Chef for talentrekruttering hos Thoughtworks deler, hvordan rekruttering kan gøres til en datadrevet og prædiktiv proces med AI

Carla Catelan er chef for talenttiltrækning (Amerika) hos Thoughtworks og en erfaren ledende chef. I dag fokuserer hun på at bruge AI til at gøre talenttiltrækning til en datadrevet og forudsigelig proces, mens den fortsat er menneskecentreret.

Vi talte med Carla for at få en fornemmelse af, hvordan hun gør det. Her er, hvad hun havde at sige.

Omformning af lederskab og talentstrategi

Jeg er en erfaren ledende chef inden for talenttiltrækning med mere end to årtiers erfaring i at opbygge og skalere højtydende rekrutteringsorganisationer i hele Amerika.

Gennem min karriere har jeg haft ledende roller i globale teknologi- og konsulentvirksomheder som Thoughtworks, Cognizant og Hewlett-Packard, hvor jeg ledede store talenttiltrækningsteams på tværs af flere lande. Tidligere i min karriere fungerede jeg også som strategisk talentforretningspartner, hvor jeg rådgav den øverste ledelse og direktionen om arbejdsstyrkeplanlægning, organisationsdesign og medarbejderstrategi.

Arbejdet i stor skala formede min lederrejse — jeg ledede teams på over 50 rekrutteringsmedarbejdere, stod i spidsen for 600 til 2.000 ansættelser om året og leverede konsekvent rekordresultater inden for rekrutteringseffektivitet, kandidatoplevelse og organisatorisk vækst.

Ud over den grundlæggende ledelse af talenttiltrækning har jeg opbygget og ledet strategiske programmer inden for arbejdsgiverbranding, diversitet og inklusion samt campusrekruttering, herunder initiativer, der markant øgede ansættelsen af kvinder og personer med handicap og udvidede talentpipeline for kandidater tidligt i karrieren på tværs af flere lande.

Ved siden af mine roller i virksomheder fungerer jeg også som uafhængig rådgiver for beecrowd, en global platform for konkurrencepræget programmering og teknisk vurdering, som universiteter og teknologivirksomheder bruger til at evaluere talenter inden for softwareudvikling i stor skala. I denne rolle rådgiver jeg om rammer for talentevaluering, vurdering af kompetencer og samspillet mellem teknisk ekspertise og arbejdsstyrkestrategi.

I de senere år har mit arbejde i stigende grad fokuseret på, hvordan AI og datadrevet rekruttering omformer lederskab, talentstrategi og udformningen af højtydende organisationer i komplekse miljøer på tværs af flere lande.

Hvorfor AI ændrer mere end blot teknologien

Med AI udviklede min rolle som leder inden for talenttiltrækning sig fra primært at fokusere på udførelse til at udforme strategiske talentsystemer, der bruger AI til at omforme, hvordan organisationer tiltrækker, vurderer og engagerer talenter. Denne ændring er ikke kun teknologisk — den omformer ledelsesansvar, organisationsdesign og forholdet mellem mennesker og data.

Talenttiltrækning er traditionelt transaktionsbaseret, men denne transformation gør den datadrevet og forudsigelig. I stedet for at være afhængige af manuel screening og historiske gennemsnit bruger vi nu AI-baserede læringsagenter og forudsigende modeller, der analyserer store datasæt for at identificere mønstre for succes og anbefale kandidater med større præcision.

Ved at lære af historiske data håndterer disse systemer de gentagne opgaver, så teams kan vende tilbage til det, de er bedst til: at opbygge relationer og træffe strategiske beslutninger.

I sidste ende handler lederskab i en AI-prioriteret æra om at udforme beslutningsarkitekturer: at skabe systemer, hvor mennesker, data og AI samarbejder om at skabe bedre resultater. Det betyder at opbygge etisk styring, tydelige målepunkter og integrerede feedbacksløjfer, der gør det muligt for organisationer at forudse behov, reducere skævhed i udvælgelsen og tilpasse arbejdsstyrkens kompetencer til langsigtede strategiske mål.

Hvordan AI omformer HR-arbejdsgange og beslutningstagning

Når vi gennemgår en arbejdsgang med AI, styres vi af et klart princip: AI fjerner manuelt arbejde, strukturerer kvantitative signaler og fremhæver indsigter, mens mennesker fortsat er ansvarlige for kvalitative vurderinger og de endelige beslutninger.

Her er nogle eksempler på gennemgange, vi har foretaget:

1. Analyse af undersøgelser og organisatoriske feedbacksløjfer

En af AI's mest effektive anvendelser har været at analysere store mængder undersøgelsesdata. Ved hjælp af flere tilpassede Gemini-modeller behandler vi fritekstsvar på undersøgelser for at identificere tilbagevendende temaer, følelsesmønstre og nye risici på tværs af teams og regioner.

