AI i kompetensförsörjningen: Därför är dina kompetensdata viktigare än ditt AI-verktyg

​​Bara 8 % av organisationerna har tillförlitliga data om vilka kompetenser deras medarbetare har i dag. Den siffran, från Gartners HR-undersökning från 2024, borde ligga överst i tankarna hos varje organisation som just nu utvärderar, eller redan använder, AI-verktyg för kompetensförsörjning. AI-driven kompetensförsörjning blir nämligen aldrig bättre än de kompetensdata du matar in. För övriga 92 % av organisationerna saknas den grunden fortfarande.

Det är lätt att förstå varför det brådskar. I Future of Jobs Survey 2025 från World Economic Forum uppger 63 % av arbetsgivarna att kompetensgap är det enskilt största hindret för att ställa om verksamheten. Trycket på organisationerna att sluta de gapen är verkligt, och AI-verktyg för kompetensförsörjning lovar att göra just det. Men de flesta inför tekniken utan att först få ordning på de data som AI:n behöver för att se kompetensgapen tydligt. Resultatet blir opålitligt, även med avancerade verktyg.

Det här är inte ett teknikproblem. AI-verktygen blir allt mer kapabla. Det är ett problem med datagrunden, och det måste lösas innan AI-lagret läggs ovanpå, inte efteråt.

AI-användningen inom HR tar fart oavsett. Enligt SHRM:s rapport 2025 Talent Trends använde 43 % av organisationerna AI för HR-uppgifter 2025, jämfört med bara 26 % året innan. Kompetensförsörjning är ett av de viktigaste användningsområdena: att förutse framtida kompetensbehov, hitta gap innan de blir kritiska och matcha rätt person med rätt roll i en takt som inget kalkylark eller bemanningsmöte kommer i närheten av. Löftet är på riktigt. Men det är inte nödvändigtvis de organisationer som först köpte de mest avancerade verktygen som får ut mest. Det är de som först fick ordning på sina data.

Vad AI-driven kompetensförsörjning faktiskt kräver

AI-verktyg för kompetensförsörjning analyserar mönster i personaldata för att förutse framtida behov, hitta gap och simulera olika scenarier. Ju mer korrekta och aktuella data du matar in, desto mer användbart blir resultatet. 

Det omvända gäller lika mycket: om de underliggande kompetensdata är inaktuella, ofullständiga eller inkonsekvent strukturerade tenderar AI:n att återskapa och förstärka de bristerna i stor skala.

I de flesta organisationer stämmer alla tre in på kompetensdatan. Kompetenser anges i befattningstitlar som inte längre speglar vad folk faktiskt gör. De finns i CV:n som senast uppdaterades när personen anställdes. De finns i medarbetarsamtal som mäter resultat snarare än förmåga. Och de ligger i olika system som inte pratar med varandra och som kallar samma saker vid olika namn. Datan behandlar kompetens som något statiskt: en ögonblicksbild av vad någon kunde vid en viss tidpunkt, inte en levande bild av vad personen kan i dag. AI-verktyg som byggs på den grunden fattar beslut om en arbetsstyrka som inte längre finns.

I praktiken märks det på mycket konkreta sätt: redan överbokade personer tilldelas projekt, kompetensluckor upptäcks för sent eller rekryteringar görs för kompetenser som redan finns internt men som inte syntes.

Kompetensgapet i AI-driven kompetensförsörjning

En tydlig motsägelse håller på att växa fram. Organisationer investerar i AI för att lösa sitt problem med kompetensgap, men det är kompetensgapet i deras egna data som hindrar AI:n från att hjälpa till.

Fundera på vad ett AI-verktyg för kompetensförsörjning kräver för att fungera bra. Det måste veta vilka förmågor som finns bland medarbetarna just nu, och på vilken nivå. Det måste förstå vilka kompetenser som efterfrågas i pågående och kommande projekt. Det måste lägga de två bilderna bredvid varandra, alltså tillgången på kompetens och efterfrågan på den, och se var avståndet är störst och mest akut. Och det måste ske löpande, inte en gång om året.

Utan en plattform för skills intelligence som håller den levande bilden uppdaterad modellerar AI:n utifrån en ögonblicksbild som redan har hunnit åldras. Gapanalysen den tar fram speglar hur arbetsstyrkan såg ut för sex månader sedan. Bemanningsrekommendationerna bygger på titlar, inte på validerade förmågor. Scenarioplaneringen vilar på antaganden snarare än belägg.

Ovanpå detta finns ett andra, mindre uppenbart problem. Även när kompetensdata finns speglar de oftast de personer som beslutsfattaren redan känner till: de i synliga roller, på välbekanta kontor, i nyliga projekt. Personer med relevanta förmågor i mer undanskymda roller, på andra orter eller i mindre framträdande team förbises, inte för att de saknar kompetensen utan för att den inte syns i det ögonblick beslutet fattas. AI:n ärver den blinda fläcken. Den kan bara lyfta fram det som finns i datan. Om datan präglas av närhetsbias gör resultaten det också.

Det är därför Daniel Nilsson, medgrundare av MuchSkills, säger: ”Ett kompetensgap handlar inte alltid om att det saknas folk. De flesta kompetensgap kan slutas med befintlig personal, genom bättre insyn i vad folk redan kan.” Reflexen att införa ett nytt AI-verktyg, eller att rekrytera, utlöses ofta av dålig insyn i kompetenserna, inte av att förmågan faktiskt saknas.

För organisationer som fortfarande försöker reda ut vilka AI-kompetenser de har i dag går det här inlägget om varför den bilden är så svår att få fram igenom synlighetsproblemet som kommer först.

Fel sorts data är fortfarande fel sorts data

Det finns ett mer grundläggande problem som även välfinansierade satsningar på AI-driven kompetensförsörjning stöter på, och det handlar inte bara om att datan är inaktuell. Det handlar om att de flesta AI-verktyg arbetar med fel sorts data redan från början.

Det dominerande angreppssättet på marknaden är uppifrån och ned: AI-verktyg drar slutsatser om vilka kompetenser folk sannolikt har utifrån titlar, karriärhistorik och signaler från arbetsmarknaden, alltså vad marknaden säger att personer i den rollen brukar kunna. 

Plattformar som Eightfold och Lightcast är ofta starkast på efterfrågesidan. De ger god insikt i vilka kompetenser arbetsmarknaden värderar, vilka kompetenser personer i jämförbara roller på andra organisationer brukar ha och vilka förmågor som trendar i jobbannonser. Den informationen är verkligt användbar för benchmarking och rekrytering.

Men den säger inget om vad just dina medarbetare faktiskt kan i dag.

Den skillnaden spelar roll för interna beslut om arbetsstyrkan. När du avgör vem som ska bemanna ett projekt, vem som ska utvecklas för en framtida roll eller var kompetensluckorna är mest akuta gör du inte en statistisk slutledning om en population. Du fattar ett beslut om verkliga individer i din organisation. Arbetsmarknadsdata kan inte besvara den frågan. Det kan bara data som byggs nerifrån och upp.

Det gör inte extern data på marknadsnivå irrelevant. Arbetsmarknadsinsikter är avgörande för att förstå vart efterfrågan är på väg, hur roller utvecklas och vilka kompetenser som blir mer värdefulla över tid. Begränsningen ligger inte i själva datan, utan i att tillämpa den på beslut om individer utan en tydlig intern bild.

Vill du se var ditt team står? Använd vårt verktyg för kompetensgapsanalys och bygg en AI-redo arbetsstyrka redan i dag.