Eksempler på KI i HR: 11 virkelige eksempler på KI som hjelper HR-team

For personalteamet betydde dette at de måtte håndtere langvarige utfordringer innen prestasjonsstøtte, særlig knyttet til hvordan medarbeidere satte og fulgte opp mål.

Til tross for tidligere automatisering var Zapiers praksis for målsetting inkonsekvent og belastende. Medarbeiderne strevde med å formulere målbare mål som var i tråd med virksomhetens mål, mens ledere manglet oversikt over kvaliteten på tvers av avdelinger.

Tradisjonelle rammeverk for målsetting fikk ikke ordentlig gjennomslag, og medarbeidere med knapp tid mistet ofte engasjementet i prosessen. Dette økte risikoen for manglende samordning og svakere resultater for medarbeidernes prestasjoner.

AI-tiltaket

Emily Mabie, Zapiers ansvarlige for lederstøtte, utviklet et helhetlig AI-drevet system for å støtte målsetting – fra veiledning av enkeltpersoner til analyse av trender på tvers av team. Prosjektet tok i bruk AI-teknologi gjennom fem innebygde Zapier-verktøy, satt sammen på under to uker:

1. AI-basert veiledningschatbot: Bot-en var tilgjengelig på en nettside bygget av Zapier og veiledet medarbeidere gjennom Zapiers egenutviklede AMP-rammeverk for målsetting. AI bidrar med veiledning, påminnelser og eksempler i sanntid, alt forankret i Zapiers forventninger til målutforming med stor effekt og fleksibilitet. Dette reduserte rutinemessige HR-oppgaver samtidig som engasjementet økte.
2. Automatisert datainnsamling: Samtalene ble fjernet for personlig identifiserbar informasjon (PII) og sendt til en Zapier Table-database ved hjelp av en tilpasset Zapier-arbeidsflyt. Dette opprettet et sentralisert register over medarbeiderdata samtidig som personvernet ble ivaretatt. Datasettene ble verdifulle for løpende analyse.
3. AI-agent på serversiden: En Zapier-agent analyserte deretter alle registrerte samtaler ved hjelp av maskinlæring for å flagge frafallspunkter og identifisere svake områder i målene (f.eks. vaghet og manglende samsvar). Denne dataanalysen avdekket mønstre som var usynlige ved manuell gjennomgang.
4. Rapporteringslag for ledere: Agenten ga løpende innsikt for å gjøre L&D-teamet i stand til å optimalisere støtten til målsetting. Dermed ble samtaledata omgjort til strategi, samtidig som den kontinuerlige forbedringen av opplæringsprogrammene ble støttet. Forretningsledere kunne nå se tydelige måltall for trender i målkvalitet.
5. Strategi for distribusjon og innføring: Kollegabasert promotering i Slack, interne ambassadører i hver avdeling og et tydelig budskap om «hva du får ut av det» førte til 91 % deltakelse i den første syklusen (over 800 unike chatbot-brukere), noe som viste at innføringen av AI var vellykket.

Resultatene

• 91 % deltakelse i målsetting ved bruk av KI-chatboten – opp fra langt lavere medarbeiderengasjement med tidligere systemer.
• Over 800 målsettingssamtaler ble analysert, noe som førte til målbare forbedringer i målenes spesifisitet og samsvar.
• Økt kvalitet på målene på tvers av sykluser; målene ble mer målbare, mer strategiske og tydeligere knyttet til avdelings- og virksomhetsomfattende mål, noe som direkte forbedret måltallene for medarbeiderprestasjoner.
• Full utrulling fra pilot til full skala på under to uker, takket være Zapiers kultur for eksperimentering og lavkodeinfrastruktur.

Hovedpoeng for ledelsen

Dette handlet ikke bare om at KI erstattet et skjema, men om at KI skapte en tilbakemeldingssløyfe. Zapier bygget inn KI i hele målsettingsprosessen: veiledning, analyse, forbedring og forsterkning av kulturen. Det fungerte ikke fordi KI gjorde alt, men fordi HR-fagfolk utformet opplevelsen med empati, kontekst og tydelighet.

Varselstegn

Selv godt utviklede KI-systemer mislykkes hvis det underliggende rammeverket er svakt. Zapier erfarte dette på nært hold da det opprinnelige målsettingsrammeverket deres ga dårlige resultater til tross for en teknisk velfungerende chatbot. Overgangen til den enklere og mer intuitive AMP-modellen ga bedre resultater. Lærdommen? KIs kraft avhenger fortsatt av smart utforming.

Ærlig prat (med råd)

KI er ikke en snarvei til bedre resultater – det er en skalpell, ikke en hammer. Som Mabie sa:

Vi bygget ikke dette fordi KI var blankt og nytt. Vi bygget det fordi målsettingen ikke fungerte. Folk var frustrerte over prosessen, ikke formålet – og KI ga oss en måte å gjøre den enklere, raskere og faktisk nyttig på.

Hvis du vil gjenskape Zapiers suksess:

• Start med et solid rammeverk. KI kan ikke reparere et svakt fundament. Velg en enkel og fleksibel struktur som fungerer for teamet ditt.
• Utform for tilbakemeldinger. Bruk KI til å fange opp frafall, forvirringspunkter og suksesser, og tilpass deretter raskt.
• Utnytt den interne kulturen. Interne forkjempere og promotering tilpasset Slack slår toppstyrte pålegg hver gang.
• Ta eierskap til verktøyene dine. Zapiers helintegrerte lavkodeutvikling holdt kostnadene nede og iterasjonstakten høy.

Før vs. etter: Zapier + KI-målsetting

Fokusområde	Før KI	Etter KI
Kvalitet på målsettingen	Ujevne, vage og dårlig samordnede mål; rammeverk som ikke ble tatt i bruk	Markant økning i målenes klarhet, spesifisitet og samsvar med virksomhetens prioriteringer gjennom KI-veiledning
Deltakelse	Varierende grad av målinnsending; vanskelig å spore engasjement	91 % deltakelse, med over 800 chatbotveiledede målsettingsøkter registrert
Innsikt for tilrettelegging	Ingen sentraliserte data for å analysere hva som fungerte eller hvor folk falt fra	KI-agenten ga tilbakemeldingssløyfer om målkvalitet, friksjonspunkter og adopsjonsmønstre
Utrullingstempo	Nye verktøy krever vanligvis flere måneder med endringsledelse	Full utrulling fra utforming til full skala ble gjennomført på under to uker med sterk støtte fra kolleger og ledelsen
Administrativ belastning	Manuell gjennomgang av mål og uklar effekt av tilretteleggingstiltak	KI-agenten analyserte kontinuerlig resultatene og anbefalte strategiske justeringer av tilretteleggingen for å forbedre resultatene

2. Flowable

En global bank innen formuesforvaltning, blant de tre største, hadde problemer med en av de mest komplekse prosessene innen privatbankvirksomhet: verifisering av formuekilde (SOW). Før en ny kunde med høy nettoformue kunne tas inn som kunde, måtte banken fastslå – ofte med ekstrem grundighet – at pengene var rene, legitime og sporbare. Dette innebar å gå gjennom hundrevis av sider med dokumenter, offentlige registre, forretningsavtaler og økonomiske historikker.

