HR-case: Kompetencegap-analyse med AI på tværs af roller

Når HR taler om kompetenceudvikling, bliver samtalen ofte hurtigt personlig: Hvem er “klar”, hvem halter, og hvem skal have et kursus? Problemet er, at mavefornemmelser og enkeltstående performance-samtaler sjældent giver et retvisende billede på tværs af roller.

En AI-understøttet kompetencegap-analyse kan gøre arbejdet mere præcist, mere skalerbart og mere fair, hvis den bygges rigtigt og styres ansvarligt.

HR-casen: Et fælles sprog for kompetencer på tværs af roller

Forestil dig en dansk virksomhed med ca. 400 medarbejdere fordelt på salg, marketing, kundeservice, IT, projektledelse og en mindre juridisk funktion. Forretningen har en klar strategi: hurtigere produktudvikling, mere datadrevet salg og strammere compliance. HR får en opgave: “Find ud af, hvilke kompetencer vi mangler de næste 12 til 18 måneder, og lav en plan, der kan mærkes i driften.”

Det lyder simpelt, men her kommer den klassiske knude: Roller beskrives forskelligt, ledere vurderer forskelligt, og medarbejdere bruger forskellige ord om de samme færdigheder.

AI bliver interessant, fordi den kan oversætte fritekst, mønstre og historik til et fælles kompetencekort. Ikke som dommer, men som motor for overblik.

Hvad betyder “kompetencegap” i praksis?

Kompetencegap handler ikke kun om, at nogen “mangler” noget. Det handler om afstanden mellem:

• det arbejde, organisationen skal kunne udføre
• de kompetencer, der reelt er til stede i dag
• den fart, hvormed kompetencer kan bygges op eller hentes ind

Et gap kan være teknisk (fx SQL, cloud-sikkerhed), fagligt (fx projektstyring, kontraktforståelse) eller adfærdsmæssigt (fx facilitering, skriftlig formidling). Og det kan være lokalt i et team eller systemisk på tværs af hele organisationen.

I casen beslutter HR at arbejde med tre niveauer:

• Rollekrav (hvad jobbet kræver)
• Demonstreret kompetence (hvad medarbejderen har vist i praksis)
• Læringsparathed (hvad der realistisk kan flyttes på med læring, sparring og opgaver)

AI’ens rolle: Fra dokumentstakke til et levende kompetencekort

Det er sjældent mangel på data, der stopper HR. Det er formen. Jobprofiler ligger i Word, feedback ligger i fritekst, projekter ligger i systemer, og læring ligger i LMS-rapporter.

AI kan bringe struktur ud af ustruktureret materiale med NLP (Natural Language Processing). Den kan udtrække kompetencebegreber fra jobopslag, udviklingssamtaler og 360-graders feedback. Den kan gruppere lignende profiler og finde mønstre, som mennesker let overser, især når man sammenligner på tværs af fagområder.

I casen vælger HR at kombinere tre typer analyse:

• NLP til at udtrække kompetencer fra tekst
• “Matchning” via embeddings (semantisk lighed mellem kompetencer og rollekrav)
• Prognoser i et enkelt forecast-lag (hvilke gaps vokser, hvis strategi og bemanding fortsætter uændret)

Det afgørende er, at AI ikke får lov at definere kompetencer alene. HR og faglige nøglepersoner skal være med til at fastlægge et kompetencebibliotek og en tydelig skala for niveauer.

Datagrundlaget: Hvad man kan bruge, og hvad man bør undgå

Casen starter med en dataworkshop, hvor HR, IT og repræsentanter fra forretningen bliver enige om, hvilke kilder der er “troværdige nok” til analyse. De vælger bevidst kilder, der har direkte kobling til arbejde og udvikling, og fravælger data, der let bliver invasive.

De ender med en første pakke, der kan etableres uden tung systemombygning:

• Jobbeskrivelser og rolleprofiler
• Mål- og udviklingspunkter fra MUS (kun strukturerede felter og udvalgte tekstfelter)
• Kursus- og certificeringshistorik
• Projektroller fra projektværktøj (hvem har været ansvarlig for hvad)
• Udvalgte performanceindikatorer på teamniveau

De skriver også ind i designet, at medarbejdere skal kunne se deres eget kompetencekort og kommentere på det. Det løfter både kvaliteten og tilliden.

Nedenfor er en enkel måde at tænke datakilder og output på, som mange HR-teams kan genkende:

Sådan kører analysen: En proces, der kan gentages kvartalsvist

HR designer processen, så den ikke bliver et engangsprojekt. Målet er et “kompetenceflow”, hvor data opdateres, og indsatser justeres.

Processen i casen bliver lagt som et kort, gentageligt sprintforløb. Det starter med en pilot i to områder: IT og salg. De har højt tempo, tydelige måltal og stor variation i kompetencer.

