CodeSignal lanserar Agentic Skills Intelligence för att utvärdera kompetens utifrån det dagliga arbetet

Ett företag kan veta vem som har slutfört en kurs, börjat använda en AI-assistent eller haft en viss befattning utan att veta hur väl personen kan utföra det arbete som väntar. CodeSignal vill fylla den luckan med Agentic Skills Intelligence, en ny lösning som utvärderar medarbetarnas arbete och kopplar de kompetensprofiler som blir resultatet till individanpassad övning och coachning.

Plattformen, som tillkännagavs som allmänt tillgänglig den 28 oktober, använder specialiserade agenter för att utvärdera arbete i de system som medarbetarna redan använder, i stället för att förlita sig på självskattningar eller nyckelord i ett cv. CodeSignal säger att målet är att ge ledare en kontinuerligt uppdaterad bild av medarbetarnas kompetens och ett sätt att åtgärda de kompetensluckor som framträder.

Lanseringen utvidgar företagets verksamhet inom kompetensbedömning och lärande till det dagliga arbetet. Det potentiella värdet ligger i att koppla samman tre aktiviteter som ofta hålls åtskilda: att samla in belägg för kompetens, avgöra var kompetensutveckling behövs och hjälpa medarbetarna att utvecklas.

Utvärdering av arbete utifrån en strukturerad kompetensbedömningsmatris

I sitt tillkännagivande nämner CodeSignal bland annat Gong, Salesforce, GitHub, Cursor, Claude, ChatGPT, Workday, Greenhouse och Google Workspace som källor till arbete som företagets agenter kan utvärdera. Arbetet bedöms utifrån strukturerade bedömningsmatriser med grund i industri- och organisationspsykologi, det ämnesområde som studerar beteende och prestation på arbetsplatser.

Företaget framhåller att processen ger ett mer direkt mått på kompetens än att dra slutsatser utifrån en befattning, en prestationsbedömning eller en genomförd kurs. En medarbetares arbetsresultat blir underlag för en kompetensprofil som kan uppdateras när nytt arbete blir tillgängligt.

Som bakgrund till sin bedömningsmetod hänvisar CodeSignal till att över 21 miljoner kompetensbedömningar har genomförts på plattformen. Det är en samlad siffra för hela plattformen, inte antalet medarbetare som redan har utvärderats med den nyligen tillkännagivna produkten.

Det är användbart att skilja mellan belägg och slutsatser, men det innebär inte att behovet av bedömningar försvinner. Ett arbetsprov måste faktiskt visa den kompetens som bedöms, och bedömningsmatrisen måste passa uppgiften. Ett starkt resultat som tagits fram med hjälp av AI väcker till exempel frågor om vilka förmågor som visades: att skriva en första lösning, att styra en assistent, att kontrollera dess resultat eller att kombinera dessa aktiviteter på ett effektivt sätt.

Därför är de underliggande bedömningskriterierna lika viktiga som antalet anslutna system. Mer arbetsplatsdata kan öka täckningen, men gör inte automatiskt varje kompetens synlig och visar inte heller hur mycket en enskild person har bidragit till ett gemensamt resultat.

Koppla kompetensluckor till individanpassad övning

Utvecklingsdelen av Agentic Skills Intelligence använder Cosmo, CodeSignals AI-handledare, för att erbjuda övningar anpassade efter sammanhanget. Tanken är att identifiera en kompetenslucka, ge medarbetaren relevanta möjligheter att öva och sedan följa upp om kompetensen förbättras.

CodeSignals befintliga Learn Academies ger en bild av hur det här arbetssättet fungerar. De kombinerar kurser, praktiska övningar och inbyggda bedömningar i vägledda program, där Cosmo ger återkoppling under lärandet. Tyngdpunkten ligger på att tillämpa en kompetens och följa utvecklingen längs vägen.

Företagets kurser för näringslivet breddar övningarna från programmering till aktiviteter som kundsamtal, skrivuppgifter och finansiell analys. Den bredare inriktningen är viktig för en produkt som riktar sig till hela arbetsstyrkan: kompetensutveckling kan innebära att öva på en säljpresentation eller träna sitt chefsomdöme, likaväl som att lösa ett tekniskt problem.

En försäljningschef skulle till exempel kunna använda det nya systemet för att identifiera var teamet behöver hjälp med att presentera en produkt och sedan låta de berörda medarbetarna få skräddarsydda övningar. CodeSignal presenterar detta som ett användningsfall för plattformen, inte som ett redovisat kundresultat från lanseringen.

