वर्कप्लेस AI कोचिंग: परिणामों से पहले स्पष्ट नियम बनाना अनिवार्य

रिसर्चर्स ने ऑर्गेनाइज़ेशनल कोचिंग में आर्टिफिशियल इंटेलिजेंस (AI) के इस्तेमाल के लिए एक नया फ्रेमवर्क प्रपोज़ किया है, जिसमें ज़ोर दिया गया है कि AI कंपनियों को एम्प्लॉई डेवलपमेंट को स्केल करने में तभी मदद कर सकता है जब प्रोसेस में शुरू से ही ह्यूमन ओवरसाइट, ऑडिटेबिलिटी और साफ़ फ़ैसले लेने के अधिकार शामिल हों।

ऑर्गेनाइज़ेशनल कोचिंग प्रोसेस में आर्टिफिशियल इंटेलिजेंस को अपनाना नाम की यह स्टडी AI में पब्लिश हुई थी। यह एक गवर्नेंस-अवेयर फ्रेमवर्क पेश करता है जो OSCAR, नॉलेज-स्किल्स-एबिलिटीज़ टारगेट, सिचुएशनल लीडरशिप और की परफ़ॉर्मेंस इंडिकेटर्स को मिलाकर एक स्ट्रक्चर्ड मॉडल के ज़रिए AI को कोचिंग वर्कफ़्लो में इंटीग्रेट करता है, साथ ही यह चेतावनी भी देता है कि सबूत अभी भी प्रोटोटाइप और शुरुआती वैलिडेशन स्टेज पर हैं, न कि असल दुनिया के ऑर्गेनाइज़ेशनल असर के सबूत के तौर पर।

AI कोचिंग को स्केल करने से पहले स्ट्रक्चर की ज़रूरत है

मौजूदा काम में AI कोचिंग कैपेबिलिटीज़, अपनाने के फ़ैक्टर्स और एथिकल प्रिंसिपल्स पर चर्चा की गई है, लेकिन उन आइडियाज़ को पूरी तरह से प्रैक्टिकल ऑर्गेनाइज़ेशनल वर्कफ़्लो में ट्रांसलेट नहीं किया गया है। रिसर्चर्स के अनुसार, जो चीज़ गायब है, वह एक ऐसा फ्रेमवर्क है जो बताता है कि कोचिंग फ़ेज़ में AI को कैसे एम्बेड किया जाना चाहिए, एम्प्लॉई कॉम्पिटेंसीज़ को कैसे डिफाइन किया जाना चाहिए, प्रोग्रेस को कैसे मॉनिटर किया जाना चाहिए और कोचिंग प्रोसेस के अंदर गवर्नेंस को कैसे ऑपरेट करना चाहिए।

इस कमी को पूरा करने के लिए, लेखकों ने 10-फेज़ का कोचिंग साइकिल बनाया। यह प्रोसेस कंपनी के कॉन्टेक्स्ट से शुरू होता है, जिसमें स्ट्रेटेजी, मिशन और रुकावटें शामिल हैं। फिर यह गोल सेटिंग, प्रेजेंट-स्टेट एनालिसिस, डेवलपमेंट-लेवल असेसमेंट, ऑप्शन जेनरेशन, एक्शन प्लानिंग, कॉम्पिटेंसी मैपिंग, KPI क्रिएशन और रिव्यू में जाने से पहले एम्प्लॉई के रोल और काम की सिचुएशन को क्लियर करता है।

यह डिज़ाइन OSCAR के आस-पास बनाया गया है, जो आउटकम, सिचुएशन, चॉइस, एक्शन और रिव्यू पर आधारित एक कोचिंग मॉडल है। इस फ्रेमवर्क में, OSCAR प्रोसेस को रीढ़ देता है। यह AI को एम्प्लॉई को गोल डेफिनिशन से एक्शन और रिव्यू तक ले जाने के लिए एक स्ट्रक्चर्ड सीक्वेंस देता है।

