Zagrożenia i porażki wywołane przez zewnętrzne algorytmy sztucznej inteligencji sprawiają firmom problemy natury komercyjnej, prawnej i reputacyjnej. Większość organizacji ignoruje to ryzyko.

Miesiące, które upłynęły od premiery algorytmu ChatGPT firmy OpenAI, nie tylko pokazały możliwości sztucznej inteligencji, ale też obnażyły problemy natury etycznej oraz niepowodzenia, które może przynieść jej wykorzystanie. Pojawiły się niezliczone przykłady fałszywych informacji podawanych przez tego czatbota, a wśród nich przypadek niesłusznego oskarżenia profesora prawa o molestowanie seksualne, a także wplątanie burmistrza australijskiego miasta w fikcyjny skandal korupcyjny, co doprowadziło do złożenia pierwszego pozwu o zniesławienie przeciwko czatbotowi. W kwietniu o firmie Samsung zrobiło się głośno za sprawą trójki pracowników, którzy niechcący wypuścili w świat poufne dane, w tym notatki ze spotkań i kod źródłowy oprogramowania, bo wprowadzili je do ChatuGPT. Tego typu doniesienia popchnęły wiele organizacji, między innymi JPMorgan i Verizon, do zablokowania dostępu do czatbotów wykorzystujących sztuczną inteligencję z poziomu swoich systemów korporacyjnych. Niemal połowa firm uczestniczących w niedawno przeprowadzonej przez Bloomberga ankiecie stwierdziła, że opracowuje politykę regulującą korzystanie z czatbotów przez pracowników, co sugeruje, że sporo organizacji dało się zaskoczyć i nie spodziewało się takiego obrotu spraw.

Niewątpliwie szybki rozwój sztucznej inteligencji utrudnia odpowiedzialne z niej korzystanie i sprawia, że inicjatywy firm na rzecz odpowiedzialnej sztucznej inteligencji (responsible artificial intelligence, RAI) ledwo nadążają za dokonującym się postępem. Na przykład pojawia się coraz więcej zagrożeń natury komercyjnej, prawnej i reputacyjnej, spowodowanych rosnącą zależnością wielu organizacji od coraz obfitszej oferty narzędzi AI oferowanych przez dostawców zewnętrznych. Przybierająca na sile popularność generatywnej sztucznej inteligencji – algorytmów (takich jak ChatGPT, Dall‑E czy Midjourney) wykorzystujących dane treningowe do generowania realistycznych albo z pozoru prawdziwych tekstów, obrazów i dźwięków – powoduje, że coraz trudniej zarządzać używaniem AI w pracy. W niektórych przypadkach menedżerowie nawet nie mają pojęcia o tym, że ich pracownicy i inne osoby związane z firmą korzystają z tego typu narzędzi. To zjawisko niekontrolowanego stosowania sztucznej inteligencji zostało określone mianem shadow AI i odnosi się do sztucznej inteligencji działającej w cieniu. Riyanka Roy Choudhury, pracowniczka naukowa ośrodka badawczego CodeX na wydziale prawa Uniwersytetu Stanforda, twierdzi, że inicjatywy wspierające odpowiedzialną sztuczną inteligencję nie powstawały z myślą o nagłych i licznych zagrożeniach wywołanych przez narzędzia generatywnej AI.

Organizacje, które wykorzystują sztuczną inteligencję do poprawy istniejących kluczowych wskaźników efektywności (KPI) lub tworzenia nowych, osiągają większe korzyści biznesowe niż te, które czynią to bez użycia AI.

Dla większości organizacji podnoszenie kluczowych wskaźników wydajności (KPI) stanowi jasne zadanie. Zgodnie z wynikami naszego siódmego corocznego globalnego badania (więcej na temat badania w artykule Jak AI i inteligentne wskaźniki KPI wspierają realizację strategii) 7 na 10 respondentów zgadza się, że doskonalenie KPI nie tylko poprawia wydajność, ale też jest kluczowe dla sukcesu ich przedsiębiorstw. Jak zauważa jeden z menedżerów biorących udział w naszej ankiecie: „Musimy ciągle ewoluować nasze KPI, aby nie zarządzać firmą na przestarzałych metrykach”.

Coraz więcej firm wykorzystuje obecnie sztuczną inteligencję – na różne sposoby – aby przyspieszyć tę ewolucję. „Bardzo entuzjastycznie podchodzę do tego, co możemy osiągnąć dzięki uczeniu maszynowemu, które umożliwia naszym starszym liderom odejście od metryk patrzących wstecz na rzecz tych, które pozwalają spojrzeć w przyszłość” – mówi Avinash Kaushik, dyrektor ds. strategii w agencji marketingowej Croud i były dyrektor ds. globalnej analizy strategicznej w firmie Google.

