1. Geração de conteúdos por IA
2. Feedback personalizado e pílulas de coaching
3. Pesquisas, dados e conversas para discutir lições aprendidas

1. Conteúdos gerados por IA

Vamos começar pela geração de conteúdos educativos em diferentes formatos. Estamos explorando maneiras que podem ajudar você a usar a IA para gerar conteúdos do zero ou a partir de documentações internas ou arquivos SCORM (“Shareable Content Object Reference Model”, ou modelo de referência para objetos de conteúdo compartilháveis, um padrão internacional de desenvolvimento e apresentação de conteúdos educativos). A partir daí, é possível transformá-los rapidamente em recursos educativos de qualquer tamanho ou formato, com a opção de editar os conteúdos produzidos e incluir textos, imagens, gráficos, vídeos e até slides.

Trata-se de um jeito fácil de manter bons conteúdos interessantes, diversificados e sempre relevantes. Pretendemos lançar esse recurso no início de 2026.

2. Feedback personalizado e pílulas de coaching

O Degreed Maestro oferece muito mais do que conversas com a IA, pois seu objetivo é proporcionar experiências de aprendizagem versáteis e de alto impacto. Para isso, estamos testando experiências com IA compostas por várias etapas: combinamos diversos formatos para oferecer ao aprendiz oportunidades de melhoria, como feedback personalizado ou pílulas de coaching.

Por exemplo, após praticar uma chamada de vendas com o Maestro, a ferramenta apresentaria uma pontuação e feedbacks, mostrando onde me saí bem e onde preciso melhorar. Ela também me ofereceria pílulas de coaching ou a chance de praticar novamente pontos específicos que poderiam alavancar o meu desempenho. 

3. Pesquisas, dados e conversas para discutir lições aprendidas

Também estamos muito animados com uma nova maneira de usar o Maestro por meio de diálogos naturais com a IA, com o intuito de discutir lições aprendidas. Essas interações podem estimular a aprendizagem e a reflexão, trazendo à tona insights interessantes ao longo do processo. 

Em vez da aplicação de pesquisas formais, que costumam ser cansativas e coletam respostas vagas e apressadas, o Maestro pode introduzir perguntas perspicazes em conversas do dia a dia ou extrair insights de interações anteriores sem demandar nenhum trabalho extra. Afinal, em situações mais descontraídas, as pessoas tendem a ter uma comunicação mais aberta e mais profunda do que diante de um questionário tradicional, especialmente quando sabem que suas respostas podem permanecer em sigilo. 

Em um dos nossos experimentos, utilizamos um diálogo rápido com o Maestro para perguntar a colaboradores como eles estão aplicando a IA em suas funções. O Maestro coletou as respostas e criou um dashboard atualizado em tempo real para consolidar os resultados. A partir daí, conseguimos até conversar mais um pouco com ele para nos aprofundarmos nos dados e identificar mais tendências. 

Com esse processo, fica simples estabelecer um referencial que ajude a compreender as habilidades, necessidades e experiências de um determinado colaborador para, então, adaptar a aprendizagem para necessidades específicas dele. A mensuração do impacto disponibilizada posteriormente revela insights riquíssimos e muito profundos, que não seriam possíveis se utilizássemos os métodos tradicionais de análise. Em outras palavras, estamos possibilitando uma compreensão em tempo real de dados que antes ficavam invisíveis. 

Fique por dentro

Imagine o que você poderia fazer com esse grau de visibilidade sobre os colaboradores, as necessidades deles e o impacto dos programas de aprendizagem da sua empresa. Seria ótimo ter o seu feedback enquanto exploramos todas essas possibilidades. Por isso, convido você a me seguir no LinkedIn ou a assinar a newsletter do nosso laboratório para experimentos com IA para ficar por dentro dos nossos últimos testes.

The post Geração de conteúdos por IA, coaching e dados interativos appeared first on Degreed.

As IAs de voz deixam a desejar quando:

• É preciso ter um alto grau de fidelidade na criação ou apresentação de informações complexas.
• Referências visuais são importantes.
• É preciso ter tempo e espaço para elaborar mais a fundo o processo de solução de problemas.
• As tarefas não envolvem a fala, como formulação de código ou navegação pela interface de um software.

