Hoa hồng ≠ là hoa hồng ≠ là hoa hồng – tại sao đối sánh kỹ năng mà không có cấp độ chính xác là vô nghĩa

JANZZtechnology_a-rose-is-a-rose

Chúng tôi đã đề cập đến chủ đề kỹ năng vài ngày trước trong bài viết Kiến thức ≠ Kỹ năng ≠ Kinh nghiệm – tại sao sự phân biệt nhất quán giữa các thuật ngữ này lại quan trọng hơn bao giờ hết. Hôm nay, hãy cùng chúng tôi xem xét chủ đề này kỹ hơn nữa.

Đối sánh công việc đã trở nên phổ biến trong những năm gần đây như là một công cụ để khớp nối người tìm việc với các vị trí tuyển dụng dựa trên kỹ năng của họ. Mặc dù khái niệm về đối sánh kỹ năng có vẻ hợp lý, nhưng việc này sẽ không có ý nghĩa khi chúng ta không biết chính xác cấp độ của các kỹ năng, đặc biệt là những kỹ năng đến từ các kinh nghiệm làm việc trước đó.

Nhưng đây chính xác là cách hầu hết các hệ thống hiện có trên thị trường đang hoạt động, bao gồm phần lớn các trang tuyển dụng và tổng hợp việc làm, ATS, các công cụ nghề nghiệp trên các website của công ty và nhà tuyển dụng. Nguyên nhân của vấn đề này nằm ở chỗ, hiện nay các biểu đồ tri thức và tiêu chuẩn phân loại phổ biến như ESCO, O*Net, Lightcast Open Skills, v.v., đều không cung cấp các cấp độ kỹ năng như vậy. Ngoài ra, hầu hết các hệ thống hiện nay đều sử dụng phương pháp đối sánh từ khóa và đối sánh không có ngữ cảnh, mà chúng tôi đã nhấn mạnh trong các bài đăng trước, chỉ đem lại các kết quả hạn chế và thiếu chính xác, kèm theo những hệ quả tiêu cực khác từ quy trình và công nghệ lạc hậu này.

Dưới đây là một số ví dụ để minh chứng cho việc: sẽ là vô nghĩa khi đối sánh kỹ năng, mà các kỹ năng này không kèm theo các cấp độ rõ ràng:

Chơi quần vợt có thể được coi là một kỹ năng trong CV của tôi. Tuy nhiên, tất cả chúng ta đều biết rằng kỹ năng chơi quần vợt của tôi không thể so sánh hoặc ngang hàng với kỹ năng của Roger Federer. Ngay cả khi chúng ta nói về cùng một thứ, chúng ta có thể ám chỉ đến một điều hoàn toàn khác. Ví dụ: Tôi có thể nấu ăn. Kỹ năng nấu ăn của tôi không quá tệ và đủ tốt để phục vụ gia đình. Tuy nhiên, tôi còn rất xa mới có được những kỹ năng nấu nướng chuyên nghiệp cần thiết cho một bếp ăn của một nhà hàng thành công. Tôi chắc chắn sẽ bị đuổi khỏi bất kỳ nhà bếp nào sau không quá hai ngày, vì tôi sẽ làm gián đoạn toàn bộ hoạt động đã được chuẩn bị kỹ lưỡng của nhà bếp với kỹ năng hạn chế của mình. Không phải trình độ chơi quần vợt nào, hay kỹ năng nấu nướng nào cũng ngang bằng nhau. Tương tự như vậy, không phải tất cả chương trình Python đều như nhau, không phải tất cả hệ thống ống nước đều cùng một khuôn đúc, và không phải tất cả thể loại văn bản đều cùng một kiểu viết, v.v.

Một trong những lý do chính khiến việc đối sánh kỹ năng mà không biết chính xác mức độ thành thạo trở nên vô nghĩa là vì nó có thể dẫn đến sự chênh lệch, không phù hợp giữa yêu cầu công việc và kỹ năng của ứng viên. Ví dụ: nếu một ứng viên có một kỹ năng được liệt kê trong hồ sơ xin việc của họ nhưng chỉ có kiến thức cơ bản về kỹ năng đó, hoặc kỹ năng đó đã không được sử dụng ở nơi làm việc trong nhiều năm, và do đó không còn cập nhật, họ có thể sẽ không thực hiện được công việc một cách hiệu quả. Ngược lại, nếu một ứng viên có kiến thức nâng cao về một kỹ năng, thông qua việc sử dụng liên tục và thực tế trong các hoạt động công việc, nhưng kỹ năng đó không được liệt kê rõ ràng trong CV, họ có thể bị bỏ qua khi tuyển dụng, cho dù công việc rất phù hợp với họ.

Một vấn đề khác khi đối sánh kỹ năng mà không biết chính xác mức độ thành thạo là nó có thể dẫn đến việc các ứng viên bị sắp đặt vào những vai trò nhất định. Ví dụ: nếu một ứng viên có kỹ năng cụ thể phù hợp với vị trí tuyển dụng, họ có thể được tuyển dụng cho công việc đó, ngay cả khi họ có những kỹ năng khác phù hợp hơn với một vai trò khác. Điều này sẽ hạn chế sự phát triển và thăng tiến nghề nghiệp của ứng viên vì họ không có cơ hội khám phá các lĩnh vực đáng quan tâm khác hoặc phát triển các kỹ năng mới có giá trị cho tổ chức.

