AI-kompetensgapet: därför vet de flesta organisationer inte vad de saknar

Just nu brottas varje ledningsgrupp med någon variant av samma fråga. På ett konsultbolag kommer den från en kund: ”Har ni kompetens inom AI och maskininlärning i teamet?” En HR-direktör får den från vd:n: ”Är vi redo för AI?” För en L&D-chef dyker den upp som en budgetförfrågan om AI-utbildning, utan någon tydlig bild av var man ska börja.

Frågan är rimlig. Problemet är att de flesta organisationer försöker besvara den utan den information som krävs. De vet att AI är viktigt. Men de vet inte, med någon som helst precision, vilken AI-kompetens som faktiskt finns bland medarbetarna i dag: vem som har den, på vilken nivå och vem som aktivt utvecklar den. Innan gapet kan täppas till måste det synliggöras. Och att se det tydligt är svårare än man kan tro.

”AI-kompetens” är inte en enda sak

Det första hindret handlar om definitionen. AI-kompetens spänner över ett så brett spektrum att en analys som behandlar den som en enda kategori blir för vag för att gå att agera på.

I ena änden finns grundläggande AI-vana: att förstå hur stora språkmodeller fungerar, veta hur man skriver effektiva promptar och kunna granska det AI:n levererar kritiskt i stället för att godta det okontrollerat. Det är relevant i nästan alla funktioner och roller. En marknadsförare, en finansanalytiker och en projektledare har alla nytta av det, även om det i praktiken ser väldigt olika ut för var och en.

I mitten finns tillämpad AI-kompetens: att använda AI-verktyg inom ett specifikt område för att leverera bättre resultat snabbare. En dataanalytiker som arbetar med Python-bibliotek, en utvecklare som integrerar AI-API:er i produkter, en konsult som använder AI för att sammanställa stora mängder research. Kompetensen handlar här inte bara om att veta att verktyget finns, utan om att kunna använda det effektivt i rätt sammanhang.

Längst ut på den tekniska sidan finns AI-utveckling: att bygga och finjustera modeller, förstå arkitekturen och arbeta med träningsdata. Det är specialistkompetens. De flesta organisationer behöver betydligt färre sådana personer än de tror, och i de flesta diskussioner om AI-kompetensgapet blandas den ihop med den bredare frågan om AI-vana. Resultatet blir att man både rekryterar för många till tekniska roller och satsar för lite på det tillämpade kompetenslager som de flesta medarbetare faktiskt behöver.

Att förstå vilken del av spektrumet organisationen behöver, och i vilken omfattning, är en förutsättning för varje meningsfull kompetensgapsanalys. Organisationer som hoppar över det steget investerar i utbildning som inte motsvarar det verkliga behovet, eller rekryterar till roller som inte är flaskhalsen.

Synlighetsproblemet kommer först

Anta att en organisation har gjort definitionsarbetet och vet vilken AI-kompetens den behöver. Nästa fråga blir då: vad har den i dag?

Det är här de flesta organisationer stöter på ett strukturellt problem. AI-kompetens utvecklas snabbare än de system organisationer använder för att följa den. Enligt forskning från Microsoft och LinkedIn kommer 68 % av de kompetenser som krävs i de flesta yrken att förändras till 2030 till följd av generativ AI. Den takten innebär att kompetens byggs upp bland medarbetarna långt innan någon organisation hinner fånga den systematiskt. Människor bygger AI-vana genom sidoprojekt, egna experiment, onlinekurser på fritiden och det dagliga arbetet med verktyg de har börjat använda utan formell utbildning. Inget av detta syns i HR-systemet. Väldigt lite dyker upp i medarbetarsamtalet. Det mesta finns i människors huvuden och på deras egna LinkedIn-profiler: synligt för rekryterare utanför organisationen, men inte för chefer och HR-team inom den.

Resultatet är en paradox som de flesta organisationer lever mitt i utan att sätta ord på. De tror att de har ett AI-kompetensgap. Samtidigt kan de ha medarbetare med exakt den kompetens som behövs: utvecklare som experimenterar med LLM:er, analytiker som bygger Python-skript, konsulter som har använt AI-verktyg i kunduppdrag i arton månader. Det här är dold kompetensutveckling: förmågor som växer fram bland medarbetarna genom egna experiment och självstyrt lärande, helt osynliga för de chefer och HR-team som behöver veta att de finns. Gapet är verkligt, men ingen vet hur det ser ut. Och ett okänt gap går inte att täppa till strategiskt. Det går bara att hantera reaktivt: med dyra externa rekryteringar, breda utbildningsprogram som missar det faktiska behovet, eller både och.

Bara 10 % av HR-cheferna säger att de effektivt kan förutse framtida kompetensbehov, enligt forskning från Deloitte. Siffran är knappast förvånande, eftersom de flesta organisationer saknar en tillförlitlig och aktuell bild av den kompetens de redan har. Man kan inte förutse vad man behöver härnäst om man inte vet var man står i dag.

Därför räcker befintliga datakällor inte

När problemet väl har formulerats är den första impulsen att leta efter datan i befintliga system. De flesta organisationer har flera ställen där kompetensinformation i teorin finns: HR-systemet, systemet för prestationsuppföljning, statistiken över genomförda kurser i lärplattformen och CV:na som sparades när medarbetarna anställdes.

Ingen av dessa källor ger ett tillförlitligt svar på frågan ”vilken AI-kompetens har den här personen faktiskt, och på vilken nivå?”

