Az AI alapjaiban változtathatja meg a vállalatok működését, sok helyen mégis a megszokott költségcsökkentési logika mentén tervezik az átalakulást. Pedig a jövő szervezetének megtervezését nem lehet egy létszámcsökkentési célszámmal helyettesíteni. Különösen akkor nem, ha közben éppen attól a tudástól válunk meg, amelyre az automatizációhoz a legnagyobb szükségünk lenne.
Nemrég egy nagyvállalat pénzügyi vezetőjével beszélgettem, aki egy komoly AI-transzformáció kellős közepén találta magát. A vállalat célja, hogy pénzügyi folyamatait jelentős részben autonóm AI-ügynökök, úgynevezett AI-agentek segítségével működtesse. A várakozások ambiciózusak: jobb minőség, nagyobb hatékonyság és lényegesen alacsonyabb működési költségek.
Eddig nincs is ebben semmi meglepő. Az AI egyik legnagyobb ígérete éppen az, hogy nemcsak egyes feladatokat tud gyorsabban elvégezni, hanem teljes munkafolyamatok működését is új alapokra helyezheti.
A beszélgetés azonban egészen más irányt vett, amikor kiderült, hogyan készülnek az átalakulásra.
A vezető már megkapta a jelentős létszámcsökkentési célját, miközben alig van rálátása arra, hogyan fog működni a jövő pénzügyi szervezete. Mely feladatokat veszik át az AI-agentek? Hol marad szükség emberi döntésre? Hogyan változik a kivételkezelés, a kontrollrendszer és a felelősségi struktúra? Milyen kompetenciákkal kell rendelkezniük azoknak, akik az új rendszert működtetik?
Ezekre a kérdésekre nem kapott egyértelmű válaszokat.
Eközben azzal is szembesült, hogy a transzformációhoz új emberekre lesz szükség, lehetőleg friss tudással, a szervezeten kívülről. Csakhogy fogalma sincs, honnan talál majd olyan szakembereket, akik egyszerre értik a vállalat összetett belső folyamatait és az AI-alapú automatizáció lehetőségeit.
Ezen a ponton merült fel bennem a kérdés: mi van, ha éppen azokat az embereket készülnek elküldeni, akiknek a tudására a legnagyobb szükség lenne az új működés kialakításához?
Természetesen nem látom az adott vállalat teljes transzformációs programját. Elképzelhető, hogy a részletes tervek más szervezeti szinteken már rendelkezésre állnak. De az önmagában is figyelmeztető jel, ha egy megvalósításért felelős vezető nem ismeri azokat a feltételezéseket, amelyekre a tőle elvárt döntések épülnek.
A történet ráadásul egy jóval általánosabb problémára világít rá. Az AI segítségével teljesen új működési modelleket szeretnénk létrehozni, miközben sokszor továbbra is a régi világ vezetési és tervezési módszereit alkalmazzuk.
Előbb a létszámcélt határozzuk meg, és csak utána a működési modellt?
Pályafutásom jelentős részét vállalati pénzügyi vezetőként töltöttem, így pontosan értem a költségcsökkentési és hatékonyságjavítási elvárások mögötti üzleti logikát. Egy vállalatnak célokat kell kitűznie, megtérülést kell elvárnia a beruházásaitól, és a vezetőknek felelősséget kell vállalniuk az eredményekért.
Ezzel önmagában semmi probléma nincs. A gond ott kezdődik, amikor az elérni kívánt eredményt összekeverjük egy már megalapozott működési tervvel.
A hagyományos költségcsökkentési programokban viszonylag bevett gyakorlat, hogy meghatározzuk a megtakarítási célt, leosztjuk a szervezeti egységekre, majd megkérjük a vezetőket, hogy dolgozzák ki a megvalósítás módját. Ez a megközelítés többnyire abból indul ki, hogy a működési modell alapvetően változatlan marad, csak hatékonyabbá kell tenni.
Az AI-transzformáció azonban más természetű változás. Itt nem feltétlenül ugyanazt a munkát akarjuk kevesebb emberrel elvégezni. Sok esetben magát a munkavégzés rendszerét kell újraterveznünk.
Vegyünk például egy pénzügyi folyamatot, amely adatgyűjtésből, ellenőrzésből, egyeztetésből, jóváhagyásokból, kivételkezelésből és riportolásból áll. Egyes tevékenységek hagyományos automatizációval is kiválthatók, mások AI-támogatással végezhetők hatékonyabban, bizonyos feladatokat pedig akár autonóm agentekre is bízhatunk.
De attól, hogy egy folyamat egyes lépéseit automatizáljuk, még nem feltétlenül lesz hatékonyabb a teljes működés.
