AI til kompetencekortlægning find læringsbehov uden at sætte mennesker i kasser

Kortlæg arbejdet før I kortlægger mennesker

Kompetencekortlægning begynder ofte med et regneark: Navne ned ad siden, kompetencer hen over toppen og tal fra ét til fem i felterne. Det ser objektivt ud. I virkeligheden er mange af tallene blandinger af selvvurdering, lederskøn, gamle jobbeskrivelser og forskellige fortolkninger af, hvad en kompetence betyder.

En sprogmodel kan hurtigt læse jobbeskrivelser, projektlister og kursusoversigter og foreslå et fælles mønster. Det er nyttigt. Men hvis modellen starter med medarbejderne, kan den let komme til at rangere mennesker ud fra ujævne og ufuldstændige data. Begynd derfor med arbejdet: Hvilke opgaver skal organisationen kunne løse nu, og hvilke skal den kunne løse om et år?

Når behovet er tydeligt, kan AI hjælpe med at samle beslægtede formuleringer og gøre huller synlige. Resultatet bør være en invitation til læring og bemanding, ikke en automatisk vurdering af hvem der er god nok.

Skeln mellem kompetence, erfaring og interesse

Tre ting bliver ofte blandet sammen. Kompetence er evnen til at løse en opgave i en bestemt sammenhæng. Erfaring beskriver, hvad en person tidligere har arbejdet med. Interesse fortæller, hvor personen gerne vil udvikle sig. En medarbejder kan have lidt erfaring, men stor interesse og gode forudsætninger. En anden kan være stærk på et område uden at ønske, at det skal fylde mere.

Felt	Et brugbart spørgsmål
Opgave	Hvad skal kunne udføres, for hvem og med hvilket kvalitetskrav?
Kompetence	Hvilken viden, metode og dømmekraft kræver opgaven?
Evidens	Hvilket projekt, resultat eller eksempel viser kompetencen?
Interesse	Vil medarbejderen vedligeholde, udvikle eller nedtone området?
Støtte	Hvilken træning, sparring eller praksis gør næste skridt realistisk?

AI kan foreslå indhold i alle fem felter. Den bør ikke udfylde de personlige felter uden medarbejderens medvirken. Interesse og læringsmål kan ikke aflæses sikkert af en jobtitel eller en bunke gamle dokumenter.

Brug et fælles sprog uden at miste det lokale

EU-Kommissionens ESCO-klassifikation samler beskrivelser af færdigheder, kompetencer, kvalifikationer og erhverv. En fælles taksonomi kan hjælpe med at opdage synonymer og sammenligne roller. Den kan også gøre det lettere at se, at den samme færdighed bruges på tværs af afdelinger.

Men en standardliste er ikke et facit. Virksomheder har lokale systemer, kunder, arbejdsgange og fagudtryk. En supportmedarbejders evne til at afklare et uklart problem kan eksempelvis være vigtigere end navnet på det konkrete ticketsystem. Tavs viden, relationer og situationsfornemmelse står sjældent pænt i en taksonomi.

Lad modellen arbejde som oversætter

• Bevar den lokale formulering, som medarbejderne genkender.
• Foreslå en fælles kategori ved siden af, men marker forslaget som foreløbigt.
• Gem eksempler på opgaver og resultater, ikke kun etiketten.
• Lad fagpersoner afgøre, om to kompetencer faktisk er de samme i praksis.

Undgå den skjulte score

Det farligste design er et system, der lover udvikling, men i praksis bruges til performancekontrol. Hvis medarbejdere tror, at en lav score kan påvirke løn, fremtidige opgaver eller jobsikkerhed, vil de med god grund optimere deres svar. Så bliver kortet mindre ærligt og mindre nyttigt.

Adskil derfor udviklingskortet fra beslutninger om sanktioner og bedømmelse. Forklar formålet, datakilderne, hvem der kan se oplysningerne, og hvor længe de gemmes. Brug kun de personoplysninger, som formålet kræver. Hvis I senere vil bruge data til et nyt formål, skal det vurderes og kommunikeres som en ny beslutning.

NISTs AI Risk Management Framework lægger vægt på tydelige roller, kontekst, måling og løbende håndtering af risici. I en kompetenceproces betyder det blandt andet, at nogen ejer definitionerne, at medarbejdere kan udfordre output, og at fejl ikke bare bliver stående i profilen, fordi de kom fra en model.

