-
Josh Bersin
Josh Bersin：人工智能实施越来越像传统IT项目
Josh Bersin的文章《人工智能实施越来越像传统IT项目》深入探讨了企业中人工智能项目的实施情况。文章指出，尽管人工智能具有其独特性，但在实施过程中，它越来越多地展现出与传统IT项目相似的特点。这些相似性包括对数据管理的重视、安全性和访问管理的必要性、及时的工程响应和系统监控等。文章还强调了供应商筛选的重要性，以及变更管理、培训和组织设计在实施人工智能项目时的关键作用。这种趋势反映出人工智能已成为企业IT策略的核心部分，需要企业在实施和整合人工智能应用时，采用适应性强的传统IT策略，以提高运营效率和组织改进。
我们一起来看看原文：
随着我们越来越多地了解人工智能的企业实施，我对它们每天都感觉更像传统 IT 项目感到震惊。
是的，生成式人工智能系统有许多特殊的特征：它们是智能的，我们需要训练它们，并且它们对用户具有根本性的变革性影响。而且后端处理成本很高。
但尽管谈论先进的模型和逼真的行为，这些项目也有传统的一面。我已经与十几家大公司讨论了他们的各种人工智能策略，我想鼓励买家考虑基础知识。
发现 1：企业人工智能项目都与数据有关。
与新 ERP 系统、薪资系统、招聘或学习平台的实施不同，AI 平台完全依赖于数据。无论您购买什么产品（像 Galileo™ 这样的智能代理、Eightfold 这样的智能招聘系统，或者提供销售的人工智能支持平台生产力），成功取决于您的数据策略。如果您的企业数据一团糟，人工智能将无法突然理解它。
本周我读到了一篇关于 微软 Copilot 宣扬选举谎言和阴谋论的报道。虽然我无法判断这种情况有多普遍，但它只是指出“您拥有人工智能系统的数据质量、培训和数据安全”。
例如，沃尔玛的我的员工人工智能助理已经证明，在处理员工有关福利的查询方面，其准确度提高了 2-3 倍。但为了做到这一点，该公司利用了令人惊叹的 IT 架构，将所有员工信息整合到一个个人资料中，经过多年开发的移动体验，以及强大的全球安全架构。
我们的客户之一是一家大型国防承包商，正在探索使用人工智能来彻底改变其庞大的知识管理环境。虽然我们知道 Gen AI 可以在这里增加巨大的价值，但最大的问题是“我们应该加载哪些数据”以及我们如何分割数据以便正确的人访问正确的信息？他们现在正在研究那个项目。
在设计 Galileo 的过程中，我们花了近一年的时间梳理 25 年来积累的信息，以构建一个能够提供有意义答案的语料库。幸运的是，我们从一开始就专注于数据管理，但如果我们没有可靠的数据架构（具有一致的元数据和信息类型），该项目将会很困难。
因此，这些项目的核心是一个了解数据源、元数据和数据集成工具的数据管理团队。一旦新的人工智能系统开始工作，我们就必须定期对其进行训练、更新并消除偏见和错误。
发现 2：企业人工智能项目需要重点关注安全和访问管理。
假设您找到了一个可以为您的员工提供突破性解决方案的工具、平台或应用程序。它可以是销售自动化系统、人工智能驱动的招聘系统或帮助呼叫中心代理处理问题的人工智能应用程序。
谁可以访问什么？如何对语料库进行“分层”以确保合适的人看到他们需要的内容？这种练习与我们在 20 世纪 80 年代在 IBM 所做的事情是一样的，当时我们实现了这个复杂但极其重要的系统，称为 RACF。我讨厌宣扬自己的年龄，但 RACF 设计者在很多年前就思考过数据安全和访问管理的这些问题。
人工智能系统需要一套类似的工具，并且由于法学硕士倾向于将所有内容“整合和聚合”到模型中，因此我们可能需要针对不同用户的多个模型。
就人力资源而言，如果使用Eightfold、Seekout或Gloat建立一个人才情报数据库，其中包括职位名称、技能、级别以及有关证书和工作历史的详细信息，然后我们决定添加“薪水”……哎呀……好吧突然间我们遇到了数据隐私问题。
我刚刚完成了与 SAP-SuccessFactors 的人工智能架构的深入讨论，您看到的是一组开发用于在 Joule（SAP 的副驾驶）中针对各种用例运行的“迷你人工智能应用程序”。 SAP 花费数年时间构建工作流程、访问模式和不同级别的用户安全性。他们设计的系统是为了安全地处理机密数据。
还要记住，像 ChatGPT 这样的访问互联网的工具可能会以有害的方式导入或泄漏数据。用户可能会无意中使用Gen AI工具创建不可接受的内容、危险的通信以及引发其他“越狱”行为。
在您的人才情报战略中，您将如何管理工资数据和其他私人信息？如果法学硕士使用这些数据进行分析，我们必须确保只有适当的用户才能看到它。
发现 3：企业人工智能项目需要关注“快速工程”和系统监控。
在典型的 IT 项目中，我们花费大量时间在用户体验上。我们在 UI 设计师、艺术家和工匠的帮助下设计门户、屏幕、移动应用程序和体验。但在 Gen AI 系统中，我们希望用户“告诉我们他们在寻找什么”。我们如何培训或支持用户更好地提示系统？
如果您曾经尝试过使用 Paypal 这样的公司的支持聊天机器人，您就会知道这有多困难。我花了几周的时间试图让 Paypal 的机器人告诉我如何关闭我的帐户，但它从来没有给我正确的答案。 （最终我想通了，尽管我仍然从已经去世的承包商那里收到发票！）
这些问题我们必须要思考。在我们的案例中，我们构建了一个“提示库”和一系列工作流程，以帮助人力资源专业人员充分利用伽利略，使系统易于使用。 Paradox、Visier (Vee) 和 SAP 等供应商正在构建复杂的工作流程，让用户提出一个简单的问题（“管道的第 3 阶段有哪些候选人”）并获得格式良好的答案。
如果您向招聘机器人询问诸如“谁是该职位的最佳候选人”之类的问题并将其插入 ATS，它会给您一个好的答案吗？老实说，我不确定 - 所以供应商（或你）必须训练它并构建工作流程来预测用户会问什么。
这意味着我们将监控这些系统，查看不起作用的交互，并不断调整它们以使其变得更好。
几年前，我采访了星展银行（新加坡数字银行）的数字化转型副总裁，星展银行是世界上最先进的数字银行之一。他告诉我，他们组建了一个完整的团队来监视网站上的每次点击，这样他们就可以不断移动按钮，简化界面，并使信息更容易查找。我们需要对人工智能做同样的事情，因为我们无法真正预测人们会问什么问题。
发现 4：供应商需要接受审查。
下一个“传统 IT”主题将是供应商的审查。如果我是一家大型银行或保险公司，并且我正在寻找先进的人工智能系统，我会详细审查供应商的声誉和经验。仅仅因为像 OpenAI 这样的公司已经建立了出色的法学硕士，并不意味着他们作为供应商有能力满足您的需求。
供应商是否拥有您所需的资源、专业知识和企业功能集？我最近和中东的一家大型企业进行了交谈，该企业在沙特阿拉伯、迪拜等该地区的其他国家都有重要的设施。他们现在和将来都不会让用户信息、查询或生成的数据离开其管辖范围。您选择的供应商有能力满足此要求吗？小型人工智能供应商将努力解决这些问题，导致IT部门以新的方式进行风险评估。
还出现了专门从事“偏见检测”或人工智能系统测试的顾问。大公司可以自己做到这一点，但我预计随着时间的推移，将会有咨询公司帮助您评估这些系统的准确性和质量。如果系统是根据您的数据进行训练的，您的测试情况如何？在许多情况下，供应商提供的人工智能使用来自外部世界的数据：它使用什么数据以及它对您的应用程序来说有多安全？
发现 5：变革管理、培训和组织设计至关重要。
最后，与所有技术项目一样，我们必须考虑变革管理和沟通。这个系统的设计目的是什么？它将如何影响你的工作？如果答案不明确或不正确怎么办？所有这些问题都很重要。
需要进行用户培训。我们的经验表明，用户很快就会采用这些系统，但他们可能不明白如何提出问题或如何解释答案。您可能需要创建提示库（如 Galileo）或交互式对话旅程。然后提供支持，以便用户可以解决错误、不清楚或不一致的答案。
最重要的是，存在角色和组织设计的问题。假设我们提供一个智能系统，让销售人员快速找到产品问题、定价和客户历史记录的答案。销售运营的新角色是什么？我们是否有人员来更新和维护数据的质量？我们是否应该因此重组我们的销售团队？
我们已经发现，伽利略确实打破了人力资源领域的障碍，例如，向业务合作伙伴或人力资源领导者展示如何处理可能属于他人领域的问题。这些都是美妙的结果，应该鼓励领导者重新思考如何定义角色。
在我们公司，当我们使用人工智能进行研究时，我看到我们的研究团队在更高的水平上运作。人们正在共享信息，更快地分析跨领域信息，并高速利用采访和外部数据。他们写文章的速度更快，现在可以将材料翻译成多种语言。
我们的会员支持和咨询团队经常依赖分析师的专业知识，很快就会成为顾问。当我们向客户发布伽利略时，问题和询问的程度将变得更加复杂。
这个过程将发生在每个销售组织、客户服务组织、工程团队、财务和人力资源团队中。想象一下人们会问的“新问题”。
底线：企业 AI 系统成为 IT 项目
归根结底，人工智能技术革命将需要大量传统 IT 实践。虽然人工智能应用程序具有突破性的强大功能，但实施问题比您想象的更为传统。
我永远不会忘记我在 Sybase 期间实施 Siebel 的失败经历。该公司很喜欢这个平台，买下了它，并强迫我们使用它。然而，该公司从未告诉我们他们为什么购买它，解释如何使用它，或建立工作流程和工作角色以将其嵌入公司。仅仅一年后，Sybase 在销售组织简单拒绝后就抛弃了该系统。没有人希望人工智能这样重要的东西能得到这样的结果。
当你学习并更加迷恋人工智能的力量时，我鼓励你思考你曾经参与过的其他技术项目。是时候超越炒作和兴奋，思考现实世界的成功了。
-
Josh Bersin
大咖谈：2024的AI正在以比预想更快的速度改变企业学习
在受人工智能影响的所有领域中，最大的变革或许发生在企业学习领域。经过一年的实验，现在很明显人工智能将彻底改变这个领域。
让我们讨论一下 L&D 到底是什么。企业培训无处不在，这就是为什么它是一个价值 3400亿美元的市场。工作中发生的一切（从入职到填写费用账户再到复杂的操作程序）在某种程度上都需要培训。即使在经济衰退期间，企业在 L&D 上的支出仍稳定在人均 1200-1500 美元。
然而，正如研发专业人士所知，这个问题非常复杂。有数百种培训平台、工具、内容库和方法。我估计 L&D 技术空间的规模超过 140 亿美元，这甚至不包括搜索引擎、知识管理工具以及 Zoom、Teams 和 Webex 等平台等系统。多年来，我们经历了许多演变：电子学习、混合学习、微型学习，以及现在的工作流程中的学习。
生成式人工智能即将永远改变这一切。
