Трудно точно определить момент, когда ИИ стал стандартом в сфере технологий, но сейчас немного странно представлять себе время, предшествовавшее этому.

В частности, для распределенных команд окупаемость инвестиций в инструменты ИИ для рабочей силы — это реальная возможность увидеть то, что раньше было невидимым. Подумайте о закономерностях, связанных с часовыми поясами, нехваткой мощностей и тенденциями производительности, которые ни один менеджер не сможет отследить вручную.

Но возможности и результаты — это разные вещи, и без четких показателей ИИ становится скорее инструментом брендинга, чем настоящим бизнес-преимуществом. Команды, которые извлекают из этого пользу, — это те, кто знает, что они измеряют, еще до начала работы.

Пошаговое руководство по Hubstaff

Погрузитесь в нашу интерактивную демонстрацию и изучите функции, которые упрощают управление глобальными командами.

Поскольку часто существует несоответствие между маркетинговым жаргоном и истинными возможностями, полезно честно рассказать о том, как выглядит ИИ в инструментах для работы с персоналом. 

На практике ИИ проявляется несколькими конкретными и действительно полезными способами:

• Обнаружение шаблонов. ИИ может выявить модели поведения и результатов деятельности больших команд, поиск которых вручную аналитику-человеку потребовал бы значительно больше времени. Со временем эти закономерности становятся основой, по которой измеряется все остальное.
  
• Обнаружение аномалий. Будь то внезапное падение производительности, необычный скачок рабочего времени или команда, которая постоянно пропускает окна поставки, ИИ часто может обнаружить необычные закономерности, прежде чем они станут более серьезной проблемой.
  
• Прогнозирование. Используя исторические данные, ИИ часто может предсказать потребности в мощности, вероятные узкие места и перерасход средств, которые могут негативно повлиять на текущую траекторию развития вашей команды.
  
• Автоматическая статистика. Вместо того, чтобы требовать от кого-то собирать и интерпретировать отчеты, ИИ превращает данные о времени и активности в удобочитаемые сводки и сигналы тенденций, на основе которых руководители могут действовать, не имея опыта анализа данных.

То, что ИИ не делает, заслуживает столь же ясного понимания:

• Заменить менеджеров. Это понимание полезно настолько, насколько полезно решение, которое оно дает. ИИ может сказать вам, что производительность члена команды упала на 30% за три недели. Однако он не может сказать вам, является ли это проблемой производительности, личной ситуацией, неясной областью применения или плохим инструментарием. Только внимательные менеджеры могут понять причину таких цифр. 
  
• Принимайте решения изолированно. Каждый сигнал, который обнаруживает ИИ, по-прежнему требует от человека интерпретации контекста, взвешивания компромиссов и выбора курса действий. Уровень суждения остается полностью человеческим.

Думайте об ИИ как о аналитическом этаже, а не как о потолке. Он регулирует объем и бдительность, чтобы люди, ответственные за результаты, могли уделять время человеческим элементам своей работы.

Почему распределенные команды — это реальный пример рентабельности инвестиций в ИИ

Есть версия этого разговора, которая применима к любой команде. Тем не менее, в распределенных командах ставки самые высокие, а вероятность ошибки наименьшая. Проблемы носят структурный, а не случайный характер.

В команде, которая находится в нескольких часовых поясах, не существует обычных циклов обратной связи, обеспечивающих видимость работы:

• Быстрая регистрация
• Ощущение пространства.
• Понимание того, кто опущен, а кто борется.

В распределенных командах работа часто происходит асинхронно. Это означает, что к тому времени, когда проблема становится очевидной, она, скорее всего, усугубляется задолго до того, как на нее обратили внимание.

Планирование мощностей также быстро усложняется, когда вы согласовываете часы и производительность по регионам, подрядчикам и меняете нагрузку на проект. Вам часто придется перестраивать работу вашей команды, чтобы обеспечить видимость, которая естественным образом обеспечивается в общем офисе.

