
Thoughtworksin lahjakkuuksien hankinnan johtaja kertoo, miten rekrytoinnista tehdään tekoälyn avulla dataohjautuva ja ennakoiva prosessi

Carla Catelan
Lahjakkuuksien hankinnan johtaja (Amerikat), Thoughtworks

Tutustu Thoughtworksin tekoälyohjattuun rekrytoinnin muutokseen, jossa ennakoivat mallit terävöittävät päätöksentekoa, työnkulut vähentävät rutiinityötä ja ihmiset voivat keskittyä tärkeimpiin asioihin.
Carla Catelan
Lahjakkuuksien hankinnan johtaja (Amerikat), Thoughtworks

Key Takeaways
Tekoälyn integrointi: Tekoäly muuttaa lahjakkuuksien hankinnan dataohjautuvaksi ja ennakoivaksi prosessiksi säilyttäen samalla ihmiskeskeiset elementit.
Johtajuuden kehitys: Tekoäly siirtää johtajuuden painopistettä toteutuksesta strategiseen johtamiseen ja korostaa päätöksentekorakenteen merkitystä organisaatioissa.
Työnkulun uudistaminen: Tekoäly optimoi henkilöstöhallinnon prosesseja, tehostaa toimintaa analysoimalla dataa ja vähentämällä manuaalisia tehtäviä.
Ennakoiva rekrytointi: Ennakoiva analytiikka parantaa rekrytoinnin laatua keskittymällä onnistumisen malleihin prosessin nopeuden sijaan.
Organisaation laajuinen käyttöönotto: Tekoälyn vakiinnuttaminen osaksi organisaatiota on ratkaisevan tärkeää; onnistunut käyttöönotto edellyttää muutoksia organisaatiorakenteeseen ja datalukutaitoon.
Carla Catelan toimii lahjakkuuksien hankinnan johtajana (Amerikat) yrityksessä Thoughtworks ja on kokenut johtotason esihenkilö. Nykyään hänen painopisteensä on tekoälyn hyödyntämisessä, jotta lahjakkuuksien hankinnasta tulee dataohjautuva ja ennakoiva prosessi, samalla kun se säilyy ihmiskeskeisenä.
Keskustelimme Carlan kanssa saadaksemme käsityksen siitä, miten hän toteuttaa tämän. Tässä hänen kertomansa.
Johtamisen ja lahjakkuusstrategian uudistaminen

Olen lahjakkuuksien hankinnan kokenut johtotason esihenkilö, jolla on yli kahden vuosikymmenen kokemus suorituskykyisten rekrytointiorganisaatioiden rakentamisesta ja laajentamisesta eri puolilla Amerikkoja.
Urani aikana olen toiminut johtotason tehtävissä globaaleissa teknologia- ja konsultointiyrityksissä, kuten Thoughtworksillä, Cognizantilla ja Hewlett-Packardilla, joissa johdin laajoja, useissa maissa toimivia lahjakkuuksien hankinnan tiimejä. Urani aiemmassa vaiheessa toimin myös strategisena henkilöstökumppanina ja neuvoin ylempää johtoa ja johtoryhmiä henkilöstösuunnittelussa, organisaation suunnittelussa ja henkilöstöstrategiassa.
Toiminta suuressa mittakaavassa muovasi johtamispolkuani — johdin yli 50 rekrytoijan tiimejä, vastasin vuosittain 600–2 000 rekrytoinnista ja saavutin jatkuvasti ennätystuloksia rekrytoinnin tehokkuudessa, ehdokaskokemuksessa ja organisaation kasvussa.
Lahjakkuuksien hankinnan johtamisen lisäksi olen rakentanut ja johtanut strategisia työnantajabrändin ohjelmia, monimuotoisuus- ja inkluusio-ohjelmia sekä kampusrekrytointia. Näihin on kuulunut aloitteita, jotka ovat merkittävästi lisänneet naisten ja vammaisten henkilöiden rekrytointia sekä laajentaneet uransa alkuvaiheessa olevien osaajien rekrytointiputkia useissa maissa.
Yritystehtävieni ohella toimin myös riippumattomana neuvonantajana beecrowdille, joka on globaali kilpailullisen ohjelmoinnin ja teknisen arvioinnin alusta. Yliopistot ja teknologiayritykset käyttävät sitä ohjelmistokehityksen osaajien arviointiin suuressa mittakaavassa. Tässä tehtävässä neuvon osaajien arviointikehyksissä, taitojen arvioinnissa sekä teknisen erinomaisuuden ja henkilöstöstrategian yhtymäkohdissa.
