Сейчас нейросети ускоряют производство курсов: от черновиков планов занятий и сценариев до генерации изображений и иллюстраций

Но чем больше мы на них опираемся, тем важнее понимать зоны, где «можно» превращается в «нельзя» из-за рисков ухудшения качества таких курсов.

Как бы странно не звучало, но, например, на такой задаче как проектирование матрицы компетенций я бы свёл роль нейросетки к минимуму.

На примере того же корпоративного обучения 👇🏼

Во-первых, нейросеть не опирается на стратегические цели компании. Специалист по обучению или HR создают матрицу от бизнес-задач, а ИИ чаще из обобщенных данных из интернета.

Во-вторых, и одно из самых главных, компетенции описываются словами, а слова в разных командах значат разное.

В одной компании «проактивность» означает «предложил идею на совещании», а в другой — «защитил дорожную карту проекта перед топ-менеджментом».

Тут ИИ чаще пишет просто красивые формулировки из учебников по менеджменту. Но живая матрица чаще пишется на языке компании, и часто с использованием сленга или специфических терминов, понятных только внутри такой компании.

В-третьих, проектирование матрицы компетенций — это всегда сборка консенсуса. Если HR или специалист по обучению просто приносят готовую матрицу, которая создана нейросетью, команда ее просто уберет в сторону.

Потому что они должны сперва сами договориться, что значит «владеет SQL на 3-ем уровне».

Чтобы потом ответить и на вопрос: «А чему учить, чтобы был переход со 2-го уровня на 3-ий?».

Где может быть полезен ИИ?

Нейросеть может помочь расширить описание компетенций, перефразировать их, структурировать, сравнить разные уровни индикаторов и т.д. То есть помочь специалисту с редактурой и взглядом на матрицу с позиции возможных улучшений.