Ekspert i AI-rekruttering siger, at AI fjerner de udfordringer, der skaber ekspertise

David Stepania er virksomhedsleder og serieiværksætter. Han er i øjeblikket administrerende direktør for ThirstySprout, en markedsplads, der forbinder eksterne AI-ingeniørtalenter med finansierede amerikanske startups.

Vi satte os ned med David for at lære, hvordan AI ændrer ledelse og rekruttering. Her er, hvad han fortalte os.

AI omskriver betydningen af at være et højtydende team

Jeg hedder David Stepania og er grundlægger og administrerende direktør for ThirstySprout, en markedsplads, der forbinder eksterne AI-ingeniørtalenter — primært fra Latinamerika, Østeuropa og Asien — med finansierede amerikanske teknologistartups. Jeg har også grundlagt ChoppingBlock.ai, en platform med AI-baseret løn- og jobindsigt, og jeg er vært for podcasten AI Chopping Block.

Jeg er serieiværksætter for anden gang med virksomheder, der er bygget op uden ekstern finansiering. Ingen VC, intet sikkerhedsnet — alle virksomheder, jeg har bygget, har skullet være rentable for at overleve. Min seneste virksomhed kom på Inc. 5000 som nummer 247 i 2024, og gennem min karriere har jeg genereret en omsætning på over 100 mio. USD.

Jeg driver det hele fuldt ud eksternt fra solrige steder rundt om i verden med et distribueret team fordelt på fire kontinenter.

Min ledelsesrejse har været én lang lektion i at få mere ud af mindre. Det tvinger opbygning uden ekstern finansiering dig til. Du kan ikke ansætte dig ud af ethvert problem, så du bliver rigtig god til at skabe løftestangseffekt — gennem processer, systemer og de rigtige mennesker på de rigtige pladser.

Jeg synes, det aktuelle AI-øjeblik er interessant, fordi jeg ser det fra to sider på én gang. Internt genopbygger jeg min egen organisation omkring AI som et eksekveringslag. Eksternt får jeg dusinvis af finansierede startups, der fortæller mig præcis, hvad de nu ønsker fra ingeniører — og den efterspørgsel har ændret sig hurtigere i de seneste 18 måneder, end den gjorde i hele det foregående årti. Jeg har en plads på første række, når det gælder at se, hvordan AI omskriver betydningen af, hvad "et højtydende team" overhovedet er.

Sådan ændrer AI teamets drift og beslutningstagning

Jeg gennemgik AI-genererede kandidatvurderinger, da alt ændrede sig for mig.

Her er, hvad der skete: Jeg bad AI'en om at bedømme en gruppe ingeniører til stillingen. Den returnerede rangeringer, der i store træk lå, hvor jeg forventede — men for én kandidat markerede den noget, jeg ikke havde bedt den om at lede efter: Ingeniøren passede næsten perfekt teknisk, men befandt sig i et land, der ikke stod på kundens liste over godkendte ansættelseslande.

Derefter gjorde den noget, som et værktøj typisk ikke gør. Den foreslog en løsning — kandidaten kunne flytte til et nærliggende godkendt land, eller vi kunne hjælpe ham med at etablere bopæl i Mexico — noget, vi tidligere havde gjort for andre ingeniører.

Det var øjeblikket. Den udførte ikke bare en opgave. Den ræsonnerede om min virksomhed, som en skarp medarbejder på mit team ville have gjort. Og jeg indså, at flaskehalsen i min virksomhed havde flyttet sig.

Hvorfor mennesket er intelligenslaget, mens AI er hænderne

Alle ønsker sig nu ingeniører, der arbejder AI-først, ikke bare folk, der bruger Cursor. De mener en ingeniør, der lader AI stå for kodningen, mens de selv står for tænkningen — problemformuleringen, arkitekturen og vurderingerne.

Min egen rolle har udviklet sig på samme måde. For to år siden bestod en stor del af mit arbejde i at fordele opgaver — beslutte, hvem der skulle gøre hvad, og derefter vente på resultatet. I dag består mit arbejde i at definere problemer præcist nok til, at vi kan udføre løsninger, og en stadig større del af denne udførelse foregår gennem AI i stedet for gennem en nyansættelse.