Arbeidsflyten var manuell, repetitiv og langsom. Den krevde en kontinuerlig frem-og-tilbake-utveksling mellom kunderådgiveren og medarbeideren med ansvar for kundekontroll, noe som ofte forlenget prosessen til 5–6 uker. Kundeopplevelsen ble derfor frustrerende, noe som førte til frafallsrater på så mye som 25–30 % allerede på dette tidlige stadiet.

KI-grepet

Selv om banken løste et kunderettet problem, lå problemet i interne arbeidsflyter som også skapte en dårlig medarbeideropplevelse. De inngikk et samarbeid med Flowable, som implementerte en avansert agentbasert KI-arkitektur drevet av maskinlæringsalgoritmer for å automatisere aktsomhetsvurderingen av SOW. Forvandlingen skjedde i to faser:

Fase 1: Spesialiserte KI-agenter — Flowable tok i bruk dedikerte agenter for å hente ut data fra PDF-filer, kryssjekke offentlige registre (for eksempel bekrefte en gründers salg av virksomheten gjennom medieomtale), klassifisere ansettelseshistorikk og oppsummere økonomiske utviklingsforløp ved hjelp av naturlig språkbehandling.

Fase 2: Orkestrert agentbasert system — Et sakbasert orkestreringslag koordinerte over 28 AI-agenter for å håndtere arbeidsflyter fra ende til ende. Disse agentene inkluderte spesialiserte moduler for å sammenligne historiske inntekter, verifisere spor etter eiendeler og vurdere regionalt samsvar – alt innenfor strenge grenser for datatilgang.

Avgjørende var det at Flowable sikret kontrollpunkter med «menneske-i-sløyfen» (HITL) på viktige beslutningsstadier. Ingen agent kunne godkjenne eller avvise en sak uten en endelig menneskelig gjennomgang utført av fagpersoner, noe som ivaretok både tillit og samsvar.

Resultatene

Ifølge Micha Kiener, teknologidirektør og medgründer i Flowable:

• Kundefrafallet sank fra 25–30 % til under 1 % i SOW-fasen, noe som representerte betydelige kostnadsbesparelser gjennom bedre kundebevaring.
• Behandlingstiden stupte fra 40–45 dager til bare 1–2 dager i gjennomsnitt.
• 95 % av SOW-arbeidsflyten er nå fullt autonom, noe som frigjør kunderådgivere og medarbeidere innen aktsomhetsvurdering slik at de kan konsentrere seg om oppgaver som krever menneskelig ekspertise og skjønn.
• Ingen motstand mot innføringen – faktisk ønsket de ansatte løsningen velkommen som en etterlengtet forbedring av en belastende funksjon, noe som demonstrerte en smidig innføring av AI.

Viktigste lærdom for ledere

Ved å utforme et domenespesifikt orkestreringssystem med åpenhet, kontroller og tydelige roller, gjenvant denne institusjonen tapte inntekter, beholdt viktige kunder og frigjorde medarbeiderne slik at de kunne utføre arbeid med høyere verdi, samtidig som medarbeideropplevelsen ble betydelig forbedret. Virksomhetens ledere så umiddelbar avkastning på investeringen i AI-teknologier.

Varseltegn

Uten robust styring kan agentbasert AI bli en svart boks som medfører risiko for manglende samsvar, hallusinasjoner og svekket tillit. Flowable fikk ledelsens støtte ved å bygge et saksbehandlingslag med strenge tilgangsregler for data, sporbarhet og mulighet for revisjon.

Ærlig prat (med råd)

Agentbasert AI kan ikke bare kobles til og tas i bruk – det handler om arkitektur. Hvis du mener alvor med å bruke AI i regulerte arbeidsflyter med høy risiko:

• Bygg horisontale, ikke silooppdelte, løsninger som retter seg mot en hel prosess fra ende til ende, ikke bare fragmenter.
• Prioriter styring: Spor hvert inndata- og utdataelement, definer agentenes grenser og sikre datatilgangene.
• Menneske-i-sløyfen er ikke valgfritt; det er en sikkerhetsfunksjon og et tillitsanker. Som Kiener påpeker:

Folk tror at automatisering betyr å fjerne mennesker fra prosessen, men det er det motsatte. Trikset er å vite nøyaktig hvor man fortsatt trenger skjønn. AI-en vår håndterer slitet, men mennesker tar avgjørelsene som betyr noe.

Før og etter: Global privatbank + Flowable

Fokusområde	Før AI	Etter AI
Behandlingstid for SOW-verifisering	5–6 uker per kunde; langsom utveksling frem og tilbake mellom rådgivere og medarbeidere innen aktsomhetsvurdering	1–2 dagers gjennomsnittlig behandling med 95 % autonom AI-håndtering
Kundefrafall	25–30 % frafall på grunn av forsinkelser og gjentatte forespørsler om informasjon	<1 % frafall under introduksjonen; smidig, effektiv prosess med høy tillit
Arbeidsflytbelastning	Manuell uttrekking av dokumenter, gjentatte avklaringer, liten grad av gjenbruk	Over 28 AI-agenter orkestrert for å trekke ut, validere, oppsummere og bare eskalere unntak
Styringsrisiko	Den første bruken av åpne agentverktøy manglet sporbarhet og datakontroll	Flowables sakbaserte plattform håndhevet datatilganger, revisjonsspor og menneskelig tilsyn

3. Maya AI for rekruttering

En ledende livsforsikringsleverandør sto overfor rekrutteringsflaskehalser som er typiske for rekrutteringsmiljøer med høyt volum. HR-fagfolk brukte uforholdsmessig mye tid på å gjennomgå CV-er manuelt, ta kontakt med kandidater, håndtere ukvalifiserte søkere og følge opp – ofte på tvers av frakoblede plattformer som ATS-systemer, LinkedIn, e-post og stillingsportaler.

Prosessen var repetitiv, inkonsekvent og utsatt for frafall, med lang tid frem til intervju og kandidater som ikke møtte opp, noe som belastet rekrutterernes kapasitet og forsinket ansettelsesplanene. Dette påvirket til syvende og sist både medarbeideropplevelsen for nyansatte og effektiviteten i HR-funksjonenes kjerneoppgaver.

