Utfordringer og muligheter: AI gir moderne L&D nye måltall

AI er ikke lenger et fremtidsscenario innen læring og utvikling (L&D). Den er her. Femtiåtte prosent¹ av HR-teamene rapporterer økte inntekter etter at de tok i bruk AI.

Etter hvert som vi tar teknologiutviklingen inn i L&D, blir AI-drevet dataanalyse en viktig drivkraft bak moderne L&D-tiltak. I dag er analyse ikke lenger bare en måte å måle effekten av bedriftsopplæringen på (selv om AI forandrer læringsanalysen også), men et grunnlag for datadrevne læringsløp.

La oss se nærmere på hvordan AI-drevet analyse forandrer måten vi tolker og bruker data på, og hvorfor det er så viktig i 2024.

Utfordringer og begrensninger ved tradisjonelle metoder for å måle læringseffekt

Tradisjonelle analysemetoder i L&D holder ikke tritt med de skiftende behovene og målene i moderne organisasjoner, og derfor må vi tenke nytt om hvordan vi måler effekten av læring.

Måltallene passer ikke med moderne L&D-mål

Dagens L&D-fagfolk fortsetter å bruke pyntetall for å måle effekten av opplæringen. Blant de mest brukte indikatorene² for å vurdere L&D-suksess er medarbeidertilfredshet, antall ansatte som deltar i opplæring, resultater på tester etter opplæringen og antall fullførte kurs.

Problemet er at læringsanalyse riktignok kan vise hvor engasjerte de ansatte er i læringsprogrammene, men den viser ikke hva L&D bidrar med til forretningsresultatene.

Mange sliter med å måle effekten av opplæringen, og 95% av L&D-lederne³ ønsker å kunne følge sammenhengen mellom de ansattes forbedring og forretningsresultatene. Siden tradisjonelle dataanalysemetoder ikke klarer å tette gapet, har AI-drevet analyse et stort potensial til å endre måten vi måler L&D-effekt på.

"Jeg mener det viktigere problemet er at L&D ser ut til å møte potensialet i AI først og fremst som en mekanisme for å produsere mer formelt læringsinnhold.
L&D ville hatt mer nytte av AI hvis vi brukte den til å bringe læring og arbeid sammen, med forretningsanalyse som drivkraft – ikke læringsanalyse.
Potensialet i AI for å drive 'ytelsesstøtte på steroider' og bringe læring og kontinuerlig forbedring inn i arbeidsflyten (med et prestasjonstankesett i stedet for et læringstankesett) er enormt. Det vil være langt større enn å bare bruke den som en innholds- eller analysemotor i en innholdssentrert L&D-modell fra 1900-tallet."
Charles Jennings
Managing Director | Duntroon Consultants

For mye data, for lite ressurser

Hver dag samler vi inn masse informasjon fra HR-systemer, medarbeiderundersøkelser og rapporter fra læringsplattformen (LMS). Men vi får gjort lite med alle disse dataene, så de blir liggende og samle støv mens vi fokuserer på pyntetall (fordi de er enkle å tolke).

En av de vanligste måtene å tolke store datamengder på er å bygge dashbord som skal fortelle noe om L&D-resultatene. Men det mange ikke klarer, er å gjøre dataanalysen om til en historie som får interessentene til å handle.

“Data- og analyseteam har alltid laget dashbord og visualiseringer, men mange er ukjente med å pakke disse inn i en fortelling."
James Richardson
Senior Director Analyst | Gartner⁴

Tilgjengelige data ≠ meningsfulle data

Hva hindrer oss i å samle inn dataene som viser de reelle resultatene av opplæringen? Det er ikke slik at L&D-team bevisst velger feil måltall. Det er tilgjengeligheten av data som leder oss mot dårlige beslutninger.

“[...] når vi stoler på data som er enkle å samle inn, i stedet for data som er meningsfulle å samle inn, går vi mot problemer.
Da jeg studerte til MBA, lærte jeg om det klassiske selgerproblemet, der vi samler inn data om hvor mye inntekt en selger bringer inn, men glemmer å måle hvor mye fortjeneste selgeren genererer. Ved å måle det ene og ikke det andre belønner vi salg mens vi håper på fortjeneste. Ville det være frekt av meg å påpeke at kompensasjonen din sannsynligvis er knyttet til ting som er lettere å måle (som dagens fortjeneste eller aksjekurs), i stedet for andre ting som er viktige å måle (som styrken og innovasjonsevnen i FoU-teamet ditt)?”
Will Thalheimer
Konsulent, foredragsholder og forsker | Work-Learning Research⁵

AI endrer måten vi lærer opp og evaluerer på

Når tradisjonelle løsninger ikke klarer å løse de store L&D-utfordringene, kommer AI med nye former for dataanalyse (og det på riktig tidspunkt).