W początkowej fazie rozwoju platformy przewozów pasażerskich Lyft jej inżynierowie stworzyli algorytm mający na celu maksymalizację przychodów poprzez dopasowanie dostępności kierowców do zapotrzebowania klientów. „Algorytm analizował wszystkie możliwe kombinacje pasażerów i kierowców, wybierając tę, która – na podstawie zgłoszonego zapytania o przejazd, lokalizacji kierowcy, wszystkich dynamicznych elementów systemu – maksymalizowałaby przychody” – komentuje Elizabeth Stone, była wiceprezeska ds. nauki w Lyft. Następnie, gdy eksperci ds. danych zaczęli testować inne cele, pojawiło się coś interesującego. Dzięki jednemu z rozwiązań, opartemu na sztucznej inteligencji, odkryto, że optymalizacja wskaźników konwersji (obrazujących, jak często użytkownik zamawiał przejazd po otwarciu aplikacji) prowadzi do większej liczby zgłoszeń przejazdów w przyszłości. Więcej zgłoszeń oznacza ostatecznie większe przychody. W rezultacie dzięki wykorzystaniu sztucznej inteligencji Lyft zmienił swój kluczowy wskaźnik wydajności związany z kombinacjami przejazdów i kierowców na taki, który skupia się również na optymalizacji wskaźników konwersji.

W Tokopedii (członek Grupy GoTo), jednym z największych marketplace’ów w Indonezji, sztuczna inteligencja przegląda petabajty danych w poszukiwaniu sygnałów związanych z wiarygodnością i rzetelnością (ang. redibility and reliability). Są to istotne kwestie, biorąc pod uwagę, że 86,5% z 14 milionów sprzedawców na platformie – oferujących 1,8 miliarda produktów – to nowi przedsiębiorcy. Posiadanie bardziej wiarygodnych sprzedawców sprawia, że rynek staje się bardziej atrakcyjny, efektywny i wydajny. „Mogą mieć dobre produkty do sprzedania, ale nie wiedzą, jak zarządzać swoim asortymentem” – mówi Herman Widjaja, CTO Tokopedii. „Dzięki sztucznej inteligencji łączymy naszych klientów z odpowiednim produktem, który jest oferowany przez odpowiednich sprzedawców” – dodaje. Firma zsyntetyzowała miliony możliwych sygnałów w system oceniania, który reprezentuje nowy kluczowy wskaźnik wydajności dotyczący jakości sprzedawców.

Chociaż większość respondentów rozumie potrzebę ulepszonych KPI, to wyraźna większość polega obecnie na niewystarczających narzędziach i technologiach do zarządzania swoimi metrykami. Nawet w miarę transformacji możliwości przedsiębiorstw przez algorytmy uczenia maszynowego (ML) i generatywne sztuczne inteligencje (generative AI) ludzki osąd pozostaje dominującym podejściem do ulepszania KPI. Dwie trzecie respondentów badania potwierdza, że menedżerowie podejmują decyzje oparte na osądzie, dostosowując KPI swojej organizacji. Choć powszechne, to podejście często nie przynosi pożądanych rezultatów: zaledwie jedna trzecia respondentów badania, którzy polegają wyłącznie na ludzkim osądzie, dostrzega poprawę swoich KPI.

Wykorzystanie sztucznej inteligencji do tworzenia przyszłościowych i inteligentnych wskaźników efektywności pozwala na lepsze dostosowanie działań operacyjnych do strategii.

Zmieniające się warunki rynkowe, zwinna konkurencja oraz wysokie wymagania dotyczące cyfrowej modernizacji operacji i procesów sprawiają, że strategiczne dostosowanie działań operacyjnych staje się sporym wyzwaniem. Pomocna w tym obszarze może okazać się sztuczna inteligencja. Na podstawie przeprowadzonego przez nas globalnego badania z udziałem ponad 3000 menedżerów i 17 wywiadów z przedstawicielami kadry kierowniczej stwierdziliśmy, że liderzy z różnych sektorów biznesu wykorzystują AI do poprawy sposobu, w jaki kluczowe wskaźniki efektywności (KPI) są priorytetyzowane, organizowane i udostępniane. Te ulepszenia mają bezpośredni, mierzalny wpływ na wzmocnienie strategicznego dostosowania operacji.