考虑一下我们面临的问题。企业培训并不是真正的教学，而是创造一个学习的环境。传统的教学设计以教师为主导，以过程为中心，但在工作中常常表现不佳。人们通过多种方式学习，通常没有老师，他们寻找参考资料，复制别人正在做的事情，并依靠经理、同事和专家的帮助。因此，必须扩展传统的教学设计模型，以帮助人们学习他们需要的东西。
生成式 AI 登场，这是一种旨在合成信息的技术。 Galileo™ 等生成式人工智能工具可以以传统教学设计师无法做到的方式理解、整合、重组和传递大型语料库中的信息。这种人工智能驱动的学习方法不仅效率更高，而且效果更好，能够在工作流程中进行学习。用户可以提出任何他们想要的问题，并获得与其需求相关的答案。
早期，在工作流程中学习意味着搜索信息并希望找到相关的东西。这个过程非常耗时，而且常常没有结果。生成式人工智能通过其神经网络的魔力，现在已经准备好解决这些问题，就像 L&D 的瑞士军刀一样。
这是一个简单的例子。我问 Galileo™（该软件经过 25 年的研究和案例研究提供支持），“我该如何应对总是迟到的员工？请给我一个叙述来帮助我？”它没有带我去参加管理课程或给我看一堆视频，而是简单地回答了问题。这种类型的互动是企业学习的大部分内容。
让我总结一下 AI 在 L&D 中的四个主要用例：
生成内容：人工智能可以显着减少内容创建所需的时间和复杂性。例如，移动学习工具Arist拥有AI生成功能Sidekick，可以将综合的操作信息转化为一系列的教学活动。这个过程可能需要几周甚至几个月的时间，现在可以在几天甚至几小时内完成。其他工具，例如 Sana、Docebo Shape 和 user-focused learning platform 360 Learning 同样令人兴奋。
个性化学习者体验：人工智能可以帮助根据个人需求定制学习路径，改进根据工作角色分配学习路径的传统模型。人工智能可以理解内容的细节，并使用该信息来个性化学习体验。这种方法比杂乱的学习体验平台（LXP）有效得多，因为后者通常无法真正理解内容的细节。
Uplimit 是一家致力于构建 AI 平台以帮助教授 AI 的初创公司，正在使用其Cobot 以及其他工具，为技术专业人员学习人工智能提供个性化指导和提示。 Cornerstone 的新 AI 结构按技能推荐课程，Sana 平台将 Galileo 等工具与学习连接起来，而新的 AI- SuccessFactors 中的功能还为用户提供了基于角色和活动的有组织的学习视图。
识别和发展技能：人工智能可以帮助识别内容中的技能并推断个人的技能。这有助于提供正确的培训并确定其有效性。虽然许多公司正在制定高级技能分类策略，但真正的价值在于可以通过人工智能识别和开发的细粒度、特定领域的技能。Eightfold, Gloat,和SeekOut，可以推断员工技能并立即推荐学习解决方案。
用知识工具取代培训：人工智能在学习与发展中最具颠覆性的用例也许是完全取代某些类型培训的潜力。人工智能可以创建提供信息和解决问题的智能代理或聊天机器人，从而可能消除对某些类型培训的需求。这种方法不仅效率更高，而且效果更好，因为它可以在个人需要时为他们提供所需的信息。
沃尔玛今天正在实施这一举措， LinkedIn Learning 正在向 Gen AI 搜索开放其软技能内容，很快 Microsoft Copilot 将通过 Viva Learning 找到培训。
这里有一个重要的“陷阱”：我们必须教会自己（和员工）如何“提示”这些系统。我确信我们的人工智能工具将很快变得更加智能、更具对话性，但到 2024 年，我们将花费大量时间教用户如何提示人工智能系统为我们提供我们想要的答案。
这里潜力巨大
在我作为分析师的这些年里，我从未见过一种技术具有如此大的潜力。人工智能将彻底改变学习与发展领域，重塑我们的工作方式，以便学习与发展专业人员可以花时间为企业提供咨询。
L&D 的未来已经到来，而这一切都由人工智能驱动。
-
Josh Bersin
LinkedIn宣布在招聘和学习中推出人工智能的功能
本周，LinkedIn 在其两款旗舰产品中宣布了一些大规模的 Gen AI（生成式人工智能） 功能：LinkedIn Recruiter 和 LinkedIn Learning。让我给你一个概述。
让我从 LinkedIn 学习开始。
如您所知，学习是一个复杂的过程。员工希望提出问题，从一个主题跳到另一个主题，并就下一步需要了解的内容获得建议。LinkedIn Learning的产品团队刚刚推出了他们新的人工智能辅导功能，允许用户提出问题，并根据对他们的技能和角色的洞察，从为他们量身定制的课程中获得叙述性答案。
考虑下面的演示。正如您从“Learn with AI”按钮中看到的那样，用户现在可以提出问题并获得课程生成的叙述性答案。LinkedIn最初专注于软技能 ( PowerSkills )，并计划随着时间的推移将此功能扩展到其他课程。
这一功能很可能出现在许多其他学习平台（例如我们的 JBA Copilot）上，对市场产生巨大影响。我们不再需要参加一小时的课程或在互联网上搜索有关某个主题的提示：整个学习图书馆突然解锁以提供内容、参考和支持。
这不仅为 LinkedIn Learning 增加了巨大的价值，还引出了教练网络走向何方的问题。我不会详细讨论这个话题，但随着时间的推移，这些类型的“助教”或“一线教练”可以帮助员工解决心理健康问题、个人关系挑战，当然还有有关技术、工具、编码和数据分析的问题。
LinkedIn 正从管理和软技能课程开始，但你可以看到它的发展方向。其他供应商（例如 Udemy）也在致力于此。
LinkedIn Recruiter
招聘人员有许多手册写作和分析任务。我们必须编写职位描述、设置采购查询、向候选人发送电子邮件、回答候选人问题、安排面试、记录和分析面试、撰写工作机会，甚至分析和协商薪资。所有这些步骤都需要时间、需要数据，并且常常成为瓶颈，因为涉及审批和其他因素。
输入 LinkedIn Recruiter 的“自动化工具”。看看这个演示，它真的会让你大吃一惊。
LinkedIn 将这些产品创新分为四类：
人工智能辅助候选人发现：快速、轻松地寻找、筛选、选择、技能分析
更智能的建议：建议地点、职位、技能、公司和其他可扩展搜索结果的条件
简化候选人外展：人工智能辅助的 InMail、自动 InMail 后续消息、CRM 和电子邮件集成。
可操作的数据和见解：用于分析招聘广告、发布绩效、流量和许多其他内容的深入报告和见解。
正如您所看到的，人工智能可以帮助和自动化我们在招聘过程中所做的许多耗时的事情。在每一步中，“生成”或自动化流程都可以由 LinkedIn Economic Graph 或您自己公司的庞大员工和候选人信息数据库中的数据驱动。
考虑一下招聘人员的人工智能辅助消息传递的演示。您可以看到 Gen AI 如何节省数小时的时间，并以高度调整的“助手”方式利用技能数据、劳动力市场信息和公司价值。
搜索同样重要。正如该演示所示，用户可以轻松替代招聘人员必须学习的复杂“多面搜索”或布尔逻辑。人工智能可以提示用户并迭代搜索路径，而不必强迫用户了解系统中的每个搜索条件和数据元素。他们可以用自己的话进行搜索。
底线：生成式人工智能将改变我们招聘、雇用、设定薪酬和学习的方式。作为招聘和学习市场的强大领导者，LinkedIn 向我们展示了 Gen AI 如何成为提高生产力、改善运营并帮助员工和招聘人员在工作中变得“超级强大”的工具。
-
Josh Bersin
大咖谈：生成式AI在人力资源中的作用日益重要，谈HR不同领域的应用场景
编者注：本文Josh Bersin深入探讨了生成性AI（Generative AI）在人力资源（HR）领域的变革性作用。谈到生成性AI不仅能够整合和分析分散在多个系统中的大量员工数据，还能帮助HR团队更高效地解决招聘、员工体验、培训和合规等多个方面的问题。生成性AI的应用场景包括人才智能、员工体验应用、员工培训和合规应用等。这些应用不仅能提高HR团队的工作效率，还能为员工提供更个性化的体验。推荐HR管理者阅读了解，关注HRTech，了解全球最新HR科技动态。
人力资源是一个综合运营职能
让我们提醒自己，人力资源部门与财务、IT 和其他内部职能部门一样，是一个设计、支持和集成职能部门。人力资源部门与企业合作，处理无数复杂的问题：招聘、入职、培训、领导力发展、绩效管理、薪酬、奖励、福利、混合工作、组织设计、多元化战略、文化等等。在我们所谓的系统人力资源出现之前，大多数这些操作功能都是独立完成的。
如今，公司面临着竞争激烈的劳动力市场、高流动率和劳动力压力，以及重新培训、提高技能和明智地内部人员调动的需要。多样性和包容性、文化和领导力发展等问题仍然至关重要，人力资源团队还担心员工体验、生产力和内部效率。
HR 内部的数据遍布各处。一般大公司拥有超过 80 个面向员工的系统，每个系统都存储大量重要数据以帮助管理自己的区域。当业务领导者或高管想要做出改变、查看业务场景或修复表现不佳的团队时，他们需要将所有这些数据集中在一个集成位置。人工智能有望将这个梦想变为现实（更多内容见下文）。
当人力资源团队制定新的计划和解决方案时，我们还面临着不堪重负的劳动力问题。员工大部分都精疲力竭（87% 的人认为他们正在满负荷运转），因此我们必须简化工作、减少系统数量，并节省人们在管理职能上的时间（使他们能够在“最高许可范围内”运作） 。这意味着人力资源团队不断处理扩大服务数量、缩小服务范围并使其更易于使用的问题。人工智能AI对此有所帮助。
最后，人力资源团队正在转变为创造者、开发者和顾问。正如我们的系统人力资源研究指出的那样，人力资源的未来是更少的“支持代理”，更多的“顾问、产品经理、设计师和顾问”。这意味着越来越多的人力资源团队正在“构建事物”和“分析事物”，这本质上是生成人工智能所做的核心部分。
因此，从某种意义上说，生成式人工智能是解决人力资源团队面临的几乎所有挑战的完美新解决方案。
我们将如何实现这一目标：真实案例
在我们与数十家公司和HR科技供应商交谈时，让我总结一下我们看到的一些大型、高投资回报率的实际案例。
1/ 用于招聘、流动、发展、薪酬公平的人才情报
人才情报现已成为现实。公司可以使用基于 LLM 的系统（Eightfold、Gloat、Beamery、Seekout、Phenom、Skyhive）来识别员工的数百个特征（即技能），使公司能够智能地寻找候选人、决定谁已准备好晋升、调动人员寻找新的机会（人才市场），并确定薪酬不平等。
