1. Contenidos generados con IA.
2. Comentarios constructivos personalizados y minisesiones de coaching.
3. Encuestas, datos y conversaciones reflexivas.

1. Contenidos generados con IA

Comencemos por la generación de contenidos de aprendizaje multimodales. Estamos analizando cómo se puede usar la IA para generar contenidos o para aprovechar documentos o archivos SCORM (sigla en inglés de “modelo de referencia para objetos de contenido compartible”) como punto de partida. Estos se pueden transformar rápidamente en materiales de aprendizaje de cualquier longitud o formato. A su vez, el resultado se puede modificar y convertir en texto, imágenes, gráficos y videos (o incluso diapositivas).

Este es un método simple para que los contenidos de aprendizaje útiles sean siempre interesantes y diversos y mantengan su vigencia. Planeamos ponerlo en marcha a principios de 2026.

2. Comentarios constructivos personalizados y minisesiones de coaching

Degreed Maestro no es un simple chat con IA. Se pensó para ofrecer experiencias de aprendizaje integrales y trascendentes. Para lograrlo, estamos probando experiencias de IA de varios pasos y en distintos formatos (es decir, comentarios constructivos personalizados y minisesiones de coaching) para darles a los aprendices la oportunidad de mejorar.

Por ejemplo, si un empleado ensaya una llamada de ventas, Maestro lo puede calificar con una puntuación y opinar sobre su desempeño: señalar qué hizo bien y qué aspectos hace falta pulir. También le puede ofrecer una minisesión de coaching o la posibilidad de reproducir la charla y practicar las cuestiones particulares en las que debe trabajar. 

3. Encuestas, datos y conversaciones reflexivas

Otra novedad que nos entusiasma mucho es una nueva forma de usar Maestro para charlar reflexionando en un mano a mano con la IA. Estos encuentros pueden incentivar el aprendizaje y la comprensión y, al mismo tiempo, permiten obtener datos estadísticos valiosos. 

A diferencia de las encuestas formales, que cansan y se responden de manera apresurada e incompleta, Maestro puede incluir preguntas inteligentes en las conversaciones cotidianas o extraer estadísticas de charlas anteriores sin que se necesiten más intervenciones. En ese contexto, el personal suele expresarse con más soltura y profundidad que en las encuestas tradicionales, sobre todo si sabe que sus respuestas son confidenciales. 

Por ejemplo, en una conversación breve con Maestro les preguntamos a los empleados cómo usan la IA en su rol. Maestro recabó las respuestas y generó un tablero sincronizado para combinar los resultados. Partiendo de esa base, hasta teníamos la oportunidad de chatear sobre los datos para analizar futuras tendencias. 

Con este abordaje, es fácil contar con una noción básica de las habilidades, necesidades y experiencias de cada empleado y, luego, adaptar los programas de aprendizaje en función de eso. Las repercusiones de las iniciativas se cuantifican al instante y, con eso, se pueden elaborar estadísticas exhaustivas y sustanciosas que no estaban a nuestro alcance con los métodos tradicionales. Se trata de análisis en simultáneo que antes eran imposibles. 

Mantente al día

Imagina todo lo que podrías lograr si tuvieras ese grado de claridad sobre tus empleados, lo que necesitan y los resultados de tus programas de aprendizaje. Nos encantaría conocer tu opinión mientras seguimos investigando. Sígueme en LinkedIn o suscríbete al boletín del laboratorio de experimentos de IA para no perderte ninguna novedad.

The post Contenidos generados con IA, coaching y datos interactivos appeared first on Degreed.

La IA de voz no es la más adecuada para estos casos:

• Cuando se necesita un alto grado de fidelidad para precisar o ingresar información compleja.
• Cuando las referencias visuales son fundamentales.
• Cuando se necesita tiempo y espacio para resolver problemas con detenimiento.
• Cuando las tareas incluyen aspectos no verbales, por ejemplo si hay que programar o usar la interfaz de un software.

Ante esta cuestión, surgió un interrogante: ¿sería posible aprovechar lo más útil de la voz (su interactividad y adaptabilidad) y aplicarlo a contextos sin voz?

Nuestro experimento más reciente: ejercicios de aprendizaje adaptable

La respuesta se convirtió en un abordaje innovador del “aprendizaje práctico”. El concepto es simple: empezar con un objetivo de aprendizaje que se divide en requisitos o logros progresivos.

De ahí en más, la IA genera microtareas, una a la vez, para guiar la comprensión y la práctica. Proporciona comentarios inmediatos y personalizados después de cada intento, y la siguiente tarea se adapta de forma dinámica según los avances y el grado de asimilación. 

