Το AI αλλάζει την εργασία. Είναι οι άνθρωποί σας έτοιμοι για το επόμενο βήμα;
Η Τεχνητή Νοημοσύνη (AI) μεταβάλλει τις θέσεις εργασίας και τις απαιτούμενες δεξιότητες με ταχύτερους ρυθμούς από εκείνους στους οποίους μπορούν να ανταποκριθούν οι περισσότεροι οργανισμοί. Αυτό σημαίνει ότι πρέπει να σταματήσουμε να εστιάζουμε αποκλειστικά σε όσα έχουν κάνει οι άνθρωποι στο παρελθόν και να αρχίσουμε να κατανοούμε τι θα μπορούσαν να κάνουν στο μέλλον.
Η Τεχνητή Νοημοσύνη αφορά περισσότερο τους ανθρώπους παρά την τεχνολογία
Οι οργανισμοί δέχονται σήμερα έντονες πιέσεις να αξιοποιήσουν την Τεχνητή Νοημοσύνη. Να επενδύσουν σε αυτήν. Να μετασχηματιστούν. Να επανασχεδιάσουν τον τρόπο εργασίας. Και, ολοένα και περισσότερο, να αποδείξουν την απόδοση αυτών των επενδύσεων.
Όπως επισημαίνει η Lucy Beaumont, Global SVP of Product and Design της SHL, μέσα από τη συνεχή επικοινωνία της με οργανισμούς για ζητήματα που αφορούν το ανθρώπινο δυναμικό, διαπιστώνει ότι πολύ συχνά η συζήτηση γύρω από την Τεχνητή Νοημοσύνη ξεκινά από την τεχνολογία και όχι από τους ανθρώπους.
Η εργασία δεν εξαφανίζεται, αλλά αλλάζει. Και εφόσον οι θέσεις εργασίας, τα επιμέρους καθήκοντα και οι δεξιότητες που χρειάζονται οι οργανισμοί μεταβάλλονται, προκύπτει ένα θεμελιώδες ερώτημα: Γνωρίζουμε πραγματικά τις μελλοντικές δυνατότητες των εργαζομένων μας;
Τα δεδομένα δεν ισοδυναμούν με ουσιαστική γνώση
Για να κατανοήσουμε καλύτερα τους ανθρώπους μας, χρειαζόμαστε δεδομένα. Οι περισσότεροι οργανισμοί διαθέτουν πλέον πληθώρα δεδομένων, όμως συχνά δεν είναι ξεκάθαρο πώς συνδέονται μεταξύ τους, ποια είναι αξιόπιστα και πώς μπορούν να υποστηρίξουν καλύτερες αποφάσεις για τους ανθρώπους.
Το AI μπορεί να μας βοηθήσει να εντοπίσουμε δεξιότητες, να αναγνωρίσουμε μοτίβα και να αποκτήσουμε μια πιο ολοκληρωμένη εικόνα του ανθρώπινου δυναμικού.
Υπάρχει, όμως, διαφορά ανάμεσα στα δεδομένα που βοηθούν τους managers να κατανοήσουν τον οργανισμό τους και σε εκείνα που μπορούν να αποτελέσουν τη βάση για αποφάσεις σχετικά με το μέλλον των ανθρώπων τους:
Ποιος είναι έτοιμος για προαγωγή; Ποιος θα μπορούσε να εξελιχθεί σε έναν διαφορετικό ρόλο; Πού αξίζει να επενδύσει στην ανάπτυξή του; Ποιος έχει δυνατότητες να αναλάβει ηγετικό ρόλο;
Οι οργανισμοί που αξιοποιούν αποτελεσματικά τα δεδομένα ξεκινούν από το ερώτημα που θέλουν να απαντήσουν και στη συνέχεια εξετάζουν ποια δεδομένα χρειάζονται, από πού προέρχονται και πόσο αξιόπιστα είναι.
Όταν οι στόχοι είναι ξεκάθαροι, γίνεται πολύ πιο εύκολο να κατανοήσουμε πού τα δεδομένα μπορούν πραγματικά να προσθέσουν αξία και πώς μπορούμε να τα αξιοποιήσουμε με τον πιο αποτελεσματικό τρόπο.
