δεδομένα για λέξεις. Υπάρχουν πολλές επιχειρήσεις που σκέφτονται να το εφαρμόσουν αυτό στο ηλεκτρονικό εμπόριο, σε διάφορους τύπους εμπειριών λιανικής πώλησης. Αλλά θα μπορούσατε επίσης να το εφαρμόσετε στην απόκτηση ταλέντων ή στην αναζήτηση δυνατοτήτων. Τώρα δεν χρειάζεται να ψάξετε για κάποιο πιστοποιητικό ή πτυχίο. Θα μπορούσατε να αναζητήσετε λέξεις-κλειδιά όσον αφορά τις ικανότητες και τις δεξιότητες.

Κοιτάζοντας τα μέσα κοινωνικής δικτύωσης, πώς μιλούν οι άνθρωποι για συγκεκριμένες ικανότητες; Μπορεί να διαπιστώσετε ότι υπάρχουν καλύτερες λέξεις για να συνδέσετε με όσους έχουν αυτές τις ικανότητες. Σκεφτείτε έναν κόσμο όπου θέλετε να είστε σε θέση να βρείτε υποψηφίους που έχουν καταπληκτική εμπειρία από τη μάθηση στη δουλειά, αλλά δεν έχουν διδακτορικό ή πτυχίο πανεπιστημίου. Είμαι αισιόδοξος ότι αυτό θα μπορούσε να ανοίξει περισσότερες πόρτες για τέτοιους ανθρώπους.

Bill Schaninger: Αυτό είναι ένα ενδιαφέρον αντιστάθμισμα στον κόσμο των επιχειρήσεων, στον οποίο αρέσουν τα ιδιόκτητα σύνολα δεδομένων και η ομαδοποίηση των προφίλ. Η πραγματική δύναμη θα μπορούσε να είναι: "Πόσα μπορείς να βάλεις στο δημόσιο τομέα μέχρι να αρχίσεις να προσκρούεις σε τοίχους πληρωμής;".

Πολύ καιρό πριν, όταν αγοράστηκε το LinkedIn, τα API περιορίστηκαν στους τίτλους θέσεων εργασίας - όχι απαραίτητα σε όλες τις προδιαγραφές που υπήρχαν από κάτω. Υπάρχει δύναμη σε αυτές τις δεξαμενές -ιδιαίτερα, στα προφίλ των θέσεων εργασίας- επειδή τότε μπορείτε να πάτε να δείτε τα καθήκοντα και τις δεξιότητες. Φαντάζομαι ότι εδώ θα γίνει ένας αγώνας δρόμου προς την κατεύθυνση του πώς μπορούμε να τα συνδυάσουμε αυτά για να σχηματίσουμε το οντολογικό σύννεφο, αν θέλετε, του "αυτά τα 17 πράγματα περιγράφουν αυτή τη δεξιότητα". Επειδή πρόκειται πραγματικά για δεξιότητες και όχι για πιστοποιητικά.

. . . Και τι σημαίνει αυτό για την επαγγελματική ανάπτυξη

Bryan Hancock: Μπορείτε επίσης να το σκεφτείτε αυτό ως υποβοήθηση της μετάβασης με βάση τις δεξιότητες όχι μόνο από την πλευρά του εργοδότη αλλά και από την πλευρά του υποψηφίου ή του εργαζομένου. Στον σημερινό κόσμο, αν είστε κάποιος που μπορεί να έχει κάποιες δεξιότητες αλλά δεν έχει πολύ σαφή άποψη για το ποιες θα μπορούσαν να είναι οι ευκαιρίες σταδιοδρομίας σας, εξαρτάστε σε μεγάλο βαθμό από έναν διευθυντή ή κάποιον που ενδιαφέρεται για εσάς και σας βοηθά να σας κατευθύνει σε "μη παραδοσιακά" μονοπάτια.

