Raport z Development Center w kilka minut, czyli o tym, jak AI zmienia analizę danych o kompetencjach

Development Centre potrafi wygenerować ogromną ilość materiału. Doświadczeni asesorzy wiedzą, że po 1 dniu wspólnej pracy zostaje nam mnóstwo notatek dotyczących obserwowanych zachowań, ale też dane liczbowe, czyli oceny kompetencji oraz wyniki testów i kwestionariuszy, a na końcu wszystko to trzeba jeszcze uporządkować, połączyć w całość, wyciągnąć wnioski i opisać w raporcie. I właśnie tutaj AI może dać HR jedną z najbardziej konkretnych korzyści: nie zastępując asesora, ale zdejmując z niego dużą część pracy związanej z porządkowaniem, integrowaniem i opisywaniem danych – tam, gdzie praca jest powtarzalna, czasochłonna i oparta na dużej ilości informacji.

Poniżej znajdziesz kilka wskazówek, jak wykorzystać sztuczną inteligencję do pracy z danymi analitycznymi zgromadzonymi w procesie AC/DC.

Zastosowanie 1: porządek w obserwacjach

Pierwszym miejscem, w którym AI może realnie przyspieszyć pracę, są notatki asesorskie. Zamiast ręcznie przeglądać materiał z kilku ćwiczeń i przypisywać każdą obserwację do odpowiedniej kompetencji, można przekazać modelowi definicje kompetencji i wskaźniki behawioralne, a następnie poprosić o uporządkowanie danych. Jeżeli w notatkach pojawia się informacja, że uczestnik „sam zaproponował podział zadań, określił terminy i sprawdził, czy wszyscy rozumieją swoje role”, AI może wskazać, że obserwacja dotyczy np. planowania, organizacji pracy czy przywództwa – oczywiście zależnie od tego, jak został zbudowany model kompetencyjny. Korzyść jest prosta: asesor nie zaczyna od chaotycznego materiału, lecz od pierwszej uporządkowanej wersji, którą może szybko zweryfikować.

Zastosowanie 2: łączenie danych z kilku źródeł

AI może być partnerem asesora w stawianiu hipotez diagnostycznych. Załóżmy, że uczestnik w zadaniu grupowym zdecydowanie przejmuje inicjatywę, w analizie indywidualnej dobrze ustala priorytety, ale podczas rozmowy z pracownikiem unika trudnej decyzji. AI może zestawić te obserwacje i zauważyć, że skuteczność uczestnika zależy od rodzaju sytuacji: dobrze radzi sobie w zadaniach analitycznych i zespołowych, słabiej natomiast w sytuacjach wymagających konfrontacji interpersonalnej. To nie jest gotowa diagnoza, ale bardzo użyteczna hipoteza, którą asesor może szybko sprawdzić w materiale źródłowym, dlatego warto pytać AI nie tylko: „Jak oceniasz tę kompetencję?”, ale raczej: „Jakie wzorce widzisz?”, „Gdzie dane są spójne?”, „Gdzie się różnią?” i „Które wnioski mają zbyt słabe oparcie w obserwacjach?”.

Zastosowanie 3: analizy przekrojowe

Przy diagnozie dużych grup pracowników wsparcie AI zyskuje na znaczeniu. Jeżeli Development Centre obejmuje kilka osób, analizę wyników nadal da się przeprowadzić stosunkowo łatwo, ale przy 50, 70 czy 100 uczestnikach zaczyna się jednak zupełnie inna skala pracy. AI może wtedy pomóc szybko zidentyfikować najmocniejsze kompetencje w całej grupie, najczęstsze luki, odsetek osób osiągających poziom oczekiwany czy różnice pomiędzy stanowiskami i poziomami zarządzania. Może również wychwycić mniej oczywiste zależności, np. sytuację, w której managerowie dobrze radzą sobie z orientacją na wynik, ale wyraźnie słabiej z rozwijaniem samodzielności swoich pracowników, co jednocześnie zmienia perspektywę badawczą, ponieważ przestajemy pytać: „Jak wypadła ta osoba?”, a zaczynamy pytać: „Co wyniki mówią o całej populacji managerskiej i jakie wnioski warto z tego wyciągnąć dla organizacji?”

Zastosowanie 4: usprawnienie raportowania

Kolejnym obszarem, w którym AI może naprawdę odciążyć asesora, jest samo pisanie raportu. Jeżeli model otrzyma zweryfikowane obserwacje i oceny, może przygotować pierwszą wersję opisu mocnych stron, obszarów rozwojowych czy rekomendacji. To ogromna oszczędność czasu, zwłaszcza przy dużej liczbie uczestników, ale pod jednym warunkiem: taki tekst powinien być traktowany jako wersja robocza, a nie gotowy raport. AI może bowiem nadać zbyt duże znaczenie pojedynczemu zachowaniu, uogólnić obserwację albo dopowiedzieć coś, czego w danych po prostu nie ma.

Dlatego bezpieczny i praktyczny model pracy wygląda, jak niżej:
dane źródłowe → analiza AI → weryfikacja eksperta → raport końcowy.
W takim układzie AI skraca czas redakcji, ale odpowiedzialność za diagnozę nadal pozostaje po stronie człowieka.

Zastosowanie 5: raportu indywidualnego do dashboardu

Największy potencjał pojawia się jednak wtedy, gdy raport przestaje być końcem procesu. Jeżeli wyniki z wielu diagnoz zostaną odpowiednio uporządkowane, można agregować je w dashboardach pokazujących średni poziom kompetencji, największe luki, procent osób spełniających oczekiwany standard czy różnice pomiędzy zespołami, stanowiskami i poziomami zarządzania. Wtedy Development Centre zaczyna pełnić dodatkową funkcję i staje się źródłem danych dla People Analytics. Dzięki temu HR może nie tylko przygotować informację zwrotną dla uczestnika, ale też lepiej planować programy rozwojowe, sukcesję, działania talentowe czy priorytety szkoleniowe. Zamiast opierać decyzje wyłącznie na pojedynczych raportach, można spojrzeć na kompetencje z perspektywy całej organizacji.

Gdzie zatem AI daje największą oszczędność? Główna korzyść pojawia się wtedy, gdy technologia przyspiesza przetwarzanie danych, ale nigdy nie może zastępować profesjonalnego osądu. Dobrze wykorzystana AI pozwala zespołowi HR poświęcać mniej czasu na porządkowanie notatek i redagowanie podobnych opisów, a więcej na to, co naprawdę ma wartość: interpretowanie wyników, identyfikowanie istotnych luk kompetencyjnych i przekładanie danych na decyzje rozwojowe. I właśnie na tym polega największa zmiana – mniej czasu na tworzenie raportów, więcej czasu na rozumienie tego, co naprawdę wynika z danych.

Sprawdź szkolenie: AI Competence Lab

Powrót…