Esimerkkejä tekoälystä henkilöstöhallinnossa: 11 tosielämän tapausta, joissa tekoäly palvelee henkilöstötiimejä

Henkilöstötiimille tämä tarkoitti pitkäaikaisten suorituskyvyn tukemiseen liittyvien haasteiden ratkaisemista, erityisesti siinä, miten työntekijät asettavat ja seuraavat tavoitteita.

Aiemmasta automaatiosta huolimatta Zapierin tavoitteenasettamisen käytännöt olivat epäjohdonmukaisia ja raskaita. Työntekijöillä oli vaikeuksia muotoilla mitattavia ja yhteensopivia tavoitteita, ja esihenkilöillä oli vain vähän näkyvyyttä tavoitteiden laatuun eri osastoilla.

Perinteiset tavoitteenasettamisen viitekehykset eivät juurtuneet, ja kiireiset työntekijät menettivät usein kiinnostuksensa prosessiin. Tämä uhkasi aiheuttaa yhteensopivuusaukkoja ja heikompia työntekijöiden suorituskykyyn liittyviä tuloksia.

Tekoälyratkaisu

Emily Mabie, Zapierin esihenkilöiden tukemisesta vastaava henkilö, rakensi päästä päähän ulottuvan tekoälypohjaisen järjestelmän tavoitteenasettamisen tueksi aina yksilöiden valmentamisesta koko tiimin kattavien trendien analysointiin. Hankkeessa hyödynnettiin tekoälyteknologioita viiden Zapierin oman työkalun avulla, jotka yhdistettiin toisiinsa alle kahdessa viikossa:

1. Tekoälyvalmennuksen chatbot: Zapierin rakentamalla verkkosivulla toimiva botti valmensi työntekijöitä tavoitteenasettamiseen tarkoitetun Zapierin oman AMP-viitekehyksen avulla. Tekoäly tarjosi reaaliaikaista ohjausta, muistutuksia ja esimerkkejä, jotka kaikki perustuivat Zapierin odotuksiin vaikuttavien ja joustavien tavoitteiden suunnittelusta. Tämä vähensi HR:n rutiinitehtäviä ja paransi samalla sitoutumista.
2. Automaattinen tiedonkeruu: Keskusteluista poistettiin henkilötiedot (PII), minkä jälkeen ne ohjattiin mukautetun Zapier-työnkulun avulla Zapier Table -tietokantaan. Näin luotiin keskitetty työntekijätietojen varasto yksityisyyttä suojaten. Näistä tietoaineistoista tuli arvokkaita jatkuvaa analyysia varten.
3. Taustajärjestelmän tekoälyagentti: Zapier Agent analysoi sitten kaikki tallennetut keskustelut koneoppimisen avulla tunnistaakseen prosessin keskeytymiskohdat ja heikot tavoitealueet, kuten epämääräisyydet ja yhteensopimattomuudet. Tämä data-analyysi paljasti manuaalisessa tarkastelussa näkymättömiä malleja.
4. Esihenkilöille tarkoitettu raportointikerros: Agentti tarjosi jatkuvasti valmennukseen liittyviä näkemyksiä, joiden avulla L&D-tiimi pystyi optimoimaan tavoitteenasettamisen tukemista. Keskustelutiedot muutettiin strategiaksi ja koulutusohjelmien jatkuvaa kehittämistä tuettiin. Yritysjohto pystyi nyt näkemään selkeät mittarit tavoitteiden laatua koskevista trendeistä.
5. Jakelu- ja käyttöönottostrategia: Slack-pohjainen vertaismarkkinointi, sisäiset edelläkävijät jokaisella osastolla ja selkeä "mitä hyötyä tästä on sinulle" -viestintä johtivat ensimmäisellä kierroksella 91 prosentin osallistumisasteeseen (chatbotia käytettiin yli 800 kertaa yksittäisten käyttäjien toimesta), mikä osoitti tekoälyn käyttöönoton onnistuneeksi.

Tulokset

• 91 %:n osallistuminen tavoitteiden asettamiseen tekoälychatbotin avulla – huomattavasti suurempi kuin aiempien järjestelmien aikana saavutettu työntekijöiden osallistuminen.
• Yli 800 tavoitteiden asettamiseen liittyvää keskustelua analysoitiin, mikä johti mitattaviin parannuksiin tavoitteiden täsmällisyydessä ja yhdenmukaisuudessa.
• Tavoitteiden laadun paraneminen arviointijaksojen aikana: tavoitteista tuli mitattavampia, strategisempia ja selkeämmin osaston ja koko yrityksen tavoitteiden mukaisia, mikä paransi suoraan työntekijöiden suorituskykymittareita.
• Täysimittainen käyttöönotto pilottivaiheesta laajamittaiseen käyttöön alle kahdessa viikossa Zapierin kokeilukulttuurin ja vähäkoodisen infrastruktuurin ansiosta.

Johdon yhteenveto

Tässä ei ollut kyse vain siitä, että tekoäly korvasi lomakkeen, vaan siitä, että tekoäly loi palautesilmukan. Zapier upotti tekoälyn koko tavoitteiden asettamisen prosessiin: valmentamiseen, analysointiin, parantamiseen ja kulttuurin vahvistamiseen. Ratkaisu toimi, ei siksi että tekoäly teki kaiken, vaan koska HR-ammattilaiset suunnittelivat kokemuksen empaattisesti, konteksti huomioiden ja selkeästi.

Varoitusmerkki

Hyvinkin rakennetut tekoälyjärjestelmät epäonnistuvat, jos niiden taustalla oleva viitekehys on heikko. Zapier oppi tämän käytännössä, kun heidän alkuperäinen tavoitteiden asettamisen viitekehyksensä ei tuottanut toivottuja tuloksia teknisesti toimivasta chatbotista huolimatta. Siirtyminen yksinkertaisempaan ja intuitiivisempaan AMP-malliin avasi tien parempiin tuloksiin. Opetus? Tekoälyn teho riippuu edelleen älykkäästä suunnittelusta.

Suoraa puhetta (ja neuvoja)

Tekoäly ei ole oikotie parempiin tuloksiin – se on skalpelli, ei vasara. Kuten Mabie asian ilmaisi:

Emme rakentaneet tätä siksi, että tekoäly oli uusi ja kiiltävä asia. Rakensimme sen, koska tavoitteiden asettaminen oli rikki. Ihmiset turhautuivat prosessiin, eivät tarkoitukseen – ja tekoäly antoi meille keinon tehdä siitä helpomman, nopeamman ja oikeasti hyödyllisen.

Jos haluat toistaa Zapierin menestyksen:

• Aloita vahvasta viitekehyksestä. Tekoäly ei voi korjata rikkinäistä perustaa. Valitse yksinkertainen ja joustava rakenne, joka toimii tiimillesi.
• Suunnittele palautetta varten. Hyödynnä tekoälyä keskeyttämisten, hämmennystä aiheuttavien kohtien ja onnistumisten tunnistamiseen ja mukaudu sitten nopeasti.
• Hyödynnä sisäistä kulttuuria. Vertaisvaikuttajat ja Slackiin luonnollisesti sopiva viestintä päihittävät ylhäältä annetut määräykset joka kerta.
• Ota työkalusi omistukseesi. Zapierin täysin natiivisti ja vähäkoodisesti rakennettu ratkaisu piti kustannukset alhaisina ja iteroinnin nopeana.

Ennen ja jälkeen: Zapier + tekoälyavusteinen tavoitteiden asettaminen

Painopistealue	Ennen tekoälyä	Tekoälyn jälkeen
Tavoitteiden asettamisen laatu	Epäjohdonmukaiset, epämääräiset ja heikosti yhdenmukaiset tavoitteet; viitekehykset eivät juurtuneet	Tavoitteiden selkeys, täsmällisyys ja yhdenmukaisuus organisaation prioriteettien kanssa paranivat selvästi tekoälyvalmennuksen avulla
Osallistuminen	Tavoitteiden jättämisaste vaihteli; osallistumista oli vaikea seurata	91 % osallistuminen, ja yli 800 chatbotin ohjaamaa tavoitteiden asettamisen istuntoa kirjattiin
Mahdollistamisen oivallukset	Keskitettyä dataa ei ollut sen analysoimiseksi, mikä toimi tai missä ihmiset keskeyttivät	Tekoälyagentti tarjosi palautesilmukoita tavoitteiden laadusta, kitkakohdista ja omaksumisen malleista
Käyttöönoton nopeus	Uudet työkalut vaativat yleensä kuukausien muutosjohtamisen	Koko suunnittelusta laajamittaiseen käyttöön ulottuva käyttöönotto saatiin päätökseen alle kahdessa viikossa vahvan vertais- ja johdon tuen avulla
Hallinnollinen työmäärä	Tavoitteiden manuaalinen tarkistaminen ja mahdollistamistoimien epäselvä vaikutus	Tekoälyagentti analysoi jatkuvasti tuloksia ja suositteli strategisia mahdollistamistoimien muutoksia tulosten parantamiseksi

2. Flowable

Maailmanlaajuinen, varainhoidon kärkikolmikkoon kuuluva pankki kamppaili yhden yksityispankkitoiminnan monimutkaisimmista prosesseista: varallisuuden alkuperän (SOW) todentamisesta. Ennen kuin uusi varakas asiakas voitiin ottaa asiakkaaksi, pankin oli usein erittäin perusteellisesti varmistettava, että asiakkaan rahat olivat puhtaita, laillisia ja jäljitettävissä. Tämä edellytti satojen asiakirjasivujen, julkisten rekisterien, liiketoimien ja taloushistorioiden läpikäyntiä.

Työnkulku oli manuaalinen, toistuva ja hidas. Se edellytti jatkuvaa edestakaista viestintää asiakasneuvojan ja huolellisen taustaselvityksen asiantuntijan välillä, mikä venytti prosessin usein 5–6 viikon mittaiseksi. Asiakaskokemus oli tämän seurauksena turhauttava, mikä johti tässä varhaisessa vaiheessa jopa 25–30 prosentin asiakaspoistumaan.

Tekoälyratkaisu

Vaikka pankki ratkaisi asiakkaisiin liittyvää ongelmaa, ongelma koski sisäisiä työnkulkuja, jotka aiheuttivat myös huonon työntekijäkokemuksen. Pankki teki yhteistyötä Flowablen kanssa, joka toteutti koneoppimisalgoritmeihin perustuvan kehittyneen agenttisen tekoälyarkkitehtuurin SOW-tarkastuksen automatisoimiseksi. Muutos toteutettiin kahdessa vaiheessa:

Vaihe 1: Erikoistuneet tekoälyagentit — Flowable otti käyttöön erillisiä agentteja tietojen poimimiseen PDF-tiedostoista, julkisten rekisterien ristiintarkistamiseen (esimerkiksi perustajan irtautumisen vahvistamiseen mediajulkisuuden avulla), työhistorioiden luokitteluun ja taloudellisten kehityskulkujen tiivistämiseen luonnollisen kielen käsittelyä hyödyntäen.

Vaihe 2: Orkestroitu agenttijärjestelmä — Tapauspohjainen orkestrointikerros koordinoi yli 28 tekoälyagenttia kokonaisvaltaisten työnkulkujen käsittelyyn. Näihin agentteihin kuului erikoistuneita moduuleja historiallisten tuottojen vertailuanalyysiin, omaisuuserien jäljitettävyyden varmistamiseen ja alueellisen sääntelyn noudattamisen arviointiin – kaikki tiukkojen datankäyttöoikeuksien rajoissa.

Flowable varmisti erityisesti "ihminen silmukassa" (HITL) -tarkistuspisteet keskeisissä päätöksentekovaiheissa. Mikään agentti ei voinut hyväksyä tai hylätä tapausta ilman ihmisten tekemää lopullista tarkistusta, mikä säilytti sekä luottamuksen että vaatimustenmukaisuuden.