Viime vuosina työni on keskittynyt yhä enemmän siihen, miten tekoäly ja dataohjautuva rekrytointi muovaavat johtamista, lahjakkuusstrategiaa ja suorituskykyisten organisaatioiden suunnittelua monimutkaisissa, useissa maissa toimivissa ympäristöissä.
More Articles
Miksi tekoäly muuttaa muutakin kuin teknologiaa
Tekoälyn myötä roolini lahjakkuuksien hankinnan johtajana kehittyi ensisijaisesti toteutukseen keskittymisestä strategisten lahjakkuusjärjestelmien suunnitteluun. Näissä järjestelmissä hyödynnetään tekoälyä organisaatioiden tapojen muuttamiseen osaajien houkuttelemisessa, arvioinnissa ja sitouttamisessa. Muutos ei ole vain teknologinen — se muovaa johtamisen vastuita, organisaation suunnittelua sekä ihmisten ja datan välistä suhdetta.
Lahjakkuuksien hankinta on perinteisesti ollut transaktionaalista, mutta tämä muutos tekee siitä dataohjautuvaa ja ennakoivaa. Sen sijaan että luottaisimme manuaaliseen esikarsintaan ja historiallisiin keskiarvoihin, käytämme nyt tekoälypohjaisia oppivia agentteja ja ennakoivia malleja, jotka analysoivat suuria tietoaineistoja tunnistaakseen menestykseen liittyviä malleja ja suositellakseen ehdokkaita aiempaa täsmällisemmin.
Oppimalla historiallisesta datasta nämä järjestelmät hoitavat toistuvat tehtävät, jotta tiimit voivat keskittyä jälleen siihen, minkä ne osaavat parhaiten: suhteiden rakentamiseen ja strategisten päätösten tekemiseen.
Viime kädessä johtaminen tekoäly ensin -aikakaudella tarkoittaa päätöksentekoarkkitehtuurien suunnittelua: järjestelmien luomista niin, että ihmiset, data ja tekoäly tekevät yhteistyötä parempien tulosten saavuttamiseksi. Tämä tarkoittaa eettisen hallintamallin, selkeiden mittareiden ja integroitujen palautesilmukoiden rakentamista, jotta organisaatiot voivat ennakoida tarpeita, vähentää valintojen vinoumia ja sovittaa henkilöstön kyvykkyydet pitkän aikavälin strategisiin tavoitteisiin.
Miten tekoäly muuttaa HR:n työnkulkuja ja päätöksentekoa
Aina kun uudistamme työnkulkua tekoälyn avulla, meitä ohjaa selkeä periaate: tekoäly poistaa manuaalista työtä, jäsentää määrällisiä signaaleja ja tuo esiin oivalluksia, kun taas ihmiset vastaavat laadullisesta harkinnasta ja lopullisista päätöksistä.
Tässä on muutamia esimerkkejä toteuttamistamme uudistuksista:
1. Kyselyanalyysi ja organisaation palautesilmukat
Yksi tekoälyn tehokkaimmista käyttötavoista on ollut suurten kyselyaineistojen analysointi. Useita mukautettuja Gemini-malleja hyödyntäen käsittelemme avoimia kyselyvastauksia tunnistaaksemme toistuvia teemoja, tunnetilojen malleja ja esiin nousevia riskejä tiimeissä ja alueilla.
Sen sijaan, että luottaisimme manuaaliseen merkitsemiseen tai anekdoottimaiseen tulkintaan, tekoälyn avulla voimme parametrisoida palautetta laajassa mittakaavassa ja muuttaa laadullisen syötteen jäsennellyiksi signaaleiksi, jotka osoittavat, missä toimenpiteitä eniten tarvitaan. Tämä on parantanut merkittävästi organisaation kehittämisen suunnittelun nopeutta, johdonmukaisuutta ja objektiivisuutta.
2. Sisäiset työnkulut ja manuaalisten prosessien poistaminen
Olemme myös soveltaneet tekoälyä sisäisiin työnkulkuihin vähentääksemme manuaalista ja toistuvaa työtä. Tekoäly luokittelee pyynnöt, jäsentää muotoilemattomat syötteet ja tukee päätösten valmistelua sisäisissä prosesseissa.