Isso suscita uma questão crucial: é possível aproveitar as melhores características da fala — ou seja, a interatividade e adaptabilidade — e aplicá-las a contextos que não a envolvem?

Exercícios de aprendizagem adaptativa, o mais novo experimento da Degreed

Nossa resposta se transformou em uma abordagem inovadora à ideia de “aprender com a prática”. O conceito é simples: inicia-se com um objetivo de aprendizagem, que é dividido em exigências ou marcos progressivos.

A partir disso, a IA gera microtarefas, uma por vez, para orientar a compreensão e a prática. O aprendiz recebe, então, feedback personalizado imediato após cada tentativa, de modo que a tarefa seguinte é dinamicamente ajustada conforme o progresso e a compreensão apresentada. 

Feedback dos usuários de teste

• “Achei intuitivo. Gostei da forma como o processo me levou a fazer algo após cada explicação e descrição da tarefa.” 
• “Em geral, foi um processo tranquilo. O feedback em relação às respostas que dei me ajudou.”

Diversificação das modalidades

As interações práticas foram fundamentais. Começamos com interações por texto para diversas tarefas e expandimos para viabilizar um editor de código para aplicações mais técnicas.

Depois, integramos a gravação de webcam e de tela, que se mostraram particularmente inestimáveis por possibilitar que os usuários de teste demonstrassem suas habilidades diretamente no contexto do dia a dia de trabalho ou em aplicações específicas. 

Feedback dos usuários de teste

• “Eu gostei de gravar minha voz, além de digitar. Eu reforcei o que aprendi. Para mim, esses dois pontos são muito bons.” 
• “Tudo foi bem interativo e interessante.”

Por fim, acrescentamos perguntas de múltipla escolha. Afinal, pedir para os aprendizes digitarem o tempo todo pode deixar a experiência cansativa. Essas perguntas oferecem um jeito mais leve de confirmar que os conhecimentos foram compreendidos.

Com essa diversidade de modalidades, a IA pode selecionar o formato mais adequado para cada tarefa, sequenciando-as progressivamente e gerenciando a carga cognitiva de maneira eficaz. Na prática, o processo normalmente começa com perguntas de múltipla escolha para confirmar os conhecimentos básicos, avança para perguntas abertas ou formulação de código para proporcionar a aplicação prática e se encerra com uma gravação da webcam ou da tela para demonstrar domínio dos conhecimentos aprendidos.

Criação de instruções personalizadas

Foi especialmente desafiador encontrar o ponto ideal do suporte instrucional: suficiente para evitar frustrações, mas sem exageros para evitar distrações. Nossa solução atual envolve diversas opções de configuração:

• Dicas: disponíveis conforme a necessidade.
• Tira-dúvidas com IA: para esclarecimentos em tempo real.
• Nível de aprofundamento: personalizável como nenhum, básico ou profundo.

Também incluímos o ícone da “toca do coelho” em cada tarefa, que permite aos usuários de teste se aprofundarem em recursos educativos específicos para ter mais contexto ou explicação, caso precisem. 

Nuances

Por si só, a missão de trazer adaptabilidade para esse processo já traz alguns desafios. Se o processo for aberto demais, os aprendizes ficam sem expectativas claras quanto ao prazo ou ao esforço que se exige deles. Optamos por uma estrutura inicial combinada com uma rota que se adapta, garantindo sempre a visibilidade do progresso.

A mensuração do progresso dentro da régua das demandas foi outra dificuldade, especialmente quando o domínio pode exigir diversas tentativas ao longo de uma quantidade desconhecida de tarefas. Foram necessárias diversas baterias de testes para chegarmos à sensação do que é ideal para a adaptabilidade. O sistema precisou facilitar as coisas diante de dificuldades reiteradas dos aprendizes, repartir as tarefas em volumes mais palatáveis, se basear em conhecimentos prévios e se alinhar a exemplos e instruções sem acabar totalmente com o desafio.

