I mine tidligere blogs i denne serie har jeg set på, hvordan ledere skalerer AI, hvordan vi genopfinder arbejde ved hjælp af agent AI, og hvordan man leder denne forandring. I denne næstsidste blog ser jeg på, hvordan agent AI omformer arbejdsstyrken og skaber en kritisk rolle for HR-funktionen.
Accentures Banking Top Trends 2026:Ubegrænset bankvirksomhed er her
Lær mere
På tværs af bank- og forsikringsvirksomhed automatiserer kunstig intelligens rutineopgaver og øger komplekst arbejde, men det virkelige skift er, hvordan menneskelig dømmekraft omplaceres til beslutninger af højere værdi. Som en forsikringskunde udtrykte det, er målet at "tage robotten ud af mennesket". Agentisk AI gør præcis det:semi-uafhængige, specialiserede agenter arbejder sammen med medarbejdere som dygtige kolleger.
Virkningen er hverken ensartet eller uundgåelig. AI påvirker ikke enhver opgave i en rolle, og resultaterne er ikke forudbestemte. Ledere træffer bevidste valg om, hvad der skal forblive menneskeligt arbejde, og hvad der skal skifte til AI. Dette handler mindre om at omdesigne roller og mere om at designe arbejde efter resultater og hensigter, ikke jobtitler.
Sektor-for-sektor-påvirkning
Agentisk AI vil omforme, hvordan værdi skabes på tværs af arbejdsstyrken inden for finansielle tjenesteydelser - ikke kun arbejdsstyrken selv. Den rigtige strategi er derfor meget organisationsspecifik.
At genopfinde arbejde betyder at designe for enkeltpersoner og for de teams og netværk, der skaber værdi.
Det meste vidensarbejde inden for finansielle tjenesteydelser er teambaseret. Alligevel er det få hold, der tilpasser sig effektivt. Vores Talent Reinventors-undersøgelse viste, at kun 19 % af medarbejderne siger, at deres team eksperimenterer med AI sammen, og kun 17 % føler sig psykologisk sikre til at dele nye ideer.
Talent-genopfindere løser dette hul ved at bruge AI-drevet analyse til at styrke teamdynamikken. Deres teams rapporterer om lavere stress, forbedret velvære og hurtigere beslutninger af højere kvalitet, drevet af psykologisk sikkerhed, eksperimentering og fælles læring.
Dette betyder noget i finansielle tjenester, hvor tværfaglige teams, tværfaglige netværk og hele økosystemer såsom børser, finansielle centre og industripartnerskaber definerer, hvordan arbejdet udføres.
Forskning understøtter dette skift. En nylig undersøgelse fra Ethan Mollick og hans kolleger deler, at teams med AI overgår både individer med AI og hold uden. AI hjælper teams med at bygge bro mellem viden og sprogkløfter, generere flere forskellige ideer og fremme positive følelser. Menneskelig kreativitet driver stadig nyheder, men sammen overgår mennesker og kunstig intelligens enten alene.
Efterhånden som vores arbejde ændrer sig, skal færdighederne ændre sig med det. Vores seneste Learning Reinvented-forskning viser, at mens 84 % af lederne forventer, at AI-agenter arbejder sammen med mennesker inden for tre år, og 80 % af arbejderne ser AI som en mulighed, rapporterer kun 26 %, at de har modtaget træning i, hvordan man samarbejder med AI. Fremskridt er reelt, men for langsomt.
Kvalifikationer i tilbagegang
Mange af disse tendenser går forud for AI, men AI accelererer dem.
Efterspurgte færdigheder
Selv operationelle områder som svindel, betalinger, krav, KYC og udlån flytter sig mod mindre, mere eksperthold, der fokuserer på komplekse sager og situationsbestemt vurdering.
Dette er ikke en engangsovergang. Kontinuerlig læring muliggør arbejdsstyrkens mobilitet og langsigtet beskæftigelsesegnethed. For nogle betyder det opkvalificering i en rolle. For andre betyder det omskoling til helt nye karrierer.
Førende banker og forsikringsselskaber bevæger sig allerede mod færdighedsbaserede arbejdsstyrkemodeller, understøttet af arbejdsstyrkeplanlægning, læringsplatforme og interne talentmarkedspladser.
For at hjælpe organisationer med at reagere lancerede vi LearnVantage, vores fleksible AI-aktiverede læringsøkosystem til fremtidige færdigheder. Det inkluderer vores AI Academy for bestyrelser, direktører og medarbejdere, lige fra uddannelsessessioner til dybere læring, herunder nano-grader og ekstern certificering med Stanford og andre.