I stedet for bare å måle deltakernes engasjement gir AI-drevet analyse tilgang til komplekse datasett, stordata og maskinlæringsalgoritmer. Med disse i verktøykassen minimerer vi manuelt arbeid, får meningsfull innsikt i hvor effektiv opplæringen er, og gjør L&D-programmene mer personlig tilpasset.

Bruksområder for AI i læring og utvikling i 2024

AI-drevet analyse forandrer læring og utvikling i 2024, og L&D-fagfolk kommer til å ha travelt med å ta i bruk disse sju bruksområdene for AI i organisasjonens læring. Her er de.

1. Produksjon av opplæringsinnhold

Mindre enn et år etter at generativ AI-teknologi kom på markedet, rapporterer en tredjedel⁶ av organisasjonene at minst én av forretningsfunksjonene deres bruker generativ AI jevnlig.

Generative AI-verktøy kan analysere enorme datamengder og lage opplæringsmateriell på kort tid. Fra å gjøre PDF-er om til engasjerende innhold og oversette opplæringsprogrammer til flere språk til AI-innlesing av skrevet tekst – alle disse oppgavene håndteres allerede av AI i Attensis produkter.

Med Attensis løsning for opplæring i IT-systemer har Equiniti bygget 15 spillbare opplæringsmoduler og oppnådd 3x avkastning på investeringen gjennom kortere opplæringstid og lavere turnover. Les mer i kundehistorien.

2. Informasjonssøk med generativ AI

Førtisju prosent⁷ av digitale arbeidstakere sliter med å finne informasjonen de trenger for å utføre oppgavene sine. Med alle informasjonskildene og applikasjonene som brukes på arbeidsplassen, kaster de ansatte bort timer på å lete etter dataene de trenger. AI-drevet søk kommer til å løse det.

McKinsey lanserte nylig «Lilli»⁸, selskapets egen generative AI-løsning som plukker ut nødvendig informasjon fra selskapets omfattende kunnskapsbase og gjør research raskere. Når en bruker skriver inn et spørsmål, skanner Lilli hele McKinseys kunnskapsbase og finner fem til sju relevante innholdselementer. Deretter gir hun hovedpunktene, inkludert lenker og til og med eksperter på de aktuelle fagområdene, i det ferdige dokumentet – så du slipper å gå gjennom tusenvis av dokumenter manuelt.

Og ja, du får også AI-genererte svar i Attensi.

3. AI-drevet kartlegging av kompetansegap

Selv om vi har brukt HR-teknologi til å analysere kompetansegap en god stund, krever det fortsatt mye manuelt arbeid. AI-analyse automatiserer manuell kompetansekartlegging og hjelper deg å tette disse gapene mer effektivt.

Ved å analysere store datasett fra ulike kilder gir AI en helhetlig analyse av ferdigheter på tvers av roller og funksjoner, slik at L&D-spesialister ikke bare kan tette kompetansegap, men også forutse dem.

4. Tolkning av data

Med fremveksten av generativ AI får L&D-fagfolk tilgang til handlingsrettet innsikt uten å måtte vasse gjennom grafer, kakediagrammer og spredningsplott. Fordi AI kan gjøre data om til rike og nyttige fortellinger, kan vi endelig gjøre store datasett om til konkrete handlingsplaner.

5. Intern mobilitet og medarbeiderutvikling

Moderne AI-løsninger kan skreddersy ressurser og læringsløp som fremmer de ansattes karriereutvikling og støtter intern mobilitet. Ved hjelp av historiske data kan AI forutsi mulige karriereveier basert på den ansattes prestasjoner og ambisjoner. AI-algoritmer kan også analysere stillingskrav og matche dem med medarbeiderprofiler, og foreslå passende interne stillinger for dem som har de nødvendige ferdighetene.

For å gi de ansatte utviklingsmuligheter har for eksempel Spotify lansert sin interne talentmarkedsplass, Echo.⁹ Den AI-drevne teknologien hjelper de ansatte å utvikle ferdighetene sine mens de jobber i Spotify, bygge opp karriereporteføljen sin og finne muligheter for karriereutvikling gjennom markedsplassen.

6. Analyse av tilbakemeldinger

Tilfredshetsscorer fra deltakerne sier lite om hvor effektiv opplæringen er. I stedet for bare å stole på subjektive inntrykk går AI-drevet analyse av tilbakemeldinger dypere inn i de kvalitative sidene ved deltakernes tilbakemeldinger.

Algoritmer for naturlig språkbehandling (NLP) kan automatisk analysere deltakernes svar og gi innsikt i ikke bare hva deltakerne likte eller mislikte, men også hvorfor enkelte elementer slo positivt an eller var utfordrende.