Próximos passos após o protótipo: a jornada continua

Este experimento continuará evoluindo graças ao feedback de mais de 50 usuários de teste (nosso agradecimento a todos vocês!). Nossa expectativa é de que administradores e curadores possam traçar objetivos de aprendizagem, integrar experiências adaptativas a trilhas mais abrangentes e usufruir de estatísticas e relatórios robustos. De acordo com os primeiros feedbacks que recebemos, um componente essencial desse experimento será a capacidade de fazer o upload de documentações ou materiais de treinamentos existentes para automatizar a geração e a personalização dos requisitos de aprendizagem, possibilitando o aproveitamento dos conhecimentos exclusivos da organização e o trabalho dos colaboradores. 

Segundo um dos nossos usuários de teste: “A ferramenta é ótima. Ela abriu os meus olhos para como as empresas podem adotá-la para aproveitar conhecimentos proprietários como um apoio no dia a dia… É um assistente online que vai nos ajudar em tempo real”.

Por fim, esse experimento mostrou ser uma ferramenta de aprendizagem excepcionalmente flexível, envolvente e eficaz. Sua capacidade de apresentar feedbacks personalizados e imediatos sem aumentar a carga de trabalho administrativo não tem preço. A progressão adaptativa orientada pela IA garante que a dificuldade esteja sempre no nível ideal, enquanto o aprofundamento opcional dá autonomia para que os aprendizes personalizem o apoio conforme considerarem necessário. 

Feedback dos usuários de teste

• “Para quem quer aprender na prática ou tem pouco tempo para aprender algo, é uma ferramenta fantástica.”
  

O que está por vir no campo da aprendizagem adaptativa?

O sucesso desse protótipo revelou novas possibilidades animadoras para o futuro, tais como:

• Avaliações adaptativas: repense a forma de mensurar habilidades e conhecimentos.
• Adaptabilidade do suporte e dos recursos motivacionais na aprendizagem: indo além da adaptação de tarefas e recursos instrucionais, vislumbramos a personalização da maneira como prestamos apoio e motivamos aprendizes ao longo de suas jornadas.
• Fluxos adaptativos: em vez de gravar telas, que podem conter dados sensíveis, será que a IA é capaz de imitar fluxos e otimizá-los para fins de prática sem colocar dados reais em risco? Fica aqui o questionamento. 

Participe

Para experimentar esse protótipo em primeira mão:

• Envie uma mensagem para Taylor Blake no LinkedIn
• Cadastre-se na lista de e-mails dos Experimentos da Degreed
• Siga a Degreed no LinkedIn

The post Experimentos da Degreed: aproveite os benefícios da aprendizagem prática e adaptativa appeared first on Degreed.

Antes de começar a ler, tenho um anúncio importante a fazer: eu escrevi todo este post sobre o nosso coach executivo experimental com IA e pensei: “Quem estiver lendo isto aqui provavelmente vai querer fazer seus próprios testes primeiro”.

Confira nosso protótipo de coach aqui! Ele não é perfeito, mas é bem divertido. Outra coisa: nós arcamos com os custos dos créditos da IA, então, por favor, evite papos longos. Nosso experimento ficará disponível por alguns dias.

Quando terminar, volte aqui para continuar a leitura. E, agora, voltamos à nossa programação normal.

Sim, agora os robôs também falam.

A OpenAI anunciou no dia 13 de maio que lançará um novo modo conversacional nas próximas semanas.

Com a onipresença desses recursos mais avançados, o uso da voz se tornará algo comum em nossas interações com a tecnologia. Mas qual será o impacto disso no T&D? Como chegamos a esse ponto? Assistentes de voz já fazem parte do nosso dia a dia, então, qual é a novidade?

Fizemos alguns experimentos para descobrir tudo isso e, nesse processo, coletamos opiniões de profissionais de T&D. Confira a seguir os resultados e as implicações deles. A cada dia que passa, fica mais clara a probabilidade de a IA conversacional afetar significativamente alguns aspectos fundamentais do T&D.