Hos S&P Global trænede vi alle 40.000 medarbejdere, herunder 7.500 personaleledere og 200 bestyrelsesmedlemmer og seniorledere på GenAI. Deltagelse nåede 100 %, MPS var meget positiv, og der var en 4X stigning i anvendelsen af AI-værktøjer. S&P Global er en klar rollemodel for at bruge læring til at drive virksomhedsomspændende forandring.
Jeg er især imponeret over nogle af de nationale indsatser i Mellemøsten omkring omskoling - dette har inkluderet Emirates Institute of Finance, cloud-færdighedstræning i UAE og KSA og AI-opkvalificering for Commercial Bank of Dubai. I Japan opkvalificerede vi 36.000 front office-medarbejdere og 300 ledere hos et stort forsikringsselskab, hvilket gjorde dem i stand til at arbejde effektivt med digitale assistenter og levere mere personlige kunderesultater.
Co-learning er, når mennesker underviser i teknologi og samtidig lærer af den, og det er fokus for denne forskning. Tidlige eksempler omfatter AI-coacher og virksomhedscopiloter. I en agentarkitektur tilpasser disse systemer sig til individer, forbedres med feedback og understøtter læring i arbejdsstrømmen.
Overvej et kontaktcenter. En menneskelig agent leder opkaldet; en AI-agent transskriberer, foreslår kompatible svar og opsummerer resultater. Når den menneskelige agent springer over eller bedømmer forslag, lærer AI'en. Efter opkaldet giver det reflekterende feedback. Kapaciteten forbedres for både mennesker og maskine.
Dette løser nogle få udfordringer, som FS står over for:a) hvordan man kan øge kapaciteten og ydeevnen for både mennesker og agenter i den virkelige verden og ikke kun i test; b) hvordan man kan forbedre brugervenligheden, adoptionen og brugen af AI, da gode AI-produkter, der ikke bruges, ikke genererer værdi; c) hvordan man reelt sætter læring ind i arbejdsflowet, hvor det bedst kan understøtte medarbejder- og kunderesultater og d) at frigive tid til dybere læring. Organisationer, der bruger denne tilgang, udvikler færdigheder fire gange hurtigere og fordobler tilliden til at samarbejde med kunstig intelligens.
Hos et stort europæisk forsikringsselskab reducerede denne model medarbejders håndterede opkald med 5-10 %, reducerede den gennemsnitlige håndteringstid med 10 % og frigjorde omkring 20 % kapacitet, samtidig med at færdighedsniveauer og tid til kompetence blev forbedret.
Organisationer har også brug for specialisttalent til at bygge, styre og forklare AI. Disse roller kombinerer i stigende grad teknisk dybde med forretningsdomæneekspertise.
AI-jobopslag er mere end tredoblet siden slutningen af 2023, hvilket skærper konkurrencen. Banker og forsikringsselskaber skal differentiere sig. For en stor bank har vi repositioneret sit employer brand i Indien, hvilket muliggjorde en hurtig opbygning af en 1.000 personers dataorganisation, der opererer i en moderne, global model.
Gennem LearnVantage tager vi også fat på dybere specialistviden for data- og AI-professionelle, især efter vores opkøb af Udacity, Ascendient og AIdemy.
Eksempler omfatter:
Disse bestræbelser går ud over grundlæggende træning, hvor mange omskolingsprogrammer stopper. Vi bygger konsekvent avanceret og ekspertkapacitet gennem strukturerede digitale veje, rigtige projekter, mentorordninger, nano-grader og kollaborativ læring.
Efterhånden som AI-kvaliteten øges, er der risiko for, at arbejdere bliver overdreven afhængige af AI og effektivt 'falder i søvn ved rattet'. Hvis vi har et menneske i spidsen, ønsker vi, at de skal være effektive og aktive i denne rolle. I en undersøgelse af rekrutterere fandt Dell'Aqua, at rekrutterere, der stolede for meget på AI, traf dårligere valgbeslutninger og gik glip af strålende kandidater. Den stigende ydeevne af AI erstattede i stedet for at hæve deres menneskelige ydeevne.
Vi er vanevæsener og søger at minimere kognitiv belastning (også kaldet 'den mindste modstands vej'). Vi har brug for en grund til at være opmærksom, kontrollere AI-resultater godt, opretholde en sund skepsis og ikke overtillid. Vi skal bruge AI-output som et udkast og kombinere dem med vores egen menneskelige opfindsomhed. At være et godt menneske i spidsen kræver kognitiv belastning.
Hvis vi ikke forstår det grundlæggende i arbejdet, eller hvordan en beslutning skal træffes, kan vi ikke korrekt gennemgå AI-output, opdage fejl eller anvende dømmekraft, når en tilsidesættelse er nødvendig. Da AI fremskynder arbejdet og forbedrer dets resultater, burde der være mere tid til god beslutningstagning. Risikoen er, at vi i stedet forhaster beslutninger og overtillid til maskinen. Vi har fundet måder at imødegå dette på:målrettet træning, strukturerede beslutningsanmodninger, opdeling af komplekse vurderinger i logiske trin, krævende AI-forklaringer og -citater, anomalidetektion og etisk overvågning af både AI og menneskelig præstation.