AI-grepet

Forsikringsselskapet innførte Maya, en plattform for samtalebasert AI og automatisering av arbeidsflyter som bruker naturlig språkbehandling til å håndtere rekrutteringsprosessen øverst i trakten. Maya ble konfigurert til å:

• Ta automatisk kontakt med kandidater med personlig tilpassede, samtalebaserte meldinger via SMS, e-post eller egendefinerte skjemaer.
• Sil ut og kvalifiser søkere basert på forhåndsdefinerte kriterier, inkludert tolkning av CV-er og stillingsspesifikke spørsmål ved hjelp av maskinlæringsalgoritmer – noe som i praksis automatiserer CV-screening i stor skala.
• Planlegg intervjuer via AI basert på rekrutterernes tilgjengelighet, og send automatiske påminnelser for å redusere uteblivelser. Dette bidrar til å optimalisere en av de mest tidkrevende HR-oppgavene.
• Lever strukturerte kandidatsammendrag til rekrutterere, og skill mellom kvalifiserte og ukvalifiserte søkere med begrunnelser for begge deler. Dette legger til rette for mer datadrevne beslutninger og bedre dataanalyse av kandidatkvalitet.
• Tilpass tone og personlighet (uformell eller formell) basert på selskapets merkevare og stillingens art.

Oppsettet tok to uker. I løpet av denne perioden ble Maya tilpasset nyansene i selskapets rekrutteringsprosesser og krav til etterlevelse, noe som demonstrerte rask innføring av AI.

Resultatene

Maya ga betydelige effektivitets- og konverteringsforbedringer bare noen uker etter implementeringen:

• Ansettelsesraten nådde 70 % for kandidater som ble behandlet gjennom Maya på tvers av organisasjonens byråer.
• Kostnaden per intervju falt fra $37 til $13 – en reduksjon på 65 % i løpet av to måneder. Dette muliggjorde bedre ressursfordeling på tvers av andre initiativer og ga betydelige kostnadsbesparelser.
• Tiden frem til intervju falt fra 5–7 dager til 1 dag, noe som forbedret ansettelseshastigheten og kandidatens medarbeideropplevelse betydelig.
• 92 % av kandidatene trodde at de samhandlet med et ekte menneske, ikke AI, noe som demonstrerte hvor sofistikert naturlig språkbehandling kan være.
• Maya håndterte hele screeningen av både kvalifiserte og ukvalifiserte kandidater, slik at rekruttererne kunne konsentrere seg utelukkende om kandidater av høy kvalitet og strategiske HR-funksjoner.

Konklusjon for ledelsen

Samtalebasert AI handler om presis involvering. Maya gjorde en uoversiktlig, manuell prosess øverst i rekrutteringstrakten om til en strømlinjeformet arbeidsflyt med høy konvertering. Dermed kunne rekruttererne gjøre det de er best på: å bygge menneskelige forbindelser og sikre gode ansettelser, samtidig som den samlede medarbeiderinvolveringen i ansettelsesprosessen ble forbedret.

Varseltegn

Menneskelige systemer kan fortsatt være flaskehalsen. Maya kvalifiserte kandidater på en vellykket måte, men i enkelte tilfeller fulgte ikke rekruttererne opp, noe som førte til tapte muligheter. AI må støttes av god tilrettelegging for rekrutterere, tydelig ansvarlighet og oppdaterte opplæringsprogrammer.

Ærlig prat (med råd)

Shivam Ramphal, medgrunnlegger av Maya AI, gir kundene de samme rådene uansett hva de prøver å oppnå.

Vi sier alltid til kundene: Ikke slipp løs AI før du vet hvordan suksess ser ut. Hvis du er uklar på målene eller overveldet av mengden, vil AI bare forsterke det. Men hvis du har full kontroll, blir AI en kraftig forsterker.

AI som Maya kan forbedre rekrutteringsresultatene radikalt, men bare hvis menneskene gjør sin del av jobben.

• Definer realistiske ansettelsesmål før du slipper løs AI i rekrutteringen. Ikke be om 10 000 potensielle kandidater hvis du trenger 5 ansettelser.
• Opplær AI som en medarbeider: Inkluder hva den skal si, hva den ikke skal si, og hvor formell eller personlig den skal være.
• Bruk AI som et supplement, ikke som en erstatning: Mayas jobb er å screene – rekruttererne må fortsatt møte kandidatene og sluttføre ansettelsene.

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

Før og etter: Maya AI + Globe Life

Fokusområde	Før AI	Etter AI
Rekrutterereffektivitet	Rekruttererne screenet, kontaktet og fulgte manuelt opp hver søker	Maya håndterte all innledende kommunikasjon og screening; rekruttererne så bare kvalifiserte kandidater
Tid frem til intervju	5–7 dager fra søknad til planlegging av intervju	1 dag fra første kontakt til bekreftet intervju
Kostnad per intervju	$37 i gjennomsnitt	$13 per intervju innen 2 måneder – en kostnadsreduksjon på 65 %
Kandidatopplevelse	Usammenhengende kommunikasjon; høyt kandidatfrafall	92 % av kandidatene trodde Maya var et menneske; høyere oppmøte og en smidigere opplevelse
Rekruttererinvolvering	Høy arbeidsbelastning, liten utnyttelse av kapasiteten	Rekruttererne fokuserte bare på kandidater det var verdt å intervjue, noe som økte effektiviteten og arbeidsmoralen
Ansettelsesrate	Uklart og forsinket resultat	70 % ansettelsesrate blant kandidater som ble behandlet gjennom Maya

4. Introduksjon av nyansatte med Tonkean

Et globalt HR-team i en virksomhet hadde problemer med å levere rask og personlig tilpasset introduksjon, særlig for innleide arbeidstakere som oppdragstakere. Manuelle HR-prosesser innebar at det ofte tok over 20 dager (og noen ganger 30+) bare å gi nyansatte full tilgang til verktøy, tilganger og systemer, noe som forsinket produktiviteten og undergravde hensikten med rask ansettelse.

I tillegg var kvaliteten på introduksjonen ujevn og generell, og den belastet både ansettende ledere og nyansatte med logistikk og informasjonsoverskudd. Dette påvirket medarbeideropplevelsen og medarbeiderengasjementet negativt fra første dag.

Det ble forventet at medarbeiderne skulle finne introduksjonsmateriell på egen hånd via intranett eller opplæringsportaler, ofte uten tilstrekkelig kontekst eller struktur til å støtte en meningsfull oppstart.

