Det är dags för utvärdering och du stirrar på ett tomt självutvärderingsformulär medan du försöker återskapa ett års arbete ur minnet. Du vet att du gjorde ett bra jobb. Du minns bara inte alla projektnamn, exakt vilket kvartal ett mätetal förbättrades eller hur en kund formulerade sin uppskattning i mars. Det är precis i den situationen som AI är användbar, och där det samtidigt är frestande att låta AI fylla i mer än den borde.
Fokus ligger på den enskilda medarbetarens del av utvärderingscykeln, alltså att förbereda den egna självutvärderingen. Chefens uppgift att poängsätta eller rangordna någon annan behandlas redan i vägra att rangordna människor med AI. Kärnregeln här är enklare och gäller bara i en riktning: AI kan ordna ditt underlag till ett starkt dokument men kan inte skapa underlaget. Varje sakuppgift i en självutvärdering måste gå att spåra till något som faktiskt har hänt, och bara du kan tillhandahålla den grunden.
Processer för prestationsutvärdering, åtkomsträttigheter, lagring, utlämnande, kollektivavtal och möjligheter att överklaga varierar. Följ arbetsgivarens aktuella policy och ta hjälp av facket eller en jurist när dokumentationen kan påverka disciplinära åtgärder, diskriminering, anpassningar eller uppsägning.
Varför det här är en verklig risk, inte en hypotetisk
En prestationsutvärdering är ingen obetydlig skrivuppgift. Den kan påverka en löneförhöjning, en befordran eller en förbättringsplan för bristande prestationer, och i många företag blir den en del av den dokumenterade personalakten. En modell som ombeds att »få mitt år att låta imponerande« kan skapa en självsäker och detaljerad formulering, med en procentsats, en omfattning eller ett namngivet resultat, även när du inte har lämnat den uppgiften. Flytande text utan förankring i källmaterialet är ett väldokumenterat beteende hos sådana system, inte bara ett tillfälligt fel (Ji et al., “Survey of Hallucination in Natural Language Generation,” 2023). Att texten flyter är inget belägg för att påståendet är sant. Om en chef eller HR senare ber dig styrka en siffra som du inte kan belägga är problemet inte längre ett besvär i utkastet, utan ett trovärdighetsproblem i ett dokument som kan få verkliga konsekvenser.
Skicka aldrig in ett påstående i en självutvärdering, som en procentsats, ett penningbelopp eller ett namngivet projektresultat, om du inte personligen kan verifiera det mot något verkligt: ett mejl, en instrumentpanel, ett ärende, ett dokument eller en kollegas bekräftelse. Om AI har skapat en formulering som låter exakt men inte går att spåra till en verklig källa ska du stryka den innan den kommer i närheten av utvärderingen, oavsett hur bra den låter.
Arbetsflödet i fyra steg
Steg 1: Samla ditt eget råunderlag innan du öppnar ett AI-verktyg
Lista allt du kan hitta i ditt eget minne och dina egna register: avslutade projekt, mätetal du följde, positiv återkoppling du fick i mejl, Slack-meddelanden eller mötesanteckningar, tilldelade mål och deras resultat samt ovanliga uppgifter utanför ditt normala ansvarsområde. Gör det utan AI. Syftet är att fastställa det faktaunderlag som resten ska bygga på. AI kan inte självständigt veta vad du gjorde under året, och hela arbetsflödet är utformat för att hindra modellen från att gissa.
Steg 2: Använd AI för att ordna underlaget efter utvärderingens faktiska kriterier
När du har råmaterialet är AI användbar för att sortera det efter den struktur som utvärderingen faktiskt använder, till exempel kompetenser, mål, värderingar eller en bedömningsmall.
Här är en lista över det jag arbetade med och åstadkom under den här
utvärderingsperioden: [klistra in din rålista]. Min utvärdering använder
dessa kategorier: [klistra in ditt företags faktiska utvärderingskategorier].
Organisera det jag gav dig under kategorierna där det passar. Lägg inte
till någon prestation, något mätetal eller utfall som jag inte inkluderade
ovan – om en kategori inte har något från min lista, lämna den noterad
som tom snarare än att hitta på något att fylla den med.
Den uttryckliga instruktionen att inte fylla luckor spelar roll. En modell utan den begränsningen försöker ofta skapa ett svar som ser fullständigt ut i varje kategori. I just den här uppgiften kan det innebära att påståenden om sådant som aldrig hände hamnar i din dokumentation.
