Od modelu kompetencyjnego do Development Center. Gdzie AI naprawdę oszczędza czas HR?

Obietnica oszczędności czasu jest jednym z najczęściej powtarzanych argumentów za wykorzystaniem generatywnej AI w HR. I rzeczywiście – zadanie, nad którym ekspert pracował kilka godzin, model językowy potrafi wykonać w kilka minut, jednak szybko wygenerowany materiał nie zawsze oznacza dobrze wykonaną pracę, szczególnie w diagnozie kompetencji, gdzie o jakości decyduje przede wszystkim trafność metodologiczna. Dlatego warto spojrzeć na AI nie jak na narzędzie, które „zrobi Development Center za HR”, ale jak na wsparcie poszczególnych etapów procesu – w jednych może przejąć znaczną część pracy analitycznej i redakcyjnej, w innych podpowiadać rozwiązania, podczas gdy w kluczowych momentach niezbędne pozostają wiedza i decyzja eksperta. Dopiero takie rozróżnienie pozwala odpowiedzieć na pytanie, gdzie AI rzeczywiście oszczędza czas HR.

Etap 1. Model kompetencyjny – mniej czasu na porządkowanie materiału

Budowa modelu kompetencyjnego jest dobrym przykładem procesu, w którym największa korzyść z AI polega nie na wygenerowaniu gotowego rezultatu, lecz na przyspieszeniu pracy poprzedzającej decyzje eksperckie. Jeżeli organizacja budująca model (przykładowo dla managerów sprzedaży) dysponuje strategią, opisami stanowisk, celami biznesowymi oraz transkrypcjami wywiadów, AI może zidentyfikować powtarzające się zachowania, uporządkować je w kategorie / kompetencje (np. nastawienie na cel, myślenie analityczne, podejmowanie decyzji itd.), porównać źródła oraz zaproponować pierwszą architekturę modelu. Ekspert nie zaczyna więc od pustej kartki, lecz od uporządkowanego materiału, który może zweryfikować i uzupełnić. Oszczędność czasu jest realna, pod warunkiem, że AI wspiera analizę, a nie zastępuje decyzji o tym, jakie kompetencje rzeczywiście powinny znaleźć się w modelu.

Etap 2. Wskaźniki behawioralne – AI jako wymagający współautor

Kolejnym pracochłonnym etapem jest przełożenie kompetencji na obserwowalne zachowania oraz zróżnicowanie ich pomiędzy poziomami. AI może błyskawicznie przygotować wiele propozycji wskaźników, uporządkować je według poziomu złożoności i wskazać te, które są do siebie zbyt podobne, jednak bez eksperckiego nadzoru łatwo otrzymać skalę, w której poziom 2 oznacza „analizuje dostępne informacje przed podjęciem decyzji”, a poziom 3 – „dokładnie analizuje dostępne informacje przed podjęciem decyzji”. Mamy wówczas różnicę językową, ale niekoniecznie kompetencyjną. Ekspert musi więc ocenić, czy wraz ze wzrostem poziomu rzeczywiście zmienia się jakość, samodzielność, złożoność lub zakres zachowania, podczas gdy AI pozwala przede wszystkim ograniczyć czas poświęcany na generowanie i redagowanie propozycji.

Etap 3. Narzędzia diagnostyczne – od kilku godzin do pierwszej wersji w kilkanaście minut

Jeszcze większy potencjał oszczędności pojawia się podczas projektowania narzędzi do Assessment i Development Centre. Mając model kompetencyjny oraz opis oczekiwanego poziomu, AI może pomóc przygotować pytania do wywiadu behawioralnego, business case, symulację, instrukcje dla aktora czy arkusze obserwacyjne, ale to ekspert może zdefiniować kontekst organizacyjny, poziom stanowiska, kompetencje oraz zachowania, które powinny być możliwe do zaobserwowania, a następnie wykorzystać AI do stworzenia kilku wariantów sytuacji biznesowych i sprawdzenia, czy zestaw ćwiczeń daje wystarczające możliwości obserwacji poszczególnych wskaźników. Największą korzyścią nie jest więc to, że AI „napisze zadanie AC/DC”, lecz że pozwala szybko tworzyć, porównywać i modyfikować wiele wariantów przed wyborem najlepszego rozwiązania.

Etap 4. AC/DC – technologia nie zastępuje obserwacji

W samym Assessment lub Development Centre granica pomiędzy tym, co warto powierzyć AI, a tym, co powinno pozostać po stronie człowieka, staje się znacznie wyraźniejsza. AI może uporządkować notatki asesorów, przypisać obserwacje do kompetencji, zestawić informacje z kilku ćwiczeń oraz wskazać miejsca, w których oceny asesorów się różnią, ułatwiając przygotowanie do sesji integracyjnej. Nie oznacza to jednak, że powinna samodzielnie „wystawiać ocenę”, ponieważ zachowanie człowieka jest kontekstowe, a jego znaczenie zależy od sytuacji i przebiegu interakcji. Za obserwację, interpretację i ocenę nadal odpowiada asesor, podczas gdy AI ogranicza pracę potrzebną do uporządkowania materiału przed podjęciem decyzji.

