CodeSignal, Günlük İşlerden Becerileri Değerlendirmek İçin Agentic Skills Intelligence’ı Kullanıma Sunuyor

Bir şirket; kimin kurs tamamladığını, yapay zekâ asistanı kullanmaya başladığını ya da belirli bir unvana sahip olduğunu bilebilir, ancak o kişinin önündeki işi ne kadar iyi yapabildiğini bilmeyebilir. CodeSignal, çalışanların işlerini değerlendiren ve ortaya çıkan beceri profillerini kişiselleştirilmiş alıştırma ve koçlukla buluşturan yeni bir çözüm olan Agentic Skills Intelligence ile bu boşluğu kapatmayı hedefliyor.

28 Ekim’de genel kullanıma sunulduğu duyurulan platform, öz değerlendirmelere veya özgeçmişteki anahtar kelimelere dayanmak yerine, çalışanların hâlihazırda kullandığı sistemlerdeki işleri değerlendirmek için uzmanlaşmış ajanlardan yararlanıyor. CodeSignal, amacın liderlere iş gücünün yetkinlik düzeyini sürekli güncel tutan bir görünüm ve bu görünümün ortaya çıkardığı eksiklikleri giderme olanağı sunmak olduğunu belirtiyor.

Bu lansman, şirketin değerlendirme ve öğrenme faaliyetlerini günlük iş akışına taşıyor. Çözümün potansiyel değeri, çoğu zaman birbirinden ayrı kalan üç faaliyeti bir araya getirmesinde yatıyor: yetkinlik kanıtlarını toplamak, gelişimin nerede gerektiğine karar vermek ve çalışanların kendilerini geliştirmesine yardımcı olmak.

İşleri Yapılandırılmış Bir Beceri Ölçütüne Göre Değerlendirmek

CodeSignal’ın duyurusunda, ajanlarının değerlendirebileceği işlerin kaynağı olarak Gong, Salesforce, GitHub, Cursor, Claude, ChatGPT, Workday, Greenhouse ve Google Workspace gibi sistemler sayılıyor. İşler, iş yerlerindeki davranış ve performansı inceleyen endüstri ve örgüt psikolojisine dayalı yapılandırılmış ölçütlere göre puanlanıyor.

Şirket, bu süreci; becerileri bir unvandan, performans değerlendirmesinden ya da tamamlanmış bir kurstan çıkarsamaya kıyasla yetkinliği daha doğrudan ölçen bir yöntem olarak konumlandırıyor. Yeni işler ortaya çıktıkça güncellenebilen beceri profillerinin kanıtını çalışanların ürettiği işler oluşturuyor.

CodeSignal, değerlendirme yaklaşımının arka planında, platform genelinde tamamlanan 21 milyondan fazla beceri değerlendirmesini gösteriyor. Bu, yeni duyurulan ürünle hâlihazırda değerlendirilmiş çalışanların sayısı değil, platformun toplamına ilişkin kümülatif bir veridir.

Kanıt ile çıkarım arasındaki ayrım yararlıdır, ancak değerlendirme gereksinimini ortadan kaldırmaz. Bir iş örneği, puanlanan beceriyi gerçekten ortaya koymalı; ölçüt de göreve uygun olmalıdır. Örneğin, yapay zekâ desteğiyle elde edilen başarılı bir sonuç, hangi yetkinliklerin sergilendiği sorusunu gündeme getirir: ilk çözümü yazmak, bir asistana yön vermek, çıktısını denetlemek ya da bu faaliyetleri etkili biçimde bir araya getirmek.

Bu nedenle değerlendirme ölçütleri, bağlantı kurulan sistemlerin sayısı kadar önemlidir. İş yerlerinden daha fazla veri toplamak kapsamı genişletebilir, ancak her beceriyi otomatik olarak görünür kılmaz veya ortaklaşa elde edilen bir sonuca kişinin ne ölçüde katkıda bulunduğunu ortaya koymaz.

Beceri Eksikliklerini Kişiselleştirilmiş Alıştırmalarla Gidermek

Agentic Skills Intelligence’ın gelişim ayağı, bağlama uygun alıştırmalar sunmak için CodeSignal’ın yapay zekâ destekli eğitmeni Cosmo’dan yararlanıyor. Önerilen döngü; bir yetkinlik eksikliğini belirlemek, çalışana pratik yapması için uygun fırsatlar sunmak ve ardından becerilerinin gelişip gelişmediğini izlemekten oluşuyor.

CodeSignal’ın mevcut Learn Academies programları bu yaklaşıma örnek oluşturuyor. Bu programlar; kursları, uygulamalı çalışmaları ve öğrenme sürecine entegre edilmiş değerlendirmeleri rehberli programlar hâlinde bir araya getiriyor; Cosmo da öğrenme sırasında geri bildirim sunuyor. Buradaki vurgu, beceriyi uygulamak ve süreç boyunca ilerlemeyi kontrol etmekte.

Şirketin iş dünyasına yönelik kursları, alıştırmaları programlamanın ötesine taşıyarak müşteri görüşmeleri, yazma görevleri ve finansal analiz gibi etkinlikleri de kapsıyor. Bu kapsamın genişliği, iş gücüne yönelik bir ürün açısından önem taşıyor: beceri geliştirme, teknik bir problemi çözmenin yanı sıra satış sunumu pratiği yapmayı veya yönetsel muhakeme becerisini kullanmayı da içerebilir.

Örneğin bir satış yöneticisi, ekibin bir ürünü sunma konusunda hangi alanlarda desteğe ihtiyaç duyduğunu belirlemek ve ardından bu çalışanlara özel alıştırmalar yönlendirmek için yeni sistemi kullanabilir. CodeSignal bunu, lansmanda açıklanmış bir müşteri sonucu olarak değil, platformun kullanım alanlarından biri olarak sunuyor.