Điều quan trọng cần lưu ý là kỹ năng không phải là yếu tố duy nhất cần được xem xét khi đối sánh ứng viên với các vị trí tuyển dụng. Các yếu tố khác như tính cách, đạo đức làm việc, và sự phù hợp với văn hóa doanh nghiệp đều quan trọng như nhau và không thể xác định chỉ dựa trên kỹ năng của ứng viên. Kinh nghiệm làm việc của một người có thể cho chúng ta biết rõ hơn về tính cách, đạo đức làm việc và sự phù hợp với văn hóa của họ, những điều rất quan trọng trong việc tìm kiếm một đối sánh phù hợp.

Tóm lại, việc tìm việc dựa trên kỹ năng, bao gồm cả những kỹ năng được đề cập rõ ràng hay không rõ ràng trong CV, mà không biết chính xác cấp độ của các kỹ năng đó không phải là một chiến lược hiệu quả. Chỉ riêng kỹ năng không quyết định được sự phù hợp của một người cho một vị trí tuyển dụng. Điều cần thiết là phải xem xét cả kinh nghiệm làm việc, tính cách, đạo đức làm việc và sự phù hợp với văn hóa doanh nghiệp của ứng viên. Nếu không, sẽ đem lại những kết quả đối sánh không phù hợp và bỏ lỡ cơ hội cho cả ứng viên và tổ chức.

Chính vì vậy, hãy dừng làm những việc vô nghĩa khi cố thuyết phục mọi người rằng đối sánh kỹ năng là một công cụ tiên tiến và hiệu quả. Kỹ năng đang và sẽ vẫn chỉ là một trong nhiều yêu tố liên quan cần được đưa vào đối sánh công việc hoặc bất kỳ quy trình tuyển dụng nào. Và khi đối sánh kỹ năng, nhất thiết phải kèm theo cấp độ chính xác, hoặc tốt hơn nữa, với càng nhiều ngữ cảnh càng tốt. Điều đó công bằng hơn với Roger Federer và tất cả những đầu bếp chuyên nghiệp tài năng và chăm chỉ trên toàn thế giới. Hãy tìm hiểu thêm về các sản phẩm JANZZon! và JANZZsme! của chúng tôi, và cách chúng ta có thể khắc phục những hạn chế của việc đối sánh công việc và kỹ năng ngày nay.

Kiến thức ≠ Kỹ năng ≠ Kinh nghiệm – tại sao sự phân biệt nhất quán giữa các thuật ngữ này lại quan trọng hơn bao giờ hết.

Kiến thức, kỹ năng và kinh nghiệm là ba thành phần cốt yếu tạo nên năng lực của một cá nhân trong bất kỳ lĩnh vực nào. Thật không may, những thuật ngữ này ngày nay được sử dụng thay thế cho nhau, nhưng chúng có ý nghĩa rất khác nhau.

Kiến thức đề cập đến sự hiểu biết trí tuệ về các sự kiện, khái niệm và lý thuyết liên quan đến một lĩnh vực cụ thể. Nó có được thông qua giáo dục, đọc sách, tham dự các bài giảng và tham gia các chương trình đào tạo. Kiến thức là cần thiết vì nó cung cấp cơ sở để phát triển các kỹ năng. Nó cho phép các cá nhân hiểu được những lý do đằng sau một phương pháp thực hành hoặc một thủ tục cụ thể.

Kỹ năng đề cập đến khả năng thực hiện một nhiệm vụ với độ chính xác và chất lượng phù hợp. Đó là việc áp dụng kiến ​​thức trong một môi trường thực tế. Các kỹ năng được phát triển thông qua thực hành, lặp lại và phản hồi từ những người cố vấn hoặc người giám sát có kinh nghiệm. Một cá nhân càng thực hành một kỹ năng nhiều thì họ thường càng giỏi kỹ năng đó.

Kinh nghiệm đề cập đến sự tiếp xúc của một cá nhân với một lĩnh vực hoặc lĩnh vực công việc cụ thể. Kinh nghiệm được tích lũy thông qua làm việc, thực tập, tình nguyện và ứng dụng kiến ​​thức và kỹ năng thực tế khác. Kinh nghiệm rất có giá trị vì nó mang lại cho các cá nhân sự hiểu biết thực tế về những thách thức mà họ có thể gặp phải. Nó giúp họ xác định các giải pháp tiềm năng cho các vấn đề và tạo cơ hội cho sự trưởng thành và phát triển cá nhân.

Kỹ năng ứng dụng, mặt khác, đề cập đến việc sử dụng thực tế các kỹ năng trong một công việc hoặc lĩnh vực cụ thể. Chúng là những kỹ năng mà một cá nhân đã phát triển thông qua thực hành và kinh nghiệm và có thể dễ dàng áp dụng trong các tình huống thực tế. Các kỹ năng ứng dụng là cần thiết bởi vì chúng là những kỹ năng duy nhất cho phép các cá nhân thực hiện công việc của họ một cách hiệu quả và hiệu quả. Mặc dù cả kỹ năng và kinh nghiệm đều cần thiết, nhưng nếu chỉ có mỗi kỹ năng thì kinh nghiệm sẽ trở nên hữu ích hơn. Điều này là do chỉ có kinh nghiệm mới cho phép các cá nhân áp dụng kiến ​​thức và kỹ năng của họ trong môi trường thực tế một cách hiệu quả. Nó cho phép các cá nhân phát triển kỹ năng giải quyết vấn đề, giao tiếp và các kỹ năng quan trọng khác mà khó có thể học được thông qua việc chỉ đọc sách vở hoặc đào tạo lý thuyết. Kinh nghiệm cũng cung cấp cho các cá nhân sự hiểu biết sâu sắc hơn về sự phức tạp của một lĩnh vực cụ thể. Nó làm cho họ dễ thích nghi hơn với sự thay đổi và có nhiều khả năng thành công hơn trong các tình huống thử thách. Ngoài ra, kinh nghiệm cung cấp cho các cá nhân cơ hội học hỏi từ những sai lầm của họ và phát triển khả năng phục hồi.