Αλλά σε έναν κόσμο της δημιουργικής τεχνητής νοημοσύνης, θα μπορούσατε να έχετε μια συζήτηση με ένα πολύ έξυπνο chatbot και να πείτε: "Έι, εδώ είναι οι δεξιότητες και οι εμπειρίες μου. Ποιες θέσεις εργασίας θα μπορούσαν να μου είναι ανοιχτές;" Και αυτό θα μπορούσε να απαντήσει και να πει: "Λοιπόν, οι περισσότεροι άνθρωποι με το δικό σου προφίλ δεξιοτήτων κάνουν αυτά τα πράγματα, αλλά μερικοί κάνουν τα Α, Β, Γ", με το "Γ" να είναι η κωδικοποίηση. Και στη συνέχεια, θα μπορούσατε να πείτε: "Πες μου ποιες θα ήταν αυτές οι θέσεις εργασίας στον τομέα της κωδικοποίησης", και θα μπορούσε να βγάλει μια περιγραφή εργασίας για έναν προγραμματιστή που δεν απευθύνεται μόνο σε ένα άτομο πληροφορικής, αλλά μεταφράζεται σε λέξεις που καταλαβαίνετε. Τότε θα μπορούσατε να πείτε: "Εντάξει, αυτό είναι υπέροχο. Ενδιαφέρομαι. Ποιες μαθησιακές εμπειρίες χρειάζομαι;" Και η γεννητική τεχνητή νοημοσύνη θα μπορούσε να σας πει ποιες είναι αυτές οι μαθησιακές εμπειρίες.

Έτσι, για κάποιον που έχει την έμφυτη ικανότητα, αλλά όχι την ορατότητα, η παραγωγική τεχνητή νοημοσύνη μπορεί να φωτίσει μια σειρά από μονοπάτια καριέρας και να αρχίσει να βοηθά τους ανθρώπους να καταλάβουν πώς να φτάσουν εκεί.

Lareina Yee: Φανταστείτε ότι είμαι δέκα χρόνια στην καριέρα μου και αισθάνομαι λίγο κολλημένη. Τι θα γινόταν αν είχα έναν βοηθό επαγγελματικής ανάπτυξης AI που θα με βοηθούσε να σκεφτώ ερωτήσεις όπως: "Τι είδους δουλειά πρέπει να αναζητήσω; Ποιοι είναι οι τύποι ρόλων στην εταιρεία μου; Πώς τους σκέφτομαι;" και "Ποια μαθήματα θα έπρεπε να παρακολουθήσω;", σε αντίθεση με το να περιμένω κάποιον να με επανεκπαιδεύσει - πράγμα που ακούγεται απαίσιο. Πώς μπορώ να αναλάβω την πρωτοβουλία δέκα χρόνια μετά την έναρξη της καριέρας μου να αναπτύξω τις δεξιότητες και να κατανοήσω το εύρος των διαθέσιμων θέσεων εργασίας για τις ικανότητές μου; Αυτό θα ήταν πολύ ωραίο.

Bill Schaninger: Ανάλογα με το ρυθμιστικό περιβάλλον στο οποίο βρίσκεστε, δεν επιτρέπεται να λάβετε οποιαδήποτε απόφαση επιλογής χωρίς τη συμμετοχή ανθρώπου. Αυτό ισχύει ιδιαίτερα στην ΕΕ. Είναι ένας καλός τρόπος να ενισχύσετε την ανθρώπινη εργασία, αλλά να μην αποκόψετε τη λήψη αποφάσεων. Από την πλευρά των εργαζομένων, θα πρέπει να παρέχει πολύ μεγαλύτερη διαφάνεια- μπορείτε πραγματικά να δείτε πόσο κοντά βρίσκεστε σε πολλά πράγματα. Το λατρεύω για το κομμάτι της εμπειρίας των εργαζομένων. Ανησυχώ για το κομμάτι της επιλογής, ακριβώς επειδή δεν είμαστε ακόμα σίγουροι για το τι υπάρχει στη λίμνη δεδομένων και πόσο καλοί είναι οι άνθρωποι στο να προτρέπουν την τεχνητή νοημοσύνη.

Lareina Yee: Ακριβώς. Είναι υπέροχο να σας δίνει κάποιες επιλογές, αλλά δεν είναι μια απάντηση ή μια μηχανή συστάσεων. Η κρίση σας έχει σημασία.

Bryan Hancock: Ένα άλλο πράγμα που βλέπουμε είναι ότι το ChatGPT -και γενικότερα η δημιουργική τεχνητή νοημοσύνη- μπορεί να είναι ιδιαίτερα καλό στο να φέρνει τους νέους εργαζόμενους πιο γρήγορα σε εγρήγορση.

