Miezi michache iliyopita, Mkurugenzi wa Uuguzi katika moja ya vituo vyetu alinipigia simu usiku wa Jumamosi. Alikuwa na watu wanne ambao hawakutokea kwenye zamu moja, saa nane kabla ya sensa ya asubuhi, na muuguzi mkuu ambaye alikuwa ameonya kuwa mfumo wake wa wafanyakazi ulikuwa umeharibika kwa wiki sita. Hakuna yeyote katika ngazi ya usimamizi juu yake aliyekuwa akisikiliza.
Simu hiyo haikuwa hasa kuhusu wale wauguzi wanne. Ilikuwa kuhusu ukweli kwamba, kufikia wakati kituo hicho kilipokuwa kinanipigia simu mwishoni mwa wiki, kila mfumo uliokuwepo — uhusiano na mawakala, kundi la wauguzi wa dharura, orodha ya malipo ya kila siku, mratibu aliyekuwa pembeni akiwa na tabo kumi na sita wazi kwenye kompyuta — yote yalikuwa yamemshinda. Vurugu zilikuwa zimeshinda.
Tulijaza zamu ile. Hiyo siyo hoja kuu ya hadithi hii. Hoja ni kwamba vurugu alizokuwa akizama nazo ndizo hasa AI inapaswa kutatua, na karibu hakuna yeyote anayejenga AI leo anayeelewa hilo.
Insha hii ni kuhusu sababu, na kuhusu kile ninachofikiri kitakuwa kundi linalofuata la programu za rasilimali watu.
Ninapaswa kuwa sahihi kuhusu ninaomwandikia. Hii si kwa ajili ya watafiti wa AI. Wana midahalo yao wenyewe, na hawamsubiri msimamizi wa shughuli kutoa maoni yake kuhusu usanifu wa "transformer". Hii ni kwa ajili ya watu wanaojenga bidhaa za AI: waanzilishi, viongozi wa bidhaa, na wawekezaji. Wengi wenu hamjawahi kusimamia binadamu kwa kiwango kikubwa, na wengi wenu mnaangazia tatizo lisilo sahihi.
Huu hapa ndio mtindo wa kawaida ninaouona katika bidhaa za wafanyakazi za AI hivi sasa. Mwanzilishi anabaini kazi ya uratibu ndani ya kampuni yake ambayo LLM inaweza kufanya, anajenga kifaa kinachofanya hivyo, na anajaribu kuuza kifaa hicho kwa wasimamizi katika sekta iliyodhibitiwa kisheria. Pichayake ni tija ya ndani. Okoa muda wa timu yako. Punguza idadi ya wafanyakazi wa ofisi za nyuma. Jiendeshee ratiba zako.
Ninaelewa mvuto wake. Tija ya ndani ndicho kitu rahisi zaidi kuonyesha (demo). AI inatusaidia ndani ya kundi letu — pale ShiftNex, timu yetu ndogo inahudumia wateja wengi zaidi kwa urahisi kuliko ilivyowezekana mwaka mmoja uliopita, na hilo lina umuhimu. Lakini hadithi ya tija ya ndani ni hadithi ndogo. Hadithi kubwa ni kile kinachotokea unapoacha kuelekeza AI kwenye mpangilio wa kampuni yako mwenyewe na kuanza kuelekeza kwenye vurugu za mteja wako.
Hiyo ndiyo hatua ninayotaka kuielezea, kwa sababu ndiyo itakayofafanua mwongo ujao wa programu za rasilimali watu — na kwa sababu nadhani inakaribia kupata jina.
Jinsi vurugu za mteja zinavyoonekana hasa
Mkurugenzi wa Uuguzi aliponipigia simu usiku ule, hakuwa akishughulika na tatizo moja tu. Alikuwa akishughulika na matatizo kumi na mawili, yaliyopangiliwa mmoja juu ya mwingine.