AI-løsningen

Selskapet inngikk et samarbeid med Tonkean, en plattform som koordinerer HR-drift ved hjelp av AI-agenter og maskinlæringsalgoritmer. For introduksjonen gjorde Tonkean følgende:

• Overvåket utløsere i HRIS-verktøy (som Workday eller Rippling) for å oppdage nyansatte, endringer i stillingstittel eller jubileer.
• Automatiserte arbeidsflyter for proaktivt å starte personlig tilpassede introduksjonssekvenser basert på medarbeiderens rolle, plassering og team.
• Genererte skreddersydd introduksjonsinnhold ved å hente fra ustrukturerte interne ressurser som presentasjoner, HR-dokumenter, personalhåndbøker om fordeler og opplæringstranskripsjoner ved hjelp av naturlig språkbehandling, og omformet spredte datasett til sammenhengende læringsopplevelser (dette er også en viktig fordel med læringsopplevelsesplattformer).
• Brukte AI-agenter til å samhandle med ansettende ledere via Slack eller Teams for å utarbeide tilpassede 30/60/90-dagersplaner i naturlig språk, noe som muliggjorde mer datadrevne beslutninger om medarbeiderutvikling og karriereutviklingsforløp.
• Muliggjorde direkte samhandling med agenter via e-postsvar eller integrerte portaler, slik at nyansatte kunne stille spørsmål som "Hvor melder jeg meg på personalgoder?" og umiddelbart få godkjente, nøyaktige og kontekstuelle svar basert på medarbeiderdata og bedriftsspesifikke HR-verktøy.
• Håndterte vanlige spørsmål (for eksempel foreldrepermisjon og påmeldingsperioder) anonymt via samtalegrensesnitt for å redusere friksjon og ivareta medarbeidernes personvern.

AI ble brukt både proaktivt (til å utløse planer) og reaktivt (til å svare på spørsmål), noe som skapte en sømløs, personlig tilpasset medarbeideropplevelse av høy kvalitet, samtidig som repetitive HR-oppgaver ble redusert.

Resultatene

• Introduksjonstiden for oppdragstakere sank fra 20–30 dager til under 5 dager i gjennomsnitt.
• Medarbeiderne rapporterte at introduksjonen føltes svært personlig tilpasset, som om "3–4 personer hadde jobbet med den" – selv om AI håndterte det meste av arbeidet.
• Høyere CSAT-poengsummer (kundetilfredshet) for introduksjonen på grunn av bedre tydelighet, punktlighet og kulturell integrering, noe som direkte styrket medarbeiderengasjementet.
• Endret oppfatningen av AI fra å være et tidsbesparende verktøy til å bli en kvalitetsforsterker: Den største avkastningen på investeringen handlet ikke om hastighet, men om å levere en bedre medarbeideropplevelse uten å øke bemanningen.

Hovedpoeng for ledelsen

AI-basert koordinering forvandlet introduksjonen fra en manuell sjekkliste til en strategisk, skalerbar og menneskesentrert reise. Ved å kombinere dataintegrasjoner, generative agenter og en utforming med mennesker i loopen leverte selskapet skreddersydde introduksjonsopplevelser i stor skala, og forbedret produktivitet, medarbeiderprestasjoner og medarbeiderbeholdning fra dag én.

Varseltegn

Hør etter, dere som sitter bakerst: Du kan ikke bare legge AI oppå gamle arbeidsflyter! Uoverensstemmelse mellom forventninger er den største risikoen. AI krever at man tenker nytt om hvordan man definerer "nøyaktighet", eierskap og suksess.

Og ikke forvent deterministiske resultater: AI vil ofte gi ulike – men like gyldige – svar. HR-medarbeidere må videreutvikle hvordan de tester og godkjenner resultater.

Ærlig snakk (med råd)

Sagi Eliyahu, medgrunnlegger og administrerende direktør i Tonkean, sa følgende:

Når du får nyansatte fra over 10 land, på tvers av avdelinger, og halvparten av dem er oppdragstakere, er det nesten umulig å få introduksjonen riktig manuelt. Det vi så her, var ikke bare raskere introduksjon, men en introduksjon som faktisk føltes som om noen hadde tenkt på rollen din, plasseringen din og teamet ditt. Og det meste av dette ble gjort av AI.

Personlig tilpasset introduksjon er et strategisk konkurransefortrinn. Hvis du vil:

• Redusere oppstartstiden for oppdragstakere fra 30 dager til 5 …
• Tilby automatisk informasjon om personalgoder som er spesifikk for region eller rolle …
• Generere tilpassede 30/60/90-dagersplaner uten å overbelaste ansettende ledere …

Da:

• Bygg orkestrering inn i eksisterende arbeidsflyter (e-post, Slack, HRIS – ikke bare nye verktøy)
• Fokuser på kvalitet, ikke bare effektivitet – AI muliggjør begge deler
• Forhåndslast systemet med ulike innholdsformater (presentasjoner, transkripsjoner, dokumenter)
• La HR eie "godkjente svar" og tren AI-agenter med kontekstuelle retningslinjer
• Samkjør HR, IT og ledelsen rundt en ny definisjon av "å fungere som forventet"

Før og etter: anonym virksomhet + Tonkean

Fokusområde	Før AI	Etter AI
Tidslinjer for introduksjon	20–30+ dager for å få kontraktører fullt konfigurert og klare	<5 dager gjennomsnittlig tid for fullført introduksjon av kontraktører
Kvalitet på introduksjonen	Generisk, usammenhengende og krevde ofte at nyansatte selv navigerte i introduksjonsmateriellet	AI-kuraterte planer tilpasset rolle, sted og team; føltes "som om 3–4 personer hadde jobbet med den"
Belastning for ledere	Ledere opprettet introduksjonsplaner manuelt, og dette ble ofte hoppet over eller gjort i all hast	Påminnelser i Slack/Teams ble brukt til å samskape fokusområder for de første 30 dagene
Tilgang til informasjon	Ansatte måtte søke i intranettportaler eller sende e-post til HR	AI-agenter leverte godkjente, kontekstuelle svar umiddelbart og anonymt
Effektivitet	Stor manuell innsats og betydelig opplæringsarbeid	Dokumentasjonslesing ble erstattet med interaktive agenter som brukte ekte innhold fra organisasjonen (presentasjoner, personalhåndbøker osv.)
Skalerbarhet	Nyansatte fikk uensartede opplevelser, særlig på tvers av geografiske områder	Ensartet og skalerbar introduksjon på tvers av alle steder og roller

5. CogNet + AI-drevet BPO-transformasjon

En av CogNets BPO-kunder – et nasjonalt bemanningsbyrå – satt fast i en kostbar, langsom og svært manuell prosess for økonomisk avstemming.

Hver måned solgte kunden fakturaene sine til en finansieringspartner. Men før pengene kunne utbetales, krevde finansieringsselskapet en detaljert avstemming mellom det de forventet å betale (basert på tidligere avtaler) og det de faktisk skyldte – et klassisk misforhold mellom interne fakturaregistre og eksternt formaterte oppgaver.

Problemet? Det interne teamet avstemte PDF-er med millioner av linjer og Excel-ark med dårlig struktur manuelt, ved hjelp av en regnskapsmedarbeider med en samlet kompensasjon på over $90,000/år. Selve avstemmingen tok over 16 timer i måneden, bare for å finne ut hvor avvikene var. Dette inkluderte ikke oppfølging av avvik, noe som forsinket kontantstrømmen og reduserte økonomiteamets kapasitet til analyser med høyere verdi.

På tvers av andre kunder og funksjoner la CogNet merke til det samme mønsteret: høyt kvalifiserte medarbeidere var bundet opp i repetitivt "rutinearbeid" som var viktig, men som ikke førte til transformasjon av kjernefunksjoner innen HR eller andre forretningsprosesser.