Primeiro, um resumão sobre a tecnologia

Assistentes de voz, como a Siri da Apple e a Alexa da Amazon, já fazem parte do nosso dia a dia há algum tempo. Esses recursos usam processamento de linguagem natural (PLN) para captar uma solicitação e correlacioná-la a respostas prontas. Ou seja, eles são úteis para conferir a meteorologia, mas, como Satya Nadella, CEO da Microsoft, disse em 2023, “são burros como uma porta”. Esses recursos não têm as capacidades dinâmicas ou generativas de um modelo de linguagem de grande escala (LLM, na sigla em inglês) como o que é utilizado pelo ChatGPT.

O ChatGPT foi um divisor de águas. Em 2022, o Whisper foi lançado como um complemento do ChatGPT-3.5, dando aos usuários a capacidade de converter áudio em texto. A partir daí, os usuários começaram a falar com o ChatGPT, que, em seguida, podia ler suas respostas ao clique de um botão. Passou a ser possível utilizar áudio e voz, mas a tecnologia ainda não conseguia interromper o usuário, ser interrompida nem ter um diálogo real sem instruções rigorosas de interlocução.

Startups mais novas conseguiram viabilizar interações mais conversacionais com base em LLMs. Elas conseguiram detectar automaticamente situações de interlocução, permitindo interrupções e um diálogo mais solto. Também houve a adição de interjeições simpáticas, como “aham”, ditas enquanto a IA estava ouvindo. Além disso, as expressões vocais passaram a ser analisadas. Ainda havia alguma latência nessas experiências, já que elas eram, em essência, um processo de diversas etapas: um LLM como o ChatGPT-4 cria uma resposta; em seguida, um agente de voz — ou seja, uma tecnologia separada — fala a resposta.

Este mês, a OpenAI anunciou que o ChatGPT-4o, a versão mais recente do chatbot de IA generativa da empresa, terá a capacidade nativa de compreender a fala dos usuários e responder de modo conversacional. Isso quer dizer que não haverá mais um agente de voz lendo as respostas do LLM. O LLM terá a capacidade de falar. Se você disser à IA para “falar mais devagar” ou “fingir ser um personagem”, ela obedecerá. O LLM também terá expressões vocais naturais e compreenderá as expressões vocais dos usuários. Como tudo será desenvolvido no mesmo sistema, o processamento terá uma velocidade inédita.

Até a publicação deste post, já foi lançado um modelo de texto do GPT-4o, mas recursos de voz mais avançados (incluindo a voz controversa que lembra a voz da Scarlett Johansson) ainda estão por vir. Ou seja, hoje, você pode falar com o GPT-4o, que é bem rápido, mas ainda é preciso dizer ao sistema que você quer interrompê-lo, pois ele ainda está usando a tecnologia antiga de leitura em voz alta). Confira aqui o que já está disponível.

Caso se conecte ao ChatGPT hoje, você provavelmente verá uma tela semelhante a esta ao abrir o modo de voz:

Ufa! Quanta coisa. Agora, vejamos o que tudo isso pode representar para a área de T&D quando as comportas se abrirem.

Nossa hipótese: interações mais rápidas e mais autênticas para fins de prática e reflexão

Já exploramos cenários baseados em chat (por digitação) como forma de prática e dramatização. A princípio, essas interações eram divertidas, mas demandavam muito esforço para ficarem realistas, embora soubéssemos que se tratava de uma IA. Também era esquisito dramatizar situações por chat quando havia mais probabilidade de os diálogos serem orais na vida real, como em uma chamada telefônica.

Seria interessante adicionar recursos de voz para ver se o cenário ficaria mais realista e cativante.

Experimento 1: coach de IA

Usamos o GPT-4 Turbo como o LLM e adicionamos uma camada conversacional a ele. Em seguida, instruímos o assistente para agir como um coach executivo. Pesquisas indicaram que o GPT-4 é o modelo mais eficaz em dramatizações (a partir de uma avaliação limitada de outros modelos).

Este vídeo mostra a minha primeira experiência com essa combinação:

Como dá para perceber, há um pouco de latência, mas a capacidade conversacional impressiona. No vídeo, fica claro que sou eu que tenho dificuldade para formar frases.