Sensa iliyopanda kwa asilimia ishirini ndani ya siku tatu. Mchanganyiko wa wagonjwa wenye mahitaji makubwa zaidi kuliko mfumo wake wa wafanyakazi ulivyodhania. Mawakala watatu wanamshikilia mateka kwa viwango tofauti vya malipo kwa zamu tofauti. Afisa wa uzingatiaji sheria yuko likizoni, huku kukiwa na makataa mawili ya ukaguzi wa jimbo ambayo hangeweza kuyasogeza mbele. Kundi la wahudumu ambapo majina yale kumi na tano yale yale yaliendelea kujitokeza kwa sababu wengine walikuwa wameacha kimya kimya kujibu simu zake. Mpito wa EMR unaopoteza saa moja kutoka kwa kila zamu ya muuguzi. Uwiano wa 2:1 wa kazi ya uratibu dhidi ya utunzaji wa wagonjwa kwa muuguzi wake mkuu bora, ambaye alikuwa amebakiza miezi mitatu tu kabla ya kuacha kazi.
Hakuna hata moja kati ya hizo ambayo ni tatizo la AI pekee. Kwa pamoja, hizo ndizo tatizo pekee alilonalo. Ni kile ambacho kila kiongozi wa kituo ambaye nimewahi kufanya naye kazi anakisimamia — moto wa kila mara, wenye nyanja nyingi ambapo vigezo hubadilika kila baada ya saa kumi na mbili na faini za kisheria kwa makosa hupimwa kwa mamilioni.
Hii ndiyo asili ya kazi hii. Na hii ndiyo asili ambayo karibu kila bidhaa ya nguvu kazi ya AI niliyoona ikionyeshwa katika miezi kumi na minane iliyopita inaipuuza kabisa.
Kuelekeza AI kwenye tatizo sahihi
Hapa ndivyo ninavyofikiri waendeshaji watakaoshinda katika kategoria hii watafanya — na kile tunachofanya ShiftNex, kwa sababu tuliishi ndani ya tatizo hili Actriv kwa miaka mingi kabla ya AI kuifanya iweze kutatulika:
Jinsi hiyo inavyoonekana, kwa vitendo, katika uzalishaji leo:
Idadi ya wagonjwa na ukali wa hali zao husomwa kwa wakati halisi, si kwa kurudi nyuma. Jukwaa huchakata data ya kituo wakati ule ule inapobadilika na kurekebisha mapendekezo ya wafanyakazi kabla ya upungufu kutokea saa 12 asubuhi. Kituo hakihitaji kutupigia simu. Mfumo tayari unajua.
Akiba ya wafanyakazi wa dharura inakuwa ya kudumu na ya moja kwa moja. Wahudumu wa afya na vituo huunganishwa bila wakala katikati anayechukua sehemu kubwa ya malipo na kusababisha msuguano katika kila hatua. Mfumo unalinganisha kulingana na kile kila upande unachotaka hasa — kitengo kinachopendwa, utaratibu wa ratiba, uzoefu wa EMR, malengo ya kifedha — si tu kile kinachofaa maelezo ya kazi.
Uzingatiaji wa sheria unabadilika kutoka kusubiri tatizo hadi kutabiri tatizo. Sheria hubadilika kila wiki. Hakuna ofisa wa uzingatiaji wa sheria wa kibinadamu anayeweza kwenda sambamba na mabadiliko katika majimbo mengi. Mfumo hufuatilia kila mabadiliko, huonyesha yale yanayohusika, na kuelekeza hatua za kuchukua — ili faini zisiwe kitu unachopambana nacho bali ziwe kitu unachozuia.
Uajiri unapungua kutoka siku hadi sekunde. Mhudumu wa afya anatuma ombi la kuunganishwa. Mfumo unahakiki, unathibitisha sifa, na kulinganisha na zamu zilizo wazi kwa wakati halisi. Pande hizo mbili zinaanza kufanya kazi pamoja siku hiyo hiyo. Kipindi cha siku kumi na nne cha kuanza kazi — kitu ambacho kila mwendeshaji wa uajiri anakubali kimyakimya kama gharama ya biashara — kinatoweka.