Jeg plejede at antage, at jeg ville få brug for en deltidsansat CFO for at få reel klarhed over vores enhedsøkonomi. I stedet lavede jeg selv en finansiel analyse på CFO-niveau med AI og fandt ud af, at kategoriseringen af en omkostningspost tilslørede vores reelle enhedsøkonomi. Det var en analyse, jeg enten ville have betalt en specialist for at udføre eller slet ikke have lavet.

Det samme gælder jura. Jeg genopbyggede hele vores masterserviceaftale, vores kontrakter med eksterne samarbejdspartnere og vores aftaler om fordeling af partnerhonorarer. AI udarbejder udkast, og en advokat gennemgår dem. Det vender om på omkostningsstrukturen. Det dyre menneske står nu for de sidste 10 %, ikke de første 90 %.

Og jeg har også omformet selve teamet. Vi bevæger os væk fra teams hen imod enkeltpersoner, der ejer hele områder, og som hver især er kraftigt AI-forstærkede. Én person ejer hele vores programatiske SEO-område. Én person ejer vores fællesskabs- og datainfrastruktur. Hver enhed i organisationen er ikke længere et team — det er én stærk operatør plus AI.

Hvor AI bør bruges — og hvor det ikke bør bruges

Jeg bruger også AI i strategi, beslutningstagning og organisationsdesign, med forskellig intensitet på hvert område.

• Beslutningstagning er det dybeste område: Jeg stresstester prisfastsættelse, ansættelser og forhandlingsstrategi op mod min AI-opsætning, før jeg træffer en beslutning.
• Til strategi bruger jeg det i høj grad til markedsanalyse.
• Til organisationsdesign arbejdede jeg redesignprocessen igennem sammen med AI, da jeg omstrukturerede virksomheden omkring ejere af enkeltstående domæner i stedet for teams, og modellerede, hvad hver rolle burde eje, og hvor de reelle begrænsninger var.

Kultur er det område, hvor jeg er mest påpasselig. Den er grundlæggende menneskelig, fordi den formes af, hvordan mennesker behandles i svære situationer, og det kan man ikke outsource. AI hjælper med forberedelsen. Før en vanskelig samtale om arbejdsindsats tænker jeg over, hvordan jeg kan være direkte uden at være grusom, og hvad personen har brug for at høre. Men selve samtalen skal jeg selv tage.

AI kan gøre mig til en bedre forberedt leder. Den kan ikke gøre mig nærværende. Den del kan jeg ikke delegere.

Hvordan kandidatvurderingen kan redesignes med AI

Rekruttering er traditionelt et volumenbaseret spil: Find hundrede CV'er, skim dem, videresend tredive, og håb på, at nogle få hænger ved. Rekrutterernes værdi lå i gennemløbet. Men vi genopbyggede hele kandidatvurderingsprocessen omkring AI.

Først oprettede vi et dedikeret Claude-projekt for hver kundeopgave med brugerdefinerede instruktioner, der indkoder det reelle rekrutteringsniveau — ikke kravene, der står i jobbeskrivelsen, men det, den ansættende leder mener, efter at man har talt med vedkommende.

En jobbeskrivelse siger "senior React-udvikler". Det reelle niveau efter en samtale er "en person, der har lanceret en RAG-pipeline i produktion og kan koble telefoniintegrationer op". Denne nuance findes i arbejdsområdet.

For det andet indlæser vi kundens interviewplan og vurderingsskema som den autoritative kilde. AI'en vurderer derfor kandidaterne ud fra præcis den vurderingsrubrik, kunden vil bruge, ikke ud fra generel anciennitet.

For det tredje får hver kandidat en score fra ét til ti på hver ufravigelig dimension, med en skriftlig begrundelse og tydeligt markerede mangler. Ikke "godt match" — "frontend: 9, lanceret RAG: 8, telefoni: 0, her er hvorfor."

Vores resultat ændrede sig som følge heraf. Vi holdt op med at videresende tredive CV'er og begyndte at sende tre til fem helt rigtige kandidater, hver med en gennemgang, som kunden kan handle på.

Kandidatshortlisterne blev markant mere præcise, kandidaterne bevægede sig længere ind i interviewforløbene, og samtalerne skiftede fra "Her er nogle personer" til "Her er præcis, hvordan hver af dem matcher jeres vurderingsrubrik."