Именно поэтому ИИ может предложить здесь больше, чем где-либо еще. Один только объем данных меняет возможности.

Распределенные команды генерируют огромное количество отслеживаемых сигналов:

• Записано часов
• Используемые приложения
• Скорость вывода
• Схемы доставки

С этим объёмом ИИ хорошо справляется.

4 области влияния на бизнес, в которых проявляется рентабельность инвестиций в ИИ

Рентабельность инвестиций зависит от того, что изменится после того, как вы его используете. Для распределенных команд это означает рассмотрение конкретных областей бизнеса, где более качественные данные и более быстрое понимание влияют на принимаемые решения.

В следующих областях ИИ в инструментах для работы с персоналом имеет тенденцию влиять на ситуацию таким образом, чтобы его можно было отслеживать, защищать и иметь значение как для операций, так и для финансов.

1. Производительность и предсказуемость результатов

Для распределенных команд продуктивность имеет конкретное и измеримое значение:

Производят ли люди то, что от них ожидают, с постоянной скоростью, не выгорая при этом?

ИИ помогает ответить на этот вопрос более точно, сосредоточив внимание на: 

• Производительность в час. Вместо того, чтобы полагаться на количество часов, зарегистрированных в качестве показателя выполненной работы, ИИ может отслеживать фактические показатели производительности с течением времени и сигнализировать, когда соотношение между временем и доставкой начинает меняться.
  
• Отклонение в показах. Стабильная работа — признак здоровой команды; Широкая дисперсия — это сигнал о том, что стоит что-то изучить. ИИ замечает это расхождение на ранней стадии, задолго до того, как речь идет о пропущенном сроке или разговоре, который никто не хотел вести.
  
• Сосредоточенность и отвлечение внимания. Анализируя данные о приложениях и активности, ИИ может отличить глубокую работу от фрагментированного времени. Это дает лидерам более четкое представление о том, действуют ли в команде условия, способствующие продуктивной работе.

Ценность здесь – распознавание закономерностей в масштабе, который позволяет вам вмешаться на ранней стадии, разумно скорректировать рабочую нагрузку и построить более честную картину того, чего ваша команда может достичь устойчивым образом.

2. Контроль затрат и эффективность использования ресурсов

Утечка бюджета имеет тенденцию происходить постепенно и незаметно в распределенных командах. Это не происходит в одном очевидном месте. Вместо этого оно часто распространяется на небольшие недостатки, которые никто не отслеживает достаточно внимательно, чтобы их обнаружить.

ИИ позволяет увеличить изображение, предоставляя данные о: 

• Тенденции сверхурочной работы. Постоянная сверхурочная работа редко является просто проблемой рабочей нагрузки. Часто это сигнал о плохом планировании ресурсов, неясном объеме или о том, что команда научилась поглощать больше, чем следует. ИИ помогает отличить разовый кризис от структурной проблемы.
  
• Пробелы в использовании. Недоиспользование ресурсов обходится так же дорого, как и чрезмерное использование, но его труднее заметить. ИИ может идентифицировать членов команды или целые функции, которые постоянно работают на пределе своих возможностей. Эта информация напрямую влияет на решения о найме, укомплектовании персоналом проекта и распределении бюджета.
  
• Отклонение стоимости проекта. Когда фактические часы и производительность отличаются от запланированных, ИИ может точно определить это изменение в режиме реального времени, а не в конце цикла выставления счетов, когда ущерб уже нанесен.

В совокупности эти сигналы дают финансам и операциям общий язык, основанный на реальных данных, а не на оценках и ретроспективных предположениях. Уже одно это может изменить способ обработки диалогов о ресурсах.

3. Сигналы о рисках, соблюдении требований и выгорании

Это та область, где ИИ имеет свойство удивлять людей.

