CodeSignal lanceert Agentic Skills Intelligence om vaardigheden uit dagelijks werk te beoordelen

Een bedrijf kan weten wie een cursus heeft afgerond, een AI-assistent is gaan gebruiken of een bepaalde functietitel heeft gehad, zonder te weten hoe goed die persoon het werk dat voor hem of haar ligt kan uitvoeren. CodeSignal wil die leemte opvullen met Agentic Skills Intelligence, een nieuw aanbod dat het werk van werknemers beoordeelt en de daaruit voortkomende vaardighedenprofielen koppelt aan gepersonaliseerde oefeningen en coaching.

Het platform werd op 28 oktober aangekondigd als algemeen beschikbaar en gebruikt gespecialiseerde agents om werk te beoordelen in systemen die werknemers al gebruiken. Het baseert zich dus niet op zelfbeoordelingen of trefwoorden in een cv. CodeSignal zegt dat het doel is om leidinggevenden een voortdurend bijgewerkt beeld te geven van de vaardigheden binnen hun personeelsbestand en manieren te bieden om de hiaten die daaruit blijken aan te pakken.

Met de lancering breidt het bedrijf zijn activiteiten op het gebied van beoordeling en leren uit naar de dagelijkse werkpraktijk. De mogelijke waarde ervan schuilt in het samenbrengen van drie activiteiten die vaak los van elkaar blijven staan: bewijs van vaardigheden verzamelen, bepalen waar ontwikkeling nodig is en werknemers helpen zich te verbeteren.

Werk beoordelen aan de hand van een gestructureerd beoordelingskader voor vaardigheden

In de aankondiging noemt CodeSignal onder meer Gong, Salesforce, GitHub, Cursor, Claude, ChatGPT, Workday, Greenhouse en Google Workspace als bronnen van werk die de agents kunnen beoordelen. Het werk wordt beoordeeld aan de hand van gestructureerde beoordelingskaders die zijn gebaseerd op de arbeids- en organisatiepsychologie, het vakgebied dat zich bezighoudt met gedrag en prestaties op de werkvloer.

Het bedrijf presenteert dit proces als een directere manier om vaardigheden te meten dan ze af te leiden uit een functietitel, functioneringsgesprek of afgeronde cursus. Het werk van een werknemer vormt het bewijs voor een vaardighedenprofiel, dat kan worden bijgewerkt zodra er nieuw werk beschikbaar komt.

CodeSignal verwijst naar de ruim 21 miljoen vaardigheidsevaluaties die op zijn platform zijn uitgevoerd als achtergrond voor de beoordelingsmethode. Dit is een cumulatief cijfer voor het platform en niet het aantal werknemers dat al is beoordeeld met dit nieuw aangekondigde product.

Het onderscheid tussen bewijs en gevolgtrekking is nuttig, maar neemt de noodzaak van een zorgvuldige beoordeling niet weg. Een werkvoorbeeld moet daadwerkelijk de vaardigheid laten zien die wordt beoordeeld, en het beoordelingskader moet bij de taak passen. Een sterk resultaat dat met hulp van AI is behaald, roept bijvoorbeeld vragen op over welke vaardigheden zijn aangetoond: een eerste oplossing schrijven, een assistent aansturen, de uitvoer ervan controleren of die activiteiten effectief combineren.

Daardoor zijn de onderliggende beoordelingscriteria net zo belangrijk als het aantal gekoppelde systemen. Meer gegevens over het werk kunnen de dekking vergroten, maar maken niet automatisch elke vaardigheid zichtbaar en geven ook niet aan hoeveel een individu heeft bijgedragen aan een gezamenlijk resultaat.

Vaardigheidstekorten koppelen aan gepersonaliseerde oefeningen

Voor het ontwikkelingsgedeelte van Agentic Skills Intelligence wordt Cosmo, de AI-tutor van CodeSignal, ingezet om oefeningen in context aan te bieden. Het voorgestelde proces bestaat eruit een vaardigheidstekort vast te stellen, de werknemer relevante oefenmogelijkheden te bieden en vervolgens bij te houden of diens vaardigheden verbeteren.

De bestaande Learn Academies van CodeSignal geven context bij deze aanpak. Ze combineren cursussen, praktijkoefeningen en ingebouwde beoordelingen in begeleide programma’s, waarbij Cosmo tijdens het leren feedback geeft. De nadruk ligt op het toepassen van een vaardigheid en het tussentijds controleren van de voortgang.

De bedrijfscursussen van het bedrijf bieden mogelijkheden om verder te oefenen dan alleen programmeren, bijvoorbeeld met klantgesprekken, schrijftaken en financiële analyses. Die bredere reikwijdte is belangrijk voor een product voor de ontwikkeling van medewerkers: vaardigheden ontwikkelen kan betekenen dat medewerkers oefenen met een verkooppraatje of hun oordeelsvermogen als leidinggevende aanscherpen, maar ook dat ze een technisch probleem oplossen.