Liderzy wykorzystują również AI do poprawy dokładności, szczegółowości i zdolności predykcyjnych samych KPI. Ulepszenia te, zarówno indywidualnie, jak i zbiorowe, zwiększają świadomość sytuacyjną i ulepszają koordynację między funkcjami korporacyjnymi, co przyczynia się do osiągania lepszych wyników strategicznych. Liderzy przyznają, że potrzebują nowych możliwości pomiarowych i ulepszonych metryk, aby lepiej przewidywać i nawigować strategiczne szanse i zagrożenia. Uznają, że możliwości pomiarowe oparte na AI mogą dać nowy wgląd w zakresie wydajność i wskaźników, wzmacniając dostosowanie strategiczne i polepszając rezultaty. Nasze wyniki są jasnym wezwaniem do działania dla liderów, aby tworzyć bardziej zintegrowane systemy KPI, które są zarówno przyszłościowe, jak i wzajemnie powiązane.

Te wzbogacone o AI KPI, czyli inteligentne KPI, mogą skutecznie działać jak korporacyjny GPS, pokazując ludziom, gdzie się znajdują, dokąd muszą zmierzać i jak najlepiej tam dotrzeć. Te inteligentne KPI oferują bardziej szczegółowe i dokładne opisy tego, co dzieje się w biznesie, bardziej trafne przewidywania tego, co prawdopodobnie się wydarzy, a w niektórych przypadkach bardziej proaktywne sugestie, jakie działania powinni podjąć menedżerowie. Inteligentniejsze i bardziej ukierunkowane na przyszłość KPI udoskonalają tradycyjne KPI, które z powodu ograniczeń czasowych i bezwładu wykonawczego pozostawały niezsynchronizowane i niezweryfikowane.

Omawiamy przykłady – z kilku branż – które ilustrują, jak liderzy wykorzystują te nowe możliwości do osiągania swoich strategicznych celów, oraz przedstawiamy konkretne zalecenia dotyczące wykorzystania AI do wzbogacenia KPI i wspierania strategicznego dostosowania.

Wzmocnienie strategicznego dostosowania za pomocą AI

KPI z założenia miały dostosowywać działania organizacyjne do celów strategicznych. Jednak większość menedżerów zdaje sobie sprawę z potrzeby udoskonalania wskaźników, ponieważ ich zdaniem nie odzwierciedlają one w praktyce strategicznych aspiracji. Nasze badania pokazują, że liderzy, którzy wzbogacają swoje KPI za pomocą AI, mają większe szanse na osiągnięcie korzyści takich jak ulepszona koordynacja między działami. Są oni bardziej skuteczni w priorytetyzowaniu KPI, identyfikowaniu i tworzeniu relacji między nimi oraz w udostępnianiu danych KPI w zespołach. Podchodzą do KPI bardziej jak do zasobów wymagających udoskonalenia niż jak do celów do osiągnięcia.

Umiejętna organizacja zasobów ludzkich, które tworzą także współpracownicy zewnętrzni, wymaga utworzenia nowych struktur organizacyjnych uwzględniających także rozwiązania technologiczne.

Jaka jest definicja zasobów ludzkich? Zadaliśmy to pytanie dziesiątkom menedżerów wyższego szczebla i respondentom wielu globalnych ankiet dotyczących zarządzania. Najczęstsza odpowiedź budzi jednocześnie największe zdziwienie.

Część menedżerów z pełnym przekonaniem twierdzi, że ich zasoby ludzkie tworzą wyłącznie pracownicy. Jednak większość, zwłaszcza liderzy, którzy przewodzą transformacjom organizacyjnym, prezentuje już nieco szersze spojrzenie. Coraz częściej zasoby ludzkie rozumiane są jako ogół ludzi i grup zaangażowanych w realizację celów biznesowych firmy. Ta zmiana podejścia nabrała tak istotnego znaczenia dla organizacji, marek i sposobów kreowania wartości, że menedżerowie muszą nauczyć się inaczej myśleć o zasobach ludzkich i w inny sposób nią zarządzać.

Zmiana perspektywy w zarządzaniu zasobami ludzkimi nastąpiła w ciągu ostatnich kilku lat, w trakcie których prowadziliśmy badania nad przyszłością tychże zasobów. Widzimy, że ta kwestia zmienia się we wszystkich branżach i w wielu organizacjach, niezależnie od ich rozmiaru, wymagając od liderów przedefiniowania, kto i co współtworzy zasoby ludzkie, a także wypracowania nowych praktyk zarządczych i struktur organizacyjnych.

