Kompetenshantering i ServiceNow fungerar bättre när medarbetardatan faktiskt är komplett

Om du ansvarar för ServiceNow i din organisation vet du redan vad plattformen kan. Intelligent routing skickar arbetsuppgifter till medarbetare med rätt kompetens. AI-agenter ger rekommendationer, lyfter fram relevant kunskap och gör att ärenden löses snabbare. Talent Development (ServiceNows produkt för talang- och kompetensutveckling, som tidigare hette Employee Growth and Development) kartlägger karriärvägar och visar var utvecklingsbehoven finns. På pappret är det ett sofistikerat lager av skills intelligence i hjärtat av verksamheten.

I praktiken är det inte mer avancerat än datan det läser in, och i de flesta organisationer finns den datan inte.

På de enterpriseplattformar som MuchSkills arbetar med, som SAP, ServiceNow, Workday med flera, hamnar andelen ifyllda medarbetarprofiler oftast på 20-40 %. Det innebär att kompetenslagret under ServiceNows AI-funktioner, alltså det lager som avgör vem som slussas till vilken uppgift, vad agenten rekommenderar och vilken karriärväg som lyfts fram, i regel vilar på profiler som inte ens är till hälften ifyllda.

Löftet: en samlad kompetensarkitektur

ServiceNow hanterar kompetenshantering via flera sammankopplade ytor. Grundfunktionen gör det möjligt för organisationer att definiera en kompetenstaxonomi, koppla kompetenser till medarbetare och använda profilerna för att styra resultat i hela plattformen.

I arbetsflöden för IT och fältservice styr kompetensbaserad routing inkommande arbete till de medarbetare vars profiler visar rätt förmåga. I Talent Development driver kompetensdatan personliga lärandeförslag, karriärvägar och utvecklingsmål. ServiceNows AI-agenter, bland annat Now Assist-funktionerna inom HR, IT och kundservice, blir allt mer beroende av korrekt medarbetardata för att anpassa interaktioner och styra rekommendationer.

Logiken håller. En samlad plattform där medarbetarnas kompetenser flödar från profilen vidare till routing, AI-agenter och karriärutveckling är precis vad stora organisationer har försökt bygga. Bristen sitter inte i designen. Den sitter i datan som designen är beroende av.

Verkligheten: ett registersystem får ingen att engagera sig

I ITSM- och HR-plattformar för stora organisationer följer ifyllandet av medarbetarprofiler samma mönster gång på gång: medarbetarna får åtkomst, fyller i en första omgång uppgifter (oftast titel, en handfull angivna kompetenser och några grundläggande uppgifter om rollen) och återvänder sällan för att uppdatera dem. På de plattformar vi arbetar med landar det på 20-40 % ifyllt, med i snitt tre till fem kompetenser per medarbetare.

Agenter som tränas på 30-procentig data fattar 30-procentiga beslut. Kompetensbaserad routing som körs på glesa profiler fördelar arbetet utifrån det som har angetts och missar en avgörande faktor: om medarbetaren faktiskt vill använda den kompetensen. AI-rekommendationer som kalibrerats mot ofullständig utvecklingsdata speglar bristerna i datan, inte hur det verkligen ser ut bland medarbetarna. Successionsplanering och kompetensförsörjning som bygger på samma profiler ärver samma blinda fläck: en chef kan inte lyfta ett verkligt kompetensgap till styrelsen, eller peka ut vem som är redo för en mer utmanande roll, utifrån data där mer än halva bilden saknas.

Det här är ingen kritik mot ServiceNows funktioner för kompetenshantering. De funktionerna finns på riktigt. Problemet ligger tidigare i kedjan, där medarbetardatan skapas.

Därför kan du inte konfigurera bort dataluckan

Det här är mer ett arkitekturproblem än ett beteendeproblem. Enterpriseplattformar kan lägga till fält, göra profiler obligatoriska och bygga administrativa påminnelsekampanjer. De flesta har provat allt detta. Datakvaliteten blir bättre under ett kvartal och glider sedan tillbaka. Samma mönster syns även helt utanför HR- och ITSM-plattformar: en analys från 2026 av Microsoft 365- och Entra ID-miljöer visade att fälten i medarbetarprofilerna i genomsnitt bara var 30,8 % ifyllda, och att bara en tredjedel av organisationerna nådde en nivå som forskarna bedömde som användbar. Det är en annan plattform och andra fält, men samma underliggande mekanism. Fält som systemet tvingar fram (lön, juridisk identitet, allt som hänger ihop med att få betalt) fylls i eftersom det inte finns någon väg runt dem. Fält som kräver att medarbetaren själv väljer att bidra (titlar, chefslinjer, kompetenser) fylls inte i, eftersom ingenting ber dem om det.

Att ta fram rik och aktuell kompetensdata som medarbetarna själva har validerat kräver en upplevelse som utgår från medarbetarens perspektiv, inte plattformens. Upplevelsen måste visa medarbetarna något om dem själva: hur djupt de behärskar en kompetens, hur de står sig mot kraven i sin roll och vad de är på väg att växa in i. Den måste gå så snabbt att det inte känns som en extra börda att fylla i. Och den behöver en social mekanism: när kollegorna ser vad du har angett sköter korrektheten sig själv, på ett sätt som chefsdrivna kampanjer inte gör.

