Tekoäly kykyjen hallinnan päätöksenteon tukena: Design Science -tutkimus

Abstract

Kykyjen hallinnan päätöksentekoa ympäröi lukemattomat muuttujat työntekijöiden henkilökohtaisista toiveista yrityksen strategiaan. Lisäksi työntekijöiden vaihtuvuus on nousussa puutteellisten urakehitys- ja koulutusmahdollisuuksien, työnkuvan ja osaamisen yhteensopimattomuuden ja epäpätevän johdon takia. Toisaalta taas tekoälyn teknologisten harppausten myötä, generatiivisen tekoälyn hyödyntäminen olemassa olevissa tietojärjestelmissä ei enää vaadi tekoälyosaamista tai suuria konesaleja, vaan se on mahdollista tekoälypalveluntarjoajien ohjelmointirajapintoja hyödyntämällä. Tässä piileekin tämän tutkimuksen ongelma ja ratkaisu; Työntekijöiden henkilökohtaisten toiveiden ja yrityksen strategian yhteensovittaminen tekoälyn avulla henkilöstöhallinnon järjestelmän kautta. Tutkimus koostuu kirjallisuuskatsauksesta ja empiirisestä osuudesta. Kirjallisuuskatsaus pureutuu kykyjen hallinnan, tekoälyn ja tekoälyn hyödyntämiseen henkilöstöhallinnossa kirjallisuuteen, pohjustaen empiiristä osuutta. Empiirinen osuus seuraa Design Science Research metodologiaa, jonka avulla luodaan tekoälyartefakti. Artefakti on OpenAI:n Assistants ohjelmointirajapintaa hyödyntävä tekoälyavustaja, jolle on annettu taustatietona asiakasyrityksen yritys-, henkilöstö-, kehityskeskustelu- ja työtehtävätietoa. Kohdeyrityksen asiakkaat voivat keskustella tekoälyavustajan kanssa, joka antaa uusia näkökulmia ongelmiin, löytää tärkeitä yksityiskohtia työntekijöiden tiedoista, ja ehdottaa työntekijöiden kehityskeskusteluiden perusteella urakehitysmahdollisuuksia. Tutkimuksen tavoitteena oli ymmärtää: kuinka tekoäly tukee henkilöstöhallinnon päätöksentekoa kykyjen hallinnan osa-alueella, mitä hyötyä tekoälystä yleisesti on henkilöstöhallinnossa ja missä kykyjen hallinnan osa-alueessa tekoälystä on eniten hyötyä. Tutkimuksessa onnistuttiin tunnistamaan kolme asiaa, joiden kautta tekoäly voi tukea päätöksentekoa: tekoäly voi jäsennellä tekstiaineistot ymmärrettävään muotoon säästäen päätöksentekijän aikaa, tekoäly nostaa aineistosta tärkeitä asioita päätöksentekijän huomioon, sekä tekoäly voi antaa päätöksentekijälle uusia näkökulmia päätöksenteon ongelman tarkasteluun. Tämän lisäksi todettiin, että tekoälyä hyödynnetään jo monella eri henkilöstöhallinnon osa-alueella, mutta hyödyntämistä rajaa tiedon rajallisuus, henkilöstöhallinnon monimutkaisuus, sekä tekoälyn eettiset kysymykset. Lopuksi todettiin, että tekoäly on tehokkaimmillaan siinä kykyjen hallinnan osa-alueella, missä hyödynnettävää tietoa on eniten. Työssä otetaan kantaa henkilöstöhallinnon päätöksentekoon (mm. työntekijöiden vaihtuvuuden ongelmaan) erityisesti teoreettisen tarkastelun avulla. Toteutettu artefakti on esimerkki siitä, miten tekoälyä voidaan hyödyntää henkilöstöhallinnon päätöksenteon tukena. Tutkimuksen empiirisen osuuden tavoite oli luoda kohdeyritykselle asiakkaiden kykyjen hallintaa avustava työkalu. Vaikkakin tutkimuksen työkalu on toimiva, tietoturvahuolien vuoksi tekoälyä ei voida hyödyntää herkän henkilöstöhallinnon tiedon kanssa oikeassa asiakasympäristössä todellisten käyttäjien toimesta. DSR metodologian tulosta, artefaktia, demonstroitiin kuitenkin kuvitteellisen yrityksen tietojen kanssa, ja tekoälyn päätöksenteon tuesta saatiin lupaavia tuloksia.

Decision-making in talent management is surrounded by countless variables, from the personal preferences of employees to the strategy of the company. In addition, employee turnover is on the rise due to inadequate career development and training opportunities, mismatches between job description and skills, and incompetent management. On the other hand, with the technological leaps in artificial intelligence, the use of generative AI in existing information systems no longer requires AI expertise or large data centres but can be achieved through the programming interfaces provided by AI service providers. This presents both the problem and the solution of this research; aligning employees’ personal wishes with the company’s strategy trough an AI-enabled human resources management system. The research consists of a literature review and an empirical part. The literature review delves into talent management, artificial intelligence, and the use of AI in human resources management, setting the stage for the empirical part. The empirical part follows the Design Science Research Methodology (DSRM), with which and AI artifact is created. The artifact is an AI assistant utilizing OpenAI’s Assistants programming interface, which has been fed background information on the client company’s business, personnel, development discussion, and position data. Customers of the target company can converse with the AI assistant, which offers new perspectives on the problems, finds important details in employee information, and suggests career development opportunities based on employee development discussions. The aim of the research was to understand how AI supports human resource management decision-making in talent management, what benefits AI generally has in human resource management, and in which area of talent management AI is most beneficial. The research succeeded in identifying three ways in which AI can support decision-making: AI can structure textual data into an understandable format, saving the decision-maker's time; AI highlights important issues from the data for the decision-maker's attention; and AI can provide the decision-maker with new perspectives for examining the decision-making problem. In addition, it was noted that AI is already being utilized in many different areas of human resource management, but its utilization is limited by the scarcity of information, the complexity of human resource management, and the ethical questions surrounding AI. Finally, it was concluded that AI is most effective in talent management where the most information is available for utilization. In this work, we address HR decision-making (including the issue of employee turnover) particularly through theoretical examination. The implemented artifact is an example of how artificial intelligence can be utilized to support decision-making. The goal of the empirical part of the research was to create a tool to assist customers' talent management for the target company. Although the research tool is functional, due to security concerns, AI cannot be utilized with sensitive human resource management information in a real customer environment by actual users. However, the result of the DSR methodology, the artifact, was demonstrated with the data of a fictitious company, and promising results were obtained regarding AI's support for decision-making.