CodeSignal tuo markkinoille Agentic Skills Intelligence -ratkaisun, joka arvioi taitoja arjen työn perusteella

Yritys voi tietää, kuka on suorittanut kurssin, ottanut käyttöön tekoälyavustajan tai toiminut tietyssä tehtävässä, tietämättä kuitenkaan, miten hyvin kyseinen henkilö pystyy suoriutumaan tulevista työtehtävistä. CodeSignal pyrkii kuromaan tätä kuilua umpeen Agentic Skills Intelligence -ratkaisulla, joka arvioi työntekijöiden työtä ja yhdistää sen pohjalta laaditut taitoprofiilit henkilökohtaiseen harjoitteluun ja valmennukseen.

Lokakuun 28. päivänä yleisesti saataville julkaistun alustan erikoistuneet agentit arvioivat työtä järjestelmissä, joita työntekijät jo käyttävät. Arviointi ei siis perustu itsearviointeihin tai ansioluettelon avainsanoihin. CodeSignalin mukaan tavoitteena on tarjota johtajille jatkuvasti päivittyvä kuva henkilöstön osaamisesta ja keinot puuttua siinä havaittuihin puutteisiin.

Julkaisu laajentaa yrityksen arviointi- ja oppimisliiketoimintaa arjen työn yhteyteen. Ratkaisun mahdollinen arvo perustuu kolmen usein erillään pysyvän toiminnon yhdistämiseen: osaamisesta kertovan näytön keräämiseen, kehitystarpeiden tunnistamiseen ja työntekijöiden auttamiseen taitojensa parantamisessa.

Työn arviointi jäsennellyn taitokriteeristön avulla

CodeSignal mainitsee tiedotteessaan järjestelmät, joista sen agentit voivat arvioida työtä. Niitä ovat Gong, Salesforce, GitHub, Cursor, Claude, ChatGPT, Workday, Greenhouse ja Google Workspace. Työtä arvioidaan jäsenneltyjen kriteeristöjen avulla, jotka pohjautuvat työ- ja organisaatiopsykologiaan eli työpaikkojen käyttäytymistä ja suoriutumista tutkivaan tieteenalaan.

Yritys esittää tämän prosessin suorempana osaamisen mittarina kuin taitojen päättelemisen tehtävänimikkeen, suoritusarvioinnin tai suoritetun kurssin perusteella. Työntekijän työn tuloksista saadaan näyttöä taitoprofiilia varten, ja profiilia voidaan päivittää uuden työn tultua arvioitavaksi.

CodeSignal kertoo, että sen alustalla on tehty kaikkiaan yli 21 miljoonaa taitoarviointia. Tämä on koko alustaa koskeva kumulatiivinen luku, ei tämän vasta julkistetun tuotteen jo arvioimien työntekijöiden määrä.

Näytön ja päätelmien välinen ero on hyödyllinen, mutta se ei poista harkinnan tarvetta. Työnäytteen on todella tuotava esiin arvioitava taito, ja kriteeristön on sovittava tehtävään. Esimerkiksi tekoälyn avustuksella saavutettu vahva tulos herättää kysymyksiä siitä, mitä taitoja siinä osoitettiin: alustavan ratkaisun kirjoittamista, avustajan ohjaamista, sen tuotoksen tarkistamista vai näiden toimintojen tehokasta yhdistämistä.

Siksi arvioinnin taustalla olevat kriteerit ovat yhtä tärkeitä kuin yhdistettyjen järjestelmien määrä. Työpaikoilta saatava laajempi data voi kasvattaa kattavuutta, mutta se ei automaattisesti tuo jokaista taitoa näkyviin eikä osoita, miten paljon yksittäinen työntekijä vaikutti yhteistyönä syntyneeseen tulokseen.

Taitopuutteiden yhdistäminen henkilökohtaiseen harjoitteluun

Agentic Skills Intelligence -ratkaisun kehittämiseen keskittyvässä osassa hyödynnetään CodeSignalin tekoälytuutoria Cosmoa, joka tarjoaa tilanteeseen sopivia harjoituksia. Suunnitellussa toimintamallissa tunnistetaan osaamisvaje, tarjotaan työntekijälle sopivia harjoittelumahdollisuuksia ja seurataan sitten, kehittyvätkö hänen taitonsa.

CodeSignalin nykyiset Learn Academies antavat taustaa tälle lähestymistavalle. Niissä kurssit, käytännön harjoittelu ja oppimiseen sisällytetyt arvioinnit yhdistyvät ohjatuiksi ohjelmiksi, ja Cosmo antaa palautetta oppimisen aikana. Painopiste on taitojen soveltamisessa ja edistymisen seuraamisessa matkan varrella.

Yrityksen liiketoiminta-alan kurssit laajentavat harjoittelun ohjelmoinnin ulkopuolelle esimerkiksi asiakaskeskusteluihin, kirjoitustehtäviin ja talousanalyysiin. Laajempi soveltamisala on tärkeä henkilöstötuotteessa: taitojen kehittäminen voi tarkoittaa myyntipuheen harjoittelua tai esihenkilötyössä tarvittavan harkintakyvyn kehittämistä siinä missä teknisen ongelman ratkaisemistakin.

Myyntijohtaja voisi esimerkiksi käyttää uutta järjestelmää selvittääkseen, missä tuotteen esittelyssä tiimi tarvitsee apua, ja ohjata sitten kyseiset työntekijät räätälöityyn harjoitteluun. CodeSignal esittää tämän alustan käyttötapauksena, ei julkaisun yhteydessä kerrottuna asiakastuloksena.