नॉलेज-स्किल्स-एबिलिटीज़ मॉडल एक कॉम्पिटेंसी लेयर जोड़ता है। कोचिंग गोल्स को बड़े एम्बिशन के तौर पर छोड़ने के बजाय, फ्रेमवर्क AI सिस्टम को यह डिफाइन करने के लिए पुश करता है कि कौन सा नॉलेज हासिल किया जाना चाहिए, किन स्किल्स की प्रैक्टिस की जानी चाहिए और किन एबिलिटीज़ को मजबूत किया जाना चाहिए। यह स्टेप एम्प्लॉई डेवलपमेंट प्लान के लिए कोचिंग आउटपुट को यूज़ेबल बनाने के लिए सेंट्रल है।

सिचुएशनल लीडरशिप अडैप्टेशन जोड़ता है। AI को कॉम्पिटेंस और कमिटमेंट के आधार पर एम्प्लॉई के रेडीनेस लेवल को क्लासिफाई करने के लिए डिज़ाइन किया गया है, फिर गाइडेंस की मात्रा और स्टाइल को एडजस्ट करता है। एक नए कर्मचारी को ज़्यादा डायरेक्टिव सपोर्ट मिल सकता है, जबकि एक ज़्यादा अनुभवी कर्मचारी को हल्का, ज़्यादा डेलीगेटिव तरीका मिलता है।

KPIs मेज़रमेंट और गवर्नेंस जोड़ते हैं। फ्रेमवर्क के लिए AI को ऐसे इंडिकेटर बनाने की ज़रूरत होती है जो कोचिंग प्लान को ऑर्गनाइज़ेशनल लक्ष्यों से जोड़ते हैं, जिसमें टारगेट, सोर्स, रिव्यू की फ़्रीक्वेंसी और ओनरशिप शामिल हैं। लेखक इस बात पर ज़ोर देते हैं कि इन KPI स्ट्रक्चर को अभी वैलिडेट परफ़ॉर्मेंस मेज़र के तौर पर नहीं माना जाना चाहिए। वे प्रोटोटाइप आउटपुट हैं जिनका मकसद यह दिखाना है कि प्रोग्रेस को कैसे रिव्यू करने लायक बनाया जा सकता है।

फ्रेमवर्क एक सख़्त एकतरफ़ा सीक्वेंस को भी खारिज करता है। रिव्यू पॉइंट कर्मचारी को पहले के फ़ेज़ में वापस भेज सकते हैं जब लक्ष्य बदलते हैं, प्रोग्रेस रुक जाती है, स्थिति बदल जाती है या चुना गया एक्शन प्लान अवास्तविक साबित होता है। वह इटरेटिव डिज़ाइन मायने रखता है क्योंकि कोचिंग शायद ही कभी लीनियर होती है। यह सोच-विचार, एडजस्टमेंट और नए कमिटमेंट से सामने आती है।

AI कोचिंग रिस्क के ख़िलाफ़ इंसानी निगरानी ही सुरक्षा है।

AI कोचिंग को लोगों के डेवलपमेंट सिस्टम के तौर पर कंट्रोल किया जाना चाहिए, न कि चैटबॉट डिप्लॉयमेंट के तौर पर। रिसर्चर कई मुख्य रिस्क की पहचान करते हैं: गलत डेवलपमेंट सलाह, प्राइवेसी ब्रीच, बायस्ड कॉम्पिटेंसी जजमेंट, ऑटोमेटेड गाइडेंस पर बहुत ज़्यादा डिपेंडेंस और साफ़ नहीं एस्केलेशन नियम।

उन रिस्क को कंट्रोल करने के लिए, फ्रेमवर्क AI आउटपुट को ड्राफ्ट की तरह मानता है। AI सवाल पूछ सकता है, कॉन्टेक्स्ट को समराइज़ कर सकता है, डेवलपमेंट लेवल प्रपोज़ कर सकता है, ऑप्शन बना सकता है, एक्शन प्लान का ड्राफ्ट बना सकता है और KPIs सजेस्ट कर सकता है। लेकिन यह आखिरी फैसले नहीं लेता है। एम्प्लॉई, मैनेजर या ऑर्गेनाइज़ेशनल अप्रूवर के पास गोल, एक्शन कमिटमेंट, KPI अप्रूवल और एस्केलेशन पर अथॉरिटी रहती है।

