* Bitte beachten: Alle Experimente und Videos wurden in englischer Sprache erstellt.
Wo früher Kompetenz-Frameworks standen, haben wir jetzt Skilltaxonomien. Mit beiden geht dasselbe Problem einher: Sie sind schwer zu erstellen und noch schwerer auf dem aktuellen Stand zu halten.
Ob KI hier helfen kann? Finden wir es heraus!
Warum benötigen Unternehmen Taxonomien?
Für die meisten Unternehmen sind ihre Mitarbeitenden der größte Kostenfaktor (und Vermögenswert). Wie Unternehmen in sie investieren, kann jedoch schnell zu einem reichlich unkoordinierten Unterfangen werden, wenn Stellenbeschreibungen, Bewerbungs- und Einstellungsprozesse, Leistungsbeurteilungen und Karrierewege nicht aufeinander abgestimmt sind. Als Analogie hierzu fällt mir meine Rolle als Trainer der Fußballmannschaft meiner Tochter ein: Ich rufe den Kindern zu, sie sollen auf ihren Positionen bleiben, während es aus dem Elternblock lautstark „Hol dir den Ball!“ tönt. Entsprechend chaotisch und konfus entwickelt sich das Spiel.
Taxonomien schaffen ein allgemeingültiges Verständnis dessen, was wirklich wichtig ist. Unternehmen nutzen Taxonomien, um Ressourcen zu organisieren (Sondierung), Mitarbeitenden passende Stellen vorzuschlagen (Abgleich) und Aktivitäten an Einblicken auszurichten (Berichterstellung). Anhand von Taxonomien lassen sich sämtliche Elemente des Talent-Lebenszyklus aufeinander abstimmen. So schreibt HR-Experte Dave Ulrich: „Damit eine Disziplin zu einer ernstzunehmenden Wissenschaft werden kann, muss sie systematisch arbeiten (durch Klassifizierung einzelner Elemente in gemeinsame Gruppen) und Taxonomien (Arten von Dingen, die zusammengehören) erstellen, um Fortschritte zu erzielen.“
Taxonomien geben Mehrdeutigem eine klare Linie. Verlangt die Führungsebene von ihren Mitarbeitenden beispielsweise, sie sollten „ihren Geschäftssinn schärfen“, ohne zu erläutern, was genau damit gemeint ist? Gibt es Rollen, die Ihre Mitarbeitenden ins Auge fassen, aber nicht genau wissen, wie sie sich dafür qualifizieren können? Taxonomien schaffen Abhilfe, indem sie komplexe Konzepte oder Herausforderungen in kleinere, leichter umsetzbare Einzelschritte unterteilen.
Experiment 1: Skilltaxonomie für eine klassische Rolle
Sehen wir uns zum Einstieg an, wie wir mithilfe von KI eine Skilltaxonomie für eine recht klassische Rolle erstellen. Diese Taxonomie kann als Grundlage für Stellenbeschreibungen, Fragen im Bewerbungsgespräch, die Ausarbeitung von Schulungsprogrammen sowie für die Definition von Kriterien für Leistungsbeurteilungen dienen. Wir gehen den Prozess in einem Video durch, damit Sie ihn besser nachvollziehen können.
Die Taxonomie war schnell zusammengestellt und die Ergebnisse sehen brauchbar aus. Weitere Detailebenen ließen sich mühelos ergänzen oder entfernen, und selbst die einem Skill zugehörigen Aufgaben sind einsehbar. Ich kann das Ganze also so detailliert aufzuschlüsseln wie nötig.
Für die Erstellung einer Taxonomie ist dies schon einmal ein hervorragender Ausgangspunkt.
Dennoch hat die Sache einen Haken: Die Entscheidung, welche Skills die KI vorschlägt, wurde ihr (innerhalb der Parameter unserer Anweisung) selbst überlassen. Ohne eine Liste mit Qualifikationen als Vorgabe ist es ihr nur bedingt möglich, eine Taxonomie zu liefern, die eine über Tools und Anwendungen hinweg einheitliche „Sprache“ spricht.
Der wahre Nutzen erschließt sich, wenn die dynamischen Fähigkeiten der KI mit der Sprache kombiniert wird, die ein Unternehmen intern zur Definition von Skills verwendet. Dazu braucht es zwar zusätzliche Implementierungen, die aber definitiv umsetzbar sind. Auch das Produktteam von Degreed hat dies bereits im Blick. Bleiben Sie also gespannt auf unsere künftigen Entwicklungen bei diesem Thema.
Experiment 2: Skilltaxonomie für eine sehr spezifische Rolle
Jedes Unternehmen verwendet seine eigenen Bezeichnungen für bestimmte Tätigkeitsfelder. Wie wird die KI also abschneiden, wenn wir eine ganz spezifische Rolle angeben? Das Ergebnis sehen wir im Folgenden; wir sind dabei nach dem gleichen Prozess wie bei unserem vorherigen Experiment vorgegangen.
Die Skills auf höchster Detailebene sind in dem Screenshot zwar abgeschnitten, doch die Ergebnisse sind beeindruckend – und zwar ganz ohne irgendwelche Anpassungen. Bei der Gestaltung Ihrer Skilltaxonomien ließe sich darauf also ganz hervorragend aufbauen, insbesondere für Rollen, für die Ihre HR- und L&D-Tools keine besonders brauchbaren Skillvorschläge liefern würden.
Experiment 3: Identifikation nicht mehr relevanter Skills
Taxonomien auf dem aktuellen Stand zu halten, ist mühselig und zeitaufwändig. Umso hilfreicher wäre es, wenn uns die KI einen Großteil der manuellen Arbeit abnehmen und erkennen könnte, welche Skills innerhalb einer Taxonomie womöglich nicht mehr relevant sind (z. B. weil sie sich auf eine veraltete Technologie beziehen).
Hierzu erstellen wir keine neue Taxonomie, sondern evaluieren unsere bestehende auf Grundlage anpassbarer Kriterien. Zunächst ergänze ich eine Rubrik mit Werten für „Current“, also aktuelle Skills, und „Out of Date“ für solche, die veraltet sind. Dann weise ich die KI an, die einzelnen Skills der Rubrik entsprechend zu klassifizieren.
Das nachfolgende Video zeigt die Schritte im Einzelnen:
Wie Sie sehen, wurde ein Skill – React 16 – als veraltet identifiziert. React ist eine Programmbibliothek, die bereits in Version 18 verfügbar ist. Die Markierung von React 16 war also korrekt. Mit einem System wie diesem können Sie somit leicht erkennen, wann und wo Aktualisierungen vorzunehmen sind.
Experiment 4: Ermittlung von zu- oder abnehmendem Bedarf für Skills
Damit unsere Taxonomien als Entscheidungshilfe bei der Talententwicklung dienen können, sollten sie uns Aufschluss darüber geben, welche Skills an Bedeutung gewinnen. Wir erstellen daher eine weitere benutzerdefinierte Rubrik, um zu prüfen, ob uns die KI bei der Identifikation der Skills helfen kann, für die der Bedarf zu- oder abnimmt.
Hier sehen wir die Ergebnisse:
Bei dieser Art von Analyse gilt zu beachten, dass die Trainingsdaten für Large Language Modells (LLM) mitunter mehr als ein Jahr alt sind (bei GPT-4 Turbo beispielsweise vom April 2023). Anhand bestimmter Verfahren ist es jedoch möglich, LLMs mit aktuellen Informationen aus Suchmaschinen anzureichern. Besonders nützlich wäre dies für die Prognose von zukünftigem Bedarf.
Noch bessere Ergebnisse lassen sich bei dieser Analyse zudem durch die Kombination mit eigenen Daten aus Ihren internen HR- oder Lernsystemen erzielen.
Experiment 5: Ermittlung der Auswirkungen von KI auf Qualifikationsprofile
Neue Fähigkeiten bauen sich nicht von heute auf morgen auf. Hilfreich wären daher Voraussagen dazu, wie sich entsprechende Anforderungen verändern. Wir wollen dies im Hinblick darauf ermitteln, auf welche Skills oder Tätigkeitsbereiche KI tendenziell stärkeren oder weniger starken Einfluss haben wird. Auf dieser Basis ließe sich gezielter planen, wo Weiterbildungsinitiativen anzusetzen sind.