I stedet for at være afhængige af manuel tagging eller anekdotisk fortolkning gør AI det muligt for os at systematisere feedback i stor skala og omdanne kvalitative input til strukturerede signaler, der viser, hvor der er størst behov for indsatser. Det har markant forbedret hastigheden, konsistensen og objektiviteten i planlægningen af organisatoriske forbedringer.

2. Interne arbejdsgange og fjernelse af manuelle processer

Vi har også anvendt AI i interne arbejdsgange for at reducere manuelt, gentagende arbejde. AI sorterer forespørgsler, strukturerer uformaterede input og understøtter forberedelsen af beslutninger på tværs af interne processer.

Det har reduceret den operationelle arbejdsbyrde betydeligt og givet teams mulighed for at fokusere på arbejde med større værdi, såsom strategisk problemløsning, interessentinddragelse og løbende forbedringer i stedet for administrativ udførelse.

3. Præstations- og evalueringsprocesser

I interne evaluerings- og præstationsprocesser spiller AI en afgørende rolle i håndteringen af den kvantitative del af analysen. AI søger efter, samler og krydsrefererer strukturerede datapunkter over tid, så evalueringer baseres på langsigtede evidensdata i stedet for aktualitet eller isolerede hændelser.

Det giver ledere mulighed for at fokusere på de kvalitative aspekter af evalueringen — dømmekraft, kontekst, udviklingssamtaler og fremtidigt potentiale — i stedet for dataindsamling. Resultatet har været mere disciplinerede, retfærdige og evidensbaserede vurderinger.

4. Videndeling og koordinering

Vi bruger NotebookLM som et fælles videnslag til at dokumentere processer, beslutninger og tilbagevendende temaer, så der er hurtig og sikker adgang til organisatorisk viden. Vi deler åbent de oplysninger, der indsamles i dette system, når det er relevant, hvilket forbedrer koordineringen, reducerer fejlfortolkninger og skaber et fælles faktuelt grundlag på tværs af teams.

5. Strategi, beslutningstagning og organisationsdesign

På strategisk niveau understøtter AI den måde, vi tænker på usikkerhed, prioriteter og afvejninger. I stedet for at foreskrive beslutninger hjælper AI med at synliggøre mønstre, kvantificere tvetydighed og afprøve antagelser — særligt inden for områder som rolledesign, organisatorisk effektivitet og forandringsinitiativer.

Sådan forbedrer prædiktiv analyse kvaliteten af ansættelsesbeslutninger

Inden for rekruttering var vores gennemløbstid allerede konsekvent god, på mellem 30 og 35 dage, så for os handlede det ikke om at forbedre hastigheden. Det egentlige skifte kom, da vi besluttede at redesigne kvaliteten af kandidattragten i stedet for processens hastighed.

Først uddannede vi rekrutteringsteamet i prædiktiv analyse og kompetencebaseret arbejdsstyrkesegmentering. I stedet for at optimere efter volumen redesignede vi vores modeller for indtag og screening, så de kunne forudsige, hvilke profiler der med størst sandsynlighed ville få succes i specifikke roller, markeder og teams. Det gjorde det muligt for os bevidst at reducere antallet af kandidater, der gik videre til hvert trin i processen.

I praksis opbyggede vi prædiktive dashboards, der kombinerede historiske ansættelsesresultater, præstationsdata og markedssignaler. Rekruttererne brugte derefter disse modeller til kun at fokusere på kompetencer med høj sandsynlighed for succes, så vi gik fra kvalitet gennem volumen til kvalitet gennem præcision.

Men igen: AI bør ikke erstatte menneskelig dømmekraft, men skærpe den. Vi bevarede bevidst tæt menneskelig interaktion i interviews, kalibreringsdrøftelser og endelige beslutninger. Denne kombination gjorde det muligt for os at levere en bedre kandidatoplevelse, mere velovervejede vurderinger og mere retfærdige og konsekvente beslutninger.

Sådan påvirker jobdesign AI-drevne ansættelsesresultater

Før jeg begyndte at arbejde med prædiktive modeller, undervurderede jeg, hvor meget tvetydige, inkonsekvente eller oppustede jobbeskrivelser kunne forvrænge ansættelsesresultater og AI-systemers læringsadfærd. Med AI afgør kvaliteten af jobdesign og jobbeskrivelser alle efterfølgende beslutninger.

Faktisk afdækkede prædiktive analyser af vores historiske ansættelsesdata et tydeligt mønster. Variation i rolledefinitioner førte til dårligere resultater — i endnu højere grad end lav kandidatkvalitet. Med andre ord gav roller med dårligt specificerede kompetencer, urealistiske krav eller inkonsekvente signaler om anciennitet konsekvent lavere konvertering, flere afslag sent i processen og svagere tidlige præstationer, uanset hvor stærk kandidatpuljen var.

