Utmaningar och möjligheter: nya mätetal för modern L&D med AI

AI är inte längre ett hot vid horisonten inom lärande och utveckling (L&D). Det är här nu. Femtioåtta procent¹ av HR-teamen rapporterar ökade intäkter tack vare AI.

I takt med att tekniken utvecklas inom L&D blir AI-driven dataanalys en stor drivkraft bakom moderna L&D-satsningar. Idag handlar analys inte längre bara om att mäta effekten av företagsutbildning (men AI förändrar även lärandeanalysen) utan om att skapa en grund för datadrivna lärvägar.

Låt oss se hur AI-driven analys förändrar sättet vi tolkar och använder data på, och varför det är avgörande under 2024.

Utmaningar och begränsningar med traditionella metoder för att mäta lärandets effekt

Traditionella analysmetoder inom L&D hänger inte med i moderna organisationers förändrade behov och mål, vilket gör att vi behöver tänka om hur vi mäter lärandets effekt.

Mätetalen matchar inte moderna L&D-mål

L&D-proffs använder fortfarande ytliga mätetal för att mäta effekten av medarbetarutbildning. Bland de vanligaste indikatorerna² för att utvärdera L&D-framgång finns medarbetarnöjdhet, antalet medarbetare som deltar i utbildning, resultat på tester efter utbildningen och antalet genomförda kurser.

Problemet är att lärandeanalys visserligen kan ge en bild av medarbetarnas engagemang i utbildningsprogram, men den visar inte hur L&D bidrar till verksamhetens resultat.

Många kämpar med att mäta effekten av medarbetarutbildning, och 95% av L&D-cheferna³ vill kunna följa sambandet mellan medarbetarnas utveckling och verksamhetens resultat. Eftersom traditionella analysmetoder inte hjälper till att överbrygga klyftan har AI-driven analys stor potential att förändra hur vi mäter L&D-effekt.

"Jag tycker att den viktigare frågan är att L&D verkar se AI främst som ett sätt att producera mer formellt utbildningsinnehåll.
L&D skulle ha mer nytta av AI om vi använde den för att föra lärande och arbete samman, med verksamhetsanalys som drivkraft – inte lärandeanalys.
Potentialen i att använda AI för 'prestationsstöd på steroider' och föra in lärande och kontinuerlig förbättring i arbetsflödet (med ett prestationsperspektiv i stället för ett lärandeperspektiv) är enorm. Den är mycket större än att bara använda AI som en motor för innehåll och analys i en innehållscentrerad L&D-modell från 1900-talet."
Charles Jennings
Managing Director | Duntroon Consultants

För mycket data, för få resurser

Varje dag samlar vi in massor av information från HR-system, medarbetarenkäter och rapporter från lärplattformen (LMS). Men det finns inte mycket vi kan göra med all den datan, så den får ligga och samla damm medan vi fokuserar på ytliga mätetal (eftersom de är lätta att tolka).

Ett av de vanligaste sätten att tolka stora datamängder är att bygga dashboards som måste säga något om L&D-prestationen. Men många lyckas inte förvandla dataanalysen till en berättelse som får intressenterna att agera.

“Data- och analysteam har alltid skapat dashboards och visualiseringar, men många är inte vana vid att paketera dem i en berättelse."
James Richardson
Senior Director Analyst | Gartner⁴

Tillgänglig data ≠ meningsfull data

Vad hindrar oss från att samla in den data som speglar de verkliga resultaten av utbildningen? Det är inte så att L&D-team medvetet väljer fel mätetal. Det är tillgången till data som driver oss mot dåliga beslut.

“[...] när vi förlitar oss på data som är lätt att samla in snarare än data som är meningsfull att samla in, hamnar vi i trubbel.
Som MBA-student lärde jag mig om det klassiska säljarproblemet: vi samlar in data om hur mycket intäkter en säljare drar in, men glömmer att mäta hur mycket vinst säljaren genererar. Genom att mäta det ena och inte det andra belönar vi försäljning samtidigt som vi hoppas på vinst. Vore det oförskämt av mig att påpeka att din ersättning sannolikt är kopplad till sådant som är lättare att mäta (som aktuell vinst eller aktiekurs) i stället för sådant som är viktigt att mäta (som styrkan och innovationsförmågan hos ditt FoU-team)?”
Will Thalheimer
Consultant, Speaker, and Researcher | Work-Learning Research⁵

AI förändrar hur vi utbildar och utvärderar

Traditionella lösningar klarar inte de stora utmaningarna inom L&D, och då tillför AI nya sätt att analysera data (med perfekt timing).

