Rekrutteringsekspert på AI sier at AI fjerner utfordringene som skaper mestring
Oppdag hvordan en grunnlegger innen rekruttering bruker AI til å redesigne ansettelser, drift og ledelse, samtidig som menneskelig dømmekraft, mestring og teamutvikling forblir sentralt.
David Stepania
Grunnlegger og administrerende direktør i ThirstySprout
Ledelse: AI krever at ledere fokuserer på menneskelig omstilling, ikke bare på teknologi eller verktøy.
Rekruttering: AI forbedrer rekrutteringen ved å effektivisere prosessene for kandidatsiling og matching, slik at det kreves færre CV-er.
Ingeniørfag: AI endrer rollene for junioringeniører og kan potensielt føre til mangel på seniorkompetanse senere.
Prosesser: Effektiv innføring av AI krever redesignede prosesser, ikke bare at man legger til nye AI-verktøy.
Mestring: Ledere må sørge for at medarbeidere møter utviklende vanskeligheter for å bygge dype ferdigheter i dømmekraft.
David Stepania er en næringslivsleder og seriegründer. Han er for tiden administrerende direktør i ThirstySprout, en markedsplass som kobler fjernarbeidende AI-ingeniører med amerikanske teknologistartups som har fått finansiering.
Vi satte oss ned med David for å lære hvordan AI endrer ledelse og rekruttering. Her er det han fortalte oss.
AI omskriver hva det vil si å være et høytytende team
Jeg er David Stepania, grunnlegger og administrerende direktør i ThirstySprout, en markedsplass som kobler fjernarbeidende AI-ingeniører – hovedsakelig fra Latin-Amerika, Øst-Europa og Asia – med amerikanske teknologistartups som har fått finansiering. Jeg har også bygget ChoppingBlock.ai, en plattform for AI-drevet lønns- og jobbinnsikt, og jeg er vert for podkasten AI Chopping Block.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Jeg er seriegründer for andre gang, og begge virksomhetene er bygget uten ekstern finansiering. Ingen venturekapital, ingen sikkerhetsnett – alle selskapene jeg har bygget, måtte være lønnsomme for å overleve. Min forrige virksomhet kom på Inc. 5000-listen som nummer 247 i 2024, og gjennom karrieren har jeg generert over 100 millioner dollar i inntekter.
Jeg driver alt helt fjernbasert fra solrike steder rundt om i verden, med et distribuert team fordelt på fire kontinenter.
Ledelsesreisen min har vært én lang leksjon i å få til mer med mindre. Å bygge uten ekstern finansiering tvinger deg til det. Du kan ikke ansette deg ut av alle problemer, så du blir svært god på å skape innflytelse – gjennom prosesser, systemer og de riktige menneskene i de riktige rollene.
Jeg synes denne AI-utviklingen er interessant fordi jeg ser den fra to sider samtidig. Internt bygger jeg organisasjonen min på nytt rundt AI som et gjennomføringslag. Eksternt får jeg dusinvis av finansierte startups som forteller meg nøyaktig hva de nå ønsker fra ingeniører – og den etterspørselen har endret seg raskere de siste 18 månedene enn den gjorde i hele tiåret før. Jeg sitter på første rad og ser hvordan AI omskriver hva «et høytytende team» egentlig betyr.
Hvordan AI forvandler teamdrift og beslutningstaking
Jeg gikk gjennom AI-genererte rangeringer av kandidater da alt endret seg for meg.
Dette er det som skjedde: Jeg ba AI-en vurdere en gruppe ingeniører for stillingen. Den returnerte rangeringer omtrent slik jeg hadde forventet – men for én kandidat flagget den noe jeg ikke hadde bedt den om å se etter: Ingeniøren var nesten en perfekt teknisk match, men befant seg i et land som ikke sto på kundens liste over godkjente land for ansettelser.
Deretter gjorde den noe et verktøy vanligvis ikke gjør. Den foreslo en løsning – kandidaten kunne flytte til et godkjent naboland, eller vi kunne hjelpe ham med å etablere bosted i Mexico – noe vi hadde gjort for andre ingeniører tidligere.
Det var øyeblikket. Den utførte ikke bare en oppgave. Den resonnerte rundt virksomheten min slik en skarp operatør på teamet mitt ville gjort. Og jeg innså at flaskehalsen i selskapet mitt hadde flyttet seg.