Tulokset

Flowablen teknologiajohtajan ja perustajajäsenen Micha Kienerin mukaan:

• Asiakaspoistuma laski 25–30 prosentista alle 1 prosenttiin SOW-vaiheessa, mikä toi merkittäviä kustannussäästöjä paremman asiakaspysyvyyden ansiosta.
• Käsittelyaika lyheni huomattavasti 40–45 päivästä keskimäärin vain 1–2 päivään.
• 95 prosenttia SOW-työnkulusta on nyt täysin autonomista, mikä vapauttaa asiakasneuvojat ja asianmukaisuuden ennakkoselvityksen asiantuntijat keskittymään harkintaa vaativiin tehtäviin, joissa tarvitaan ihmisten asiantuntemusta.
• Käyttöönottoon ei kohdistunut vastarintaa – päinvastoin työntekijät ottivat sen tervetulleena, pitkään kaivattuna parannuksena raskaaksi koettuun toimintoon, mikä osoitti tekoälyn sujuvan käyttöönoton.

Johtopäätös johdolle

Suunnittelemalla toimialakohtaisen orkestrointijärjestelmän, jossa läpinäkyvyys, hallintakeinot ja roolien selkeys olivat keskeisiä, tämä organisaatio sai menetettyjä tuloja takaisin, säilytti tärkeimmät asiakkaansa ja vapautti henkilöstönsä tekemään arvokkaampaa työtä samalla, kun työntekijäkokemus parani merkittävästi. Liiketoimintajohtajat näkivät tekoälyteknologioihin tehdyn investoinnin tuottavan välittömän sijoitetun pääoman tuoton.

Varoitusmerkki

Ilman vahvaa hallintomallia agenttipohjainen tekoäly voi muuttua mustaksi laatikoksi, joka altistaa organisaation vaatimustenmukaisuusriskille, hallusinaatioille ja luottamuksen rapautumiselle. Flowable sai johdon tuen rakentamalla tapaustenhallintakerroksen, jossa oli tiukat datankäyttöoikeudet, jäljitettävyys ja auditointimahdollisuus.

Suoraa puhetta (ja neuvoja)

Agenttipohjainen tekoäly ei ole käyttövalmis ratkaisu – se on arkkitehtuuri. Jos suhtaudut vakavasti tekoälyn käyttöön säännellyissä ja korkean riskin työnkuluissa:

• Rakenna horisontaalisia, ei siiloutuneita ratkaisuja, jotka kattavat koko prosessin alusta loppuun eivätkä vain sen osia.
• Aseta hallintomalli etusijalle: jäljitä jokainen syöte ja tuloste, määrittele agenttien rajat ja varmista datankäyttöoikeudet.
• Ihminen silmukassa ei ole valinnainen, vaan se on turvallisuusominaisuus ja luottamuksen ankkuri. Kuten Kiener toteaa:

Ihmiset ajattelevat, että automaatio tarkoittaa ihmisten poistamista prosessista, mutta asia on päinvastoin. Tärkeintä on tietää täsmälleen, missä edelleen tarvitaan harkintaa. Tekoälymme hoitaa rutiinityön, mutta ihmiset tekevät tärkeät päätökset.

Ennen ja jälkeen: globaali yksityispankki ja Flowable

Painopistealue	Ennen tekoälyä	Tekoälyn jälkeen
SOW-tarkistuksen kesto	5–6 viikkoa asiakasta kohden; neuvonantajien ja asianmukaisuuden ennakkoselvityksen asiantuntijoiden välinen hidas edestakainen viestintä	Keskimääräinen käsittelyaika 1–2 päivää, ja tekoäly käsittelee 95 prosenttia tehtävistä autonomisesti
Asiakaspoistuma	25–30 % asiakkaista keskeytti prosessin viivästysten ja toistuvien tietopyyntöjen vuoksi	<1 %:n poistuma perehdytyksen aikana; sujuva, tehokas ja luottamusta herättävä prosessi
Työnkulun kuormitus	Asiakirjojen manuaalinen poiminta, toistuvat täsmennykset ja vähäinen uudelleenkäyttö	Yli 28 tekoälyagenttia orkestroituna poimimaan, validoimaan ja tiivistämään tietoja sekä eskaloimaan vain poikkeustapaukset
Hallintoriski	Avoimien agenttityökalujen alkuperäisessä käytössä ei ollut riittävää jäljitettävyyttä eikä datan hallintaa	Flowablen tapauspohjainen alusta valvoi datankäyttöoikeuksia, auditointipolkuja ja ihmisten suorittamaa valvontaa

3. Mayan tekoäly rekrytoinnissa

Johtava henkivakuutusyhtiö kohtasi suuren volyymin rekrytointiympäristöille tyypillisiä rekrytoinnin pullonkauloja. HR-ammattilaiset käyttivät kohtuuttomasti aikaa ansioluetteloiden manuaaliseen tarkistamiseen, yhteydenottoihin ehdokkaisiin, pätemättömien hakijoiden käsittelyyn ja seurannan hallintaan – usein toisistaan erillään olevissa järjestelmissä, kuten ATS-järjestelmissä, LinkedInissä, sähköpostissa ja työpaikkailmoitussivustoilla.

Prosessi oli toistuva, epäjohdonmukainen ja altis keskeytyksille. Hidas aika haastatteluun ja ehdokkaiden saapumatta jättäminen kuormittivat rekrytoijien työkapasiteettia ja viivästyttivät rekrytointiaikatauluja, mikä vaikutti lopulta sekä uusien työntekijöiden työntekijäkokemukseen että HR:n keskeisten toimintojen tehokkuuteen.

Tekoälyratkaisu

Vakuutusyhtiö otti käyttöön Mayan, luonnollisen kielen käsittelyä hyödyntävän keskustelevaan tekoälyyn ja työnkulkujen automatisointiin perustuvan alustan rekrytointiprosessin alkupään hallintaan. Maya määritettiin:

• Ota automaattisesti yhteyttä hakijoihin henkilökohtaisilla ja keskustelunomaisilla viesteillä tekstiviestillä, sähköpostilla tai mukautetuilla lomakkeilla.
• Seulo ja arvioi hakijoita ennalta määriteltyjen kriteerien perusteella, mukaan lukien ansioluetteloiden jäsentäminen ja tehtäväkohtaiset kysymykset koneoppimisalgoritmien avulla – käytännössä automatisoi ansioluetteloiden seulonta suuressa mittakaavassa.
• Varaa haastatteluja tekoälyn avulla rekrytoijien saatavuuden perusteella ja lähetä automaattisia muistutuksia saapumatta jättämisten vähentämiseksi. Näin voidaan tehostaa yhtä henkilöstöhallinnon aikaa vievimmistä tehtävistä.
• Toimita rekrytoijille jäsenneltyjä yhteenvetoja hakijoista ja jaottele pätevät ja pätemättömät hakijat perusteluineen, mikä mahdollistaa tietoon perustuvammat päätökset ja hakijoiden laadun paremman data-analyysin.
• Mukauta sävyä ja persoonallisuutta (rento tai muodollinen) yrityksen brändin ja tehtävän luonteen perusteella.

Käyttöönotto kesti kaksi viikkoa, joiden aikana Maya mukautettiin yrityksen rekrytointiprosessien ja vaatimustenmukaisuusvaatimusten erityispiirteisiin, mikä osoitti tekoälyn nopean käyttöönoton.

Tulokset

Maya tuotti merkittäviä tehokkuus- ja konversiohyötyjä jo muutaman viikon kuluessa käyttöönotosta:

• Palkkausaste oli 70 % Mayan kautta käsitellyistä hakijoista organisaation kaikissa toimistoissa.
• Haastattelukohtaiset kustannukset laskivat 37 dollarista 13 dollariin – 65 prosenttia kahdessa kuukaudessa. Tämä mahdollisti resurssien paremman kohdentamisen muihin hankkeisiin ja tuotti huomattavia kustannussäästöjä.
• Aika hakemuksesta haastatteluun lyheni 5–7 päivästä yhteen päivään, mikä nopeutti merkittävästi rekrytointia ja paransi hakijoiden työntekijäkokemusta.
• 92 % hakijoista uskoi olevansa vuorovaikutuksessa oikean ihmisen, ei tekoälyn, kanssa, mikä osoitti luonnollisen kielen käsittelyn kehittyneisyyden.
• Maya hallinnoi kokonaan sekä pätevien että pätemättömien hakijoiden seulonnan, jolloin rekrytoijat pystyivät keskittymään yksinomaan laadukkaisiin hakijoihin ja strategisiin henkilöstöhallinnon tehtäviin.

Johtopäätös johdolle

Keskusteleva tekoäly perustuu täsmälliseen vuorovaikutukseen. Maya muutti hallitsemattoman ja manuaalisen rekrytointiprosessin alkuvaiheen sujuvaksi ja tehokkaasti tuloksia tuottavaksi työnkuluksi, jolloin rekrytoijat voivat keskittyä siihen, missä he ovat parhaimmillaan: inhimillisten yhteyksien rakentamiseen ja erinomaisten työntekijöiden palkkaamiseen. Samalla työntekijöiden kokonaisvaltainen sitoutuminen rekrytointiprosessiin parani.

Varoitusmerkki

Inhimilliset järjestelmät voivat edelleen muodostaa pullonkaulan. Maya arvioi hakijat onnistuneesti, mutta joissakin tapauksissa rekrytoijat eivät seuranneet tilannetta, mikä johti menetettyihin mahdollisuuksiin. Tekoälyn käyttöönoton rinnalla tarvitaan vahvaa rekrytoijien tukea, vastuullisuutta ja päivitettyjä koulutusohjelmia.

Suoraa puhetta (ja neuvoja)

Shivam Ramphal, Maya AI:n toinen perustaja, antaa asiakkailleen aina saman neuvon riippumatta siitä, mitä he yrittävät saavuttaa.

Sanomme asiakkaillemme aina: älkää vapauttako tekoälyä käyttöön ennen kuin tiedätte, miltä onnistuminen näyttää. Jos tavoitteet ovat epäselvät tai volyymi hukuttaa alleen, tekoäly vain vahvistaa tätä. Mutta jos suunta on selvä, siitä tulee tehokas vauhdittaja.

Mayan kaltainen tekoäly voi parantaa rekrytoinnin tuloksia radikaalisti, mutta vain jos ihmiset hoitavat oman osuutensa.

• Määrittele realistiset rekrytointitavoitteet ennen kuin otat tekoälyn käyttöön rekrytoinnissa. Älä pyydä 10 000 liidiä, jos tarvitset viisi palkattavaa henkilöä.
• Kouluta tekoälyä kuin työntekijää: kerro, mitä sen pitäisi sanoa, mitä sen ei pitäisi sanoa sekä kuinka muodollinen tai henkilökohtainen sen tulisi olla.
• Käytä tekoälyä täydentämään, älä korvaamaan: Mayan tehtävä on seuloa hakijoita – rekrytoijien on edelleen oltava mukana ja vietävä rekrytoinnit päätökseen.

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Get Free Access

Have an account? Log In

Ennen ja jälkeen: Maya AI + Globe Life

Keskeinen osa-alue	Ennen tekoälyä	Tekoälyn jälkeen
Rekrytoijien tehokkuus	Rekrytoijat seuloivat, kontaktoivat ja seurasivat manuaalisesti jokaista hakijaa	Maya hoiti kaiken ensimmäisen yhteydenpidon ja seulonnan; rekrytoijat näkivät vain pätevät hakijat
Aika hakemuksesta haastatteluun	5–7 päivää hakemuksesta haastattelun varaamiseen	1 päivä ensimmäisestä yhteydenotosta vahvistettuun haastatteluun
Haastattelukohtaiset kustannukset	Keskimäärin 37 dollaria	13 dollaria haastattelua kohden kahden kuukauden kuluessa – kustannukset laskivat 65 %
Hakijakokemus	Katkonainen viestintä; paljon hakijoita keskeytti prosessin	92 % hakijoista luuli Mayaa ihmiseksi; useammat saapuivat paikalle ja kokemus oli sujuvampi
Rekrytoijien sitoutuminen	Suuri työkuorma, vähäinen vaikutus	Rekrytoijat keskittyivät vain haastattelun arvoisiin hakijoihin, mikä paransi tehokkuutta ja työmotivaatiota
Palkkausaste	Epäselvä ja viivästynyt konversio	70 % Mayan kautta käsiteltyjen hakijoiden palkkausaste

4. Perehdytys Tonkeanin avulla

Maailmanlaajuinen yrityksen HR-tiimi kamppaili nopean ja personoidun perehdytyksen tarjoamisessa erityisesti määräaikaisille työntekijöille, kuten alihankkijoille. Manuaalisten HR-prosessien vuoksi uusien työntekijöiden täydellinen varustaminen työkaluilla, käyttöoikeuksilla ja järjestelmillä kesti usein yli 20 päivää (ja joskus yli 30 päivää), mikä viivästytti tuottavuutta ja vesitti nopean rekrytoinnin tarkoituksen.