Υπάρχει μια ενδιαφέρουσα έρευνα την οποία έχει εκπονήσει πρόσφατα ο Erik Brynjolfsson από το Stanford, μαζί με άλλους από το MIT, η οποία εξετάζει τους εργαζόμενους στα τηλεφωνικά κέντρα. Διαπίστωσαν ότι η λειτουργία της δημιουργικής τεχνητής νοημοσύνης δεν ήταν τόσο χρήσιμη για τους πιο έμπειρους εκπροσώπους. Ήταν απίστευτα χρήσιμη για τους νέους ανθρώπους, επειδή ήταν σε θέση να αποκτήσουν αυτή τη θεσμική γνώση πολύ πιο γρήγορα. Ήταν στα χέρια τους. Μπορούσαν να κάνουν μια ερώτηση και να πάρουν την απάντηση. Έτσι, η παραγωγικότητα των νέων ανθρώπων ήταν δραματικά υψηλότερη. Η δημιουργική τεχνητή νοημοσύνη σας οδηγεί πραγματικά στο 80-90% του δρόμου προς την πλήρη επάρκεια.

Lareina Yee: Bryan, μου αρέσει αυτό και συμμερίζομαι την αισιοδοξία σου.

Τι νέο υπάρχει για την αξιολόγηση της απόδοσης

Bryan Hancock: Μία από τις αγαπημένες μου προσωπικές χρήσεις της δημιουργικής τεχνητής νοημοσύνης στο μέτωπο των ανθρώπων είναι στην πραγματικότητα οι αξιολογήσεις απόδοσης. Ακούστε με: Δεν θέλω η γεννητική τεχνητή νοημοσύνη να παράγει στην πραγματικότητα την αξιολόγηση απόδοσης κάποιου. Αυτό χρειάζεται τον άνθρωπο στο βρόχο, χρειάζεται ανθρώπινη κρίση, χρειάζεται ενσυναίσθηση.

Αλλά επιτρέψτε μου να χρησιμοποιήσω αυτό το παράδειγμα από αυτό που κάνω ως αξιολογητής της McKinsey: Λαμβάνω γραπτή ανατροφοδότηση από 15 έως 20 άτομα. Την εισάγουν σε ένα ψηφιακό σύστημα. Έχω ανατροφοδότηση μακράς μορφής. Εξετάζω τις βαθμολογίες ανατροφοδότησης προς τα πάνω που περιλαμβάνουν γραπτά σχόλια καθώς και συγκεκριμένες βαθμολογίες βάσει αριθμών. Κοιτάζω πόσο συχνά οι άνθρωποι αναπτύχθηκαν πραγματικά σε δεσμεύσεις. Εξετάζω τα μέτρα που σχετίζονται με τη συμμόρφωση. Παρέδωσαν εγκαίρως τα πράγματά τους; Μια ολόκληρη σειρά από πράγματα. Για μένα, ως αξιολογητή, το να φτάσω σε ένα πρώτο προσχέδιο είναι μια απίστευτα επίπονη διαδικασία. Είμαι υπερήφανος για τον χρόνο και τη στοχαστικότητα που απαιτείται.

Αλλά τι θα γινόταν αν μπορούσα να πατήσω ένα κουμπί και να πάρω ένα προσχέδιο; Όταν κάνω κάθε μια από τις συζητήσεις με τα 15 άτομα που γνωρίζουν καλύτερα το άτομο που αξιολογώ, τι θα γινόταν αν είχα ένα προσχέδιο από το οποίο θα δούλευα ήδη; Δεν είναι υποκατάστατο του να τα διαβάσω όλα, αλλά αυτή η αρχική σύνθεση θα με βοηθούσε να φτάσω πιο γρήγορα σε αυτά που πραγματικά πρέπει να εξετάσω για την ανάπτυξη και την εξέλιξη αυτού του ατόμου.

Είμαι ενθουσιασμένος με αυτή την περίπτωση χρήσης, επειδή εξαλείφει πολλή δουλειά. Αρχικά, πολλοί άνθρωποι θα σκεφτούν: "Δεν θα ήθελα ποτέ να πλησιάσει η παραγωγική τεχνητή νοημοσύνη τις αξιολογήσεις απόδοσης". Αλλά είναι συναρπαστικό αν το σκεφτούμε ως βοήθημα παραγωγικότητας ή ως κάτι που μας βοηθά να γίνουμε ακόμη καλύτεροι.

Lareina Yee: Τώρα ας μιλήσουμε για τον εργαζόμενο που αξιολογεί. Ο υπάλληλος λαμβάνει την ανατροφοδότηση και ο Bryan πιθανώς την έγραψε με σαφήνεια και την παρέδωσε με ενσυναίσθηση, ώστε το άτομο να αισθάνεται: "Εντάξει, έχω κάποια δυνατά σημεία και έχω κάποιες ανάγκες ανάπτυξης".