Hvorfor mennesket er intelligenslaget, mens AI er hendene
Alle vil ha ingeniører som er fortrolige med AI fra grunnen av nå, ikke bare folk som bruker Cursor. De mener en ingeniør som lar AI gjøre kodingen, mens de selv gjør tenkingen – problemformuleringen, arkitekturen og vurderingene.
Min egen rolle har utviklet seg på samme måte. For to år siden besto mye av jobben min i å fordele arbeid – bestemme hvem som skulle gjøre hva, og deretter vente på resultatet. I dag er jobben min å definere problemer presist nok til at vi kan gjennomføre løsninger, og en stadig større del av denne gjennomføringen skjer gjennom AI i stedet for gjennom en nyansettelse.
Jeg pleide å anta at jeg ville trenge en deltidsansatt økonomidirektør for å få reell klarhet i enhetsøkonomien vår. I stedet gjennomførte jeg selv en fullstendig økonomisk analyse på økonomidirektørnivå med AI, og oppdaget at kategoriseringen av en kostnadspost skjulte den reelle enhetsøkonomien vår. Det er en analyse jeg enten ville ha betalt en spesialist for, eller ganske enkelt aldri ha gjennomført.
Det samme gjelder juss. Jeg bygget opp hele hovedtjenesteavtalen vår, avtalene med oppdragstakerne våre og kontraktene våre for fordeling av partnerhonorarer på nytt. AI utarbeider utkast, en advokat gjennomgår dem. Det snur kostnadsstrukturen på hodet. Det dyre mennesket gjør nå de siste 10 prosentene, ikke de første 90.
Og jeg har også omformet selve teamet. Vi beveger oss bort fra team til fordel for enkeltpersoner som eier hele ansvarsområder, og som i stor grad får støtte av AI. Én person eier hele overflaten vår for programmatisk SEO. Én person eier fellesskapet vårt og datainfrastrukturen vår. Hver enhet i organisasjonen er ikke lenger et team – det er én sterk operatør pluss AI.
Hvor AI bør brukes – og hvor det ikke bør brukes
Kultur er det jeg er mest forsiktig med. Den er grunnleggende menneskelig — den formes av hvordan mennesker behandles i vanskelige øyeblikk, og det kan du ikke sette ut til andre.
Jeg bruker også AI i strategi, beslutningstaking og organisasjonsutforming, med ulik intensitet på hvert område.
- Beslutningstaking er det dypeste området: Jeg stresstester pris-, ansettelses- og forhandlingsstrategien mot AI-oppsettet mitt før jeg forplikter meg.
- For strategi bruker jeg det i stor grad til markedsanalyse.
- For organisasjonsutforming, da jeg omstrukturerte selskapet rundt eiere av enkeltområder i stedet for team, bearbeidet jeg denne redesignen sammen med AI og modellerte hva hver rolle burde eie, og hvor de reelle begrensningene lå.
Kultur er det jeg er mest forsiktig med. Den er grunnleggende menneskelig fordi den formes av hvordan mennesker behandles i vanskelige øyeblikk, og det kan du ikke sette ut til andre. AI hjelper med forberedelsene. Før en vanskelig samtale om arbeidsinnsats vil jeg tenke gjennom hvordan jeg kan være direkte uten å være slem, og hva personen trenger å høre. Men selve samtalen må jeg ta.
AI kan gjøre meg til en bedre forberedt leder. Den kan ikke gjøre meg mer til stede. Den delen kan jeg ikke delegere.
Slik kan utvelgelsen redesignes med AI
Rekruttering er tradisjonelt et volumbasert spill: Finn hundre CV-er, skumles dem, videresend tretti, og håp at noen få fester seg. Rekrutterernes verdi lå i gjennomstrømmingen. Men vi bygget om hele utvelgelsesprosessen rundt AI.
Først opprettet vi et dedikert Claude-prosjekt for hvert kundeoppdrag, med egendefinerte instruksjoner som koder inn den reelle ansettelsesstandarden — ikke kravene som står oppført i stillingsbeskrivelsen, men det ansettelseslederen mener etter at du har snakket med dem.
En stillingsbeskrivelse sier «senior React-utvikler». Den reelle standarden etter en samtale er «noen som har satt en RAG-pipeline i produksjon og kan koble opp telefoniintegrasjoner». Denne nyansen ligger i arbeidsområdet.