Lisäksi perehdytyksen laatu oli vaihtelevaa ja yleisluontoista, ja se kuormitti esihenkilöitä sekä uusia työntekijöitä käytännön järjestelyillä ja tietotulvalla, mikä heikensi työntekijäkokemusta ja työntekijöiden sitoutumista heti ensimmäisestä päivästä lähtien.

Työntekijöiden odotettiin tutustuvan perehdytysmateriaaleihin itsenäisesti intranetien tai koulutusportaalien kautta, usein ilman riittävää kontekstia tai rakennetta mielekkään perehtymisen tukemiseksi.

Tekoälyn hyödyntäminen

Yritys teki yhteistyötä Tonkeanin kanssa. Tonkean on alusta, joka koordinoi HR-toimintoja tekoälyagenttien ja koneoppimisalgoritmien avulla. Perehdytyksessä Tonkean:

• Seurasi käynnistimiä HRIS-työkaluissa (kuten Workdayssa tai Ripplingissä) havaitakseen uudet työntekijät, tittelin muutokset tai työvuosipäivät.
• Automatisoi työnkulkuja käynnistääkseen ennakoivasti personoituja perehdytysjaksoja työntekijän roolin, sijainnin ja tiimin perusteella.
• Tuotti räätälöityä perehdytyssisältöä hakemalla tietoa jäsentämättömistä sisäisistä aineistoista, kuten diaesityksistä, HR-asiakirjoista, etuoppaista ja koulutusten litteroinneista, luonnollisen kielen käsittelyn avulla. Näin hajallaan olevat tietoaineistot muutettiin yhtenäisiksi oppimiskokemuksiksi (tämä on myös keskeinen oppimiskokemusalustojen hyöty).
• Hyödynsi tekoälyagentteja ollakseen vuorovaikutuksessa esihenkilöiden kanssa Slackin tai Teamsin välityksellä ja luodakseen yhdessä räätälöityjä 30/60/90 päivän suunnitelmia luonnollisella kielellä, mikä mahdollisti tietoon perustuvien päätösten tekemisen työntekijöiden kehityksestä ja urakehityksen suunnista.
• Mahdollisti reaaliaikaisen vuorovaikutuksen agenttien kanssa sähköpostivastausten tai upotettujen portaalien välityksellä, jotta uudet työntekijät saattoivat esittää esimerkiksi kysymyksen "Mistä ilmoittaudun etuuksiin?" ja saada välittömästi hyväksyttyjä, täsmällisiä ja kontekstiin sopivia vastauksia työntekijätietojen ja yrityksen omien HR-työkalujen perusteella.
• Käsitteli usein kysytyt kysymykset (esimerkiksi vanhempainvapaasta ja ilmoittautumisajoista) anonyymisti keskustelupohjaisten käyttöliittymien kautta vähentääkseen kitkaa ja suojatakseen työntekijöiden yksityisyyttä.

Tekoälyä hyödynnettiin sekä ennakoivasti (suunnitelmien käynnistämiseen) että reaktiivisesti (kysymyksiin vastaamiseen), mikä loi saumattoman, personoidun ja laadukkaan työntekijäkokemuksen samalla kun toistuvien HR-tehtävien määrä väheni.

Tulokset

• Alihankkijoiden perehdytysaika lyheni keskimäärin 20–30 päivästä alle viiteen päivään.
• Työntekijät kertoivat perehdytyksen tuntuneen erittäin personoidulta, aivan kuin "sen parissa olisi työskennellyt 3–4 ihmistä" – vaikka tekoäly hoiti suurimman osan työstä.
• Korkeammat CSAT (asiakastyytyväisyys) -pisteet perehdytyksessä paremman selkeyden, oikea-aikaisuuden ja kulttuuriin integroitumisen ansiosta, mikä vahvisti suoraan työntekijöiden sitoutumista.
• Tekoälyyn liittyvä käsitys muuttui ajansäästäjästä laadun moninkertaistajaksi: suurin sijoitetun pääoman tuotto ei liittynyt nopeuteen, vaan paremman työntekijäkokemuksen tarjoamiseen ilman henkilöstömäärän kasvattamista.

Johdon keskeinen opetus

Tekoälyä hyödyntävä orkestrointi muutti perehdytyksen manuaalisesta tarkistuslistasta strategiseksi, skaalautuvaksi ja ihmiskeskeiseksi matkaksi. Yhdistämällä tietointegraatiot, generatiiviset agentit ja ihminen osana prosessia -suunnittelun yritys pystyi tarjoamaan räätälöityjä perehdytyskokemuksia laajassa mittakaavassa ja parantamaan tuottavuutta, työntekijöiden suoriutumista ja pysyvyyttä ensimmäisestä päivästä lähtien.

Varoitusmerkki

Sanotaan tämä vielä kuuluvammin: vanhojen työnkulkujen päälle ei voi vain lisätä tekoälyä! Odotusten yhteensopimattomuus on suurin riski. Tekoäly edellyttää, että uudistatte tapaa, jolla määrittelette "täsmällisyyden", vastuunjaon ja onnistumisen.

Älä myöskään odota deterministisiä tuloksia: tekoäly antaa usein erilaisia, mutta yhtä päteviä vastauksia. HR-ammattilaisten on kehitettävä tapaansa testata ja hyväksyä tuloksia.

Suoraa puhetta (ja neuvoja)

Sagi Eliyahu, Tonkeanin toinen perustaja ja toimitusjohtaja, kommentoi asiaa näin:

Kun uusia työntekijöitä tulee yli kymmenestä maasta ja eri osastoilta ja puolet heistä on alihankkijoita, perehdytyksen onnistuminen manuaalisesti on lähes mahdotonta. Tässä näkemämme ei ollut vain nopeampaa – perehdytys tuntui todella siltä, että joku oli ajatellut rooliasi, sijaintiasi ja tiimiäsi. Ja suurin osa siitä oli tekoälyn ansiota.

Personoitu perehdytys on strateginen erottautumistekijä. Jos haluat:

• Lyhentää alihankkijoiden perehtymisajan 30 päivästä viiteen…
• Tarjota alue- tai roolikohtaista tietoa etuuksista automaattisesti…
• Luoda räätälöityjä 30/60/90 päivän suunnitelmia kuormittamatta esihenkilöitä…

Silloin:

• Rakenna orkestrointi olemassa oleviin työnkulkuihin (sähköposti, Slack, HRIS – ei vain uusiin työkaluihin)
• Keskittykää laatuun, älkää vain tehokkuuteen – tekoäly mahdollistaa molemmat
• Esilataa järjestelmään monipuolisia sisältömuotoja (esityskalvot, litteroinnit, asiakirjat)
• Anna HR:n hallinnoida "hyväksyttyjä vastauksia" ja kouluta tekoälyagentteja kontekstuaalisilla suojakaiteilla
• Yhdenmukaista HR:n, IT:n ja johdon näkemys uudesta "odotusten mukaisen työskentelyn" määritelmästä

Ennen ja jälkeen: anonyymi yritys + Tonkean

Painopiste	Ennen tekoälyä	Tekoälyn jälkeen
Perehdytyksen aikataulut	20–30+ päivää, jotta sopimustyöntekijät saatiin täysin perehdytettyä ja valmiiksi työhön	<5 päivää sopimustyöntekijöiden perehdytyksen valmistumiseen keskimäärin
Perehdytyksen laatu	Yleinen ja irrallinen kokonaisuus, joka edellytti usein uusien työntekijöiden perehtyvän perehdytysmateriaaleihin itsenäisesti	Roolin, sijainnin ja tiimin mukaan tekoälyn kuratoimat suunnitelmat; tuntui "kuin 3–4 ihmistä olisi työskennellyt sen parissa"
Esihenkilöiden kuormitus	Esihenkilöt loivat perehdytyssuunnitelmat manuaalisesti, ja suunnitelmat jäivät usein väliin tai tehtiin kiireessä	Slack-/Teams-kehotteita käytettiin 30 päivän perehdytyksen painopistealueiden yhteiseen luomiseen
Tiedonsaanti	Työntekijöiden oli etsittävä tietoa intranet-portaaleista tai lähetettävä sähköpostia HR:lle	Tekoälyagentit toimittivat hyväksytyt ja kontekstuaaliset vastaukset välittömästi ja nimettömästi
Tehokkuus	Paljon manuaalista työtä ja koulutukseen kuluvaa aikaa	Dokumentaation lukeminen korvattiin vuorovaikutteisilla agenteilla, jotka hyödynsivät organisaation todellista sisältöä (esityskalvot, käsikirjat jne.)
Skaalautuvuus	Uusien työntekijöiden kokemukset vaihtelivat, erityisesti eri maantieteellisillä alueilla	Yhdenmukainen ja skaalautuva perehdytys kaikissa sijainneissa ja rooleissa

5. CogNet ja tekoälypohjainen BPO-muutos

Yksi CogNetin BPO-asiakkaista – valtakunnallinen henkilöstöpalveluyritys – oli juuttunut kalliiseen, hitaaseen ja paljon manuaalista työtä vaatineeseen taloudellisten tietojen täsmäytysprosessiin.

Asiakas myi laskunsa kuukausittain rahoituskumppanille. Ennen käteissuorituksen vapauttamista rahoitusyhtiö kuitenkin edellytti yksityiskohtaista täsmäytystä sen välillä, mitä se odotti maksavansa (aiempien kauppojen perusteella) ja mitä se todellisuudessa oli velkaa – kyseessä oli tyypillinen ristiriita sisäisten laskutietojen ja ulkoisesti muotoiltujen tiliotteiden välillä.

Ongelma? Sisäinen tiimi täsmäytti miljoonarivisiä PDF-tiedostoja ja rakenteeltaan heikosti jäsenneltyjä Excel-taulukoita manuaalisesti käyttäen talouskirjanpitäjää, jonka kokonaispalkkio oli yli 90 000 dollaria vuodessa. Pelkkään täsmäytykseen kului kuukausittain yli 16 tuntia, jotta ristiriitojen sijainti saatiin selvitettyä. Tämä ei sisältänyt poikkeamien selvittämistä, mikä viivästytti kassavirtaa ja vähensi taloustiimin mahdollisuuksia keskittyä arvokkaampaan analyysiin.

CogNet huomasi saman ilmiön myös muiden asiakkaiden ja toimintojen kohdalla: erittäin osaavat työntekijät olivat sidottuina toistuvaan "puurtamiseen", joka oli tärkeää mutta ei muuttanut HR:n ydintoimintoja tai muuta liiketoimintaa merkittävästi.

Tekoälyn hyödyntäminen

CogNet sovelsi "Texasilaista kaksivaiheista" lähestymistapaa, jossa koneoppimista ja luonnollisen kielen käsittelyä hyödynnettiin tämän kriittisen prosessin optimointiin:

Vaihe 1: BPO-kustannusarbitraasi
Asiakas siirsi ensin täsmäytystyön "sellaisenaan" CogNetille, jossa ulkomailla työskentelevät analyytikot pystyivät tekemään saman manuaalisen täsmäytyksen huomattavasti pienemmällä tuntihinnalla (~11,50 dollaria/tunti). Tämä yksinään pienensi kustannukset 692,31 dollarista 184 dollariin täsmäytyssykliä kohden – säästö oli 276 %.

Vaihe 2: Sovellettu tekoälyorkestrointi
Seuraavaksi CogNet rakensi ihminen mukana -automaatiokerroksen, jossa algoritmien ja suuren kielimallin (LLM) avulla verrattiin erimuotoisia asiakirjoja (PDF-tiedostoja, Excel-tiedostoja ja CSV-tiedostoja) ja analysoitiin työntekijätietoja tehokkaammin.