Een salesmanager zou het nieuwe systeem bijvoorbeeld kunnen gebruiken om vast te stellen waar een team hulp nodig heeft bij het presenteren van een product en vervolgens die werknemers oefeningen op maat kunnen aanbieden. CodeSignal noemt dit als een mogelijke toepassing van het platform, niet als een bekendgemaakt klantresultaat van de lancering.

Voor werknemers zou een concreet ontwikkeltraject een nuttig resultaat zijn. Een score is beter bruikbaar als die uitlegt wat beter kan en leidt tot een oefening die daarop is gericht. Hoe effectief het product is, hangt af van de mate waarin dat verband standhoudt voor verschillende functies en soorten werk.

AI-vaardigheden meten zonder alleen naar gebruik te kijken

CodeSignal presenteert het product ook als een manier om te onderzoeken of investeringen in AI tot beter werk leiden. In de aankondiging verwijst het bedrijf naar eigen onderzoek waaruit blijkt dat 84% van de organisaties het afgelopen jaar meer in AI-software heeft geïnvesteerd en 79% de AI-training heeft uitgebreid, terwijl 79% het rendement op die uitgaven niet kon meten. Ook meldt het bedrijf dat zes op de tien managers belangrijke beslissingen over talent nemen op basis van giswerk en dat 66% van de werknemers zegt dat hun vaardigheden nooit formeel zijn beoordeeld.

Dit zijn bevindingen die CodeSignal rapporteert. In het verstrekte persbericht staan de omvang van de steekproef en de onderzoeksmethode niet vermeld. De cijfers moeten daarom worden gezien als context voor de productvisie van het bedrijf, niet als een alomvattend beeld van alle werkgevers.

De praktische vraag is echter duidelijk. Het bijhouden van het gebruik van assistenten kan laten zien dat werknemers een hulpmiddel zijn gaan gebruiken, maar zegt minder over de vraag of ze er effectief mee kunnen werken. Werk beoordelen aan de hand van relevante criteria kan werkgevers helpen frequent gebruik te onderscheiden van een grotere vaardigheid.

Dat zou ook een zinvollere basis bieden voor uitgaven aan ontwikkeling dan alleen het aantal afgeronde cursussen tellen. Een meetbare verbetering van een relevante vaardigheid is een nuttig signaal, maar om die verbetering te vertalen naar bedrijfsrendement moet nog steeds rekening worden gehouden met de functie, het project en andere factoren die de prestaties beïnvloeden.

Inzichten in vaardigheden integreren in bestaande werkprocessen

CodeSignal zegt dat teams met zijn MCP-server via een AI-assistent naar keuze vragen kunnen stellen over gegevens over vaardigheden en functies. Model Context Protocol biedt een gemeenschappelijke interface om een assistent te verbinden met externe tools en informatie. In dit geval is het de bedoeling inzichten in het personeelsbestand toegankelijk te maken zonder dat gebruikers hun gebruikelijke assistent hoeven te verlaten.

De aankondiging omvat ook analyses van vaardigheidstekorten binnen de organisatie, personeelsplanning en marktinformatie over de vraag naar personeel, functies en salarisschalen. Dit zijn verwante, maar verschillende informatiebronnen: externe trends op de arbeidsmarkt geven de vraag buiten het bedrijf weer, terwijl medewerkersprofielen bedoeld zijn om aangetoonde vaardigheden binnen het bedrijf te beschrijven.

Bestaand materiaal over inzichten van CodeSignal in vaardigheden beschrijft benchmarking, analyses op meerdere niveaus en het bijhouden van vaardigheidsverwerving. Bij de nieuwe lancering ligt de nadruk daarnaast op het voortdurend beoordelen van werk en het koppelen van het daaruit voortkomende bewijs aan de persoonlijke ontwikkeling van medewerkers.

Het belang van context bij beslissingen over het personeelsbestand

Actuelere informatie over vaardigheden kan een leidinggevende helpen interne expertise te vinden voor een dringend project, een ontwikkelbehoefte vast te stellen of te bepalen waar werving nodig is. Ook verandert hierdoor de betekenis van alledaagse werkproducten: materiaal dat is gemaakt om een taak uit te voeren, kan bewijs worden waarmee de vaardigheden van een medewerker worden beoordeeld.

Daarom is duidelijkheid over het beoordelingsproces belangrijk. Medewerkers en managers moeten begrijpen welk werk meeweegt in een profiel, wat het beoordelingskader meet en waar het bewijs onvolledig is. Beperkte ervaring met een taak mag niet worden verward met aangetoond onvermogen, en een geautomatiseerde score moet worden bezien in samenhang met de omstandigheden waarin het werk is uitgevoerd.

Met de lancering brengt CodeSignal beoordelingen, bewijs uit de werkomgeving en AI-begeleiding samen in een nauwere feedbackcyclus. Dit biedt de mogelijkheid om de ontwikkeling van personeel gerichter en beter afgestemd te maken. De vraag is of die cyclus bruikbaar en uitlegbaar bewijs van vaardigheden oplevert en medewerkers helpt de capaciteiten te ontwikkelen die hun werk daadwerkelijk vereist.