Steg 3: Formulera text utifrån dina verifierade fakta, inte runt dem
När underlaget är ordnat kan du be AI hjälpa till med ton, tydlighet och ett mer koncentrerat språk, samtidigt som varje sakpåstående förblir spårbart till det du själv gav modellen.
Använd endast det organiserade underlaget ovan och skriv ett stycke till
avsnittet »[kategorinamn]« i självutvärderingen. Behåll varje siffra,
projektnamn och utfall
exakt som jag gav dem. Avrunda inte siffror uppåt, lägg inte till adjektiv
som antyder en skala jag inte angav (t.ex. »betydande«, »stor«) om jag inte
använde det ordet själv. Markera var texten skulle bli starkare med en
detalj som jag inte har lämnat, så att jag kan avgöra om jag ska lägga
till den eller hålla formuleringen allmän.
Steg 4: Verifiera varje påstående innan det förs in i det som faktiskt ska lämnas in
Jämför utkastet med originalunderlaget rad för rad. Fråga för varje siffra och konkret påstående: kan jag visa källan nu? Om svaret är nej ska du antingen hitta källan eller begränsa påståendet till det du faktiskt kan stödja. Steget är obligatoriskt och kan inte delegeras till samma verktyg som skrev utkastet. En andra AI-granskning av modellens eget första svar är inte en oberoende verifiering.
Om du inte omedelbart kan verifiera ett påstående kan du formulera det försiktigare utifrån det du vet säkert i stället för att stryka det helt. »Bidrog till ett projekt som minskade behandlingstiden« är försvarbart även om du inte kan ange den exakta procentsatsen. »Minskade behandlingstiden med 40 %« är inte försvarbart utan en källa för siffran.
En snabb översikt
| AI-användning | Bedömning |
|---|---|
| Organisera dina egna listade prestationer per utvärderingskategori | Säker – bara struktur |
| Formulera tydligare text utifrån fakta som du lämnat | Säker – verifiera innan inlämning |
| Be AI »få det här att låta mer imponerande« utan nya fakta | Riskabel – se upp för påhittade detaljer |
| Be AI uppskatta ett mätetal du inte minns exakt | Inte säkert – hitta den riktiga siffran eller ange den som ungefärlig, med egna ord |
| Be AI gissa vad du förmodligen gjorde utifrån din befattning | Inte säkert – det här är fabricering, inte organisering |
Att redovisa AI-stöd och en vanlig missuppfattning
Vissa företag frågar uttryckligen i själva utvärderingsformuläret om AI användes för att skriva dokumentet. Om ditt företag gör det ska du svara ärligt. Behålla ditt namn på AI-assisterat arbete beskriver den allmänna normen för att redovisa AI-stöd. En självutvärdering där du har ordnat verkliga prestationer med hjälp av AI är ett vanligt exempel på lämplig användning som kan redovisas öppet, inte något du behöver dölja eller försvara.
En vanlig missuppfattning är att en välorganiserad och genomarbetad självutvärdering skulle vara ett belägg för ett starkt år. Den visar att texten är välskriven, vilket är något annat. Skyddet ligger inte heller i att någon skulle märka att texten är AI-assisterad. I kontrollerade studier kunde människor inte med tillförlitlighet skilja AI-genererade självpresentationer från människoskrivna (Jakesch, Hancock and Naaman, PNAS, 2023), så »de kommer att se det« är ingen användbar säkerhetsmekanism. Den mer tillförlitliga regeln är att ett påstående utan stöd faller så snart någon ber att få se underlaget, och en utvärdering är just ett dokument där den frågan till slut kan ställas.
Förbered den här veckan
Inför nästa utvärderingscykel kan du använda arbetsbladet för förberedelse inför medarbetarutvärderingen för att samla råunderlaget och sedan gå igenom arbetsflödet ovan. Om utvärderingen också har en del om återkoppling som du vill ge till eller få från en chef, tillämpar förberedelse av dagordning inför ett enskilt samtal samma disciplin: underlag först.
Läsare i EU kan börja med EU-kommissionens översikt över likabehandling i arbetslivet, EDPB:s samling av vägledning om personuppgifter i arbetslivet och den behöriga nationella myndigheten. I Estland finns Arbetsinspektionen och likabehandlingsombudet. I USA kan arbetstagare använda EEOC:s portal om rättigheter. För arbetsgivarsidan betonar EEOC:s vägledning om prestationsutvärderingar tydliga krav, konsekvent tillämpning och relevanta fakta. Det här är startpunkter för respektive jurisdiktion, inte en granskning av din arbetsgivares process.