Primeras impresiones

• “Me pareció muy intuitivo. Me gustó que me pidió que hiciera algo después de cada explicación y descripción de las tareas”. 
• “En general, funciona muy bien. Los comentarios que hizo sobre mis respuestas me sirvieron”.

La diversificación de las modalidades 

Era esencial que la interacción fuera práctica. Empezamos con recuadros para ingresar texto en distintas tareas y, después, agregamos un editor de código para usos más técnicos.

Más tarde, integramos grabaciones de la cámara web y de la pantalla. En particular, las grabaciones de la pantalla resultaron muy valiosas porque los usuarios que participaron en este experimento pudieron demostrar sus capacidades directamente en el contexto de su trabajo o de usos específicos. 

Primeras impresiones

• “Me gustó que no solo me pidió que escribiera, sino que también me grabara hablando. De esa forma, pude afianzar lo aprendido. Me pareció muy bueno”. 
• “Sin duda, fue una experiencia interactiva y entretenida”.

Por último, agregamos preguntas de opción múltiple porque pedir respuestas escritas todo el tiempo puede ser agotador. Estas preguntas son un método más llevadero para confirmar que se entendió lo aprendido.

Con esta diversa gama de modalidades, la IA puede elegir el formato más adecuado para cada tarea y secuenciar las opciones de forma progresiva a fin de regular la carga cognitiva. En la práctica, por lo general se empieza con preguntas de opción múltiple para constatar la comprensión de los conceptos básicos, se continúa con preguntas abiertas o consignas que requieren la programación de código para los usos prácticos y se concluye con grabaciones de la cámara web o de la pantalla para verificar el dominio del tema.

Personalizar la enseñanza

Una de las principales dificultades fue encontrar el punto justo de apoyo en el proceso de enseñanza: debía ser suficiente como para evitar la frustración de los usuarios, pero no excesivo, de modo que los usuarios no perdieran el interés. Nuestra solución actual consiste en varias opciones de configuración:

• Pistas: Se pueden pedir cuando uno lo desee.
• Preguntas y respuestas potenciadas por IA: Para aclarar dudas en el momento.
• Profundidad de la enseñanza: Se puede elegir entre ninguna, básica o profunda.

En cada tarea, también incluimos el ícono de un conejo en una madriguera. Al pulsar este ícono, los usuarios que participaron en este experimento podían recurrir a materiales de aprendizaje específicos para contextualizar la información o recibir explicaciones detalladas si es que lo necesitaban. 

Amoldarse a cada aprendiz 

Es bastante complicado lograr que una experiencia de aprendizaje sea verdaderamente adaptable. Si era demasiado abierta, los usuarios no sabían bien cuánto tiempo o esfuerzo les iba a demandar. Optamos por una estructura inicial combinada con una guía adaptable y verificamos que los avances siempre fueran visibles.

Otra dificultad fue comparar los avances con los requisitos, sobre todo si se necesitaban varios intentos para alcanzar el dominio de un tema completando una cantidad indeterminada de tareas. Para lograr que la adaptabilidad resultara atinada, hubo que repetir el proceso muchas veces. El sistema tenía que bajar el nivel de dificultad cuando el aprendiz se trababa, dividir las tareas en unidades razonables, partir de los conocimientos previos y verificar que los ejercicios coincidieran con los ejemplos y las instrucciones sin hacerlos demasiado fáciles.

Del prototipo a lo que vendrá: el proceso continúa

Este experimento seguirá evolucionando gracias a la opinión de más de 50 usuarios (¡les agradecemos mucho!). Prevemos que los administradores y los gestores de contenidos definirán objetivos de aprendizaje, integrarán estas experiencias adaptables a itinerarios más amplios y aprovecharán los informes y las perspectivas, que son de suma utilidad. Según las primeras opiniones, una de las principales medidas para lograr esto será garantizar la posibilidad de cargar documentos o materiales de capacitación para generar y personalizar de forma automática los requisitos de aprendizaje, partiendo de los conocimientos específicos de las empresas y la labor particular de sus empleados. 

Como dijo uno de los usuarios: “Es una herramienta excelente. Me permitió ver cómo las empresas pueden adoptarla e integrarla a sus conocimientos exclusivos para crear asistentes en línea que funcionen en tiempo real”.

En última instancia, este experimento resultó ser una herramienta de aprendizaje increíblemente flexible, entretenida y eficaz. Su capacidad para hacer comentarios personalizados al instante sin aumentar la carga administrativa tiene un valor incalculable. Con la progresión adaptable potenciada por IA, el grado de dificultad siempre parece atinado, y la opción de profundizar la enseñanza les da a los aprendices la posibilidad de personalizar la ayuda que reciben. 