Sen sijaan, että ihmisiä olisi pyydetty havaitsemaan tietojen ristiriidat rivi riviltä, LLM merkitsi poikkeamat sekunneissa, mikä mahdollisti dataohjautuvammat päätökset ja paremman data-analyysin. Nyt CogNetin analyytikon tarvitsi käyttää vain 2 tuntia todellisten ongelmien tarkistamiseen ja eskalointiin, mikä muutti 692 dollarin työnkulun 30 dollarin työnkuluksi ja osoitti merkittäviä kustannussäästöjä.

CogNetin orkestrointikerros mahdollistaa ratkaisevasti eri tekoälyagenttien (esim. ChatGPT:n ja Clauden) vaihtamisen tehtävätyypin, sääntelyaltistuksen (esim. PHI- ja palkkatiedot) sekä asiakkaan käytännön perusteella. Tämä modulaarinen rakenne helpotti asiakkaita luottamaan automaatioon ilman vaatimustenmukaisuudesta tinkimistä samalla, kun erilaisia tietoaineistoja hallittiin.

Tulokset

• Täsmäytysprosessin kesto lyheni 16 tunnista vain 2 tuntiin
• Kustannukset laskivat 692,31 dollarista 30 dollariin sykliä kohden – vähennys oli 2 208 %
• Prosessin nopeus kasvoi, minkä ansiosta ongelmat voitiin merkitä ja käteisvarat saada takaisin 24 tunnin kuluessa
• Talouskirjanpitäjä siirrettiin strategisiin tehtäviin, kuten kannattavuusanalyysiin, Excelin parissa tehtävän rutiinityön sijaan
• Asiakkaat alkoivat ajatella BPO:ta uudelleen – ei vain työvoimakustannusten arbitraasina, vaan prosessien muuttamisena tekoälyn avulla HR:ssä ja sen ulkopuolella

Siitä lähtien CogNet monisti tämän "tuhannen leikkauksen säästömallin" kymmenissä korkeataajuisissa työnkuluissa useille asiakkaille ja muutti tapaa, jolla HR-, palkanlaskenta- ja kirjanpitotiimit lähestyivät ulkoistettuja toimintoja.

Johdon yhteenveto

CogNet ei ainoastaan soveltanut AI:ta kustannusten vähentämiseen, vaan määritteli BPO:n arvolupauksen uudelleen. Yhdistämällä kitkattoman automaation palveluasenteeseen se auttoi asiakkaita vapauttamaan työtunteja, vähentämään kulutusta ja kohdentamaan henkilöstöä uudelleen vaativampaan työhön.

Innovaatio ei ollut vain tekninen, vaan myös sopimuksellinen. CogNetin halukkuus jakaa arvoa suoritusperusteisen hinnoittelun kautta auttoi asiakkaita siirtymään "toimittaja-ajattelusta" "kumppaniajatteluun", mikä oli erityisen arvokasta käynnistettäessä uusia aloitteita HR-prosessien parissa.

Varoitusmerkki

Pelkkä teknologia ei rakenna luottamusta. Yksi asiakas suhtautui aluksi epäilevästi AI:hin vaatimustenmukaisuuteen liittyvien huolien ja LLM:ien tuntemattomuuden vuoksi. Käännekohta syntyi pienimuotoisesta pilottihankkeesta, jossa käytettiin kuvitteellisia työntekijätietoja ja saavutettiin silti manuaalisia toimintatapoja paremmat tulokset, mikä osoitti hyödyn ennen sitoutumisen edellyttämistä.

Suoraa puhetta (ja neuvoja)

John Sansoucie, CogNetin toimitusjohtaja, antaa muutaman yksinkertaisen neuvon.

Useimmat yritykset ajattelevat, että automaatio alkaa suuresta muutoksesta, mutta todellisuudessa nopein tapa osoittaa arvo on parantaa sitä, mikä toimii jo nyt. Aloitamme olemassa olevasta, saavutamme nopeasti hyötyjä ja tuomme sitten AI:n mukaan tekemään sen vielä paremmin.

Jos joudut täsmäyttämään PDF-tiedostoja taulukkolaskentojen kanssa ja maksat siitä $700 sykliä kohden, ongelmasi ei liity henkilöstöön. Ongelma on prosessissa.

Haluatko laajentaa AI:n käyttöä? Näin Cognet toimi oikein:

• Aloita siirtämällä prosessit "sellaisinaan" vapauttaaksesi osaamista
• Lisää seuraavaksi automaatio ja keskity jäsenneltyihin tehtäviin, kuten vertailuihin, luokitteluun ja reititykseen
• Rakenna AI-työnkulkuja, jotka täydentävät ihmisiä eivätkä korvaa heitä. Ohjaa poikkeustapaukset ihmisille
• Aseta odotukset oikein: LLM:t eivät aina anna samaa vastausta, mutta niiden vastaukset ovat usein kelvollisia
• Mittaa sijoitetun pääoman tuottoa säästyneenä työaikana, ei vain vähennettynä henkilöstömääränä, ja seuraa merkityksellisiä mittareita

Ennen ja jälkeen: Cognet + henkilöstöpalveluasiakkaan täsmäytys

Kohdealue	Ennen AI:ta	AI:n jälkeen
Täsmäytyksen työnkulku	16 tuntia kestävä manuaalinen prosessi, jossa käytetään PDF-tiedostoja ja Excel-taulukkolaskentoja	AI merkitsee poikkeamat sekunneissa, ja ihmisen tarkistukseen kuluu vain 2 tuntia
Täsmäytyksen kustannus	$692.31 sykliä kohden (perustuu kirjanpitäjän tuntihintaan $43/hr)	~$30 sykliä kohden (ulkoistettu + AI-avusteinen työnkulku)
Kassavirran ajoitus	Maksut viivästyvät pitkien täsmäytyssyklien vuoksi	24 tunnin läpimenoaika mahdollistaa riitojen nopeamman ratkaisemisen ja rahojen perimisen
Osaamisen hyödyntäminen	Korkean arvon osaajat käyttävät tunteja kopiointiin, liittämiseen ja manuaaliseen yhdistämiseen	Kirjanpitäjä siirtyy kannattavuusraportointiin ja strategiseen talousanalyysiin
BPO:n skaalautuvuus	Skaalautuu lineaarisesti henkilöstömäärän mukana	Skaalautuu epälineaarisesti AI:n avulla, mikä mahdollistaa Cognetille useampien työnkulkujen tukemisen ilman analyytikkohenkilöstön kasvattamista

6. Customer.io + AI-avusteiset Slack- ja GPT-työnkulut

Customer.io, täysin etänä toimiva yritys, jolla on toimintaa yli 30 maassa, havaitsi, että sen asynkroninen toimintamalli oli tuottava, mutta sai uudet työntekijät tuntemaan olonsa eksyneiksi. Perehdytyksestä puuttui rakenne, ja esihenkilöt viivyttelivät usein selkeiden odotusten ja perehdytyssuunnitelmien toimittamisessa, mikä heikensi työntekijäkokemusta.

Uudet työntekijät kuvasivat alkukokemustaan usein ilmauksella "asioiden selvittelyä", mikä hidasti tuottavuutta ja heikensi yrityskulttuuria – vaikuttaen lopulta sekä työntekijöiden sitoutumiseen että suoriutumiseen.

Ilman keskustoimistoa tai kasvokkain tapahtuvia kohtaamisia yritys tarvitsi skaalautuvan tavan tehdä perehdytyksestä sekä selkeää että yhteisöllistä ilman, että jo valmiiksi kiireiset esihenkilöt kuormittuisivat kohtuuttomasti tai muut kriittiset HR-toiminnot häiriintyisivät.

AI-ratkaisu

Customer.io otti käyttöön joukon AI-ohjattuja työnkulkuja, joissa hyödynnetään luonnollisen kielen käsittelyä rakenteen ja johdonmukaisuuden luomiseksi perehdytykseen samalla, kun etätyökulttuurin joustavuus säilytetään.

1. Slack + ChatGPT: tehtäväkohtaiset 30-60-90 päivän suunnitelmat

Selkeysvajeen ratkaisemiseksi tiimi kehitti mukautetun työnkulun, jossa Slackiin yhdistettyä ChatGPT:tä käytetään auttamaan esihenkilöitä luomaan nopeasti kuhunkin tehtävään räätälöityjä 30-60-90 päivän perehdytyssuunnitelmia.

Tämä järjestelmä lyhensi suunnitelmien laatimiseen kuluvaa aikaa merkittävästi – arviolta 30–50 % – ja paransi samalla uusien työntekijöiden, esihenkilöiden ja liiketoimintatavoitteiden välistä yhteensovittamista tukien dataohjattuja päätöksiä työntekijöiden kehittämisessä.

2. Esihenkilöiden valmiuksien kehittäminen liikekumppaneiden kanssa yhdessä suunnitellen

Sen sijaan, että ChatGPT olisi vain otettu käyttöön sellaisenaan, liiketoimintakumppanit työskentelivät yhdessä esihenkilöiden kanssa tekoälyn tuottaman perehdytyssisällön hiomiseksi ja varmistivat, että sävy, odotukset ja kehittymistavoitteet vastasivat Customer.io:n kulttuuria. Tämä automaation ja ihmisen tekemän kuratoinnin tasapaino auttoi esihenkilöitä ottamaan työnkulun käyttöön luottamuksesta tinkimättä.

3. Tekoälykulttuurin rakentaminen näkyvyyden avulla

Vahvistaakseen tekoälyn käyttöönottoa HR-prosesseissa Customer.io loi erillisen #AI-wins-Slack-kanavan, jossa työntekijät jakavat onnistuneita käyttötapauksia – mikä auttaa normalisoimaan kokeiluja ja lisäämään sisäistä sitoutumista. Sisäisen seurannan mukaan tämä johti yli 90 prosentin sisäiseen tekoälyn käyttöasteeseen.

Tulokset

• 30–50 prosentin vähennys perehdytyssuunnitelmien laatimiseen käytetyssä ajassa
• Perehdytyksen parempi selkeys näkyi perehdytyksen jälkeisissä palautekyselyissä ja parempina työntekijäkokemuksen mittareina
• Yli 90 prosenttia työntekijöistä hyödynsi tekoälyä aktiivisesti työnkuluissaan, mikä osoitti vahvaa sitoutumista uuteen teknologiaan
• Parempi varhainen linjaus uusien työntekijöiden ja liiketoimintatulosten välillä, mikä johti nopeampaan tuottavuuden saavuttamiseen ja parempaan työntekijöiden suoriutumiseen

Johdon yhteenveto

Customer.io paransi esihenkilöiden selkeyttä laajassa mittakaavassa. Upottamalla GPT-pohjaiset työnkulut Slackiin ja yhdistämällä ne HR-ammattilaisten huolelliseen ihmisen tekemään valvontaan yritys nopeutti uusien työntekijöiden tuottavuuden saavuttamista menettämättä henkilöstöjohtamisen vaatimaa hienovaraisuutta.

Hälytysmerkki

Tekoälytyönkulut voivat hiomattomina tuntua robottimaisilta tai yleisluontoisilta. Customer.io vältti tämän varmistamalla, että liiketoimintakumppanit suunnittelivat kehotteet yhdessä ja että esihenkilöt tarkistivat tekoälyn tuottaman sisällön ennen sen jakamista uusille työntekijöille. Näin säilytettiin työntekijöiden sitoutumisen kannalta olennaisen tärkeä inhimillinen elementti.

Suoraa puhetta (neuvoineen)

Jen Fongilla, Customer.io:n henkilöstöjohtajalla, oli selkeä näkemys siitä, miten tekoäly voisi auttaa.

Uudet työntekijät sanoivat: 'Yritän edelleen päästä jyvälle.' Tarvitsimme skaalautuvan tavan siirtää heidät siitä tilanteesta siihen, että 'Tiedän, miltä onnistuminen näyttää.'

Tekoäly ei perehdytä työntekijöitäsi puolestasi – mutta se voi auttaa sinua tekemään sen paremmin.