Med AI-driven analys går vi från att mäta deltagarnas engagemang till att få tillgång till komplexa dataset, big data och maskininlärningsalgoritmer. Med dem i verktygslådan minskar vi manuellt arbete, får meningsfulla insikter om hur effektiv vår utbildning är och kan göra L&D-programmen mer personliga.

Användningsområden för AI inom lärande och utveckling 2024

AI-driven analys förändrar lärande och utveckling under 2024, och L&D-proffs kommer att ha fullt upp med att införa dessa sju tillämpningar av AI i organisationens lärande. Så här fungerar de.

1. Skapande av utbildningsinnehåll

Mindre än ett år efter generativ AI:s genombrott rapporterar en tredjedel⁶ av organisationerna att minst en av deras verksamhetsfunktioner regelbundet använder generativ AI.

Generativa AI-verktyg kan analysera enorma mängder data och ta fram utbildningsmaterial på ett ögonblick. Att förvandla PDF:er till engagerande innehåll, översätta utbildningsprogram till flera språk och läsa upp text med AI-röst – allt detta sköts redan av AI i Attensis produkter.

Med hjälp av Attensis IT- och systemutbildning har Equiniti byggt 15 spelbara utbildningsmoduler och uppnått en trefaldig avkastning (3x ROI) genom kortare utbildningstider och lägre personalomsättning. Läs mer i kundberättelsen.

2. Informationssökning med generativ AI

Fyrtiosju procent⁷ av digitala arbetare har svårt att hitta den information de behöver för att utföra sina uppgifter. I överflödet av information och applikationer på arbetsplatsen lägger medarbetarna timmar på att leta efter data. AI-driven sökning kommer att lösa det.

McKinsey har nyligen lanserat “Lilli”⁸, företagets egen lösning med generativ AI som plockar fram rätt information ur firmans omfattande kunskapsbas och snabbar upp researchen. När en användare skriver in en fråga skannar Lilli hela McKinseys kunskapsbas och identifierar fem till sju innehållsdelar. Därefter sammanfattar hon de viktigaste punkterna, med länkar och till och med experter inom rätt områden i den färdiga filen – så att ingen längre behöver gå igenom tusentals dokument manuellt.

Och ja, du kan också få AI-genererade svar i Attensi.

3. AI-driven kartläggning av kompetensluckor

Trots att vi har använt HR-teknik för analys av kompetensluckor under en längre tid kräver det fortfarande mycket manuellt arbete. AI-analys hjälper till att automatisera den manuella kartläggningen av färdigheter och stänger luckorna mer effektivt.

Genom att analysera stora dataset från många olika källor säkerställer AI en heltäckande analys av färdigheter i olika roller och funktioner, så att L&D-specialister inte bara kan åtgärda kompetensluckor utan också förutse dem.

4. Tolkning av data

Med generativ AI får L&D-proffs handlingsbara insikter utan att behöva ta sig igenom grafer, cirkeldiagram och spridningsdiagram. Eftersom AI kan förvandla data till rika och användbara berättelser kan vi äntligen göra stora dataset till handlingsplaner.

5. Intern rörlighet och medarbetarutveckling

Moderna AI-lösningar kan skräddarsy resurser och lärvägar som stöttar medarbetarnas karriärutveckling och intern rörlighet. Med hjälp av historisk data kan AI förutsäga möjliga karriärvägar utifrån en medarbetares prestation och ambitioner. AI-algoritmer kan också analysera jobbkrav och matcha dem mot medarbetarprofiler, så att personer med rätt färdigheter får förslag på lämpliga interna tjänster.

För att ge medarbetarna utvecklingsmöjligheter har till exempel Spotify lanserat Internal Talent Marketplace, kallad Echo.⁹ Den AI-drivna tekniken hjälper medarbetarna att utveckla sina färdigheter under tiden på Spotify, bygga upp sin karriärportfölj och hitta karriärmöjligheter via marknadsplatsen.

6. Feedbackanalys

Deltagarnas nöjdhetsbetyg säger väldigt lite om hur effektiv medarbetarutbildningen är. I stället för att enbart förlita sig på subjektiva intryck går AI-driven feedbackanalys djupare in i de kvalitativa aspekterna av deltagarnas feedback.