Uwajibikaji unategemea data badala ya kutegemea mahusiano. Marudio ya kutofika, kuchelewa, kufuata muda wa mapumziko, mifumo ya saa za ziada, viwango vya ukamilishaji wa zamu — yote yanapatikana kwenye simu, yote yanaulizika kwa lugha rahisi. Ufuatiliaji wa eneo kwa wakati halisi unathibitisha mhudumu yuko pale zamu ilipo. Uchambuzi wa tabia wa wakati halisi unaweka data ikitiririka. Mwendeshaji hahitaji kukumbuka ni mhudumu yupi wa kumwamini. Data inakumbuka kwa niaba yao.
Malipo yanatoka wakati ule ule zamu inapoisha. Hakuna ucheleweshaji wa wiki mbili, hakuna mzunguko wa ankara wa wakala, hakuna wasiwasi wa mhudumu kuhusu lini pesa itafika. Usambazaji wa wakati halisi dhidi ya zamu iliyohakikiwa na kukamilika. Hivi ndivyo mapinduzi ya uchumi wa gig yalivyopaswa kuwahisi wahudumu wa afya, na hayakuwa hivyo kamwe.
Kumbukumbu ya mhudumu wa afya inakuwa ya kudumu. Kila zamu iliyokamilika inasasisha wasifu. Saa za utunzaji hufuatiliwa katika ngazi ya kitengo — si kama madai ya wasifu yanayoripotiwa na mtu binafsi, bali kama rekodi iliyounganishwa ya kudumu ya mahali ambapo mhudumu alifanya kazi hasa, katika mazingira gani, kwa muda gani, na matokeo gani. Wasifu wa jadi — alifanya kazi hapa kuanzia tarehe hii hadi tarehe ile — unakuwa umepitwa na wakati wakati ule ule jukwaa linapokuwepo. Kumbukumbu ya mhudumu si tena orodha ya madai wanayotoa kujihusu. Ni historia iliyohakikiwa ya kazi waliyoifanya kweli.
Jumuiya zinajijenga zenyewe. Wahudumu wanapata marafiki. Mfumo unapendekeza watu sahihi kulingana na ratiba zinazofanana, taaluma zinazofanana, na mwelekeo wa kazi unaofanana. Jukwaa la uajiri linaacha kuwa tu sehemu ya miamala na linaanza kuwa mtandao halisi wa kitaaluma — jambo ambalo wahudumu wamekuwa wakilitaka kutoka kwa kampuni hizi kwa miaka thelathini na hawakuwahi kulipata.
Malengo ya kifedha ya wahudumu yanakuwa rahisi kufikiwa. CNA anauambia mfumo kuwa anajaribu kufikia lengo fulani la mwezi huku akiacha Jumatano zake huru kwa ajili ya shule. Jukwaa linatengeneza ratiba yake kulingana na lengo hilo, linaonyesha zamu zinazofaa, na kumwambia anapoenda mbele au nyuma ya malengo yake.
Matokeo hufuatiliwa hadi mwisho. Tunaweza kuona ikiwa vituo vinavyotumia jukwaa letu vinaonyesha tofauti zinazopimika katika matokeo ya wagonjwa — na mfumo unaonyesha kile kinacholeta mabadiliko dhidi ya kile kisicholeta. Bidhaa haiahidi tu huduma bora. Inaionyesha.
Orodha hiyo si mpango wa baadaye. Ni kile ambacho tayari kinafanya kazi. Na sababu inayofanya ifanye kazi ni kwamba hakuna hata moja iliyoelekezwa kwenye tija yetu ya ndani. Yote yameelekezwa kwenye vurugu ambazo Mkurugenzi wa Uuguzi alikuwa akizama nazo aliponipigia simu Jumamosi usiku.
Matokeo kama huduma
Hapa ndiyo nadharia ninayofikiri muongo ujao wa programu za nguvu kazi utajipanga kwayo:
Nataka kuwa mwangalifu na dai hili, kwa sababu majina ya kategoria hutumiwa kiholela. Ngoja nieleze kile ninachomaanisha hasa.
