优秀的员工不是天生的。 随着时间的推移，他们通过结合在职经验、正式培训、指导和指导（雇主可以高度控制这些投入）来发展自己的技能。 然而，大多数公司都难以为员工提供所需的广度和深度的支持。 辅导和培训干预通常不频繁、范围有限，并且采用一刀切的方法进行。
这种工作方式的弱点现在变得越来越明显，新冠肺炎 (COVID-19) 大流行加剧了这种弱点，许多组织面临的高人员流失也凸显了这一点。 危机加速了向远程工作的过渡，减少了员工与团队领导或教练之间非正式、面对面互动的机会。 具有众多指标的复杂绩效管理系统使员工及其经理很难识别并关注最重要的问题。
在一些组织中，根深蒂固的文化和习惯已被证明很难摆脱。 在其他情况下，使用通用和重复的反馈使员工对学习和发展感到失望。 在最坏的情况下，考虑不周的指导和反馈实际上可能会损害员工的体验、士气和敬业度，从而加剧员工流失。 流动性或分散员工比例较高的组织尤其容易受到影响，因为他们几乎没有时间来培养和灌输高绩效行为。
拥有强大绩效管理文化的组织知道，绩效最高的员工和绩效最差的员工之间存在巨大差距。 其他公司也有同样的怀疑，即使他们缺乏数据来证明这一点。 领先的公司还明白，在职培训、指导和支持必须根据个人的优势和才能进行定制。
利用行为洞察力的力量
如今，行为心理学开始改变公司与员工和客户互动的方式。 近年来，越来越多的组织自己发现，看似简单的推动可能是促进积极行为的非常有效的方式。 一家保险公司鼓励客户锻炼身体并过上健康的生活方式，从而减少索赔。 一家钢铁制造商在其一家工厂张贴了“注视之眼”的海报，提醒员工安全程序的重要性后，遵守安全程序的员工数量增加了 35%。 一家大型金融机构开始向信贷员提供小奖品，以鼓励尽早实现每月目标。 这导致本月前两周新贷款增长了 18%。 这些只是助推技术的一个子集，是众多经过验证的选项中的一部分。
随着客户互动越来越多地通过数字渠道进行，领先的组织已经能够在客户旅程中极大地改进助推技术的使用。 人工智能和机器学习 (ML) 的进步使公司能够识别客户的关键决策点，并提供及时且有针对性的建议，从而显着改善销售、客户体验和保留率。 这些复杂和个性化的方法现在正在激发人工智能驱动的员工敬业度的创新，而数字手持设备的普及使之成为可能。
AI教练登场
公司正在将行为科学见解与最新的人工智能技术相结合，为员工创造一种新型的定制辅导体验。 与最好的面向客户的人工智能驱动工具一样，这些新的“智能人工智能辅导”系统结合了多个数据源，以识别员工绩效的具体优势和劣势。 他们利用这些数据来选择及时的、针对具体情况的推动，通过员工的计算机或手持设备进行智能、有意识的重复。 这些推动可以通过多种方式实现：作为定期的、结构化的计划； 作为按需服务； 或者在员工执行任务时实时进行。 它们也可以涵盖广泛的主题，例如员工健康、客户体验或运营效率。 还可以向主管提供推动，鼓励他们在正确的时间指导员工掌握正确的技能。
人工智能驱动的教练使用经过验证的原则来改变根深蒂固的习惯。 例如，成人学习专家大卫·科尔布（David Kolb）证明，成年人不能仅仅通过听指令来学习。 他们还必须吸收新信息，进行实验性使用，并将其与现有知识相结合。 这意味着新技能最好分小块学习，让学习者有机会立即将新知识付诸实践。 此外，行为改变需要在很长一段时间内重复行动并保持一致性，然后才能内化并以可预测的方式表现出来。 伦敦大学学院的研究人员进行的一项关于习惯形成的研究发现，参与者需要 18 至 254 天的重复行动才能养成一个习惯。1
由于人们的注意力持续时间较短，消化新信息的带宽也较窄，因此人工智能算法有助于确定每个员工需要关注的最关键指标。 这些系统还旨在随着时间的推移提高自身的性能。 可以分析个人对不同推动的反应，以了解他们喜欢的学习风格以及最适合他们的干预类型。
基于人工智能的系统需要被设计为补充传统的面对面绩效管理和辅导，而不是取代它。 如果是的话，人工智能系统可以为管理者提供详细的见解，告诉他们特定员工何时值得赞扬和公开庆祝，以及其他人何时需要额外支持来帮助他们解决特定领域的绩效问题。