Eu compartilhei o link desse vídeo com alguns dos meus contatos da área de T&D para ver o que eles achavam do coach de IA.

De maneira geral, o retorno foi positivo:

• “Muito natural.”
• “Uau!”
• “Fantástico!”
• “Realista.”
• “Fluido.”
• “Algo que me vejo usando no dia a dia.”
• Até que a reação da minha mulher foi: “Que loucura!”

Comentários sobre interações por voz:

• O fluxo conversacional é muito bom e bem parecido com a comunicação humana.
• A voz é boa para reflexão. A autocrítica diminui nas comunicações por voz por haver uma linearidade (não dá para voltar atrás e editar o que foi dito). Além disso, a pessoa não vê o conteúdo gerado. A comunicação pareceu ser mais veloz e exigir menos esforço.
• O coach não atendeu ao pedido para falar mais devagar (ao tentar documentar as recomendações).
• Estava claro que era IA, mas isso se tornou menos perceptível ao longo do tempo.
• O tom e as inflexões estavam bons e conversacionais.
• A latência ficou evidente, mas não foi considerada tão ruim.

Comentários sobre a utilidade do coach de IA:

• O coach ofereceu ideias e recomendações úteis.
• O coach propôs reflexões reais com perguntas interessantes.
• Os usuários acharam a abordagem e a metodologia eficazes.
• O coach tem um hábito de refletir sobre o que o usuário disse (ponto mencionado como algo positivo e negativo).
• O coach sugeriu uma dramatização para praticar a recomendação, o que foi interessante, mas a dramatização em si ficou estranha.

Comentários sobre a interface:

• Precisa de uma forma de documentar recomendações (ponto mencionado diversas vezes).
• Não ficou claro de imediato como iniciar a conversa.
• Pode ser interessante ter um avatar para passar a sensação de que estamos conversando com alguém.
• É preciso oferecer maneiras de pausar (para fins de reflexão ou só para dar um tempo).
• É preciso comunicar expectativas sobre a duração da experiência.
• Pode ser interessante ver uma transcrição, resumo, pendências ou recursos que possam ser revisitados posteriormente.

Experimento 2: dramatização com IA com compreensão expressiva

Neste experimento, nosso objetivo foi avaliar a naturalidade da compreensão expressiva e das interações com a IA. Fizemos um teste dramatizando um atendimento a um cliente aborrecido.

Confira um trecho do que fizemos:aborrecido.

Confira um trecho do que fizemos:

Ainda não recebemos muitos comentários sobre essa experiência, mas compartilho minhas primeiras impressões. A dramatização foi tão eficaz que me causou desconforto! Foi difícil, estressante. Senti um certo grau de “realidade” ao ouvir a voz aborrecida de alguém.

Mas, por ter consciência de que era apenas uma dramatização, eu sabia que poderia parar se me sentisse travado ou desconfortável. Eu precisaria de alguma responsabilização ou avaliação que me estimulasse a perseverar. Também descobri que não levo jeito para trabalhar no atendimento a clientes.

Pedi para um líder da nossa equipe comercial testar essa interação. Ele disse que conversou com o cliente de IA por 15 minutos até chegar a uma boa solução. Segundo ele, no meio da interação, foi necessário mudar de tática para resolver o problema e “vencer” a discussão. Bom, eu acho mesmo que a cabeça do pessoal de vendas funciona de um jeito totalmente diferente.

Nós também testamos uma interação de coaching com uma IA que compreende expressões, para ver se ela conseguiria detectar as minhas emoções sem se basear no conteúdo das minhas palavras. Embora tenha sido impressionante a capacidade de captar o meu sentimento (mesmo que ele não estivesse refletido no que eu dizia), eu não curti tanto assim. Talvez porque eu estivesse no meu modo teste, não percebi autenticidade no momento em que a IA agiu como se entendesse meus sentimentos. Ela também não detectou bem o momento de entrar na conversa, interrompendo várias vezes minhas lamentações.

Conclusão: provavelmente, a análise de expressões é mais útil para interações reais entre seres humanos.

