CodeSignal lancerer Agentic Skills Intelligence til at evaluere færdigheder gennem det daglige arbejde

En virksomhed kan vide, hvem der har gennemført et kursus, taget en AI-assistent i brug eller haft en bestemt stillingsbetegnelse, uden at vide, hvor godt vedkommende kan udføre de kommende arbejdsopgaver. CodeSignal vil lukke dette hul med Agentic Skills Intelligence, et nyt tilbud, der evaluerer medarbejdernes arbejde og kobler de resulterende kompetenceprofiler til personlig træning og coaching.

Platformen blev annonceret som generelt tilgængelig den 28. oktober og bruger specialiserede agenter til at evaluere arbejde i systemer, medarbejderne allerede benytter, i stedet for at basere sig på egenvurderinger eller nøgleord i et CV. CodeSignal siger, at målet er at give ledere et løbende opdateret overblik over medarbejdernes kompetenceniveau og en måde at håndtere de mangler, som overblikket afdækker.

Lanceringen udvider virksomhedens forretning inden for evaluering og læring til også at omfatte det daglige arbejde. Den potentielle værdi ligger i at forbinde tre aktiviteter, der ofte holdes adskilt: at indsamle dokumentation for kompetencer, afgøre, hvor der er behov for udvikling, og hjælpe medarbejderne med at blive bedre.

Evaluering af arbejde ud fra en struktureret kompetenceramme

I sin meddelelse nævner CodeSignal blandt andet Gong, Salesforce, GitHub, Cursor, Claude, ChatGPT, Workday, Greenhouse og Google Workspace som kilder til det arbejde, virksomhedens agenter kan evaluere. Arbejdet bedømmes ud fra strukturerede vurderingsrammer, der bygger på arbejds- og organisationspsykologi, en disciplin, der beskæftiger sig med adfærd og præstationer på arbejdspladser.

Virksomheden fremstiller denne proces som et mere direkte mål for kompetenceniveau end at udlede færdigheder af en stillingsbetegnelse, en præstationsvurdering eller et gennemført kursus. Medarbejderens arbejdsresultater bliver dokumentation for en kompetenceprofil, som kan opdateres, efterhånden som nyt arbejde bliver tilgængeligt.

CodeSignal henviser til, at der er gennemført mere end 21 millioner kompetenceevalueringer på tværs af platformen, som baggrund for evalueringsmetoden. Det er et samlet tal for platformen og ikke antallet af medarbejdere, som allerede er blevet evalueret med det netop annoncerede produkt.

Det er nyttigt at skelne mellem dokumentation og slutninger, men det fjerner ikke behovet for skøn. En arbejdsprøve skal faktisk vise den færdighed, der bedømmes, og vurderingsrammen skal passe til opgaven. Et stærkt resultat, der for eksempel er skabt med hjælp fra AI, rejser spørgsmål om, hvilke kompetencer der blev demonstreret: at udarbejde en første løsning, at instruere en assistent, at kontrollere dens resultat eller at kombinere disse aktiviteter effektivt.

Derfor er de underliggende evalueringskriterier lige så vigtige som antallet af tilsluttede systemer. Flere arbejdsdata kan udvide dækningen, men gør ikke automatisk alle færdigheder synlige eller fastslår, hvor meget den enkelte har bidraget til et fælles resultat.

Kobling af kompetencemangler til personlig træning

Udviklingsdelen af Agentic Skills Intelligence bruger Cosmo, CodeSignals AI-underviser, til at tilbyde konteksttilpasset træning. Den planlagte proces er at identificere et kompetencegab, give medarbejderen relevante muligheder for at øve sig og derefter følge med i, om vedkommendes færdigheder forbedres.

CodeSignals eksisterende Learn Academies giver et indblik i denne tilgang. De kombinerer kurser, praktiske øvelser og integrerede evalueringer i tilrettelagte forløb, hvor Cosmo giver feedback under læringen. Fokus er på at anvende en færdighed og følge udviklingen undervejs.

Virksomhedens kurser i forretningsfag udvider træningen ud over programmering til aktiviteter som kundesamtaler, skriveopgaver og finansiel analyse. Det bredere anvendelsesområde er vigtigt for et produkt til arbejdsstyrken: Udvikling af færdigheder kan indebære at øve en salgspitch eller træne ledelsesmæssigt skøn såvel som at løse et teknisk problem.

En salgsleder kan for eksempel bruge det nye system til at identificere, hvor et team har brug for hjælp til at præsentere et produkt, og derefter målrette træning til de pågældende medarbejdere. CodeSignal fremhæver dette som et muligt anvendelsesområde for platformen, ikke som et dokumenteret resultat hos en kunde i forbindelse med lanceringen.