一家公用事业公司使用人工智能辅导方法来提高其现场服务技术人员的工作效率和质量。 该公司建立了一个推荐引擎，根据个人过去在关键指标（例如每项工作的时间或返工率）方面的表现来识别个性化的辅导机会。 然后，它开发了一个直接向技术人员及其经理提供有针对性的推动和最佳实践的库。
这些推动包括完成某些步骤或行动的请求，以及特定活动的最佳实践摘要，以及视频剪辑等非正式培训内容的链接。 最初的推动之后会发出提醒，而根据这些推动而提高绩效的技术人员将收到“肯定”推动，以表彰他们的进步。 消息的内容和整体基调根据技术人员对发送给他们的个性化提示组合的反应进行调整。
该系统在现场服务人员的测试小组中进行了试点，通过与依赖公司传统辅导和绩效管理技术的类似小组进行比较来衡量其绩效。 结果令人信服。 与对照组相比，测试组的生产率提高了 8% 至 10%，而返工需求则下降了 20% 至 30%。 这些生产力和质量的提高共同帮助成本降低了 5% 到 10%。 更好的是，该系统深受现场技术人员及其经理的喜爱。
另一家公司使用智能人工智能辅导技术来提高其客户服务呼叫中心的绩效。 在与客户对话开始时，人工智能系统会根据客户的个人资料和过去的活动确定最可能的通话原因。 然后，它会提醒代理与此类交互相关的最佳实践。 随着通话的进行，系统会提供自动实时提示，例如建议额外的诊断步骤或交叉销售机会。 客服人员每周都会收到报告，庆祝在推动解决的领域中的良好表现，例如减少平均处理时间或始终将呼叫重新路由到最合适的团队。 该报告还建议采取行动和提供资源来解决可以改进的领域。
该系统也支持团队领导者。 每天开始时，它都会根据当天最有可能的呼叫类型的预测，为他们提供资源，以便他们在早间会议中与团队共享。 在轮班期间，它会跟踪正在进行的呼叫的进度，并标记那些可能需要主管注意的呼叫。 每周总结提供了对团队和代理级别绩效的见解，并提供了有效辅导干预的建议。
基于人工智能的教练系统现在在一系列环境中产生了重大影响。 在一家商业服务提供商的呼叫中心，系统引入后三周内平均处理时间下降了 11%。 另一家公司将需要转接给第二个客服人员来解决客户问题的呼叫份额迅速下降了 10%。 在一家医疗保健公司，人工智能系统在其监控的 60% 以上的通话中识别出了辅导机会。
让智能人工智能辅导发挥作用
基于人工智能的辅导系统在各种不同的工作情况下都能产生令人印象深刻的结果，但要使其有效发挥作用，需要仔细定位、测试和开发。 除了员工日常访问数字设备的明显需求之外，该方法最适合具有一些共同特征的环境。 首先，公司必须充分了解员工个人层面的关键 KPI，并且必须能够根据这些 KPI 来定义员工绩效的期望。 其次，它必须有明确的改进机会。 通常，这意味着一组员工通常表现不佳，或者个人之间的绩效差异很大。
一旦公司确定了合适的目标群体，最好使用敏捷原则来部署该方法。 通常，这涉及创建最小可行产品 (MVP)，可以对选定的员工小组进行测试。 MVP 可用于评估人们对不同类型推动的反应，并改进洞察交付的方式和时机，以确保为用户提供无缝体验。 根据公司在人工智能/机器学习/高级分析过程中的成熟度，最好先从商业智能工具开始，然后再转向更复杂的算法。
正如新技术的情况一样，大部分艰苦工作都是在数字工具之外进行的。 成功的组织建立了一个由数字和学习专家组成的核心团队来领导试点并推动系统的开发，创建和改进人工智能模型，为员工提供新的推动力并为经理提供见解，并随着时间的推移扩展系统以覆盖额外的关键绩效指标和 用例。 该团队还可以与更广泛的业务合作，确保为系统的所有用户提供适当的培训和支持，并促进整个组织的有效变革管理。
当员工感受到雇主的理解和支持时，他们往往会更快乐、更有效率，也更有可能留下来。 借助人工智能的力量，公司最终可以每天为成百上千的人提供及时、定制和有效的大规模辅导。