Experimento 3: mais velocidade com o GPT-4o

Quando o modo de texto do GPT-4o foi lançado, resolvemos revisitar o coach de IA que criamos no Experimento 1. Foi anunciado que esse modo de texto é 50% mais rápido do que o GPT-4 Turbo, então talvez fosse uma boa maneira de reduzir a latência.

A inclusão do GPT-4o em nosso coach de IA, de fato, reduziu um pouco da latência, como dá para ver no vídeo abaixo:

Conclusão: o uso do GPT-4o reduziu a latência do nosso coach de IA de, em média, 3,6 segundos para 2,2 segundos, deixando a conversa muito mais natural.

Para o futuro

Nossos experimentos com voz ainda estão em andamento, e estamos implementando no coach de IA algumas sugestões enviadas por profissionais da área de T&D, como a disponibilização de transcrições, o resumo das pendências, melhorias na interface, análises e opções de feedback.

Continuaremos testando os LLMs mais recentes e experimentando os recursos de voz para novos casos de uso (talvez algo que possa ser usado a qualquer momento, algo com que se possa interagir durante reuniões ou algo que auxilie na execução de tarefas administrativas).

Aqui vai uma amostra de como funciona a transcrição em tempo real:

Conclusões para a área de T&D

À medida que as tecnologias de consumo ficam mais avançadas, aumenta a pressão sobre as experiências que a área de T&D cria. Pensando nisso, o que o advento da IA conversacional significa para os profissionais de T&D?

• A IA de voz não é incrível para tudo, mas parece ser adequada para alguns casos de uso, como o desenvolvimento de habilidades. Identifique quais são esses casos para o seu público e encontre as soluções mais apropriadas.
• Com a IA de voz, a área de T&D conseguirá aumentar seu alcance com experiências melhores e a um custo mais baixo, mas provavelmente também criará um bônus para interações humanas, reais.
• Com certeza, para o coaching ser eficaz, é preciso muito mais do que o nosso experimento ofereceu. Contudo, vemos as interações de IA como um ótimo complemento para os programas de aprendizagem da sua organização.
• O GPT-4o dará conta de quase todo o trabalho pesado, mas é provável que a área de T&D ainda precise de uma solução que gere relatórios, analise dados e conecte fluxos de trabalho complementares. 

Se quiser bater um papo sobre IA conversacional, fique à vontade para me escrever: tblake@degreed.com. 

Muito obrigado por embarcar nesses experimentos conosco.

The post IA conversacional para T&D: coaching, dramatizações e muito mais appeared first on Degreed.

A skill-based approach can backfire if you don’t have good skill data. Incomplete data often contributes to the overlooking of quality internal talent. Why? They simply don’t have comprehensive skill profiles.

The Experiment: Strengthening Internal Talent Mobility Using AI

We hypothesized that AI can use inference to help fill skill data gaps and broaden a search for talent.

To set up our experiment, we created skill profiles (with 12 or more skills) for six employees: Taylor, a product manager (Hey, that’s me!); Adrian, a back-end developer; Jessica, a client success manager; Anne, a sales director; Quyen, a technical support specialist; and Stephen, a data analyst.

We then used AI to build a list of required skills for a new internal data analyst opportunity.

Today, most talent systems are looking for exact skill matches to recommend employees for new opportunities. This is what the talent pool looks like when an exact skill match for the data analyst position is performed.

Basically, Stephen (who is already a data analyst) looks to be the only person remotely qualified. This result is neither surprising nor insightful. And in today’s fast moving market, companies, managers, and employees need unexpected, innovative, and flexible solutions to fill skill gaps internally. 

But, using AI, we asked the system to also highlight people who have adjacent skills. After all, just because someone doesn’t explicitly have a skill listed on a skill profile doesn’t mean that person doesn’t actually have that skill. And voila! This is what our talent pool looks like when adjacent skills (using AI inference) are considered. 

Including adjacent skills creates an 89% increase in potential skill matches. We now see that Taylor (a product manager) and Jessica (client success manager) have adjacent skills that would help them qualify for this new position. Now we’re getting the more insightful and unexpected solutions that companies, managers, and employees need. 