Tóm lại, kiến ​​thức, kỹ năng và kinh nghiệm đều là những thành phần thiết yếu hình thành nên năng lực của một cá nhân trong bất kỳ lĩnh vực nào. Mặc dù kỹ năng và kiến ​​thức đều có giá trị, nhưng kinh nghiệm luôn tốt hơn kỹ năng đơn thuần. Việc áp dụng thực tế các kỹ năng và kiến ​​thức thu được thông qua kinh nghiệm cung cấp cho các cá nhân sự hiểu biết sâu sắc hơn về lĩnh vực của họ, kỹ năng giải quyết vấn đề và khả năng thích ứng với những thách thức mới.

Đây chính là lý do tại sao việc phân biệt giữa kiến ​​thức, kỹ năng và kinh nghiệm khi nói đến việc đối sánh, tuyển dụng và tìm kiếm nhân tại lại quan trọng đến vậy, vì mỗi khía cạnh mang lại giá trị riêng cho quy trình. Khi tuyển dụng ứng viên, một tổ chức phải xem xét các yêu cầu cụ thể của công việc hoặc vị trí được tuyển dụng. Ví dụ: nếu một tổ chức đang tuyển dụng cho vai trò kỹ thuật, thì kiến ​​thức/kỹ năng ứng dụng đã được chứng minh về một ngôn ngữ  coding và lập trình cụ thể có thể quan trọng hơn kiến ​​thức về các khái niệm lý thuyết liên quan đến lĩnh vực này.

Trong khi kiến ​​thức và kỹ năng là cần thiết, kinh nghiệm cung cấp cái nhìn sâu sắc và có giá trị nhất về công việc và lĩnh vực này. Ví dụ: một ứng viên có kỹ năng lập trình tuyệt vời nhưng thiên về lý thuyết có thể không phù hợp nhất cho vị trí nếu họ thiếu kinh nghiệm làm việc liên quan. Điều quan trọng nữa là phải cân bằng các khía cạnh khác nhau trong quá trình tuyển dụng và đối sánh dựa trên bằng chứng. Một số tổ chức có thể chú trọng nhiều hơn vào các kỹ năng kỹ thuật, trong khi những tổ chức khác có thể tập trung vào các kỹ năng mềm như giao tiếp và làm việc nhóm. Do đó, các tổ chức cần hiểu rõ các yêu cầu cụ thể của vai trò và trình độ mong muốn, từ đó xác định tầm quan trọng của kiến ​​thức, kỹ năng và kinh nghiệm cho phù hợp. Đồng thời, các tổ chức tập trung mạnh vào các kỹ năng cứng hoặc liên quan đến công việc đặc biệt không nên bỏ qua các yếu tố như thái độ, sự phù hợp với văn hóa và tiềm năng phát triển. Những yếu tố này có thể đóng một vai trò quan trọng trong việc dự đoán sự thành công và sự gắn bó lâu dài của ứng viên với tổ chức.

Do đó, một quy trình tuyển dụng và đối sánh cân bằng xem xét tất cả các khía cạnh này một cách tổng thể có thể giúp các tổ chức xác định những ứng viên tốt nhất cho các vị trí mở của họ. Chúng ta không nên tập trung hoàn toàn vào nền tảng giáo dục, kiến ​​thức, cũng như các kỹ năng cứng hoặc kỹ năng mềm, điều rất phổ biến trong tuyển dụng ngày nay. Để đem lại các kết quả đổi sánh chính xác và bền vững, dựa trên trí tuệ của con người hay trí thông minh nhân tạo, chúng ta phải bắt đầu ngay hôm nay, bằng việc phân biệt những thuật ngữ Kiến thức ≠ Kỹ năng ≠ Kinh nghiệm một cách nhất quán.

A rose ≠ is a rose ≠ is a rose – or why matching with skills without a precise level is as good as useless.

JANZZtechnology_a-rose-is-a-rose

Having touched on the subject of skills a couple of days ago in the post Knowledge ≠ Skills ≠ Experience – or why a consistent distinction between these terms is more important than ever, I would like to take a closer look at the topic today.

Job matching is a process that has gained popularity in recent years as a tool to, for example, match individuals with job vacancies based on their skills. While the concept of matching skills seems reasonable, it does not make sense to match skills without knowing the exact level of all explicit and even more implicit skills, especially those that come from previous work experience.

But this is exactly how most systems available on the market work, the vast majority of job boards and aggregators, ATSs, and other career tools on the web and the recruiter side. The reason for this is that none of today’s popular taxonomies and knowledge graphs, such as ESCO, O*Net, Lightcast Open Skills, etc., provide such levels and thus do not provide meaningful differentiation. Together with other shortcomings, such as the still widespread use of keyword matching, and matching without context, which I have highlighted in previous posts, there are almost always incomplete or even incorrect matching results and many other negative implications that result from this inadequate process using outdated technology.

To show that skill matching without validated levels makes no sense at all, here are some examples:

Playing tennis could be found as a skill on my CV. However, we all know that my tennis skills cannot be compared or matched in any way to those of, say, Roger Federer. Even when we talk about the same thing, we mean something completely different. Let’s take another example to illustrate this: I can cook. It’s not all that bad, and it’s good enough for home use. And yet I am miles away from the professional cooking skills needed in a successful restaurant kitchen. I would definitely be thrown out of any kitchen after no more than two days because I would have disrupted the entire well-rehearsed kitchen operation with my incompetence. Not all tennis is the same and not all cooking is the same. And so not all Python programming is the same, and not all plumbing is the same, and not all writing is the same, and so on.