Når AI er skaleret på arbejdspladsen, er vi nødt til at integrere AI i arbejdsborde og værktøjer på en måde, der fremmer god brug. Vi skal træne medarbejderne i at bruge AI godt og på de menneskelige færdigheder, vi ønsker, at de skal anvende (f.eks. dømmekraft). Vi er nødt til at give incitamenter og afskrækkende incitamenter til at fremme den rigtige adfærd og skabe sunde mønstre for selvrefleksion (f.eks. team retrospektiver, individuel refleksion, peer review osv.).
Maksimering af AI-afkast af investeringen handler ikke om at maksimere AI-ydelsen isoleret set, men at forbedre menneskets og agenternes ydeevne sammen. Det betyder også at højne menneskelige færdigheder. For eksempel er min personlige erfaring med mine kreative teams, at kunstig intelligens i hænderne på faglærte arbejdere, der aktivt forstærker og beriger deres arbejde, får mere kreativ mangfoldighed og hurtigere resultater i stedet for at sløve deres håndværk.
Hvordan AI er trænet til at interagere med menneskelige arbejdere, betyder virkelig også noget for læring. En nylig undersøgelse fra Wharton implementerede GPT-baserede vejledere til tusind studerende - adgang til denne AI forbedrede elevernes præstation markant - men da AI'en blev fjernet, faldt ydeevnen. AI var blevet en krykke. Hvor en tutor-baseret AI var blevet implementeret, blev dette præstationsfald stort set afbødet. Vi er nødt til at designe og uddanne agenter til at understøtte medarbejdernes kompetenceudvikling, som en god holdkammerat.
Dette er især vigtigt i roller på begynderniveau og i de tidlige år. Grundlæggende færdigheder, situationsvurdering og grundlæggende domæneviden er traditionelt blevet udviklet gennem on-the-job learning. Da disse roller på begynderniveau reduceres, og vi har mindre grundlæggende arbejde at 'lære rebene' på, er vi nødt til at finde forskellige måder at hjælpe den næste generation af talenter med at lære.
Jeg elsker min kollega Karalee Closes syn på dette - vi er nødt til at bruge dette øjeblik til at forstærke menneskelig intelligens, ikke bare forstærke eller kunstigt replikere den. Et område af fortsat interesse for mig er kollektiv intelligens, og hvordan AI kan styrke udviklingen af delt viden, skabe aktiv dialog, kan sænke sprogbarrierer og hjælpe os med at forbinde og samarbejde med kolleger og indhold rundt om i verden.
På tværs af mine tidligere blogs i denne serie har vi set agent AI arbejde sammen med mennesker. For mange mennesker (inkluderet mig) er AI allerede en kollega. Spol tre år frem, og en bank eller et forsikringsselskab kan operere med en arbejdsstyrke på en million, menneske og agent tilsammen.
Hvordan administrerer vi denne nye hybride arbejdsstyrke? Nogle tanker om agenterne:
Vi skal også tilpasse, hvordan vi støtter kolleger:
Denne diskussion om den hybride arbejdsstyrke er netop ved at dukke op og kræver omhyggelig udforskning. Selvom AI har menneskelignende egenskaber, og det kan være trøstende at give det navne, bør vi ikke antropomorfisere AI og gøre det lig med menneskelige arbejdere. Vi får brug for et bedre sprog. Vi værdsætter menneskers unikke iboende værdi og opretholder en klar forskel i forhold til agenter.
En effektiv AI-arbejdsstyrkestrategi skal kombinere medarbejderstemme med måling. Organisationer, der aktivt lytter til medarbejderne og afspejler dette input i AI-beslutninger, ser højere adoption, stærkere tillid og mere bæredygtig ydeevne (SHRM, 2025).
Medarbejderstemme kan antage mange former:medarbejderrepræsentation i AI-etiske bestyrelser, konsultation med fagforeninger og ERG'er, deltagende design, struktureret feedback under piloter, løbende feedback i brug og stærke kanaler til at rejse bekymringer og whistleblowing. Finansielle serviceorganisationer har gjort fremskridt i løbet af det sidste årti med at lytte og reagere på bekymringer; dette omfatter nu bekymringer om agentens nøjagtighed og ydeevne.
Måling gør fremskridt synligt. Sporing af AI-adoption, medarbejdertilfredshed, kompetencevækst og digitalt flydende hjælper ledere og HR-kurser med at rette og fastholde momentum.