AI-grepet

CogNet tok i bruk en "to-trinnsmetode fra Texas" som utnyttet maskinlæring og naturlig språkbehandling for å optimalisere denne kritiske prosessen:

Trinn 1: BPO-kostnadsarbitrasje
Kunden flyttet først avstemmingsarbeidet "som det var" til Cognet, der offshore-analytikere kunne utføre den samme manuelle avstemmingen til en langt lavere kostnad (~$11.50/time). Dette alene reduserte kostnadene fra $692.31 til $184 per avstemmingssyklus – en besparelse på 276 %.

Trinn 2: AI-orkestrering i praksis
Deretter bygde CogNet et automatiseringslag med menneskelig involvering ved hjelp av algoritmer og en stor språkmodell (LLM) for å sammenligne dokumenter i flere formater (PDF-er, Excel, CSV-er) og analysere medarbeiderdata mer effektivt.

I stedet for å be mennesker oppdage datamisforhold linje for linje, markerte LLM-en avvik på sekunder. Dette muliggjorde mer databaserte beslutninger og bedre dataanalyse. Nå trengte CogNets analytiker bare 2 timer på å verifisere og eskalere faktiske problemer, slik at en arbeidsflyt på $692 ble redusert til $30, noe som viste betydelige kostnadsbesparelser.

Det er avgjørende at CogNets orkestreringslag gjør det mulig å bytte inn ulike AI-agenter (f.eks. ChatGPT og Claude) basert på oppgavetype, regulatorisk eksponering (f.eks. PHI og lønnsdata) og kundens retningslinjer. Denne modulære utformingen gjorde det enklere for kundene å stole på automatiseringen uten å ofre etterlevelse, samtidig som de kunne håndtere ulike datasett.

Resultatene

• Tiden brukt på avstemmingsprosessen ble redusert fra 16 timer til bare 2 timer
• Kostnaden falt fra $692.31 til $30 per syklus – en reduksjon på 2,208 %
• Prosesshastigheten økte, slik at problemer kunne flagges og kontanter innkreves innen 24 timer
• Regnskapsmedarbeideren ble omplassert til strategiske oppgaver som lønnsomhetsanalyse i stedet for tidkrevende Excel-arbeid
• Kundene begynte å revurdere BPO – ikke bare som arbeidskraftsarbitrasje, men som prosess­transformasjon gjennom AI for HR og videre

Derfra replikerte CogNet denne modellen med «besparelser gjennom tusen små kutt» på tvers av dusinvis av arbeidsflyter med høy frekvens for flere kunder, og endret hvordan HR-, lønns- og regnskapsteam arbeidet med outsourcet drift.

Ledelsens konklusjon

CogNet brukte ikke bare kunstig intelligens til å redusere kostnader – de redefinerte verdiforslaget til BPO. Ved å kombinere automatisering med lav terskel med en tjenesteorientert tankegang hjalp de kundene med å frigjøre timer, redusere kostnadsforbruket og reinvestere medarbeidere i arbeid på et høyere nivå.

Innovasjonen var ikke bare teknisk, den var også kontraktsmessig. CogNets vilje til å dele verdien gjennom resultatbasert prising hjalp kundene med å gå fra en «leverandør»- til en «partner»-tankegang, noe som var spesielt verdifullt ved lansering av nye initiativer på tvers av HR-prosesser.

Varsellampe

Teknologi alene bygger ikke tillit. Én kunde var i utgangspunktet skeptisk til kunstig intelligens på grunn av bekymringer rundt etterlevelse og manglende kjennskap til LLM-er. Vendepunktet kom med et pilotprosjekt med lav detaljgrad, som brukte oppdiktede medarbeiderdata og likevel presterte bedre enn manuelle prosesser. Dermed ble verdien bevist før man ba om støtte.

Ærlig tale (med råd)

John Sansoucie, administrerende direktør i CogNet, har noen enkle råd.

De fleste selskaper tror automatisering begynner med en stor transformasjon, men i virkeligheten er den raskeste måten å bevise verdien på å forbedre det som allerede fungerer. Vi begynner med det som finnes, oppnår raske gevinster og tar deretter i bruk kunstig intelligens for å gjøre det enda bedre.

Hvis du sitter fast med å avstemme PDF-filer mot regneark og betaler $700 per syklus for å gjøre det, har du ikke et bemanningsproblem. Du har et prosessproblem.

Vil du skalere kunstig intelligens? Her er det Cognet gjorde riktig:

• Begynn med å flytte prosesser «slik de er» for å frigjøre talenter
• Legg deretter på automatisering, med fokus på strukturerte oppgaver som sammenligning, klassifisering og ruting
• Bygg AI-flyter som forsterker, ikke erstatter. Send unntakstilfeller til mennesker
• Avklar forventningene: LLM-er returnerer ikke alltid det samme svaret, men de returnerer ofte gyldige svar
• Mål avkastningen på investeringen i spart arbeidstid, ikke bare i redusert antall ansatte, og følg med på måltallene som betyr noe

Før og etter: Avstemming mellom Cognet og bemanningskunde

Fokusområde	Før kunstig intelligens	Etter kunstig intelligens
Avstemmingsarbeidsflyt	16 timers manuell prosess med PDF-filer og Excel-regneark	AI flagger avvik på sekunder, med bare 2 timers manuell gjennomgang
Kostnad per avstemming	$692.31 per syklus (basert på $43/t for en regnskapsmedarbeider)	~$30 per syklus (outsourcet + AI-aktivert arbeidsflyt)
Kontantstrømtidspunkt	Forsinkede utbetalinger på grunn av lange avstemmingssykluser	24-timers behandlingstid muliggjør raskere løsning av tvister og innkreving av kontanter
Utnyttelse av talenter	Verdifulle medarbeidere brukte timer på kopiering og innliming samt manuell matching	Regnskapsmedarbeideren gikk over til lønnsomhetsrapportering og strategisk økonomisk analyse
Skalerbarhet i BPO	Lineær skalering med antall ansatte	Ikke-lineær skalering med kunstig intelligens, slik at Cognet kan støtte flere arbeidsflyter uten å øke antallet analytikere

6. Customer.io + AI-drevne Slack- og GPT-arbeidsflyter

Customer.io, et selskap med fullstendig fjernarbeid som opererer i over 30 land, oppdaget at den asynkrone modellen deres, selv om den var produktiv, gjorde at nyansatte følte seg desorienterte. Introduksjonsprosessen manglet struktur, og ledere var ofte sene med å levere tydelige forventninger og introduksjonsplaner, noe som påvirket medarbeideropplevelsen negativt.

Nyansatte beskrev ofte den første tiden som å «finne ut av ting», noe som reduserte produktiviteten og svekket kulturen – og til syvende og sist påvirket både medarbeiderengasjementet og prestasjonene.