For det andre laster vi inn kundens intervjuguide og vurderingsskjema som sannhetskilden. AI-en vurderer dermed kandidatene mot det nøyaktige vurderingskriteriet kunden vil bruke, ikke generell ansiennitet.
For det tredje får hver kandidat en poengsum fra én til ti på hvert kravområde, med en skriftlig begrunnelse og tydelig markerte mangler. Ikke «god match» — «brukergrensesnitt: 9, levert RAG: 8, telefoni: 0, her er hvorfor».
Resultatet vårt endret seg fullstendig. Vi sluttet å videresende tretti CV-er og begynte å sende tre til fem som var helt riktige, hver med en gjennomgang kunden kunne handle ut fra.
Kortlistene ble betydelig strammere, kandidatene kom lenger i intervjurundene, og samtalene gikk fra «Her er noen personer» til «Her er nøyaktig hvordan hver av dem samsvarer med vurderingskriteriene deres».
Men den dypere endringen gjaldt teamets arbeidsoppgaver. AI håndterer nå grovarbeidet — å lese, matche og gjøre den første filtreringen. Det betyr at hver time et menneske på teamet mitt bruker, går til den delen AI ikke kan utføre, som å forstå motivasjon, vurdere om noen vil trives i en kaotisk oppstartsbedrift, bygge relasjonen og sluttføre ansettelsen.
Jobben ble ikke mindre. Den beveget seg oppover i verdikjeden. Som leder ble min virkelige jobb å sørge for at teamet forsto denne endringen og gikk inn for den, i stedet for å føle seg truet av den.
Hvorfor redesign av prosesser er avgjørende for å ta i bruk AI
Den største misforståelsen er at selskaper behandler AI som noe som skal legges til — lisenser, et verktøy, et ovenfra-og-ned-pålegg om å «bruke AI» — når du faktisk må redesigne virksomheten rundt det. Dette er to helt forskjellige prosjekter.
Folk overser denne mekanismen. AI forsterker enhver prosess du retter den mot. Hvis den underliggende prosessen er god, gjør AI den dramatisk raskere. Hvis prosessen er middelmådig — og de fleste prosesser i de fleste selskaper er middelmådige — lar AI deg bare utføre middelmådig arbeid raskere. Du får ingen transformasjon. Du får den samme forvirringen, bare raskere.
Jeg ser dette fra begge sider av virksomheten min. Internt, da jeg reviderte vår egen programvarestabel, fant jeg ut at vi brukte over femti verktøy, og en betydelig del av dem var KI-verktøy vi hadde kjøpt fordi vi trodde at selve kjøpet var transformasjonen.
Det er å forveksle verktøyspredning med fremgang. Eksternt ser jeg klient etter klient utstyre hver ingeniør med KI-verktøy for koding, men de sliter fortsatt med å levere, mens noen få sjeldne faktisk beveger seg raskt. Forskjellen handler aldri om antallet verktøy, men om hvorvidt de har redesignet arbeidet.
Hvordan psykologiske utfordringer påvirker innføringen av KI
Da jeg innførte KI i en del av virksomheten, var det sjelden folk protesterte høyt. Motstanden var stillere. Noen brukte det for lite og fortsatte å gjøre ting på den langsomme måten. Noen brukte det hele tiden, men nevnte det ikke, nesten som om de ville bli tatt for å jukse. Ingen sa «Jeg føler meg truet av dette», men atferden deres gjorde det.
Til slutt forsto jeg at jobben for mange mennesker er identiteten deres, og at verdien deres er knyttet til å være flinke i et bestemt fag. Når et verktøy plutselig kan gjøre en stor del av dette faget, endrer du ikke bare noens arbeidsflyt, du utfordrer også hvordan de ser på seg selv. Det er ikke et opplæringsproblem du kan løse med en veiledning.
Jeg pleide å tro at det å lede gjennom et teknologiskifte handlet om å ta gode beslutninger om verktøy og prosesser. Nå tror jeg at det virkelige arbeidet er å hjelpe folk med å reforhandle sin egen verdi – høyt og på en trygg måte.