• Käytä GPT:tä rakenteen hahmottelemiseen ja anna esihenkilöiden sitten lisätä mukaan mentorointi ja hienovaraiset yksityiskohdat.
• Älä anna esihenkilöille vain työkalua – tue heitä siinä, miten kehotteita laaditaan ja muokataan tehokkaasti, tarvittaessa myös koulutusohjelmien avulla.
• Aloita pienestä: perehdytyssuunnitelmat ovat vähäriskinen ja paljon hyötyä tarjoava tapa kehittää tekoälyosaamista HR-toiminnoissa.

Ennen ja jälkeen: Customer.io:n perehdytys tekoälyn avulla

Painopiste	Ennen tekoälyä	Tekoälyn jälkeen
Uuden työntekijän selkeys	Epäselvät odotukset; epäyhtenäiset perehdytyssuunnitelmat	GPT:n tuottamat 30–60–90 päivän suunnitelmat laadittiin nopeammin ja ne vastasivat paremmin tavoitteita
Esihenkilön työmäärä	Perehdytyssuunnitelmien manuaalinen laatiminen vei paljon aikaa	Aikaa säästyi 30–50 prosenttia tekoälyavusteisten työnkulkujen avulla
Tekoälyn käyttöönoton kulttuuri	Varhaisen kokeilun vaihe	Yli 90 prosenttia työntekijöistä käytti tekoälyä säännöllisesti; käyttöä seurattiin Slack-kanavan kautta
Perehdytyksen johdonmukaisuus	Suunnitelmien sävy ja yksityiskohtaisuus vaihtelivat huomattavasti	Vakioitu rakenne, jota voitiin mukauttaa ihmisen tekemällä viimeistelyllä

7. Landing Point + upotetut tekoälytyönkulut

Rekrytointi- ja henkilöstöalan yritys Landing Point kohtasi yleisen tuottavuutta hidastavan ongelman: rekrytoijat menettivät joka viikko tunteja manuaalisiin hallinnollisiin tehtäviin. Keskeisiä pullonkauloja olivat:

• Ansioluetteloiden muotoilu
• Hakijaesittelyjen kirjoittaminen
• Työpaikkakuvausten viimeistely

Vaikka nämä tehtävät olivat yksittäin pieniä, ne kasautuivat ja veivät 3–4 tuntia jokaiselta rekrytoijalta viikossa. Samaan aikaan jotkut rekrytoijat alkoivat kokeilla julkisia generatiivisen tekoälyn työkaluja, mikä herätti turvallisuus- ja tietosuojahuolia arkaluonteisten työntekijätietojen käsittelystä.

Yritys tarvitsi ratkaisun, joka tehostaisi toimintaa ja täyttäisi yritystason vaatimustenmukaisuusstandardit sekä optimoisi keskeiset HR-prosessit.

Tekoälyratkaisu

Landing Pointin lähestymistapa keskittyi turvallisiin, upotettuihin koneoppimisalgoritmeihin perustuviin tekoälytyönkulkuihin, jotka toimivat suoraan rekrytoijien työympäristössä:

1. Tekoäly upotettuna suoraan ATS-järjestelmään

Sen sijaan, että rekrytoijia olisi pyydetty opettelemaan uusia työkaluja, Landing Point rakensi luonnollista kielenkäsittelyä hyödyntäviä GPT-pohjaisia tekoälyominaisuuksia hakijoiden seurantajärjestelmäänsä (ATS) – ja loi näin käytännössä integroidut HR-työkalut. Tämä mahdollisti HR-ammattilaisille seuraavat asiat:

• Ansioluetteloiden muotoilu noin 3 minuutissa (10–20 minuutin sijaan), mikä automatisoi ansioluetteloiden seulontaprosessin
• Ehdokasesittelyjen luonnostelu noin minuutissa (15 minuutin sijaan)
• Työpaikkailmoitusten automaattinen siistiminen

Tuloksena jokaiselta rekrytoijalta säästyi 3–4 tuntia viikossa, joten he pystyivät keskittymään arvokkaampiin HR-tehtäviin. Aikasäästöt muuttuivat suoraan kustannussäästöiksi, sillä tiimi pystyi käsittelemään suurempia määriä ilman henkilöstön lisäämistä.

2. Yksityinen keskustelubotti sisäiseen käyttöön

Antaakseen rekrytoijille laajemman tekoälyavustajan tiimi otti käyttöön mukautetun keskustelubotin, jota ylläpidettiin heidän AWS-ympäristössään, jonka käyttö oli rajattu SSO:lla ja suojattu auditointilokeilla. Kehotteet ja tulosteet tallennettiin turvallisesti, ja OpenAI:n ja Geminin kaltaisia malleja käytettiin ilman tietojen säilytystä työntekijöiden tietojen suojaamiseksi.

Tämä "turvallinen tekoälyhiekkalaatikko" mahdollisti rekrytoijille tutkimusmuistiinpanojen laatimisen tai ehdokastietojen kokoamisen yhteen yksityisyyttä vaarantamatta, mikä mahdollisti tietopohjaisemmat päätökset ilman tietoturvariskejä.

3. Sisäänrakennetut suojakaiteet ja hallinto

Varhaiset hallusinaatiotapaukset johtivat tiukkojen suojatoimien käyttöönottoon. Esimerkiksi kun rekrytoija ohitti ihmisen suorittaman tarkistusvaiheen, asiakas ilmoitti virheellisistä ehdokkaan taidoista. Landing Point reagoi seuraavasti:

• Kehotteiden hiominen
• Ihmisen suorittaman tarkistuksen määrääminen pakolliseksi
• Työnkulkujen testaaminen sisäisen "tekoälyajatushautomon" avulla

He luopuivat myös vähäisen käytön työkaluista, kuten mallipohjaisesta sähköpostigeneraattorista, ja päättivät sen sijaan asettaa etusijalle työkalut, jotka säilyttivät personoinnin ja paransivat työntekijäkokemusta – mikä on ratkaisevan tärkeää rekrytoinnin ihmissuhteiden ylläpitämisessä.

Tulokset

• Ensimmäisen ehdokasesittelyn toimittamiseen kuluva aika lyheni 3–6 tunnista alle 30 minuuttiin
• Ansioluetteloiden virheprosentti laski 3–4 prosentista alle 1 prosenttiin, mikä paransi laatumittareita
• 3–4 tuntia rekrytoijaa kohden viikossa vapautui manuaalisista muotoilutehtävistä
• Käyttöönotto laajeni orgaanisesti upotettujen työkalujen ja sovelluksen sisäisen kehotteiden hienosäädön avulla
• Kustannustehokas käyttöönotto, jossa tekoälyinfrastruktuurin kustannukset olivat keskimäärin ~$200/kk ja joka vaati 1 tekoälyinsinöörin

Johdon yhteenveto

Landing Point ei tavoitellut näyttävää automaatiota, vaan keskittyi todellisiin työnkulkujen kitkakohtiin. Upottamalla tekoälyn sinne, missä ihmiset jo työskentelivät, ja rakentamalla suojakaiteet varhaisessa vaiheessa he saavuttivat mitattavan sijoitetun pääoman tuoton vaarantamatta luottamusta tai arkaluonteisten työntekijätietojen tietosuojaa.

Tämä on esimerkki "näkymättömästä tekoälystä": kevyesti käyttöönotettava, edullinen ja tehokas ratkaisu, joka antaa rekrytoijille mahdollisuuden siirtää aikaa muotoilusta ihmissuhteiden rakentamiseen ja samalla tehostaa keskeisiä HR-prosesseja.

Varoitusmerkki

Jos ihmisen suorittama tarkistus ohitetaan, jopa hyväntahtoinen tekoäly voi lisätä virheitä (esimerkiksi keksiä ehdokkaalle olemattomia taitoja). Yksi varhainen virhe oli vaarantaa asiakkaan luottamuksen.

Landing Point ratkaisi tämän edellyttämällä ihmisen valvontaa, sisällyttämällä kehotteiden hiomisen laadunvarmistussykliin ja vahvistamalla tekoälyn käyttöön liittyviä kulttuurisia odotuksia. Näin varmistettiin, että HR-ammattilaiset vastasivat kaikista tulosteista.

Suoraa puhetta (ja neuvoja)

Tekoäly ei korvaa rekrytoijia, mutta se voi antaa heille tunteja takaisin. Landing Pointin johtavan tekoälyinsinöörin Faizel Khanin mukaan se toimii vain, kun:

• Työkalut on upotettu sinne, missä ihmiset jo työskentelevät
• Tietoturva ja vaatimustenmukaisuus on rakennettu mukaan alusta alkaen
• Korjaat sen, mikä ei toimi – ja poistat käytöstä sen, mitä ei käytetä
• Hallinto ei ole ylimääräinen taakka – se on osa tuotteen kurinalaisuutta

Tässä tarinassa ei ole kyse rekrytoinnin automatisoinnista päästä päähän. Kyse on siitä, että ihmisrekrytoijille vapautetaan aikaa siihen, missä he ovat parhaimmillaan: ihmissuhteiden rakentamiseen ja harkinnan käyttämiseen. Aloittamalla varhain, keskittymällä taustatoimintojen kitkakohtiin ja oppimalla sekä onnistumisista että epäonnistumisista olemme osoittaneet, että tekoäly voi tuottaa mitattavaa hyötyä vaarantamatta tietoturvaa tai luottamusta.

Ennen ja jälkeen: Landing Pointin tekoälyintegraatio

Painopiste	Ennen tekoälyä	Tekoälyn jälkeen
Manuaalinen hallinnollinen työ	Rekrytoijat käyttivät 3–4 tuntia viikossa esittelyteksteihin, ansioluetteloihin ja työpaikkailmoitusten teksteihin	Tehtäviin kului enää noin 5 minuuttia kuhunkin; säästöä 3–4 tuntia viikossa rekrytoijaa kohden
Tietoturva ja vaatimustenmukaisuus	Rekrytoijat käyttivät julkisia työkaluja ilman yhtenäisiä käytäntöjä, mikä herätti huolta tietosuojasta	Täysin suojattu keskustelubotti, jossa on kertakirjautuminen, tarkastuslokit ja malli, joka ei säilytä tietoja
Hakemusten lähetysnopeus	3–6 tuntia ensimmäisen ehdokkaan lähettämiseen	Ensimmäiset ehdokkaat lähetettiin alle 30 minuutissa
Ansioluetteloiden tarkkuus	Virheprosentti noin 3–4 %, pääasiassa muotoilu- tai yhteensopivuusvirheitä	Virheprosentti <1 %, mikä paransi ehdokkaiden ja asiakkaiden tyytyväisyyttä
Käyttöönoton kulttuuri	Varhaista kokeilua vähäisellä rakenteella	Laaja käyttöönotto ATS-integraation, koulutuksen ja sisäisen "tekoälyajatushautomon" hallintomallin avulla
Toimintakustannukset	Ei määritelty	$200 kuukaudessa infrastruktuuriin ja yksi tekoälyinsinööri tukemassa täyttä käyttöönottoa

8. Integrity Staffing + ConverzAI:n "Rekrytoija Jamie"

Volyymiltaan suuressa henkilöstövuokrauksessa nopeus ratkaisee kaiken. Kevyen teollisuuden ja varastotyön tehtäviin hakevat ehdokkaat hakevat usein samanaikaisesti useita työpaikkoja, joten rekrytoijilla on vain muutaman tunnin kapea aikaikkuna merkityksellisen yhteyden luomiseen ennen kuin ehdokkaat menettävät kiinnostuksensa.

Integrity Staffingin rekrytointitiimit olivat kuitenkin jumissa:

• Manuaalinen esikarsinta vei päivittäin tunteja
• Rekrytoijat eivät ehtineet tavoittaa kaikkia hakijoita riittävän nopeasti
• Pätevät ehdokkaat jäivät saamatta
• Budjetit paisuivat, kun tiimit yrittivät kompensoida tilannetta lisäämällä työpaikkailmoituksia työpaikkasivustoille

Tämä johti ehdokkaiden kielteiseen työnhakijakokemukseen, henkilöstöalan ammattilaisten uupumiseen ja kestämättömiin kustannuksiin. Tiimi tarvitsi keinon laajentaa yksilöllistä ehdokkaiden sitouttamista ilman uusien rekrytoijien palkkaamista tai turvautumista kylmään, yleisluontoiseen automaatioon, joka olisi entisestään heikentänyt työntekijöiden sitoutumista.