Men den dybere ændring gjaldt mit teams arbejdsopgaver. AI håndterer nu rutinearbejdet — læsning, matching og den første filtrering. Det betyder, at hver time, et menneske på mit team bruger, går til den del, AI ikke kan klare, såsom at forstå motivation, vurdere, om en person vil trives i en kaotisk startup, opbygge relationen og få aftalen i hus.

Arbejdet blev ikke mindre. Det rykkede op ad værdikæden. Som leder blev min egentlige opgave at sikre, at teamet forstod denne ændring og tog den til sig i stedet for at føle sig truet af den.

Hvorfor redesign af processer er afgørende for anvendelsen af AI

David deler

Den største uoverensstemmelse er, at virksomheder behandler AI som noget, der skal tilføjes — licenser, et værktøj, et topstyret påbud om at “bruge AI” — når man i virkeligheden er nødt til at redesigne omkring den.

Den største uoverensstemmelse er, at virksomheder behandler AI som noget, der skal tilføjes — licenser, et værktøj, et topstyret påbud om at "bruge AI" — når man i virkeligheden er nødt til at redesigne omkring den. Det er to helt forskellige projekter.

Folk overser denne mekanisme. AI forstærker den proces, man retter den mod. Hvis den underliggende proces er god, gør AI den markant hurtigere. Hvis processen er middelmådig — og de fleste processer i de fleste virksomheder er middelmådige — giver AI dig bare mulighed for at udføre middelmådigt arbejde hurtigere. Du får ikke transformation. Du får den samme forvirring, bare hurtigere.

Jeg ser dette fra begge sider af min virksomhed. Internt, da jeg gennemgik vores egen softwarestak, fandt jeg ud af, at vi brugte over halvtreds værktøjer, hvoraf en stor del var AI-værktøjer, som vi havde købt, fordi vi troede, at selve købet var transformationen.

Det er at forveksle værktøjssprawl med fremskridt. Og eksternt ser jeg den ene kunde efter den anden udstyre alle deres ingeniører med AI-kodeværktøjer, men de kæmper stadig med at få ting udgivet, mens nogle få sjældne faktisk bevæger sig hurtigt. Forskellen handler aldrig om antallet af værktøjer, men om hvorvidt de har redesignet arbejdet.

Hvordan psykologiske udfordringer påvirker implementeringen af AI

Da jeg introducerede AI i en del af virksomheden, gjorde folk sjældent åbenlyst modstand. Modstanden var mere stille. Nogle brugte det for lidt og fortsatte med at gøre tingene på den langsomme måde. Nogle brugte det konstant, men nævnte det ikke, næsten som om de ville blive taget i at snyde. Ingen sagde "Jeg føler mig truet af det her", men deres adfærd gjorde.

Til sidst forstod jeg, at deres job for mange menneskers vedkommende er deres identitet, og at deres værdi er knyttet til at være dygtige til et bestemt fag. Når et værktøj pludselig kan udføre en stor del af dette fag, ændrer du ikke bare nogens arbejdsgang, du udfordrer også den måde, de ser sig selv på. Det er ikke et træningsproblem, du kan løse med en vejledning.

Jeg plejede at tro, at ledelse gennem et teknologisk skifte handlede om at træffe gode beslutninger om værktøjer og processer. Nu mener jeg, at det egentlige arbejde er at hjælpe folk med at genforhandle deres egen værdi — højt og i trygge rammer.

Helt konkret betød det, at vi udtrykkeligt og gentagne gange gjorde det acceptabelt at bruge AI. Det skulle være acceptabelt at sige "AI lavede det meste af dette udkast." Det skulle være acceptabelt ikke længere at være den hurtigste til at skrive eller den bedste researcher på holdet, fordi det ikke længere er dér, din værdi ligger. Vi var nødt til at fjerne skammen, før implementeringen kunne finde sted.

Den del, der påvirkede mig mest personligt, var, at jeg selv måtte besvare det samme spørgsmål.

I årevis kunne jeg forklare langsomme fremskridt med "vi har ikke kapaciteten." Den undskyldning er stort set væk. Hvis noget ikke bevæger sig nu, er det som regel, fordi jeg ikke har defineret det tydeligt nok til, at et menneske eller en AI kan tage over. Det er ydmygende.