我们已经研究了这个领域好几年了，现在许多供应商都可以“现成”使用，并且使用来自 Lightcast 等提供商的数据，公司可以相对轻松地开始识别能力差距，研究外部市场的趋势，并使用人工智能为许多人力资源实践构建战略和运营解决方案。——我相信这个市场还很年轻，最终将颠覆许多核心 HCM 参与者。
在招聘中，现在有一些AI插件可以生成职位描述，针对不同的角色进行调整，创建个性化的候选人电子邮件，并丰富您自己的简历。这些工具正变得越来越智能：它们现在可以个性化招聘流程的每个部分，从而节省招聘人员的外展和写作时间。例如，我刚刚看到不少最新的人工智能职位描述生成器，它可以让你根据技能、技术和许多其他因素调整描述。
2/ 员工体验应用程序（入职、工作过渡、管理）
第二个增长空间是“智能员工聊天机器人”，它将文档、支持材料和交易系统整合到一个易于使用的体验中。我们的一些客户正在尝试这一点，我们自己的 JBC HR Copilot 为人力资源专业人员本身提供了这种类型的解决方案。这些实际上是企业应用程序，公司将自己的内容放在一起，制定数据安全策略（我们不希望每个员工看到每个文档或流程），然后使用“编排”工具将聊天机器人连接到企业系统。
IBM Watson Orchestrate 就是为此而设计的（SAP 现在正在使用），并且平台供应商和 HCM 提供商将提供许多此类工具。Workday Assistant 是第一代尝试 - 一旦您将各种人力资源系统的知识与流程文档结合起来，聊天机器人就可以最终取代我们所有的员工门户。
到目前为止，我们发现这些应该首先关注狭窄的用例，然后再进行扩展。例如，一家大型连锁酒店刚刚构建了一个聊天机器人，旨在帮助前台工作人员准确了解如何为高净值客户提供服务。它连接到预订系统，帮助员工了解如何为该客户定制服务。想象一下像这样的入职工具、领导层过渡系统等。
每个 EX 供应商都希望参与其中。Firstup 等提供商使用人工智能为每个人单独定制员工通信。这将成为我们用于许多员工体验应用程序的一组核心功能。
3/ 员工培训和合规应用程序
价值 3500 亿美元的员工培训行业迫切需要生成式 AI。我们已经看到了一些工具，可以从文档生成培训，自动创建测验，并利用现有内容并将其变成“教学助手”。就在昨天，我与一位客户交谈，他刚刚与供应商建立了一个新的领导力发展计划。我们讨论了将这些内容放入我们的 Copilot 中，以便通过经理的对话界面“按需”提供。一旦有了人工智能平台，这并不是一个困难的项目。
但还有更多。Cornerstone、Docebo、Degreed 等公司现在正在使用 AI 来智能推荐内容（基于人才智能，而不仅仅是点击流），根据角色、团队、位置和员工活动生成和推荐微学习，甚至将 AI 用作游戏“提示”员工了解更多信息。
举个例子：我们刚刚在公司的培训学院启动了一个微型学习项目，向人力资源人员传授人工智能知识。例如，该课程由一系列互动问题、小笔记和手机上的互动组成，可以导入到我们的副驾驶中，并在有人提问时提供。这些并不是现成的解决方案，但我们已经很接近了。
请记住，学习与开发团队的大部分工作都是围绕内容创建展开的。这些构建角色、图像、场景和视频的新一代人工智能应用程序将被 L&D 团队广泛使用。我刚刚找到了一个工具，可以拍摄长视频（即讲师指导的课程）并快速找到“最有趣”或“最密集”的内容来创建迷你片段。想象一下，您将不得不拍摄长视频并将其转化为章节、点播学习以及新知识学习的促销活动。
4/ 员工发展和成长应用程序
接下来是帮助员工发展职业生涯的大量新工具和平台领域。感谢人才智能平台，我们现在拥有由人工智能（而不是你的老板）生成的“职业道路”。这些系统会考察您的技能和经验，并（以图形方式）向您展示您拥有的所有成长选项，所有这些都基于数百万人的经验。
例如，您是否知道从事分析工作的营销经理可以进入数据科学、网络安全甚至财务分析领域？或者，一个在医院做小时工“交通支持”的人可以加入职业道路，成为一名 X 射线技术人员或临床护士？
这些路径都是由人工智能揭示和解释的，这些新系统准确地向你展示了你需要学习什么、你必须获得什么认证，甚至你可以和谁谈论这条路径。实际上，我们正在为人力资源专业人员开发此类解决方案（即将推出），您会惊讶于这些工具的帮助之大。
为什么人工智能如此重要？因为这从根本上来说是一个大数据问题。我不可能猜测一个人在我们公司可能拥有的所有职业选择，但如果我将他们的个人资料和历史记录插入八重职业导航器或其他系统，我们都可以看到许多我们从未考虑过的选择。
想想这将如何帮助没有学位的员工在职业生涯中取得进步。不再需要在网站上逛来猜去哪里申请工作——这些职业导航系统将改变许多人的生活。
5/ 绩效管理和运营改进
人工智能应该用于绩效管理吗？嗯，我不希望这些系统写绩效评估，但是，是的，它们会有很大帮助。考虑一下我们每个公司都遇到的典型问题：一个团队、一个工作组或一个个人表现不佳。这个群体或个人的数量落后，他们的项目迟到，或者他们的质量不合格。我们是否要等待经理找出问题所在并让他们弄清楚该怎么做？
这就是今天的运作方式：每个经理都必须猜测、弄清楚并决定对绩效不佳的个人、团队或项目“做什么”。为什么不让人工智能为我们做一些事情呢？例如，我们已经看到一些应用程序可以向您展示公司绩效的综合“视图”。从很多方面来说，这都是一个数据问题。
例如，如果我们发现超过一定规模的项目团队根本无法完成工作怎么办？如果我们查看团队的技能构成并发现缺少一项重要技能怎么办？也许终身教职是问题所在（顺便说一句，这通常是问题）。也许多样性阻碍了团队的发展。
虽然直线经理可能不会进行此类分析，但我可以向您保证，人力资源顾问很乐意在这里提供帮助。这些更广泛的组织设计和绩效项目无处不在，一旦我们在人工智能系统中拥有了所有数据，我们就可以简单地向它提问。
我问Google 的 Bard，“请比较一下雪佛龙和埃克森美孚的财务增长、回报和利润率。” 大约十秒钟就完成了相当不错的工作。想象一下，如果您在自己的公司中跨团队这样做会怎样？一旦我们将内部数据输入正确的人工智能系统，这将成为常规且常见的事情。
6/ 保留、混合工作、幸福感、敬业度分析
这引导我进入最后一个重要领域：研究、分析和提高员工保留率、福祉和敬业度。
我接触过的每家公司现在都在处理员工倦怠、福祉和其他敬业度问题。几十年来，我们依靠调查和各种基准来试图弄清楚该怎么做。是的，良好的反馈系统可以为我们提供大量有帮助的信息。
但是，如果我们只是将这些数据放入我们的大型人工智能平台并询问一些问题会怎样？“影响销售部门人员流动的最重要因素是什么？” 可能是经理。这可能是一种补偿。可能是终身教职。可能是别的东西。
是的，我们总是可以使用调查、市政厅和其他倾听方法来做到这一点。但如果我们只看数据呢？我们已经多次介绍过美国银行学院的故事，讲述的是一家公司通过详细分析数据“发现”其人才问题的故事。例如，他们发现银行余额与分行员工的任期密切相关。终身任职是由许多其他因素驱动的：人们在职业生涯中如何被聘用、入职和支持。通过进行该分析，他们能够显着提高业务绩效和保留率。他们的敬业度调查永远不会指出这一点。
你是如何开始的？
这给我们留下了一个大问题：如何开始？让我分享一下我们学到的东西。
首先，与其“追逐技术”，不如“爱上问题”。
换句话说，您想关注什么问题？是员工入职吗？人力资源自助服务？小时工排班和轮班管理？这意味着让您的团队聚集在一起确定投资的优先顺序，因为构建基于人工智能的解决方案并不像您想象的那么简单。
其次，一旦您决定从哪里开始，就该让 IT 团队参与进来。这些用例中的每一个都会变成一系列数据质量、数据管理、数据字典、然后是安全、业务规则和机密性的问题。
请记住，“将信息扔进法学硕士”可能听起来很有趣，但即使它有效，你也只是让各种各样的人访问他们可能不需要、不想要、甚至不被允许看到的信息。因此，聊天机器人的实施意味着同时关注用户体验、数据管理、搜索和编排。
我们自己的副驾驶工作已经给了我们这样的经验。一旦你收集到数据（在大多数情况下，并不清楚谁拥有什么），你必须开始测试 Gen AI 用例，定义安全规则，并决定你想要什么（如果有）后端编排。这些并不像“将一堆电子表格扔进 OpenAI 并开始提出问题”那么令人兴奋，但这正是真正的解决方案需要做的。
第三，你必须意识到，人工智能系统与交易系统不同，它负责照顾和喂养。“及时工程”意味着调整系统以正确回答问题，找到数据或文档中的差距，并不断努力保持用户体验简单。一旦聊天机器人或其他系统投入运行，我可以保证将会需要更多（和新的）数据。
从很多方面来说，新的人工智能系统就像一个新生婴儿。它必须学习如何走路、说话、举止以及避免麻烦。在您真正使用之前，现成的工具不会执行此操作，因此您需要 IT 的帮助来确保您的系统在增长时具有可持续性和可支持性。
人工智能将如何影响人力资源本身？
还有一个关于你的角色的大问题。这些新系统会让你被淘汰吗？
答案显然是否定的。这些智能系统是数据饥渴的恶魔。一旦构建它们并添加正确的信息，您将成为分析师、聊天机器人培训师、产品经理和设计师。查找信息和分析信息的许多平凡工作可能会消失，但了解要使用哪些信息的更高级别的工作将保留下来。随着新应用程序的到来，将会出现许多新的工作来负责人工智能系统、调整它们并不断改进它们。
让我向您告别：尽管这个领域令人兴奋不已，但人力资源中的人工智能实施仍然是技术项目。它们与任何交易系统都存在许多相同的问题和挑战，并且系统本身一直在“学习”。
我可以向您保证，整个领域既被过度炒作又被低估。如果您从小事做起，亲自动手，并带上您的 IT 团队，那么您将开始在我讨论的任何领域看到令人震惊的商业利益。
-
Josh Bersin
大咖谈：建立基于技能的组织—令人兴奋但清醒的现实
JoshBersin这篇文章的核心介绍了以下几点：
基于技能的组织的概念：这是一种无偏见、无政治的公司，决策基于技能、绩效和表现。我们将创建一个全球技能数据库，通过人才智能，我们将能够看到趋势技能、技能缺口，并对招聘、晋升、薪酬和领导力更加科学。
技能的重要性：技能在商业中一直很重要。然而，我们要记住，最重要的技能（我称之为“PowerSkills”）尚未被包括在内。公司的成功基于文化、雄心、学习敏捷性和一致性。
技能分类的复杂性：商业技能分为许多类别，每个公司对不同类别的价值评估也不同。技能包括技术熟练度、操作熟练度、功能熟练度、行业熟练度以及管理和领导熟练度。
新的变化：最大的变化是建立一个公司技能分类法，一个单一的“动态数据库”用于技能。
技能技术的挑战：尽管市场仍然不成熟，但许多智能AI供应商现在提供解决方案。这些系统不仅仅是数据库：它们是AI工具，理想情况下，它们使用第二代AI来不断找到技能，推断技能，并为每个工作、人员和职业路径更新技能。