Etap 5. Integracja wyników – tutaj zaczyna się największa oszczędność

Szczególnie duży potencjał AI pojawia się podczas integracji danych, których przy Development Centre obejmującym kilkudziesięciu uczestników szybko przybywa: są to oceny kompetencji, notatki z ćwiczeń, wyniki wywiadów, komentarze asesorów czy dane z kwestionariuszy i testów. AI może uporządkować obserwacje dotyczące tej samej kompetencji, wyszukać wzorce i rozbieżności pomiędzy źródłami oraz przygotować pierwszą syntezę wyników. W przypadku 70 managerów może również pomóc odpowiedzieć na pytania, których ręczna analiza byłaby czasochłonna: które kompetencje są najmocniejsze, gdzie występują największe luki, jak różnią się wyniki poszczególnych grup oraz jaki odsetek uczestników osiąga poziom oczekiwany. AI zmienia więc nie tylko tempo, ale także skalę analizy, pozwalając przejść od diagnozy pojedynczego uczestnika do obrazu kompetencji całej grupy.

Etap 6. Raport i rozwój – mniej pisania, więcej interpretowania

Po zakończeniu diagnozy AI może przejąć część pracy związanej z przygotowaniem raportów indywidualnych i zbiorczych, tworząc na podstawie zweryfikowanych danych pierwsze wersje opisów mocnych stron, obszarów rozwojowych czy rekomendacji. Może również pomóc przełożyć zdiagnozowaną lukę na konkretne działania, np. zaproponować plan 70–20–10 łączący praktykę w codziennej pracy, uczenie się od innych i odpowiednio dobrane działania edukacyjne. Oszczędność czasu jest jednak możliwa tylko wtedy, gdy AI pracuje na dobrze przygotowanych i zweryfikowanych danych – słaby materiał źródłowy sprawi jedynie, że szybciej powstanie słaby raport.

Gdzie więc AI naprawdę oszczędza czas?

Największy potencjał nie leży w całkowitym przejmowaniu procesów HR, lecz w ograniczaniu pracy, która jest czasochłonna, choć nie zawsze wymaga eksperckiego osądu: przeglądaniu i porządkowaniu dużej ilości materiału, identyfikowaniu wzorców, przygotowywaniu pierwszych wersji narzędzi, integrowaniu danych czy redagowaniu raportów. Dzięki temu ekspert może skoncentrować się tam, gdzie jego kompetencje mają największą wartość: na definiowaniu kryteriów, projektowaniu metodologii, ocenie jakości narzędzi, interpretacji zachowań, rozstrzyganiu niejednoznaczności i podejmowaniu decyzji.

W praktyce oznacza to zmianę modelu pracy – zamiast sekwencji „ekspert tworzy – ekspert analizuje – ekspert redaguje” coraz częściej możemy pracować w modelu „ekspert projektuje – AI przygotowuje – ekspert weryfikuje – AI przetwarza – ekspert interpretuje i decyduje”. I właśnie w tym modelu należy szukać największej oszczędności czasu.

Szybciej nie oznacza mniej profesjonalnie

Wykorzystanie AI w diagnozie kompetencji nie powinno prowadzić do rezygnacji z kluczowych elementów procesu, lecz do ograniczania czasu poświęcanego na czynności, które technologia potrafi wykonać szybciej. Model kompetencyjny nadal wymaga przemyślanych kryteriów, narzędzie diagnostyczne – metodologicznej jakości, Assessment i Development Centre – profesjonalnej obserwacji, a rekomendacje rozwojowe – zrozumienia rzeczywistej luki kompetencyjnej. Zmienia się natomiast ilość pracy, którą ekspert musi wykonać samodzielnie pomiędzy tymi punktami.

Takie podejście leży u podstaw programu AI Competence Lab, w którym uczestnicy pracują z AI na kolejnych etapach diagnozy kompetencji – od modeli i wskaźników behawioralnych, przez projektowanie narzędzi Assessment i Development Centre, po analizę wyników, raportowanie i planowanie rozwoju. Prawdziwa korzyść z AI w HR nie polega bowiem na tym, że maszyna wykona pracę eksperta, lecz na tym, że ekspert będzie mógł poświęcić mniej czasu na produkowanie i porządkowanie treści, a więcej na myślenie, interpretowanie i podejmowanie trafnych decyzji.