Pegasus: mit tud kezdeni az AI a vállalat saját HR-adataival?
A vállalatok többsége ma már nem azért érdeklődik a mesterséges intelligencia iránt, mert szeretné kipróbálni a legújabb technológiai újdonságot. A valódi üzleti kérdés ennél jóval pragmatikusabb: hogyan lehet az AI segítségével gyorsabban értelmezni azt a hatalmas adatmennyiséget, amely már most is rendelkezésre áll a szervezetben?
A HR ebből a szempontból különösen érdekes terület. Egy nagyobb vállalatnál évek alatt rendkívül értékes adatvagyon épül fel a munkavállalói életciklusról, a bérekről, a munkaidőről, a távollétekről, a szervezeti változásokról, a kompetenciákról, a képzésekről és a teljesítményről. Ezekből az információkból azonban önmagában még nem lesz vezetői tudás.
A legtöbb szervezet problémája ma nem az, hogy nincs elég adata. Sokkal inkább az, hogy az adatok több rendszerben, különböző formátumban és eltérő logika szerint találhatók meg, ezért nehéz közöttük valódi összefüggéseket keresni.
Éppen itt válik érdekessé az AI következő generációja. Nem azért, mert „helyettünk dönt”, hanem azért, mert képes lehet lényegesen hatékonyabban hozzáférhetővé és értelmezhetővé tenni a vállalat saját adataiban rejlő információt.
A LOGA esetében ez azért különösen fontos terület, mert a platform moduljai egy adatbázison működnek, a munkavállalói adatok pedig valós időben érhetők el a HR, a bérszámfejtés és az időgazdálkodás területei között. A LOGA fejlesztési fókuszában emellett az adatbányászat, az automatikus munkaműveletek és az adatkommunikációt támogató AI-megoldások is megjelennek.
A generikus AI és a vállalati AI között az adat jelenti a különbséget
Egy általános mesterségesintelligencia-eszköz sok mindent tud. Képes szöveget összefoglalni, ötleteket generálni, dokumentumot készíteni vagy általános szakmai kérdésekre válaszolni.
A saját vállalati működésünkről azonban csak annyit tud, amennyit megadunk neki. Nem ismeri automatikusan azt, hogyan épül fel a szervezetünk, milyen munkakörök léteznek, milyen bérstruktúrával dolgozunk, hol magasabb a távollét, milyen kompetenciák állnak rendelkezésre vagy mely szervezeti egységekben változott jelentősen a létszám.
A vállalati AI valódi értéke ezért akkor kezd növekedni, amikor nem általános információk alapján próbál válaszolni, hanem strukturált szervezeti adatokkal tud dolgozni. Itt azonban rögtön megjelenik egy másik kérdés: milyen állapotban vannak ezek az adatok?
Ha a béradatok a payrollban, a kompetenciák Excelben, a munkaidő egy külön rendszerben, a szervezeti struktúra pedig egy harmadik alkalmazásban található, akkor először magát az adatkapcsolatot kell létrehozni. Az AI ugyanis nem tünteti el automatikusan a vállalat évek alatt kialakult adatminőségi és integrációs problémáit. Ezért jelent komoly előnyt az egyadatbázisos működés. A LOGA integrált HR-platformjában a HR-, bér- és időgazdálkodási adatok közötti kapcsolat eleve a rendszer működésének része, nem utólagos elemzési projektként kell felépíteni.
Mit jelent ebben a környezetben a Pegasus?
A Pegasus kommunikációjánál különösen fontos pontosan fogalmazni.
Nem arról van szó, hogy a LOGA-ban „az AI számfejti a béreket”, vagy hogy egy mesterséges intelligencia ellenőrzés nélkül dönt a munkavállalókról. A Master Consulting belső szakmai egyeztetésének leirata kifejezetten elválasztja egymástól az AI különböző szerepeit: van olyan megoldás, amely információt gyűjt, más automatikus munkaműveletet végez, a Pegasus pedig a LOGA AI-jaként folyamatos tanulási és optimalizációs szereppel jelenik meg. A fejlesztési visszacsatolásban az ügyfelek által jelzett problémák és igények is szerepet kapnak. Ez önmagában érdekes szemléletváltást jelent. A hagyományos vállalati szoftverek fejlesztése sokszor hosszú ciklusokban történik. A felhasználók jelzik a problémákat, a fejlesztők értékelik azokat, majd idővel bekerülhetnek egy fejlesztési tervbe.
Az AI-val támogatott megközelítés ennél sokkal intenzívebb visszacsatolási lehetőséget teremthet: a rendszer fejlesztése egyre inkább arra fókuszálhat, hogy milyen valós ügyféligények jelennek meg, hol akadnak el a folyamatok és milyen problémák ismétlődnek. Ez egészen más megközelítés annál, mint amikor egyszerűen ráírjuk egy szoftverre, hogy „AI-powered”.