详细内容请查看原文翻译：
在新的AI工具和技能技术的推动下，几乎每家公司都希望成为“基于技能的组织”。
前提
让我们从前提开始：白皮书所提倡的想法是，我们将创建一家公正、无政治的公司，其决策基于技能、精英管理和绩效。供应商承诺，我们将拥有一个全球技能数据库，通过人才智能（的奇迹，我们将能够看到趋势技能、技能差距，并在招聘、晋升、薪酬和领导力方面变得更加科学。
这个概念的背后是我们可以用激光精度“标记”或“评估”每个人的技能。许多人工智能工具，包括我们用于GWI 研究的工具，今天都承诺做到这一点。他们如何评估我们的技能？他们利用人工智能的魔力来查看我们的工作历史、绩效、工作产品和其他来源，以推断、建模和预测我们擅长什么、特别擅长什么以及下一步需要学习什么。
多么辉煌的愿景啊。好处有很多：基于能力的公正招聘、定向人员流动到新角色以及帮助我们规划薪酬、招聘地点等的战略规划工具。
现实
这并不是一个新想法：技能在商业中一直很重要。
我（Josh Bersin）于 1978 年大学毕业，获得机械工程学位。毕业后，我面试了宝洁公司、波音公司、美国海军和其他组织。45 年前，每家公司都对我的技能感兴趣。我参加了测试，回答了技术问题，向面试官介绍了我的技能，并在面试中展示了我的熟练程度。
但这些公司并不天真。他们之所以问这些问题，并不是为了了解我在大学学到了什么，而是为了了解我的想法。后来我了解到，我在宝洁的行为面试旨在解读我的个人目标、我的心态、我的思考能力和我的沟通能力。虽然这些可能被归类为技能，但它们比弄清楚我是否知道如何用 Java 编码要复杂得多。
半个世纪后的今天，我们感觉我们正在倒退。我们非常关注用于识别技术技能和通用业务能力的工具和系统。虽然这些工具和系统令人惊叹，但我们必须记住，最重要的技能（我称之为PowerSkills ）仍然被遗漏了。正如我的 IBM 经理常说的，“硬技能是软技能”，而“软技能才是硬技能”。
换句话说，公司的成功取决于文化、雄心、学习敏捷性和一致性。虽然我们希望评估技能来定义工作、角色和发展，但我们还必须假设每个人都可以（并且必须）持续学习新技能。这意味着我们需要对技能有更全面（用我们的语言来说是“系统”）的看法，而不仅仅是技术熟练程度。
哈佛大学教授鲍里斯·格罗伊斯堡研究了世界顶级投资银行家的表现。这些人在金融产品、交易和大额交易方面拥有很高的技能。他发现了什么？如果你将一位“高技能”的投资银行家从一家公司调到另一家公司，他很可能不再是一名高绩效人士。他的“超强表现”技能实际上并不是他的技术技能，而是他利用组织并知道如何完成工作的独特能力。
因此，建立技能分类可能很复杂。正如我们的研究发现，商业技能分为许多类别，不同的公司以不同的方式评估每个类别。虽然通用技能固然很重要，但推动价值的是您在公司中使用它们的方式。
技术能力（编码、软件、IT 系统、医疗程序等）
操作熟练程度（运行设备、修理泵、安全程序等）
职能能力（营销运营、CRM、产品管理、工程、设计）
行业熟练程度（了解石油和天然气行业、化学品、软件业务等）
管理和领导能力（管理团队、领导业务等）
每一项都充满了“技能”，以至于像 Lightcast 这样的公司汇总了数万个职位的技能，建立了包含数万到数十万种技能的动态库。除此之外，我们还拥有人工智能推断技能的广阔新世界，例如它自己得出的“处理异议”或“分析财务报表”。
那么这里有什么新内容呢？很多。
考虑到这些复杂性，什么是真正的新鲜事？最大的变化是对建立企业技能分类法的兴趣，这是一个单一的技能“动态数据库”。
这种分类法与过去的能力模型不同。这是一个巨大的数据集（数以万计的分层技能），分类法中的每个词都存在争议。我们应该使用“协作”还是“团队合作”？我们应该使用“java”、“java 编程”还是“java 语言”？
有数百种现成的分类法，每个行业都不同。能源公司拥有炼油、生产和分销技能。消费品公司拥有品牌营销、产品营销和渠道分析技能。制药和化学公司拥有科学、遗传和受监管的制造技能。
有些技能必须经过验证：像 Kahuna 这样的整个平台可以让您决定谁可以验证技能以及何时必须重新验证技能。以及其他技能需求评估：建立在领导力、管理和其他软技能模型的基础上。
您可以看到这有多么复杂，并记住每个公司都是不同的。您的公司可能重视创新和产品设计技能；您的竞争对手可能专注于制造和分销。
我们怎样才能把这一切放在一起呢？这不是一个“沸腾海洋”类型的问题吗？
公司倾向于走两条路。路径 1 是建立一个技能分类团队，然后创建一个与业务部门合作的长期流程，以就语言和分类架构达成一致。这可能有效，但最终它有很多失败点。如果没有真正在行动中测试这些技能，它们可能需要调整，因此这通常需要很长时间。
我们推荐的路径 2 是从关注一个问题开始。根据该问题，您可以构建分类法的一部分，创建设计和治理流程，并了解哪些工具最有效。
爱上一个问题
让我给你一个现实世界的例子。假设您的客户服务人员流动率很高，且士气低落。
当您深入研究问题时（我们称之为“爱上问题”），您会意识到客户服务面临的挑战是广泛的。该团队被分成专注于不同产品领域的小组，这使得他们的工作变得无聊和重复。因此，您与团队领导坐下来，开发客户服务的“技能模型”。
当您构建模型时，您会发现很少有员工接受过交叉培训。还有一些根本没有受过训练！现在，借助您的技能模型，您可以决定如何重组团队（还发现其中一些“技能”可以通过 ChatGPT 实现自动化）、开始交叉培训并识别高绩效者。
你现在还发现你的一些人不适合。因此，您可以使用技能模型来寻找其他内部候选人并更好地从外部寻找资源。当您寻求招聘时，您会建立评估或面试问题来“根据这些技能进行招聘”。
美国运通实际上几年前就这样做了。他们意识到，美国运通销售和服务团队所需的“技能”根本不是客户服务技能，而是接待技能。美国运通对待客户就像对待客人一样，因此他们开始从丽思卡尔顿和其他酒店公司招聘人才。需要基于技能的分析才能解决这个问题。
正如你所看到的，当你专注于一个问题时，工作可以很快收敛，你就可以解决一个真正的问题。我们刚刚采访了一家使用这种方法更清晰地定义其网络安全角色的公司，发现他们可以通过雇用更多初级候选人为每位员工节省 20,000 美元。
这种分析可以帮助您决定是“购买还是培养”这些技能。2020 年，我们对 3 家公司进行了研究 ，发现“培养技术技能”的成本可能比购买（招聘）便宜六倍。
这样的技能项目比比皆是
这种方法有很多用例。
在招聘中，以技能为中心的方法可以让您扩大候选人网络，通常可以找到最适合某项工作的内部员工。通过“技能邻接”技术，我们可以找到具有相似技能且适合某个角色的人。
基于技能的招聘减少了偏见。一家大型半导体公司告诉我们，他们现在使用基于人工智能的技能平台进行招聘（Eightfold），他们的整个候选人渠道增加了两倍多。他们通过在简历中隐藏姓名、性别和学历来寻找具有卓越技能的人。
在职业发展和成长方面，人才市场和内部流动工具带来了惊人的成果。劳斯莱斯使用基于技能的模型来寻找制造和生产专家，使人们能够轮换到工程和运营方面的新工作。大都会人寿、施耐德电气、强生和其他公司使用人才市场（基于技能的员工职位匹配系统）来促进零工工作、职业发展和人才流动。
在薪酬和奖励方面，公司正在尝试基于技能的薪酬。一家大型管道公司告诉我们，他们现在对各个职能领域（泵、仪表、电气工程）的维修技术人员进行认证，当技术人员获得相关技能证书时，他们的时薪会上涨 5-10 美元。想象一下我们可以根据技能模型分析的所有薪酬公平数据：这可能会帮助我们进一步减少不平等，无论职位级别或头衔如何。
在技术、IT 和科学领域，许多组织感到自己无法跟上。例如，您的公司为人工智能做好了多少准备？与我们合作的一家公司正在为其 IT 职能构建新的技能模型，他们发现许多员工正在研究已有 15 年历史的技术。新模式正在帮助他们招聘、重新培训和激发整个 IT/产品职能，从而提高招聘、保留率和生产力。
那么我们如何扩大规模呢？
从数据的角度来看，企业需要构建一种以业务为中心的方式来管理、治理和更新这些模型。
例如，爱立信为其大规模 5G 转型构建了明确的技能模型。该模型是由工程师、销售和营销团队以及首席学习官共同设计的。他们坐下来决定要解决哪些领域、角色和技术，并从那里确定了一个发展的模型。他们的新旅程是刷新所有 IT 技能。
纽约梅隆银行在 IT 运营中也采取了同样的方法。他们建立了“能力团队”，在关键工作角色（即产品经理、项目经理、分析）上进行协作，以便团队能够保持最新的技能模型。
当你以这种方式工作时——一个项目接着一个项目——努力就会获得动力。您会获得真正的成果，并且业务支持可以扩大。我们最近帮助一家大型软件公司构建了一个联合模型（协调工作的业务部门），以为其所有客户教育开发技能模型。通过以联合方式执行此操作，他们可以将其内部技能需求与客户的需求合并和管理，利用两个地方的内容和教育。
技能技术挑战
但是系统呢？所有这些技能应该存储在哪里？我们如何让它们保持最新状态？
虽然市场还不成熟，但让我分享一下我们所学到的东西。
许多智能人工智能供应商现在都提供解决方案。Workday、Eightfold、Gloat、Cornerstone、Seekout、Kahuna、Techwolf、Skyhive、Beamery、Phenom、Oracle、SAP 和 ServiceNow 均提供可帮助您存储和定义技能、在不同应用程序中利用它们以及通过各种方式评估技能的产品人工智能和评估技术。
不幸的是，它们各自针对不同的目的进行了优化。例如，Eightfold 可以自动识别职位描述中的技能，找到候选人，然后通过其复杂的模型识别趋势和相邻技能。Cornerstone 可以向您展示海量学习目录中涵盖的所有技能。Techwolf 可以从 Jira 和 Asana 项目中推断技能。Gloat 和 Fuel50 可以推断技能并将其与职业机会、工作和零工相匹配。
当然，每个供应商都希望成为“记录系统”。尽管其中许多供应商拥有大客户，但我们尚未找到一家可以使用一个平台处理所有事情的公司。因此，虽然我们可能在某个时候找到一个能够存储公司每项工作的每一项技能的单一“技能云”，但这一目标尚未实现。
供应商面临的问题是问题的严重性。这些技能系统不仅仅是数据库：它们是人工智能工具，理想情况下使用第二代人工智能来不断寻找技能、推断技能并更新每个工作、个人和职业道路的技能。他们必须拥有与市场上数百个技能库的开放接口（每个行业和每个工作类别都有许多分类法），并且必须拥有帮助您管理、分析、消除重复和整理这些数据的工具。