Не потому, что это необычная возможность, а потому, что проблемы, которые она решает, исторически остаются незамеченными, пока не станут дорогими.

• Аномальные модели поведения. Необычные всплески активности в нерабочее время, внезапные падения производительности или шаблоны доступа, выходящие за рамки нормы, — все это может указывать на то, что стоит присмотреться повнимательнее. Это может быть риск несоблюдения требований, проблемы безопасности или проблемы с сотрудником.
  
• Дисбаланс рабочей нагрузки. Распределенные команды особенно склонны к невидимому неравенству, когда определенные люди берут на себя непропорциональную долю нагрузки просто потому, что они доступны, отзывчивы или им легко поручить работу. ИИ отслеживает распределение сотрудников по команде с течением времени, поэтому дисбаланс труднее не заметить.
  
• Ранние индикаторы выгорания. Более трех четвертей сотрудников испытывают выгорание. К счастью, это происходит по знакомой прогрессии:неустойчивый график работы, снижение производительности и сокращение времени, отведенного на концентрацию. ИИ может определить прогресс за несколько недель до того, как менеджер заметил бы, что что-то не так.

Getting ahead of these signals is crucial. Хотя эти данные не всегда четко отображаются в электронной таблице, они имеют тенденцию проявляться позже в виде текучести кадров, пропущенных результатов и выгорания.

4. Скорость принятия решений и операционная эффективность

Скорость имеет меньшее значение, чем думают люди — пока это не так. Промежуток между возникновением проблемы и ее усугублением часто короче, чем цикл отчетности, в ходе которого она могла бы быть обнаружена. В этот период происходит множество эксплуатационных повреждений.

• Пришло время задуматься. Расстояние между тем, что что-то идет не так, и лидером, знающим об этом, раньше измерялось днями, а иногда и неделями. ИИ значительно сжимает это окно, превращая необработанные данные о деятельности в тенденции в реальном времени, не требуя от кого-то создания отчета с нуля.
  
• Сэкономлено время подготовки отчетов. Ручная отчетность никогда не появляется в статье бюджета, но проявляется повсюду в часах, потраченных на получение, форматирование и представление данных, которые можно было бы автоматизировать. Это время, перенаправленное на автоматизированную отчетность, имеет тенденцию идти в правильном направлении.
  
• Скорость корректирующих действий. Знать быстрее – значит реагировать быстрее. Программная платформа для учета рабочего времени со встроенной аналитикой рабочей силы на базе искусственного интеллекта, такая как Hubstaff, превращает отслеживаемые данные о времени и активности в информацию и тенденции производительности в реальном времени, помогая руководителям выявлять проблемы и действовать быстрее в распределенных командах задолго до того, как они будут обнаружены в ретроспективе.

Операционное обоснование этого простое:команда, которая может выявлять проблемы и реагировать на них в течение нескольких часов, а не недель, более эффективна в долгосрочной перспективе. 

Как правильно измерить рентабельность инвестиций в ИИ

Чтобы измерить истинную отдачу от инвестиций в ИИ, потребуется определенная дисциплина на начальном этапе. Приведенные ниже шаги несложные, но именно эта дисциплина отличает команды, которые могут указывать на реальные результаты, от команд, платящих за более дорогую панель мониторинга.

Шаг 1. Установите базовые показатели

Прежде чем ИИ сможет показать вам, что изменилось, вам нужна честная запись о том, где все было до того, как оно появилось.

Выберите показатели, которые наиболее важны для вашей работы. Это могут быть:

• Производительность в час
• Ставки за сверхурочную работу
• Время отчетности
• Отклонение в показах

Документируйте их достаточно конкретно, чтобы будущие сравнения что-то значили.

Базовый уровень не обязательно должен быть исчерпывающим, но он должен быть реальным. Оценки и приблизительные впечатления не выдержат критики, когда финансы попросят вас обосновать затраты через шесть месяцев. Начните измерение до того, как оно вам понадобится.