So one of the main reasons why matching skills without knowing the exact level of proficiency is problematic is that it can lead to a mismatch between the job requirements and the candidate’s skills. For example, if a candidate has a skill listed on their resumé but only has a basic knowledge of that skill, or the skill has not been used in the workplace for many years and is therefore no longer up to date, they may not be able to perform the job effectively. Conversely, if a candidate has a skill that is not explicitly listed on their CV, but has advanced knowledge of it, for example through continuous, practical use in work activities, they may be overlooked for a job for which they are well suited.

Another problem with matching skills without knowing the exact level of proficiency is that it can lead to candidates being pigeonholed into certain roles. For example, if a candidate has a particular skill that matches a job vacancy, they may be hired for that job, even if they have other skills that might be better suited to a different role. This can limit the candidate’s career growth and development, as they may not have the opportunity to explore other areas of interest or develop new skills that could be valuable to the organization.

It is also important to note that skills are not the only factor that should be considered when matching candidates with vacancies. Other factors such as personality, work ethic, and cultural fit are equally important and cannot be determined solely based on a candidate’s skills. A person’s work experience can shed light on their personality, work ethic, and cultural fit, which can be crucial in finding the right match.

In conclusion, job matching based on skills without knowing the exact level of all explicit and implicit skills is not an effective strategy. Skills alone do not determine a person’s suitability for a role. It is essential to consider a candidate’s work experience, personality, work ethic, and cultural fit to ensure the right match. Failure to do so will obviously lead to mismatches and missed opportunities for both the candidate and the organization.

So please stop the nonsense and the sadly widespread fixation on skills matching as being so modern and meaningful. Skills are and will remain just one of many relevant dimensions that should be included in job matching and/or any recruitment process. And if it has to be skills matching, then please only with relevant skill levels and even better with as much context as possible. You owe it not only to Roger Federer and all the talented and hard-working professional chefs in the world. Learn more about our products JANZZon! and JANZZsme! and how we can overcome the limitations of today’s inadequate job and skills matching.

Knowledge ≠ Skills ≠ Experience – or why a consistent distinction between these terms is more important than ever.

Knowledge, skills and experience are three crucial components that make up an individual’s competence in any field. Unfortunately, these terms are used interchangeably these days, but they have very different meanings.

Knowledge refers to an intellectual understanding of facts, concepts and theories related to a particular field. It is acquired through education, reading books, attending lectures and participating in training programmes. Knowledge is essential because it provides the basis for developing skills. It enables individuals to understand the why behind a particular practice or procedure. Skills, on the other hand, refer to the ability to perform a task with consistent accuracy and quality. It is the application of knowledge in a practical setting. Skills are developed through practice, repetition and feedback from experienced mentors or supervisors. The more an individual practices a skill, the better they usually become at it. Experience refers to an individual’s exposure to a particular field or area of work. It comes from work experience, internships, volunteering and other practical applications of knowledge and skills. Experience is valuable because it gives individuals a real-world understanding of the challenges they may face. It helps them identify potential solutions to problems and provides opportunities for personal growth and development.

Applied skills, on the other hand, refer to the practical use of skills in a specific job or field. They are skills that an individual has developed through practice and experience and that can be readily applied in real-life situations. Applied skills are essential because they are the only ones that enable individuals to perform their jobs efficiently and effectively. While both skills and experience are essential, experience is always better than skills alone. This is because only experience allows individuals to apply their knowledge and skills in a practical setting. It enables individuals to develop problem-solving, communication and other critical skills that are difficult to learn through reading or training alone. Experience also provides individuals with a deeper understanding of the complexities of a particular field. It makes them more adaptable to change and more likely to succeed in challenging situations. In addition, experience provides individuals with the opportunity to learn from their mistakes and develop resilience.

In summary, knowledge, skills and experience are all essential components that shape an individual’s competence in any field. While skills and knowledge are valuable, experience is always better than skills alone. The practical application of skills and knowledge gained through experience provides individuals with a deeper understanding of their field, problem-solving skills and the ability to adapt to new challenges.

This is precisely why it is so important to distinguish between knowledge, skills and experience when it comes to matching, recruiting and hiring, as each dimension brings unique value to the process. When recruiting candidates, an organisation must consider the specific requirements of the job or position being filled. For example, if an organisation is recruiting for a technical role, proven knowledge/applied skills in a specific coding language and programming may be more important than knowledge of theoretical concepts related to the field.

While knowledge and skills are essential, experience provides the most valuable and relevant insight into the job and the field. For example, a candidate with superb but more theoretical programming skills may not be the best fit for a role if they lack relevant work experience. It is also important to balance the different dimensions in an evidence-based matching and hiring process. Some organisations may place more emphasis on technical skills, while others may focus on soft skills such as communication and teamwork. Therefore, organisations need to have a clear understanding of the specific requirements of the role and the desired qualifications and determine the weighting of knowledge, skills and experience accordingly. At the same time, especially organisations with a strong focus on just hard or job-related skills should not overlook factors such as attitude, cultural fit and potential for growth. These factors can play a significant role in predicting long-term success and retention.

Therefore, a balanced matching and hiring process that considers all these dimensions holistically can help organisations to identify the best candidates for their open positions. Neither an exclusive focus on background, education and thus knowledge, nor on the skills or soft skills that are so widely propagated today, will enable accurate and sustainable artificial or human intelligence-based matching results and thus successful hiring. Let’s start dealing with these terms and dimensions in a more differentiated way, it would only benefit us all.