फ्रेमवर्क में कोचिंग साइकिल में साफ फैसले लेने के अधिकार शामिल हैं। कंपनी कोचिंग और गवर्नेंस कंस्ट्रेंट के परमिसेबल स्कोप को डिफाइन करती है। एम्प्लॉई रोल कॉन्टेक्स्ट कन्फर्म करता है, ऑप्शन चुनता है और एक्शन के लिए कमिट करता है। जब रिसोर्स, बजट, पॉलिसी या हाई-स्टेक फैसले शामिल होते हैं तो मैनेजर या अप्रूवर दखल देते हैं। जब सिचुएशन AI सपोर्ट के सही स्कोप से ज़्यादा हो जाती है तो ह्यूमन कोच या सुपरवाइज़र दखल देते हैं।

यह स्टडी एथिकल प्रिंसिपल्स को ऑपरेशनल कंट्रोल में भी बदल देती है। इसमें यह डिस्क्लोज़र करने की ज़रूरत है कि यूज़र AI-सपोर्टेड असिस्टेंट के साथ इंटरैक्ट कर रहा है, डेटा मिनिमाइज़ेशन, स्कोप रिस्ट्रिक्शन, ह्यूमन वैलिडेशन, ऑडिट लॉग, रिव्यू चेकपॉइंट, बायस चेक और एस्केलेशन पाथवे। सेंसिटिव या आउट-ऑफ-स्कोप मामलों को ह्यूमन ओवरसाइट के लिए रूट किया जाना चाहिए।

गवर्नेंस लेयर बहुत ज़रूरी है क्योंकि ऑर्गेनाइज़ेशनल कोचिंग में पर्सनल एम्बिशन, परफॉर्मेंस की दिक्कतें, आपसी झगड़े और करियर के फैसले शामिल हो सकते हैं। एक AI सिस्टम जो कॉन्फिडेंट लेकिन गलत गाइडेंस देता है, वह किसी एम्प्लॉई के सेल्फ-असेसमेंट को बिगाड़ सकता है या उन्हें गलत डेवलपमेंट प्रायोरिटी की ओर धकेल सकता है। फ्रेमवर्क हर बड़े आउटपुट को रिव्यू करने लायक बनाकर और आउटपुट को अपनाने से पहले इंसानी मंज़ूरी की ज़रूरत डालकर इसे रोकने की कोशिश करता है।

लेखक अपनाने के सबूत और असर के सबूत में भी फ़र्क करते हैं। लोगों को AI कोचिंग काम की, आसान या आसानी से मिलने वाली लग सकती है, लेकिन इससे यह साबित नहीं होता कि यह व्यवहार, काबिलियत, लक्ष्य पाने या ऑर्गेनाइज़ेशनल परफॉर्मेंस में सुधार करती है। स्टडी इस बात पर ज़ोर देती है कि AI कोचिंग रिसर्च अभी नई है और कई मौजूदा स्टडी शॉर्ट-टर्म सबूत, छोटे सैंपल या खुद बताई गई सोच पर निर्भर करती हैं।

स्टडी यह दावा नहीं करती है कि AI-सपोर्टेड कोचिंग इंसानी कोचिंग से बेहतर परफॉर्म करती है। इसमें कोई कंट्रोल ग्रुप, लंबे समय तक एम्प्लॉई ट्रैकिंग या किसी ऑर्गेनाइज़ेशन में रियल-वर्ल्ड डिप्लॉयमेंट शामिल नहीं है। यह इस बात का मूल्यांकन करती है कि क्या फ्रेमवर्क को ठीक से डिज़ाइन, इंस्टैंशिएट और एक्सपर्ट द्वारा सही माना जा सकता है।

प्रोटोटाइप टेस्ट में उम्मीद दिख रही है, लेकिन असल दुनिया में अभी भी सबूत की कमी है।

रिसर्चर्स ने फ्रेमवर्क को एक मल्टी-फेज़ डिज़ाइन के ज़रिए टेस्ट किया, जिसमें एक स्ट्रक्चर्ड लिटरेचर रिव्यू, फ्रेमवर्क कंस्ट्रक्शन, बड़े लैंग्वेज मॉडल प्रोटोटाइपिंग, वर्कफ़्लो ऑटोमेशन और एक ऑनलाइन फ़ोकस ग्रुप के ज़रिए क्वालिटेटिव इवैल्यूएशन शामिल था।