Kwa miaka ishirini iliyopita, mtindo mkuu katika programu za B2B umekuwa: tengeneza zana, toza gharama ya usajili, mteja atajua jinsi ya kupata thamani kutoka kwayo. Uwajibikaji wa muuzaji unaishia kwenye uhakika wa mfumo kufanya kazi na kutoa vipengele vipya. Ikiwa matokeo ya mteja yanaboreka kweli ni tatizo la mteja mwenyewe.
Mtindo huu ulifanya kazi wakati programu zilikuwa ngumu kuunda. Sasa si ngumu tena kuzijenga. Kila mtu aliye na kadi ya mkopo na wazo anaweza kuzindua programu sasa. Nilijenga jukwaa la kitaifa la huduma za afya kupitia Lovable ndani ya miezi kumi na miwili bila timu ya wahandisi. Kikwazo cha kuingia kwenye upande wa programu wa B2B kimeporomoka.
Kilichobaki imara — na ambacho kwa kweli kimezidi kuwa kigumu — ni kutoa matokeo yanayoweza kupimika ndani ya viwanda vyenye kanuni ngumu. Mkurugenzi wa Uuguzi hahitaji programu nyingine. Anazo nyingi. Anahitaji matokeo ya wagonjwa katika ngazi ya kitengo chake yaimarike, bajeti yake isiyumbe, kimbilio la wataalamu wake lipungue, na faini za ukiukaji wa taratibu zikome. Hivyo ndivyo vitu pekee ambavyo yeye hununua hasa.
Makampuni yatakayoshinda katika muongo ujao ni yale yatakayouza matokeo dhidi ya SLAs maalum, si programu dhidi ya orodha ya vipengele. Bei itaakisi hilo. Uwajibikaji utaakisi hilo. Bidhaa itaakisi hilo.
Hilo linaonekanaje kiutendaji? Linaonekana hivi:
Wewe ni CFO wa kampuni inayoendesha vituo vingi vya uuguzi vya kitaalamu. Ni wiki ya tatu ya mwezi. Unafungua mfumo. Kitu cha kwanza kinachokuambia ni kwamba unatumia pesa nje ya bajeti. Si kupitia chati unazopaswa kuzitafsiri. Ni kupitia sentensi, kwa lugha rahisi: "Unatabiriwa kuzidi bajeti ya wafanyakazi kwa asilimia kumi na moja mwezi huu. Chanzo ni saa za ziada katika vitengo viwili kwenye kituo kimoja, ambapo idadi ya RN wa kawaida imekuwa pungufu kwa siku tisa. Hivi ndivyo ninavyoweza kufanya."
Mfumo tayari umeshaandaa chaguzi tatu. Kila chaguo lina makadirio ya athari za kifedha, athari kwa hatari ya uchovu wa wataalamu kulingana na mzigo wa saa za ziada utakaohamishwa, na athari kwa kiwango cha kimbilio la wafanyakazi mwezi ujao. Unachagua chaguo unalotaka. Mfumo unatekeleza — unabaini wataalamu wanaostahili kutoka kwenye kundi la moja kwa moja, unapeana kipaumbele kwa wale wanaolingana na wasifu wa zamu hiyo na walio chini ya viwango vyao vya saa za ziada wanavyopendelea, unatuma ofa, na kuziba mapengo.
Mwezi mmoja baadaye, unafungua mfumo tena. "Mwezi uliopita: bajeti ilizidi kwa asilimia tatu badala ya kumi na moja. Matokeo ya wagonjwa yalibaki imara. Kimbilio la wataalamu lilishuka kwa nusu asilimia. Utabiri wa mwezi ujao: kulingana na bajeti, tukichukulia idadi ya sasa ya wagonjwa."
Hiyo siyo dashibodi. Hivyo siyo kijibu-otomatiki. Huyo ni mfanyakazi mwenza wa kidijitali — kaimu COO anayefanya kazi chinichini, kwa wakati halisi, kulingana na matokeo maalum ambayo mwendeshaji hununua hasa. Na swali la mwendeshaji halitakuwa tena "je, programu inafanya kazi?" Itakuwa "je, matokeo yangu yameimarika?" Ambayo ndiyo swali pekee ambalo limewahi kuwa na umuhimu.
