Tekoäly ja henkilöstöjohtaminen

Tekoäly ja henkilöstöjohtaminen

Tekoäly on kiehtonut ihmismieltä jo vuosikymmeniä ja sen lupaamat mahdollisuudet yrityksille sekä organisaatioille ovat luoneet toistuvia innostuksen aaltoja. Moni valtavakin yritys on panostanut tekoälyyn huomattavia resursseja, mutta pettymyksekseen huomannut lähinnä kaatavansa rahaa kaivoon. Tämän blogikirjoitus käsittelee, miten tällä saralla voisi onnistua, kunhan tähtää hieman kuuta lähemmäksi tavoitteillaan. Sen lisäksi pohdin, mitä erityisiä haasteita HR aihealueena tuo näille ratkaisuille. 

Tekoälyyn liittyvään keskusteluun kuuluu vahvasti väittely sen määritelmästä. Tarkastelun avuksi käytän Davenportin ja Ronankin (2018) suorittamia tutkimuksia oikeista ja välillä onnistuneistakin tekoälyyn liittyvistä projekteista. Peilaan näitä Cappellin, Tamben ja Yakubovichin (2018) havaintoihin liittyen tekoälyn, etenkin koneoppimisen, haasteisiin HR-ratkaisuissa. Mutta halutessamme kurottaa noin pitkälle on meidän aloitettava hieman yksinkertaisemmista asioista.

HR-prosessien digitalisointi ja toimintojen automatisointi

Prosessien automatisointi on niin helppo lähtökohta tekoälylle, että moni ei edes miellä sitä siksi. Silti tutkitusti useat organisaatiot perustavat hyvin monet hallinnolliset toimet vielä henkilökohtaiselle Excel-kirjanpidolle, joissa kuormittavan työn lisäksi data jumiutuu tiimitasolle. Tekoälyratkaisujen perimmäinen tarkoitus on vähentää turhaa ja toistuvaa päivittäistä työtä, mikä ei tarkoita välttämättä henkilöstövähennyksiä vaan vapauttaa tekijät mielekkäämpiin tehtäviin. 

Näistä esimerkkeinä toimivat perustoimintoja selkeyttävät järjestelmät, kuten vaikka ERP-, CRM- ja E-HRM-ratkaisutKonkreettisena esimerkkinä eTaikan e-HRM-ohjelmisto, joka digitalisoi henkilöstön kehittämisen käytäntöjä. Kyseisten palveluiden käyttöönotot auttavat myös selkeyttämään organisaation perustoimintoja, koska ne pakottavat selvittämään ja dokumentoimaan käytössä olevia käytäntöjä sekä toimintatapoja. 

Tekoälyn haasteet HR-ympäristössä

Tekoäly analyysin työkaluna vie meidät koneoppimisen pariin. Suurien datamäärien avulla voidaan luoda itseoppivia malleja ja luoda ennusteita, jotka eivät ole mahdollisia perinteisillä tilastollisilla metodeilla. HR-kontekstissa tämä voi tarkoittaa esimerkiksi henkilöstön vaihtuvuuden ennustamista, tehokkaampaa rekrytointia sekä organisaation osaamisen kehittämistä.  

HR aihealueena on hieman ongelmallinen näille ratkaisuille. Ensinnäkin useat siihen liittyvät datamäärät, kuten vaikka rekrytointien määrä, ovat sen verran alhaisia, ettei niistä voida luoda toimivia malleja. Toiseksi kyseinen data saattaa olla hajautuneena usealle eri taholle ja sen yhdistäminen ei ole helppoa. Kolmanneksi monet HR-osaston päätökset vaativat läpinäkyvyyttä, jota monimutkaiset algoritmit eivät aina tarjoa. 

