בינה מלאכותית אינה נושא ששייך רק לחברות טכנולוגיה. היא כבר משפיעה על שירות לתושב, כתיבת מסמכים, ניהול ידע, הדרכה, תפעול ותקשורת. דווקא בארגונים ציבוריים, חברתיים ומסורתיים, מי שיחבר בין האפשרויות לבין האנשים הוא משאבי אנוש.
ארגון ותיק אינו סטארטאפ, והוא גם לא צריך להתנהג כמו אחד. הוא פועל בתוך חוקים, נהלים, תקציבים, אחריות ציבורית, מערכות קיימות ואוכלוסיית עובדים מגוונת. לכן העתקה של מודל הטמעה מחברת הייטק עלולה להיכשל.
האתגר אינו רק לבחור כלי. צריך להבין כיצד השינוי ישפיע על עובדים ותיקים וחדשים, על תיאורי תפקיד, על הזדמנויות קידום, על איכות השירות ועל אמון הציבור. אלה בדיוק המקומות שבהם למשאבי אנוש יש תפקיד מרכזי.
למה משאבי אנוש אינם רק גורם שמארגן הדרכה?
כאשר מכניסים כלי חדש, קל להעביר את האחריות למערכות מידע. אבל מערכות מידע מנהלות תשתית ואבטחה; משאבי אנוש מנהלים את המפגש בין השינוי לבין התפקיד, המסוגלות והחוויה של העובד.
בינה מלאכותית יכולה לשנות את חלוקת המשימות, את הידע הנדרש ואת האופן שבו עובדים מקבלים החלטות. אם משאבי אנוש נכנסים רק בשלב הזמנת הקורס, חלק מהשאלות החשובות כבר הוכרעו ללא ראייה אנושית וארגונית.
מה מיוחד בארגונים ציבוריים, חברתיים ומסורתיים?
אוכלוסיית עובדים מגוונת
באותו ארגון יכולים לעבוד אנשים בעלי רמות שונות מאוד של אוריינות דיגיטלית, גיל, שפה וניסיון. הטמעה אחידה עלולה לחזק את החזקים ולהשאיר מאחור עובדים מקצועיים שחסר להם רק ביטחון או זמן לתרגול.
אחריות ציבורית וחברתית
החלטה שנעשית בארגון ציבורי או חברתי יכולה להשפיע על זכאות, שירות או נגישות של אדם. לכן מהירות והתייעלות אינן המדדים היחידים. נדרשים גם הוגנות, שקיפות ואפשרות לערער.
מערכות ותהליכים ותיקים
לעיתים הבעיה אינה מחסור בכלי חדש, אלא ריבוי מערכות שאינן מחוברות זו לזו. הוספת AI ללא מיפוי עלולה ליצור עוד שכבת עבודה במקום לצמצם עומס.
שירות שאי אפשר לעצור
רשות, עמותה, מערכת בריאות או גוף חינוכי אינם יכולים להפסיק לתת שירות בזמן הטמעה. התהליך חייב להיות מדורג ולשמור על רציפות.
שמונה תחומי אחריות חדשים למשאבי אנוש
1. מיפוי תפקידים ומשימות
לאילו משימות נכנס AI? מה מתקצר? מה דורש יותר בקרה? ומה נשאר אנושי לחלוטין? מיפוי ברמת המשימה מאפשר להבין את ההשפעה האמיתית על התפקיד.
2. מיפוי מיומנויות ופערים
מי זקוק להיכרות בסיסית, מי להכשרה מקצועית ומי ליכולת להוביל אחרים? כך נמנעים מהדרכה זהה לכולם.
3. שמירה על הוגנות
אם רק עובדים מסוימים מקבלים גישה, זמן לתרגול או גרסה מתקדמת, נוצר פער חדש. משאבי אנוש צריכים לוודא שההזדמנות להתפתח אינה תלויה רק ביוזמה אישית.
4. תמיכה במנהלים
מנהלים נדרשים להסביר שינוי, להגדיר גבולות ולתת משוב על עבודה שנעשתה עם AI. הם צריכים הכשרה ניהולית, לא רק הדרכה טכנית.
5. עדכון תיאורי תפקיד ומדדי ביצוע
כאשר חלק מהמשימות מתקצרות, אין היגיון להמשיך למדוד את העובד רק לפי כמות הפעולות הישנות. צריך לבחון איכות, שיקול דעת, שירות ושיפור תהליך.
6. יצירת מדיניות ברורה ונגישה
המדיניות צריכה להסביר בשפה פשוטה אילו כלים מאושרים, מה אסור להזין, מי בודק תוצאות ומה עושים כשיש ספק. היא צריכה להיות מסמך חי ולא תקנון שנשכח.
7. שיתוף עובדים
עובדי השטח מכירים את הכשלים והעומסים. הם יכולים לזהות שימושים בעלי ערך וגם להתריע על השלכות שההנהלה לא רואה.
8. שמירה על הממד האנושי בשירות
התייעלות אינה מטרה בפני עצמה. צריך להחליט איפה הציבור או מקבל השירות מצפה לפגוש אדם, לקבל הסבר ולהרגיש שמישהו נושא באחריות.
איך מתחילים בארגון שאינו טכנולוגי?
לא מתחילים בהכרזה על טרנספורמציה. בוחרים יחידה אחת, ממפים שניים או שלושה תהליכים, בודקים שימושים בטוחים ומלווים קבוצה קטנה. לאחר מכן לומדים מהשטח ומרחיבים.
כדאי לבנות צוות משותף למשאבי אנוש, מערכות מידע, ייעוץ משפטי או פרטיות, מנהל היחידה ונציגי עובדים. כל אחד רואה חלק אחר של הסיכון וההזדמנות.
היתרון של ארגון ותיק הוא לא מהירות
לארגונים ותיקים יש ידע עמוק, קשרים, ניסיון ושירותים שנבנו לאורך שנים. המטרה אינה למחוק את הדרך הקיימת, אלא להשתמש בטכנולוגיה כדי לפנות מקום למה שהארגון עושה טוב באמת.
משאבי אנוש יכולים למנוע מצב שבו הטכנולוגיה נכנסת מהר יותר מהיכולת של האנשים להבין אותה. הם גם יכולים למנוע את ההפך: ארגון שמגן על הקיים עד שהוא מפספס אפשרות לשפר שירות ועבודה.
בארגון שאינו הייטק, משאבי אנוש הם לא גורם תומך בהטמעת AI. הם אחד הגורמים שמעצבים אם השינוי יהיה הוגן, ישים ואנושי.
קריאה לפעולה
משאבי אנוש נדרשים להוביל שינוי שאינו רק טכנולוגי. בינה ארגונית מסייעת למפות תפקידים, צרכים ומיומנויות ולבנות תהליך שמתאים לאופי הארגון.
קישורים ומקורות מקצועיים
OECD | Governing with Artificial Intelligence
NIST AI Risk Management Framework | ניהול סיכונים ואמון במערכות AI