CodeSignal uvádí Agentic Skills Intelligence, nástroj pro hodnocení dovedností získaných při každodenní práci

Společnost může vědět, kdo dokončil kurz, začal používat asistenta s umělou inteligencí nebo zastával určitou pracovní pozici, aniž by věděla, jak dobře daný člověk zvládne práci, která ho čeká. CodeSignal se snaží tuto mezeru zaplnit pomocí Agentic Skills Intelligence, nové nabídky, která hodnotí práci zaměstnanců a propojuje výsledné profily jejich dovedností s individuálně přizpůsobeným procvičováním a koučováním.

Platforma byla 28. října oznámena jako obecně dostupná. Pomocí specializovaných agentů hodnotí práci v systémech, které zaměstnanci již používají, místo aby se spoléhala na sebehodnocení nebo klíčová slova v životopisu. Cílem je podle CodeSignal poskytnout vedoucím pracovníkům průběžně aktualizovaný přehled o úrovni dovedností zaměstnanců a možnost řešit nedostatky, které tento přehled odhalí.

Uvedení novinky rozšiřuje působení společnosti v oblasti hodnocení a vzdělávání do každodenního pracovního procesu. Její potenciální přínos spočívá v propojení tří činností, které často zůstávají oddělené: shromažďování dokladů o schopnostech, rozhodování o tom, kde je třeba rozvíjet dovednosti, a pomoc zaměstnancům s jejich zlepšováním.

Hodnocení práce podle strukturovaných kritérií dovedností

CodeSignal ve svém oznámení uvádí mezi systémy, z nichž mohou jeho agenti vyhodnocovat pracovní výstupy, mimo jiné Gong, Salesforce, GitHub, Cursor, Claude, ChatGPT, Workday, Greenhouse a Google Workspace. Práce se hodnotí podle strukturovaných kritérií vycházejících z průmyslové a organizační psychologie, oboru zabývajícího se chováním a výkonem na pracovišti.

Společnost tento postup prezentuje jako přímější způsob měření úrovně dovedností než jejich odhadování z pracovní pozice, hodnocení výkonu nebo absolvovaného kurzu. Výstupy zaměstnance slouží jako podklady pro profil jeho dovedností, který lze aktualizovat s přibývajícími pracovními výsledky.

CodeSignal uvádí jako základ svého přístupu k hodnocení více než 21 milionů hodnocení dovedností dokončených na své platformě. Jde o kumulativní údaj za celou platformu, nikoli o počet zaměstnanců, které již vyhodnotil tento nově oznámený produkt.

Rozlišování mezi důkazy a odhady je užitečné, ale neodstraňuje potřebu odborného úsudku. Pracovní ukázka musí skutečně odhalovat hodnocenou dovednost a kritéria musí odpovídat danému úkolu. Dobrý výsledek vytvořený například s pomocí umělé inteligence vyvolává otázky, které schopnosti při něm člověk prokázal: zda šlo o napsání prvního řešení, zadávání pokynů asistentovi, kontrolu jeho výstupu, nebo účinné spojení těchto činností.

Základní kritéria hodnocení jsou proto stejně důležitá jako počet propojených systémů. Větší množství údajů z pracoviště může rozšířit záběr hodnocení, samo o sobě však nezaručuje, že bude patrná každá dovednost nebo že půjde určit, jakým dílem konkrétní člověk přispěl ke společnému výsledku.

Propojení nedostatků v dovednostech s individuálně přizpůsobeným procvičováním

Rozvojová část Agentic Skills Intelligence využívá Cosmo, tutora s umělou inteligencí od CodeSignal, k procvičování přizpůsobenému konkrétnímu kontextu. Navrhovaný cyklus spočívá v rozpoznání nedostatku v úrovni dovedností, poskytnutí relevantních příležitostí k procvičování zaměstnanci a následném sledování, zda se jeho dovednosti zlepšují.

Stávající programy Learn Academies od CodeSignal dokládají, jak tento přístup funguje. Spojují kurzy, praktické procvičování a průběžné hodnocení do vedených vzdělávacích programů, v nichž Cosmo poskytuje zpětnou vazbu. Důraz se klade na uplatnění dovedností a průběžné sledování pokroku.

Kurzy společnosti z oblasti podnikání rozšiřují procvičování nad rámec programování i na činnosti, jako jsou rozhovory se zákazníky, písemné úkoly a finanční analýza. Tento širší záběr je u produktu určeného pro pracovníky důležitý: rozvoj dovedností může zahrnovat nácvik prodejní prezentace nebo procvičování manažerského úsudku stejně jako řešení technického problému.

Vedoucí pracovník v oblasti prodeje by například mohl pomocí nového systému zjistit, kde tým potřebuje pomoci s prezentací produktu, a poté těmto zaměstnancům zadat cílené procvičování. CodeSignal uvádí tento příklad jako možné využití platformy, nikoli jako zveřejněný výsledek u zákazníka po jejím uvedení.