Det ændrede grundlæggende vores strategi. I stedet for at behandle jobbeskrivelser som statiske input redesignede vi dem som prædiktive artefakter. Vi brugte historiske resultatdata til at skelne mellem krav, der hang sammen med succes, og krav, der blot øgede støj og tvetydighed. Over tid gjorde det det muligt for os at forenkle rolledefinitioner, fjerne ikke-prædiktive krav og fokusere ansættelser på et mindre antal kompetencer med stærke signaler.

Hvorfor AI-anvendelse bør institutionaliseres og ikke afprøves i pilotprojekter

Den største afstand, jeg konsekvent ser mellem AI's løfte og den organisatoriske virkelighed, er ikke teknologisk, men organisatorisk og menneskelig. De fleste virksomheder investerer massivt i AI-værktøjer og forventer forbedringer. Men de fastholder de samme incitamenter, de samme hierarkiske strukturer og den samme lave dataforståelse blandt ledelsen.

Resultatet er, at AI enten bliver underudnyttet eller anvendt forkert: stærke modeller producerer indsigter, som der ikke er tillid til, som ikke bliver forstået eller omsat til handling.

Vi håndterede denne afstand ved at institutionalisere AI-anvendelsen i stedet for at behandle den som en række pilotprojekter. Vi etablerede en dedikeret tværfunktionel arbejdsgruppe med fokus på AI-understøttet beslutningsdesign inden for talenttiltrækning.

Arbejdsgruppen arbejder med eksplicitte mål på forretningsniveau. Dens to primære mål er at øge konverteringsraterne på tværs af rekrutteringsprocessen med 50 % gennem prædiktiv segmentering og redesign af beslutninger samt at reducere interviewtimerne med yderligere 30 % ved tidligere i processen at frasortere kandidater med lav sandsynlighed for at gå videre. Disse mål tvinger organisationen til at fokusere ikke på eksperimentering, men på vedvarende forbedringer af resultaterne på systemniveau.

Ud over målingerne har gruppen ansvaret for at redesigne beslutningsarbejdsgange, før automatisering introduceres. Vi kortlægger, hvor kritiske ansættelser besluttes, hvem der ejer beslutningerne, hvilke data der kræves, og hvor menneskelig dømmekraft skal forblive central. Først når beslutningsarkitekturen er tydelig, introducerer vi AI for at understøtte specifikke trin i stedet for at lægge værktøjer oven på ødelagte processer.

Vi indbygger også styring fra starten. Det omfatter muligheden for menneskelig tilsidesættelse, overvågning af bias og modeldrift, tydeligt ansvar for modellernes resultater samt etisk gennemgang af anvendelsesområder med stor indvirkning. Uden dette har AI en tendens til at opskalere både gode og dårlige beslutninger samtidig.

Hvad det vil sige at være klar til AI inden for HR og talenttiltrækning

Vi betragter AI mindre som en samling værktøjer og mere som en tankegang omkring beslutningstagning. At være klar til AI i vores organisation betyder konsekvent at stille bedre spørgsmål: hvilke signaler der er vigtige, hvor der findes usikkerhed, og hvordan data kan informere menneskelig dømmekraft.

AI-forståelse opbygges gennem det daglige arbejde, ikke gennem formel undervisning. Teams lærer ved at bruge AI til at identificere mønstre, afprøve antagelser og strukturere beslutninger på tværs af undersøgelser, evalueringer og operationelle arbejdsgange.

I praksis viser det sig i den måde, vi træffer beslutninger på: mere evidensbaserede drøftelser, tydeligere antagelser, bedre dokumentation og et fælles sprog til at arbejde med usikkerhed. AI driver ikke beslutningerne, men former den måde, vi tænker på, før vi træffer dem.

Carlas værktøjsstak i tre lag

Til AI-understøttet eksekvering bruger vi flere kategorier af værktøjer. Til sprogforståelse, jobdesign og struktureret vidensunderstøttelse bruger vi Gemini, en intern AI-agent og NotebookLM, som fungerer som et sikkert internt videnslag til at dokumentere processer og give hurtig, styret adgang til institutionel viden.

Til interviewindsigt bruger vi BrightHire til at indfange strukturerede interviewsignaler og forbedre kvaliteten af kalibrering og feedback.

På vores centrale rekrutteringsplatform bruger vi primært Greenhouse AI til at opsummere vurderingsskemaer og skabe strukturerede sammenfatninger af interviewfeedback, samtidig med at den fulde menneskelige kontrol over udvælgelsesbeslutningerne altid bevares.

Hvorfor NotebookLM og ChatGPT er uundværlig kognitiv infrastruktur

Jeg er især fascineret af to værktøjer i dag: NotebookLM og ChatGPT. Jeg bruger dem i meget forskellige sammenhænge.