Tämä on vähentänyt merkittävästi toiminnan yleiskustannuksia ja antanut tiimeille mahdollisuuden keskittyä enemmän arvoa tuottavaan työhön, kuten strategiseen ongelmanratkaisuun, sidosryhmien osallistamiseen ja jatkuvaan kehittämiseen hallinnollisen toteutuksen sijaan.
3. Suorituskyvyn ja arvioinnin prosessit
Sisäisissä arviointi- ja suorituskykyprosesseissa tekoälyllä on keskeinen rooli analyysin määrällisen puolen käsittelyssä. Tekoäly etsii, kokoaa ja ristiinvertaa jäsenneltyjä tietopisteitä ajan kuluessa ja varmistaa, että arvioinnit perustuvat pitkittäiseen näyttöön eivätkä tuoreimpiin tapahtumiin tai yksittäisiin tilanteisiin.
Tämän ansiosta johtajat voivat keskittyä arvioinnin laadullisiin näkökulmiin — harkintaan, kontekstiin, kehittymistä koskeviin keskusteluihin ja tulevaisuuden potentiaaliin — tietojen keräämisen sijaan. Tuloksena on ollut kurinalaisempia, oikeudenmukaisempia ja näyttöön perustuvia arviointeja.
4. Tiedon jakaminen ja yhteisen näkemyksen muodostaminen
Käytämme NotebookLM:ää yhteisenä tietokerroksena prosessien, päätösten ja toistuvien teemojen dokumentointiin, mikä varmistaa nopean ja turvallisen pääsyn organisaation tietoon. Jaamme tähän järjestelmään tallennettuja tietoja asianmukaisissa tilanteissa avoimesti, mikä parantaa yhteistä näkemystä, vähentää väärintulkintoja ja luo tiimien välille yhteisen tosiasioihin perustuvan lähtökohdan.
5. Strategia, päätöksenteko ja organisaation suunnittelu
Strategisella tasolla tekoäly tukee tapaamme käsitellä epävarmuutta, prioriteetteja ja kompromisseja. Sen sijaan, että tekoäly määräisi päätökset, se auttaa tuomaan esiin malleja, määrittämään epäselvyyden määrää ja testaamaan oletuksia — erityisesti esimerkiksi roolien suunnitteluun, organisaation tehokkuuteen ja muutoshankkeisiin liittyvillä alueilla.
Miten ennakoiva analytiikka parantaa rekrytointipäätösten laatua

Osaajahankinnassa läpimenoaikamme oli jo ennestään jatkuvasti hyvä, 30–35 päivän luokkaa, joten meidän ei tarvinnut korjata nopeutta. Todellinen muutos tapahtui, kun päätimme suunnitella uudelleen rekrytointiprosessin laadun sen sijaan, että olisimme keskittyneet prosessin nopeuteen.
Ensimmäiseksi koulutimme osaajahankintatiimin ennakoivaan analyysiin ja osaamispohjaisen työvoiman segmentointiin. Sen sijaan, että olisimme optimoineet määrää, suunnittelimme haku- ja seulontamallimme uudelleen ennustamaan, mitkä profiilit todennäköisimmin menestyisivät tietyissä rooleissa, markkinoilla ja tiimeissä. Näin pystyimme tietoisesti vähentämään kuhunkin prosessin vaiheeseen etenevien ehdokkaiden määrää.
Käytännössä rakensimme ennakoivat koontinäytöt, joissa yhdistyivät aiempien rekrytointien tulokset, suorituskykytiedot ja markkinasignaalit. Rekrytoijat käyttivät sitten näitä malleja keskittyäkseen vain erittäin todennäköisesti onnistumiseen johtaviin taitoihin ja siirtyivät laadusta määrän kautta laatuun täsmällisyyden kautta.
Mutta jälleen kerran: tekoälyn ei pitäisi korvata ihmisen harkintaa, vaan terävöittää sitä. Säilytimme tarkoituksellisesti ihmisläheisen vuorovaikutuksen haastatteluissa, kalibrointikeskusteluissa ja lopullisissa päätöksissä. Tämän yhdistelmän ansiosta pystyimme tarjoamaan paremman hakijakokemuksen, harkitummat arvioinnit sekä oikeudenmukaisempia ja johdonmukaisempia päätöksiä.