Let’s take it one step further. We know that skills aren’t static. Increasingly, we’ll all need to upskill to fill skill gaps. So let’s use AI inference to highlight stretch skills that someone could upskill into.

Look at all that color. Accounting for development opportunities provides an even richer talent pool, resulting in 179% more potential matches than our original analysis. Quyen (technical support specialist) was not initially on our radar for this role, but we can now see that she has a path to upskill herself.

AI inference isn’t the end-all-be-all, but it’s a good place to start.

Are there limits to this use case? Sure. Just because AI infers that someone may have a skill doesn’t make it true. But it does help broaden our search, and it doesn’t exclude potentially qualified candidates right from the get-go. And this information can lead to further analysis—through follow up conversations or skill assessments—providing hiring teams with a wealth of potential options for internal talent mobility before otherwise defaulting to an external search.

Turn the talent you have into the talent you need.

Considering how challenging it can be to hire good talent, or to develop it from scratch, there’s no reason why learning leaders shouldn’t be amplifying the internal talent they already have. And if there are still some gaps at your organization, Degreed can help to turn the talent you have into the talent you need. 

Take a look at Verizon. When COVID lockdowns began, the wireless network operator, a Degreed client, temporarily closed nearly 70% of its retail stores essentially overnight. In doing so, Verizon looked at the skills of over 20,000 workers and redeployed them to serve other critical business needs. Through training, daily on-the-job coaching, and rapid reskilling, the company avoided layoffs and met the needs of customers faster and more efficiently. 

Exness, a Degreed client and Cyprus-based fintech company, found similar success clarifying job roles by mapping skills to them, which in turn enabled the organization to embrace a focused, adaptive approach to employee development. Skill gaps are clearly identified, learning needs are proactively defined, and upskilling happens, contributing to measurable business outcomes like improved performance and innovation.

Find out more. 

Thanks for following along with our experiments! You can check them all out, and be sure to watch for new experiments coming soon. (For example, would you like to see if AI can help estimate the time and cost for any employee to upskill to a certain level? Let’s find out!)

The post Internal Talent Mobility: Using AI to Find Overlooked Skills appeared first on Degreed.

We’ve been testing and discussing these topics inside and outside of Degreed. But, we’d like to open up the conversation. 

That’s why we’re excited to announce a new initiative, Degreed Experiments. This will be a blog series (and hopefully a two-way conversation) geared toward exploring the suitability of emerging technologies for the challenges in L&D. Through hands-on prototyping, we’ll share with you what works, what doesn’t, and new questions we encounter along the way. Through it all you’ll become a more informed, and credible partner who can help your business evaluate emerging technologies and opportunities. 

Why Degreed Experiments?

We’ve been building learning products for a long time, but the way we build products is changing. With the incorporation of AI, product experiences are less predictable and deterministic. You don’t really know what an AI-powered product will be like until you can play around with it.

Combine that unpredictability with the future of work and the evolving role of L&D and we have a dynamic that requires rapid experimentation and iteration.

Now, we see all the AI chatter and don’t want to contribute to the noise. We’re determined to give you actual data and examples that can only come from trial and error.

What You Can Expect: Hands-on Prototypes

First, we’re builders. That means there will be more showing as we demo hands-on prototypes, critically evaluate the outputs, and let you judge the results for yourself.

In future posts, we’ll deep dive into emerging technology use cases like:

Upgrading Practice Scenarios from Chat to Live-speech Conversations

Our Hypothesis: Practice scenarios are a powerful way to develop skills in context. Having the option to not only practice in a chat-based scenario but also in a live conversation (like you’re really talking to someone) will make the scenario feel more real. This could be more effective for use cases like sales calls, interviewing, and executive coaching.

Skill Inference from Employee Data

Our Hypothesis: Leveraging existing employee data and activity can help you quickly identify skill strengths and gaps resulting in better data coverage, more up-to-date profiles, and should be good enough for some use cases (though not all). We also expect the details on how this is done to matter a lot.