Jeg bruger udelukkende ChatGPT til personlige formål uden for mit arbejdsmiljø. Det er blevet mit primære personlige værktøj til tænkning og læring. Jeg bruger det til alt fra struktureret læring og skrivning til at udforske idéer, planlægge og reflektere.

Selve platformen angiver, at jeg er blandt dens mest aktive brugere, hvilket afspejler, hvor dybt den er blevet en del af min personlige kognitive arbejdsgang. Dens vigtigste effekt har været at fremskynde min læring, forbedre min klarhed i tænkningen og hjælpe mig med at ræsonnere mere stringent om komplekse emner.

I min professionelle sammenhæng er jeg mest engageret i NotebookLM. Jeg bruger det i vid udstrækning til at dokumentere og strukturere mine 1:1-møder, følge tilbagevendende temaer og fastholde et ensartet, evidensbaseret billede af den enkeltes udvikling og resultater over tid.

Jeg deler disse noter og sammenfatninger åbent med de mennesker, jeg mødes med, hvilket gør dette særligt effektivt. Det skaber en samlet og fælles optegnelse over forventninger, feedback og forpligtelser og har forbedret tilliden, retfærdigheden og ensartetheden i resultatevalueringen betydeligt. Det giver begge parter mulighed for at arbejde ud fra det samme faktuelle grundlag i stedet for ud fra hukommelse eller subjektiv fortolkning.

Det har resulteret i en langt mere disciplineret og retfærdig tilgang til resultatstyring: bedre opfølgning på udviklingstiltag, færre misforståelser og større overensstemmelse mellem ledere og teammedlemmer.

Det, jeg sætter mest pris på ved disse værktøjer, er, at de ikke er automatiseringsværktøjer, men kognitiv infrastruktur. Når de bruges på denne måde, erstatter de ikke dømmekraft – de forbedrer kvaliteten, retfærdigheden og gennemsigtigheden i den måde, dømmekraft udøves på.

Sådan vil talenttiltrækning ændre sig i løbet af de næste fem år

Talenttiltrækning vil ikke længere primært blive målt på hastighed eller volumen, men vil blive en funktion med fokus på beslutningskvalitet. I løbet af de næste fem år vil rollen udvikle sig fra at udføre rekrutteringsprocesser til at designe og styre, hvordan organisationer træffer talentbeslutninger under usikkerhed.

AI vil i stigende grad håndtere skala, mønstergenkendelse og udtrækning af signaler – fra jobdesign til matching på markedet – mens talentteams bliver langt mere præcise og bevidste i designet og udførelsen af udvælgelsesprocesser. Den konkurrencemæssige fordel vil komme fra en tydeligere rolledefinition, bedre signalkvalitet gennem hele tragten og mere ensartede, evidensbaserede udvælgelsesbeslutninger.

På brancheniveau tror jeg, at vi vil se en tydelig opdeling: Organisationer, der betragter AI som en tankegang, der er indlejret i deres driftsmodel, vil grundlæggende klare sig bedre end dem, der betragter det som et sæt værktøjer. Funktionens fremtid tilhører teams, der designer bedre beslutninger, ikke blot hurtigere processer.

Sådan kan ledere indføre AI bevidst i HR

Til mennesker i roller som min er mit råd at holde op med at betragte AI som en valgfri tilføjelse og begynde at betragte det som en del af den modus operandi, der bestemmer, hvordan arbejdet udføres. Det betyder, at man bør fokusere på at fjerne administrativ friktion med AI som et grundlæggende skridt. På nuværende tidspunkt er det selvmodsigende at modsætte sig AI: Spørgsmålet er ikke længere, om vi skal bruge det, men hvor bevidst og ansvarligt vi integrerer det i hverdagens beslutninger og arbejdsgange.

Samtidig skal vi være tydelige om, hvad der fortsat bør være menneskeligt. AI er særdeles effektivt til at håndtere skala, strukturere information og reducere støj. Når det bruges rigtigt, frigør det mennesker til at fokusere mere – ikke mindre – på det, der betyder noget: dømmekraft, relationer, etik, kreativitet og meningsfuld dialog.

I bredere forstand er mit råd til ledere at se AI som en kraft, der tydeliggør prioriteter. Succesfulde organisationer bruger AI til at fjerne arbejde, som teknologien udfører bedre end mennesker, og geninvesterer bevidst den tid og opmærksomhed i interaktioner mellem mennesker af højere kvalitet.

I stedet for at svække lederskab skaber AI betingelserne for, at et mere eftertænksomt, fokuseret og menneskeligt lederskab kan opstå.

Følg med

Du kan følge Carlas arbejde med at revolutionere talenttiltrækning på LinkedIn.

Der kommer flere ekspertinterviews på People Managing People!