Tekoälyratkaisu

Integrity Staffing otti käyttöön ConverzAI:n, tekoälypohjaisen virtuaalirekrytoijan, lempinimeltään "Rekrytoija Jamie", joka on suunniteltu aloittamaan reaaliaikainen ehdokkaiden sitouttaminen laajassa mittakaavassa luonnollisen kielen käsittelyn ja koneoppimisalgoritmien avulla.

Mitä Rekrytoija Jamie tekee:

• Ottaa ehdokkaisiin yhteyttä 15 minuutin kuluessa siitä, kun heidän hakemuksensa saapuu hakijaseurantajärjestelmään (Bullhorn)
• Ottaa yhteyttä tekstiviestillä, puhelimitse tai sähköpostitse ehdokkaan mieltymysten perusteella
• Suorittaa jäsennellyn esikarsinnan, joka kattaa:
  • Työkokemuksen
  • Sijainnin
  • Saatavuuden
  • Palkkatoiveet
  • Tehtäväkohtaiset tarpeet
• Luokittelee hakijat seuraavasti:
  • Kiinnostunut
  • Ei sovi
  • Jatkoyhteydenotto
• Ohjaa pätevät liidit ihmisten hoidettaviksi rekrytoijille, jotta he voivat käyttää aikansa vain kiinnostuneisiin ehdokkaisiin. Tämä mahdollistaa tietoon perustuvat päätökset siitä, mihin heidän panoksensa kohdennetaan, ja automatisoi aikaa vievän ansioluetteloiden seulonnan

Jamie toimii tavanomaisina työaikoina (klo 8–20 paikallista aikaa), mutta jatkaa tekstiviesti- ja sähköpostiyhteydenpitoa ympäri vuorokauden. Muistiinpanot kirjataan suoraan hakijaseurantajärjestelmään välitöntä siirtoa varten, mikä luo saumattoman työntekijätietojen kulun HR-toimintojen tueksi.

Integrity Staffingin liiketoimintajohtajat kertovat, että tämä tekoälyn käyttöönottoa koskeva lähestymistapa on muuttanut heidän kilpailuasemaansa osaajien hankinnassa.

Tulokset

Tammikuun 2024 ja heinäkuun 2025 välisenä aikana Jamie oli yhteydessä yli 66 000 ehdokkaaseen ja saavutti mitattavia, monipuolisia tuloksia keskeisillä mittareilla:

• Kaikkien rekrytointien määrä kasvoi 76 %
• Suoraan hakeneiden palkkaaminen lisääntyi 80 %
• Rekrytoijien tehokkuus parani 55 % (enemmän rekrytointeja rekrytoijaa kohden)
• Ehdokkaiden vastausaika lyheni päivistä tai viikoista alle 15 minuuttiin, mikä paransi merkittävästi työnhakijakokemusta
• Mainontaan käytettyjä kustannuksia leikattiin joillakin markkinoilla yli 75 %
• Ehdokkaiden kieltäytymisprosentti jäi alle 0,5 prosenttiin, mikä osoittaa tekoälyyn perustuvan yhteydenpidon olevan hyvin hyväksyttyä (vain 311 ehdokasta 66 391:stä kieltäytyi tekoälyvuorovaikutuksesta)

Johtopäätös johdolle

Tekoäly ei ainoastaan parantanut tehokkuutta, vaan muutti koko rekrytoinnin rytmin. Ottamalla yhteyttä muutamassa minuutissa Jamie muutti toimintatavan kylmien liidien tavoittelusta lämpimien ja kiinnostuneiden ehdokkaiden priorisointiin.

Tulos? Parempi työntekijäehdokkaiden kokemus, nopeammat sijoitukset, pienemmät kustannukset ja rekrytoijat, jotka tekevät vähemmän rutiinityötä ja enemmän arvokasta osaamisten yhteensovittamista.

Varoitusmerkki

Aluksi rekrytoijat pelkäsivät, että Jamie tuntuisi robottimaiselta ja heikentäisi työntekijöiden sitoutumista. Kun pilottidata kuitenkin osoitti, että 87 % ehdokkaista suhtautui kiinnostuneesti ja alle 0,5 % vastusti sitä, epäilykset hälvenivät nopeasti.

Ratkaisevaa oli osoittaa, ettei AI ollut uhka vaan tiimikaveri, joka vapautti HR-ammattilaiset loistamaan.

Suoraan asiaan (ja neuvoja)

Tämä ei ollut suoraan käyttövalmis menestys. Onnistuminen perustui jäsenneltyyn muutosjohtamiseen ja strategisiin aloitteisiin:

• Tee AI:sta osa SOP:tä – ei valinnainen lisä
• Kouluta rekrytoijat varhain tekemään yhteistyötä AI:n kanssa kohdennettujen koulutusohjelmien avulla
• Pidä rekrytoijat ajan tasalla, jotta he luottavat tehtävien siirtoihin
• Hyödynnä pilottidataa epäilyjen hälventämiseen ja sisäisen luottamuksen rakentamiseen
• Luo palautesilmukoita vuorovaikutuksen ja integraatioiden jatkuvaan kehittämiseen

Ennen ja jälkeen: Integrity Staffing + ConverzAI

Painopistealue	Ennen AI:ta	AI:n jälkeen
Yhteydenoton nopeus	Päiviä (joskus viikkoja); kylmäkontaktointi	<15 minuuttia keskimäärin hakemuksesta ensimmäiseen yhteydenottoon
Ehdokkaiden konversio	Monet liidit viilenivät; suoraan hakeneiden palkkaaminen laahasi jäljessä	+80 % enemmän suoraan hakeneita palkattiin AI:n esikarsinnan jälkeen
Rekrytoijien tehokkuus	Aikaa kului ehdokkaiden tavoitteluun, kylmäsoittoihin ja manuaaliseen suodatukseen	+55 % kasvu rekrytoijien tuottavuudessa
Sijoitusten määrä	Rekrytoijat kuormittuivat määrästä; aukkoja hakijaputkessa	76 % enemmän sijoituksia nopeamman ja suodatetun hakijaputken ansiosta
Ehdokkaiden suhtautuminen	Epäjohdonmukainen sitoutuminen; vastaamattomat yhteydenotot	87 %:n sitoutumisaste, <0,5 % torjui AI-vuorovaikutuksen
Mainoskulut	Korkeat työpaikkasivustokulut viilenneen hakijaputken täydentämiseksi	Mainoskulut vähenivät jopa 75 %
Työmäärä ja stressi	Rekrytoijat muodostivat pullonkaulan ja kamppailivat pysyäkseen mukana	Rekrytoijat ovat yhteydessä vain päteviin ja kiinnostuneisiin ehdokkaisiin
Luottamus ja vaatimustenmukaisuus	Epäjohdonmukaisuuden riski yhteydenotoissa ja esikarsinnassa	Standardoidut ja tarkistetut käsikirjoitukset sekä ATS-integraatio varmistavat oikeudenmukaisuuden

Onnistumisen edellytykset

• Johdon sitoutuminen alusta alkaen
• Osaksi perehdytystä sisällytetty koulutus
• Helppo ATS-integraatio (Bullhorn) ja takaisinkirjoitusominaisuudet
• SOP-päivitykset, jotka tekivät AI:sta oletuksen poikkeuksen sijaan
• Johdonmukaiset palautesyklit keskustelujen hienosäätöön ja ongelmien ratkaisemiseen

Vältettävät sudenkuopat

• Älä oleta, että ehdokkaat torjuvat AI:n – anna datan osoittaa, mitä he todella suosivat
• Älä ohita muutosjohtamista – käyttöönotto perustuu kulttuuriseen ajattelutavan muutokseen
• Älä anna rekrytoijien tuntea, että heidät korvataan – korosta, että AI vapauttaa heidät keskittymään vahvuuksiinsa

9. FORE Enterprise + tekoälyhackathon

FORE Enterprise on AI-ratkaisujen arkkitehti, joka palvelee asiakkaita rahoituspalveluiden, urheiluseurojen, ohjelmistojen, datapalveluiden ja luksusmuodin aloilla. Se tunnetaan monimutkaisten liiketoimintahaasteiden ratkaisemisesta älykkäiden ja skaalautuvien AI-sovellusten avulla.

Sisäisesti tiimi halusi kuitenkin testata oman etenemisnopeutensa: pystyisivätkö he rakentamaan asiakkaalle valmiita, AI:n tehostamia ominaisuuksia lyhyemmässä ajassa, pienemmillä resursseilla ja laadusta tinkimättä?

Tilanne: rakenna toimiva ominaisuus kauppojen hankintaan tarkoitettuun tuotteeseen, joka auttaa asiakkaita löytämään, asettamaan paremmuusjärjestykseen ja analysoimaan tulevia mahdollisuuksia käyttäen suurta kielimallia (LLM). Tavallisesti kehitys veisi viikon (AI:n avulla) tai kuukauden (ilman AI:ta). Pystyisivätkö he tekemään sen 24 tunnissa?

Vastaus löytyi koko yrityksen kattavan AI-hackathonin kautta, ja tulokset olivat mullistavia. Ne osoittivat AI-aloitteiden mahdollisuuden nopeuttaa kehitystä samalla, kun laatumittarit säilyvät ennallaan.

AI:n hyödyntäminen

FORE järjesti 24 tunnin AI-hackathonin, jakoi koko henkilöstönsä monialaisiin tiimeihin ja antoi jokaiselle yhden tavoitteen:

Hyödynnä AI:ta rakentaaksesi toimiva ominaisuus, joka tukee kauppojen hankintaa LLM:n avulla, ja esittele se suorana asiakkaalle yhden päivän aikana.

Keskeiset käytetyt AI-työkalut ja -menetelmät:

• Cursor: tekoälypohjainen koodausympäristö, jossa on koodinsisäiset koodiehdotukset ja valmistelut committien tekemistä varten
• Claude + ChatGPT: pienten, rajattujen koodilohkojen luomiseen, skeeman jäsentämiseen ja logiikan käsittelyyn luonnollisen kielen käsittelyn avulla
• ”Toimittajan ajattelutapa”: sen sijaan, että tekoälyn olisi annettu toimia vapaasti, tiimit käyttivät tekoälyä apukopilottina ja loivat koodia pienissä vaiheissa editoiden ja validoiden jokaisessa vaiheessa tulosten optimoimiseksi
• Live-esittelyn vaatimukset: jokaisen ominaisuuden oli oltava testattavissa, visuaalinen ja selitettävissä asiakkaalle ymmärrettävillä termeillä

Tulokset

• Kehitysaika lyheni avainominaisuuksien osalta yhdestä viikosta yhteen päivään
• Asiakas hyväksyi 100 % tekoälyn avulla rakennetuista ominaisuuksista täysimääräiseen käyttöönottoon
• Tuotekehityksen läpimeno kasvoi noin 5 000 kuukausittaisesta commitista 30 000:een, mikä osoitti tuottavuuden kasvaneen ilman paisunutta koodia ja paransi keskeisiä suorituskykymittareita dramaattisesti
• Tiimit oppivat luottamaan tekoälyyn nopeuden saavuttamisessa ja kehittivät samalla terävää harkintakykyä sen suhteen, milloin sitä kannattaa ohjata tai ohittaa

Johdon yhteenveto

Pelkästään tekoälytyökalut eivät tee työskentelystä nopeampaa, vaan rakenteet tekevät sen. Antamalla tiimeille tiukan aikarajan, pilkotut ominaisuustavoitteet ja täyden luvan käyttää tekoälyä luovana kumppanina FORE saavutti nopean toimituksen tinkimättä laadusta.

Hakkerointitapahtumat eivät ole pelkkiä temppuja. Pienille yrityksille ne ovat tiivistettyjä oppimiskoneita, jotka kehittävät tiimin osaamista ja tuottavat arvoa samanaikaisesti sekä edustavat strategisia aloitteita, jotka tuottavat välitöntä sijoitetun pääoman tuottoa.

Varoitusmerkki

Tekoälyn luoma koodi ei ole aukotonta. Varhaisissa kokeiluissa Clauden kaltaiset työkalut ymmärsivät olioiden viittaukset väärin, aiheuttivat skeeman ajautumista tai kuvittelivat tarpeettomia monimutkaisuuskerroksia. Mallin liian pitkä yhtäjaksoinen käyttö ilman tarkistuspisteitä johti paisuneisiin committeihin ja aukkoihin logiikassa.

