Framtidens AI-baserade marknad för egenföretagande konsulter är redan här

Konsulter beskriver hur de vill jobba kompletterat sina styrkor i CV, som maskintolkas, med hjälp av Natural Language Processing (NLP) och görs tillgängliga för kunder. Kunderna i sin tur gör det omvända, beskriver sina behov av hjälp och resurser via text eller ett kanske via en befintlig experts CV som de skulle vilja hitta en ”tvilling” till. Beskrivningar som på samma sätt tolkas med NLP och görs sökbara för intresserade egenföretagande konsulter. Matchningen sker automatiskt och får inte sökmotorn en bra träff omedelbart så bevakas sökningen och man notifieras när en konsult (eller förfrågan) med tillräckligt hög procentuell matchning blir tillgänglig.  

När konsulten hittat ett uppdrag eller kunden en konsult träffas de i ett möte som allt oftare kommer att ske digitalt. Parterna gör upp om affären och avtal tecknas digitalt. 

Allt det här finns redan men hur går det till? 

Jag har i en tidigare text beskrivit hur utformningen av det digitaliserade CV’t förändras och att användningen av NLP påverkar och förbättrar hela matchningsförfarandet. 

Jag kikar i cfinders databas, väljer ut cirka 100 CV och ser att bara de genererat över 1000 olika beskrivningar av kompetens. Mångfalden kan naturligtvis undvikas genom att man, som i antika CV-system, får kryssa i och välja kompetenser som systemägaren satt upp. Beskrivs kompetenserna tillräckligt granulärt för matchningens verkliga behov?  Hänger de med sin tid i vår snabba teknikutveckling? Svaret är såklart nej. 

1000 beskrivningar av 100 egenföretagande konsulters kompetenser där många beskriver samma sak men är uttryckta på lite olika sätt ställer såklart till det. Att fritext-söka bland dessa 1000-tals beskrivningar låter sig inte heller göras praktiskt. Det ger i alla fall inte de resultat och den effektivitet som användaren förväntar sig och blir därmed oanvändbart. 

Det är här AI och då framförallt Machine Learning (ML) kommer in.   

Varje enskild sökning på hela mängden data tränar ML-modellen på hur man söker inom just den kompetensen. Vad kompletteras t.ex. Java oftast med för att få tag i rätt förslag på konsult? Ju fler sökningar ju bättre tränad modell och desto effektivare sökning.  Kunden får hjälp i sökningen av en allt bättre tränad ML-baserad autocomplete av sökbegrepp. Samma sak gäller roller, certifikat etc.  

Magin uppstår när ML-modellerna kombineras för flera sökområden. Det blir ännu enklare att hitta rätt om AI-motorn har lärt sig att exempelvis rollen Agil Coach oftast kopplas till specifika kompetenser och certifikat. Kunden får förslag att använda eller välja att inte följa. Ändrar man i de föreslagna söktermerna så lär sig modellerna av förändringarna och anpassar sitt beteende och sina förslag.  

Ännu bättre blir det när ML-motorn också lär sig hur kunden väljer ur resultaten som presenteras och hur projekt och team sätts upp. All förvärvad kunskap om hur roller, kompetenser och val ser ut gör det enkelt att ta nästa steg:  
Att koppla den samlade kunskapen i modellerna till en beskrivning av problemet man vill ha löst, dvs. syftet med att söka hjälp och resursförstärkning. 

Så beskriv ditt problem ”Jag behöver hjälp med att effektivisera leveranser från min projektportfölj. Vi jobbar enligt SAFE med devops.” så föreslår den tränade AI-motorn, enligt ovan, ett team som kan hjälpa till att lösa problemet! 

Ovanstående driver förändring, kunder och egenföretagande konsulter kommer närmare varandra i matchningen som blir alltmer automatiserad och inkluderar alltfler parametrar. Säljarens roll kommer förändras positivt mot mer proaktivitet, partnerskap och relation och nya sätt att göra affärer. Återkommer med spaningar kring det. 

/Anders Eriksson, en av grundarna av cfinder