Primeras impresiones

• “Para quienes quieren aprender mientras trabajan y necesitan entender algo con rapidez, sin duda es muy útil”.
  

¿Cómo será el futuro del aprendizaje adaptable?

Desde luego, el éxito de este prototipo ha dado lugar a nuevas posibilidades e hipótesis interesantes para el futuro, por ejemplo:

• Evaluaciones adaptables: La reinvención de nuestro modo de cuantificar las habilidades y los conocimientos.
• Ayuda y motivación para el aprendizaje adaptable: Aparte de adaptar la enseñanza y las tareas, vislumbramos que se podrá personalizar el modo de ayudar y motivar a los aprendices a lo largo de su experiencia.
• Procesos de trabajo adaptables: En lugar de grabaciones de la pantalla, que contienen datos confidenciales, ¿la IA puede generar videos sintéticos de los procesos de trabajo y optimizarlos para practicar sin poner en riesgo datos reales? 

Participa

Si te interesa experimentar con este prototipo, puedes hacer esto:

• Envíale un mensaje a Taylor Blake por LinkedIn
• Suscríbete a nuestra lista de correo sobre experimentos
• Sigue a Degreed en LinkedIn

The post Experimentos de Degreed: cómo aprovechar el potencial del aprendizaje práctico y adaptable appeared first on Degreed.

A ver, te cuento. Escribí todo este blog sobre un coach ejecutivo de IA con el que estuvimos experimentando y pensé: “Cualquiera que lea esto seguramente lo va a querer probar antes”.

¡No te lo pierdas! No es perfecto, pero es bastante entretenido. (Tenemos que pagar por el uso de tókenes, así que no te quedes charlando toda la noche). Vamos a dejar las suscripciones abiertas unos días.

Cuando termines de charlar, regresa y lee el resto del artículo. Y ahí volveremos a nuestra programación habitual:

Sí, los robots hablan.

OpenAI anunció el 13 de mayo que, en las próximas semanas, lanzará un nuevo modo conversacional.

Con la generalización de estas funcionalidades mejoradas, hablar con la IA se transformará en nuestra manera habitual de interactuar con la tecnología. ¿Y qué significa esto para el aprendizaje y desarrollo? ¿Cómo llegamos hasta aquí? A fin de cuentas, los asistentes de voz no son ninguna novedad. ¿Por qué tanto alboroto?

Hicimos algunos experimentos para averiguarlo y, entre tanto, recabamos la opinión de varios profesionales de Aprendizaje y Desarrollo. Acompáñanos a ver los resultados y sus consecuencias. Todo parece indicar cada vez más que la IA conversacional afectará en gran medida algunos aspectos clave del aprendizaje y desarrollo.

Primero, un breve resumen tecnológico

Los asistentes de voz, como Siri de Apple y Alexa de Amazon, ya existen desde hace bastante. Usan procesamiento del lenguaje natural (o NLP, por su sigla en inglés) para recibir solicitudes y asociarlas con respuestas predeterminadas. O sea, sirven para consultar cómo va a estar el tiempo; pero por otra parte, como observó en 2023 el director ejecutivo de Microsoft, Satya Nadella, son “muy tontos”. No tienen las capacidades dinámicas ni generativas de los grandes modelos de lenguaje (o LLM, por su sigla en inglés) como el que usa ChatGPT.

ChatGPT cambió las reglas del juego. En 2022, se presentó Whisper como complemento para ChatGPT-3.5 y les dio a los usuarios la posibilidad de convertir audio en texto. De esta manera, los usuarios empezaron a hablarle a ChatGPT, que luego podía leer las respuestas si hacían clic en un botón. Se agregó la funcionalidad de audio y voz, pero a la tecnología todavía le faltaba la capacidad de interrumpir, ser interrumpida o mantener una conversación real sin la instrucción estricta de turnarse.

Con los LLM, las empresas emergentes más nuevas permiten interacciones más conversacionales. Incorporaron la posibilidad de detectar de forma automática los turnos de diálogo, de modo que haya interrupciones y ambas partes puedan hablar libremente. Además, agregaron simpáticas interjecciones (como “ajá”) que se oyen mientras la IA escucha. También analizaron expresiones vocales. En estas experiencias hubo un poco de latencia, ya que ineludiblemente es un proceso de varios pasos. Un LLM, como ChatGPT-4, genera una respuesta y luego un agente de voz (otra tecnología) la dice en voz alta.