Suoraa puhetta (ja neuvoja)

Tekoäly ei korvaa kehittäjiä – se nopeuttaa hyvien kehittäjien työtä ja paljastaa muiden huolimattoman ajattelun. FORE Enterprisesin perustaja ja toimitusjohtaja Tyler Hochman jakoi joitakin oppeja.

Opimme jatkuvasti, miten työkalut toimivat. Työkalut yrittävät tehdä asioista liian monimutkaisia, mikä voi olla sudenkuoppa. Jos annat työkalulle avoimen tehtävän, kuten tämän ominaisuuden toteuttamisen, se ei suoriudu kovin hyvin, mutta jos pilkot tehtävän osiin A, B, C ja D ja tarkistat jokaisen vaiheen, se suoriutuu paljon paremmin.

Opitut asiat:

• Älä anna tekoälyn käsitellä suuria, avoimia tehtäviä. Pilko kaikki selkeiksi ja testattaviksi osiksi.
• Vahvista aina skeeman ymmärtäminen. Malli ei välttämättä tunnista tietorakenteitasi suoraan.
• Ihmisen tekemä editointi on ratkaisevan tärkeää. Tekoäly toimii parhaiten, kun sen tuotosta ajatellaan luonnoksena.

Ennen ja jälkeen: FORE Enterprisen tekoälyhakkerointitapahtuma

Painopistealue	Ennen tekoälyä	Tekoälyn jälkeen
Ominaisuuksien kehitysnopeus	~1 viikko ominaisuutta kohti (tai 1 kuukausi ilman tekoälyä)	1 päivä ominaisuutta kohti tekoälyn avustaman koodin ja keskitetyn hakkerointitapahtuman rakenteen avulla
Asiakkaan hyväksymisaste	Vaihteli iteraatioiden ja laadunvarmistuksen mukaan	100 % hakkerointitapahtumassa rakennettujen ominaisuuksien hyväksyntä
Tuotekehityksen läpimeno	~5 000 kuukausittaista committia	30 000 kuukausittaista committia tekoälyn käyttöönoton jälkeen
Kokeilujen kustannukset	Korkeat – vaativat kokonaisia kehittäjien sprinttijaksoja	Matalat – 24 tuntia jäsenneltyä tiimiaikaa ominaisuutta kohti
Tiimin tekoälyn käyttöönotto	Satunnaista kokeilua; vähäinen luottamus malleihin	Laaja käyttöönotto, luottamus ja käytännön osaaminen tiimiyhteistyön kautta
Tekoälyriskien hallinta	Tekoäly tekee asioista liian monimutkaisia ja tulkitsee skeeman väärin	Riskiä pienennetään vaiheittaisilla kehotteilla ja ihmisen tekemällä editoinnilla

10. Smartbridge + rekrytoinnin tekoälyagentti

Öljy- ja kaasupalvelualalla toimivalla keskisuurella yrityksellä (500–1 000 työntekijää) oli vaikeuksia rekrytoida tehokkaasti suuressa mittakaavassa. Rekrytoijat käyttivät kohtuuttomasti aikaa ehdokkaiden manuaaliseen etsimiseen, arviointiin ja seurantaan – usein nojaten epäjohdonmukaisiin nyrkkisääntöihin ja intuitioon, jotka aiheuttivat viiveitä ja puolueellisuutta rekrytointiprosessiin.

Useiden rekrytoijien käsitellessä suuria määriä ehdokkaita eri sijainneissa yrityksellä oli kolme kiireellistä tarvetta:

• Lyhentää rekrytointiin kuluvaa aikaa tuottavuuden menettämisen välttämiseksi ja työntekijäkokemuksen parantamiseksi
• Yhdenmukaistaa rekrytointipäätöksiä johdonmukaisuuden parantamiseksi ja puolueellisuuden minimoimiseksi sekä tehdä päätöksiä aiempaa tietopohjaisemmin
• Vapauttaa HR-ammattilaiset keskittymään ehdokassuhteiden rakentamiseen – ei pelkästään hakemusten esikarsintaan

Tekoälyratkaisu

Prosessin muuttamiseksi yritys teki yhteistyötä digitaalisen transformaation konsultointiyrityksen Smartbridgen kanssa ottaakseen käyttöön generatiiviseen tekoälyyn perustuvan räätälöidyn rekrytoinnin tekoälyavustajan.

Tämä agenttipohjainen tekoälytyökalu suunniteltiin liitettäväksi suoraan yrityksen BambooHR:ään ja ATS:ään, mikä varmisti saumattoman työnkulkujen integroinnin ja työntekijätietojen suojaamisen. Ratkaisu tarjosi seuraavat ominaisuudet:

• Ehdokkaiden automaattinen seulonta ATS-tietojen perusteella yhden HR:n eniten aikaa vievistä tehtävistä optimoimiseksi, mukaan lukien kehittyneet ansioluetteloiden seulontaominaisuudet
• Kontekstuaaliset suositukset rekrytoijien jatkotoimia varten, laadun ja kiireellisyyden mukaan järjestettyinä, mikä mahdollisti tietoon perustuvien päätösten tekemisen
• Yhdenmukaistetut haastattelukysymykset, jotka tuotettiin työpaikkailmoitusten perusteella tekoälyteknologioita hyödyntäen
• Harhaa vähentävät ominaisuudet, jotka varmistivat yhdenmukaisten kriteerien käytön ehdokkaiden arvioinnissa ja paransivat oikeudenmukaisuusmittareita huolellisen data-analyysin avulla
• Ajastettu rekrytoijien toimien ja oivallusten toimitus roolikohtaisten tarpeiden ja mieltymysten mukaisesti – tekoäly auttaa varmistamaan, ettei mikään jää huomaamatta

Tulokset

Tulokset ovat olleet merkittäviä ja todennettavia:

KPI	Ennen tekoälyä	Tekoälyn jälkeen
Rekrytointiin käytetty aika	Manuaalisesti työlästä useiden viikkojen ajan	Rekrytointiin käytetty aika väheni yli 70 %
Rekrytoinnin läpimenoaika	Usein 1–2 viikon viive	Rekrytointisyklit lyhenivät 1–2 viikolla
Rekrytoinnin yhdenmukaisuus	Rekrytoijat käyttivät erilaisia arviointiperusteita	Yhtenäiset standardit ja oivallukset kaikkien rekrytoijien käytössä
Harha seulonnassa	Riippuvainen subjektiivisesta arvioinnista	Vähäinen harha, joka minimoitiin jäsennellyn arvioinnin avulla
Rekrytoijien työkalun käyttöönotto	ATS:n manuaalinen käyttö	Kaikki rekrytoijat käyttävät työkalua, ja työnkulut on integroitu siihen

"Jokainen rekrytoija käyttää sitä nyt – ja käyttääkin sitä luottavaisin mielin. Järjestelmä toimittaa juuri sen, mitä he tarvitsevat, silloin kun he sitä tarvitsevat," sanoi Rajeev Aluru, Smartbridgen tekoälystä ja datatieteestä vastaava johtaja.

Johdon yhteenveto

Tekoäly ei korvaa rekrytoijia – se tehostaa heidän työtään. Upottamalla älykkään tekoälyavustajan suoraan olemassa oleviin ATS-työkaluihin Smartbridge auttoi tätä rakennus- ja palvelualan yritystä yhdenmukaistamaan rekrytoinnin laatua, nopeuttamaan rekrytointia ja vähentämään merkittävästi manuaalista työtä.

Työkalu on nyt keskeinen osa infrastruktuuria, ei sivukokeilu. Se osoittaa tekoälyn mullistavan potentiaalin HR:ssä, kun se integroidaan asianmukaisesti HR-toimintoihin.

Varoitusmerkki

Jos tekoälyjärjestelmää ei integroida syvällisesti olemassa oleviin työnkulkuihin, sen käyttöönotto pysähtyy. Tämän tapauksen onnistumisen mahdollisti oivallusten saumaton toimittaminen suoraan BambooHR:ään ja ATS:ään, mikä säilytti rekrytoijien työskentelyrytmin ja luottamuksen.

Suoraan sanottuna

Teknologia toimii – mutta rekrytoijien sitoutuminen tarvitaan heti ensimmäisestä päivästä lähtien.

• Älä yllätä tiimiäsi. Ota rekrytoijat mukaan suunnitteluun varhaisessa vaiheessa.
• Tee tekoälystä avun, ei korvaajan, tuntuinen. Käytä sitä suositusten tekemiseen, älä määräämiseen.
• Pidä se heidän työkaluissaan. Jos tekoäly toimii järjestelmän ulkopuolella, sitä ei käytetä.
• Seuraa suorituskykyä. Näytä rekrytoijille, kuinka se auttaa heitä täyttämään tehtävät nopeammin, paremmin ja oikeudenmukaisemmin.

11. Docebo + tekoälyavusteinen rekrytointi, sitouttaminen ja tiedonhallinta

Docebo, maailmanlaajuinen oppimisteknologiayritys, jolla on noin 1 000 työntekijää Pohjois-Amerikassa ja Euroopassa, kohtasi mittakaavassaan monimutkaisia rekrytoinnin ja toiminnan haasteita. Osaajien hankinnasta vastaavilla tiimeillä oli vaikeuksia ehdokkaiden arvioinnin yhdenmukaisuudessa, haastattelujen aikaisessa muistiinpanojen tekemisessä ja rekrytoivien esihenkilöiden kanssa käytyjen keskustelujen muuttamisessa konkreettisiksi päätöksiksi.

Samaan aikaan henkilöstötiimit kävivät manuaalisesti läpi tuhansia sitoutumiskyselyjen kommentteja kuukausittain, mikä hidasti merkittävästi niiden kykyä reagoida palautteeseen ja parantaa työntekijöiden sitoutumista. Tiimien välinen sisäinen tiedonjako oli toinen pullonkaula erityisesti organisaation uudelleensuunnittelun kaltaisissa hankkeissa.

Docebo tarvitsi tekoälyä ei uutuusarvon vuoksi, vaan vapauttaakseen toiminnallisen selkeyden, nopeuttaakseen päätöksentekoa ja parantaakseen ehdokkaiden arvioinnin laatua maailmanlaajuisesti hajautetussa yrityksessä – ja parantaakseen samalla useita HR-toimintoja.

Tekoälyratkaisu

Docebo otti tekoälyn käyttöön kolmessa HR:n kannalta kriittisessä työnkulussa hyödyntäen koneoppimista ja luonnollisen kielen käsittelyä:

1. Rekrytointi + haastatteluanalytiikka

• Granola.ai otettiin käyttöön tukemaan rekrytoijia ja rekrytoivia esihenkilöitä haastatteluissa litteroimalla ja tiivistämällä muistiinpanot automaattisesti.
• Tämä vapautti rekrytoijat puheluiden jälkeisestä litteroinnista ja antoi rekrytoiville esihenkilöille mahdollisuuden keskittyä aktiiviseen kuunteluun, mikä lisäsi oikeudenmukaisuutta ja johdonmukaisuutta rekrytointipäätöksissä — AI auttaa poistamaan työläitä HR-tehtäviä.
• Tiivistelmät toimivat nyt arkistona siitä, mitkä kysymykset johtivat onnistuneisiin rekrytointeihin. Tämä mahdollistaa haastattelustrategioiden kehittämisen ja dataohjautuvammat päätökset hakijoiden arvioinnista sekä tuottaa arvokkaita tietoaineistoja jatkuvaa kehittämistä varten.

2. Kulttuuriin sopivat työpaikkailmoitukset ja hakijoiden profilointi

• AI-työkaluja käytettiin Docebon arvojen mukaisesti laadittujen työpaikkailmoitusten luomiseen, mikä paransi huomattavasti hakijoiden laatua ja työntekijäkokemusta heti ensimmäisestä yhteydenotosta lähtien.
• Rekrytoijat kokeilivat myös AI-teknologioiden käyttöä julkisesti saatavilla olevan hakijoita koskevan sisällön, kuten LinkedIn-julkaisujen, analysointiin arvioidakseen yhteensopivuutta yrityskulttuurin arvojen, kuten ihmiset etusijalle asettavan johtajuuden, kanssa.
• Vaikka näitä tietoja ei käytetty lopullisten päätösten tekemiseen, ne toimivat suuntaa-antavana aineistona johtotehtävien rekrytoinneissa ja tukivat urakehityskeskusteluja.