Työntekijälle hyödyllinen tulos olisi selkeä kehityspolku. Pistemäärä auttaa toimimaan paremmin, kun se kertoo, mitä pitää kehittää, ja johtaa harjoitukseen, joka vastaa tähän tarpeeseen. Tuotteen tehokkuus riippuu siitä, miten hyvin tämä yhteys toimii eri tehtävissä ja erilaisissa töissä.

Tekoälyosaamisen mittaaminen käyttöönoton lisäksi

CodeSignal esittää tuotteen myös keinona selvittää, näkyvätkö tekoälyyn tehdyt investoinnit työn laadun paranemisena. Tiedotteessa viitataan yrityksen tutkimukseen, jonka mukaan 84 % organisaatioista lisäsi investointejaan tekoälyohjelmistoihin ja 79 % kasvatti tekoälykoulutukseen panostamistaan viime vuoden aikana, mutta 79 % ei pystynyt mittaamaan näiden menojen tuottoa. Lisäksi raportin mukaan kuusi kymmenestä johtajasta tekee kriittisiä henkilöstöpäätöksiä arvailun perusteella ja 66 % työntekijöistä kertoo, ettei heidän taitojaan ole koskaan arvioitu virallisesti.

Nämä ovat CodeSignalin raportoimia havaintoja. Toimitettu tiedote ei kerro kyselyn otoskokoa tai menetelmiä, joten lukuja on syytä pitää taustana yrityksen tuotetta koskevalle ajatukselle, ei kattavana kuvana kaikista työnantajista.

Käytännön kysymys on silti selvä. Avustajan käytön seuraaminen voi osoittaa, että työntekijät ovat ottaneet työkalun käyttöön, mutta se kertoo vähemmän siitä, osaavatko he käyttää sitä tehokkaasti. Työn arviointi asiaankuuluvien kriteerien perusteella voisi auttaa työnantajia erottamaan runsaan käytön vahvemmasta osaamisesta.

Näin kehittämiseen käytettävien varojen kohdentamiselle saataisiin myös mielekkäämpi peruste kuin pelkkä kurssien suorittamiskertojen laskeminen. Asiaankuuluvan taidon mitattu kehitys on hyödyllinen merkki, mutta sen muuttaminen liiketoiminnalliseksi tuotoksi edellyttää edelleen tehtävänkuvan, projektin ja muiden suoriutumiseen vaikuttavien tekijöiden huomioimista.

Osaamista koskevien tietojen tuominen osaksi nykyisiä työnkulkuja

CodeSignal kertoo, että sen MCP-palvelimen avulla tiimit voivat kysyä osaamista ja työtehtäviä koskevia tietoja valitsemaltaan tekoälyavustajalta. Model Context Protocol tarjoaa yhteisen rajapinnan avustajan yhdistämiseen ulkoisiin työkaluihin ja tietoihin. Tässä tavoitteena on tehdä työvoimaa koskevista tiedoista helposti saatavia ilman, että käyttäjien tarvitsee poistua tavallisesti käyttämästään avustajasta.

Ilmoitus sisältää myös organisaation osaamisvajeiden analyysin, työvoimasuunnittelun sekä rekrytointikysyntää, tehtäviä ja palkkahaarukoita koskevaa markkinatietoa. Nämä ovat toisiinsa liittyviä mutta erillisiä tietolähteitä: ulkoiset työmarkkinatrendit kuvaavat yrityksen ulkopuolista kysyntää, kun taas työntekijäprofiilien tarkoituksena on kuvata yrityksen sisällä osoitettua osaamista.

Aiemmissa CodeSignalin osaamistietoja käsittelevissä materiaaleissa kuvataan vertailuanalyysejä, monitasoista analytiikkaa ja osaamisen karttumisen seurantaa. Uudessa julkaisussa painotetaan lisäksi työn jatkuvaa arviointia ja siitä saatavan näytön yhdistämistä yksilölliseen kehittämiseen.

Kontekstin merkitys työvoimaa koskevissa päätöksissä

Ajantasaisemmat tiedot osaamisesta voisivat auttaa esihenkilöä löytämään yrityksen sisältä asiantuntemusta kiireelliseen projektiin, tunnistamaan kehittämistarpeen tai suunnittelemaan, mihin tarvitaan rekrytointia. Samalla myös arkisten työntulosten merkitys muuttuu: tehtävän suorittamiseksi tuotetusta aineistosta voi tulla näyttöä, jota käytetään työntekijän osaamisen arviointiin.

Siksi arviointiprosessin selkeys on tärkeää. Työntekijöiden ja esihenkilöiden on ymmärrettävä, mitkä työt vaikuttavat profiiliin, mitä arviointikriteeristö mittaa ja missä näyttö on puutteellista. Vähäistä kokemusta tehtävästä ei pidä sekoittaa osoitettuun kyvyttömyyteen, ja automaattista pistemäärää on tarkasteltava sen kontekstin rinnalla, jossa työ tehtiin.

CodeSignalin julkaisu tuo arvioinnin, työpaikalla kertyvän näytön ja tekoälypohjaisen ohjauksen tiiviimpään palautesilmukkaan. Tämä tarjoaa mahdollisuuden tehdä työvoiman kehittämisestä kohdennetumpaa ja paremmin muuttuviin tarpeisiin vastaavaa. Ratkaisevaa on, tuottaako tämä silmukka hyödyllistä ja selitettävää näyttöä osaamisesta sekä auttaako se työntekijöitä kehittämään juuri niitä kykyjä, joita heidän työnsä todella edellyttää.