Từ phỏng đoán đến hiểu biết với JANZZilms!: “Thừa thầy thiếu thợ” là một trong những nguyên nhân chính dẫn đến tình trạng thiếu hụt lao động trầm trọng trên toàn cầu.

JANZZ.technology

Rất nhiều quốc gia trên thế giới, đặc biệt là tại các thị trường lao động mới nổi ở Đông Nam Á, Châu Phi và Châu Mỹ Latinh, đang phải đối mặt với những thách thức về thị trường lao động ngày càng lớn. Ngày càng có nhiều người lao động có trình độ học vấn cao phải vật lộn để tìm kiếm việc làm trong lĩnh vực của họ. Mặt khác, việc thiếu công nhân lành nghề có nền tảng kỹ thuật hoặc kinh nghiệm thực hành tốt đang khiến nhiều việc làm bị bỏ trống. Cả hai đều là những triệu chứng tai hại của sự chênh lệch kỹ năng ngày càng tăng trên toàn thế giới.

Xu hướng này là hệ quả của một số yếu tố. Một trong những động lực chính là yếu tố văn hóa đối với giáo dục đại học. Trong nhiều năm liền, có một niềm tin phổ biến rằng bằng đại học là chìa khóa dẫn đến thành công và ổn định tài chính. Kết quả là nhiều người trẻ theo đuổi giáo dục đại học, thường là đi kèm với chi phí lớn, với hy vọng cải thiện khả năng được tuyển dụng và triển vọng việc làm của họ. Tuy nhiên, thị trường lao động không ngừng phát triển. Người sử dụng lao động hiện đang tuyển dụng những vị trí mà trước đây từng yêu cầu bằng đại học, nhưng bây giờ ưu tiên những người lao động có nền tảng kỹ thuật hoặc học nghề. Những tiến bộ trong công nghệ và tự động hóa đã tiếp tục thúc đẩy sự thay đổi này bằng cách định nghĩa lại nhiều công việc truyền thống và tạo ra những vị trí mới đòi hỏi kỹ năng chuyên môn cao. Sự thiếu hụt lao động có trình độ kỹ thuật hoặc kinh nghiệm thực hành một vấn đề nghiêm trọng đối với nhiều ngành công nghiệp, đặc biệt là trong lĩnh vực xây dựng, thủ công mỹ nghệ, sản xuất, giao thông vận tải, y tế và chăm sóc sức khỏe. Những ngành này đòi hỏi ngày càng nhiều lao động có kỹ năng chuyên môn mà thường chỉ có thể đạt được thông qua thực hành hoặc đào tạo chứ không chỉ bằng giáo dục đại học.

Nhiều quốc gia đã bắt đầu đầu tư vào giáo dục nghề nghiệp và đào tạo kỹ thuật để giải quyết những thách thức này. Những khoản đầu tư bao gồm các chương trình tài trợ để đào tạo học viên với các kỹ năng kỹ thuật, từ nghề mộc và sửa chữa điện nước đến lập trình máy tính và robotic. Nhưng trong rất nhiều trường hợp, chính phủ, các nhà hoạch định chính sách và các ngành công nghiệp vẫn còn quá do dự, các chương trình kế hoạch còn rất manh mún trong khi kinh phí thì rất hạn chế. Điều này phải thay đổi càng nhanh càng tốt nếu chúng ta muốn giảm bớt tình trạng thiếu hụt lao động nghiêm trọng trên toàn thế giới đối với những ngành nghề này trước khi quá muộn.

Nhìn chung, tình trạng thừa thầy thiếu thợ một vấn đề phức tạp đòi hỏi phải có giải pháp mang tính hệ thống và toàn diện. Bằng cách đầu tư vào giáo dục và đào tạo chất lượng cao, thay đối nhận thức đối với giáo dục đại học cũng như giáo dục nghề nghiệp, chúng ta có thể đảm bảo rằng mọi người lao động đều có khả năng được tuyển dụng cao, nhờ đó có được một sự nghiệp thỏa mãn và đóng góp vào sự tăng trưởng và thành công liên tục của nền kinh tế.

JANZZilms!, hệ thống quản lý thị trường lao động tích hợp thông minh và theo thời gian thực của chúng tôi xác định và định lượng chính xác các loại thông tin này ở mọi mức độ chi tiết có thể. Cung cấp những hiểu biết sâu sắc và cơ sở thực tế cần thiết để phân tích, theo dõi và liên tục cải thiện những chính sách phù hợp giúp quản lý thị trường lao động một cách thực sự thông minh.

JANZZilms! – từ phóng đoán đến hiểu biết.

 

From guessing to knowing with JANZZilms!: Academic overqualification is one of the main drivers of the intensifying global worker shortage.

JANZZ.technology

Many countries worldwide, especially in emerging labor markets in Southeast Asia, Africa, and Latin America, are facing growing labor market challenges. More and more overqualified workers with academic backgrounds struggle to find work in their field. On the other hand, there is a shortage of skilled workers with technical or vocational backgrounds, leaving many jobs unfilled. Both are costly symptoms of an ever-increasing skills mismatch worldwide.

This trend is a result of several factors. One of the main drivers is the cultural emphasis placed on higher education. For many years, there has been a widespread belief that a university degree is the key to success and financial stability. As a result, many people pursue higher education, often at great expense, hoping to improve their employability and job prospects. However, the labor markets are constantly evolving. Many employers are now filling roles that once required a university degree with workers from technical or vocational backgrounds. Advances in technology and automation have further fueled this shift by redefining many traditional jobs and creating new positions that require highly specialized skills. The shortage of workers with technical or vocational backgrounds is a serious problem for many industries, particularly in construction, craft trades, manufacturing, transportation, and the health and care sectors. These industries require an ever-increasing number of workers with specialized skills that can often only be acquired through experience or training rather than by higher education alone.