Uten et sentralt kontor eller fysiske kontaktpunkter trengte selskapet en skalerbar måte å gjøre introduksjonsprosessen både tydelig og relasjonsbyggende på, uten å legge en urimelig byrde på allerede travle ledere eller forstyrre andre kritiske HR-funksjoner.

AI-grepet

Customer.io implementerte en serie AI-drevne arbeidsflyter som benyttet naturlig språkbehandling for å skape struktur og konsistens under introduksjonsprosessen, samtidig som fleksibiliteten i den fjernbaserte kulturen ble bevart.

1. Slack + ChatGPT: Rollebaserte 30-60-90-dagersplaner

For å løse uklarheten utviklet teamet en tilpasset arbeidsflyt ved hjelp av ChatGPT integrert med Slack, slik at ledere raskt kunne generere 30-60-90-dagers introduksjonsplaner tilpasset hver rolle.

Dette systemet reduserte tiden det tok å lage planer betydelig – med anslagsvis 30–50 % – samtidig som det forbedret samsvaret mellom nyansatte, ledere og virksomhetens mål og støttet mer datadrevne beslutninger innen medarbeiderutvikling.

2. Lederstøtte med samskaping med forretningspartnere

I stedet for å slippe ChatGPT løs, samarbeidet forretningspartnere med ledere for å forbedre AI-generert onboarding-innhold og sørge for at tone, forventninger og utviklingsmål samsvarte med kulturen i Customer.io. Denne balansen mellom automatisering og menneskelig kuratering hjalp lederne med å ta i bruk arbeidsflyten uten å ofre tillit.

3. Bygge en AI-kultur gjennom synlighet

For å styrke bruken på tvers av HR-prosesser opprettet Customer.io en egen Slack-kanal kalt #AI-wins, der ansatte deler vellykkede bruksområder. Dette bidro til å normalisere eksperimentering og øke den interne oppslutningen. Ifølge intern sporing førte dette til en intern AI-engasjementsgrad på over 90 %.

Resultatene

• 30–50 % reduksjon i tiden brukt på å utarbeide onboarding-planer
• Bedre tydelighet i onboardingen, gjenspeilet i tilbakemeldingsundersøkelser etter onboarding, med bedre målt medarbeideropplevelse
• Over 90 % av de ansatte brukte AI aktivt i arbeidsflytene sine, noe som demonstrerte et sterkt medarbeiderengasjement med den nye teknologien
• Bedre tidlig samkjøring mellom nyansatte og forretningsresultater, noe som resulterte i kortere tid til produktivitet og bedre medarbeiderprestasjoner

Konklusjon for ledere

Customer.io gjorde ledernes oversikt tydeligere i stor skala. Ved å bygge inn GPT-drevne arbeidsflyter i Slack og kombinere dem med gjennomtenkt menneskelig oppfølging fra HR-medarbeidere, fremskyndet de produktiviteten hos nyansatte uten å miste nyansene i personalledelse.

Varsellampe

AI-arbeidsflyter kan føles robotaktige eller generiske hvis de ikke er tilstrekkelig bearbeidet. Customer.io unngikk dette ved å sørge for at forretningspartnerne var med på å utforme ledetekstene, og at lederne gjennomgikk AI-resultatet før de delte det med nyansatte. Dermed opprettholdt de det menneskelige elementet som er avgjørende for medarbeiderengasjement.

Ærlig snakk (med råd)

Jen Fong, personaldirektør i Customer.io, hadde en tydelig visjon for hvordan AI kunne bidra.

Nyansatte sa: «Jeg prøver fortsatt å finne ut av det.» Vi trengte en skalerbar måte å hjelpe dem fra dette til «Jeg vet hvordan suksess ser ut.»

AI onboarder ikke medarbeiderne dine for deg – men det kan hjelpe deg med å gjøre det bedre.

• Bruk GPT til å lage grunnstrukturen, og la deretter lederne legge til mentorskap og nyanser.
• Ikke bare gi lederne et verktøy – gi dem også støtte i hvordan de skriver gode ledetekster og redigerer effektivt, inkludert opplæringsprogrammer ved behov.
• Start i det små: Onboarding-planer er et sted med lav risiko og høy gevinst for å bygge AI-kompetanse på tvers av HR-funksjoner.

Før og etter: Customer.io-onboarding med AI

Fokusområde	Før AI	Etter AI
Tydelighet for nyansatte	Uklare forventninger; onboarding-planer varierte	GPT-genererte 30–60–90-dagersplaner ble opprettet raskere og var bedre tilpasset målene
Lederbelastning	Manuell utarbeidelse av onboarding-planer var tidkrevende	Tidsbruken ble redusert med 30–50 % ved hjelp av AI-støttede arbeidsflyter
Kultur for AI-bruk	Tidlig utforskningsfase	Over 90 % av de ansatte brukte AI regelmessig; fulgt opp via Slack-kanalen
Onboarding-konsistens	Planene varierte mye i tone og detaljnivå	Standardisert struktur med tilpassbar menneskelig bearbeiding

7. Landing Point + innebygde AI-arbeidsflyter

Landing Point, et rekrutterings- og bemanningsselskap, opplevde en vanlig produktivitetsbrems: Rekruttererne brukte flere timer hver uke på manuelle administrative oppgaver. Viktige flaskehalser omfattet:

• Formatering av CV-er
• Skrive kandidatpresentasjoner
• Forbedre stillingsbeskrivelser

Selv om disse oppgavene var små hver for seg, hopet de seg opp og tok 3–4 timer per rekrutterer per uke. Samtidig begynte enkelte rekrutterere å eksperimentere med offentlige generative AI-verktøy, noe som skapte bekymringer knyttet til sikkerhet og personvern rundt sensitive medarbeiderdata.

Selskapet trengte en løsning som økte effektiviteten og oppfylte samsvarsstandarder på foretaksnivå, samtidig som kritiske HR-prosesser ble optimalisert.

AI-tiltaket

Landing Points tilnærming fokuserte på sikre, innebygde AI-arbeidsflyter drevet av maskinlæringsalgoritmer, som fungerte direkte i rekrutterernes arbeidsverktøy:

1. AI innebygd direkte i ATS

I stedet for å be rekrutterere om å lære seg nye verktøy, bygde Landing Point GPT-drevne AI-funksjoner inn i kandidatsporingssystemet sitt (ATS) ved hjelp av naturlig språkbehandling – og skapte dermed integrerte HR-verktøy. Dette gjorde det mulig for HR-medarbeidere å:

• Formatere CV-er på ~3 minutter (mot 10–20 minutter), noe som automatiserte prosessen for CV-gjennomgang
• Utarbeide kandidatbiografier på ~1 minutt (mot 15 minutter)
• Rydde opp i stillingsannonser automatisk

Resultatet: 3–4 timer spart per rekrutterer hver uke, slik at de kunne konsentrere seg om HR-funksjoner med høyere verdi. Disse tidsbesparelsene ble direkte omgjort til kostnadsbesparelser, ettersom teamet kunne håndtere større volumer uten å øke bemanningen.

