AI en machine learning gebruiken voor het monitoren van werknemers

In 2022 meldde IBM dat ongeveer 35% van de bedrijven had adopted AI, and another 42% were "exploring" it. The word "exploring" has an important connotation here.

Voor bedrijven is er vaak veel om rekening mee te houden als het gaat om het vernieuwen van hun systemen en processen. Zo blijven uitgebreide functies zoals het monitoren van werknemers vaak achter en blijven ze vertrouwen op de legacy-infrastructuur.

Maar er is het afgelopen jaar veel veranderd. Veel kan worden toegeschreven aan de groei in generatieve AI-oplossingen (gen AI). McKinsey calls 2023 as "Generative AI's breakout year." The consulting giant says that companies using gen AI for performance management and organisation design are already ahead of their competitors.

Als we het hebben over de invloed van AI op het prestatiebeheer van werknemers, is er één bedrijfsfunctie die hier enorm van profiteert: het monitoren van werknemers.

Medewerkersmonitoringfuncties zijn lange tijd beperkt gebleven tot het registreren van nogal kille gegevens die geschikt zijn voor bepaalde statistieken (zoals het aantal gewerkte uren). Deze gegevens missen de context van het hoe en waarom van werknemersbetrokkenheid en prestaties.

In other words, there's no qualitative aspect that could unearth the root causes for the drop in productivity or other anomalous work patterns. AI helps solve this problem by helping move from "cold data" to "insights." With AI, the employee monitoring function becomes more oriented towards deciphering work habits, productivity, strengths, weaknesses, etc.

Neem bijvoorbeeld het geval van een softwareontwikkelingsteam dat een traditionele oplossing voor het monitoren van medewerkers gebruikt om de prestaties te optimaliseren. De tool levert de gegevens voor het aantal code commits of de gelogde uren. Maar dit geeft niet de complexiteit van de taak weer, het niveau van samenwerking dat nodig zou zijn geweest, de onregelmatigheden die hadden kunnen opduiken.

Laten we nu hetzelfde scenario aannemen, maar het team gebruikt een AI-gebaseerde oplossing voor het monitoren van werknemers. Het platform doet alles wat een traditionele oplossing zou doen, maar biedt ook inzicht in de communicatiepatronen, het samenwerkingsniveau, de efficiëntie bij het oplossen van problemen, het feedbackmechanisme, enz.

Hoe? Door elk klein detail van het werk op te merken en patronen te ontdekken die verder kunnen helpen bij het formuleren van best practices voor verbetering. Een AI-systeem kan bijvoorbeeld aangeven of de codecommits van een bepaalde ontwikkelaar niet gepaard gaan met daaropvolgende bugfixes. Het proces van de ontwikkelaar kan worden vastgesteld als een best practice.

Het systeem kan ook helpen om te begrijpen of de productiviteit van de ontwikkelaar op een bepaald moment van de dag daalt. Op die manier kan het team het werk herverdelen en de werkpatronen beter begrijpen.

Er wordt veel gesproken over veiligheidsimplicaties bij oplossingen voor het monitoren van werknemers, en dat is begrijpelijk. We hebben het over het monitoren van mensen en hun dagelijkse werkzaamheden. Er zijn dus zeker zorgen - precies de reden waarom regels zoals de Europese General Data Protection Regulation (GDPR) zijn opgesteld.

Natuurlijk heeft dit verhaal ook een consensuele kant. Maar we concentreren ons nu alleen op de technologie. De integratie van AI biedt organisaties tal van voordelen op het gebied van:

• Typisch gebruikersgedrag leren en alles detecteren wat daar afwijkend van is
• Inzicht in gevoelige gegevenstoegangspatronen en markering van schijnbaar ongebruikelijke activiteiten
• Automatische waarschuwingen instellen voor verdachte beveiligingsincidenten en beveiligingsteams in staat stellen proactief actie te ondernemen in plaats van hun toevlucht te nemen tot analyse achteraf
• Activiteiten met voorkennis detecteren door ervoor te zorgen dat alles wat buiten het normale werkpatroon valt onmiddellijk wordt opgemerkt
• De overdracht van gevoelige informatie binnen en buiten het bedrijfsnetwerk blokkeren

Laten we deze mogelijkheden kwantificeren om hun tastbare waarde te begrijpen. Tijdens de eerste dagen van de COVID-19 lockdown in 2020 werden externe medewerkers voortdurend aangevallen door kwaadwillende gebruikers. Deloitte rapporteerde een vervijfvoudiging, van 12% naar 60%, van de aanvallen op werknemers op afstand gedurende deze periode.

Elders bereikten de kosten van bedreigingen met voorkennis 15,38 miljoen dollar in 2022. Volgens een rapport dat specifiek voor de VS is opgesteld, hebben bedrijven dagelijks te maken met ongeveer 2.200 interne beveiligingsaanvallen.

So, what would be the ideal AI-employee monitoring solution in the wake of looming cyber threats? By keeping "security" at the forefront. CleverControl's Face Recognition feature is one such AI-powered surveillance solution that makes for better data and employee security.

We hebben verschillende leidinggevenden ondervraagd en begrepen dat ze het moeilijk hadden:

• Voorkomen dat mensen een externe persoon hun werk laten verdoezelen
• Ervoor zorgen dat de werknemers niet vals speelden door productiviteitsapps te openen en daadwerkelijk aan hun bureau zaten als ze op afstand werkten.