尽管有这样的说法，这些“技能推理”工具各不相同。招聘平台通常使用最多的数据进行培训。这些平台（Eightfold、Beamery、Seekout、Phenom、iCims）搜索并索引数十亿的员工历史记录，并使用时间序列、神经网络和绩效模型来推断技能。这意味着他们涵盖许多行业，并且可以识别和分析跨行业的许多工作类别的技能。
人才市场平台（Gloat、Fuel50、Hitch）往往深度较低，只是因为它们的目标只是“在公司内部进行匹配”。（Gloat 正在进入整体“人才情报”类别，现在正在跨越界限。）Gloat 推出了一款招聘产品，因此他们的平台显然也正在成为一个端到端的人才情报系统（他们称之为“劳动力敏捷性”） ）。
学习技能工具最不复杂（Cornerstone、Degreed、EdCast），因为它们的目标是将某人与课程或学习路径相匹配。（Cornerstone 现在也远远超出了这个范围，并构建了一个全新的 AI 结构来推断 7,000 名客户的技能。）
ERP 供应商（Oracle、SAP、Workday 等）最不复杂，因此他们更有可能成为“技能聚合者”，通过 API 来协调这些更专业的系统与其内部机器学习模型之间的技能数据。
在我们新的人工智能白皮书（即将发布）中，我们讨论了这些系统的工作原理，您会发现技能引擎必须做很多事情。它必须推断/访问数十亿的员工档案，需要进行时间序列分析，并且需要先进的人工智能（神经网络）来推断、识别和构建识别技能的模型。
随着时间的推移，每个技能技术供应商都会走自己的路。Techwolf、Retrain 等较新的供应商正在将公司数据视为技能推断的来源，现在在 Asana 或 Jira 中对信息进行索引。这些数据虽然有限，但却打开了一扇新门：想想 Microsoft Graph 中的技能信息。利用这些信息的供应商（Viva Topics 是为了文档管理而这样做的）可以了解更多有关内部技能的信息。最终这就是您需要的数据类型。
无论技术市场如何发展，成功的项目都会关注一个问题。宝洁建立了一个技能分类法，帮助他们在疫情期间加强供应链工作。路透社建立了一个技能分类法来帮助他们建立和扩大数据科学团队。爱立信的技能之旅始于 5G 重新设计。这样的例子不胜枚举。
当我们看到这些项目的进展时，我相信这项工作的好处是巨大的。开始这一过程的公司可以快速了解大量有关其员工的信息。他们开始了解治理流程。他们与供应商建立了经验，帮助他们确定谁可以扩展以满足他们的特定需求。
走向何方：从“工作”到“工作”
最后一点。这项工作比你想象的还要重要。正如我在《不可抗拒》中所讨论的，这项工作是更大转变的一部分，从“严格定义的工作”到专注于工作的“角色”。我们称之为商业“后工业模式”的黎明。
这意味着花时间仔细地做这件事是可以的。建立治理、尝试不同的工具并一步一步地“爱上这个问题”是可以的。因此，在未来几年中，我们将建立适应性更强、规模更大、生产力更高的公司。
基于技能的组织正在一步步地到来。如果您认真对待转型并考虑它将变得多么重要，您就可以制定一个可行的计划。
-
Josh Bersin
AI驱动的领导力发展产品：BetterUp Connect（产品介绍）
Leadership Development Powered By AI: BetterUp Connect
管理者不仅要处理远程工作、疫情，还要处理许多工作变动和裁员，他们自己也感到疲惫不堪。微软的新研究发现，53%的管理者“疲惫不堪”，这个数字甚至高于一般员工（43%）。
他们为什么会疲惫不堪？正如微软的研究所指出的，这是高工作负荷、压力和有限资源的结合。令人惊讶的是，员工还想要更多。81%的员工希望他们的经理帮助他们更好地优先处理工作负荷，76%的员工希望得到发展和职业支持。我们如何帮助我们的压力过大的经理们成功呢？
好吧，BetterUp，一家开创了数字化实时教练的公司，刚刚推出了一项令人兴奋的新产品。它被称为BetterUp Connect，你可以把它称为“经理的精准开发”（当然是由#AI驱动的）。
这里有个问题。只有不到 15% 的组织拥有覆盖所有管理人员的端到端领导力发展计划。虽然有些组织为每位员工花费数千美元用于领导力发展，但平均水平不到 500 美元。这并不是因为缺乏兴趣：只是为公司的每位经理构建一个可扩展的、个性化的计划非常困难。
这就是BetterUp试图解决的问题。在过去的几年里，通过收购几家技术公司，BetterUp建立了一个AI驱动的数字平台，可以评估管理者的需求（使管理者能够定义他们面临的挑战），设计一个定制的解决方案（使用BetterUp的内容、教练和工具），整合公司的专有培训，并在工作流程中提供个性化的支持。
我相信你们中的许多人都参加过管理培训课程。一开始它们很有趣，但除非你有一个实际的教练或教练，否则它们往往会变得无聊或乏味。BetterUp知道这一点，所以Connect被设计成给你提供提示，小视频或学习材料，并在需要的时候将你连接到一个教练（或小组教练会议）。由于这是基于平台的，所以这个解决方案可以扩展到数千个管理者。
并且，可扩展性的故事更深入。BetterUp Connect不仅让你添加自己的内容，它还可以连接到你的ERP系统，根据管理者的职业生涯触发新的培训和发展。假设你刚刚被提升？Connect产品将被Workday或其他HCM通知，并立即欢迎你并帮助你开始你的发展。其他触发Connect的周期包括团队重组、绩效评估周期，甚至裁员。你作为一个组织，可以自定义这些事件，并配置Connect来解决这些问题。
就像所有的BetterUp产品一样，用户体验令人印象深刻。系统不仅简单易用，还为管理者提供了很多“眼睛糖果”来鼓励他们学习，它用提示和提醒来推动他们，并使找到教练变得非常容易。并且预定义的“挑战”（可以定制）涵盖了管理者面临的存在性挑战。
样本挑战包括：平衡工作和生活，建立信心，发展团队凝聚力，教练和发展他人，应对裁员，给予反馈，推动清晰和一致，管理压力，管理上行和横向，提供绩效评估，优先考虑你的时间，当然还有“成为一线经理”。
每一个挑战都被包含在一个新的BetterUp“伟大的管理者”模型中，这个模型很容易理解。所以当管理者学习和发展时，他们可以探索这个模型并扩展他们的能力。由于BetterUp的很大一部分是关于健康和赋权，因此这些体验具有发展性、平易近人且具有支持性。
我发现最有趣的创新是学习模型。BetterUp没有只是基于主题（如多元化、反馈等）“提供内容”，而是为管理者提供了五个学习级别：
应对：给予管理者缓解、灵感和能量
学习：微型学习和研讨会
反思：评估、反思活动和辅导
正在做的事：教练圈子、挑战和任务
存在：责任、进度报告和奖励。
当然市场上还有许多其他的解决方案。Franklin Covey（Jhana是为这个受众设计的），Torch（也是有教练的规定性发展），LinkedIn Learning（广泛的视频课程范围），DDI（围绕DDI的管理模型构建）等。并且还有更多的规定性管理工具即将到来 - Sana，Docebo，Novoed和Cornerstone等平台都正在变得以AI为中心，使得这种类型的解决方案比以往任何时候都更有可能。所以请继续关注这个领域的大量公告。
BetterUp Connect独特之处在于其大规模个性化的能力。AI驱动的平台提供自我评估，各种学习格式，教练，以及HCM集成，所有这些都以非常合理的成本提供。也许最后我们会看到公司开始为他们辛勤工作、工作过度的中层管理者提供端到端的管理支持，他们真正构成了公司的骨干。
鉴于管理者今天面临的挑战，这种解决方案的出现正是时候。
-
Josh Bersin
Josh Bersin认为的未来趋势：人工智能时代员工成为“超级工人“，而公司和团队将会变得更小！
随着我们都开始了解人工智能在公司中的作用，一个新的时代已经出现了。我称之为 "超级工人 "的时代--公司里的每个人都拥有他们以前从未经历过的 "超人 "力量。
是的，由于人工智能，我们都有机会获得信息、洞察力、教育和我们过去努力工作才能获得的观点。我们的新人工智能系统HR Copilot（我们将在下周的会议上进行预览），使人力资源专业人士能够获得20多年的研究、供应商分析、案例研究和劳动力市场数据--所有这些都来自一个提示。因此，人力资源专业人员，就像所有的工人一样，突然有机会获得过去需要几个小时（或几个星期）才能收集到的信息。
如果你看一下全球经济的生产力（以每小时工作的国内生产总值衡量），曲线几乎是直接向上倾斜的。换句话说，人工智能的时代，我称之为 "智能时代"，将导致员工和工人拥有前所未有的超能力。而这些人，我们可能会为某个特定的工作而雇用，很快就会有多学科的能力，这仅仅是由于基于神经网络的学习和信息检索的力量。
正如杰弗里-辛顿（Geoffrey Hinton）在其最新的讨论中所描述的那样，生成性人工智能不仅仅是一种 "寻找或组合信息的更快方式"。它将来自数千个来源的信息连接起来，并以我们以前从未见过的速度将其同化为背景。因此，在我们的案例中，正在处理薪酬问题的人力资源专业人员可以立即看到任期、多样性、工作级别，甚至绩效的作用都在一个地方。
我曾要求巴德做一些事情，比如 "分析埃克森与雪佛龙的财务业绩"，在短短一分钟内，它就向我显示了毛利率、储备、市值、盈利能力以及其他一系列需要花时间才能弄清楚的指标的变化。它将多方面的信息汇集在一起，并将其作为一个整体做得相当好。
这就引出了我演讲的主题：如果我们假设我们的员工会通过这些工具成为 "超人"，那么我们如何利用所有这些智能和生产力，使我们能够作为一个整体的、有利可图的组织来运作？公司不是由员工的总和组成的：它们 "比员工的总和还要大"，创造出各种协同效应，以及通过学习、创新、协调和文化发展起来的团队倍增器。
考虑一下苹果的Vision Pro。根据我的消息来源，有数千人在这上面工作了7年。这项工作的结果并不是1000人独立进行工程创新的总和。而是将这些人集合成团队、小组、项目和学习的结果，形成了一个壮观的、定义类别的产品。
正如我之前描述的那样，这为一个新的想法让路，我称之为 "组织的独创性"。在《不可抗拒的组织》（书）的七个原则基础上，我们现在必须重新思考我们的公司如何工作，假设每个员工都能以比以往更快、更综合的方式获得信息和见解。
想象一下，客户服务将如何工作，或销售，或营销，或工程。生成性人工智能不仅仅是帮助他们更快地写电子邮件或制作时髦的小册子的工具--那些是小的、渐进的改进。随着信息开始以更快的速度和更综合的方式流动，我们如何才能重新调整这些群体，使他们的生产力提高一个数量级？