Dynamic Taxonomies for Skills, Tasks, or Other Requirements

Our Hypothesis: Organizing skills, people, and work quickly and flexibly (versus rigid and traditional taxonomies) can speed up building learning experiences, identifying talent, and mapping career paths.

Smart, Mobile Nudges and Content Delivery

Our Hypothesis: Lots of your existing content could be reformatted into mobile-friendly nudges to better optimize engagement and retention. The micro-learning concept has been overplayed, but we think there are new ways to approach this with emerging technologies.

Identifying Internal Talent

Our Hypothesis: We need dynamic ways to match people to internal opportunities. This may include looking at someone’s skills, experience, working relationships, or other key attributes. Those doing the evaluation should be able to change the criteria used for matching as needed to find the best fit.

Building Personalized Learning Experiences

Our Hypothesis: Learning is more than content. We can design and personalize experiences that are optimized for closing performance gaps.

Side-by-side Model Evaluation

Our Hypothesis: Comparing models and methodologies side-by-side will give us the ability to identify the best fit for any use case.

Reviews of the Latest Research on Emerging Technologies

AI is advancing rapidly and chaotically. We’re going to explore the latest technical research and evaluate its impact on L&D. 

Recent and dramatic advancements in emerging technologies will open new use cases for learning and development. 

• Multimodal: Images, audio, video, and avatars will open new doors (and traps) for content creation and delivery.
• Evolution of RAG (Retrieval Augmented Generation): The ability to search, summarize, or ask questions from your own source documents are huge use cases. We’re seeing rapid advancements in RAG methodologies, longer context windows, methods for extending memory, and new architectures (beyond transformers used in models like ChatGPT) that will empower knowledge management.

• Agents: As AI models get more similar and competitive, the next frontier will be the use of agents that can perform chains of actions (including planning and evaluating the work done) using various models. This will open the door for even more automation.

• Screen vision: Researchers are exploring AI assistants that can see and act on what’s on a screen, regardless of whether any formal integration between applications exists. This could transform on-the-job training and performance support.
• Wearables: New AI-wearables are just emerging but could inspire more ways to support deskless workers.

In addition, non-obvious but important limitations exist. While these can be managed or mitigated, it’s still crucial to understand them.

• Factuality: AI models still struggle with factuality when creating long-form content and providing accurate citations.
• Long-form reasoning: While AI models do a great job at finding self-contained pieces of information, they struggle to reason across long contexts.
• Following instructions: Even the most advanced models still don’t fully follow instructions a third of the time.
• Unpredictability: Not all models are well suited to all tasks. Outputs from models change, and the models themselves are frequently updated in unpredictable ways.
• Cost: As usage scales, cost will be an important factor. Vendors will look to make tradeoffs between capabilities and cost or pass the cost onto clients.

Finally, there are more strategic implications.

• Are you prepared to help navigate career mobility when AI disrupts the viability or capacity of certain roles?
• What functionality should you get from new vendors vs. waiting for it to be incorporated into your existing applications?
• How will new regulations and audits affect which capabilities you can take advantage of?
• Which data will AI have access to, what is the data quality, and will it increase visibility to sensitive or misclassified data?
• Will there be responsibilities that AI displaces from L&D?
• What is required to build AI literacy in your organization?

See, I told you there’d be lots of questions. So, follow along and we’ll see if we can answer them together.

What’s In It For You

Hopefully, a lot. We’ll let you judge for yourself the suitability of the emerging technologies for your use cases and organization. We’ll make it easy to stay up to date with all the advancements. We’ll help you become a better partner for your business as your colleagues ask similar questions internally. And hopefully we can even have some fun along the way!

How to Get Involved

Send us ideas or questions. We’d love to hear what’s on your mind. Email tblake@degreed.com.

Volunteer to take our experiments for a test run. We’ll pick a few partners to help test and provide feedback on each prototype. Let us know which topic has piqued your interest by emailing tblake@degreed.com

Follow us on LinkedIn to catch our next posts, which will be coming soon.

Thanks, all! We’re excited to see what we learn together.

Watch an on-demand session with AI Guru, Noelle Russell, discussing the future of AI.

The post Degreed Experiments with Emerging Technologies appeared first on Degreed.