För medarbetarna skulle det användbara resultatet vara en konkret utvecklingsväg. En poäng blir mer användbar när den förklarar vad som behöver förbättras och leder till en övning som tar itu med det. Produktens effektivitet kommer att bero på hur väl den kopplingen fungerar för olika roller och typer av arbete.

Mäta AI-kompetens bortom användningssiffror

CodeSignal presenterar också produkten som ett sätt att undersöka om AI-investeringar leder till bättre arbete. I tillkännagivandet hänvisar företaget till egen forskning där 84 % av organisationerna utökade sina investeringar i AI-programvara och 79 % ökade sin AI-utbildning under det senaste året, samtidigt som 79 % inte kunde mäta avkastningen på dessa utgifter. Företaget uppger också att sex av tio chefer fattar viktiga beslut om talanger genom att gissa, och att 66 % av medarbetarna säger att deras kompetens aldrig har bedömts formellt.

Det här är resultat som CodeSignal har redovisat. Pressmeddelandet som tillhandahållits innehåller inte uppgifter om undersökningens urvalsstorlek eller metod, så siffrorna bör ses som bakgrund till företagets tes om produkten snarare än som en heltäckande bild av alla arbetsgivare.

Den praktiska frågan är ändå tydlig. Att följa användningen av assistenter kan visa att medarbetarna har börjat använda ett verktyg, men säger mindre om huruvida de kan använda det effektivt. Genom att utvärdera arbetet utifrån relevanta kriterier kan arbetsgivare kanske skilja frekvent användning från högre kompetens.

Det skulle också ge en mer meningsfull grund för investeringar i kompetensutveckling än att enbart räkna avslutade kurser. En uppmätt förbättring av en relevant färdighet är en användbar signal, men för att omsätta förbättringen i affärsnytta krävs fortfarande hänsyn till rollen, projektet och andra faktorer som påverkar resultaten.

Integrera kompetensinsikter i befintliga arbetsflöden

CodeSignal uppger att deras MCP-server gör det möjligt för team att ställa frågor om kompetens- och jobbdata via en valfri AI-assistent. Model Context Protocol tillhandahåller ett gemensamt gränssnitt för att koppla en assistent till externa verktyg och informationskällor. Här är syftet att göra insikter om arbetsstyrkan tillgängliga utan att användarna behöver lämna den assistent de brukar använda.

Tillkännagivandet omfattar också analys av kompetensgap inom organisationen, personalplanering och marknadsinsikter om rekryteringsbehov, roller och löneintervall. Det här är relaterade men åtskilda informationskällor: externa trender på arbetsmarknaden beskriver efterfrågan utanför företaget, medan medarbetarprofilerna är tänkta att beskriva den kompetens som har visats inom företaget.

Befintligt material om CodeSignals kompetensinsikter beskriver jämförelser, analyser på flera nivåer och uppföljning av kompetensutveckling. Den nya lanseringen lägger tonvikten på att kontinuerligt utvärdera arbetet och koppla de resulterande beläggen till individuell utveckling.

Kontextens betydelse för beslut om arbetsstyrkan

Mer aktuell information om kompetens skulle kunna hjälpa en chef att hitta intern expertis till ett brådskande projekt, identifiera ett utvecklingsbehov eller planera var rekrytering behövs. Det förändrar också betydelsen av material från det dagliga arbetet: sådant som tas fram för att slutföra en uppgift kan bli underlag för att bedöma en medarbetares kompetens.

Därför är det viktigt att utvärderingsprocessen är tydlig. Medarbetare och chefer behöver förstå vilket arbete som ligger till grund för en profil, vad bedömningskriterierna mäter och var underlaget är ofullständigt. Begränsad erfarenhet av en uppgift ska inte förväxlas med visad oförmåga, och en automatiserad poäng bör bedömas tillsammans med den kontext där arbetet utfördes.

CodeSignals lansering för samman bedömning, underlag från arbetsplatsen och AI-baserad handledning i en tätare återkopplingsloop. Möjligheten ligger i att göra kompetensutvecklingen mer målinriktad och lyhörd. Frågan är om den här loopen ger användbara och begripliga belägg för kompetens och hjälper medarbetarna att utveckla den förmåga som arbetet faktiskt kräver.