(PS：我对Salesforce的重大人工智能创新是让销售代表更快地发送刺激性的电子邮件印象不深。在过去的两周里，我被人工智能驱动的垃圾邀约淹没了。这 "不是 "独创性的工作）。
我不会在这里泄露所有的秘密，但有一件事我要提到。我认为公司将变得更小。如果说我们从大流行病和我们今年所做的所有系统性人力资源研究中了解到一件事，那就是大多数经理和领导仍然按照 "让我们雇用更多的人以使我们的公司更快地发展 "的思路思考。我认为这一原则很可能会被颠覆。新的口号可能是 "我们如何减少该小组的开销和官僚主义，并利用人工智能使其运作比以往更快、更综合"。
这需要人才管理、工作架构和组织设计方面的重大转变。正如我在本周的博客中简要讨论的那样（我们将在洛杉矶谈论更多），我们需要一个 "后工业化 "的组织设计、绩效管理、问责制和领导力模式。而这，我相信，将是未来最大的创新。
加入我们的旅程，这将是领导力、人力资源和持续学习世界中令人兴奋的十年。
来源：joshbersin
-
Josh Bersin
【重磅必读】Josh Bersin认为AI加持的下一代的HR软件时代已经到来！以全球HR科技玩家为例-HR科技达人必读（多图）
人力资源软件构成了世界上最大的技术市场之一。据我们估计，这是一个价值 2500 亿美元的市场，包括薪资系统、核心人力资源平台、招聘、培训、福利和数百种其他应用程序。在过去的五年里，随着公司适应混合工作和大流行，市场出现了爆炸式增长。就在上周， Workday 宣布其订阅收入增长率为 20.1%，目前每季度达到 13 亿美元。
在过去的二十年里，这些系统发生了根本性的变化。在 1980 年代和 90 年代，这些工具主要是为薪资管理员、人力资源经理和 IT 员工设计的后台工具。从 2000 年代中期开始，这些系统全部迁移到云端，向员工开放接口。而今天，当我们都通过手机与数十种应用程序进行交互时，人力资源平台已经越界成为“工作”工具。
我们在工作中所做的一切，从安排会议到分析电子表格，现在都与人力资源系统有关。您的目标、反馈、团队互动、财务结果、招聘、团队领导和福利管理都是人力资源技术堆栈的一部分。随着我们大量使用这些工具（平均每个大公司有80 个这样的应用程序），它们开始融合在一起。
Workday、SuccessFactors、ADP 和 Oracle 等大型 HCM 参与者现在拥有合作伙伴生态系统来集成和简化所有这些工具。云架构的采用让这一切变得简单：一旦这些公司使用 API 开放了他们的应用程序，他们每个人都决定成为一个“平台”，而不仅仅是一个应用程序。甚至 ServiceNow 和微软 (Viva) 也参与其中。
多年来，我一直注意到这些系统的老化和遗留问题。虽然 Workday 和 SuccessFactors 等现代系统具有高度适应性，但它们的架构正在老化。Workday 成立于 2005 年，SuccessFactors 于 2001 年首次推出。虽然这些供应商以多种方式对其数据结构和架构进行了现代化和更新，但他们的核心系统仍然相当僵硬和脆弱。一旦您“实施”了这些系统，您就会遇到许多工作流程和层次结构决策，迫使公司随着公司的发展和变化而定期“重新实施”它们。
你品一下：根据 JPM Chase 的研究，超过75% 的公司在 15 年内倒闭或被收购。因此，您购买的任何 HCM 系统都必须适应性强、灵活且易于更改。没有人在这方面做得很好。
一个更棘手的问题是收集和分析数据。由于大多数公司都有许多系统（数十个招聘、培训、合规、福利、调查、福利和薪资系统），几乎不可能获得所有员工及其所有各种人力资源数据元素（培训、工作历史）的单一视图、绩效评级、反馈、薪酬、福利）所以 IT 部门必须做很多工作才能将这些整合在一起。像 Visier 这样的新平台彻底改变了这种新的“系统分析”解决方案，但大多数公司仍在苦苦挣扎。
在过去几个月中，我曾与麦当劳、GE等许多公司会面，他们都在处理这些数据问题。麦当劳希望在数十个工资系统中获得所有员工（和承包商）的单一视图。GE则正在将公司分割为三个独立的业务。在这两种情况下，他们认为他们需要对其人力资源管理平台进行全面的“重新实施”，这将耗费数千万美元并需要几年时间。
还有更多：我们如何获得综合数据（我们称之为“系统分析”）以综合方式查看人员流动、保留驱动因素、薪酬公平、内部流动性和技能？这些较新的人力资源计划需要以全新的眼光看待员工队伍，跨系统集成更多数据。顺便说一句，请记住，全球近三分之一的劳动力都是承包商，因此他们的数据在这些系统中几乎根本无法识别。
新架构如何使这更容易？
好吧，虽然这个市场的发展需要时间，但让我提出一些重要的建议。人工智能，媒体和投资界的宠儿，可能最终会带来我们需要的“新架构”。虽然还没有供应商构建完整的以 AI 为中心的 HCM 系统，但我相信它很可能会到来。
让我给你叨叨：
正如我在我们关于 AI 架构的新白皮书 中所讨论的那样，AI 解决方案分为三个系列：那些“添加了 AI”的，那些在他们的平台中构建“AI 功能”的，以及那些“建立在人工智能之上。”
正如我们在论文中详述的那样，第三类平台以 LLM 和神经网络为核心构建。它们不是将交易数据存储在传统系统中，然后添加机器学习来改善体验，而是首先建立在人工智能之上。在与这些公司的技术领导者多次讨论之后，我相信这可能就是未来。
考虑 LLM（神经网络）的真正工作原理。这些系统是“贪婪的数据分析器”，查看标记（单词）或数字，并以深刻而迷人的方式发现它们之间的关系。虽然我们从未真正确切地知道为什么一个人在工作中表现优于另一个人，但人工智能将能够为我们提供我们以前从未见过的线索。现在许多商业供应商将 LLM 作为产品和网络服务出售（Google、Microsoft、OpenAI、Nvidia、Anthropic、Amazon、Meta），这些平台越来越容易使用。
您可能会说，“没那么简单”——现有的交易系统存储了数百个数据元素，如今这些数据元素具有复杂的工作流管理、安全性、用户界面和完整性检查。我当然同意：这些 HCM 和人才管理系统对每家公司都很重要和必不可少。
但这些应用程序的问题在于它们不灵活。随着公司的发展和变化，系统会随着时间的推移变得越来越“复杂”和“有缺陷”。这就是为什么像 Microsoft、Allianz、Nestle 和其他公司这样的大公司拥有庞大的 IT 团队，专注于流程协调、数据完整性和架构以保持同步。
从某种意义上说，这就是 ServiceNow 发展如此之快的原因。为了颠覆这个庞大的市场，Bill McDermott 和他的团队将他们的工作流引擎定位为“平台中的平台”，能够神奇地创建“跨越”这些后端系统的业务规则和应用程序，将遗留设计挑战转移到新层。正如他们的成长所证明的那样，公司迫切需要这个新的抽象层。
但这不正是大规模人工智能系统真正要做的吗？绝对没错。因此，我们可以期待基于神经网络和大型语言模型构建的 AI 核心系统缓慢但肯定会取代这些遗留系统。核心 HCM 供应商可能会走得很慢，但在大多数情况下，他们看到了这一点，所以他们正在尽可能快地前进。
例如，SuccessFactors 正在构建一个基于图形数据库的新 HXM 图形系统，旨在模拟我们大多数人正在迅速成为的高度去中心化、敏捷的公司。由于与 SAP 的许多集成，他们不得不缓慢行动，但他们清楚地看到了未来，并且他们现在正在试验它。他们已经将 Copilots 直接构建到应用程序中，为招聘人员、人力资源人员和其他人添加了生成人工智能。
我在 Workday 与机器学习负责人进行了长时间的交谈，他们也看到了这一点。虽然 Workday 认为他们的架构是合理的，但他们将 AI 模型视为 Workday 架构的重要扩展。因此，他们的工程师在构建新功能时会研究许多可能的 LLM 和 AI 模型，以尝试逐步增加其庞大应用程序的价值。
他们提到的第一个用例是能够“忽略”高度信任的员工的某些安全或工作流规则。因此，根据用户的历史记录、使用模式和公司历史，Workday UI 对于每个用户来说都是不同的。
虽然这些都是令人兴奋的努力和创新，但我认为它会走得更远。当我与 Eightfold、Gloat、Seekout 或其他“以 AI 为核心”的供应商交谈时，他们看到了更加广阔的未来。为什么人力资源系统不能预测和推荐我们所有的学习、发展活动、工作调动，甚至日常活动？如果您考虑 Microsoft Graph 中的智能，再加上由 Eightfold、Gloat、Seekout 和其他公司管理的海量数据集，您可以想象这些系统比 Workday 现在所做的要多得多。
然后我们看看像 Cornerstone 和 ServiceNow 这样的专业供应商。Cornerstone 的新 AI-fabric 旨在查看 7,000 名客户的所有学习和发展活动，并为您的公司提供有关内容、流动性、技能等方面的规范性建议。虽然他们的实施还很新，但我最近看到的演示已经开始实现这一愿景。Cornerstone 客户可以看到他们所在行业的其他人“推荐”了哪些行业技能、内容、职业和流动性，类似于 Eightfold 在招聘和人才管理方面的做法。
ServiceNow 也将此视为颠覆者。在听完 Bill McDermott 和他的团队描述他们的未来后，他们希望成为“企业的 AI 平台”，他们最近宣布的员工发展和成长（通过收购 Hitch Works）清楚地表明了他们的目标。他们希望成为您的“企业级智能平台”，最终以全新的平台架构取代 HCM 系统。
与所有这些主要的架构转变（迁移到云、迁移到移动设备）一样，迁移到 AI 一开始似乎令人困惑。大型供应商将缓慢而渐进地移动，而新的初创公司将以闪电般的速度移动。但有些人可能会破坏。我对Palantir 推出的基于 LLM 的业务系统特别感兴趣。它本质上是一个围绕专门构建的大型语言模型设计的 ERP（财务系统）。
我最近与 Eightfold 的联合创始人 Ashutosh Garg 讨论了这一趋势。他和我一样，也相信这种以人工智能为中心的架构会随着时间的推移而胜出。他们的系统可以集成和聚合几乎所有数据，因为它的架构非常开放。（传统的 ERP 系统并非为此而设计。）他认为“交易完整性”将成为 AI 核心的附加组件，本质上与现有供应商的方法相反。
该架构将走向何方
虽然我从不试图预测聪明先驱的创新，但我看到了广阔的新未来。五年前，当我们第一次描述“人才智能”时，我们本质上是在指出需要（和机会）使用 AI 来了解工作、角色、技能和员工在比贵公司现有员工大得多的数据集中的适应性. 随着时间的推移，同样的想法将接管所有 HCM 应用程序，仅仅是因为 LLM 和 GPU 现在使它成为可能。