Nini kinabadilika unapochukulia hili kwa umakini
Mambo matatu, kwa waasisi na wawekezaji wanaosoma hili.
Acha kuuza programu. Anza kuuza matokeo. Maelezo ya tija ya ndani ni maelezo yasiyo sahihi. Waendeshaji katika viwanda vyenye kanuni hawana tatizo la tija. Wana tatizo la machafuko na tatizo la uwajibikaji. Wauzie zana, na wataifanyia majaribio, wataituma kwa idara ya manunuzi, na kuiacha ififie huko. Wauzie maboresho yanayoweza kupimika dhidi ya matokeo manne au matano wanayowajibika kwayo — na uweke bei ya bidhaa kulingana na matokeo hayo — nao watanunua katika mkutano wa kwanza. Mtindo huu wa bei utahisiwa kuwa mgeni kwa wauzaji waliozoea kutoza ada kulingana na idadi ya watumiaji. Ni mtindo sahihi wa bei.
Bidhaa lazima ithibitishe thamani yake hadi wodini. Kila shilingi na kila dakika ambayo mfumo huokoa kwa mwendeshaji inapaswa kuelekezwa wodini — kwa muuguzi ambaye ana muda mwingi zaidi na mgonjwa wake, kwa bajeti inayokwenda kwenye huduma bora badala ya faida bora, kwa mtaalamu ambaye hatimaye anaweza kufikia malengo yake ya kifedha bila kuchoka kupita kiasi. Bidhaa ambayo haileti tija hadi wodini si bidhaa ya huduma ya afya. Ni bidhaa ya unyonyaji iliyovaa mavazi ya huduma ya afya. Waendeshaji wanaweza kutambua utofauti huo ndani ya siku tisini.
Timu inakuwa kiongeza nguvu, si kituo cha gharama. Timu ya ndani katika ShiftNex ni ndogo. Itabaki kuwa ndogo. Lakini kila mtu ndani yake sasa anahudumia wateja wengi zaidi, anatoa uzoefu bora kwa mteja, na anajenga ushirikiano bora wa wataalamu kuliko ambavyo ingewezekana bila AI katika mchakato huo. Hiyo ndiyo hadithi ya tija ya ndani — lakini ni matokeo ya kuelekeza AI kwenye machafuko ya mteja, siyo lengo lenyewe.
Wodini ndipo ambapo pana umuhimu
Nataka kila nwaasisi wa AI anayesoma hili kuelewa jambo moja: ngazi ya uendeshaji ambapo kazi inafanyika hasa ndipo makampuni yajayo yatakayofafanua kundi jipya la nguvu kazi yatajengwa. Siyo katika maabara. Siyo katika makampuni machanga ya zana za tija. Ni katika viwanda vyenye kanuni ambapo binadamu huratibu binadamu wengine kutoa huduma, kusafirisha mizigo, kuhudumia wagonjwa, na kutoa haki.
Makampuni yatakayoshinda huko ni yale yaliyoelewa kuwa AI haikuwahi kulenga kutufanya sisi kuwa na kasi zaidi. Ilikuwa ni kuhusu kumeza machafuko ili binadamu walio upande wa pili wa jukwaa — wauguzi, madaktari, walezi — waweze hatimaye kufanya kile walichokuja kufanya katika kazi hii.
Huo ndio mustakabali ninaojenga kuelekea.
Hapo ndipo palipo na huduma ya mgonjwa.
Hapo ndipo penye umuhimu.
Mwanzilishi wa Actriv Healthcare na ShiftNex AI. Anaishi Lake Tapps, WA; alizaliwa Nairobi, Kenya. Mbunifu aliyetajwa kwenye hataza za US 11,947,875 na 12,327,067, kukiwa na maombi mengine yanayosubiriwa.