Τι γίνεται όμως αν εγώ, ως εργαζόμενος, μπορώ να διερωτηθώ: "Ποια είναι πέντε μοντέλα επιτυχίας με τα δικά μου δυνατά και αδύνατα σημεία και τι έχουν κάνει στη συνέχεια; Πώς μπορώ να οπτικοποιήσω την εξέλιξη της καριέρας μου; Πώς μπορώ να συνεχίσω να εργάζομαι πάνω σε αυτήν;" Θα μπορούσα επίσης να έχω έναν βοηθό που θα με βοηθήσει να χαρτογραφήσω την επαγγελματική μου εξέλιξη. Με αυτόν τον τρόπο, όταν κάνουμε έλεγχο ένα χρόνο αργότερα, έχω πραγματικά βελτιωθεί και έχω αυξήσει τις φιλοδοξίες μου.

Κι αν ο Μπιλ είναι κάποιος που θα έπρεπε να έχω ως πρότυπο; Αντί ο Bryan να πρέπει να με συστήσει στον Bill, η παραγωγική τεχνητή νοημοσύνη με βοηθάει να συνειδητοποιήσω ότι έχω τα φόντα ενός Bill Schaninger. Μπορώ να εμπνευστώ από αυτό. Νομίζω ότι υπάρχουν πολλά που ενισχύουν αυτό που προσπαθούμε να κάνουμε με τόσο κόπο εδώ και χρόνια.

Bill Schaninger: Μιλάνε για την επιστροφή του διευθυντή στη διαχείριση της απόδοσης. Κάθε φορά που μιλάτε σε κάποιον για κάτι καλό ή κακό, καταγράψτε το. Με αυτόν τον τρόπο, στο τέλος του έτους, είναι περισσότερο μια συγκέντρωση και σύνθεση και δεν αποτελεί έκπληξη για κανέναν. Αλλά αυτό απαιτεί τακτική καταγραφή. Έτσι, ενώ μου αρέσει αυτό που περιγράφετε, δεν είναι η τεχνολογία που το κάνει αυτό- είναι οι άνθρωποι που δεσμεύονται για την κοινή καταγραφή δεδομένων και τις κοινές προσεγγίσεις που το επιτρέπουν.

Bryan Hancock: Η άποψή σας είναι σωστή. Στη συνέχεια, ως αξιολογητής, εφαρμόζω την ανθρώπινη κρίση μου.

Bill Schaninger: Τα κανονιστικά δεδομένα είναι ωραία. Όταν λαμβάνουμε τα δεδομένα χορηγιών και καθοδήγησης στη McKinsey, βλέπουμε πώς συγκρινόμαστε με άλλους εταίρους σε μια δεδομένη περιοχή. Αν όμως δεν έχετε ένα σημείο αναφοράς, πώς θα ξέρετε τι είναι στην πραγματικότητα "καλό"; Όταν έχετε τα κανονιστικά δεδομένα, μπορείτε να αρχίσετε να παίρνετε κάποια καθοδήγηση. Μου αρέσουν όλα αυτά, και όλα αυτά επιτρέπονται από τεράστιες ποσότητες δεδομένων.

Αν αυτό επιτρέπει μια πιο ισχυρή και υγιή άποψη της πραγματικής απόδοσης, θα είναι πολύ πιο εύκολο να κάνουμε μια δύσκολη συζήτηση για την απόδοση. Πρέπει να ξαναβάλουμε τον διευθυντή πίσω στη διαχείριση της απόδοσης. Μπορούμε όμως να διευκολύνουμε τους διευθυντές, ώστε να μπορούν να αφιερώνουν χρόνο στη διαχείριση αντί να γράφουν ένα πρόγραμμα ή να συνδυάζουν 15 σημεία δεδομένων;

Μεροληψία και άλλοι κίνδυνοι

Lucia Rahilly: Ας μιλήσουμε λίγο περισσότερο για ορισμένους από τους κινδύνους. Η δημιουργική τεχνητή νοημοσύνη μαθαίνει με βάση τα ιστορικά δεδομένα και τα ιστορικά μοτίβα δεδομένων αντανακλούν ιστορικές προκαταλήψεις. Βασιζόμενοι σε εργαλεία που βασίζονται στη γεννητική τεχνητή νοημοσύνη, ποιος είναι ο κίνδυνος να διαδώσουμε ακούσια αυτές τις κληρονομημένες προκαταλήψεις;

Lareina Yee: Σίγουρα, σήμερα, η γεννητική ΤΝ μπορεί να ενισχύσει τις προκαταλήψεις.