Many countries have begun investing in technical and vocational education and training to address this challenge. These investments include funding programs to train students in technical skills, from carpentry and plumbing to computer programming and robotics. But in far too many cases, governments, policymakers, and industries are still too hesitant, programming is piecemeal, and funding is scant. This must change as quickly as possible if we want to alleviate the looming worldwide system-critical shortage in these professions before it is too late.

Overall, the challenge of overqualified workers and a shortage of workers with technical or vocational backgrounds is a complex problem that requires a multifaceted solution. By investing in future-proof, high-quality education and training and reevaluating the cultural emphasis placed on higher education, we all can help ensure that workers improve their employability, thus gaining access to fulfilling careers and contributing to our economy’s continued growth and success.

JANZZilms!, our intelligent integrated real-time labor market management system, pinpoints and quantifies precisely these types of facts at every possible level of granularity. Providing the insights and factual basis needed to initiate, monitor, and continuously improve appropriate action for truly intelligent labor market management.

JANZZilms! – from guessing to knowing.

 

Interpretable AI in HR tech: the only way of understanding machine decisions

Largely spurred by the success of ChatGPT, governments worldwide are finally attempting to find a way to regulate AI.

AI, automation, and the future of work – beyond the usual bubbles

In recent years there have been many posts, articles, and reports on how AI and automation will shape the future of work. Depending on the author’s perspective or agenda, these pieces go one of two ways: either the new technology will destroy jobs and have devastating effects on the labor market, or it will create a better, brighter future for everyone by destroying only the boring jobs and generating better, much more interesting ones. ChatGPT, for instance, has spurred unprecedented hype, swinging like a pendulum between extremes of opinions. On the one hand, there have been overwhelmingly euphoric responses, with people fabulating about how we could leverage this allegedly superintelligent technology to enhance our work – from journalism to coding and data analysis to project management or school assignments. On the other hand, many are voicing concerns about potential misuse, including ChatGPT writing malware code and phishing emails, spreading misinformation, disclosing private information, and replacing humans in the workplace. In this post, we want to take a more nuanced view by discussing the most common arguments and claims and comparing them with the facts. But before we get into this, let us first clarify what AI-driven digital transformation is. In a nutshell, it is all about automation, using AI technology to complete tasks that we do not want humans to perform or that humans cannot accomplish – just as we did in the past, in the first, second, and third industrial revolutions.

From stocking looms to AI art

With each of these revolutions came the fear that human workers would become obsolete. So why do we want to automate? Even though in some cases, inventors are simply interested in the feat of the invention itself, more often than not, an invention or development is driven by business interests. As is widespread adoption. And no matter which era, businesses rarely have other goals than staying competitive and raising profits. 16th-century stocking looms were invented to increase productivity and lower costs by substituting human labor. Steam-powered machines in 19th-century mills and factories and farm machinery were used for the same reason. Robots in vehicle manufacture in the second half of the 20th century – ditto. Whether the technology is tractors, assembly lines, or spreadsheets, the first-order goal was to substitute human musculature with mechanical power, human handiwork with machine consistency, and slow and error-prone “humanware” with digital calculation. But so far, even though many jobs were lost to automation, others have been created. Massively increased production called for jobs related to increased distribution. With passenger cars displacing horse-powered travel and equestrian occupations and increasing private mobility, jobs were instead created in the expanding industry of roadside food and accommodation. Increasing computational power used to replace human tasks in offices also led to entirely new products and the gaming industry. And the rising wealth and population growth accompanying such developments led to increased recreational and consumption demands, boosting these sectors and creating jobs – albeit not as many as one may think, as we will see below. However, we cannot simply assume that the current revolution will follow the same pattern and create more jobs and wealth than it will destroy just because this is what happened in the past. Unlike mechanical technology and basic computing, AI technologies not only have the potential to replace cheap laborers, say, with cleaning or agricultural robots. They have also begun outperforming expensive workers such as pathologists in diagnosing cancer and other medical professionals diagnosing and treating patients. These technologies are now also taking on creative tasks such as creative writing, choosing scenes for movie trailers, or producing digital art. We should not necessarily assume the extreme of a dystopian future with fewer jobs and sinking wealth. But we must keep in mind that, in many cases, it is currently more cost-effective to replace expensive workers with AI solutions than cheap laborers such as textile workers in Bangladesh.

So, working towards a more differentiated view, let us look at the currently most common claims and how they stand up to closer scrutiny.

Claim 1. AI will create more/fewer jobs than it destroys

This is the main argument put forth in utopian/dystopian scenarios, including reports by WEF (97m new jobs vs. 85m displaced jobs across 26 countries by 2025), PwC (“any job losses from automation are likely to be broadly offset in the long run by new jobs created”), Forrester (job losses of 29% by 2030 with only 13% job creation to compensate) and many others. Either way, any net change can pose significant challenges. As BCG states in a recent report on the topic, “the net number of jobs lost or gained is an artificially simple metric” to estimate the impact of digitalization. A net change of zero or even an increase in jobs could cause major asymmetries in the labor market with dramatic talent shortages in some industries or occupations and massive worker surplus and unemployment in others. On the other hand, instead of causing unemployment – or at least underemployment, fewer jobs could also lead to more job sharing and shorter work weeks. Then again, although this may sound good in theory, it raises additional questions: How will pay and benefits be affected? And who reaps the bulk of monetary rewards? Companies? Workers? The government? It is admittedly too soon to see the effects of widespread AI adoption on overall employment or wages. But past outcomes, i.e., of previous industrial revolutions, do not guarantee similar outcomes in the future. And even the past ones show that job and wealth growth were not necessarily as glorious as often portrayed. The ratio of employment to working-age population has risen in OECD countries since 1970, from 64% to 69% in 2022.[1] However, much of this increase can be attributed to higher labor participation rates, especially among women. And the increased wealth is certainly not evenly distributed, e.g., in the US.