Sådan udfører du den mindre glamourøse del af AI-implementeringen

Sådan griber jeg implementeringen af AI an.

For det første en fast regel: Vi automatiserer aldrig en proces, som vi ikke har afprøvet manuelt. Vi kører en forretningsudviklingskampagne lige nu, og jeg instruerede udtrykkeligt holdet i at gøre det manuelt først.

Send selv henvendelserne, tag samtalerne, og find ud af, hvad der faktisk virker. Først når vi har bevist, at en proces fungerer, automatiserer vi den, fordi automatisering blot skalerer det, du allerede har. Automatisér en proces, du ikke forstår, og så opbygger du en meget effektiv måde at fejle på.

For det andet betragter jeg implementeringen af AI som et spørgsmål om arbejdsgange og dømmekraft, ikke om indkøb. Gevinsten vil aldrig være "flere værktøjer". Det er færre værktøjer, som bruges dybtgående af mennesker, der reelt har ændret deres måde at arbejde på. Vi skærer kraftigt ned.

For det tredje har jeg ændret, hvad vi belønner. AI har gjort rå produktion billig, mens dømmekraft — at vide, hvilket problem der skal løses, og opdage når AI med stor sikkerhed tager fejl — er blevet det knappe og værdifulde.

En organisation, der er bygget til den gamle verden, belønner de mennesker, der producerer mest. En organisation, der er bygget til denne verden, skal belønne de mennesker, der træffer gode beslutninger. Det er et reelt skifte i den måde, du gennemfører samtaler om præstationer på.

Sådan opbygger du AI-kompetencer og AI-parathed i teams

De fleste tror, at AI-parathed betyder fortrolighed med værktøjer — at dit team ved, hvordan man bruger AI-produkter. Men det er den mindst vigtige del, og den ændrer sig alligevel hver sjette måned.

AI-parathed betyder fire ting:

1. En person spørger som standard: "Bør AI lave det første udkast til dette?" før vedkommende gør det i hånden.
2. De kan skrive en klar opgavebeskrivelse, fordi vage input giver vage resultater, og det at formulere problemet er den egentlige kompetence.
3. De opdager, når AI med stor sikkerhed tager fejl.
4. De er åbne om, at de bruger det.

Dømmekraft, klar kommunikation, verificering, gennemsigtighed. Ingen af delene er et værktøj.

Her er trinnene til at opbygge AI-kompetence:

1. Gør det udtrykkeligt trygt og forventet. Folk skjuler deres brug af AI, hvis de tror, det får dem til at fremstå som nogen, der kan erstattes, så ledere skal aktivt normalisere "AI lavede første udkast" – indtil skammen er væk. Kompetence kan ikke vokse i det skjulte.
2. Undervis i forbindelse med det virkelige arbejde, ikke på et generisk seminar — en rekrutteringsmedarbejder opbygger kompetence gennem screening, en person inden for efterspørgselsgenerering gennem research af potentielle kunder. Det hænger fast, fordi det knytter sig til jobbet.
3. Her er det trin, de fleste overser: Sænk færdighedstærsklen i stedet for at gøre alle til eksperter. Vi opbygger en fælles infrastruktur — forudbyggede arbejdsområder med kontekst og instruktioner, der allerede er indkodet — så en junior medarbejder kan få resultater på ekspertniveau uden at være ekspert i prompts.

David deler

At være klar til AI betyder fire ting: Man begynder som udgangspunkt at spørge “Bør AI lave første udkast til dette?”, før man gør det i hånden. Man kan skrive en klar brief, fordi vage input giver vagt output, og det at formulere problemet er den egentlige færdighed. Man opdager, når AI tager selvsikkert fejl. Man er åben om at bruge det.

Hvorfor AI-kompetence medfører sine egne problemer

Problemerne er reelle. Det største er overdreven tillid.

Når folk først bliver fortrolige med det, begynder nogle at acceptere AI-output ukritisk. En junior medarbejder sender noget ud, der er subtilt forkert, fordi vedkommendes faglige dømmekraft ikke er fulgt med værktøjets selvsikkerhed. Det er præcis derfor, du skal indbygge verificering i din definition af, hvornår man er "klar".

