És valószínűleg egyébként sem lenne érdemes saját taxonómiát készítened – a szolgáltatók csak azt akarják, hogy ezt hidd.
Néhány héttel ezelőtt, a fizetési átláthatóságról szóló bejegyzésem végén ígéretet tettem: elmagyarázom, hogy mi is valójában a készség-taxonómia, a készség-ontológia és a készséggráf – és hogy miért rendelkezik a legtöbb vállalat az elsővel, a harmadikkal viszont ritkán. Ez az a bejegyzés. De a definícióknál tovább szeretnék menni, mert van két dolog a készségekkel kapcsolatban, amit szinte senki sem mond ki hangosan: az egyik a vásárlás, és egy, amelyik a következőről szól: elfelejtés.
Miért éppen most zajlik ez a beszélgetés?
A sürgősséget alátámasztó számadatok jól ismertek: az OpenAI–OpenResearch–UPenn és a Brookings munkájára épülő kutatások (amelyeket Mercer foglalt össze) arra utalnak, hogy a generatív mesterséges intelligencia a mai munkahelyek mintegy 80%-ját érinti, azok egyötödében a feladatok körülbelül felét átalakítja, és az AI-val kiegészített munkában 10–30% termelékenységi potenciállal bír. A gyakorlati következmény egyszerű és kellemetlen: A munkakörök tartalma manapság gyorsabban változik, mint ahogyan a HR-szervezetek lépést tudnának tartani vele. Ha a felvételi, fejlesztési és fizetési döntéseid három évvel ezelőtt megfogalmazott munkaköri leírásokon alapulnak, akkor azok “kitalációkon” alapulnak.
Ez az, ami a szervezeteket a régi modellből – egy személy, egy munkakör, lineáris karrier – a „készségek ↔ munka” irányába tereli: a képességekhez igazított feladatok és projektek, függetlenül attól, hogy hol találhatók ezek a képességek. A Standard Chartered és a Mercer által közzétett esettanulmány bemutatja, mi vár az út végén: 26 000 felhasználó egy belső tehetségpiacon, 1 700 belső megbízás, 144 000 átcsoportosított óra, $6,9 millió termelékenységi érték.
De itt és ott között nyelvi probléma áll.
Taxonómia, ontológia, gráf
A készségek osztályozása megválaszolja a kérdést: mi mi. A készségek hierarchikus katalógusa – a közös szókincs. Enélkül az alakul ki, amit én “készséglevesnek” nevezek: több tízezer tételből álló listák, tele ismétlődésekkel és szinonimákkal, ahol a “stakeholder management” és a “managing stakeholders” két különböző készségnek számít, és az adatok egyike sem összehasonlítható.
A készségontológia arra ad választ, hogy mi mihez kapcsolódik. Mely készségek kapcsolódnak egymáshoz, melyek csoportosulnak, és melyek mely szerepkörökhöz tartoznak. Ezen a ponton a készségek már nem csupán egy lista, hanem egy struktúra. A Magyar Telekom számára végzett munkakör-architektúra-tervezési munkánk során több mint 700 nyers készséget csoportosítottunk készségterületekbe — és ez volt a domainnevek, nem pedig a nyers lista tette lehetővé a munkakörök közötti hasonlóságok elemzését.
A készséggrafikon megmutatja: mi következik. Amint a készségek és azok közötti kapcsolatok összekapcsolt adatokként rendelkezésre állnak, lehetővé válik a következtetés levonása: hiányosságok előrejelzése, karrierút-ajánlás, párosítás, átképzési útvonalak. Ez az a réteg, ahol a mesterséges intelligencia valóban megéri a befektetést – és ez az a réteg, amellyel szinte senki sem rendelkezik, mivel az alatta lévő két réteget feltételezi.
Számos szervezet rendelkezik taxonómiával (amely általában elég rendezetlen). Néhányuknak ontológia-töredékei vannak. A gráf ritka jelenség — és ez nem is baj, mert:
Nem kell az egész menüt megenned
Az általam ismert leghasznosabb megközelítés Jesuthasan és Boudreau munkájából származik (MIT Sloan Management Review, 2021): a készségalapú működés egy spektrum, nem pedig kapcsoló. Rögzített szerepkörök → hibrid (belső piactér, állásajánlatok és készségtervezés) → munkafolyamat-orientált megközelítés (képességek kihasználása, végig készségalapú tervezés). Szinte minden szervezet célja az, hogy nem a végállapot — hanem a következő szakasz. A legtöbb nagy szervezet, amellyel találkozom, éppen a „fix”→„hibrid” átmenet fázisában tart, és a legdrágább hiba az, ha egy „flow-to-work” koncepciót vásárolnak meg, miközben valójában egy áttekinthető osztályozási rendszerre és egy működőképes felhasználási esetre lenne szükségük.
Amit az eladók nem árulnak el neked
Íme az én ellentmondásos állításom: Valószínűleg nem érdemes saját készség-taxonómiát kidolgoznod — és egy zárt rendszerűt sem érdemes megvásárolnod.