 

JANZZ.technology

JANZZ.technology

Sources: Illustration 1: Economic Policy Institute, https://www.epi.org/publication/inequality-2021-ssa-data/; Illustration 2: Author’s calculations based on data from Economic Policy Institute, State of Working America Data Library, “Wages by percentile and wage ratios,” 2022.  Updated March 2023
*Low
wage is 10th percentile, middle wage is 50th percentile, very high wage is 95th percentile. No data available for 2020-2022 in the 95th percentile because of issues with significant shares of the population facing BLS’ top-code value for weekly wages.

 

There are simply no grounds to assume that AI and automation will automatically make us wealthier as a society or that the increased wealth will be distributed evenly. We should thus be equally prepared for more negative scenarios and discuss how to mitigate the consequences. For instance, would it be acceptable to treat AI processes like human labor? If so, we could consider taxing them to support the redistribution of wealth or to finance training or benefits and pensions for displaced workers.

In addition, we should question any job displacement estimates on a basic level. Who can confidently say that this job will decline? How can we know what kind of jobs there will be in the future? None of these projections are truly reliable or objective – they are primarily based on some group of people’s opinions. For instance, the WEF’s Future of Jobs Report, one of the most influential reports on this topic, is based on employer surveys. But it is naive to think anyone, let alone a cadre of arbitrary business leaders, can have a confident understanding of which jobs and skills will be required in the future. One should not expect more from this than from fortunetelling at a fair. Just look at the predictions about cars in the early 19th century, remote shopping in the 1960s, cell phones in the 1980s, or computers since the 1940s. So many tech predictions have been so utterly wrong – why should this change now? And yet, these types of crystal ball predictions are a key element in the estimates for the “future of work”.

The fact is, scientifically sound research on this topic is extremely scarce. One of the few papers in this area studied the impact of AI on labor markets in the US from 2007 to 2018. The authors (from MIT, Princeton, and Boston University) found that greater AI exposure within businesses is associated with lower hiring rates, i.e., up until now, AI adoption has been concentrated on substitution rather than augmentation of jobs. The same paper also finds no evidence that the large productivity effects of AI will increase hiring. Some may say that this supports the dystopian view. However, we must also note that this study is based on online vacancy data, and thus the results should be treated with caution, as we explained in detail in one of our other posts. In addition, due to the dynamics of technological innovation and adoption, it is almost impossible to extrapolate and project such findings to make robust predictions for future developments.

And on a more philosophical side note, what would it mean for human existence if we worked substantially less? Work is ingrained in our very nature; it is a defining trait.

Claim 2: Computers are good at what we find hard and bad at what we find easy

Hard and easy for who? Luckily, we do not all have the same strengths and weaknesses, so we do not all find the same tasks “easy” and “hard”. This is just yet another extremely generalizing statement based on completely subjective judgment. And if it were true, then most people would probably consider repetitive tasks as typically easy, or at least easier. This directly contradicts the next claim:

Claim 3: AI will (only) destroy repetitive jobs and will generate more interesting, higher-value ones.

The WEF states that AI will automate repetitive tasks like data entry and assembly line manufacturing, “allowing workers to focus on higher-value and higher-touch tasks” with “benefits for both businesses and individuals who will have more time to be creative, strategic, and entrepreneurial.” BCG talks of the “shift from jobs with repetitive tasks in production lines to those in the programming and maintenance of production technology” and how “the removal of mundane, repetitive tasks in legal, accounting, administrative, and similar professions opens the possibility for employees to take on more strategic roles”. The question is, who exactly benefits from this? Not every worker who can perform repetitive tasks has the potential to take on strategic, creative, and entrepreneurial roles, or program and maintain production technology. It is simply a fact that not everyone can be trained for every role. More satisfying, interesting tasks for intellectuals (such as the advocates of a brighter future of work thanks to AI) may be too challenging for a less intellectual worker whose job – which may well have been perfectly satisfying to them – has just been automated. And not every white-collar worker can or wants to be an entrepreneur or strategist. Also, what exactly does “higher value” mean? Who benefits from this? The new jobs created so far, like Amazon warehouse workers, or Uber and Postmates drivers, are not exactly paying decent, secured living wages. And since the early 1970s, businesses have demonstrated a clear disinterest in sharing the added value from productivity gains with workers:

 

JANZZ.technology

Source: Economic Policy Institute, https://www.epi.org/productivity-pay-gap/

 

On the other hand, a vast number of the AI applications that are already available perform higher- to highly-skilled tasks based on data mining, pattern recognition, and data analysis: diagnosis and treatment of medical conditions, customer service chatbots, crop optimization and farming strategies, financial or insurance advising, fraud detection, scheduling and routing in logistics and public transport, market research and behavioral analysis, workforce planning, product design, and much more. Now add the manifold applications of ChatGPT into the mix. The full effect of these applications on the job market is not yet clear, but they are certainly not only removing mundane, repetitive tasks from job profiles.

Claim 4: We (just) need to up-/reskill workers.

While we certainly do not disagree with this statement in general, it is often brought up as a more or less simple remedy to prepare for the future AI-driven shifts in the labor market and “embrace the positive societal benefits of AI” (WEF). The fact is, this comes with several caveats that make it a far from simple solution.