3. Työtyytyväisyyskyselyjen tunneanalyysi

• Aiemmin tuhansien kuukausittaisten työtyytyväisyyskyselykommenttien läpikäynti kesti viikkoja.
• Kun People-tiimit hyödynsivät data-analyysialgoritmeihin perustuvaa AI-tiivistämistä, ne pystyivät havaitsemaan esiin nousevia teemoja ja tunnetilojen muutoksia tunneissa. Näin ne saattoivat käynnistää tilanteeseen reagoivia toimenpiteitä nopeammin.
• Tärkeää on, että HR-ammattilaiset käyvät edelleen jokaisen kommentin manuaalisesti läpi — AI toimii kuitenkin ensimmäisen vaiheen suodattimena, joka nostaa kiireelliset ongelmat esiin ja lyhentää palautteen sekä toimenpiteiden välistä viivettä. Tämä parantaa huomattavasti työntekijöiden sitoutumiseen liittyvää reagointiaikaa ja mahdollistaa samalla ennakoivan analytiikan mahdollisista henkilöstön pysyvyyteen liittyvistä riskeistä.

4. Sisäisen tiedon saatavuus Gleanin avulla

• Glean, AI-pohjainen tiedonhallintatyökalu, otettiin käyttöön sisäisten siilojen poistamiseksi ja tiedonsaannin tehostamiseksi. Se on yksi Docebon teknologiakokonaisuuden keskeisistä HR-työkaluista.
• Työntekijät voivat pyytää Gleanilta tiivistelmiä osastojen painopisteistä, organisaatiokaavioista ja sisäisten projektien päivityksistä, mikä tukee urakehitystä selkeyttämällä etenemismahdollisuuksia.
• People-tiimi hyödynsi sitä esimerkiksi organisaation suunnittelun tehostamiseen tuomalla työntekijätiedoista välittömästi esiin tiimien ajantasaiset tavoitteet ja rakenteet. Liiketoimintajohtajien mukaan tämä on nopeuttanut strategista suunnittelua huomattavasti.

Tulokset

• Yli 2 tuntia säästyi rekrytoijaa ja haastattelijaa kohden jokaisessa rekrytoinnissa automaattisen muistiinpanojen tekemisen ansiosta
• Tuhansia kyselykommentteja analysoitiin kuukausittain tunneissa viikkojen sijaan, mikä paransi työntekijöiden sitoutumiseen liittyvää reagointikykyä
• Nopeammat ja laadukkaammat työpaikkailmoitukset paransivat hakijaputkia ja työntekijäkokemusta
• Rekrytointien parempi yhdenmukaisuus haastattelulitterointien jälkikäteisen analysoinnin ansiosta mahdollisti dataohjautuvammat päätökset
• Organisaation suunnittelua voitiin tehdä nopeammin Gleanin reaaliaikaisten sisäisten tiivistelmien avulla

"Emme tarkastele AI:ta nollasummapelinä. Kyse on siitä, että saamme ihmisistämme parhaat puolet esiin ja samalla saavutamme todellisia tehokkuushyötyjä ja skaalautuvuutta." — Lauren Tropeano, henkilöstöstä ja kulttuurista vastaava johtaja, Docebo.

Johtopäätös johdolle

AI:n ei tarvitse olla mullistavaa ollakseen muutosvoimaista. Docebon menestys perustui käytännöllisten AI-työkalujen integroimiseen nykyisiin työnkulkuihin: muistiinpanojen tekemisen vaivan vähentämiseen, organisaatiota koskevan ymmärryksen parantamiseen ja työntekijöiden sitoutumista koskevaan palautteeseen reagoimiseen nopeammin.

Heidän lähestymistapansa oli yhtä aikaa käytännönläheinen ja ihmiset keskiöön asettava. Hallintamallit ja kokeilut ohjasivat kestävää käyttöönottoa kaikissa HR-toiminnoissa.

Varoitusmerkki

Kaikki AI-työkalut eivät tuota käyttökelpoisia tuloksia. Docebon oli kokeiltava useita muistiinpanojen tekemiseen tarkoitettuja alustoja ennen kuin se löysi työkalun, joka tallensi riittävän tarkasti vivahteet ja puhujien väliset erot. Opetus? Testaa ennen laajentamista ja arvioi paitsi sitä, mitä AI pystyy tekemään, myös sitä, onko sen tuottama lopputulos aidosti hyödyllinen HR-prosesseillesi.

Suoraan sanottuna (ja neuvoja)

• Aloita pienestä ja laajenna harkiten: Aloita pilottitiimeistä, kerää palautetta ja laajenna sitten todistetun hyödyn ja selkeiden mittareiden perusteella.
• AI ≠ autopilotti: Tiimit tarvitsevat edelleen kriittistä ajattelua ja inhimillistä harkintaa AI:n tuottamien oivallusten tulkitsemiseen ja hyödyntämiseen.
• Hallintamallit ovat ratkaisevan tärkeitä: Varmista tietojen käyttöoikeuksien rajat, kuten ettei arkaluonteisiin HR-järjestelmiin ole pääsyä, sekä työntekijätietojen vastuullista käyttöä koskeva selkeys.

Ennen ja jälkeen: Docebon AI-matka

Painopiste	Ennen tekoälyä	Tekoälyn jälkeen
Haastattelumuistiinpanojen tekeminen	Manuaalinen litterointi jokaisen puhelun jälkeen; yksityiskohdat ja työmäärä vaihtelivat	Granolan yhteenvedot säästävät yli 2 tuntia tehtävää kohden; esihenkilöt voivat keskittyä kuuntelemiseen kirjoittamisen sijaan
Työtyytyväisyyskyselyjen analysointi	Tuhansien kommenttien manuaalinen koodaus vei viikkoja	Tekoälyn tuottamat temaattiset yhteenvedot mahdollistavat lähes reaaliaikaiset palautteesta toimintaan -syklit
Ehdokkaiden löytäminen	Työpaikkailmoitukset hukkuivat usein yleisten alan julkaisujen joukkoon	Yrityksen arvojen mukaisesti laaditut tekoälyn tuottamat työpaikkailmoitukset tuovat paremmin sopivia hakijoita
Organisaatiosuunnittelun tutkimus	Tuntien tai päivien käyttäminen sähköpostien ja Slackin läpikäymiseen tiimirakenteen ymmärtämiseksi	Glean tuo tiimien tavoitteet ja organisaatiokaaviot esiin sekunneissa
Kulttuurin arviointi	Johtotehtävien ehdokkaiden ihmislähtöisestä käyttäytymisestä oli vain vähän näkyvyyttä	Tekoälyn tukemat julkisen sisällön arviot tarjoavat suuntaa-antavia kulttuurisen sopivuuden signaaleja

5 keskeistä oppia tekoälyn HR-sovellusten etulinjasta

Käytyämme läpi kymmeniä käytännössä toteutettuja käyttöönottoja tässä ovat tärkeimmät havainnot tiimeiltä, jotka tekevät tätä työtä tänään – eivät teoriassa vaan käytännössä:

More Articles

• 4 menetelmää, jotka auttavat sinua navigoimaan vuoden 2023 vastatuulissa
• Selätä kriisi tekemällä pieni määrä suuria ja merkityksellisiä muutoksia
• Strategisen linjauksen käyttöönotto yleistyy: tässä syy

1. Integrointi voittaa keksimisen

Vaikuttavimmissa hankkeissa tekoälyteknologiat integroitiin työkaluihin, joita tiimit käyttivät jo ennestään – kuten Slackiin, ATS-alustoille tai HRIS-järjestelmiin. Muutoksenhallinta sujui helpommin, tekoälyn käyttöönotto oli nopeampaa ja sijoitetun pääoman tuotto näkyi nopeammin. HR-ammattilaiset pystyivät hyödyntämään tekoälyä HR:ssä häiritsemättä nykyisiä HR-prosesseja. Sen sijaan että olisi otettu käyttöön täysin uusia HR-työkaluja, onnistuneissa toteutuksissa parannettiin tiimien ennestään tuntemia ratkaisuja, mikä vähensi kitkaa ja nopeutti hyödyn saavuttamista.

2. Ihmisen harkinnalla on edelleen merkitystä

Edes edistyneimmät tekoälyjärjestelmät eivät tehneet päätöksiä yksin. Jokaisessa esimerkissä ihminen oli mukana päätöksenteossa, mikä vahvisti luottamusta, paransi tuloksia ja varmisti oikeudenmukaisuuden rekrytoinnissa, perehdytyksessä ja työntekijöiden suoritusten arvioinnissa. Koneoppiminen ja algoritmit tukevat päätöksiä – ne eivät korvaa pätevien HR-ammattilaisten harkintaa. Tämän periaatteen ymmärtävät yritysjohtajat näkevät tekoälyn täydentävänä, eivät korvaavana ratkaisuna ja rakentavat sen ansiosta vahvempia ja luotettavampia järjestelmiä.

3. Käyttöönotto edellyttää luottamusta, ei vain teknologiaa

Tekoälyn avulla menestyneet tiimit investoivat koulutusohjelmiin, läpinäkyvyyteen ja sisäiseen viestintään. Tekoälyn käyttöönotto ei ollut vain tekninen haaste – se oli kulttuurinen. Parhaiten suoriutuvat tiimit saivat tekoälyn tuntumaan tiimikaverilta vallankaappauksen sijaan ja säilyttivät työntekijöiden vahvan sitoutumisen koko käyttöönottoprojektien ajan. Onnistunut tekoälyn käyttöönotto edellytti työpaikan säilymiseen liittyvien huolenaiheiden käsittelyä, hyödyn osoittamista pilottien avulla ja saavutusten näkyvää juhlistamista etenemisen vauhdittamiseksi.

4. Personointi parantaa suorituskykyä

Nopeudella on merkitystä, mutta laadulla vielä enemmän. Tekoäly tuotti parhaat tulokset silloin, kun se loi räätälöityjä ja kontekstuaalisia kokemuksia ehdokkaille, esihenkilöille tai uusille työntekijöille ja paransi työntekijäkokemusta kokonaisuutena. Olipa kyse perehdytyssuunnitelmien laatimisesta tai palautteen analysoinnista työntekijätietojen avulla, täsmällisyys päihitti laajuuden. Luonnollisen kielen käsittely mahdollisti tämän personoinnin useissa HR-toiminnoissa suuressa mittakaavassa ja tuki yksilöllisiä oppimispolkuja, urakehityskeskusteluja ja räätälöityä viestintää. Tehokkaimmissa toteutuksissa hyödynnettiin data-analyysiä ja ennakoivaa analytiikkaa yksilöllisten tarpeiden ennakoimiseksi sen sijaan, että olisi sovellettu kaikille samaa ratkaisua.

5. Pienet pilotit laajenevat nopeasti

Useimmat menestystarinat alkoivat vähäriskisistä ja paljon hyötyä tuottavista kokeiluista: tavoitteiden asettamiseen tarkoitetusta chatbotista, GPT:n tuottamasta 30/60/90-suunnitelmasta tai automatisoidusta ansioluetteloiden seulonnasta. Kun vaikutus oli osoitettu kustannussäästöjä ja tehokkuushyötyjä osoittavilla mitattavilla tunnusluvuilla, tiimit laajensivat käyttöä nopeasti – uskottavasti ja luottavaisin mielin. Näissä kohdennetuissa hankkeissa osoitettiin tekoälyn arvo HR:ssä ennen kuin tekoälyä otettiin käyttöön koko yrityksessä HR-prosessien tai HR-tehtävien muuttamiseksi. Pienestä aloittaminen antoi tiimeille mahdollisuuden testata tekoälyteknologioita, hioa kehotteita, rakentaa tarkoituksenmukaisia tietoaineistoja ja kehittää hallintakehyksiä ennen laajaa käyttöönottoa – mikä kasvatti merkittävästi onnistuneen ja kestävän tekoälyn käyttöönoton todennäköisyyttä.