7. Personlig tilpassede læringsopplevelser

Når tradisjonelle opplæringsmetoder der én størrelse skal passe alle, ikke klarer å møte den enkelte deltakers behov, kommer AI til unnsetning.

AI-ens unike evne til uanstrengt å tilpasse seg hver deltakers spesifikke behov gjør det mulig å skape personlig tilpassede læringsløp, slik at hver ansatt får utnyttet sitt eget potensial og sine egne interesser. AI-drevet personlig tilpasning lar deltakerne ta eierskap til egen kompetanseheving eller omskolering og utforske sine egne veier for livslang læring.

Blant de vanligste eksemplene på AI-drevne læringsopplevelser i praksis er mikrolæring, AR- og VR-simuleringer, minispill og AI-drevne personligheter.

Attensis immersive læringsscenarioer lar de ansatte lære ved å gjøre, gjennom realistisk og virkningsfull opplæring tilpasset deres behov. Med AI skaper vi personlig tilpassede læringsløp som møter individuelle behov, styrker kunnskapsbevaringen og gjør det enklere å ta ferdighetene i bruk i praksis. Læringsopplevelsen gir umiddelbart målbare forbedringer i prestasjonstallene.

Dette bør du tenke på når du tar i bruk AI-drevet analyse

Når du overlater data til AI, må du ta hensyn til etiske og regulatoriske forpliktelser:

1. Etiske konsekvenser av AI-bruk

AI har et enormt potensial for læring og utvikling i bedrifter, men bruken medfører også risiko for skjevheter og etiske problemer. Vi må huske at teknologien er laget for å utfylle menneskelige ferdigheter, ikke erstatte dem.

AI er ikke her for å ta beslutninger uten tilsyn, men for å hjelpe oss å samle inn og optimalisere data som vi kan kombinere med etiske, moralske og andre menneskelige hensyn før vi handler.

Bryan Hancock, partner i McKinsey, har fortalt¹⁰ at han i rollen som evaluator i McKinsey kombinerer AI og menneskelig intelligens i medarbeidervurderinger:

“En av mine personlige favoritter blant bruksområdene for generativ AI på personalsiden er faktisk medarbeidervurderinger. Hør meg ut: Jeg vil ikke at generativ AI faktisk skal skrive noens medarbeidervurdering. Det krever et menneske i prosessen, menneskelig skjønn og empati.”

Hancock forklarer at generativ AI hjelper ham å gjøre skriftlige tilbakemeldinger om hver enkelt om til et første utkast, som han deretter går gjennom manuelt. En slik sammenstilling sparer ham for tid på manuell organisering av data og gjør at han “raskere kommer fram til det jeg virkelig må undersøke for den personens utvikling og vekst.”

2. Personvernregler og AI

Å kombinere AI og menneskelig intelligens er ikke bare nyttig, men blir snart obligatorisk over hele verden. For første gang i verdenshistorien skal bruk av AI reguleres ved lov. EU-parlamentet har vedtatt AI-forordningen (AI Act), som fastsetter retningslinjer og krav til åpenhet for alle som er involvert i utvikling eller bruk av AI.

Den nye forordningen slår fast at “AI-systemer skal overvåkes av mennesker, ikke av automatisering, for å forhindre skadelige utfall.”

EU er først ute med en helhetlig AI-lov, men det ser ut til at resten av verden vil følge etter¹¹ de neste årene. Og selv om AI-lovene ennå ikke har trådt i kraft, har vi allerede andre personvernregler å forholde oss til:

“Å be generativ AI om for eksempel å oppsummere og lage statistikk på private eller sensitive data kan bety lovbrudd (for eksempel HIPAA-regelverket for medisinske data eller GDPR for personopplysninger). Å dele personopplysninger er i det minste sannsynligvis uetisk. Hvis dataene dine er private eller sensitive, må du finne ut om du kan bruke generativ AI etisk til formålene du ønsker.”
Patti Shank
Forfatter og grunnlegger | Learning Peaks

AI styrker læringen gjennom dataanalyse

AI-drevet analyse hjelper deg ikke bare å måle effekten av L&D-programmene, men gjør også enorme datasett om til handlingsrettede fortellinger og gir deltakerne personlig tilpassede læringsløp.

Når vi tar i bruk fordelene med AI, må vi ikke glemme betydningen av menneskelig skjønn i beslutningsprosessen. En balansert kombinasjon av AI og menneskelig ekspertise og empati er nøkkelen til å utløse det fulle potensialet i læring og utvikling.

Book en demo med Attensi for å se hvordan AI-drevne læringsscenarioer passer inn i organisasjonen din.