Det andet problem er sværere, og ingen advarer dig om det: AI løfter ikke alle lige meget. Dine stærkeste medarbejdere får hurtigt en kumulativ fordel med det, mens dine svageste går i stå. Præstationsforskellen på dit team bliver større. Det er et ledelsesproblem, og det tvinger dig til ærlige samtaler, som du ikke kan undgå.

Hvorfor det at fjerne værktøjer styrker din softwarestak

Den vigtigste ændring i min stak i år var fravalg.

Lad mig begynde med rygraden og derefter ændringen.

Rygraden er Claude. Det er ikke "et værktøj" i stakken på samme måde som de andre; det er det lag, som det meste af det virkelige arbejde går igennem: screening og rangering af kandidater, finansiel analyse, udarbejdelse af kontrakter, indhold og strategi.

Jeg bruger det som en række dedikerede arbejdsområder, ét for hver større del af virksomheden, hver med tilpassede instruktioner, der indkoder, hvordan det pågældende område fungerer. Til de mere tekniske, agentbaserede løsninger bruger jeg Claude Code.

Min vurdering: Det er med stor margen virksomhedens værktøj med den højeste løftestangseffekt, og det kommer ikke engang tæt på.

Rundt om det er resten af stakken bevidst kedelig. Google Workspace og Slack til kommunikation, drift og vores fællesskabsinfrastruktur. Beehiiv til nyhedsbrevet, Riverside til podcasten. Deel til kontrakter med freelancere og betalinger. Calendly til planlægning, Fathom til at optage møder og samtaler og BetterProposals til kundeforslag. Det er det meste af den.

Min vurdering af det lag er enkel: Det er stabilt, uanseligt og bør forblive sådan. En virksomheds driftslag er ikke stedet, hvor man ønsker nytænkning.

Nu til den bemærkelsesværdige ændring. Tidligere i år gennemgik jeg alle produktabonnementer. Jeg forventede tyve eller tredive værktøjer ... det var over halvtreds. Den mest sigende klynge var fem forskellige AI-abonnementer, der i store træk gjorde overlappende ting. To separate tidsregistreringsværktøjer. Tre forskellige værktøjer til opslag på LinkedIn. Fem platforme til websites.

Intet af det var strategi. Det var resterne af et år, hvor vi sagde ja. Hvert eneste "lad mig lige prøve det her", som aldrig blev opsagt. Fem værktøjer, der bruges med 10 % dybde, taber til ét værktøj, der bruges med 90 %. Så vi konsoliderede hårdt ved at samle AI-værktøjerne omkring Claude som det primære værktøj og vælge ét værktøj til hvert job alle andre steder, mens vi skar resten væk.

Hvordan AI vil omforme talentmarkedet inden for softwareudvikling

Her er noget interessant, jeg ser inden for rekruttering af softwareudviklere. Det er værd at have i baghovedet.

Inden for fem år vil det traditionelle softwareudviklerjob på begynderniveau for det meste forsvinde. Ikke "ændret" — væk. AI udfører nu præcis de veldefinerede og ligetil programmeringsopgaver under opsyn, som nyuddannede softwareudviklere historisk set blev ansat til at udføre, og det gør den godt og billigt.

Virksomheder er allerede begyndt at ansætte færre juniorer. Om fem år vil det ikke være en opbremsning, men strukturelt.

Du kan ikke skabe en senior softwareudvikler uden årene som junior. Senior dømmekraft — at vide, hvilken tilgang der bryder sammen i stor skala, og at kunne lugte en dårlig arkitekturbeslutning — bliver ikke undervist; softwareudviklere opbygger den ved at gøre tusindvis af små ting og lejlighedsvis gøre dem forkert.

Hvis du fjerner begyndertrinnet, fjerner du træningsområdet. Så min egentlige forudsigelse er, at branchen om cirka fem år, efter at juniorrollen er forsvundet, vil ramme en mangel på senioringeniører, som den selv har skabt. Vi optimerer bunden af stigen væk uden at indse, at stigen var det, der gjorde det muligt for folk at nå toppen.

Ingeniørjobbet på begynderniveau vil forsvinde — og de virksomheder, der overlever årtiet, vil være dem, der finder ud af, hvordan man skaber seniortalenter, ikke bare finder dem. Hele branchen vil bevæge sig fra at finde mennesker til at udvikle dem.