Шаг 2. Определите, какие решения ИИ должен улучшить

Многие команды не задумываются об этом шаге, но именно он может предотвратить большинство проблем в будущем.

В любом случае ИИ будет генерировать идеи, но связаны ли эти идеи с чем-то, что действительно имеет значение для ведения вашего бизнеса? Задайте себе следующие вопросы: 

• Какие решения сейчас принимаются слишком медленно?
• Какие решения принимаются на основе неполной информации?
• Как бы выглядела ваша деятельность, если бы менеджер мог заметить проблему с производительностью гораздо раньше?

Здесь лучше всего указать конкретику, и это поможет правильно рассчитать рентабельность инвестиций.

Шаг 3. Измерьте разницу до и после

Как только искусственный интеллект будет внедрен и связан с реальными решениями, измерения станут сравнительными.

Сколько времени требовалось раньше, чтобы выявить пробелы в использовании, и как это соотносится с нынешним моментом? Какова была средняя разница в результатах до этого и какова она после трех месяцев вмешательства, основанного на шаблонах?

Это не риторические вопросы, а реальная математика. Разница между «до» и «после» — вот где живет рентабельность инвестиций. Без этого вам придется приводить качественные аргументы (которые ценны, но имеют другое значение) перед людьми, которые смотрят на бюджетную статью.

Шаг 4. Свяжите выводы с реальными действиями

Понимание, которое не меняет решения, не имеет большой ценности, и именно здесь многие реализации ИИ постепенно теряют доверие.

Для каждого сигнала, который обнаруживает ИИ, должно быть предпринято и зарегистрировано соответствующее действие:

• Корректировка рабочей нагрузки
• Кадровая беседа
• Проект изменен

Со временем этот журнал станет вашим доказательством.

Это также дает дополнительную выгоду:ваша команда сможет лучше распознавать, какие сигналы заслуживают внимания, а какие — шум.

Шаг 5. Подтвердите результаты с помощью операционных и финансовых служб

Окупаемость инвестиций, проверенная скептиками в стрессовом режиме, — это рентабельность инвестиций, которой можно доверять. Предоставьте данные «до и после» людям, которые контролируют бюджет и оперативные решения, и позвольте им их изучить.

Финансы найдут дыры в вашей методологии. Это особенность, а не ошибка, потому что исправление этих дыр делает корпус прочнее.  Если цифры верны, у вас есть экономическое обоснование. Если это не так, у вас все равно будет честное представление о том, где этот инструмент работает, а где нет.

Большинство инструментов для работы с персоналом, которые не обеспечивают обещанной рентабельности инвестиций, делают это по причинам, которые не имеют ничего общего со сложностью их алгоритмов, а связаны с фундаментом, лежащим в их основе.

Есть несколько моделей сбоев, которые достаточно надежны, чтобы их стоит назвать.

• Неполноценные или неполные данные. ИИ хорош настолько, насколько хорошо то, с чем он работает. Команды, которые не установили последовательные методы отслеживания (или у которых есть пробелы в том, как регистрируется и атрибутируется работа), в конечном итоге снабжают свой инструмент искусственного интеллекта неполной картиной. Это приводит к выводам, которые кажутся авторитетными, но на самом деле таковыми не являются.
  
• Аналитика черного ящика. Инсайт, который никто не может объяснить, — это инсайт, на основе которого никто не будет действовать. Когда ИИ выдает рекомендации, не показывая своих аргументов, люди, ответственные за решения, склонны не доверять ему, обходить его или полностью игнорировать — все это разумные ответы, а не провал воображения.
  
• Показатели тщеславия. Некоторые инструменты очень хороши в том, чтобы заставить команду выглядеть занятой. Общее количество часов, показатели активности и частота входа в систему — эти цифры легко сгенерировать и представить. Однако, если вы не связываете эти данные с результатами каким-либо образом, который финансы или операции могли бы назвать значимым, вы оказываете себе и своей команде медвежью услугу. 
  