En praktisk arbejdsgang i seks trin

1. Vælg ét team og tre til fem fremtidige arbejdsopgaver, som kortlægningen skal understøtte.
2. Saml jobbeskrivelser, procesbeskrivelser og projektmål uden unødvendige personoplysninger.
3. Bed AI om at foreslå kompetencekategorier, synonymer og uklarheder med henvisning til kilden.
4. Lad teamet rette sproget og tilføje den tavse viden, som dokumenterne ikke viser.
5. Lad hver medarbejder beskrive evidens, interesse og ønsket udvikling og få rettet sin profil.
6. Omsæt kun godkendte mønstre til konkrete læringstiltag, sidemandsoplæring eller nye bemandingsvalg.

Start med en afgrænset pilot. Hvis I kortlægger hele organisationen på én gang, får I hurtigt et stort datasæt og langsomt en fælles forståelse. Et enkelt team gør det muligt at se, hvilke kategorier der giver mening, hvilke spørgsmål der føles urimelige, og om kortet fører til handling.

Bed AI om spørgsmål før den giver svar

En god prompt kan begynde sådan: Gennemgå kun de vedlagte opgave- og procesbeskrivelser. Foreslå kompetencer, der er nødvendige for at udføre opgaverne, og sæt kilde efter hvert forslag. Skeln mellem faglig viden, værktøjsfærdighed, samarbejde og situationsbestemt dømmekraft. Marker uklare eller modstridende krav. Vurder ikke navngivne medarbejdere, og opfind ikke erfaring eller interesse.

I næste trin kan modellen hjælpe med interviewspørgsmål: Hvilket eksempel viser kompetencen? Hvilken støtte ville gøre næste skridt muligt? Hvilke opgaver lærer personen bedst af? Spørgsmålene er ofte mere værdifulde end en automatisk score, fordi de skaber et grundlag for en reel udviklingssamtale.

Mål om kortet åbner muligheder

Et kompetenceprojekt er ikke en succes, fordi alle felter er udfyldt. Mål i stedet, om teamet kan finde den rette sparringspartner hurtigere, om flere medarbejdere får relevante læringsmuligheder, og om kritisk viden bliver mindre personafhængig. Følg også rettelser: Hvis medarbejdere ofte ændrer modellens forslag, er det vigtig læring om datagrundlaget.

• Andel profiler som medarbejderen selv har set og godkendt.
• Antal konkrete læringstiltag, der faktisk bliver gennemført.
• Tid til at finde intern hjælp til en ny eller svær opgave.
• Kompetencer der kun findes ét sted og derfor kræver deling eller backup.
• Fejl og skævheder, som blev fjernet efter medarbejdernes gennemgang.

Det bedste kompetencekort er midlertidigt. Opgaver ændrer sig, mennesker lærer, og interesser flytter sig. Derfor bør kortet have dato, ejer og en enkel vej til rettelse. Ellers bliver gårsdagens modeloutput morgendagens forældede sandhed.

Sæt læring før rangering

AI kan gøre det tunge sorteringsarbejde lettere. Den kan samle forskellige ord, opdage mønstre og pege på steder, hvor organisationen mangler dokumenteret viden. Dens styrke er overblik, ikke retten til at definere et menneskes værdi.

Når medarbejdere kan se, rette og forklare deres profil, bliver kortlægningen mere præcis og mere legitim. Når kompetencer forbindes med konkrete opgaver og læringsmuligheder, bliver resultatet nyttigt. Og når udvikling holdes adskilt fra skjult kontrol, kan teknologien understøtte det, kompetencearbejde egentlig bør handle om: at flere mennesker får mulighed for at lykkes med det arbejde, der venter.

Kilder og videre læsning

• EU-Kommissionen: ESCO – europæisk klassifikation af færdigheder, kompetencer, kvalifikationer og erhverv
• OECD Skills Outlook 2023 – analyse af kompetencer og omstilling i en foranderlig økonomi
• ILO: Generative AI and Jobs – 2025 update – arbejdsmarkedsanalyse med fokus på jobforandring frem for enkel erstatning
• NIST AI Risk Management Framework – ramme for ansvar, kontekst, måling og håndtering af AI-risici
• Datatilsynet: Databeskyttelse gennem design og standardindstillinger – praktisk vejledning om at indbygge databeskyttelse fra starten