First, we cannot repeat enough that it is impossible to predict the “future of work” reliably, especially which jobs will be in demand and which will not. Also, based on the effects of the previous industrial revolutions and current research, it is highly likely that the widespread adoption of AI will introduce new jobs with profiles that we cannot anticipate yet. This means we must equip current and future professionals with the skills necessary for jobs we currently know nothing about. One commonly suggested workaround to this issue is to encourage lifelong learning and promote more adaptable and short-term forms of training and education. That is certainly a valid and increasingly popular option. However, there are several aspects to keep in mind. For instance, 15–20% of the US and EU adult population[2] have low literacy (PIAAC level 1 or below), which means they have trouble with tasks such as filling out forms or understanding texts about unfamiliar topics. How can these people be trained to succeed at “more complex and rewarding projects” if they cannot read a textbook, navigate a manual, or write a simple report? In addition, around 10% of full-time workers in the US and EU are working poor.[3] These people typically have neither the time, resources, nor support from employers for lifelong learning and thus no well-informed access to efficient, targeted, and affordable (re)training.

By the time such issues have been addressed, many of these workers may have already missed the boat. In 2018, US employers estimated that more than a quarter of their workforce would need at least three months of training to keep pace with the necessary skill requirements of their current roles by 2022.[4] Two years later, that share has more than doubled to over 60%, and the numbers are similar worldwide.[5] In addition, even before the post-Great Recession period, only roughly 6 in 10 displaced US workers were re-employed within 12 months in the 2000 to 2006 period.[6] In 2019, this rate was the same in the EU.[7] With increasingly rapid changes in skills demands, combined with a lack of time and/or resources for vulnerable groups such as the working poor and workers with low literacy, not to mention lacking safety nets and targeted measures in underfunded workforce development systems, the prospects for these workers are unlikely to improve.

Moreover, the pandemic massively accelerated the adoption of automation and AI in the workplace in many sectors. Robots, machines, and AI systems have been deployed to clean floors, take temperatures or food orders, replace employees in dining halls, toll booths, or call centers, patrol empty real estate, increase industrial production of hospital supplies, and much more within an extremely short time. In the past, new technology was deployed gradually, giving employees time to transition into new roles. This time, employers scrambled to replace workers with machines or software due to sudden lockdown or social distancing orders. This is a crucial difference from the preceding industrial revolutions. Many workers have been cut loose with not enough time to retrain. Similarly disruptive events may well occur in the future – be it another pandemic or a technological breakthrough – and as a society, we need to be prepared for these events and provide affected workers with swift, efficient, and, above all, realistic support.

Claim 5: Employers should view up- and reskilling as an investment, not as an expense.

If a company replaces all its cashiers with robots, why would it want to reskill the newly redundant workers? Even governments have a hard time taking this stance on training and education. Many countries focus primarily on college or other training for young workers rather than retraining job seekers or employees. For instance, the US government spends 0.1% of GDP to help workers navigate job transitions, less than half what it spent 30 years ago – despite skills demands changing much faster than it did three decades ago. And the vast majority of businesses are primarily interested in maximizing profits – that is just how our economy works. Remember: we live in a world where even sandwich makers and dogwalkers may be forced by their employers to sign noncompete agreements to prevent them from getting a raise by threatening to move to a competitor for higher pay.

Well-performing conversational software could enable a company to take a 1,000-person call center and run it with 100 people plus chatbots. A bot can respond to 10,000 queries in an hour, far higher than any realistic volume even the most efficient call center rep could handle. In addition, a chatbot does not fall ill, need time off work, or ask for perks and benefits. They make consistent, evidence-based decisions and do not steal from or defraud their employers. So, if the quality of this software is sufficient and the price is right, there would probably be an uproar amongst shareholders if a company did not go for this offer. After all, a solution that increases efficiency and productivity while lowering expenses is a company’s dream come true. So, if this company doesn’t opt for it, its competition will. And despite the “tech for social good” propaganda we constantly hear from Silicon Valley, most companies are not interested in the future of soon-to-be-ex workers.

Beyond the bubble

The bottom line is that we cannot afford to overdramatize or simply reassure ourselves that there will be enough jobs, or we will constantly be playing catch up. Most of the commonly cited problems or solutions tend to be discussed within the academic or high-income bubble of researchers, tech entrepreneurs, and policymakers, mixed with a substantial amount of idealism. But to get ahead of these developments that – for good or for bad – have vast potential to completely transform our labor markets and society, we need to look beyond our bubble and design realistic strategies for the future based on facts and objective data.

 

[1] https://stats.oecd.org/Index.aspx?DatasetCode=LFS_SEXAGE_I_R#

[2] US: https://www.libraryjournal.com/?detailStory=How-Serious-Is-Americas-Literacy-Problem
EU: http://www.eli-net.eu/fileadmin/ELINET/Redaktion/Factsheet-Literacy_in_Europe-A4.pdf

[3] US: https://nationalequityatlas.org/indicators/Working_poor?breakdown=by-race-ethnicity&workst01=1
EU: https://ec.europa.eu/eurostat/databrowser/view/sdg_01_41/default/table?lang=en

[4] The Future of Jobs Report 2018, World Economic Forum, 2018.

[5] The Future of Jobs Report 2020, World Economic Forum, 2020.

[6] Back to Work: United States: Improving the Re-employment Prospects of Displaced Workers, OECD, 2016.

[7] https://skillspanorama.cedefop.europa.eu/en/dashboard/long-term-unemployment-rate?year=2019&country=EU#1