Miten työn suunnittelu vaikuttaa tekoälyohjattujen rekrytointien tuloksiin
Ennen kuin aloitin työskentelyn ennakoivien mallien parissa, aliarvioin sen, kuinka paljon epäselvät, epäjohdonmukaiset tai liioitellut työnkuvaukset voivat vääristää rekrytointituloksia ja vaikuttaa tekoälyjärjestelmän oppimiseen. Tekoälyn kanssa työn suunnittelu ja työnkuvausten laatu määrittävät kaikki myöhemmät päätökset.
Itse asiassa historiallisille rekrytointitiedoille tekemämme ennakoivat analyysit paljastivat selkeän mallin. Roolien määritelmien vaihtelu johti heikompiin tuloksiin — vielä enemmän kuin ehdokkaiden heikko laatu. Toisin sanoen roolit, joissa taidot oli määritelty puutteellisesti, vaatimukset olivat epärealistisia tai senioriteettia koskevat signaalit olivat epäjohdonmukaisia, johtivat johdonmukaisesti heikompaan etenemiseen, useampiin myöhäisen vaiheen hylkäyksiin ja heikompaan varhaiseen suoriutumiseen hakijajoukon tasosta riippumatta.
Tämä muutti strategiaamme perusteellisesti. Sen sijaan, että olisimme käsitelleet työnkuvauksia staattisina syötteinä, suunnittelimme ne uudelleen ennakoiviksi tuotoksiksi. Käytimme historiallisia tulostietoja erottaaksemme toisistaan vaatimukset, jotka korreloivat onnistumisen kanssa, ja vaatimukset, jotka vain lisäsivät kohinaa ja epäselvyyttä. Ajan myötä tämä auttoi meitä yksinkertaistamaan roolien määritelmiä, poistamaan ennustamattomia vaatimuksia ja keskittämään rekrytoinnin pienempään joukkoon vahvoja signaaleja tarjoavia taitoja.
Miksi tekoälyn käyttöönotto tulisi vakiinnuttaa osaksi organisaatiota eikä toteuttaa pilottina
Suurin kuilu, jonka näen jatkuvasti tekoälyn lupausten ja organisaatioiden todellisuuden välillä, ei ole teknologinen vaan organisatorinen ja inhimillinen. Useimmat yritykset investoivat voimakkaasti tekoälytyökaluihin ja odottavat parannuksia. Ne kuitenkin säilyttävät samat kannustimet, samat hierarkkiset rakenteet ja johdon yhtä heikon datalukutaidon.
Seurauksena on, että tekoäly jää joko vajaakäytölle tai sitä käytetään väärin: tehokkaat mallit tuottavat oivalluksia, joihin ei luoteta, joita ei ymmärretä tai joiden perusteella ei toimita.
Ratkaisimme tämän kuilun vakiinnuttamalla tekoälyn käyttöönoton sen sijaan, että olisimme käsitelleet sitä pilottien sarjana. Perustimme monialaisen työryhmän, joka keskittyy tekoälyn mahdollistamaan päätöksenteon suunnitteluun rekrytoinnissa.
Työryhmä toimii selkeiden, liiketoimintatason tavoitteiden mukaisesti. Sen kaksi ensisijaista tavoitetta ovat rekrytointiprosessin läpi kulkevan konversioasteen kasvattaminen 50 prosentilla ennakoivan segmentoinnin ja päätöksenteon uudelleensuunnittelun avulla sekä haastatteluihin käytetyn ajan vähentäminen vielä 30 prosentilla karsimalla pienen todennäköisyyden ehdokkaat aiemmin prosessissa. Nämä tavoitteet pakottavat organisaation keskittymään kokeilujen sijaan jatkuviin, järjestelmätason suorituskyvyn parannuksiin.
Tunnuslukujen lisäksi ryhmän vastuulla on päätöksentekoon liittyvien työnkulkujen uudelleensuunnittelu ennen automaation käyttöönottoa. Kartoitamme, missä kriittiset rekrytointipäätökset tehdään, kuka niistä vastaa, mitä tietoja tarvitaan ja missä ihmisen harkinnan on säilyttävä keskeisenä. Vasta kun päätöksentekoarkkitehtuuri on selkeä, otamme tekoälyn käyttöön tukemaan tiettyjä vaiheita sen sijaan, että lisäisimme työkaluja puutteellisten prosessien päälle.