• Нет ответственности за результаты. Понимание без владения никуда не денется. Если никто не несет ответственности за действия в соответствии с тем, что дает вам ИИ (и за отслеживание того, сработало ли это действие), инструмент становится не чем иным, как дорогостоящим слоем отчетности.

Основная проблема, пронизывающая все это, одна и та же:ИИ не может компенсировать слабые данные о рабочей силе.

Более сложная модель, работающая на неверных входных данных, не дает лучших ответов. Вместо этого он производит худшие результаты, быстрее и с большей уверенностью.

Как оценить заявления об ИИ перед покупкой

В наши дни распространенная жалоба заключается в том, что почти каждый инструмент для работы с персоналом, представленный на рынке, теперь где-то на главной странице имеет слово «ИИ».

Хотя это не обвинение. Это просто ландшафт, и он не очень полезен в качестве сигнала к покупке. Более продуктивный вопрос заключается не в том, использует ли инструмент ИИ, а в том, связан ли используемый им ИИ с чем-то, что действительно имеет значение для работы вашей команды.

Прежде чем что-либо предпринять, задайте эти вопросы:

• Какие решения улучшает ИИ? Это первый и самый уточняющий вопрос, который вы можете задать продавцу. Хороший ответ конкретен; он называет решение, роль и измеримый результат. A bad answer gestures broadly at “productivity” or “visibility” without landing anywhere concrete. Специфика ответа многое говорит о том, насколько хорошо продукт работает на практике.
  
• На каких данных он основан? Рекомендации ИИ заслуживают доверия только настолько, насколько конвейер данных их питает. Спросите, что отслеживается, как это отслеживается и что происходит с выходными данными модели, когда отслеживание непоследовательно или неполно. Поставщик, который может четко ответить на этот вопрос, вероятно, тщательно продумал свой продукт. Тот, кто не может, стоит быть осторожным.
  
• Является ли информация объяснимой и поддающейся проверке? Люди, которые будут действовать на основе информации, полученной с помощью ИИ (менеджеры, руководители операций, финансовые команды), должны иметь возможность понимать, откуда взялись эти идеи. Если рассуждения непрозрачны, понимание становится помехой — особенно в любом контексте, где решения могут быть подвергнуты сомнению или пересмотру.
  
• Могут ли финансы подтвердить рентабельность инвестиций? Это вопрос, который обычно ставит продавцов в неловкое положение, и именно поэтому его стоит задать. Если влияние инструмента невозможно выразить в цифрах, выдерживающих финансовую проверку, трудно утверждать, что инвестиции окупаются.

Инструмент, который может хорошо ответить на все четыре этих вопроса, — это инструмент, который заслужил определенное доверие. Тот, который отклоняется, чрезмерно обобщает или сводится к спискам функций, вероятно, этого не делает.

Рентабельность инвестиций в ИИ достигается за счет измерения, а не брендинга

Распределенные команды не получают рентабельности от «инструментов искусственного интеллекта». Это не так, и продавцы, утверждающие обратное, продают больше этикетку, чем результат.

То, что движет иглой, уже и более честно, чем предполагает маркетинг. Более эффективные решения принимаются быстрее на основе достаточно полных данных о персонале, которым можно доверять.

Инструменты отслеживания времени, такие как Hubstaff, используют искусственный интеллект для преобразования отслеживаемых данных о времени, активности и использовании приложений в полезную информацию о сотрудниках. Для распределенных команд эта база данных позволяет измерить реальную рентабельность инвестиций в ИИ, не полагаясь на догадки или шумиху. Технология действительно полезна. Но полезным является то, что вы зарабатываете за счет использования, а не то, что включено в подписку. Проверьте Hubstaff самостоятельно, воспользовавшись бесплатной полнофункциональной 14-дневной пробной версией.