Pro zaměstnance by užitečným výsledkem měla být konkrétní cesta dalšího rozvoje. Hodnocení má větší praktickou hodnotu, když objasňuje, co je třeba zlepšit, a vede k cvičení, které se na daný nedostatek zaměřuje. Účinnost produktu bude záviset na tom, jak dobře toto propojení funguje napříč různými pracovními pozicemi a typy práce.

Měření schopností v oblasti umělé inteligence nad rámec počtu uživatelů

CodeSignal prezentuje produkt také jako způsob, jak zkoumat, zda se investice do umělé inteligence promítají do kvalitnější práce. Oznámení odkazuje na výzkum společnosti, podle něhož 84 % organizací během uplynulého roku zvýšilo investice do softwaru s umělou inteligencí a 79 % navýšilo výdaje na školení v této oblasti, zatímco 79 % nedokázalo měřit návratnost těchto výdajů. Zpráva dále uvádí, že šest z deseti manažerů činí zásadní personální rozhodnutí na základě odhadů a 66 % zaměstnanců tvrdí, že jejich dovednosti nikdy nebyly formálně posouzeny.

Jde o zjištění, která uvádí CodeSignal. Poskytnutá tisková zpráva neobsahuje údaje o velikosti vzorku ani metodice průzkumu, proto je třeba tyto hodnoty vnímat jako kontext k produktové tezi společnosti, nikoli jako komplexní obraz všech zaměstnavatelů.

Praktická otázka je však jasná. Sledování využívání asistenta může ukázat, že zaměstnanci nějaký nástroj přijali za svůj; méně už ale vypovídá o tom, zda ho umějí efektivně používat. Hodnocení práce podle relevantních kritérií by zaměstnavatelům mohlo pomoci odlišit časté používání nástroje od vyšší úrovně odbornosti.

To by také vytvořilo smysluplnější základ pro výdaje na rozvoj zaměstnanců než pouhé počítání absolvovaných kurzů. Změřené zlepšení relevantní dovednosti je užitečným ukazatelem, jeho převedení na přínos pro podnikání však stále vyžaduje zohlednit pracovní pozici, projekt a další faktory ovlivňující výkon.

Začlenění přehledu dovedností do stávajících pracovních postupů

CodeSignal uvádí, že jeho server MCP umožňuje týmům klást otázky týkající se údajů o dovednostech a pracovních pozicích prostřednictvím asistenta AI podle vlastního výběru. Model Context Protocol poskytuje společné rozhraní pro připojení asistenta k externím nástrojům a informacím; cílem je v tomto případě zpřístupnit přehled o zaměstnancích, aniž by uživatelé museli opouštět svého obvyklého asistenta.

Oznámení zahrnuje také analýzu nedostatků v dovednostech v rámci organizace, plánování pracovních sil a přehled o trhu, včetně poptávky po zaměstnancích, pracovních pozic a platových pásem. Jde o související, ale odlišné zdroje informací: externí trendy na trhu práce popisují poptávku mimo společnost, zatímco profily zaměstnanců mají zachycovat prokázané schopnosti uvnitř ní.

Stávající materiály o přehledu dovedností CodeSignal popisují srovnávání, víceúrovňovou analytiku a sledování osvojování dovedností. Novinka klade důraz na průběžné hodnocení práce a propojení takto získaných důkazů s individuálním rozvojem.

Význam kontextu při rozhodování o zaměstnancích

Aktuálnější informace o dovednostech by vedoucím pracovníkům mohly pomoci najít interní odborné znalosti potřebné pro naléhavý projekt, určit potřebu rozvoje nebo naplánovat, kde bude nutné přijímat nové zaměstnance. Mění se tím také význam běžných pracovních výstupů: materiál vytvořený při plnění úkolu se může stát důkazem používaným k hodnocení odbornosti zaměstnance.

Proto je důležité, aby byl proces hodnocení srozumitelný. Zaměstnanci i vedoucí pracovníci potřebují vědět, jaká práce se promítá do profilu, co hodnoticí kritéria měří a v čem jsou důkazy neúplné. Omezená zkušenost s určitým úkolem by se neměla zaměňovat za prokázanou neschopnost a automatizované skóre je třeba posuzovat také v kontextu, v němž byla práce vykonána.

Novinka CodeSignal propojuje hodnocení, důkazy z pracoviště a doučování s využitím AI do těsnější zpětnovazební smyčky. Nabízí příležitost zaměřit rozvoj zaměstnanců konkrétněji a lépe reagovat na jejich potřeby. Rozhodující bude, zda tato smyčka přinese užitečné a srozumitelně vysvětlitelné důkazy o dovednostech a pomůže zaměstnancům rozvíjet schopnosti, které jejich práce skutečně vyžaduje.