Rakennamme myös hallinnan osaksi suunnittelua. Tähän kuuluvat ihmisen mahdollisuus ohittaa järjestelmän päätös, harhojen ja muutosten seuranta, selkeä vastuu mallien tuottamista tuloksista sekä paljon vaikuttavien käyttötapausten eettinen arviointi. Ilman näitä tekoälyllä on taipumus skaalata samanaikaisesti sekä hyviä että huonoja päätöksiä.
Mitä tekoälyvalmius tarkoittaa henkilöstöhallinnossa ja rekrytoinnissa
Käsittelemme tekoälyä vähemmän työkaluvalikoimana ja enemmän päätöksentekoajattelutapana. Tekoälyvalmius organisaatiossamme tarkoittaa parempien kysymysten esittämistä johdonmukaisesti: millä signaaleilla on merkitystä, missä on epävarmuutta ja miten data voi tukea ihmisen harkintaa.
Tekoälylukutaito rakentuu jokapäiväisen työn kautta, ei muodollisessa koulutuksessa. Tiimit oppivat käyttämällä tekoälyä mallien tunnistamiseen, oletusten testaamiseen ja päätösten jäsentämiseen kyselyissä, arvioinneissa ja operatiivisissa työnkuluissa.
Käytännössä se näkyy siinä, miten teemme päätöksiä: keskustelut perustuvat enemmän näyttöön, oletukset ovat selkeämpiä, dokumentointi on parempaa ja meillä on yhteinen kieli epävarmuuden käsittelemiseen. Tekoäly ei ohjaa päätöksiä, vaan se muovaa ajatteluamme ennen päätösten tekemistä.
Carlan kolmeen tasoon jakautuva työkalukokonaisuus
Tekoälyavusteiseen toteutukseen käytämme useita työkalukategorioita. Kielen ymmärtämiseen, työn suunnitteluun ja jäsenneltyyn tietämyksen tukeen käytämme Geminiä, sisäistä tekoälyagenttia ja NotebookLM:ää. NotebookLM toimii suojattuna sisäisenä tietokerroksena, joka dokumentoi prosesseja ja tarjoaa nopean, hallitun pääsyn organisaation tietämykseen.
Haastattelutiedon käsittelyyn käytämme BrightHireä jäsenneltyjen haastattelusignaalien tallentamiseen sekä arviointien ja palautteen laadun parantamiseen.
Keskeisessä rekrytointialustassamme käytämme Greenhouse AI:tä ensisijaisesti arviointikorttien yhteenvetojen laatimiseen ja haastattelupalautteen jäsenneltyyn yhdistämiseen, samalla kun ihmiset säilyttävät aina täyden päätösvallan valintapäätöksissä.
Miksi NotebookLM ja ChatGPT ovat välttämätön kognitiivinen infrastruktuuri
Olen erityisen kiinnostunut tällä hetkellä kahdesta työkalusta: NotebookLM:stä ja ChatGPT:stä. Käytän niitä hyvin erilaisissa yhteyksissä.
Käytän ChatGPT:tä yksinomaan henkilökohtaisiin tarkoituksiin, yritysympäristöni ulkopuolella. Siitä on tullut ensisijainen henkilökohtainen ajattelu- ja oppimistyökaluni. Käytän sitä kaikkeen jäsennellystä oppimisesta ja kirjoittamisesta ideoiden tutkimiseen, suunnitteluun ja pohdintaan.
Alusta itse osoittaa, että kuulun sen aktiivisimpiin käyttäjiin, mikä kuvastaa sitä, kuinka syvällisesti siitä on tullut osa henkilökohtaista kognitiivista työnkulkuani. Sen merkittävin vaikutus on ollut oppimiseni nopeutuminen, ajatteluni selkeyden parantuminen ja kykyni perustella monimutkaisia aiheita täsmällisemmin.
Työssäni olen ennen kaikkea panostanut NotebookLM:ään. Käytän sitä laajasti kahdenkeskisten tapaamisteni dokumentointiin ja jäsentämiseen, toistuvien teemojen seurantaan sekä johdonmukaisen, näyttöön perustuvan kuvan ylläpitämiseen yksilöiden kehittymisestä ja suoriutumisesta ajan mittaan.
Jaan nämä muistiinpanot ja yhteenvedot avoimesti tapaamieni ihmisten kanssa, mikä tekee tästä erityisen tehokasta. Se luo yhdenmukaisen yhteisen dokumentin odotuksista, palautteesta ja sitoumuksista sekä on parantanut merkittävästi luottamusta, oikeudenmukaisuutta ja johdonmukaisuutta suorituksen arvioinnissa. Se antaa molemmille osapuolille mahdollisuuden toimia samojen tosiasioiden pohjalta muistin tai subjektiivisten tulkintojen sijaan.