A vállalat saját HR-adataiból akkor lesz érték, ha összefüggéseket tudunk keresni
Tegyük fel, hogy a vezetőség arra kíváncsi, hogyan változott egy adott szervezeti egység bérköltsége. Egy hagyományos riport megmutatja a számot. Egy fejlettebb HR-analitikai megközelítés ennél további kérdéseket tesz fel. A változás létszámnövekedésből származik? Béremelésből? Több túlórából? Megváltozott a munkaköri struktúra? Több senior munkatárs került a területre? Változott a távollétek mértéke?
A vezető számára valójában nem az adat a legérdekesebb, hanem az összefüggés.
A LOGA Data Mining modulja konkrét modulokhoz kapcsolódó értékek grafikus megjelenítését, egyedi szempontok szerinti kiértékeléseket és intelligens szűrést tesz lehetővé. A Scout modul pedig tetszőleges listák készítésére alkalmas a LOGA-ban tárolt adatokból, és az elemzés valós időben végezhető.
Ez azért fontos az AI szempontjából, mert az intelligens elemzés minősége nagymértékben függ attól, milyen adatbázisból indulunk.
A béradat különösen értékes üzleti kontextust ad
A HR-analitika egyik gyakori korlátja, hogy a humán adatok és a tényleges pénzügyi hatás elkülönül egymástól. Lehet például pontos információnk arról, hogy nőtt egy terület létszáma, de ha a tényleges bérkomponensek nincsenek ugyanabban az elemzési környezetben, akkor a pénzügyi következmények értelmezéséhez újabb adatforrásra van szükség.
A LOGA bérköltségtervezése ezzel szemben a munkavállalók tényleges bérkomponenseire épül, figyelembe tudja venni a változó paramétereket, a járulékos költségeket, valamint a jövőbeli és betöltetlen pozíciókat is. Terv–tény összehasonlítások több változatban készíthetők. Ha ehhez hozzátesszük a real-time HR-adatkapcsolatot, már lényegesen gazdagabb vezetői adatkörnyezet alakul ki.
A CFO számára itt válik érdekesebbé az AI: nem általános HR-kérdésekre kell választ adnia, hanem olyan adatstruktúrában segíthet eligazodni, amely közvetlenül kapcsolódik a vállalat költségeihez.
Kompetencia és utánpótlás: amikor nem csak létszámot látunk
A vállalat saját HR-adatainak másik fontos területe a kompetencia.
Két azonos létszámú szervezeti egység között hatalmas különbség lehet abban, milyen tudás és tapasztalat áll rendelkezésre. Egy vezető ezért valójában nemcsak azt szeretné tudni, hogy hány munkavállalója van, hanem azt is, rendelkezésre állnak-e azok a képességek, amelyekre a következő időszak üzleti terveihez szükség lesz. A LOGA kompetenciamátrixa lehetővé teszi a szükséges munkavállalói kompetenciák cégspecifikus meghatározását, a Profil3 utódlástervezési modul pedig a munkavállalók képességeinek és tudásának áttekintésével, valamint minősített profilok összehasonlításával segíti a potenciális utódjelöltek kiválasztását.
Ez már olyan strukturált adatvagyon, amelyből sokkal értékesebb vezetői kérdéseket lehet feltenni. Nemcsak azt, hogy „ki dolgozik nálunk?”, hanem azt is, hogy „milyen tudásunk van?”, „hol lehet kapacitás- vagy kompetenciahiány?”, illetve „hol rendelkezünk olyan belső potenciállal, amelyet eddig nem használtunk ki?”.
Az AI következő szintje éppen ezeknek az összetett kérdéseknek a könnyebb feltárása lehet.
Munkaidő és kapacitás: az aktuális állapot számít
Az integrált HR-adat egyik legnagyobb előnye, hogy az időadat is kapcsolatban állhat a többi HR-információval. A LOGA munkaidő- és beosztástervezési környezetében a rendelkezésre álló erőforrások és kompetenciák figyelembevételével módosíthatók a tervek, az alkalmazásból érkező munkaidőadatok pedig valós időben kerülhetnek be a rendszerbe.
Ez azért lényeges, mert a szervezeti kapacitás nem azonos a nyilvántartott létszámmal. Lehet száz munkavállalónk, de teljesen más lesz a tényleges kapacitás attól függően, hogy milyen műszakban dolgoznak, milyen kompetenciákkal rendelkeznek, milyen távollétek vannak, illetve milyen feladatok ellátására alkalmasak. Minél több ilyen adat található strukturált, egymással kapcsolatban álló formában, annál közelebb kerülünk ahhoz, hogy a HR-adat valódi operatív döntéstámogatást jelentsen.