Lehet, hogy az adatfeldolgozás felgyorsul, de a kivételkezelés válik szűk keresztmetszetté. Lehet, hogy a manuális ellenőrzések egy része megszűnik, de új felügyeleti és validációs feladatok jelennek meg. Az is előfordulhat, hogy az automatizáció csökkenti a feldolgozási időt, miközben növeli a függőséget az adatminőségtől, az informatikai rendszerek rendelkezésre állásától vagy az új kontrollok megbízhatóságától.
Az automatizáció tehát nem feltétlenül szünteti meg a komplexitást. Gyakran inkább átrendezi azt.
És itt jutunk el a munkaerő-tervezés egyik legfontosabb kérdéséhez. Ha egy folyamat tevékenységeinek 70%-át automatizálni tudjuk, abból egyáltalán nem következik, hogy 70%-kal kevesebb munkavállalóra lesz szükségünk.
A megmaradó munka összetétele, komplexitása, időigénye és a hozzá szükséges kompetenciák lényegesen megváltozhatnak. Új feladatok is megjelenhetnek, miközben bizonyos munkakörök megszűnnek vagy alapvetően átalakulnak.
A jövőbeli munkaerőigényt ezért az új működési modellből kell levezetni, nem pedig közvetlenül az automatizáció becsült mértékéből.
A sorrendnek is jelentősége van. Ha a szervezet már azelőtt csökkenti a kapacitásait, hogy az új működés bizonyítottan megbízható lenne, könnyen éppen a bevezetéshez szükséges erőforrásokat veszítheti el. Az átállás időszakában ugyanis gyakran párhuzamos működésre, tesztelésre, ellenőrzésre és többletkapacitásra van szükség.
Vagyis nemcsak az a kérdés, mekkora megtakarítás érhető el, hanem az is, hogy mikor és milyen feltételek teljesülése esetén.
Biztos, hogy attól a tudástól kell megszabadulnunk, amelyre az automatizáció épül?
A beszélgetés másik különösen érdekes eleme az új kompetenciák kérdése volt. Természetesen az AI-alapú működéshez új tudásra lesz szükség, és bizonyos kompetenciákat külső munkaerőpiacról kell majd megszerezni. De vajon helyes-e abból kiindulni, hogy az új technológia szükségszerűen új munkavállalókat is jelent?
Gondoljunk arra a pénzügyi munkatársra, aki pontosan tudja, miért nem működik egy adott egyeztetési folyamat. Vagy arra a kontrollerre, aki azonnal felismeri, hogy egy látszólag szabályos tranzakció mögött valójában probléma húzódik. Esetleg arra a kollégára, aki tisztában van vele, hogy két vállalati rendszer ugyanarra az üzleti fogalomra eltérő definíciót használ.
Ezek az ismeretek gyakran nem szerepelnek a folyamatleírásokban. A napi működés során szerzett tapasztalatban, a kialakult rutinokban, az informális kontrollokban és a munkatársak fejében élnek.
Az AI-val történő automatizáció során éppen ez a tudás válhat az egyik legértékesebb erőforrássá. Ha kizárólag a dokumentált folyamatokat automatizáljuk, könnyen előfordulhat, hogy az új rendszer a papíron létező működést reprodukálja, miközben nem tudja kezelni azokat a kivételeket és összefüggéseket, amelyeket a tapasztalt munkatársak korábban természetes módon kezeltek.
Az autonóm AI-rendszereknél ez különösen fontos. Nem elég megmondani, hogy egy agent milyen feladatot végezzen el. Azt is tudni kell, milyen feltételek között működhet önállóan, mely esetekben kell emberi beavatkozás, és hogyan lehet felismerni, ha egy látszólag helyes eredmény valójában hibás.
Ehhez nemcsak technológiai, hanem mély folyamatismeretre is szükség van.
Természetesen nem minden munkakör marad fenn, és nem minden munkavállaló lesz alkalmas vagy motivált az új feladatokra. De ezt egyéni kompetenciaértékelés és tudatos munkaerő-tervezés alapján kell eldönteni, nem pedig abból a feltételezésből kiindulva, hogy az új technológiához feltétlenül új emberek kellenek.
A kérdés nem az, hogy a régi vagy az új munkatársakat válasszuk. Hanem az, hogyan őrizzük meg a működéshez szükséges szervezeti tudást, miközben felépítjük a jövő kompetenciáit.
Kadocsa Fanni
Hybridge Consulting alapító
Korábban több mint 20 éven át dolgozott pénzügyi vezetői pozíciókban többek között a Microsoftnál. Jelenleg vállalatok AI-transzformációjával, stratégiai munkaerő-tervezéssel, szervezeti és munkaköri architektúrával, valamint AI governance-szel foglalkozik.
A The Zeroth Project alapító igazgatója.