Tämä on johtanut paljon kurinalaisempaan ja oikeudenmukaisempaan suorituksen johtamiseen: kehittämistoimet toteutuvat paremmin, väärinkäsityksiä on vähemmän ja esihenkilöiden ja tiimin jäsenten välinen yhteisymmärrys on vahvempaa.
Eniten arvostan näissä työkaluissa sitä, etteivät ne ole automaatiotyökaluja vaan kognitiivista infrastruktuuria. Näin käytettyinä ne eivät korvaa harkintaa – ne parantavat harkinnan soveltamisen laatua, oikeudenmukaisuutta ja läpinäkyvyyttä.
Miten osaajahankinta muuttuu seuraavien viiden vuoden aikana

Osaajahankintaa ei enää ensisijaisesti mitata nopeuden tai määrän perusteella, vaan siitä tulee päätösten laadusta vastaava toiminto. Seuraavien viiden vuoden aikana tehtävä kehittyy rekrytointiprosessien toteuttamisesta sen suunnitteluun ja ohjaamiseen, miten organisaatiot tekevät osaajia koskevia päätöksiä epävarmuuden vallitessa.
Tekoäly huolehtii yhä enemmän laajuudesta, kaavojen tunnistamisesta ja signaalien poimimisesta – tehtävien suunnittelusta markkinoiden ja osaajien yhteensovittamiseen – samalla kun osaajatiimit suunnittelevat ja toteuttavat valintaprosesseja paljon täsmällisemmin ja tavoitteellisemmin. Kilpailuetu syntyy roolien selkeämmästä määrittelystä, parempilaatuisista signaaleista koko prosessin ajan sekä johdonmukaisemmista ja näyttöön perustuvista valintapäätöksistä.
Uskon, että toimialatasolla näemme selkeän kahtiajaon: organisaatiot, jotka pitävät tekoälyä toimintamalliinsa sisältyvänä ajattelutapana, menestyvät perustavanlaatuisesti paremmin kuin ne, jotka pitävät sitä työkalujen joukkona. Toiminnon tulevaisuus kuuluu tiimeille, jotka suunnittelevat parempia päätöksiä eivätkä vain nopeampia prosesseja.
Miten johtajat voivat ottaa tekoälyn tietoisesti käyttöön henkilöstöhallinnossa
Minun kaltaisissani tehtävissä toimiville neuvoni on, että tekoälyä ei pidä enää pitää valinnaisena lisänä, vaan osana sitä toimintatapaa, jolla työ tehdään. Tämä tarkoittaa keskittymistä hallinnollisen kitkan poistamiseen tekoälyn avulla perustavanlaatuisena askeleena. Tässä vaiheessa tekoälyn vastustaminen on ristiriitaista: kysymys ei enää ole siitä, käytetäänkö sitä, vaan siitä, miten tietoisesti ja vastuullisesti sisällytämme sen jokapäiväisiin päätöksiin ja työnkulkuihin.
Samalla meidän on ilmaistava selkeästi, minkä tulisi säilyä ihmisten tehtävänä. Tekoäly on erittäin tehokas laajojen kokonaisuuksien käsittelyssä, tiedon jäsentämisessä ja kohinan vähentämisessä. Hyvin käytettynä se antaa ihmisille enemmän – ei vähemmän – aikaa keskittyä siihen, mikä on tärkeää: harkintaan, ihmissuhteisiin, etiikkaan, luovuuteen ja merkitykselliseen vuoropuheluun.
Laajemmin ajateltuna neuvoni johtajille on nähdä tekoäly voimana, joka selkeyttää prioriteetteja. Menestyvät organisaatiot käyttävät tekoälyä poistamaan työtä, jonka teknologia tekee ihmisiä paremmin, ja suuntaavat tämän ajan ja huomion tietoisesti uudelleen laadukkaampaan ihmisten väliseen vuorovaikutukseen.
Johtajuuden heikentämisen sijaan tekoäly luo edellytykset harkitumman, keskittyneemmän ja inhimillisemmän johtajuuden kehittymiselle.
Seuraa mukana
Voit seurata Carlan työtä osaajahankinnan uudistamisessa LinkedInissä.
People Managing People -sivustolla on luvassa lisää asiantuntijahaastatteluja!



