Publicerad
Författare
Det pratas mycket om generativ AI i HR just nu. Möjligheten att snabbt skapa innehåll, formulera mål eller sammanfatta information har redan gjort skillnad i vardagen. Men den stora förändringen kommer först när AI slutar vara ett reaktivt stöd och i stället blir en aktiv del av hur organisationen styr, följer upp och agerar kring kompetensförsörjning.
Det är här agentic AI kommer in – särskilt i skärningspunkten mellan learning, skills och talent.
I många organisationer hanteras dessa tre fortfarande som separata spår: lärande ligger i ett LMS, kompetens definieras i ramverk och taxonomier, och rekrytering eller mobilitet hanteras i egna processer. Känner du igen dig är du inte ensam. Min tes är enkel: learning, skills och talent är tre perspektiv på samma underliggande kapabilitet – och när de inte hänger ihop blir både investeringar och insatser onödigt tröga. Insatser blir reaktiva, investeringar får lägre effekt, och det tar längre tid att bygga den kompetens verksamheten faktiskt behöver.
Med agentic AI förändras förutsättningarna.
AI har snabbt blivit ett viktigt stöd i HR och kompetensförsörjningen. Hittills har mycket handlat om generativ AI – teknik som främst använts för att effektivisera enskilda moment, som att ta fram utbildningsupplägg, formulera mål, sammanfatta information eller skapa rollbeskrivningar och kompetensramverk. Det ger produktivitetsvinster, men kräver att någon initierar behovet.
Med agentic AI sker ett skifte. Vi går från AI som ”svarar” till AI-system som kan tolka mål, planera och agera över tid inom givna ramar. Det handlar inte längre bara om att rekommendera, utan om att initiera, samordna och följa upp aktiviteter kopplade till lärande, kompetens och talang.
Det är därför agentic AI blir extra intressant just där learning, skills och talent möts. Där generativ AI ofta förbättrar delar av befintliga processer, skapar agentic AI förutsättningar för ett mer sammanhängande arbetssätt: lärande kan triggas när behov uppstår, kompetensutveckling blir mer arbetsnära, och organisationen kan arbeta mer proaktivt med kompetensförsörjningen.
Jag ser därför inte agentic AI som ”ännu ett verktyg” för L&D, rekrytering eller talent management var för sig. Jag ser det som ett skifte i hur samspelet mellan lärande, kompetenser och talangbeslut faktiskt organiseras – i vardagen.
Med agentic AI menas AI-system som arbetar mot ett mål – inte bara en prompt – och som ofta består av flera specialiserade ”agenter” som samverkar i orkestrerade flöden, med mänsklig översyn och tydlig governance. I ett HR-sammanhang betyder det i praktiken att AI kan:
I en learning–skills–talent-kontext kan agentic AI arbeta kontinuerligt mot mål som att korta tiden från introduktion eller förändring till att kompetensen faktiskt används i jobbet, öka intern rörlighet och förbättra matchningen mellan människor, roller och uppdrag eller att hålla kritiska kompetenser relevanta när arbete och verksamhet förändras.
När vi pratar agentic AI är det lätt att tänka att det kommer som en ny modul i ett LMS, ATS eller TMS. Men den bilden blir snabbt för snäv. I praktiken ser jag oftare ett ekosystem av specialiserade AI-agenter som samverkar kring samma kompetensgrund och samma mål, till exempel:
Poängen är att ingen av dessa agenter skapar värde isolerat. Värdet uppstår när learning, skills och talent binds ihop i orkestrerade flöden – inte när vi optimerar en process i taget.
Rekrytering är ett område där agentic AI redan blir väldigt konkret. Där AI tidigare främst matchade CV:n mot statiska krav, används den nu i mer mogna tillämpningar för att förstå rollen i sitt sammanhang. Det innebär att kompetensbehov kan tolkas utifrån faktisk arbetskontext, kravprofiler justeras i takt med att roller förändras och utfallet av rekryteringar kopplas tillbaka till organisationens kompetensmodell.
När samma kompetenslogik används för rekrytering, intern mobilitet och lärande får du ett sammanhängande talent-ekosystem. Agentic AI kan göra den kopplingen operativ – inte som en ambition i en powerpoint, utan som stöd i vardagens beslut.
Här kommer en av de mest underskattade utmaningarna: det svåra är sällan AI-tekniken. Det svåra är att få ordning på kompetens- och skillsdata så att den betyder samma sak i hela talangsystemet. I många organisationer finns kompetensdata utspridd i flera system – från lärplattformar och HR system till rekryteringssystem och bemanningslösningar. Problemet är sällan brist på data.
Problemet är att samma skills kan betyda olika saker i olika processer – och då går de inte att använda konsekvent för lärande, matchning och beslut. För att agentic AI ska fungera krävs därför en gemensam kompetensmodell och en enhetlig semantik kring skills.
Många organisationer försöker lösa kopplingen mellan LMS, ATS och HCM med mer teknisk integration. Det är viktigt men det är sällan där det tar stopp. Flaskhalsen är oftare att vi saknar en gemensam förståelse för vad kompetens är, hur den utvecklas genom lärande, och hur den ska användas i talentbeslut. I ett agentiskt sammanhang behöver kompetensdata fungera som styrinformation, vara dynamisk och knuten till faktisk prestation snarare än till ett enskilt system. Annars finns risken att otydligheter automatiseras i stället för att lösas.
Samtidigt finns det anledning att vara försiktig. Många organisationer befinner sig fortfarande i ett tidigt skede när det gäller kompetensmodeller, datakvalitet och gemensamma definitioner av skills. Då blir det avgörande att skapa förutsättningar för att AI ska kunna fatta eller stödja beslut på ett konsekvent och trovärdigt sätt.
Om olika system använder olika definitioner av kompetens, prestation eller potential riskerar agentiska flöden att förstärka befintliga brister snarare än att lösa dem. I värsta fall automatiseras otydlighet.
Agentic AI blir i praktiken ett stresstest på HR- och L&D-mognad. Vill man gå från pilotprojekt till verklig effekt krävs några tydliga förflyttningar:
Agentic AI kräver alltså inte bara teknik – utan ledarskap.
När AI får en mer aktiv roll förändras också HR:s uppdrag. HR behöver i högre grad arbeta datadrivet, kunna tolka och kvalitetssäkra AI baserade beslut samt sätta ramar för governance, etik och ansvar. Samtidigt blir rollen mer strategisk – att orkestrera samspelet mellan människor, verksamhet och digitala kapabiliteter. Resultatet är en mer kontinuerlig och verksamhetsnära kompetensförsörjning.
Agentic AI gör det svårt att fortsätta organisera learning, skills och talent som separata HR-spår. I stället bildar de ett sammanhängande kapabilitetssystem som behöver ledas som en helhet. Och nej – det är inte bara en teknisk förflyttning. Det är en organisatorisk omställning.
De organisationer som lyckas är inte de som implementerar flest AI-funktioner utan de som lyckas förena learning, skills och talent i ett sammanhängande ekosystem där människor, verksamhet och AI samverkar mot gemensamma mål. Det handlar ytterst om att skapa ett mer situationsanpassat och kontinuerligt stöd för chefer och medarbetare.
Så frågan är kanske inte om AI kan bli mer autonom – utan om vi är redo att organisera, styra och ta ansvar för det?
Många organisationer står idag inför samma frågor: hur kopplar vi ihop våra HR system, hur skapar vi en gemensam kompetensmodell och hur går vi från initiativ till faktisk effekt?
Här kan en extern rådgivning göra stor skillnad.