Hvorfor ærlighed er afgørende, når man navigerer i AI-transformation

Her er mit råd til ledere:

• AI ligner et teknologiproblem, så ledere behandler det som et sådant — værktøjer, budgetter, træning. Men det er et ledelsesproblem. Softwaren var aldrig den svære del. AI tvinger alle på dit team til at genforhandle, hvad der gør dem værdifulde, og det er skræmmende. Folk siger det ikke højt. Hvis du styrer implementeringen, men ikke frygten, mislykkes implementeringen. Led først den menneskelige omstilling.
• AI reparerer ikke en dysfunktionel organisation, den afslører den. Den får sjuskede processer og uklar tænkning til at bevæge sig hurtigere og blive mere synlige. Meget af det egentlige arbejde handler slet ikke om at indføre AI, men om det uglamourøse arbejde med at være ærlig om, hvordan din organisation fungerer, og rette op på det. AI fjerner blot din mulighed for at skjule dig for det.
• Begynd nu i dit eget virkelige arbejde — ikke med et pilotprojekt og ikke med noget, du uddelegerer. Ledere, der ikke selv har brugt disse værktøjer indgående på deres vanskeligste problemer, kan ikke lede andre igennem dette.

Og en sidste ting. Ingen har regnet det hele ud, heller ikke jeg. Alle, der sælger sikkerhed nu, sælger noget. Den rigtige tilgang er ikke selvtillid, men ærlighed, en høj læringshastighed og disciplinen til ikke at udlicitere ledelsens menneskelige dele til en maskine, uanset hvor god maskinen bliver.

De ledere, der vinder i denne situation, vil ikke være dem, der indførte mest AI. Det vil være dem, der forblev mest ærlige.

Hvorfor ledere skal skabe plads til mestring — og besvær

En sidste ting. På et tidspunkt kan ledere være nødt til at holde op med at tænke på, hvad AI giver os, og begynde at tænke på, hvad den stille og roligt tager fra os.

Enhver samtale om AI og ledelse, inklusive det meste af denne, fokuserer på gevinster. Hurtigere, billigere, større gennemslagskraft. Det er alt sammen reelt. Men der er en omkostning, og vi bør være ærlige om at sætte navn på den.

Det er den omkostning, jeg tænker mest på. Mestring — ægte, dyb dømmekraft på seniorniveau — opbygges altid gennem besvær. Du går i stå, du sidder med et vanskeligt problem, du prøver den forkerte løsning tre gange, og et sted i den friktion lærer du.

AI fjerner friktionen. Den giver dig svaret, før du når at kæmpe dig frem til det. På kort sigt er det en ren fordel, fordi arbejdet bliver udført. Men besvær var aldrig bare en ineffektivitet. Det var den mekanisme, der gjorde folk dygtige. Når du fjerner det, får du hurtigere output og, stille og roligt, mere overfladiske mennesker. Vi bytter dybde for hastighed og lægger for det meste ikke mærke til det.

Jeg siger ikke dette for at sænke tempoet — det kan du ikke, og det bør du heller ikke. Jeg siger det, fordi det at sætte navn på et tab er det første skridt til at håndtere det. Hvis besvær opbygger dømmekraft, og AI fjerner besvær, har en leder nu en ny, tydelig opgave: bevidst at føre det tilbage.

Giv folk problemer, som AI ikke kan finde en genvej til. Beskyt den produktive vanskelighed, selv når den hurtige vej ligger lige foran dem. Betragt dine medarbejderes udvikling som noget, der nu kræver intention, fordi omgivelserne ikke længere skaber den gratis.

Det er den del, jeg gerne vil have andre ledere til at overveje. Fordelene ved AI passer sig selv — alle jagter dem allerede. Omkostningen er subtil; den viser sig flere år senere og rammer udelukkende dine medarbejdere. Der skal være nogen i rummet, som er opmærksom på den. Den person er dig. Det er din opgave nu.

Følg med

Du kan finde mere fra David Stepania på LinkedIn, X, Instagram, YouTube og stepania.co. Eller tjek ThirstySprout og Chopping Block ud.

Flere ekspertinterviews kommer snart på People Managing People!