Efter første sprint står tre indsigter tydeligt frem:

• Salgsteamet har stor variation i databrug, og gaps ligger især i CRM-disciplin og analyse af pipeline
• IT-teamet har stærk drift, men et voksende gap i cloud-arkitektur og sikkerhedsmønstre
• Projektledelse er en tværgående flaskehals, især i facilitering og prioritering

For at gøre indsigterne operationelle, aftaler HR og ledergruppen nogle få faste output, der skal komme ud af hver kvartalskørsel:

• Heatmap på teamniveau (krav vs. nuværende niveau)
• Top 10 gaps med tydelig forretningspåvirkning
• Forslag til læringsspor pr. rollefamilie
• Kandidater til intern mobilitet (hvem kan flytte med mindst friktion)

Hvad AI kan gøre bedre end et regneark, og hvad den ikke kan

Når man ser værdien i praksis, ligger den sjældent i “smarte modeller”. Den ligger i stabilitet og fart: samme metode på tværs af afdelinger, samme sprog, og opdateringer uden at starte forfra.

Efter de første resultater samler HR et sæt principper, som også kan bruges som forventningsafstemning med ledere og medarbejdere:

• Overblik i stor skala
• Mønstre på tværs af roller
• Tidlig varsling af voksende gaps
• Forslag til læringsindsats og intern matchning

Den anden side er mindst lige så vigtig: AI vurderer ikke menneskers værdi. Den opsummerer data, og data er altid ufuldstændige.

I casen vælger HR, at AI aldrig må være eneste grundlag for beslutninger om forfremmelse, løn eller fravalg. AI må gerne pege på signaler, men der skal altid være menneskelig vurdering og dialog.

Governance og etik: Så tillid bliver et aktiv, ikke en barriere

HR kan hurtigt miste opbakning, hvis kompetenceanalyse opleves som skjult overvågning. Derfor sætter casen governance først i praksis, ikke kun i en PDF.

De indfører en enkel styringsmodel med klare roller, og de skriver det ind i en intern AI-politik, hvad der må bruges, til hvad, og hvordan man kan klage eller få rettet.

De arbejder med fire faste kontrolpunkter pr. kvartal, som er lette at forklare:

• [Formål og proportionalitet:] Hvilket problem løser vi, og er data mængden rimelig?
• [Transparens:] Hvad kan medarbejdere se, og hvordan forklares scoringer?
• [Bias-tjek:] Slår modellen skævt på køn, alder, anciennitet eller afdeling?
• [Adgang og sikkerhed:] Hvem ser hvad, og hvor længe gemmes data?

Det er også her, mange får værdi af at opkvalificere HR og ledere i ansvarlig brug af AI, så samtalerne om gaps bliver modne og konkrete.

Fra gap til handling: Læring, opgaver og mobilitet i samme plan

Når man først har et troværdigt billede, kommer det svære: at flytte kompetencer uden at lamme driften. I casen bliver læring sat sammen som en blanding af korte forløb, makkerlæring og konkrete opgaver.

De opdager, at mange gaps kan mindskes uden lange uddannelsesforløb, hvis man planlægger opgaver smartere. En junior kan få en tydelig delopgave i et projekt, mens en senior får ansvar for designreview. Begge lærer, og leverancen bliver bedre.

Her bruger HR en enkel prioriteringslogik, som ledere faktisk vil bruge i hverdagen:

1. Hvilke gaps har direkte effekt på strategiske mål?
2. Hvilke gaps kan lukkes med intern mobilitet eller opgavejustering?
3. Hvilke gaps kræver målrettet læring med dokumentation?

Det giver en plan, der både respekterer økonomi og tempo.

Hvor Nordisk Business Academy passer ind i en sådan case

Når en organisation vil arbejde med kompetencegap-analyse med AI, opstår der næsten altid to behov samtidig: metode og modenhed. Man skal kunne designe et kompetenceframework, vælge data med omtanke, stille de rigtige spørgsmål til værktøjerne og træne ledere i at bruge output klogt.

Nordisk Business Academy arbejder netop med praksisnære, AI-integrerede kompetenceforløb med certificering, og mange bruger den type læring som fundament, før de skalerer en HR-analytisk løsning. Det kan være ledertræning i generativ AI, opkvalificering af HR i governance og datatænkning eller forløb, der hjælper fagteams med at bruge AI som arbejdsredskab, så “ansvarligt, så” kompetence også bliver til adfærd i hverdagen.

Det skaber et fælles udgangspunkt: Ikke kun hvad AI kan, men hvordan man bruger den ansvarligt, så kompetencekortet bliver et redskab for udvikling, ikke en kontrolmekanisme.

Et sidste praktisk greb: Design outputtet til samtalen, ikke til rapporten

Et kompetenceheatmap kan se flot ud og stadig være værdiløst, hvis det ikke ændrer adfærd. I casen vinder HR opbakning ved at gøre output handlingsnært: Hvad skal teamet gøre de næste 30 dage, og hvem hjælper hvem?

Når det lykkes, bliver kompetencegap-analyse med AI mindre et analyseprojekt og mere en rytme. En måde at holde organisationen skarp, lærende og klar til de opgaver, der allerede er på vej.