Die transformative Kraft von KI im Skill- und Kompetenzmanagement

Skills- und Kompetenzmanagement sollte auf der Agenda jeder Personalabteilung stehen. Unternehmen brauchen eine klare Strategie, um diese Transformation erfolgreich umzusetzen. Mehr zu den Auswirkungen von Kompetenzmanagement auf HR erfahren Sie im ersten Teil dieser Blogserie.

Nun tauchen wir tiefer in das Thema Skill- und Kompetenzmanagement ein und beschäftigen uns damit, wie moderne Technologien wie KI das zentrale Problem der Skalierbarkeit lösen und damit HR und Learning & Development auf die nächste Stufe heben. Der dritte Teil befasst sich dann mit den Vor- und Nachteilen verschiedener Kompetenzmodelle und erläutert, wie Skalierbarkeit durch Genauigkeit ergänzt werden kann.

In der Vergangenheit war die mangelnde Skalierbarkeit des Skill- und Kompetenzmanagements das Kernproblem. Kompetenzmodelle waren häufig statisch und wurden manuell erstellt und aktualisiert. In vielen Fällen begann der Prozess mit der Identifizierung von Schlüsselpositionen im Unternehmen. Der nächste Schritt war die Erstellung eines Kompetenzmodells. Ein Kompetenzmodell besteht aus verschiedenen Fähigkeiten, die wiederum beschrieben und mit Verhaltensankern versehen werden mussten.

Im nächsten Schritt wurden dann Entwicklungsmaßnahmen definiert, die eine bestimmte Kompetenz ausprägen. Damit war die Grundlage geschaffen. Was nun noch fehlte, war die Evaluierung der Kompetenzen und die Identifikation von Kompetenzlücken. Dies geschah häufig über eine Selbsteinschätzung der Mitarbeitenden und eine Beurteilung durch die Führungskraft. Alternativ aber auch über einen 180/360-Grad-Feedbackprozess oder über ein strukturiertes Jahresgespräch am Ende einer Planungsperiode. Dies ist ein nicht zu unterschätzender Aufwand, der nicht selten in mehrjährigen Projekten umgesetzt wird.

Die Problematik hier: Skalierbarkeit. Aufgrund des hohen manuellen und zeitlichen Aufwands konnten solche sehr spezifischen Kompetenzmodelle oft nur für eine bestimmte Zielgruppe erstellt werden. In vielen Fällen lag der Fokus auf Schlüsselpositionen oder dem Top-Management. Andere Projekte konzentrierten sich auf Jobfamilien, was zu einer allgemeinen und weniger spezifischen Sichtweise führte. Unternehmen, die ein Kompetenzmodell für die gesamte Belegschaft definieren wollten, orientierten sich häufig an den Unternehmenswerten, was zu einer starken Verallgemeinerung führte.

Im Laufe der Zeit und im Zuge der technologischen Entwicklung hat sich das Skill- und Kompetenzmanagement stark verändert. Digitale Plattformen und Tools haben begonnen, die Art und Weise, wie Unternehmen Kompetenzen identifizieren, bewerten und entwickeln, zu revolutionieren. Für uns als Softwareanbieter im Bereich Learning & Development war es daher wichtig, eine skalierbare Lösung zu finden. Deshalb entwickeln wir seit einigen Jahren Modelle, die auf Künstlicher Intelligenz (KI) basieren. Doch was bedeutet das konkret?

Insgesamt haben wir über 250.000 Kompetenzen aus verschiedenen Quellen ausgewertet und analysiert. Anschließend haben wir die Daten normalisiert, also in verschiedenen Sprachen zusammengefasst und insbesondere Synonyme identifiziert. So kamen wir auf rund 53.000 Skills mit durchschnittlich fünf Synonymen. Anschließend wurden die Skills von unseren Data Scientists kuratiert, die eine „Qualitätskontrolle“ durchführten, die zu ca. 50.000 verifizierten und interlingualen Skills führte. Diese solide Datenbasis ermöglichte es uns, die Lücke zwischen verschiedenen Kompetenzen zu berechnen. So ist es beispielsweise sehr wahrscheinlich, dass jemand, der sehr gut mit Microsoft Outlook umgehen kann, auch gut mit Microsoft Word arbeiten kann. So gelingt der Schritt von der Kompetenzlücke zur Talentstrategie.

Dieses Modell, das wir „Cornerstone Skills Graph“ nennen, bildet die Grundlage für die automatisierte Erkennung von Kompetenzen auf Basis definierter Daten. Neben den rund 50.000 enthaltenen Skills kann unser Modell beliebig mit eigenen Skill- und Kompetenzmodellen erweitert werden. So können wir zum Beispiel aus einem Jobtitel die für diese Rolle benötigten Kompetenzen ableiten. Stehen weitere Daten zur Verfügung, wie zum Beispiel eine Stellenbeschreibung, werden die Ergebnisse der erkannten Skills noch aussagekräftiger. Wenn dann noch kontextbezogene Daten wie ein Lebenslauf mit Berufshistorie zur Verfügung stehen, werden die erkannten Kompetenzen noch relevanter. Lesen Sie hier, wie DHL mithilfe von KI kompetenzbasierte Karrieremöglichkeiten aufzeigt.

Die automatisierte Erkennung von Kompetenzen auf Basis von KI funktioniert auch für Schulungsinhalte. So kann unsere Lösung aus dem Titel und der Beschreibung eines Trainings (sowie weiteren Metadaten) ableiten, welche Kompetenzen durch ein Training gefördert werden.

Mit dieser Technologie bringen wir zwei wichtige Ebenen zusammen: Das Erkennen, welche Kompetenzen in einem bestimmten Job relevant sind, und die Maßnahmen, die dann bestimmte Kompetenzen entsprechend entwickeln. Darüber hinaus sehen wir einen klaren Fokus auf die Mitarbeitenden. Per Self-Service können Kompetenzen markiert werden, die von besonderem Interesse sind und entwickelt werden sollen. Darüber hinaus kann sich jeder Mitarbeitende selbst einschätzen und Feedback von Kolleginnen und Kollegen einholen. Dies führt zu mehr Verständnis und Transparenz, was von den Mitarbeitenden klar gefordert wird.

Mit dieser Technologie lösen wir das zuvor identifizierte Schlüsselproblem: Skalierbarkeit. Wird der „Skills Graph“ aktiviert, kann die automatische Erkennung sofort für Tausende, Zehntausende oder sogar Hunderttausende von Mitarbeitenden durchgeführt werden. Learning & Development hat gerade einen großen Sprung gemacht.

Im nächsten Teil der Blogserie zum Thema Skills- und Kompetenzmanagement geht es um die Vor- und Nachteile verschiedener Kompetenzmodelle und darum, wie Skalierbarkeit durch Genauigkeit ergänzt werden kann. Hier geht es zum ersten Teil, um nachzulesen, wie sich Kompetenzmanagement auf HR auswirkt.