For medarbejderne ville det nyttige resultat være en konkret udviklingsplan. En score er mere anvendelig, når den forklarer, hvad der skal forbedres, og fører til en øvelse, der imødekommer behovet. Produktets effektivitet afhænger af, hvor godt denne sammenhæng fungerer på tværs af forskellige roller og typer af arbejde.

Måling af AI-kompetencer ud over optælling af ibrugtagning

CodeSignal fremstiller også produktet som en måde at undersøge, om investeringer i AI fører til bedre arbejde. I sin meddelelse henviser virksomheden til egen forskning, hvor 84 % af organisationerne havde øget investeringerne i AI-software, og 79 % havde øget AI-uddannelsen i løbet af det seneste år, mens 79 % ikke kunne måle afkastet af disse udgifter. Virksomheden oplyser også, at seks ud af 10 ledere træffer afgørende beslutninger om talent ud fra gæt, og at 66 % af medarbejderne siger, at deres færdigheder aldrig er blevet evalueret formelt.

Det er resultater, som CodeSignal har rapporteret. Den fremlagte meddelelse indeholder ikke oplysninger om undersøgelsens stikprøvestørrelse eller metode, så tallene bør ses som baggrund for virksomhedens produktargumentation snarere end som en dækkende måling af alle arbejdsgivere.

Det praktiske spørgsmål er ikke desto mindre klart. At følge brugen af assistenter kan vise, om medarbejderne har taget et værktøj i brug, men siger mindre om, hvorvidt de kan bruge det effektivt. Vurdering af arbejdet ud fra relevante kriterier kan hjælpe arbejdsgivere med at skelne mellem hyppig brug og højere færdighedsniveau.

Det ville også skabe et mere meningsfuldt grundlag for udgifter til kompetenceudvikling end blot at tælle gennemførte kurser. En målt forbedring af en relevant kompetence er et nyttigt signal, men det kræver stadig, at man tager højde for stillingen, projektet og andre faktorer, der påvirker resultaterne, hvis forbedringen skal omsættes til et forretningsmæssigt afkast.

Integrering af kompetenceindsigt i eksisterende arbejdsgange

CodeSignal oplyser, at deres MCP-server lader teams stille spørgsmål om kompetence- og jobdata via en AI-assistent efter eget valg. Model Context Protocol tilbyder en fælles grænseflade til at forbinde en assistent med eksterne værktøjer og oplysninger. Her er hensigten at gøre indsigt i medarbejderstyrken tilgængelig, uden at brugerne behøver at forlade den assistent, de normalt bruger.

Meddelelsen omfatter også analyser af kompetencegab i organisationen, planlægning af medarbejderstyrken og markedsindsigt i efterspørgslen efter arbejdskraft, stillinger og lønintervaller. Det er beslægtede, men forskellige informationskilder: Eksterne tendenser på arbejdsmarkedet beskriver efterspørgslen uden for virksomheden, mens medarbejderprofiler skal beskrive dokumenterede kompetencer internt i virksomheden.

Eksisterende materialer om CodeSignals kompetenceindsigt beskriver benchmarking, analyser på flere niveauer og sporing af kompetenceopbygning. Den nye lancering lægger desuden vægt på løbende vurdering af arbejdet og på at knytte de indsamlede oplysninger til den enkeltes udvikling.

Kontekstens betydning for beslutninger om medarbejderstyrken

Mere aktuelle oplysninger om kompetencer kan hjælpe en leder med at finde intern ekspertise til et hastende projekt, identificere et udviklingsbehov eller planlægge, hvor der er behov for rekruttering. Det ændrer også betydningen af hverdagens arbejdsprodukter: Materiale, der er udarbejdet for at løse en opgave, kan blive brugt som dokumentation ved vurderingen af en medarbejders færdighedsniveau.

Derfor er det vigtigt, at evalueringsprocessen er tydelig. Medarbejdere og ledere skal forstå, hvilket arbejde der indgår i en profil, hvad vurderingskriterierne måler, og hvor dokumentationen er ufuldstændig. Begrænset erfaring med en opgave bør ikke forveksles med dokumenteret manglende evne, og en automatiseret score bør ses i sammenhæng med den kontekst, arbejdet blev udført i.

CodeSignals lancering bringer evaluering, dokumentation fra arbejdspladsen og AI-baseret vejledning tættere sammen i et feedbackkredsløb. Muligheden består i at gøre udviklingen af medarbejderstyrken mere målrettet og lydhør. Spørgsmålet er, om kredsløbet skaber nyttig og forklarlig dokumentation for kompetencer og hjælper medarbejderne med at opbygge de færdigheder, som deres arbejde faktisk kræver.