在我看来，企业管理的大部分要素都归结为人的判断。雇用谁、提拔谁以及调任新职位都是我们根据个人判断做出的艰难决定。当您添加其他决策时，例如让团队有多大、如何提高生产力以及如何更快地培养新技能——甚至需要更多的“猜测”。然后还有诸如“给某人多少薪水”或“谁应该担任总经理”之类的问题，这些问题既棘手又重要。
这是供应商提供的 LLM 还是您自己的？两种选择都可能可用。小型公司将使用供应商提供的现成 LLM；大公司将在受保护的、完全安全的环境中使用内部数据来运行自己的系统。
如果我们使用 LLM 来帮助做出这些人才和人力资源决策，我们的公司将会运行得更好。是的，人工智能永远不会完全取代人类的判断。但是想象一下，如果你能看到给定决定的统计证据然后应用判断？我知道这将极大地改善我们的决策。
这些生成式 AI 架构确实是下一件大事。Nvidia 的联合创始人兼总裁黄仁勋称 LLM 为“我们这一代最大的计算机行业转型”。我必须同意。
我们新的 AI 白皮书描述了这些“基于 AI 的”决策的许多示例，您会惊讶于它们的强大功能。虽然我无法预测这种转变会以多快的速度发生，但我相信我们现在已经拥有了我们一直在等待的“下一代”HCM 架构。
-
Josh Bersin
ServiceNow大胆引入技能、学习和成长的AI解决方案
JoshBersin 写了一篇文章介绍ServiceNow新推出了一个AI解决方案，主要是为技能、学习和成长领域大胆引入的AI解决方案。
核心主要是以下的信息：
ServiceNow推出了一款全新的产品，用于员工技能智能、学习、职业管理和人才流动性。这款产品是基于2022年6月收购的Hitch公司构建的，是一款全方位的员工发展、流动性和职业平台，与市场上的Workday、Oracle、SuccessFactors、Cornerstone、Gloat、Fuel50、Eightfold等类似解决方案直接竞争。
ServiceNow的新产品，名为"ServiceNow员工成长和发展(EGD)"，包含了许多公司希望用于发展和成长的功能。这个新平台扩展了ServiceNow在员工成长、职业管理和内部流动性方面的影响力，这些都是员工体验的一部分。
ServiceNow EGD的设计和用户体验先进且世界级。系统直观，将这个复杂的问题以引人入胜的方式整合在一起。ServiceNow包括一个经理仪表板（Manager Hub）和职业仪表板（Career Hub），旨在促进个人发展和经理主导的成长。
ServiceNow EGD还将让员工浏览和搜索内容，使员工能够编写和讨论他们的抱负，并使用AI将他们的抱负目标与角色、工作和内容进行匹配。
ServiceNow的AI如何？客户会询问AI的先进程度。它在哪些行业进行了训练？它能否以有意义的方式推断出技能、职位和职业？这些都是ServiceNow需要解答的问题。
总的来说，ServiceNow正在进入一个深度、复杂和非常战略性的领域。尽管面临竞争和挑战，但鉴于公司和团队的经验，预计ServiceNow在这个领域会取得成功。
以下是Josh Bersin 的原文翻译，请查看
正如我多次提到的，人力资源技术市场太大、太令人兴奋，无法忽视。今天，ServiceNow大胆地推出了一款全面的新产品，用于员工技能智能、学习、职业管理和人才流动。
这是一款基于2022年6月收购的Hitch公司构建的世界级平台，涵盖了员工发展、流动性和职业的所有方面。它直接与Workday、Oracle、SuccessFactors、Cornerstone、Gloat、Fuel50、Eightfold等市场上的类似解决方案竞争。
当我第一次被简要介绍这个产品时，我有两种反应。
我的第一个反应是一个问题：你确定你想跳进这个复杂的红海市场吗？
答案是肯定的：Gretchen Alarcon，高级副总裁兼总经理，深信ServiceNow可以在这个领域做得更好，主要是因为ServiceNow与其他HCM系统的深度集成，Hitch的技能智能引擎，以及公司已经广泛的员工支持、旅程、调查和转型服务。
我花了很多时间与Hitch的创始人Kelley Steven-Waiss交谈，我确信她有知识、热情和能量来实现这一目标。结合ServiceNow庞大的销售、营销和工程团队，他们有机会提供下一代的员工职业和发展解决方案。Kelly在ServiceNow保留了新的职位，副总裁和首席转型官（Kelly是前CHRO）。
记住，ServiceNow的策略是帮助管理端到端的员工体验，包括服务交付、IT服务、混合工作服务（桌面调度、资源）、入职和员工转型。这个新平台，员工成长和发展，扩展了ServiceNow在员工成长、职业管理和内部流动性方面的影响力，这些都是员工体验的一部分。
我的第二个反应是，ServiceNow是一个“快速跟随者”。虽然公司还有很多投资在前面，但这个产品仍然缺乏市场上相关产品的集成视野。
ServiceNow的产品包括什么？
新产品，名为ServiceNow员工成长和发展（EGD）ServiceNow Employee Growth and Development (EGD)，包含了许多公司希望用于发展和成长的功能。
如果你像我一样长时间研究员工发展和成长系统，你就会知道这些产品有着巨大的历史，每个产品的功能重点都略有不同。总的来说，这是一个3400亿美元的市场，包括学习管理系统、内容、人才市场产品和技能智能系统。
早期的学习管理系统（如Saba、Plateau、Cornerstone）有职业路径平台，旨在帮助受规管和运营人员规划他们的职业并开发和评估他们的技能。然后出现了LXP平台（如Degreed、EdCast、Viva Learning），这些系统使员工能够搜索和找到课程。他们还让经理和L&D领导者设置路径、课程、学习小组，甚至将文档和视频发布到学习系统。（ServiceNow计划连接到LMS系统，而不是在这个时候替换它们。）
在过去的五年里，出现了一种新的工具：人才市场。这些系统采用了一些以前的功能，并倾向于一个新的用例：帮助员工找到工作、项目、导师和任务以实现成长。人才市场供应商（如Gloat、Fuel50、Eightfold，后来是Workday和SAP）利用了一种新的商业动态：公司需要移动和使人们能够轻松地从低增长的工作转移到高增长的工作。这些新系统正在全世界的RFP中出现。
学习为中心的平台（LMS，LXP）已经构成了一个超过40亿美元的市场，这个空间充满了满足许多学习需求的平台。人才市场细分市场，其规模更像是3-4亿美元，其增长速度是前者的5倍，有可能超越并在某种程度上取代学习系统。甚至LinkedIn现在也提供了一个人才市场（在LinkedIn Learning内可用），大型供应商如SAP正在向这些系统投入数亿美元的投资。
所有这些东西的背后都是AI的快速增长角色。早期的学习平台有基础的AI工具，可以根据关键词和员工兴趣推荐内容或课程。更先进的系统（如Eightfold、Gloat和Hitch）实际上使用大数据AI引擎来识别员工的技能，并智能地将他们匹配到新的工作、角色和职业。随着AI的复杂度增加，这些系统将找到并推荐高潜力的职业路径，利用相邻技能的新机会，并告诉公司他们拥有、需要或随着时间的推移正在失去的技能的大量战略信息。
就在上周，Eightfold推出了其Workforce Talent Planning套件，利用其庞大的AI数据库帮助公司轻松识别趋势技能、需求技能，并为转型和增长制定职位和角色级别的预测和计划。像Gloat和Lightcast这样的公司也在开发类似的产品。（我建议你听我的新播客，深入研究AI，并解释基于AI的HR Tech解决方案的三代。）
所以，ServiceNow正在进入一个深度、复杂和非常战略性的领域。
他们会怎么做？
根据我对公司和团队的经验，我预测会成功。这个领域很复杂，大多数公司有许多单点解决方案，没有一个是完全集成的。Workday、Oracle和SAP都有让这一切协同工作的愿景，但他们缺少许多功能，市场变化太快，他们无法跟上。
当我看着产品和团队交谈时，我有几个观察。
首先，ServiceNow EGD的设计和用户体验是先进的，世界级的。系统感觉直观，以引人入胜的方式将这个复杂的问题整合在一起。鉴于ServiceNow作为一个“平台的平台”的经验，公司将很容易连接到现有的系统（内容提供商、合规和职业系统、LMS等）。
他们已经有了先进的功能。ServiceNow包括一个经理仪表板（Manager Hub）和职业仪表板（Career Hub），旨在促进个人发展和经理主导的成长。这些是推动采用和企业价值的重要功能。像入职、员工转型管理和自定义旅程这样的功能也已经有一段时间了，还有一个设计精良的移动应用。
他们还使员工能够编写和讨论他们的抱负，并使用AI将他们的抱负目标与角色、工作和内容进行匹配。Gloat、Fuel50和Cornerstone也在追求这个想法，但成功有限。随着时间的推移，这个功能有很大的潜力，因为生成性AI和NLP可以挖掘这些信息，以更好地将人们放入更高价值的工作。
像LXP一样，ServiceNow EGD将让员工浏览和搜索内容。
这是一个新的记录系统吗？是的。
接下来将会有关于谁拥有“记录系统”的讨论。大多数公司都讨厌员工数据散落在各处的事实（这只是生活的事实，但他们还是讨厌），所以人们可能会问“为什么我要把所有在Workday或Cornerstone的重要数据复制到ServiceNow？”这是ServiceNow必须学会赢得的辩论。
当然，员工从来没有一个“记录系统”，所以问题真正的是“我们应该把我们的职业、学习和成长数据信任给ServiceNow吗？”他们会好好照顾它并随着时间的推移发展它吗？如果功能先进，连接性强，公司会这么做。
记住，这是ServiceNow的核心信息。该公司将ServiceNow定位为“平台的平台”，将公司中所有的分散系统集成到一个支持和体验的单点。这个位置帮助ServiceNow说服公司，员工发展数据是“体验数据”，虽然它也可能存储在HCM中，但ServiceNow可能能够以更完整和开放的方式管理发展体验。
顺便说一句，有一个论点是技能数据也可能在系统之间“联邦化”。用于招聘的技能引擎，例如，专门为源选、选择、名称屏蔽和其他功能设计，以消除偏见（例如，消除大学学位）。用于学习和职业匹配的技能引擎可能运行得不同，所以人们可以争辩说，使用Eightfold或Seekout进行招聘的公司仍然可以证明使用ServiceNow进行发展和成长是合理的。