Chief People Officer eller CHRO har en nøglerolle som forandringsleder, der hjælper hele ledelsesteamet med at lede menneskers forandring godt, navigerer i, hvordan man administrerer den nye hybride arbejdsstyrke og støtter deres egen HR-funktion i at omfavne AI på en ansvarlig måde.
HR-teams skal understøtte lederuddannelse, omskoling af arbejdsstyrken og erhvervelse og udvikling af specialistdata og AI-talenter. Forretningspartnere har også brug for en dybere forståelse af, hvordan arbejde og færdigheder ændrer sig inden for deres funktioner. Dette kræver nedbrydning af siloer.
Næsten alle Talent Reinventors (96%) tilpasser HR-, IT- og virksomhedsledere omkring en enkelt talent- og teknologistrategi sammenlignet med kun 16% af andre organisationer. Tilsvarende har 93 % omdefineret deres talentstrategi for at understøtte AI-adoption, og placere HR som en copilot af forandring frem for en reaktiv funktion.
For at levere dette skift skal talentteams være i stand til at vokse, omplacere og omforme hybrid arbejdsstyrke hurtigt. Belønningsteams har brug for nye økonomiske modeller, der afspejler en hybrid arbejdsstyrke. Samtidig skaber kunstig intelligens betydelige muligheder inden for HR, hvilket forbedrer resultater, erfaring og serviceeffektivitet.
For HR-professionelle er dette et spændende øjeblik. Deres rolle har sjældent været mere kritisk.
Vores ansvarlige AI-program for HR, der blev lanceret i 2016, var designet til at accelerere, styre og overvåge AI-brug på tværs af HR. Vi anvender nu kunstig intelligens på tværs af hele talentlivscyklussen – rekruttering, onboarding, udvikling, mobilitet, belønning og kollegastøtte.
Effekten har været væsentlig:omkring 45 % produktivitetsgevinster inden for HR, en 30 % forbedring i færdigheder til prioriterede færdigheder, en 40 % stigning i interne opfyldningsrater og en 35 % reduktion i tid til udfyldning. Disse resultater styrker kollegerne. For eksempel bruger vi kunstig intelligens til at udlede færdigheder fra arbejds- og læringserfaring, give dem et overblik over medarbejderne og hjælpe dem med at identificere fremtidige roller, karriereveje og læringsmuligheder.
Mange kunder med finansielle tjenester bevæger sig også fra reaktiv ansættelse til proaktive talentstrategier ved at bruge platforme som Eightfold.ai og Beamery til at understøtte sourcing, rollematching, pipelineopbygning og intern mobilitet.
Alligevel viste vores Talent Reinventors-undersøgelse, at kun omkring 7 % af organisationerne bruger AI til at drive en "internt først" mobilitetsstrategi. De fleste er stadig stærkt afhængige af ekstern ansættelse eller isolerede interne bevægelser på grund af dårlig synlighed af færdigheder. Talent-genopfindere tager en anden vej. De er 4,4 gange mere tilbøjelige til at have en tilpasningsdygtig arbejdsstyrke og 7,2 gange mere tilbøjelige til at udfylde roller internt.
En stor amerikansk bank er et stærkt eksempel. Ved at vedtage en færdighedsdrevet model og integrere AI-aktiveret færdighedssynlighed i arbejdsstyrkeplanlægningen, kan ledere forudse huller og hurtigt omplacere talenter og opbygge en mere agil og modstandsdygtig organisation.
Hos en anden stor bankkunde har vi udstyret linjechefer med AI-værktøjer til at udarbejde præstationsoversigter, levere bedre feedback og understøtte kompensationsbeslutninger, spare tid, forbedre kvaliteten og skabe plads til stærkere dømmekraft.
Nogle nøglepunkter, du måske ønsker at reflektere over – fortæl mig dine tanker og ideer:
I denne næstsidste blog undersøgte vi, hvordan finansielle servicevirksomheder skal omforme deres arbejdsstyrke. Agentisk AI kræver, at vi tænker anderledes om mennesker og agenter, der arbejder sammen. Banker og forsikringsselskaber vil sandsynligvis ansætte mindre, men langt mere digitalt og menneskelige kvalificerede arbejdsstyrker, hvilket driver en vedvarende efterspørgsel efter omskoling. HR skal være central i denne overgang og hjælpe ledere med at navigere i forandringer og styre den hybride arbejdsstyrke.
I den sidste blog i denne serie vil jeg undersøge, hvordan ledelse, kultur og driftsmodeller også skal udvikle sig for at opretholde denne transformation.
SEBI lancerer nyt oplysningsformat under regler for insiderhandel
Ekspertinterviewserie:Steph Halligan om at eliminere gæld, mens du sparer til (eller forberedelse af) pensionering
De vigtige grunde til, at du har brug for flere indkomststrømme
Sådan forstår du et forsikringsgebyr
Kan jeg få et payday-lån, hvis min bankkonto er overtrukket?