A legfontosabb kérdés nem az, mit tud az AI, hanem hogy mit tudunk megkérdezni tőle
A generatív AI térnyerése miatt hajlamosak vagyunk a technológiából kiindulni. Megnézzük, milyen új funkció érkezett, és utána próbáljuk kitalálni, mire használhatnánk. Vállalati környezetben érdemes ezt megfordítani. Először a vezetői kérdést kell pontosan megfogalmazni.
Például:
- Mely szervezeti egységekben változott leginkább a bérköltség?
- Hol vannak olyan munkakörök, ahol a kompetenciaigény és a rendelkezésre álló tudás között eltérés van?
- Mely pozíciókra nincs megfelelő belső utánpótlás?
- Hol nőtt jelentősen a munkaidő-terhelés?
- Milyen HR-adatok állnak rendelkezésre egy aktuális vezetői döntéshez?
Ezek mögött sokszor nem egyetlen adatbázismező található. Több információt kell összekapcsolni ahhoz, hogy érdemi választ kapjunk. Ez az a terület, ahol az AI és az integrált vállalati adatvagyon találkozása valódi üzleti értéket teremthet.
Nem mindegy azonban, hogy az AI milyen adathoz fér hozzá
A HR-ben az AI használatának másik oldala az adatbiztonság és a governance. A munkavállalói adatbázis rendkívül érzékeny információkat tartalmazhat. Bérek, személyes adatok, szerződéses információk, teljesítményadatok vagy kompetenciaértékelések nem kezelhetők ugyanúgy, mint egy nyilvános marketingadatbázis.
Ezért enterprise HR-környezetben az AI kérdése nem választható el a jogosultságoktól, az adatbiztonságtól és az auditálhatóságtól. A LOGA dokumentációja cégspecifikus jogosultsági rendszert és folyamatbeállításokat ír le, maga az alkalmazási környezet pedig auditált informatikai infrastruktúrára épül.
A vállalat saját adatain működő intelligencia ezért csak akkor jelent valódi előnyt, ha az adathoz való hozzáférés ugyanolyan kontrollált marad, mint az alap HR-rendszerben.
Az AI nem lehet kerülőút a jogosultsági struktúrák körül.
A Pegasus egyik érdekes értéke a rendszer fejlődésének támogatása
A Pegasus kapcsán ezért érdemes elkerülni azt az egyszerű kommunikációt, hogy „itt egy AI, ami mindent megmond”.
A rendelkezésünkre álló szakmai háttér alapján ennél érdekesebb a koncepció: a Pegasus folyamatosan tanuló és optimalizáló AI-megoldásként kapcsolódik a LOGA fejlődéséhez, és a felhasználói problémák, bejelentések, illetve ügyféligények visszacsatolása is szerepet kaphat abban, merre fejlődik tovább a rendszer. Ez a vállalati szoftverfejlesztésben különösen fontos szemlélet.
Az AI ugyanis nemcsak a végfelhasználó előtt megjelenő látványos asszisztens lehet. Ugyanolyan értékes lehet a háttérben, ha segít felismerni, milyen folyamatokon érdemes javítani, milyen problémák ismétlődnek, és mely funkciók optimalizálása teremtene a felhasználóknak valódi üzleti értéket.
Az AI valódi versenyelőnye a kontextus
Egy általános AI-modell rendkívül széles tudással rendelkezhet. A saját szervezetünket azonban nem ismeri.
A vállalati HR-ben ezért a jövő egyik legfontosabb versenyelőnye nem feltétlenül az lesz, hogy ki használja a „legerősebb” mesterséges intelligenciát, hanem az, hogy ki rendelkezik a legjobb minőségű, legjobban strukturált és legjobban összekapcsolt saját adattal. A LOGA erőssége ebből a szempontból nem kizárólag az AI-ban keresendő. Sokkal inkább abban, hogy az AI egy olyan környezetre épülhet rá, ahol a HR, a payroll, a munkaidő, a kompetencia, a képzés és számos további folyamat egy platformon kezelhető, az adatok pedig valós időben érhetők el. Ha az adatstruktúra megfelelő, akkor az AI már nem pusztán általános válaszokat adó digitális eszköz.
Elkezdheti támogatni azt, ami vezetői szempontból igazán fontos: a saját vállalat működésének jobb megértését. És valószínűleg itt húzódik a generikus AI-használat és a valódi enterprise AI közötti egyik legfontosabb határ.
Ha szeretné megismerni, hogyan épül fel a LOGA integrált, real-time HR-adatkörnyezete, milyen elemzési lehetőségeket biztosít a vállalat saját HR- és béradataiból, és hogyan kapcsolódnak ehhez a LOGA AI-fejlesztései és a Pegasus, kérjen szakmai bemutatót a Master Consulting csapatától.