Hierarchiczne, nakazowo‑kontrolne, zorientowane wewnętrznie praktyki zarządcze nie nadają się dłużej, by zarządzać zasobami ludzkimi, które wykraczają poza wewnętrzne i zewnętrzne granice organizacyjne. Na przykład niezależne zarządzanie pracownikami i zewnętrznymi współpracownikami (external contributors) przez silosy funkcyjne napotyka liczne przeszkody. Źle zdefiniowany zakres decyzyjności i procedury nadzorcze, a także niewłaściwa dynamika władzy, podkopują wysiłki menedżerów mających nawet najlepsze intencje. Na dodatek systemy technologiczne do zarządzania pracownikami są zazwyczaj inne niż te, które umożliwiają współpracę z zewnętrznymi partnerami i śledzenie ich pracy. Ten brak integracji powoduje straty, które mogą zniweczyć podejmowane wysiłki w nabywaniu i zachowywaniu zdolności o wartości strategicznej.

Przez ekosystem zasobów ludzkich rozumiemy strukturę, która obejmuje osoby z organizacji i spoza niej, pracujące po to, aby wykreować wartość dla firmy. W ramach ekosystemu osoby te starają się osiągnąć indywidualne i zbiorowe cele, a ich pracę cechują wzajemne zależności.

Liderzy rozumiejący znaczenie danych wykorzystują algorytmy sztucznej inteligencję do odkrywania nowych wskaźników efektywności i poprawić zgodność działań ze strategią.

Z całym szacunkiem dla Petera Druckera, nie jest już tak, że to, co mierzymy, determinuje to, czym zarządzamy. Raczej to, jak odkrywamy, co mierzyć, określa to, jak zarządzamy. W kolejnych sektorach gospodarki obserwujemy innowacyjne systemy mierzenia wyników, które prowadzą do tworzenia innowacyjnych wskaźników i nowych działań organizacyjnych, napędzających wzrost efektywności. Coraz więcej organizacji dostrzega, że benchmarking i doświadczenie kadr kierowniczych nie zawsze wystarczają do wyznaczenia najodpowiedniejszych kluczowych wskaźników efektywności (KPI). Firmy zarządzane na bazie danych identyfikują i doskonalą te wskaźniki nie tylko za sprawą mądrego przywództwa, ale też dzięki narzędziom analityki predykcyjnej takim jak uczenie maszynowe. Lepiej dostrojone mierniki prowadzą do lepszego dopasowania działań do strategicznych celów organizacji.

Coraz częściej liderzy biznesowi pytają swoje zespoły: Czy nasze mierniki w pełni odzwierciedlają to, co zapewnia zysk naszej firmie? Jak możemy wykorzystać technologię do udoskonalenia systemu pomiarowego – to znaczy tego, jak tworzymy, wyznaczamy i wykorzystujemy wskaźniki – by bardziej precyzyjnie rozróżniać czynniki wzrostu i definiować lepsze KPI? Na nowo rozważają swoje podejście do mierzenia sukcesu, rozwijania wskaźników i wzmacniania spójności organizacji.

Przykładowo, w sektorze technologicznym utrata talentów może ograniczać wzrost, zaś ich przyciąganie umożliwia go. Wobec tego rozpoznawanie źródeł rezygnacji pracowników i przeciwdziałanie im ma strategiczne znaczenie.

Przez większą część swojej długiej historii IBM opierał ocenę ryzyka rezygnacji na intuicji kierownictwa oraz danych o zasobach ludzkich. W końcu Diane Gherson, ówczesna dyrektorka ds. HR, dostrzegła, że analiza predykcyjna mogłaby efektywniej wspierać wysiłki firmy w celu utrzymania pracowników, pomagając kierownikom skupiać się na najbardziej niezbędnych talentach. Pod jej kierownictwem IBM opracował algorytm uczenia maszynowego, który bardziej dokładnie rozpoznaje pracowników szykujących się do odejścia i oferuje menedżerom rekomendacje w kwestii tego, co zrobić, żeby ich zatrzymać. Analizując dziesiątki zmiennych i miliony rekordów, algorytm generuje analizy o dokładności, z jaką czysta menedżerska intuicja nie może się równać. Kierownicy wykorzystują go do identyfikowania osób, z którymi warto porozmawiać o perspektywach rozwoju kariery i zdobycia nowych umiejętności w ramach IBM. Algorytm daje zarówno menedżerom, jak i szeregowym pracownikom wgląd w perspektywy rozwoju umiejętności i kariery, odpowiadające strategicznym potrzebom w całym portfolio IBM, w takich obszarach jak cloud computing, AI czy komputery kwantowe.