ServiceNow är en plattform för att orkestrera arbetsflöden och hantera tjänster. Det är där styrkan ligger. Att skapa deltagandelagret, alltså den upplevelse med medarbetaren i centrum som ger tillförlitlig och aktuell kompetensdata, är ett problem av ett annat slag, och det är just det en specialbyggd plattform är gjord för att lösa.

Vad ett deltagandelager faktiskt levererar

MuchSkills integreras med ServiceNow via API. ServiceNow sköter routingen av arbetsflöden, AI-agenternas funktioner och strukturen för karriärutveckling, medan MuchSkills är det lager för skills intelligence som medarbetarna själva använder och som tar fram den kompetensdata som de funktionerna bygger på.

MuchSkills bygger på andra designprinciper än ett registersystem. Medarbetarna fyller i sin profil eftersom den visar dem något användbart om deras egen utveckling och förmåga: kompetensnivå på en skala från 1 till 9, hur väl de täcker kraven i sin roll och vilka utvecklingsmål de arbetar mot. Korrektheten upprätthålls inte genom chefskampanjer utan genom social transparens: när kollegor kan se vad du har angett finns motivationen att hålla uppgifterna ärliga och aktuella inbyggd i upplevelsen. För kritiska kompetenser, alltså de som direkt påverkar routingbeslut eller efterlevnadskrav, kan chefer validera medarbetarnas självskattningar. Det ger styrning över de förmågor som betyder mest, utan att kompetensuppdateringar fastnar i en flaskhals av godkännanden. Skill Will, en datapunkt som är unik för MuchSkills, fångar inte bara vad medarbetarna kan utan också vad de vill göra, vilket ger routing- och rekommendationslogiken en mer komplett bild.

Det viktiga är att kompetenserna inte bara blir en lång lista. Varje kompetens har en färdighetsnivå på en skala från 1 till 9, och Skill Will-datan visar om medarbetaren aktivt vill använda den. Det som går in i routing- och rekommendationslogiken är alltså viktad och validerad data, inte en samling lösryckta nyckelord.

Resultatet är en ifyllnadsgrad för profilerna som skiljer sig i grunden från plattformens utgångsläge. 

Mönstret gäller inte bara en enskild plattform. Höegh Autoliners, ett globalt rederi, använder MuchSkills tillsammans med SAP SuccessFactors för medarbetare i flera regioner.

För ServiceNow-kunder kopplar MuchSkills API-integration ihop medarbetarnas kompetensdata med de profiler, den routinglogik och de AI-funktioner som ServiceNow är byggt för att använda. Datalagret som ServiceNows funktioner är beroende av blir något som medarbetarna själva aktivt tar hand om, inte för att de har blivit ombedda utan för att de får ut något av det.

Så lönar sig minst 90 % ifyllda profiler

Med MuchSkills som deltagandelager förändras inte ServiceNows funktioner. Kompetensbaserad routing, AI-agenternas rekommendationer och karriärvägarna i Talent Development fungerar precis som de är utformade. Det som förändras är underlaget de arbetar med. Kompetensbaserad routing utgår från profiler som speglar vad medarbetarna faktiskt kan och, genom Skill Will, vad de är motiverade att göra. AI-agenternas rekommendationer bygger på en datamängd där varje profil är aktuell och validerad av medarbetaren. Karriärvägarna kalibreras mot verkliga kompetensgap, inte mot de luckor som syns i glesa och sällan uppdaterade egna uppgifter.

För organisationer som hanterar många medarbetare i ServiceNow får det här betydelse för de frågor som måste besvaras på ledningsnivå: Vilka team har förmågan att ta sig an nya program? Var finns de verkliga kompetensgapen, och hur hänger de ihop med de strategiska prioriteringarna? Vilka medarbetare är redo att gå vidare till andra roller?

De frågorna går inte att besvara tillförlitligt med 40 % datatäckning. Med ett deltagandelager från MuchSkills på plats går det.

Funktionerna finns på plats, nu måste datan komma ikapp

Funktionerna för kompetenshantering som ServiceNow har byggt är avancerade. Men med de 20-40 % ifyllda profiler som är typiska för stora implementationer arbetar routinglogiken med ofullständig data, AI-agenterna hämtar sitt underlag från ofullständiga profiler och karriärvägarna speglar uppgifter som kan vara månader eller år inaktuella.

AI i stora organisationer kommer inte att misslyckas för att modellerna är svaga. Den kommer att misslyckas för att medarbetardatan under modellerna är ofullständig. ServiceNow har redan byggt intelligenslagret: routing, agenter och karriärvägar. Det som avgör om lagret levererar är deltagandelagret under det, alltså om medarbetarna faktiskt håller sina profiler aktuella.

Ett deltagandelager täpper till det här glappet, utan att du behöver konfigurera om ServiceNow eller bygga om dina arbetsflöden. Du behöver bara ge dem rätt data.

Se hur dina arbetsflöden i ServiceNow fungerar när 90 % eller mer av profilerna är ifyllda. Boka en demo på 30 minuter →