2. Privat chatbot til intern bruk

For å gi rekruttererne en bredere AI-medpilot distribuerte teamet en tilpasset chatbot i AWS-miljøet sitt, sikret med SSO og beskyttet av revisjonslogger. Forespørsler og resultater ble lagret sikkert, og modeller som OpenAI og Gemini ble kjørt uten datalagring for å beskytte ansattdata.

Denne "sikre AI-sandkassen" gjorde det mulig for rekrutterere å generere forskningsnotater eller sammenfatte kandidatdata uten å kompromittere personvernet, slik at de kunne ta mer datadrevne beslutninger uten sikkerhetsrisiko.

3. Innebygde sikkerhetsmekanismer og styring

Tidlige tilfeller av hallusinasjoner førte til strenge sikkerhetstiltak. Da en rekrutterer for eksempel hoppet over et trinn med menneskelig gjennomgang, varslet en kunde om unøyaktige kandidatferdigheter. Landing Point svarte med å:

• Forbedre ledetekster
• Gjøre menneskelig gjennomgang obligatorisk
• Teste arbeidsflyter gjennom en intern "AI-tenketank"

De la også bort verktøy med lav bruk, som en malbasert e-postgenerator, og valgte i stedet å prioritere verktøy som bevarte personlig tilpasning og forbedret medarbeideropplevelsen – noe som er avgjørende for å opprettholde relasjoner innen rekruttering.

Resultatene

• Tid til første kandidatinngivelse falt fra 3–6 timer til under 30 minutter
• Feilraten for CV-er falt fra 3–4 % til under 1 %, noe som forbedret kvalitetsmålingene
• 3–4 timer per rekrutterer per uke ble frigjort fra manuelle formateringsoppgaver
• Bruken ble skalert organisk via innebygde verktøy og justering av ledetekster i appen
• Kostnadseffektiv utrulling, med AI-infrastruktur på gjennomsnittlig ~$200/måned og 1 AI-ingeniør

Hovedpoeng for ledelsen

Landing Point jaktet ikke på prangende automatisering, men rettet seg mot reell friksjon i arbeidsflyten. Ved å bygge inn AI der folk allerede jobbet, og etablere sikkerhetsmekanismer tidlig, leverte de målbar avkastning på investeringen uten å kompromittere tillit eller personvern rundt sensitive ansattdata.

Dette er et eksempel på "usynlig AI": lite ressurskrevende, kostnadseffektivt og svært virkningsfullt – og det gjorde det mulig for rekrutterere å flytte tiden fra formatering til relasjonsbygging, samtidig som viktige HR-prosesser ble optimalisert.

Varsellampe

Hvis menneskelig gjennomgang hoppes over, kan selv velment AI introdusere feil (for eksempel oppdiktede kandidatferdigheter). En tidlig glipp var nær ved å svekke kundens tillit.

Landing Point løste dette ved å kreve menneskelig oppfølging, bygge inn forbedring av ledetekster i kvalitetssikringssløyfen og forsterke kulturelle forventninger rundt bruk av AI, slik at HR-medarbeiderne fortsatt var ansvarlige for alle resultater.

Ærlig prat (med råd)

AI vil ikke erstatte rekrutterere, men kan gi dem timer tilbake. Ifølge Faizel Khan, ledende AI-ingeniør hos Landing Point, fungerer det bare når:

• Verktøyene er innebygd der folk allerede arbeider
• Sikkerhet og samsvar bygges inn fra første dag
• Man retter opp det som ikke fungerer – og avvikler det som ikke blir brukt
• Styring er ikke ekstraarbeid – det er produktdisiplin

Denne historien handler ikke om å automatisere rekruttering fra ende til annen. Den handler om å frigjøre menneskelige rekrutterere slik at de kan gjøre det de er best på: å bygge relasjoner og utøve skjønn. Ved å starte tidlig, rette oppmerksomheten mot friksjon i støttefunksjonene og lære av både suksesser og feil har vi vist at AI kan utgjøre en målbar forskjell uten å kompromittere sikkerhet eller tillit.

Før og etter: Landing Points AI-integrasjon

Fokusområde	Før AI	Etter AI
Manuell administrativ belastning	Rekrutterere brukte 3–4 timer i uken på biografier, CV-er og stillingstekster	Oppgavene ble redusert til ~5 minutter hver; 3–4 timer i uken spart per rekrutterer
Sikkerhet og samsvar	Rekrutterere brukte offentlige verktøy etter behov, noe som skapte bekymringer for personvern	Fullt sikkert chatbot-system med SSO, revisjonslogger og modellbruk uten datalagring
Innsendingshastighet	3–6 timer før den første kandidaten ble sendt	De første kandidatene ble sendt inn på under 30 minutter
Nøyaktighet i CV-er	~3–4 % feilrate, hovedsakelig formateringsfeil eller avvik	<1 % feilrate, med bedre tilfredshet blant kandidater og kunder
Adopsjonskultur	Tidlig utprøving med lite struktur	Bred adopsjon via ATS-integrasjon, opplæring og intern styring gjennom «AI-tenketank»
Driftskostnad	Ikke spesifisert	$200/måned i infrastruktur og 1 AI-ingeniør som støtter full utrulling

8. Integrity Staffing + ConverzAI «Rekrutterer Jamie»

Innen bemanning i stort volum er hastighet avgjørende. Kandidater som søker på stillinger innen lett industri og lager, søker ofte på flere jobber samtidig. Det betyr at rekrutterere har et smalt tidsvindu på noen få timer til å oppnå meningsfull kontakt før kandidatene mister interessen.

Men rekrutteringsteamene hos Integrity Staffing satt fast:

• Manuell forhåndssiling tok flere timer hver dag
• Rekruttererne rakk ikke å nå alle søkerne raskt nok
• Kvalifiserte kandidater gikk tapt
• Budsjettene økte kraftig da teamene kompenserte med flere annonser på jobbportaler

Dette førte til en negativ kandidatopplevelse, utbrente HR-medarbeidere og uholdbare kostnader. Teamet trengte en måte å skalere personlig kandidatoppfølging på uten å ansette flere rekrutterere eller være avhengig av kald, generell automatisering som ville svekke medarbeiderengasjementet ytterligere.

AI-tiltaket

Integrity Staffing tok i bruk ConverzAI, en AI-drevet virtuell rekrutterer med kallenavnet «Rekrutterer Jamie», utviklet for å starte kandidatoppfølging i sanntid og i stor skala ved hjelp av naturlig språkbehandling og maskinlæringsalgoritmer.