Konkret betydde det at vi uttrykkelig og gjentatte ganger gjorde det greit å bruke KI. Det skulle være greit å si «KI gjorde mesteparten av dette utkastet». Det skulle være greit å ikke lenger være den raskeste på tastaturet eller den beste til å undersøke i teamet, fordi det ikke er der verdien din ligger nå. Vi måtte fjerne skammen før innføringen kunne skje.
Det som påvirket meg mest personlig, var at jeg måtte svare på det samme spørsmålet for meg selv.
I årevis kunne jeg bortforklare langsom fremgang med «vi har ikke kapasitet». Den unnskyldningen er stort sett borte. Hvis noe ikke beveger seg nå, er det vanligvis fordi jeg ikke har definert det tydelig nok til at et menneske eller en KI kan ta det videre. Det er ydmykende.
Når et verktøy plutselig kan gjøre en stor del av dette faget, endrer du ikke bare noens arbeidsflyt – du utfordrer også hvordan de ser på seg selv.
Slik gjør du den lite glamorøse delen av å ta i bruk KI
Slik går jeg frem når vi tar i bruk KI.
For det første, en streng regel: Vi automatiserer aldri en prosess vi ikke har bevist manuelt. Vi kjører en forretningsutviklingskampanje akkurat nå, og jeg instruerte teamet uttrykkelig om å gjøre det manuelt først.
Send henvendelsene selv, ha samtalene, og finn ut hva som faktisk fungerer. Først når vi har bevist en prosess, automatiserer vi den, fordi automatisering bare skalerer det du allerede har. Automatiser en prosess du ikke forstår, og du bygger en svært effektiv måte å mislykkes på.
For det andre ser jeg på innføring av KI som et spørsmål om arbeidsflyt og dømmekraft, ikke om innkjøp. Gevinsten vil aldri være «flere verktøy». Det er færre verktøy, brukt grundig av mennesker som virkelig har endret måten de arbeider på. Vi kutter hardt.
For det tredje har jeg endret hva vi belønner. KI har gjort råproduksjon billig, mens dømmekraft – å vite hvilket problem som skal løses, og å oppdage når KI tar feil med stor selvsikkerhet – er det sjeldne og verdifulle.
En organisasjon som er bygget for den gamle verden, belønner menneskene som produserer mest. En organisasjon som er bygget for denne verdenen, må belønne mennesker som tar gode beslutninger. Det er en reell endring i hvordan du gjennomfører prestasjonssamtaler.
Slik bygger du KI-kompetanse og beredskap i team
De fleste tror at KI-beredskap betyr verktøykompetanse – at teamet ditt vet hvordan det skal bruke KI-produkter. Men det er den minst viktige delen, og den endrer seg uansett hvert halvår.
KI-klar betyr fire ting:
- Noen tar som utgangspunkt å spørre «Bør KI gjøre første gjennomgang av dette?» før de gjør det for hånd.
- De kan skrive en tydelig arbeidsbeskrivelse fordi vage innspill gir vage resultater, og det å formulere problemet er den virkelige ferdigheten.
- De oppdager når KI tar feil med stor selvsikkerhet.
- De er åpne om at de bruker det.
Dømmekraft, tydelig kommunikasjon, verifisering, åpenhet. Ingen av disse er et verktøy.
Her er trinnene for å bygge AI-kompetanse:
- Gjør det uttrykkelig trygt og forventet. Folk skjuler AI-bruk hvis de tror det får dem til å virke erstattelige, så ledere må aktivt normalisere "AI gjorde første gjennomgang av dette" helt til skammen er borte. Kompetanse kan ikke vokse i det skjulte.
- Undervis i forbindelse med det virkelige arbeidet, ikke i et generisk seminar — en rekrutterer bygger kompetanse gjennom screening, en som jobber med etterspørselsgenerering gjennom prospektundersøkelser. Det fester seg fordi det knyttes til jobben.
- Her er trinnet de fleste overser: Senk ferdighetsgulvet i stedet for å gjøre alle til eksperter. Vi bygger en felles infrastruktur — forhåndsbygde arbeidsområder med kontekst og instruksjoner allerede kodet inn — slik at en junior får resultater på ekspertnivå uten å være ekspert på instruksjoner.
Hvorfor AI-kompetanse har sine egne problemer
Problemene er reelle. Det største er overdreven tillit.
Når folk blir komfortable, begynner noen å godta AI-resultater ukritisk. En junior sender ut noe som er subtilt feil fordi fagforståelsen deres ikke har holdt tritt med tilliten til verktøyet. Det er nettopp derfor du må bygge inn verifisering i hvordan du definerer "klar".