Çalışanlar için faydalı sonuç, belirli bir gelişim yolunun ortaya konması olur. Bir puan, geliştirilmesi gereken noktaları açıklıyor ve bu ihtiyacı karşılayan bir alıştırmaya yönlendiriyorsa daha uygulanabilir hâle gelir. Ürünün etkililiği, bu bağlantının farklı roller ve iş türleri arasında ne kadar iyi kurulabildiğine bağlı olacak.

Yapay Zekâ Yetkinliğini Kullanım Sayılarının Ötesinde Ölçmek

CodeSignal, ürünü yapay zekâ yatırımlarının daha iyi iş sonuçlarına dönüşüp dönüşmediğini incelemenin bir yolu olarak da konumlandırıyor. Duyuruda, şirketin araştırmasına atıfta bulunuluyor: Kuruluşların %84’ü geçtiğimiz yıl yapay zekâ yazılımlarına yönelik yatırımlarını artırırken %79’u yapay zekâ eğitimine daha fazla kaynak ayırdı; buna karşın %79’u bu harcamaların getirisini ölçemedi. Duyuruda ayrıca, 10 yöneticiden 6’sının kritik yetenek kararlarını tahmine dayanarak verdiği ve çalışanların %66’sının becerilerinin hiçbir zaman resmî olarak değerlendirilmediğini söylediği bildiriliyor.

Bunlar, CodeSignal’ın bildirdiği bulgulardır. Paylaşılan duyuruda anketin örneklem büyüklüğü veya yöntemi açıklanmadığından, rakamlar tüm işverenleri kapsayan kapsamlı bir ölçüm olarak değil, şirketin ürün yaklaşımını açıklayan bir bağlam olarak değerlendirilmelidir.

Buna ilişkin pratik soru ise açık. Asistan kullanımını takip etmek, çalışanların bir aracı benimsediğini gösterebilir; ancak aracı etkili biçimde kullanıp kullanamadıkları hakkında daha az bilgi verir. Çalışanların işlerini ilgili ölçütlere göre değerlendirmek, işverenlerin sık kullanım ile daha yüksek yetkinlik düzeyini birbirinden ayırmasına yardımcı olabilir.

Bu yaklaşım, gelişim harcamaları için yalnızca tamamlanan kursları saymaktan daha anlamlı bir temel de oluşturabilir. İlgili bir beceride ölçülen gelişim yararlı bir göstergedir; ancak bu gelişimi işletmeye sağlanan getiriye dönüştürmek için rolü, projeyi ve performansı etkileyen diğer faktörleri de dikkate almak gerekir.

Beceri İçgörülerini Mevcut İş Akışlarına Taşımak

CodeSignal, MCP sunucusunun ekiplerin kendi seçtikleri bir yapay zekâ asistanından beceri ve iş verileri hakkında sorular sormasına olanak tanıdığını belirtiyor. Model Context Protocol, bir asistanı harici araçlara ve bilgilere bağlamak için ortak bir arayüz sağlar; burada amaç, kullanıcıların alışık oldukları asistan ortamından ayrılmalarına gerek kalmadan iş gücüne ilişkin içgörülere erişmelerini sağlamaktır.

Duyuruda ayrıca kurumsal beceri açığı analizi, iş gücü planlaması ve işe alım talebi, roller ve ücret aralıklarına ilişkin pazar istihbaratı da yer alıyor. Bunlar birbiriyle ilişkili ancak birbirinden farklı bilgi kaynaklarıdır: dış iş gücü piyasası eğilimleri şirket dışındaki talebi açıklarken çalışan profillerinin şirket içindeki kanıtlanmış yetkinlikleri ortaya koyması amaçlanıyor.

Mevcut CodeSignal beceri analitiği materyallerinde kıyaslama, çok düzeyli analizler ve beceri ediniminin takibi ele alınıyor. Yeni lansman, işlerin sürekli değerlendirilmesine ve bu değerlendirmelerden elde edilen kanıtların bireysel gelişimle ilişkilendirilmesine odaklanıyor.

İş Gücü Kararlarında Bağlamın Önemi

Daha güncel beceri bilgileri, bir yöneticinin acil bir proje için şirket içindeki uzmanlığı bulmasına, gelişim ihtiyacını belirlemesine veya işe alımın nerede gerekli olduğunu planlamasına yardımcı olabilir. Bu bilgiler, gündelik işlerden geriye kalan belgelerin önemini de değiştirir: bir görevi tamamlamak için üretilen materyaller, çalışanın yetkinliğini değerlendirmede kullanılacak kanıtlara dönüşebilir.

Bu nedenle değerlendirme sürecinin açık olması önem taşıyor. Çalışanların ve yöneticilerin hangi işlerin profile yansıdığını, değerlendirme ölçütlerinin neleri kapsadığını ve kanıtların hangi noktalarda eksik kaldığını anlaması gerekir. Bir görevle sınırlı ölçüde karşılaşmış olmak, o görevi yapamadığının kanıtı olarak görülmemelidir; otomatik bir puan da işin yapıldığı bağlamla birlikte değerlendirilmelidir.

CodeSignal’ın lansmanı, değerlendirmeyi, iş yerindeki kanıtları ve yapay zekâ destekli özel dersleri daha sıkı bir geri bildirim döngüsünde bir araya getiriyor. Bu yaklaşım, iş gücü gelişimini daha hedefli ve ihtiyaçlara daha duyarlı hâle getirme fırsatı sunuyor. Önemli olan, bu döngünün becerilere ilişkin yararlı ve açıklanabilir kanıtlar üretip üretmediği ve çalışanların işlerinin gerçekten gerektirdiği yetkinlikleri geliştirmesine yardımcı olup olmadığı.