利用人工智能和机器学习监控员工

据 IBM 报告，2022 年约有 35% 的公司 had adopted AI, and another 42% were "exploring" it. The word "exploring" has an important connotation here.

通常情况下，企业在全面改造系统和流程时需要考虑很多问题。因此，员工监控等广泛的功能往往会被抛在脑后，继续依赖原有的基础设施。

但在过去一年左右的时间里，情况发生了很大变化。这在很大程度上要归功于生成式人工智能（gen AI）解决方案的发展。 麦肯锡 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.

谈到人工智能对劳动力绩效管理的影响，员工监控是受益匪浅的业务功能之一。

长期以来，员工监控功能一直局限于记录可能适合某些指标（如工作小时数）的冷冰冰的数据。这些数据缺乏对员工参与度和绩效的来龙去脉的了解。

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.

例如，一个软件开发团队使用传统的员工监控解决方案来优化性能。该工具提供了代码提交数量或记录工时的数据。但是，这并不能反映出当前任务的复杂性、所需的协作水平以及可能出现的违规行为。

现在，让我们假设同样的场景，但团队使用的是人工智能驱动的员工监控解决方案。该平台不仅能完成传统解决方案的所有功能，还能深入了解沟通模式、协作水平、解决问题的效率、反馈机制等。

如何做到？通过注意工作中的每一个小细节，发掘出有助于制定最佳改进方法的模式。例如，人工智能系统可以反映出某个开发人员的代码提交是否不包含后续的错误修复。开发人员的工作流程可以被确立为最佳实践。

同样，该系统还能帮助了解开发人员的工作效率是否在一天中的某个特定时间段有所下降。这样，团队就可以重新分配工作，更好地了解工作模式。

很多人都在谈论员工监控解决方案的安全问题，这是可以理解的。我们谈论的是对人及其日常工作活动的监控。因此，人们必然会有所顾虑--这也正是制定《欧洲通用数据保护条例》（GDPR）等法规的原因。

当然，这个故事还有两厢情愿的一面。但我们现在只关注技术方面。为此，人工智能的整合在以下方面为组织提供了众多优势：

• 学习典型的用户行为，并检测与之不符的任何异常情况
• 了解敏感数据访问模式，标记任何看似不寻常的活动
• 为可疑安全事件设置自动警报，使安全团队能够采取主动行动，而不是进行事后分析
• 侦测任何内部威胁活动，确保立即注意到任何超出正常工作行为模式的行为
• 阻止任何敏感信息在公司网络内外的传输

让我们量化这些功能，了解它们的实际价值。在 2020 年 COVID-19 封锁的最初几天，远程工作人员不断受到恶意用户的攻击。 德勤 报告称，在此期间，远程工作者受到的攻击增加了五倍，从 12% 增加到 60%。

在其他地方，内部威胁的成本达到了 1 538 万美元 2022 年。一份针对美国的报告显示，企业每天都要遭受约 2,200 次内部安全攻击。

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.

我们对几位高管进行了调查，了解到他们正在努力解决这些问题：

• 防止人们让外部人员掩盖自己的工作
• 确保员工在远程工作时没有通过打开生产力应用程序进行作弊，而是真正在自己的办公桌前工作

因此，我们将 人脸识别 我们的监控解决方案可以记录员工的工作情况（每五秒钟拍摄一张照片），并确保未经授权的实体不会打扰员工的工作。事实证明，这对许多组织来说都是一个可行的解决方案，尤其是像金融这样监管相对严格的行业。

企业强调员工是其最宝贵的资产，但这一点有时并没有在实际工作中得到体现。原因可能是多方面的，包括那些与系统和技术无关的原因。为了便于讨论，我们将回避这些原因。让我们把重点放在操作和技术方面的限制因素上。

通常情况下，运营瓶颈可能会导致员工倦怠、绩效评估不公平等问题。但是，人工智能可以带来一系列好处。例如，人工智能驱动的监控可以提供帮助：

• 根据团队或个人的工作熟练程度分配工作量。团队可以了解工作模式，并征求人工智能的建议，以便有策略地重新分配工作。
• 根据员工的工作效率和参与模式提供个性化反馈。这可以是简单的提示，以提高某些渠道的参与度，也可以是推荐整个系列的专业成长课程。
• 通过监控员工在内部或社交渠道上的交流模式来了解他们的情绪。大型语言模型（LLMs）支持生成式人工智能解决方案，对于希望深入了解员工喜欢什么、不喜欢什么的公司来说无疑是一大福音。这有助于提醒管理者注意生产率方面的潜在问题，并采取积极主动的行动与员工进行个人互动，甚至可能为了更大的利益而调整工作条件。

虽然这并不符合通常的 SaaS 用例，但人工智能驱动的员工监控也正在工业环境中掀起波澜。以工厂内计算机视觉驱动的视觉分析为例，可以立即提醒员工可能发生的灾难，或阻止他们进入某些设施。

如果不概述公众对越来越多地使用人工智能监控员工的看法，就有失公允。这是有原因的。

根据一项 皮尤研究中心调查 81%的受访者表示，员工对使用人工智能进行不适当的监视或评估不会有好感。

路透社 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."

除此之外，生成式人工智能解决方案还存在偏见和隐私问题。我们上面谈到的这些 LLM 是在数据上训练出来的，而这些数据可能是故意带有偏见的。人工智能无法过滤这些数据，可能会暗指有偏见的回应和评估。因此，这也是企业在转向更先进的人工智能集成时需要考虑的问题。

在这种情况下，我们有理由相信，员工会抵制使用由先进人工智能驱动的员工监控解决方案。他们会质疑评估数据中可能存在的偏差、他们敏感信息的安全性，以及组织方面可能会滥用这些数据。至少可以说，所有这些担忧都是有道理的。

在远程工作和工作安排不断变化的背景下，人工智能驱动的监控影响深远。企业需要做的是在监控生产力和保护员工数据安全之间取得平衡。

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.

我们的建议是，严格评估你的工作流程需求，记录差异，看看人工智能驱动的员工监控是否有益。例如，如果你担心在远程环境下工作效率会下降，那么选择带有人脸识别功能的CleverControl可能会被证明是非常可行的。

当然，在初始阶段会进行一些试验。但如果业务不需要，就不需要大跃进。