Det andre problemet er vanskeligere, og ingen advarer deg om det: AI løfter ikke alle like mye. De sterkeste medarbeiderne dine får raskt en forsterkende effekt av det, mens de svakeste stagnerer. Prestasjonsgapet i teamet ditt blir større. Det er et ledelsesproblem, og det tvinger frem ærlige samtaler du ikke kan unngå.
Hvorfor færre verktøy styrker programvarestakken din
Den viktigste endringen i stakken min i år var reduksjon.
La meg begynne med ryggraden, og deretter endringen.
Ryggraden er Claude. Det er ikke "et verktøy" i stakken på samme måte som de andre, men laget som det meste av det faktiske arbeidet går gjennom: screening og rangering av kandidater, økonomisk analyse, utarbeidelse av kontrakter, innhold og strategi.
Jeg bruker det som et sett med dedikerte arbeidsområder, ett for hver større del av virksomheten, hvert med egendefinerte instruksjoner som inneholder hvordan det aktuelle området fungerer. For de mer tekniske, agentbaserte løsningene bruker jeg Claude Code.
Min vurdering: Det er med god margin det eneste verktøyet i selskapet med størst effekt på produktiviteten, og det er ikke engang jevnt.
Rundt dette er resten av stakken bevisst kjedelig. Google Workspace og Slack for kommunikasjon, drift og infrastrukturen i fellesskapet vårt. Beehiiv for nyhetsbrevet, Riverside for podkasten. Deel for kontrakter og betalinger til oppdragstakere. Calendly for planlegging, Fathom for å ta opp møter og samtaler, og BetterProposals for kundeforslag. Det meste er med andre ord dette.
Min vurdering av dette laget er enkel: Det er stabilt, lite prangende og bør forbli slik. Driftslaget i et selskap er ikke stedet du ønsker nyskaping.
Så til den bemerkelsesverdige endringen. Tidligere i år gikk jeg gjennom alle produktabonnementene. Jeg forventet tjue eller tretti verktøy ... det var over femti. Den mest avslørende klyngen var fem forskjellige AI-abonnementer som i stor grad gjorde overlappende ting. To separate tidsregistreringsverktøy. Tre ulike verktøy for publisering på LinkedIn. Fem plattformer for nettsteder.
Ingenting av dette var strategi. Det var restene etter et år med å si ja. Hvert eneste "la meg bare prøve dette" som aldri ble sagt opp. Fem verktøy brukt med 10 % dybde taper mot ett verktøy brukt med 90 %. Derfor konsoliderte vi kraftig ved å redusere AI-verktøyene til Claude som hovedverktøy og valgte ett verktøy per oppgave overalt ellers, og kuttet ut resten.
Hvordan AI vil omforme markedet for ingeniørtalenter
Her er noe interessant jeg ser innen rekruttering av ingeniører. Det er verdt å ha i bakhodet.
Innen fem år vil den tradisjonelle ingeniørjobben på nybegynnernivå stort sett forsvinne. Ikke "endres" — forsvinne. AI utfører nå nettopp de veldefinerte og rett frem kodingsoppgavene under veiledning som nyutdannede ingeniører historisk ble ansatt for å gjøre, og den gjør det godt og billig.
Selskaper bremser allerede ansettelsen av juniorer. Om fem år vil dette ikke være en nedbremsing, men strukturelt.
Du kan ikke utvikle en senioringeniør uten juniorårene. Erfaringen til en senior — å vite hvilken tilnærming som bryter sammen i stor skala, å lukte en dårlig arkitekturbeslutning — kan ikke undervises; ingeniører opparbeider seg den gjennom å gjøre tusenvis av små ting og av og til gjøre dem feil.
Hvis du sletter stillingene på begynnernivå, sletter du opplæringsarenaen. Så min egentlige spådom er at bransjen om omtrent fem år, etter at juniorrollen forsvinner, vil rammes av en mangel på senioringeniører som den selv har skapt. Vi effektiviserer bort det nederste trinnet på stigen uten å innse at stigen var måten folk kom seg til toppen på.
Ingeniørjobben på begynnernivå vil forsvinne – og virksomhetene som overlever tiåret, vil være de som finner ut hvordan de skal utvikle seniorkompetanse, ikke bare finne den. Hele bransjen vil gå fra å finne folk til å utvikle dem.