Amikor egy technológiai szolgáltató azt mondja, hogy a készségfejlesztési utadnak azzal kell kezdődnie, hogy az ő egy speciális, “mesterséges intelligenciával összeállított”, saját fejlesztésű taxonómia – vegyük észre, mit is tesz ez az architektúra: úgy alakítja a készségadatokat, hogy azok csak az ő platformjuk által értett nyelven „beszéljenek”. Ez nem adatmodell, hanem inkább egy szépen becsomagolt beszállítói függőség.
A nyilvánosan elérhető taxonómiák – az O*NET és az ESCO – a legtöbb szervezet számára egyszerűen “elég jók”. És a „elég jó” kifejezés nem adja vissza teljes mértékben az értéküket, mert a nyilvános taxonómiák olyan tulajdonságokkal rendelkeznek, amelyekkel egyetlen zárt forráskódú rendszer sem veheti fel a versenyt:
- Ingyenesek. Az üzleti tervedben az a tétel, amely a leginkább megalapozott.
- Folyamatosan karbantartják őket — olyan intézmények által, amelyek kizárólagos feladata ezek fenntartása, nem pedig a HR-csapatod feladata.
- Ezekre épül egy egész kutatási ökoszisztéma. Munkaerő-piaci tanulmányok, mesterséges intelligencia-használati elemzések, összehasonlító adatok – ha a készségadatok az O*NET-szabvány szerint vannak megadva, akkor ezek a tanulmányok mindegyike közvetlenül alkalmazható a a te munkaerő. Az Ön adatai összehasonlíthatók a világ többi részével.
Éppen ezért a gAIn, a stratégiai munkaerő-tervezési eszközünk, az O*NET-en fut. Nem azért, mert nem tudnánk saját taxonómiát kidolgozni – hanem azért, mert egy olyan munkaerő-terv, amelyet közzétett kutatási eredményekhez viszonyíthatunk, többet ér, mint egy olyan, amely zárt rendszerben létezik.
Lehet-e sajátot készíteni? Természetesen – és a valóban vállalatspecifikus kompetenciaterületek esetében célszerű egy nyilvános alapszerkezet tetejére egy vékony, testreszabott réteget építeni. De a taxonómia nem egy projekt; hanem egy kedvtelésből tartott állat. Ezt örökké táplálni kell. Minden új piaci készséget, minden divatba jött kifejezést, minden fúziót – valakinek gondoskodnia kell róluk.
Az a kérdés, amivel senki sem foglalkozik: mely készségeket szorít ki a mesterséges intelligencia?
És még egy ok, amiért a készségadatoknak inkább „élő” infrastruktúrának kell lenniük, mint egyszeri leltárnak. Mindenki méri a mesterséges intelligencia készségeit hozzáadja — az írás-olvasás elsajátítása, az eszközök használatának jártassága. Szinte senki sem követi nyomon azokat a készségeket, amelyek csendben eltávolítja.
Ez már nem csupán hipotézis. A The Lancet Gastroenterology & Hepatology című folyóiratban megjelent, több központban végzett tanulmány négy központ endoszkópos szakembereit követte nyomon az AI-alapú felismerés bevezetését követően. A felismerési arányuk anélkül, hogy Az AI értéke 28,41 TP3T-ről 22,41 TP3T-re esett vissza – ez egy alapvető szakmai készség hatpontos abszolút csökkenését jelenti, amely néhány hónap alatt következett be tapasztalt klinikusok esetében. Ez az első valós világból származó bizonyíték arra, hogy az automatizálás által kiváltott szakértelemvesztés összefüggésbe hozható a betegek kimenetelével – és ennek a mechanizmusnak nincs semmi köze kifejezetten a kolonoszkópiához. Ha egy készséget elég hosszú ideig másra bízunk, az a készség eltűnik.
A munkaerő-tervezés szempontjából ez megváltoztatja a kérdést. Egy statikus készségleltár azt mutatja meg, hogy a munkatársaid volt a mérés pillanatában. Amit tudnod kell, az az, hogy irány és sebesség: mely készségek értéke növekszik, melyek csendben elsorvadnak, mert egy eszköz vette át a szerepüket, és melyik az a sorvadó készség, amelyre kétségbeesetten szükséged lesz azon a napon, amikor az eszköz meghibásodik. Ez nem osztályozási kérdés. Ez egy grafikonhoz kapcsolódó kérdés – és ez az igazi oka annak, hogy a harmadik réteg miért fontos.
Hol kezdjem?
Nem egy platformmal. Hanem három kérdéssel: Van-e közös „készségnyelvünk”, vagy inkább „készségzűrzavarunk”? Melyik tehetségkezelési folyamat – a toborzás, a fejlesztés vagy a javadalmazás – profitálna elsőként a strukturált készségadatokból? És mi a mi tovább a spektrum egy szakasza — nem pedig a végállapot?
Nyilvános gerinc, vékony, testreszabott réteg, egy alkalmazási eset, majd a következő szakasz. A készségalapú szervezet nem egy átalakítási program. Hanem megalapozott döntések sorozata.
Nyilvános gerinc, vékony, egyedi réteg, egyszerre egy felhasználási eset.
Fedezze fel a Job Architect alkalmazást →Fedezze fel a gAIn-t →