AI og automatisering i lønnsfaget
Automatisering skal gjøre lønnsarbeidet enklere, og på mange områder stemmer det. Men når systemene gjør mer av jobben selv, blir det enda viktigere at vi forstår konsekvensene av det som skjer i bakgrunnen.
Jeg hører ofte at automatisering skal redusere behovet for manuell lønnsbehandling. Det stemmer på mange områder. Men samtidig ser jeg en utvikling som bekymrer meg.
Små feil kan få store konsekvenser
En feil inntektsbeskrivelse på en lønnsart kan virke ubetydelig der og da. Men hva skjer når denne feilen påvirker pensjonsgrunnlag, sykepengegrunnlag eller rapportering til offentlige myndigheter?
Hva skjer når arbeidsgiver ikke forskutterer sykepenger, og pensjonsleverandøren henter grunnlaget sitt fra a-meldingen? Hva skjer når retroaktive korreksjoner blir liggende for lenge, eller når regnskapet ikke får informasjonen de trenger i tide? Dette er spørsmål som ikke nødvendigvis fanges opp av automatiske kontroller.
Fra eksperter på transaksjoner til eksperter på sammenhenger
Som fag- og opplæringsansvarlig opplever jeg at rollen vår er i endring. Vi går fra å være eksperter på enkelttransaksjoner til å bli eksperter på sammenhenger, kontroller og konsekvenser.
Vi må hele tiden spørre oss:
- Hva kan dette føre til?
- Hvem påvirkes av denne endringen?
- Hvilke prosesser avhenger av disse dataene?
- Hva skjer dersom systemet gjør akkurat det vi har bedt det om, men ikke det vi egentlig ønsket?
Den største utfordringen er ikke teknologien
Den største utfordringen fremover er kanskje ikke teknologien. Den største utfordringen er hvordan vi lærer opp nye lønnskonsulenter til å forstå risikoene de ennå ikke vet eksisterer.
For når automatiseringen øker, blir fagkompetanse, kritisk tenkning og forståelse for helheten viktigere enn noen gang.
Å rette feil i ettertid er kostbart. Å oppdage dem før de oppstår er lønnsfagets virkelige verdi.
Ofte stilte spørsmål om feriepenger
Nei, snarere tvert imot. Automatisering tar over flere oppgaver, men det gjør det enda viktigere at noen forstår konsekvensene av det som skjer i bakgrunnen. Rollen endrer seg fra å behandle enkelttransaksjoner til å forstå sammenhenger, kontroller og risiko.
Ofte er det feil som ikke viser seg der og da, men som får konsekvenser senere. En feil inntektsbeskrivelse kan påvirke pensjonsgrunnlag eller sykepengegrunnlag uten at det utløser noe varsel. Retroaktive korreksjoner som blir liggende for lenge, er et annet eksempel.
Ved å trene dem i å spørre, ikke bare i å utføre. Vi jobber med å bygge en vane der de alltid stiller spørsmål som hva kan dette føre til, hvem påvirkes, og hvilke prosesser er avhengige av disse dataene. Det er denne kritiske tenkningen som gjør forskjellen når systemene gjør mer av jobben selv.
