AI:s dolda förändringsledningsskuld
Anpassad från podcasten The Digital Project Manager, som leds av Galen Low. Lyssna här.
Stora företag som rullar ut AI behandlar ofta frågan först som ett teknikproblem och därefter som ett organisatoriskt problem. Den ordningen är ett misstag, enligt Deborah Ketai, chef för organisatorisk förändring och styrelseledamot i Project Management Institute (PMI).
Ketai ägnade flera år åt att leda AI-relaterade förändringsinitiativ inom United Health Group, ett sjukvårdsföretag på Fortune 5-listan, och hon sade att företag som hoppar över arbetet med att bryta ner stuprören mellan team får betala för det senare. ”Om de hoppar över steget att bryta ner stuprören kommer de också att ådra sig mycket av det vi kallar skuld – teknisk skuld, kunskapsskuld och så vidare”, sade Ketai. ”Det kommer att göra framtida projekt dyrare och svårare.”
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Om de hoppar över steget att bryta ner stuprören kommer de också att ådra sig mycket av det vi kallar skuld – teknisk skuld, kunskapsskuld och så vidare. Det kommer att göra framtida projekt dyrare och svårare.
Den skulden visar sig i dubbelarbete, konkurrerande verktyg och team som inte vet vad gruppen längre bort i korridoren redan bygger.
Tre mål för AI-samordning i stor skala
För att hantera detta byggde Ketai sitt program kring tre mål: talangmobilitet och att behålla medarbetare inom AI-arbetsstyrkan, samarbete mellan team och en bredare kulturell förändring mot att betrakta AI som en legitim affärslösning. ”Vi [på United Health Group] hade verkligen tre mål – talang, mobilitet och att behålla medarbetare inom AI-området”, sade Ketai. Det andra målet hanterade ett vanligt misslyckande i stora organisationer, där AI-arbete uppstår självständigt på olika håll och duplicerar varandras insatser. ”Mitt andra mål för programmet var att uppmuntra samarbete mellan dessa AI-grupper, så att de inte uppfinner hjulet på nytt”, sade hon. Det tredje målet var kulturellt: ”Det tredje är en kulturell förändring som uppmuntrar affärsförespråkare att överväga AI-lösningar på sina affärsutmaningar.”
För att uppnå detta behövde man skapa program – konferenser, hackaton, internt innehåll och communitykanaler – riktade till olika intressentsegment inom företaget, snarare än ett enda direktiv uppifrån och ner.
Att mäta förändring när data är en enda röra
Även med tydliga mål visade det sig att det var en av de svåraste delarna av arbetet att bevisa programmets effekt. Ketais företag hade till stor del vuxit genom fusioner och förvärv, vilket innebar att den underliggande data hon behövde för att följa karriärmobilitet och engagemang var inkonsekvent, för att uttrycka det milt. ”Jag erkänner att mätvärdena var den svåraste delen av programmet för mig”, sade Ketai, ”eftersom detta var ett företag på Fortune 5-listan som till stor del hade vuxit genom fusioner och förvärv. Resterna av gamla HR-system fanns fortfarande kvar, vilket innebar att samma typ av roll ofta hade 15 olika titlar, befattningsnamn eller jobbkoder inom organisationen, och det gjorde livet mycket svårt.”
Utan rena system att utgå från förlitade sig Ketais team på indirekta mätvärden, som engagemang i innehåll och deltagande i evenemang, i stället för den mer djupgående arbetsstyrkedata de hade föredragit.
Bör projektledare också vara förändringsledare?
I takt med att AI-initiativen blir fler ombeds allt fler projektledare även att ta ansvar för förändringsledning. Ketai sade att de två kompetensområdena överlappar varandra, men inte är identiska, och att skillnaden är viktigast när det gäller tidsplanen. ”Alla projekt kräver inte förändringsledning”, sade hon. ”Kompetenserna är olika men överlappar varandra.” Enligt Ketai handlar den verkliga skillnaden om vem som stannar kvar för att se en förändring hela vägen. ”Anledningen till att man bör ha separata roller är tidsplanerna, eftersom projektledare traditionellt sett inte får möjlighet att följa upp och verkligen se till att en förändring blir varaktig.”
Alla projekt kräver inte förändringsledning. Kompetenserna är olika, men överlappar varandra.
Det gapet – mellan att slutföra ett projekt och att upprätthålla den förändring som projektet var tänkt att skapa – är enligt henne det starkaste argumentet för att hålla de två rollerna åtskilda, även om gränsen mellan dem fortsätter att suddas ut i praktiken.
AI är inte bara ett verktyg – det är en intressent
Ketai pekade också på en förändring i hur projekt- och förändringsledare behöver tänka kring AI i sig. I stället för att enbart betrakta AI som infrastruktur menade hon att det i allt högre grad beter sig som en intressent i sin egen rätt. ”I takt med att generativ AI blir allt vanligare är AI själv en intressent”, sade Ketai. ”Den har sina egna mål, sina egna attityder och kommer att agera annorlunda och ibland i strid med hur du vill att den ska agera, baserat på dessa interna förutsättningar.”
I takt med att generativ AI blir allt vanligare är AI en intressent. Den har sina egna mål, sina egna attityder och kommer att agera annorlunda och ibland i strid med hur du vill att den ska agera.
Det perspektivet får praktiska konsekvenser för styrningen: Om AI-system kan bete sig oförutsägbart eller avvika från förväntningarna behöver de tas med i planering och risksamtal på samma sätt som en mänsklig intressent.
Vart rollen som programansvarig är på väg
Framöver kommer programansvariga enligt Ketai att behöva komma närmare den plats där affärsstrategin faktiskt utformas, i stället för att bara verkställa den. ”Programansvariga behöver komma närmare den plats där strategin utformas och kunna påverka strategin”, sade hon, ”samt vara transparenta när de återkopplar till ledningen om var det sannolikt finns bristande överensstämmelser.”
Programansvariga behöver komma närmare den plats där strategin utformas och kunna påverka strategin.
Den förändringen innebär också att programansvariga behöver bredda sin syn på risk så att möjligheter till positiva utfall inkluderas vid sidan av det traditionella fokuset på hot, samt investera mer medvetet i att bygga relationer inom organisationen över tid.
Förtroendeproblemet som ingen ännu har löst
Trots drivkraften bakom användningen av AI sade Ketai att det största kvarvarande hindret inte är själva tekniken. Det är förtroende, särskilt när det gäller data. Hon återgav en nyligen genomförd session vid PMI:s regionala ledarskapskonferens, där man diskuterade huruvida det var lämpligt för en PMI-avdelning att använda AI för att utforma e-postutskick till medlemmar. ”Det var inte etiskt om det innebar att medlemmarnas data lämnades ut”, sade Ketai, ”såvida man inte använde något slags helt internt verktyg.”
Den skillnaden — mellan AI-verktyg som håller data inom organisationen och sådana som inte gör det — kommer sannolikt att forma hur organisationer hanterar AI-styrning långt efter att den nuvarande experimentvågen har lagt sig.
Vill du ha fler insikter som dessa? Skapa ett kostnadsfritt DPM-konto för att få höra från fler experter som dessa.