Ας πούμε ότι κάνω προσλήψεις και περιγράφω κάποια διαφορετικά προσόντα. Ψάχνω σε αστικά κέντρα ταλέντων και αποφασίζω ότι θα ήθελα να ψάξω για αρχηγούς του μπάσκετ- ή ίσως, αντίθετα, να πω ότι οι αρχηγοί του λακρός είναι επιθυμητοί. Πρόκειται για ομαδικά αθλήματα με αρχηγούς και ηγεσία, οπότε κατά κάποιον τρόπο αυτό έχει νόημα.

Αλλά αν κοιτάξετε τα δημογραφικά στοιχεία, το ποιος παίζει μπάσκετ στις πόλεις είναι πολύ διαφορετικό από το ποιος παίζει λακρός. Και έτσι, δίνοντας έμφαση στο λακρός, θα έχετε συνήθως περισσότερους νεαρούς λευκούς άνδρες ηγέτες, ενώ αν επιλέγατε το μπάσκετ, μπορεί να βρίσκατε περισσότερους Αφροαμερικανούς ή Λατίνους. Τι γίνεται με το σόφτμπολ, όπου βλέπουμε γυναίκες; Τι συμβαίνει αν, αντί γι' αυτό, επιλέξουμε ένα σύνολο αθλημάτων; Ακόμα και τότε, και μόνο η επιλογή των αθλημάτων ως φίλτρο θα μπορούσε να ενισχύσει την προκατάληψη στις ερωτήσεις. Νομίζω ότι η δύναμη της ερώτησης έγκειται σε εμάς τους ανθρώπους.

Bryan Hancock: Βέβαια, υπάρχουν επίσης ανησυχίες για την πνευματική ιδιοκτησία.

Αλλά πιστεύω επίσης ότι υπάρχει ο κίνδυνος να γίνουμε όλοι λιγότερο ενδιαφέροντες. Αν είστε κάποιος σε έναν δημιουργικό τομέα και αξιοποιείτε τη δημιουργική τεχνητή νοημοσύνη για να αυξήσετε την παραγωγή σας από έξι άρθρα την εβδομάδα σε 12, ξοδεύετε λιγότερο χρόνο ανά άρθρο. Μπορεί να χρειαστεί να το κάνετε αυτό για να φτάσετε εγκαίρως στη δημοσίευση, αλλά αυτό σημαίνει επίσης ότι δεν ξοδεύετε τόσο χρόνο στο ντους, στο τρέξιμο ή στο αυτοκίνητο σκεπτόμενοι τα άρθρα. Η παραγωγικότητά σας θα αυξηθεί, αλλά μπορεί να μην έχετε απαραίτητα τόσο χρόνο για δημιουργική σκέψη. Ξέρουμε ότι οι πιο δημιουργικές σκέψεις έρχονται κατά τη διάρκεια του downtime - όταν κάνετε κάτι άλλο και αφήνετε το μυαλό σας να περιπλανηθεί.

Αυτός ο κίνδυνος του να είστε λιγότερο ενδιαφέροντες είναι σημαντικός και ίσως δεν τον έχουμε σκεφτεί πλήρως ακόμα.

Lareina Yee: Ακριβώς. Υπάρχουν πολλοί κίνδυνοι. Ας σκεφτούμε επίσης τους ηγέτες που εφαρμόζουν αυτή την τεχνολογία. Συχνά οι άνθρωποι είχαν μια ροή εργασίας όπου σκέφτονταν μια τεχνολογία και την επιχειρηματική απόδοση της επένδυσης και μόνο στο τέλος ρωτούσαν: "Υπάρχουν κίνδυνοι για τους οποίους πρέπει να ανησυχούμε;". Θα σας συνιστούσα ανεπιφύλακτα να σκέφτεστε τον κίνδυνο από την αρχή του σχεδιασμού της ροής εργασίας.

Το άλλο πράγμα είναι ότι υπάρχει μια πραγματική ευκαιρία για αυτό που συνήθως αποκαλούμε "διαχείριση αλλαγών". Αν δεν σκεφτείτε πώς η τεχνολογία αλλάζει την εργασία, τη ροή εργασιών ή το μοντέλο συνεργασίας, τότε δεν κατευθύνετε απαραίτητα τον πρόσθετο χρόνο προς κάτι που έχει μεγαλύτερη προστιθέμενη αξία. Πρέπει να σκεφτείτε πώς επηρεάζει την υπόλοιπη εργάσιμη ημέρα και εβδομάδα.