Daarom brachten we de Gezichtsherkenning functie aan onze bewakingsoplossing, die werknemers kon registreren (door elke vijf seconden een foto te nemen) en ervoor kon zorgen dat geen onbevoegde entiteit zich met het werk van een werknemer bemoeide. Dit bleek een haalbare oplossing voor veel organisaties, vooral voor organisaties in relatief streng gereguleerde sectoren zoals de financiële sector.

Bedrijven benadrukken dat werknemers hun meest waardevolle activa zijn, maar dat wordt soms niet weerspiegeld in de praktijk. Daar kunnen allerlei redenen voor zijn, waaronder redenen die niets te maken hebben met systemen en technologie. In het kader van deze discussie zullen we die vermijden. Laten we ons richten op de operationele en technologische belemmeringen.

Vaak kunnen de operationele knelpunten leiden tot burn-out, oneerlijke prestatiebeoordelingen en meer. Maar AI schiet te hulp met een heleboel voordelen. AI-bewaking kan bijvoorbeeld helpen:

• Werklast verdelen op basis van de werkvaardigheid van een team of individu. Teams kunnen inzicht krijgen in de werkpatronen en suggesties van AI vragen over het strategisch herverdelen van werk.
• Geef gepersonaliseerde feedback op basis van de productiviteits- en betrokkenheidspatronen van werknemers. Dit kan zo eenvoudig zijn als het geven van een duwtje in de rug om de betrokkenheid op bepaalde kanalen te verbeteren of het aanbevelen van een hele reeks cursussen voor professionele groei.
• De gevoelens van werknemers peilen via hun communicatiepatronen op interne of sociale kanalen die worden gemonitord. Grote taalmodellen (LLM's) die generatieve AI-oplossingen aandrijven, kunnen zeker een zegen zijn voor bedrijven die granulair willen begrijpen wat werknemers wel en niet leuk vinden. Dit kan managers helpen om potentiële haperingen in de productiviteit te signaleren en proactief actie te ondernemen om persoonlijk de interactie aan te gaan met werknemers of misschien zelfs de werkomstandigheden aan te passen.

Hoewel dit niet past bij de gebruikelijke SaaS use case, maakt AI-gestuurde bewaking van werknemers ook furore in industriële omgevingen. Neem het voorbeeld van computer vision-gestuurde visuele analyse in een fabriek waar werknemers onmiddellijk gewaarschuwd kunnen worden voor mogelijke rampen of voorkomen kan worden dat ze bepaalde faciliteiten betreden.

Het zou oneerlijk zijn om niet het publieke sentiment te schetsen dat verbonden is aan het toenemende gebruik van AI voor toezicht op werknemers. En daar zijn redenen voor.

Volgens een Onderzoek van Pew Research Center 81% van de respondenten zei dat werknemers zich niet goed zouden voelen als ze met behulp van AI ongepast in de gaten worden gehouden of worden geëvalueerd.

Reuters also raises questions about excessive AI-based employee monitoring, citing that "Many employees and privacy rights advocates see this as an unreasonable incursion into an employee's home, long considered to be their private sphere."

Daarnaast zijn er zorgen over bias en privacy bij generatieve AI-oplossingen. Deze LLM's waar we het hierboven over hadden, zijn getraind op gegevens die opzettelijk bevooroordeeld kunnen zijn. De AI zou dat niet kunnen filteren en zou kunnen zinspelen op bevooroordeelde reacties en beoordelingen. Dat is dus ook iets waar organisaties rekening mee moeten houden als ze overstappen op meer geavanceerde AI-integratie.

Te midden hiervan is het redelijk om te verwachten dat er weerstand zal zijn onder werknemers tegen het gebruik van oplossingen voor het monitoren van werknemers die worden aangedreven door geavanceerde AI. Ze zullen vraagtekens zetten bij de mogelijke vertekening van de beoordelingsgegevens, de beveiliging van hun gevoelige informatie en het mogelijke misbruik ervan door de organisatie. En dit zijn op zijn zachtst gezegd allemaal terechte zorgen.

De implicaties van AI-gestuurde monitoring in de context van werken op afstand en het veranderende landschap van werkafspraken zijn ingrijpend. Organisaties moeten een balans zien te vinden tussen het bewaken van de productiviteit en het veilig houden van de gegevens van werknemers.

To establish this, they need to understand that the adoption of AI should not be driven by "desire" but the "need" to have technology in place to power performance improvements. It's easy to get caught in the hype cycle of AI and difficult to evaluate how it actually benefits the business use case.

Ons advies zou zijn om rigoureus de behoeften van je workflow te beoordelen, de discrepanties te documenteren en te kijken of een stapsgewijze benadering van AI-bewaking van werknemers voordelen biedt. Als u zich bijvoorbeeld zorgen maakt over de daling van de productiviteit in externe omgevingen, zou de keuze voor CleverControl met gezichtsherkenning wel eens heel nuttig kunnen zijn.

Natuurlijk moet er in de beginfase wat geëxperimenteerd worden. Maar een grote sprong is niet nodig als de business er niet om vraagt.