Este mes, OpenAI anunció que ChatGPT-4o, la versión más reciente de su chatbot de IA generativa, será capaz de entender y dar respuestas como si estuviera en una conversación. Es decir, no habrá más un agente de voz que lea las respuestas del LLM, el cual hablará por sí mismo. Si le dijéramos a la IA que “hable más lento” o “haga de cuenta que es un personaje”, lo hará. Además, tendrá más expresividad vocal natural y comprenderá las expresiones vocales de los usuarios. Como todo estará incorporado en el mismo sistema, será más rápido que cualquier innovación anterior.

Hasta la fecha, solo hay un modelo de GPT-4o de texto. Las funcionalidades de voz más avanzadas (entre ellas, una controvertida voz muy parecida a la de Scarlett Johansson) no se lanzaron hasta el momento de esta publicación. Por eso, hoy, en este preciso instante, puedes hablar con GPT-4o, que es rápido, pero tienes que avisarle al sistema si quieres interrumpirlo (porque todavía usa la tecnología anterior de voz y lectura). Puedes consultar más detalles de la versión disponible actualmente.

Si inicias sesión hoy, seguramente veas una pantalla similar a esta cuando inicies el modo de voz en ChatGPT:

¡Uf, cuánta información! Hablemos de qué repercusiones puede tener todo esto para Aprendizaje y Desarrollo cuando se abran las compuertas.

Nuestra hipótesis: interacciones más rápidas y auténticas para practicar y reflexionar

Ya habíamos analizado el uso de situaciones por chat (con escritura) como método de práctica y dramatización. Al principio, estas interacciones eran divertidas, pero el esfuerzo necesario para que parecieran reales (cuando los usuarios sabían que se trataba de una IA) era difícil de sostener. Además, era raro representar por chat situaciones que normalmente se dan en conversaciones orales (como una llamada).

Queríamos agregar funcionalidades de voz para ver si la situación podía parecer más real, de modo que resultara más fácil interactuar.

Primer experimento: coach de IA

Usamos GPT-4 Turbo como LLM y le agregamos una capa conversacional. Luego, le indicamos a la asistente que actuara como coach ejecutiva. De acuerdo con investigaciones anteriores, GPT-4 es el modelo más eficaz para dramatizaciones (teniendo en cuenta una evaluación limitada de otros modelos).

En este video, registré mi primera experiencia con esta combinación:

Como verás, hay un poco de latencia, pero la capacidad conversacional es asombrosa. Al que más le cuesta enhebrar las palabras es a mí.

Compartí el enlace para que mis colegas de Aprendizaje y Desarrollo probaran la coach de IA y me dieran su opinión.

En general, las apreciaciones fueron positivas:

• “Natural”.
• “¡Guau!”.
• “¡Increíble!”.
• “Realista”.
• “Fluido”.
• “Me imagino usándola a diario”.  
• Después está la reacción de mi esposa: “La verdad, da un poquito de miedo”.

Comentarios sobre la interacción mediante voz:

• La fluidez de la conversación es muy buena y la más parecida a la humana hasta ahora.
• La voz es útil para reflexionar. La gente es menos autocrítica con la voz porque es lineal (no se puede volver atrás ni hacer correcciones) y no ve el registro de lo que dice. Hablar es más rápido y requiere menos esfuerzo.
• Cuando se le pidió a la coach que hablara más lento (para tratar de tomar nota de las recomendaciones), no pudo.
• Los usuarios sabían que era una IA, pero con el tiempo iban perdiendo la noción.
• El tono y las inflexiones eran buenas y coloquiales.
• La latencia se notaba, pero según dijeron, no era demasiada.

Comentarios sobre la utilidad de la coach de IA:

• La coach sugirió ideas y recomendaciones útiles.
• Dio lugar a reflexiones reales porque hace buenas preguntas.
• A los usuarios les pareció que el abordaje y la metodología eran eficaces.
• La coach suele repetir lo que dijo el usuario (detalle que se consideró tanto positivo como negativo).
• Sugirió una dramatización para poner en práctica la recomendación, lo que resultó oportuno, pero la dramatización en sí fue un poco torpe.

Comentarios sobre la interfaz para los usuarios:

• Hace falta alguna función para tomar nota de las recomendaciones (se mencionó varias veces).
• No era muy evidente cómo había que iniciar la conversación.
• Quizás sería conveniente que haya un avatar (para sentir que uno habla con alguien).
• Hace falta una función para hacer una pausa (para reflexionar o simplemente hacer otra cosa).
• Debería indicar cuánto va a durar la experiencia.
• Sería útil ver una transcripción, un resumen, las medidas para tomar o los recursos para consultarlos en otro momento.