Bill Schaninger: Σε πολλές περιπτώσεις, θα θέλαμε να κατηγορήσουμε την τεχνολογία και να μην τονίσουμε την κακή επίλυση προβλημάτων που συνέβη λίγο πριν από την εφαρμογή της. Η απόκτηση ενός καλύτερου, πιο λαμπερού εργαλείου που είναι ταχύτερο και πιο επεκτατικό δεν σας απαλλάσσει από το βάρος της σκέψης των πραγμάτων.

Lareina Yee: Το μεγαλύτερο πράγμα που πρέπει να αναφέρουμε εδώ είναι ότι τρεις από εμάς έχουμε περάσει αυτό το διάστημα σκεπτόμενοι όλες τις θετικές προθέσεις και τους τρόπους με τους οποίους μπορούμε να το χρησιμοποιήσουμε αυτό για καλό. Αλλά υπάρχουν πιθανώς άνθρωποι που σκέφτονται αυτή την τεχνολογία και αναρωτιούνται: "Πώς μπορώ να τη χρησιμοποιήσω για κακό;". Παραδοσιακά, αυτός είναι ο λόγος για τον οποίο η κυβερνητική ρύθμιση, η πολιτική και τα διεθνή πρότυπα διαδραματίζουν θεμελιώδη ρόλο στην κοινωνία μας. Δεν νομίζω ότι μπορείτε να αφήσετε εντελώς στον ιδιωτικό τομέα την αυτορρύθμιση.

Προετοιμασία για το αναπόφευκτο

Lucia Rahilly: Μια μεγάλη ανησυχία για τους ανθρώπους είναι ότι αυτού του είδους τα εργαλεία θα καταργήσουν τη δουλειά τους ή -ενδεχομένως ακόμη χειρότερα- θα γίνουν τα αφεντικά τους. Τι πιστεύετε ότι μπορούν να κάνουν οι άνθρωποι τώρα για να προετοιμαστούν για τις αλλαγές που έρχονται με τη γεννητική τεχνητή νοημοσύνη;

Bill Schaninger: Θα προσπαθούσα να τους διευκολύνω να μάθουν και να παίξουν με αυτό. Αυτό είναι καλύτερο από το να συνεχίσουν να προσπαθούν να της αντιστέκονται. Δεν νομίζω ότι πρέπει να γίνουμε δέσμιοι αυτών των φόβων.

Lucia Rahilly: Και αν υποθέσουμε ότι οι διαδικασίες ανθρώπινου δυναμικού και ταλέντων αυτοματοποιούνται όλο και περισσότερο, πώς μπορούν οι ηγέτες να διασφαλίσουν ότι η γενεσιουργός ΤΝ δεν θα μπει εμπόδιο σε αυτό που ο Bryan αποκάλεσε "ο άνθρωπος στο βρόχο";

Lareina Yee: Οι ηγέτες έχουν τεράστιο ρόλο να διαδραματίσουν με δύο τρόπους. Ο ένας είναι να εκσυγχρονίσουν και να ξεπεράσουν τις δικές τους ικανότητες ταλέντων εντός των λειτουργιών τους. Και δεύτερον, αν το 80% του εργατικού τους δυναμικού μετακινείται, παίζουν τεράστιο ρόλο στο πώς αυτό συμβαίνει και πώς επηρεάζει τους εργαζόμενους στις εταιρείες τους. Νομίζω ότι οι ηγέτες έχουν τεράστια φωνή στο τραπέζι.

Bryan Hancock: Είναι μια τεράστια ευκαιρία για το HR να αυξήσει την πρόσβαση σε ευκαιρίες για τεράστια τμήματα του εργατικού τους δυναμικού. Είναι μια ευκαιρία να ανεβάσουν τα στελέχη με μεγαλύτερη συνέπεια στο επίπεδο απόδοσης που πάντα ήθελαν οι ηγέτες HR να επιτύχουν, αντί να εργάζονται σε διοικητικά καθήκοντα. Ελπίζω ότι το Ανθρώπινο Δυναμικό θα το δει αυτό ως μια ευκαιρία να ρουτινιάσει και να απαλλαγεί από τη δουλειά που δεν χρειάζεται να κάνει. Στη συνέχεια, για τη δουλειά που πρέπει να κάνουν, μπορούν να χρησιμοποιήσουν αυτή την τεχνολογία για να βρουν έναν τρόπο να παίρνουν καλύτερες απαντήσεις πιο γρήγορα.


Πηγή: Generative AI and the future of HR