Tekoälyn kannalta hyvä uutinen on, että moni käytössä oleva perinteinen työkalu on hyvin heikko. Tästä esimerkkinä rekrytoinnissa käytettävät psykologiset ja älylliset testit, joiden ennustettavuus on tutkimusten mukaan hieman hataralla pohjalla (Richardson ja Norgate, 2015). Datamääriä voidaan ratkaista joko hankkimalla yleisluontoisempia ratkaisuja palveluntarjoajilta tai kohdistamalla kehitys prosesseihin, joista syntyy enemmän dataa, kuten tuntikirjaukset tai koulutustapahtumat 

Vuorovaikutuksellinen tekoäly henkilöstöjohtamisessa

Siri, Alexa, Nordean Nova, K.I.T.T… Meillä kaikilla on jonkinlainen mielikuva vuorovaikutuksesta tekoälyn kanssa. Nämä ratkaisut perustuvat luonnollisen kielen käsittelyjärjestelmiin (NLP), jonka avulla kone yrittää tunnistaa käytävän keskustelun tarkoitusta ja tuottaa vastauksia ihmistä vastaavasti. Tämän avulla voidaan luoda esimerkiksi robotteja, jotka antavat vuorokauden ympäri apua henkilökunnalle hallintoon liittyvissä helpommissa kysymyksissä.  

Tällä hetkellä tämä teknologia ei ole täysin valmista laajaan käyttöön ja yksi suurimmista esteistä sille on suomenkielisten tietokantojen vajavuus. Toinen HR:ään tarkemmin liittyvä ongelma on se, ettei tekoäly osaa olla empaattinen, mikä voi vaikeuttaa henkilökohtaisten kysymysten käsitellyssä. Onkin haivattu hyväksi, että nämä ratkaisut toimivat ihmistason välityksellä alkuvaiheessa. Esimerkiksi kyseinen robotti voisi toimia esihenkilölle tukityökaluna hallintoon liittyvissä peruskysymyksissä. 

Miten päästä vauhtiin

Vaikka kirjoitukseni sävy ei ole yltiöpositiivinen, on silti todennäköistä, että olemme vihdoin saavuttaneet tilanteen, jossa tekoäly saavuttaa riittävän kypsyyden todelliseen käyttöön. Useimpien organisaatioiden ei pidäkään tavoitella johtajuutta tällä kentällä, mutta niiden pitäisi alkaa miettimään, miten tekoälyä voitaisiin käyttää hyödyksi tulevaisuudessa. Davenport (2018) kannustaakin hitaaseen, mutta inkrementaaliseen totutteluun tekoälyn mahdollisuuksiin.  

Davenport ja Ronanki tarjoavat neljän askeleen ohjelmaan tekoälyn kehittämiseen organisaatioissa: 

  1. Yritä ymmärtää tekoälyn mahdollisuudet ja omat vaatimukset. Kartoita hallussa olevat resurssit: datalähteet ja organisaatioissa sekä yhteistyökumppaneilla jo löytyvä osaaminen.
  2. Selvitä systemaattisesti tarpeesi, potentiaaliset käyttötarkoitukset sekä ratkaisumahdollisuudet. Koosta näistä priorisoitu lista. Mikä organisaation osa-alue hyötyisi eniten tekoälyn hyödyistä?
  3. Luo pilottihanke tai pari. Ainoa tapa oppia tekoälyyn todellisista hyödyistä ja haasteista on lyödä sormet saveen ja kokea se itse. Tärkeää tosin on asettaa projekteille realistiset vaatimukset ja löytää hyödynnettävää tietoa myös epäonnistumisista.
  4. Laajenna pilotit osaksi ydintoimintoja. Tämä vaihe vaatii hyvin erilaista osaamista aikaisempiin vaiheisiin verrattuna. Pilotit yleensä toteutetaan jossain määrin vastaanottavassa ilmapiirissä, mutta nyt olisi aika laajentaa ratkaisu koko organisaation laajuudelle. Tässä vaiheessa teknisen skaalautumisen lisäksi nostaa päätään muutosvastarinta.

Lähteet

Cappelli, P., Tambe, P. and Yakubovich, V. (2018) ‘Artificial Intelligence in Human Resources Management: Challenges and a Path Forward’, SSRN Electronic Journal, (February 2019). doi: 10.2139/ssrn.3263878. 

Davenport, T. H. and Ronanki, R. (2018) ‘Artificial intelligence for the real world’, Harvard Business Review, January-Fe(February), pp. 108–117. 

Thomas H. Davenport. 2018. The AI Advantage: How to Put the Artificial Intelligence Revolution to Work (1st. ed.). The MIT Press. 

Richardson, K. and Norgate, S. H. (2015) ‘Does IQ Really Predict Job Performance?’, Applied Developmental Science, 19(3), pp. 153–169. doi: 10.1080/10888691.2014.983635. 

Osaamisen hallinta, Yleinen
FacebookTwitterLinkedIn