Slik gjør du medarbeiderinnsikt til forretningsverdi med AI

Å forklare hvorfor det skjer er langt vanskeligere.

På AI in HR 2026 delte Marian John Müller, Senior Account Executive i Eletive, hvordan HR-team kan bruke AI til å gå fra hva til hvorfor – og omsette medarbeiderinnsikt og AI i HR til resultater som faktisk merkes i virksomheten.

HR kjenner hva. Hvorfor er det vanskelige spørsmålet.

Bruker du Eletive-plattformen, har du som HR allerede tilgang til en rekke harde KPI-er: turnover, fravær, rekrutteringstakt – og i noen tilfeller lønnsomhet gjennom korrelasjonsanalyser i verktøy som Power BI. De er enkle å måle og enkle å følge over tid.

Problemet er at harde KPI-er er etterslepende. Når turnover begynner å stige, har gjerne årsakene ligget og bygget seg opp i måneder. Stoler du utelukkende på dem, forblir HR reaktiv.

Det er her myke KPI-er kommer inn. Engasjementsskårer, sentiment og eNPS forteller deg hva som driver de harde tallene – tidlig nok til at du faktisk kan gjøre noe med det. Som John formulerte det: å forstå hva er ikke nok. Det er å forstå hvorfor som faktisk beveger de harde KPI-ene.

Og å handle på innsikten trenger ikke bety store initiativer. Ofte er det kraftigste du kan gjøre å hjelpe ledere til å ha bedre samtaler med teamene sine – raskere og med riktig fokus.

En SMART tilnærming til AI-mål

John brukte et kjent rammeverk, med ett tillegg tilpasset AI:

• Spesifikt. Vær tydelig på problemet før du bygger en prosess rundt det. Start med de harde KPI-ene eller forretningsmålene du er ansvarlig for.

• Målbart. Kombiner kvantifiserbare skårer – som gir deg trendlinjer og interne referansepunkter – med kvalitative signaler som sentiment i åpne kommentarer.

• Handlingsrettet. Mål bare det du kan handle på. Å samle inn data uten å gjøre noe med det skaper frustrasjon, ikke en bedre kultur. Koble hver handling til en driver, og la AI peke ut hvor du bør fokusere.

• Relevant og ansvarlig. Beveg deg med hensikt, men ikke så fort at du risikerer brudd på anonymitet eller datahåndtering. Regelverket varierer mellom EU, Sveits, USA og andre steder – men peker i samme retning: håndter persondata med ansvar.

• Tidsriktig. Forkort tiden fra innsikt til handling. Undersøkelsesresultater som tar uker å analysere, blir handlet på når ingen husker hva de svarte.

«Ta med egen AI» er allerede en realitet

78 % av ansatte som bruker AI på jobb, tar med seg sine egne verktøy. Det er enda mer utbredt i små og mellomstore virksomheter. Samtidig sier 60 % av ledere at deres ledelse mangler en plan og visjon for å implementere AI.

Sett dette sammen, og du har en reell risiko. Uten tydelige rammer limer folk sensitiv data inn i hvilket som helst verktøy, bygger egne agenter og kjører egne eksperimenter. Kunnskap deles ikke, og persondata ender opp der den ikke burde.

Johns anbefaling: etabler tydelige prosesser, lær opp folk om både mulighetene og risikoene ved AI, og bli enige om hvilke modeller dere bruker, hvor de kjøres, og hvilke data som legges inn. Siden teknologien utvikler seg så raskt, holder det ikke med én enkelt gjennomgang. Dette krever løpende opplæring – med et menneske i løkken som kan faktasjekke det AI produserer.

Det er også grunnen til at Eletive bygger AI direkte inn i plattformen. Aggregerte undersøkelsesresultater, livsløpsdata og kommentarer kan analyseres der de allerede befinner seg, uten å bli eksportert til et annet verktøy.

Gjør forretningssaken på forretningsspråk

Å få budsjett til AI handler ikke bare om lisenskostnader. Stadig flere verktøy fakturerer også etter bruk. Derfor må HR synliggjøre hva investeringen er verdt.

Den tydeligste måten å gjøre det på er å snu spørsmålet. Hva koster det virksomheten når ansattengasjementet faller? Lavere engasjement fører til svakere prestasjoner, deretter høyere turnover, tapt produktivitet og urolige team. Noe av dette er vanskelig å sette et presist tall på, men den langsiktige effekten er reell.

Snakk styrets språk. Presentér AI som en investering i raskere og bedre beslutninger om mennesker. Start i det små, og bygg videre derfra.

Tre signaler – tre forretningsrisikoer

John delte tre eksempler på myke signaler som utvikler seg til harde forretningsmessige konsekvenser – hvis ingen handler.

1. eNPS synker. Færre ansatte ville anbefalt deg som arbeidsgiver. Lar du det stå, skader det rekruttering og retention. Med AI kan du spørre Copilot hvorfor eNPS faller og få en korrelasjonsanalyse på tvers av engasjements- og livsløpsundersøkelser – som viser hvilke drivere som betyr mest for dem som er misfornøyde.

2. Lederstøtte faller i customer success. Det gjelder ett team, ikke hele virksomheten – men det har konsekvenser. Kundeteam påvirker om kunder anbefaler deg videre, og det treffer direkte på inntektene. AI kan analysere trenden over tid og undersøke om lederstøtte er det eneste problemet, eller om arbeidsbelastning, autonomi eller teamrelasjoner også spiller inn.

3. Turnoverrisikoen øker blant erfarne selgere. Engasjement og sentiment faller stille og gradvis. Forretningsrisikoen er å miste nøkkelpersoner, kunderelasjoner og fremdrift i nye markeder – pluss at det blir vanskeligere å onboarde nye folk. Fanger du det myke signalet tidlig nok, har du tid til å handle før det vises i de harde tallene.

Fem viktige lærdommer

• Start fra de harde KPI-ene du allerede eier, og jobb deg tilbake til de myke signalene.

• Forstå hvorfor. La AI hjelpe deg å finne årsaken – ikke bare symptomene.

• AI synliggjør handlingen, men et menneske eier den. Gi noen ansvar for å faktisk flytte skåren.

• Håndter sensitive data på forsvarlig vis. Bygget inn fra starten, ikke lagt til i ettertid.

• Endre budsjettsamtalen. Den reelle kostnaden er hva som skjer når et signal ikke blir fulgt opp.

Se hele sesjonen

Gikk du glipp av den? Se Johns sesjon her: