* Todos os experimentos e vídeos estão em inglês.
Primeiro, vieram as metodologias de competências. Depois, surgiram as taxonomias de habilidades. Ambas sofrem com os mesmos desafios: é difícil montá-las e mais difícil ainda mantê-las atualizadas.
Será que a IA pode ajudar? Bom, vamos descobrir.
Por que as organizações precisam de taxonomias?
Na maioria das empresas, os colaboradores são a maior despesa (e o maior ativo também). No entanto, a forma como as empresas investem nesses colaboradores pode ser bem confusa. Se não houver sincronia entre a descrição da função, o processo de entrevista, a integração, a gestão de desempenho e o plano de carreira, pode ter certeza que tudo será uma bagunça. Essa situação me lembra da época em que eu era técnico do time de futebol da minha filha: eu mandava as garotas se manterem em suas posições, mas o pais gritavam para elas irem atrás da bola. Pronto, o caos estava instalado.
Taxonomias criam uma concepção em comum do que é importante. As empresas utilizam taxonomias para organizar recursos (descoberta), conectar pessoas a oportunidades (combinação) e alinhar atividades a insights (geração de relatórios). As taxonomias podem se alinhar a cada parte do ciclo de vida de um talento. Como diz o especialista em RH Dave Ulrich: “Para se tornar uma ciência sustentável, cada disciplina usa uma sistemática (classificação de itens desconexos em grupos comuns) para criar taxonomias (tipos de elementos que se combinam entre si) e avançar”.
As taxonomias dão utilidade ao que é ambíguo. Com certeza, você já deve ter ouvido histórias em que um líder disse para os liderados “melhorarem o senso para os negócios”, deixando todos em dúvida do que isso realmente queria dizer. Você também já deve ter visto colegas com interesse em alguma função, mas que não faziam ideia do que era preciso fazer para chegar lá. As taxonomias podem ajudar nessas situações, pois elas desmembram ideias ou desafios complexos em etapas menores e mais práticas.
Experimento 1: taxonomia de habilidades para uma função genérica
Em primeiro lugar, vamos criar uma taxonomia de habilidades para uma função bem genérica usando a IA. Essa taxonomia pode funcionar como a espinha dorsal para redigir descrições de funções, nortear as perguntas de entrevistas, montar programas de treinamentos e ajudar a definir os critérios para diálogos de gestão de desempenho. Fizemos o vídeo abaixo para você ver esse processo na íntegra.
A taxonomia nasceu rapidamente, com resultados razoáveis. Eu poderia facilmente adicionar ou remover alguns detalhes e até explorar tarefas que perfazem uma habilidade. Essa possibilidade de detalhamento me permite alcançar o grau de minúcia necessário para cada situação.
Esse seria um excelente ponto de partida para uma iniciativa relacionada a taxonomias.
A maior desvantagem é permitir que a IA tome suas próprias decisões (dentro dos parâmetros do nosso prompt) na hora de criar as habilidades. Ela não usa uma lista pré-definida de habilidades, o que limita a capacidade da taxonomia de criar uma língua franca entre ferramentas e aplicativos.
O verdadeiro benefício surge quando os recursos dinâmicos da IA são combinados com a língua das habilidades que uma empresa usa internamente. Para isso, é preciso algum esforço extra de implementação, mas é totalmente possível, especialmente se você contar com a ajuda da equipe de produto da Degreed.
Experimento 2: taxonomia de habilidades para uma função muito específica
Toda empresa tem algumas funções que são inerentes a ela. Vejamos como a IA se sai quando selecionamos uma função bastante específica. Aplicando o mesmo processo do experimento anterior, eis aqui o resultado:
As habilidades mais detalhadas estão cortadas da imagem, mas, mesmo sem nenhuma edição, os resultados são impressionantes. Esse pode ser um jeito excelente de criar taxonomias de habilidades, especialmente para funções que normalmente não teriam boas sugestões de habilidades vindas de suas ferramentas de RH e T&D.
Experimento 3: identificação de habilidades obsoletas
A manutenção das taxonomias é um processo manual e demorado. Vamos avaliar se a IA consegue fazer o trabalho pesado na hora de identificar quais habilidades presentes na taxonomia podem estar obsoletas (por exemplo, vamos ver se ela lista uma tecnologia ultrapassada).
Para isso, não vamos criar uma taxonomia nova. Em vez disso, vamos avaliar a taxonomia que já temos a partir de critérios personalizáveis. Antes, eu vou criar duas categorias, “Atual” e “Obsoleto” e, em seguida, pedirei à IA para classificar cada habilidade de acordo com elas.
O vídeo a seguir mostra cada etapa desse processo:
Vemos aqui que uma habilidade, React 16, foi classificada como obsoleta. React é uma biblioteca que já está na versão 18, portanto, o enquadramento de React 16 como uma tecnologia ultrapassada está correto. Com um sistema assim, podemos ter mais clareza de quando e onde precisamos fazer ajustes.
Experimento 4: identificação do aumento ou redução da demanda de habilidades
Para deixar nossas taxonomias nortearem nossas decisões de desenvolvimento de talentos, seria interessante saber quais habilidades estão ganhando importância. Para isso, vamos criar outra categoria personalizada e ver se a IA pode nos ajudar a identificar quais habilidades estão tendo um aumento ou uma redução na demanda.
Aqui estão os resultados:
Para esse tipo de análise, vale a pena lembrar que os dados usados no treinamento dos LLMs podem ter mais de um ano (por exemplo, abril de 2023 para o GPT-4 Turbo). Há como nutrir os LLMs com informações de mecanismos de pesquisa para que eles tenham informações atualizadas, algo que seria especialmente útil para fazer projeções.
Essa análise também poderia ganhar força se fosse combinada com alguns dados internos dos seus sistemas de contratação ou aprendizagem.
Experimento 5: identificação do impacto da IA sobre as habilidades
O processo de upskilling demanda tempo, por isso, é bom ter projeções das mudanças que as habilidades poderão sofrer. Nesse caso, queremos saber quais habilidades ou tarefas têm mais ou menos probabilidade de serem impactadas pela IA. Isso nos ajudaria a planejar iniciativas adequadas de desenvolvimento de habilidades.
Depois de criar mais uma categoria personalizada, aqui estão os resultados:
Novamente, os resultados são bem razoáveis. No entanto, para esse tipo de análise mais aprofundada, poderíamos obter resultados ainda melhores aplicando diferentes técnicas de engenharia de prompts, como cadeia de pensamento (que faz o LLM abordar um problema em cada etapa), multishot (em que você inclui no prompt exemplos de bons resultados) ou uso de múltiplos agentes (quando se utiliza mais de um LLM em conjunto para fazer uma determinada análise).
Experimento 6: demonstrar o progresso dos usuários em relação às habilidades
Até aqui, usamos as taxonomias no nível administrativo, para planejar e organizar os talentos de toda a empresa. Agora, vamos explorar o outro benefício das taxonomias: a capacidade de desmembrar objetivos em itens mais práticos. Isso pode ser útil para os colaboradores, como uma forma de orientar a aprendizagem e mensurar o progresso.
Aqui, estamos visualizando uma taxonomia que reflete o nível de domínio de um colaborador em cada etapa.
Eu adoro esse exemplo porque ele destaca o poder da combinação dos recursos de IA com os dados dos colaboradores, criando algo personalizado que não seria possível com uma ferramenta genérica como o ChatGPT.
Experimento 7: uso das taxonomias para orientar a aprendizagem pessoal
Como vimos no último experimento, as taxonomias podem ser úteis no âmbito individual. Neste próximo experimento, usarei um caso de uso pessoal. Estou querendo aprender fotografia, mas não sei muito bem por onde começar.
Por isso, pedi à IA para criar um plano de aprendizagem personalizado com base na minha câmera específica:
Esse resultado parece bem interessante. Eu tiraria alguns pontos e me aprofundaria em outros, mas, a partir daqui, já posso acrescentar ações como “Mostre-me um exemplo” ou “Liste ideias de como praticar isso”. Eu também posso pedir ao sistema para analisar algumas das minhas fotos e identificar as habilidades que preciso aperfeiçoar. Outra possibilidade é usar esse resultado para criar uma avaliação que me sirva de referência para cada habilidade.
Vejo um grande potencial aqui, algo que poderia nos aproximar ainda mais do desenvolvimento de habilidades dinâmico e personalizado.
E aí, qual é a sua opinião?
Você vê possíveis vantagens ou mais desvantagens no uso de taxonomias geradas por IA? Caso queira compartilhar sua opinião ou feedback, ou caso tenha interesse em criar suas próprias taxonomias, escreva para mim: tblake@degreed.com. Para acompanhar as novidades, é só me seguir no LinkedIn.
Quer saber mais sobre taxonomias?
A equipe de Serviços Profissionais da Degreed oferece consultorias gratuitas com o principal objetivo de criar uma relação genuína de parceria, sem forçar a venda de serviços. Conte conosco para entender melhor sua estratégia de aprendizagem, definir objetivos de tecnologia e tirar dúvidas sobre taxonomias.
Agende uma consultoria particular com a equipe de Serviços Profissionais da Degreed.
Muito obrigado por embarcar nesses experimentos conosco.