HR-systemet visar titlar och anställningshistorik, inte förmåga. Medarbetarsamtalen dokumenterar resultat och beteenden, inte de specifika kompetenser som låg bakom dem. Statistiken över genomförda kurser är ett fåfängemått: den visar att någon har tittat på en kurs i maskininlärning, inte om personen kan tillämpa det. CV:n speglar vad människor valde att lyfta fram när de sökte jobb, inte vad de har utvecklat sedan dess.

Glappet mellan vad organisationer vet om sina medarbetare och vad de faktiskt behöver veta handlar inte om datamängd. De flesta organisationer drunknar i HR-data. Det handlar om datakvalitet och struktur: den information som finns är inte organiserad kring kompetenser på den detaljnivå som krävs för att besvara operativa frågor.

Det här är infrastrukturproblemet som kommer före AI-kompetensgapet. Innan en organisation kan förstå var den står när det gäller AI-kompetens behöver den ett kompetenslager: en strukturerad, aktuell och sökbar karta över vad varje person i organisationen faktiskt kan, på vilken nivå och i vilken riktning hen vill utvecklas.

Se hur MuchSkills bygger det kompetenslagret →

Motivationsaspekten

AI-kompetensgapet har en andra dimension som sällan kommer upp i diskussionen: inte bara vem som har AI-kompetens, utan vem som vill utveckla den.

Det spelar roll av två skäl. Det första är praktiskt: ett program för kompetensutveckling som byggs kring personer som verkligen är motiverade att utveckla AI-kompetens ger bättre resultat än ett som rullas ut likadant över ett helt team. Motivation är ingen mjuk variabel. Den förutsäger om investeringen i utveckling ger bestående förmåga eller bara kortsiktigt pliktskyldigt deltagande.

Det andra skälet är strategiskt. De organisationer som över tid bygger verklig AI-förmåga är de som kan hitta medarbetarna som redan satsar på AI på eget initiativ (de som experimenterar, är nyfikna och bygger kompetens utan att någon har bett dem) och ge dem förutsättningar och erkännande att gå vidare. Sådana personer finns i nästan varje organisation. Att hitta dem är ett synlighetsproblem.

I MuchSkills fångas det här upp med Skill Will, ett lager vid sidan av den vanliga nivåbedömningen som för varje kompetens en person har visar om hen faktiskt vill använda den. En konsult kan ha Python, datavisualisering och intressenthantering i sin kompetensprofil, och Skill Will visar vilka av dem hen vill jobba med i uppdrag. När det gäller AI-kompetens spelar den skillnaden roll: den visar inte bara vem som har förmågan, utan också vem som verkligen är motiverad att använda den. Tillsammans avgör det både vem ni sätter på AI-relaterat arbete i dag och vem ni satsar på att utveckla inför framtiden.

Vad som faktiskt krävs för att täppa till gapet

En organisation som har gjort synlighetsarbetet, och har en aktuell, strukturerad och sökbar karta över AI-kompetensen bland sina medarbetare, befinner sig i ett helt annat läge än en som inte har det. Den kan besvara kundens fråga om AI-kompetens på några sekunder i stället för några dagar. Den kan utforma ett program för kompetensutveckling utifrån de faktiska gapen hos just sina medarbetare i stället för en generisk AI-utbildning. Den kan identifiera de personer som redan utvecklar AI-kompetens och ge dem en väg framåt, i stället för att förlora dem till organisationer som gör det.

För konsultbolag får synlighetsgapet en direkt affärsmässig konsekvens. När en kund frågar om bolaget har konsulter med AI-kompetens till ett uppdrag måste svaret komma från en tillförlitlig källa, inte från en omgång interna mejl och ett CV som inte har uppdaterats sedan konsulten anställdes. Bolag som kan svara snabbt och korrekt vinner uppdrag. Bolag som inte kan det får nöja sig med ”vi återkommer”, och förlorar ofta anbudet innan de hunnit göra det. Se hur MuchSkills fungerar för konsultbolag.

Utgångspunkten är kompetenslagret. Före strategin, före utbildningsbudgeten och före rekryteringsplanerna måste en organisation veta vad den har att arbeta med. Det innebär att bygga profiler som fångar AI-kompetens på rätt detaljnivå, med en skala som är tillräckligt precis för att skilja mellan någon som har gått en introduktionskurs och någon som är redo för produktion, och att hålla profilerna aktuella i takt med att kompetenslandskapet förändras.

MuchSkills har mer än 12 000 teknikkompetenser i sin databas, bland annat AI, maskininlärning, Python, LangChain, prompt engineering och de specifika verktyg och ramverk som är viktiga för olika roller. Med AI Super Search kan en resursansvarig eller HR-chef hitta alla i organisationen med en viss kombination av AI-kompetenser, på en angiven nivå och tillgängliga nu, på några sekunder i stället för timmar. Så ser svaret på frågan ”har vi AI-kompetens?” ut i praktiken.

För organisationer som vill förstå kopplingen till kompetensförsörjning, alltså hur skills intelligence blir datalagret för AI-drivna beslut om kompetensförsörjning, ger inlägget om AI och kompetensförsörjning den strategiska helhetsbilden. Och om nästa fråga gäller metoden för gapanalys erbjuder playbooken för kompetensgapsanalys ett strukturerat sätt att identifiera, prioritera och täppa till kompetensgap.