Hvorfor ærlighet er avgjørende når man skal navigere AI-transformasjonen
Her er mine råd til ledere:
- AI ser ut som et teknologiproblem, så ledere behandler det som et slikt – verktøy, budsjetter, opplæring. Men det er et lederproblem. Programvaren var aldri den vanskelige delen. AI tvinger alle på teamet ditt til å reforhandle hva som gjør dem verdifulle, og det er skremmende. Folk kommer ikke til å si det høyt. Hvis du styrer utrullingen, men ikke frykten, mislykkes utrullingen. Led den menneskelige overgangen først.
- AI løser ikke en dysfunksjonell organisasjon, den avslører den. Den får slurvete prosesser og uklar tenkning til å gå raskere og bli mer synlige. Mye av det virkelige arbeidet handler ikke om å ta i bruk AI i det hele tatt, men om det lite glamorøse arbeidet med å være ærlig om hvordan organisasjonen din fungerer, og å fikse det. AI fjerner bare muligheten til å skjule seg for det.
- Begynn nå, i ditt eget faktiske arbeid – ikke med et pilotprosjekt og ikke med noe du delegerer. Ledere som ikke selv har brukt disse verktøyene grundig på sine vanskeligste problemer, kan ikke lede andre gjennom dette.
Og én siste ting. Ingen har dette helt på plass, meg selv inkludert. Alle som selger visshet nå, selger noe. Den riktige innstillingen er ikke selvtillit, men ærlighet, høy læringstakt og disiplinen til ikke å sette bort de menneskelige delene av ledelse til en maskin, uansett hvor god maskinen blir.
Lederne som lykkes i dette øyeblikket, vil ikke være de som tok i bruk mest AI. Det vil være de som forble mest ærlige.
Hvorfor ledere må gi rom for mestring – og motgang
Én siste ting. På et tidspunkt må ledere kanskje slutte å tenke på hva AI gir oss, og begynne å tenke på hva den stille tar fra oss.
Hver samtale om AI og ledelse, inkludert det meste av denne, fokuserer på gevinster. Raskere, billigere, større gjennomslagskraft. Alt dette er reelt. Men det finnes en kostnad, og vi bør være ærlige nok til å sette ord på den.
Dette er kostnaden jeg tenker mest på. Mestring – ekte, dyp dømmekraft på seniornivå – bygges alltid gjennom motgang. Du står fast, du sitter med et vanskelig problem, du prøver feil løsning tre ganger, og et sted i denne friksjonen lærer du.
AI fjerner friksjonen. Den gir deg svaret før du rekker å streve deg frem til det. På kort sikt er det en ren fordel, fordi arbeidet blir gjort. Men motgang var aldri bare en ineffektivitet. Det var mekanismen som gjorde folk dyktige. Når du fjerner den, får du raskere resultater og, i det stille, grunnere mennesker. Vi bytter dybde mot fart og legger stort sett ikke merke til det.
Jeg sier ikke dette for å bremse – det kan og bør du ikke. Jeg sier det fordi det å sette ord på et tap er det første steget for å håndtere det. Hvis motgang bygger dømmekraft, og AI fjerner motgang, har en leder nå en ny, uttrykkelig oppgave: å bevisst sette den tilbake.
Gi folk problemer AI ikke kan hoppe over. Beskytt produktive utfordringer selv når den raske veien ligger rett der. Se på medarbeidernes utvikling som noe som nå krever bevisst innsats, fordi omgivelsene ikke lenger vil skape den gratis.
Det er dette jeg vil at andre ledere skal vurdere. Fordelene ved AI tar vare på seg selv – alle jakter allerede på dem. Kostnaden er subtil; den viser seg flere år senere og rammer utelukkende medarbeiderne dine. Noen i rommet må følge med på den. Den personen er deg. Det er jobben din nå.
Fordelene ved AI tar vare på seg selv – alle jakter allerede på dem. Kostnaden er subtil; den viser seg flere år senere og rammer utelukkende medarbeiderne dine.
Følg med
Du finner mer fra David Stepania på LinkedIn, X, Instagram, YouTube og stepania.co. Du kan også sjekke ut ThirstySprout og Chopping Block.
Flere ekspertintervjuer kommer på People Managing People!