प्रोटोटाइपिंग स्टेज में एक काल्पनिक कंपनी के अंदर दो काल्पनिक केस इस्तेमाल किए गए। एक केस में एक सीनियर UX मैनेजर यूज़ेबिलिटी रिसर्च क्वालिटी को स्प्रिंट की सीमाओं के साथ बैलेंस करने की कोशिश कर रहा था। दूसरे में एक फ्रंटएंड डेवलपर React से Angular में बदल रहा था। रिसर्चर्स ने फ्रेमवर्क को कई AI टूल्स के साथ टेस्ट किया और जांच की कि क्या हर एक ज़रूरी कोचिंग आर्टिफैक्ट बना सकता है, जिसमें SMART गोल, डेवलपमेंट-लेवल क्लासिफिकेशन, ऑप्शन, एक्शन प्लान, KSA मैप, KPI सेट और रिव्यू प्लान शामिल हैं।

नतीजों से पता चला कि फ्रेमवर्क को टूल्स और सिनेरियो में इंस्टैंशिएट किया जा सकता है। AI सिस्टम बड़े कोचिंग सीक्वेंस को फॉलो करने, डेवलपमेंट आर्टिफैक्ट बनाने और स्ट्रक्चर्ड आउटपुट बनाने में सक्षम थे। अलग-अलग टूल्स ने अलग-अलग टेंडेंसी दिखाईं। कुछ आउटपुट ज़्यादा टेक्निकल थे, दूसरे ज़्यादा मोटिवेशनल या एक्शन-ओरिएंटेड थे। लेकिन आम वर्कफ़्लो पहचानने लायक बना रहा।

रिसर्चर्स ने स्टेटफुल कोचिंग सेशन को सिमुलेट करने के लिए एक लैंग्वेज मॉडल और मेमोरी नोड के साथ n8n का इस्तेमाल करके एक प्रूफ-ऑफ-कॉन्सेप्ट ऑटोमेशन भी बनाया। इससे पता चला कि फ्रेमवर्क को सेव किए गए कॉन्टेक्स्ट और ऑडिटेबल आउटपुट के साथ एक ट्रेसेबल वर्कफ़्लो में बदला जा सकता है। हालांकि, स्टडी से यह साफ़ है कि यह एंटरप्राइज़-रेडी डिप्लॉयमेंट नहीं था। इसने स्केलेबिलिटी, फेलियर रिकवरी, एक्सेस कंट्रोल, सिक्योरिटी हार्डनिंग, ऑथेंटिकेशन, मॉनिटरिंग इंफ्रास्ट्रक्चर या प्रोडक्शन-लेवल रेजिलिएंस को टेस्ट नहीं किया।

फोकस ग्रुप में कोचिंग, साइकोलॉजी, ह्यूमन रिसोर्स और लर्निंग-ऑर्गनाइज़ेशन प्रैक्टिस के छह एक्सपर्ट शामिल थे। उनके फीडबैक ने कॉम्पिटेंस डेवलपमेंट के लिए फ्रेमवर्क की क्लैरिटी, फ्लो और यूटिलिटी को सपोर्ट किया, साथ ही गवर्नेंस की ज़रूरतों, मैनेजर इन्वॉल्वमेंट और क्लियर एस्केलेशन रूल्स पर भी ज़ोर दिया। फीडबैक ने फ्रेमवर्क के एक रिफाइंड वर्शन के बारे में बताया जिसने डिसीजन गेट्स को टाइट किया, डिलिवरेबल्स के लिए मिनिमम ज़रूरी फील्ड्स बताए और ओवरसाइट रोल्स को क्लियर किया।

स्टडी की लिमिटेशन्स को इग्नोर नहीं किया जा सकता। इवैल्यूएशन में असली एम्प्लॉइज के बजाय फिक्शनल सिनेरियो का इस्तेमाल किया गया और एक्सपर्ट सैंपल छोटा था। काम ने एम्प्लॉई परफॉर्मेंस, स्किल रिटेंशन, बिहेवियरल चेंज, KPI अटेनमेंट या बिज़नेस आउटकम्स को मेज़र नहीं किया। इसमें AI-सपोर्टेड कोचिंग की तुलना ह्यूमन कोचिंग या आम वर्कप्लेस डेवलपमेंट से नहीं की गई। लेखक नतीजों को प्रोटोटाइप की संभावना और क्वालिटेटिव सुधार का सबूत मानते हैं, असर का सबूत नहीं।