Algoritmer för naturlig språkbehandling (NLP) kan automatiskt analysera deltagarnas svar och visa inte bara vad deltagarna gillade eller ogillade, utan också varför vissa delar föll väl ut eller var svåra.

7. Personliga lärupplevelser

Traditionell utbildning av typen en storlek passar alla räcker inte till för varje deltagares behov, och där kommer AI till undsättning.

AI:s unika förmåga att smidigt anpassa sig till varje deltagares behov gör det möjligt att skapa personliga lärvägar där varje medarbetare utvecklas utifrån sin egen potential och sina egna intressen. AI-driven personalisering ger deltagarna makt att ta ansvar för sin egen kompetenshöjning eller omskolning och utforska sin egen väg i ett livslångt lärande.

Bland de vanligaste exemplen på AI-drivna lärupplevelser i praktiken finns mikrolärande, AR- och VR-simuleringar, minispel och AI-drivna personligheter.

Attensis immersiva lärscenarier får medarbetarna att lära genom att göra, med realistisk och slagkraftig träning som är anpassad efter deras behov. Med hjälp av AI skapar vi personliga lärvägar som möter individuella behov, förbättrar kunskapsretentionen och gör det enklare att tillämpa färdigheterna i praktiken. Lärupplevelsen leder direkt till mätbara förbättringar av prestationsmåtten.

Att tänka på när du inför AI-driven analys

När du lämnar över data till AI behöver du ta hänsyn till etiskt och regulatoriskt ansvar:

1. Etiska konsekvenser av AI-användning

AI har enorm potential för företagets lärande och utveckling, men medför också risk för bias och etiska problem vid införandet. Vi måste komma ihåg att tekniken är utformad för att komplettera mänskliga färdigheter, inte ersätta dem.

AI finns inte till för att fatta beslut på egen hand, utan för att hjälpa oss samla in och optimera data som vi kan kombinera med etiska, moraliska och andra mänskliga överväganden innan vi agerar.

Bryan Hancock, partner på McKinsey, har berättat¹⁰ att han i sin roll som utvärderare på McKinsey kombinerar AI och mänsklig intelligens vid prestationsbedömningar:

“En av mina personliga favoritanvändningar av generativ AI inom personalfrågor är faktiskt prestationsbedömningar. Hör mig ut: jag vill inte att generativ AI ska skriva någons prestationsbedömning. Där behövs människan i loopen, mänskligt omdöme och empati.”

Hancock förklarar att generativ AI hjälper honom att förvandla skriftlig feedback om varje person till ett första utkast, som han sedan går igenom manuellt. Den sammanställningen sparar tid på manuell dataorganisering och hjälper honom att “snabbare komma fram till det jag verkligen behöver gå på djupet med för den personens utveckling och tillväxt.”

2. Dataskyddsregler och AI

Att kombinera AI och mänsklig intelligens är inte bara fördelaktigt utan kommer snart att vara obligatoriskt över hela världen. För första gången i historien kommer användningen av AI att regleras i lag. EU-parlamentet har godkänt AI-förordningen (AI Act), som fastställer riktlinjer och krav på transparens för alla som är involverade i utveckling eller användning av AI.

Den nya regleringen slår fast att “AI-system bör övervakas av människor snarare än av automation för att förhindra skadliga utfall.”

EU är först med att presentera en heltäckande AI-lag, men det ser ut som att resten av världen följer efter¹¹ under de närmaste åren. Och även om AI-lagarna ännu inte har trätt i kraft finns det redan andra dataskyddsregler som vi måste följa:

“Att be generativ AI sammanfatta eller ta fram statistik på privata eller känsliga uppgifter kan innebära att man bryter mot lagen (till exempel HIPAA för medicinska data eller GDPR för personuppgifter). I bästa fall är det oetiskt att dela personuppgifter. Om dina data är privata eller känsliga måste du ta reda på om du etiskt sett kan använda generativ AI för det du vill göra.”
Patti Shank
Author and Founder | Learning Peaks

AI förbättrar lärandet genom dataanalys

AI-driven analys hjälper dig inte bara att mäta effekten av L&D-program, utan förvandlar också enorma datamängder till handlingsbara berättelser och ger deltagarna personliga lärvägar.

När vi tar del av fördelarna med AI får vi inte glömma hur viktigt mänskligt omdöme är i beslutsprocessen. En balanserad integration av AI och mänsklig expertis och empati är nyckeln till att frigöra hela potentialen i lärande och utveckling.

Boka en demo med Attensi och se hur AI-drivna lärscenarier passar i din organisation.