Nach Erstellung einer weiteren benutzerdefinierten Rubrik erhalten wir folgende Ergebnisse:
Auch hier kann sich das Resultat durchaus sehen lassen. Noch ergebnisgenauere Analysen zu Detailfragen wie dieser könnte die Anwendung verschiedener Prompting-Techniken wie etwa die sogenannte „Chain of Thought“ oder Gedankenkette liefern, bei der das LLM angewiesen wird, sich einer Fragestellung systematisch in Einzelschritten anzunähern. Ein weiteres Beispiel wäre Multi-Shot-Prompting, bei dem in der Anweisung an die KI Beispiele für gute Ergebnisse angegeben werden. Ebenfalls denkbar wäre der Einsatz mehrerer Agents, also die Kombination mehrerer LLMs zur Durchführung der Analyse.
Experiment 6: Darstellung individueller Fortschritte bei der Skillentwicklung
Bis hierhin ging es um den Einsatz von Taxonomien auf administrativer Ebene, also für Aufgaben im Kontext der unternehmensweiten Talentplanung und -organisation. Ein weiterer Vorteil von Taxonomien besteht jedoch darin, dass sich übergeordnete Ziele damit in leichter umsetzbare Einzelelemente unterteilen lassen. Wie wir gleich sehen werden, ist dies äußerst nützlich, um Mitarbeitende individuell bei ihrer Weiterbildung anzuleiten und ihre Fortschritte zu messen.
Hier haben wir eine Taxonomie, in der wir das Qualifikationsniveau einer Person in den einzelnen Schritten visualisiert haben.
Dieses Beispiel finde ich ganz besonders spannend, denn es macht deutlich, wie die Fähigkeiten von KI in Kombination mit Mitarbeiterdaten Ergebnisse liefern können, die weitaus personalisierter sind als das, was mit herkömmlichen Tools wie ChatGPT möglich ist.
Experiment 7: Taxonomien als Anleitung persönlicher Lernvorhaben
Das vorige Experiment hat uns den Nutzen von Taxonomien auf individueller Ebene bereits näher gebracht. Jetzt möchte ich versuchen, dies auf einen persönlichen Anwendungsfall zu übertragen: Ich versuche mich schon seit Längerem als Hobbyfotograf, doch gerade am Anfang weiß man nicht so recht, wo man ansetzen soll.
Hierzu habe ich die KI angewiesen, einen personalisierten Lernplan auf Grundlage der Kamera zu erstellen, die ich besitze:
Diese Übersicht ist doch schon wirklich klasse. Den einen oder anderen Punkt würde ich zwar streichen und dafür andere Bereiche vertiefen, aber ich kann mir gut vorstellen, hier noch weitere Aktionen wie etwa „Zeig mir ein Beispiel“ oder „Gib mir Ideen, wie ich das üben kann“ zu ergänzen. Ich könnte das System sogar anweisen, einige meiner Fotos zu analysieren und daraus abzuleiten, an welchen meiner Fähigkeiten ich noch feilen sollte. Möglich wäre zudem, anhand dieser Übersicht ein Assessment zu erstellen, um Referenzwerte für die einzelnen Fähigkeiten zu erhalten.
In jedem Fall sehe ich hier enormes Potenzial. Denn damit kommen wir einer personalisierten und dynamischen Skillentwicklung ein gutes Stück näher.
Wie stehen Sie dazu?
Sehen Sie potenzielle Vorteile in KI-generierten Taxonomien oder überwiegen für Sie die Herausforderungen, die damit verbunden sein könnten? Ihre Gedanken dazu sind jederzeit willkommen! Wenn Sie Feedback für mich haben oder eigene Taxonomien ausgestalten möchten, kontaktieren Sie mich einfach per E-Mail: tblake@degreed.com. Gerne können Sie mir auch auf LinkedIn folgen, um bei dem Thema auf dem Laufenden zu bleiben.
Bereit, noch tiefer in Taxonomien einzutauchen?
Das Degreed-Team für fachliche Dienstleistungen berät Sie gerne – und vollkommen kostenlos. Denn im Mittelpunkt steht eine partnerschaftliche Beziehung mit Ihnen: Es geht darum, gemeinsam ein Bild von Ihrer Lernstrategie und Technologie-Zielen zu zeichnen und alle Ihre Fragen rund um Taxonomien zu klären.
Buchen Sie also noch heute ein persönliches Beratungsgespräch mit dem Degreed-Team für fachliche Dienstleistungen.
Wir schätzen Ihre Experimentierfreude und bedanken uns für Ihr Interesse.