至于ERP（Workday、Oracle、SAP），每个买家都希望技能数据复制并在核心系统中合理化。像Techwolf和Skyhive这样的新供应商正在试图解决这个问题，但是很少有客户已经完成了这个壮举。
ServiceNow的AI有多智能？
第三，客户会询问AI。它有多先进？它在哪些行业进行了训练？它能否以有意义的方式推断出技能、职位和职业？
我们知道，例如，像Eightfold、Gloat、Beamery、Phenom和Seekout这样的平台已经积累了数十亿的员工简历，以推断技能、职业和潜在角色。现在Hitch是ServiceNow的一部分，客户将希望评估AI的深度、行业广度、可解释性、偏见检测和其他功能。
ServiceNow会把足够的精力放在AI上来匹配这种复杂性吗？时间会告诉我们。在这个领域真正的胜利不在于软件的复杂性，而在于
其数据的深度、质量和数量。Eightfold已经在电信、金融服务、能源、美国军队、公共部门和制药行业赢得了大笔交易。这意味着它的技能引擎对这些行业的工作、角色、技能和职业有深入的理解。像Gloat和Seekout这样的新供应商正在他们关注的行业中建立类似的复杂性。
Hitch是（是）一个设计精良的系统，最初是为了运营HERE Technologies的人才，这是一家中型的地图公司，有员工和承包商遍布全球。现在作为ServiceNow的一部分，团队必须与许多内容提供商（这对公司来说是一个新领域）建立集成，并在广泛的行业中发展其技能和发展专业知识。今天，拥有6000+技能和1.5亿个简介的系统在竞争中落后了。
尽管如此，我仍然看好。为什么？这个市场是巨大的，许多现有的玩家还不成熟。Cornerstone的新技能面料刚刚推出；Workday的Skills Cloud在许多领域缺乏数据和实用性；像Eightfold、Gloat和Fuel 50这样的供应商在市场上只是较小的玩家。鉴于ServiceNow的庞大客户群和这个系统的潜在用户，如果他们专注，赢得一些大交易，并继续投资，公司可能会成为领导者。
我们将密切关注他们，如果你有任何问题，请联系我们。
-
Josh Bersin
【观点】为什么人们会惧怕人工智能？这种担心是没有根据的！
本周，我们又看到了一些关于人工智能的新闻。埃隆·马斯克（Elon Musk）给一些高级研究人员写了一封信，要求将推进GPT4研究推迟六个月。高盛（Goldman Sachs）发布的一份报告称，300亿个工作岗位将受到生成式人工智能的影响，7%的工作岗位可能会被淘汰。宾夕法尼亚大学的一个学者团队撰写了一项研究，声称87%的工作将受到人工智能的严重影响。
伴随着这种见解，《纽约时报》、《华盛顿邮报》和其他期刊上的文章声称人工智能机器横行霸道，破坏了政治体系，最终他会变成“自我规划机器”，掌权并扰乱了世界。但是，最近的一项调查显示，9%的普通公民认为人工智能对社会是好处大于弊端的。
我认为，虽然任何新技术都会产生不可预测的结果，但人工智能本身并不是邪恶的，失控的，或者一定是危险的。危险的是我们决定如何使用它。
让我讨论一下人们关于使用人工智能的五种恐惧：
1.人工智能将消除就业机会，导致失业，并扰乱全球劳动力市场。
我们20年代中期就听到过这些担忧，当时牛津大学发表了一份报告，称47%的工作将被自动化淘汰。当时，《经济学人》、麦肯锡和其他人预测，计算机将消灭零售、食品服务、会计、银行和金融领域的工作岗位。我们看到图表和图形详细说明了哪些任务、工作和职业将被淘汰。现在，回过头来看，并不清楚这些是否发生过。我们的失业率是近55年来最低的，对一线工人的需求处于历史最高水平，对制造、加工、物流和技术工人的需求仍未得到满足。
2018年，我在旧金山的奇点会议上就这个话题发表了演讲，我当时提出的论点是：经济数据显示，每一次新技术浪潮都会创造新的工作、职业和商业机会。虽然研究人员认为“人工智能是不同的”，但我已经看到了成千上万的“提示工程师”和“GPT4培训师”和“集成专家”等新兴工作。与我交谈的每个供应商都告诉我，人工智能将成为我们的助手，而不是“夺走我们工作的机器人”。
虽然会有新的技能、工具和技术需要学习，但人工智能时代将释放出最大的人才新市场。正如我们所讨论的那样，世界上只有大约6%的工作是“工程师构建技术”——我们大多数人都会集成、使用和咨询这些工具。如果有的话，我认为人工智能将创造对新技能和能够管理、培训和支持这些系统的专业人员的巨大需求。
2.人工智能将加速收入不平等、贫困和无家可归。
第二种恐惧：《生命的未来》文章中引用的许多消息来源将社会动荡、心理健康问题和经济不平等归咎于技术。这种认为新技术“掏空”中产阶级的想法将继续引发许多恐惧。
现实情况恰恰相反。让我们看一下数据。对于发明的每一项新技术（计算机，网站，云，移动，AI），都会帮助我们创造一个新的行业。用户界面设计、全栈工程和前端软件方面的工作正在爆炸式增长。今天，由于训练营和社区大学教育，任何拥有高中学历的人都可以成为计算机程序员。一项研究发现， 非技术工作者现在已经学会了编码。这些技术正在为低薪工人创造巨大的新职业机会。
公司现在正在为这种技能提升提供资金。沃尔玛通过其职业途径计划投资于员工的职业技能提升，支付员工完成大学学业、帮助他们获得证书并完成职业角色的转型。亚马逊、泰森食品都有类似的计划。正如谷歌首席执行官Sunder Pichai在他最新的播客中所讨论的那样，人工智能使学习编码比以往任何时候都更容易。因此，我很清楚，许多新的入门级职业将围绕人工智能而产生。
就工资而言，对AI技能的需求将很高，但只是一段时间。虽然稀有的计算机科学家仍然要求高薪，但随着时间的推移，收入最高的专业人士需要结合技术和软技能（我们称之为PowerSkills）。
在未来的工作世界中，拥有“社交技能”（即管理、领导力、沟通、销售、时间管理等）的员工远远超过那些只专注于数学（或科学和工程）的“技术人员”。这是为什么呢？技术技能的价值迅速下降。作为一名工程师，如果你没有快速学习，与他人合作的能力，确实会慢慢落后。
我并没有贬低技术职业的价值。我只是观察到，人工智能改变了商业中对经理、领导者、销售人员、设计师、分析师和金融专业人士的需求。这些需要“理解”人工智能（而不是开发人工智能的能力）的工作将继续变得越来越重要，人工智能只会让这些工作更容易、更有趣、更重要。
有许多技术专业人士从数据库分析师开始转向大数据分析，并可能成为数据科学家。这些人现在可以学习人工智能技术，并以新的方式为其增加价值。所有这些都由人工智能授权并进一步实现。因此，在许多方面，人工智能是经济增长的推动力。
3。人工智能将制造错误信息、引起网络战、放大的偏见，并最终造成大规模的系统破坏。
要争论的第三个问题是人工智能的“不负责任的使用”。人们担心人工智能系统将导致不公平的监禁、垃圾邮件和错误信息、网络安全灾难等问题。毫无疑问，人工智能系统会存在偏见。因为它们接受的培训信息有限，所以如果索引不当，它们会给我们提出误导性的建议。因此，这些系统可能会“加速”问题产生并导致恶意行为。
如今，Facebook，Twitter和其他社交网络就是这样做的。所有“开放通信系统”都会导致滥用和不当行为，在某些方面，生成人工智能可以解决这个问题。例如，在短短几周内，微软就极大地改善了Bing的搜索引擎，现在Bing会显示引用了任何权威声明的来源。目前仍处于实验模式的Google Bard正在接受Google的严格测试，并得到了Google Search中安全工具的大力支持。
任何用于HR的AI产品，无论是来自Microsoft还是其他HR技术供应商，都将受到法律法规的约束。纽约和其他司法管辖区已宣布对在选择、薪酬或其他人力资源事务中表现出偏见的产品处以罚款和刑事处罚。微软和谷歌等公司已经担心知识产权所有权和其他法律风险。
与我交谈过的大多数人力资源供应商都非常关注这个问题。他他们正在越来越安全的数据集上测试他们的LLM（大型语言模型）。而且，作为买家，如果您发现该系统有偏见或有缺陷，您根本不必为此付费。至于偏见，我认为人类是最有偏见的。谷歌的一位高级工程师告诉我，他们的人力资源部门详细研究了招聘，发现基于人工智能的招聘（使用数据和神经网络来帮助选择候选人）被证明远没有人工面试导致的偏见多。在信息安全和战争的话题上，我们必须假设人工智能支持的邪恶行为已经在发生。如今没有什么可以阻止网络犯罪分子雇用软件工程师并构建人工智能模型。因此，应该建立一个监控系统来解决这些不良问题。
4.人工智能将创造一个有知觉的、邪恶的“通用人工智能”引擎，可以消灭人类。
然后是最大的恐惧：人工智能将是“横行霸道”的。引用的一篇学术论文“寻求权力的AI”进行了预测，并得出结论。到2025年，AI将有70%的可能性摧毁人类。我详细阅读了它，仍然非常不相信。我还没有确信神经网络会摧毁人类。是的，这些系统做出的决策很难理解。但是，当我们把精力集中在“可解释性”和偏见上时，我相信这些系统将变得更加透明。
每一项发明的技术都有可能被用于邪恶的目的。电子邮件用于身份盗用以及病毒软件的传播。手机充满了垃圾邮件，可用于监视。就连发明原子弹的罗伯特·奥本海默（Robert Oppenheimer）也相信核科学将带来能带来积极的好事。如今，核科学已经用于核磁共振扫描、癌症治疗，甚至烟雾探测器等。如果你是一名科学家，应该把控制世界的最大力量交给整个人类，并根据正确的价值观来使用科学技术。
人工智能的积极面
在过去的几年里，我与数百家提供人工智能软件的公司进行了交谈。事实上，人工智能工具都使工作更加轻松，提高组织的效率，并使生活更美好。
让我仅举几个例子：
信用卡公司可以近乎实时地发现欺诈行为并保护我们免受盗窃（所有这些都使用人工智能完成）。保险公司可以通过照片为事故索赔定价，为用户节省数精力。新的招聘工具为公司节省了数百万美元，选择适合岗位要求但没有大学学位的求职者。人才情报平台能够提供职业建议、技能训练，帮助员工成长和进步。
既然人工智能如此有用，那么人们为什么害怕呢？
正如报道所说，我们生活在一个质疑权威的世界。当我们生病时，我们觉得疾病预防控制中心让我们失望了。我们将高通胀和利率上升归咎于美联储。而不是接受这是整个社会运行的规律，有时，我们似乎感觉一切都在变得更糟。因此，我们感觉到人工智能是由“我们不信任的一组专家”发明的，它有可能会失控。也许我们应该听听比尔盖茨的话，他相信“人工智能时代”将在医疗保健、教育、艺术和商业方面带来惊人的进步。人工智能将给我们带来无法想象的好处。让我们给它一些时间。
文章来源： Josh Bersin
扫一扫 加微信
hrtechchina