Segundo experimento: dramatización de IA con comprensión de expresiones

En este experimento, queríamos ver si la comprensión de las expresiones y las interacciones con la IA parecían naturales. Experimentamos con una dramatización en la que ayudamos a un cliente enojado a resolver un problema con el servicio de atención.

Aquí te dejo un pequeño fragmento:

Todavía no recibimos muchas opiniones sobre esta experiencia, pero estas son mis primeras impresiones. La dramatización resultó eficaz porque logró hacerme sentir incómodo. Fue difícil y estresante. Sentí cierto grado de “autenticidad” al escuchar la voz angustiosa de otra persona.

Pero como sabía que era una simple dramatización, era consciente de que podía dejarla en cuanto me sintiera trabado o incómodo. Necesitaría algún tipo de obligación de rendir cuentas o evaluación para perseverar. Por otra parte, aprendí que no tengo madera para trabajar en atención al cliente.

Le pedí a uno de nuestros líderes de Ventas que probara esta interacción y dijo que habló 15 minutos con el cliente de IA hasta llegar a una buena resolución. (Hubo que cambiar de táctica a mitad de camino). Según él, sentía que tenía que resolver el problema para poder “ganar”. En fin, los vendedores tienen una forma de ser peculiar.

También probamos una interacción de coaching con una IA que comprende expresiones para ver si podía detectar mi emoción sin depender del contenido de mis palabras. Si bien me impresionó que captara mi actitud (aunque no se reflejara en mis palabras), no me convenció. Tal vez porque yo estaba compenetrado con la prueba, me resultó artificial que la IA actuara como si entendiera mis sentimientos. Además, no logró detectar cuándo entrar en la conversación e interrumpió constantemente mis divagaciones de descontento.

Conclusión: el análisis de expresiones seguramente sea más útil para las interacciones reales entre humanos.

Tercer experimento: más velocidad con GPT-4o

Cuando surgió el modo de texto con GPT-4o, decidimos volver a probar la coach de IA que habíamos creado para el primer experimento. Según lo publicitado, el modo de texto es un 50 % más rápido que GPT-4 Turbo, así que nos pareció una excelente manera de ver si podíamos bajar la latencia.

La inclusión de GPT-4o en la coach de IA redujo un poco la latencia, como puedes ver aquí:

Conclusión: con GPT-4o, la latencia de nuestra aplicación de coach con IA se redujo de un promedio de 3,6 segundos a 2,2 segundos, por lo que la conversación fue mucho más natural.

De cara al futuro

No terminamos de experimentar con la voz. Implementaremos algunas de las sugerencias que ya recibimos de los colegas de Aprendizaje y Desarrollo para la coach de IA (como la inclusión de transcripciones, el resumen de las medidas para tomar, una mejor interfaz para los usuarios, análisis y opciones de comentarios).

Seguiremos evaluando los LLM más recientes. También investigaremos el uso de voz para otros casos (tal vez algo para usar en equipos móviles, algo con lo que se interactúe en reuniones o que ayude a hacer tareas administrativas).

Aquí te dejo un ejemplo de las transcripciones en tiempo real:

Aportes para Aprendizaje y Desarrollo

A medida que surgen más avances en la tecnología de consumo, aumenta la presión para las experiencias que debe brindar el personal de Aprendizaje y Desarrollo. Teniendo esto en cuenta, ¿qué consecuencias tiene el advenimiento de la IA de voz conversacional para los profesionales de Aprendizaje y Desarrollo?

• La IA de voz no sirve para todo, pero parece adaptarse bien a ciertos casos de uso (como el desarrollo de habilidades). Descubre cuáles son esos casos para tu público destinatario y encuentra soluciones acertadas.
• La IA de voz permitirá que Aprendizaje y Desarrollo llegue a un público más amplio con mejores experiencias a un precio menor, pero es probable que eso también aumente el costo de las interacciones reales entre seres humanos.
• Desde luego, para que un coaching resulte eficaz, se necesita mucho más que lo observado en nuestro experimento. No obstante, creemos que las interacciones de IA son un excelente complemento para los programas de aprendizaje.
• GPT-4o podrá encargarse de la mayoría de las tareas pesadas, pero el área de Aprendizaje y Desarrollo seguramente necesitará un proveedor que le brinde informes y análisis, además de conexiones con procesos de trabajo complementarios. 

Si quieres hablar sobre IA conversacional, envíame un mensaje a tblake@degreed.com. 

¡Gracias por experimentar con nosotros!

The post IA de voz conversacional para Aprendizaje y Desarrollo: coaching, dramatizaciones y más 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.