Η προηγούμενη απόδοση δεν αποτυπώνει πάντα τις δυνατότητες μελλοντικής εξέλιξης
Παραδοσιακά, η προηγούμενη απόδοση θεωρείται ένας από τους βασικούς δείκτες της μελλοντικής. Όμως, σε ένα εργασιακό περιβάλλον που αλλάζει διαρκώς, όπου οι ρόλοι και οι ανάγκες εξελίσσονται με ταχύτητα, πόσο αξιόπιστη είναι αυτή η προσέγγιση;
Σύμφωνα με τη SHL, πιο σημαντικός δείκτης είναι οι δυνατότητες ενός εργαζομένου για το μέλλον. Μπορεί να μάθει και να προσαρμοστεί; Πώς μπορούν οι δεξιότητές του να αξιοποιηθούν σε έναν διαφορετικό ρόλο; Και, με την κατάλληλη ανάπτυξη, μέχρι πού μπορεί να φτάσει;
Η αλλαγή αυτή είναι ήδη εμφανής, ιδιαίτερα στα πρώτα στάδια της επαγγελματικής πορείας, καθώς οι οργανισμοί αναζητούν ανθρώπους που μπορούν να εξελιχθούν μαζί με την επιχείρηση. Παράλληλα, όλο και περισσότεροι υιοθετούν μια προσέγγιση που βασίζεται στις δεξιότητες (skills-based approach) και επενδύουν στην ανάπτυξη (upskilling) και την επανεκπαίδευση των εργαζομένων (reskilling).
Το να γνωρίζουμε ποιες δεξιότητες διαθέτει κάποιος είναι χρήσιμο. Πολύ πιο σημαντικό, όμως, είναι να κατανοούμε τι μας λένε αυτές οι δεξιότητες για τις αποφάσεις που πρέπει να πάρουμε. Αυτή ακριβώς είναι η διαφορά ανάμεσα στα δεδομένα ανθρώπινου δυναμικού (talent data) και στην ουσιαστική γνώση για το ανθρώπινο δυναμικό (talent intelligence).
Πριν προσλάβουμε, γνωρίζουμε τι ανθρώπους έχουμε ήδη;
Το talent intelligence βοηθά τους οργανισμούς να κατανοήσουν καλύτερα τις δεξιότητες και τις δυνατότητες των ανθρώπων που ήδη διαθέτουν.
Ας φανταστούμε έναν οργανισμό που αυτοματοποιεί μεγάλο μέρος της εξυπηρέτησης πελατών, ενώ παράλληλα αυξάνονται οι ανάγκες του για στελέχη κυβερνοασφάλειας. Η προφανής λύση θα ήταν να μειώσει το προσωπικό στον έναν τομέα και να προχωρήσει σε προσλήψεις στον άλλο.
Τι θα γινόταν, όμως, αν κάποιοι από τους ανθρώπους που ήδη εργάζονται στον οργανισμό είχαν τις κατάλληλες βάσεις για να μετακινηθούν;
Όπως εξηγεί η Lucy Beaumont, αυτό δεν σημαίνει ότι κάθε εργαζόμενος στην εξυπηρέτηση πελατών μπορεί να γίνει ειδικός στην κυβερνοασφάλεια. Χωρίς, όμως, σαφή εικόνα των δεξιοτήτων που διαθέτει ο οργανισμός, των κενών που υπάρχουν και των δεξιοτήτων που απαιτεί κάθε ρόλος, είναι δύσκολο να γνωρίζουμε ποιες εσωτερικές μετακινήσεις είναι πραγματικά εφικτές. Και αυτή η έλλειψη πληροφόρησης μπορεί να έχει σημαντικό κόστος.
Κατανοώντας πώς εξελίσσονται οι ρόλοι και οι απαιτούμενες δεξιότητες, οι οργανισμοί μπορούν να λαμβάνουν πιο τεκμηριωμένες αποφάσεις για το αν θα αξιοποιήσουν το υπάρχον ανθρώπινο δυναμικό ή αν θα χρειαστεί να προχωρήσουν σε εξωτερικές προσλήψεις.