Dette gjør Rekrutterer Jamie:

• Tar kontakt med kandidater innen 15 minutter etter at søknaden deres er registrert i ATS-systemet (Bullhorn)
• Tar kontakt via SMS, telefon eller e-post, basert på kandidatenes preferanser
• Gjennomfører en strukturert forhåndssiling som dekker:
  • Arbeidserfaring
  • Sted
  • Tilgjengelighet
  • Lønnsforventninger
  • Behov knyttet til stillingen
• Klassifiserer søkere som:
  • Interessert
  • Ikke egnet
  • Oppfølging
• Sender kvalifiserte kandidater videre til menneskelige rekrutterere, slik at de bare bruker tid på engasjerte kandidater. Dette muliggjør mer datadrevne beslutninger om hvor innsatsen skal legges, samtidig som tidkrevende CV-siling automatiseres

Jamie opererer i vanlig arbeidstid (kl. 8–20 lokal tid), men fortsetter oppfølging via SMS og e-post døgnet rundt. Notater loggføres direkte i ATS-systemet for umiddelbar overføring til en medarbeider, noe som skaper en sømløs flyt av medarbeiderdata til støtte for HR-funksjonene.

Ledere hos Integrity Staffing rapporterer at denne tilnærmingen til innføring av AI har endret selskapets konkurranseposisjon innen talentanskaffelse.

Resultatene

Fra januar 2024 til juli 2025 fulgte Jamie opp over 66 000 kandidater og leverte målbare, flerdimensjonale resultater på tvers av viktige måltall:

• 76 % økning i totalt antall ansettelser
• 80 % økning i direkte søkere som ble ansatt
• 55 % forbedring i rekrutterereffektivitet (flere ansettelser per rekrutterer)
• Svartiden til kandidater gikk fra dager eller uker til under 15 minutter, noe som forbedret kandidatopplevelsen betydelig
• Annonseutgiftene ble redusert med over 75 % i enkelte markeder
• Andelen kandidater som reserverte seg, var under 0,5 %, noe som signaliserer høy komfort med AI-oppfølging (Bare 311 av 66 391 kandidater takket nei til AI-interaksjon)

Hovedpoeng for ledelsen

AI forbedret ikke bare effektiviteten – teknologien endret hele rekrutteringsrytmen. Ved å opprette kontakt i løpet av minutter gikk Jamie fra å jage kalde potensielle kandidater til å prioritere varme, interesserte kandidater.

Resultatet? Bedre opplevelse for kandidater og ansatte, raskere ansettelser, lavere kostnader og rekrutterere som gjør mindre rutinearbeid og mer verdifull matching.

Varseltegn

Tidlig i prosessen var rekruttererne bekymret for at Jamie skulle virke robotaktig og svekke medarbeiderengasjementet. Men da pilotdata viste at 87 % av kandidatene var interesserte, og færre enn 0,5 % protesterte, forsvant skepsisen raskt.

Det som snudde utviklingen, var å vise at AI ikke var en trussel – det var en lagkamerat som frigjorde HR-medarbeidere slik at de kunne få vist seg fra sin beste side.

Ærlig prat (med råd)

Dette var ikke en suksess som kunne tas i bruk uten videre. Suksessen kom gjennom strukturert endringsledelse og strategiske initiativer:

• Gjør AI til en del av SOP-en – ikke et valgfritt tillegg
• Opplær rekruttererne tidlig i hvordan de kan samarbeide med AI gjennom dedikerte opplæringsprogrammer
• Hold rekruttererne oppdatert, slik at de stoler på overleveringene
• Bruk pilotdata til å avvæpne skepsis og bygge intern tillit
• Opprett tilbakemeldingssløyfer for kontinuerlig å forbedre interaksjoner og integrasjoner

Før og etter: Integrity Staffing + ConverzAI

Fokusområde	Før AI	Etter AI
Tid til kontakt	Dager (noen ganger uker); uoppfordret kontakt	<15 minutter i gjennomsnitt fra søknad til første kontakt
Kandidatkonvertering	Mange potensielle kandidater ble uaktuelle; ansettelser av direkte søkere lå etter	+80 % flere direkte søkere ansatt etter forhåndsvurdering med AI
Rekrutterereffektivitet	Tid brukt på oppfølging, kalde telefonsamtaler og manuell filtrering	+55 % økning i rekrutterernes produktivitet
Ansettelsesvolum	Rekruttererne ble overveldet av volumet; hull i kandidatpipeline	76 % flere ansettelser takket være en raskere og filtrert prosess
Kandidatenes holdning	Ujevnt engasjement; manglende respons på kontaktforsøk	87 % engasjementsgrad, <0,5 % avvisning av AI-interaksjon
Annonsekostnader	Høye kostnader til stillingsportaler for å fylle opp en kald kandidatpipeline	Opptil 75 % reduksjon i annonseringskostnader
Arbeidsbelastning og stress	Rekruttererne ble flaskehalser og strevde med å holde tritt	Rekruttererne har bare kontakt med kvalifiserte og interesserte kandidater
Tillit og etterlevelse	Risiko for ujevnhet i kontakt og forhåndsvurdering	Standardiserte og gjennomgåtte skript samt ATS-integrasjon sikrer rettferdighet

Suksessbetingelser

• Støtte fra ledelsen fra dag én
• Integrert opplæring under introduksjonen
• Enkel ATS-integrasjon (Bullhorn) og funksjoner for tilbakeskriving
• Oppdateringer av SOP-er som gjorde AI til standarden, ikke unntaket
• Regelmessige tilbakemeldingssykluser for å finjustere samtaler og håndtere problemer

Fallgruver som bør unngås

• Ikke anta at kandidater vil avvise AI – la dataene vise hva de faktisk foretrekker
• Ikke hopp over endringsledelsen – innføringen avhenger av endringer i den kulturelle innstillingen
• Ikke la rekruttererne føle seg erstattet – understrek at AI frigjør dem til å fokusere på styrkene sine

9. FORE Enterprise + AI-hackathon

FORE Enterprise, en arkitekt for AI-løsninger som betjener kunder innen finansielle tjenester, sportsfranchiser, programvare, datatjenester og luksusmote, er kjent for å løse komplekse forretningsutfordringer gjennom smarte og skalerbare AI-applikasjoner.

Internt ønsket imidlertid teamet å stressteste sin egen gjennomføringsevne: Kunne de bygge funksjoner som var klare for kunder – drevet av AI – på kortere tid, med færre ressurser og uten å gå på kompromiss med kvaliteten?

Scenarioet: Bygg en fungerende funksjon for et produkt for å finne avtaler, som hjelper kunder med å finne, rangere og analysere fremtidige muligheter ved hjelp av en stor språkmodell (LLM). Vanligvis ville utviklingen ta én uke (med AI) eller én måned (uten). Kunne de gjøre det på 24 timer?

Svaret kom gjennom en AI-hackathon for hele selskapet, og resultatene var omveltende. De viste hvordan AI-initiativer kan akselerere utviklingen samtidig som kvalitetsmålingene opprettholdes.

AI-opplegget

FORE arrangerte en 24-timers AI-hackathon, delte hele staben inn i tverrfunksjonelle team og ga hvert team ett enkelt mål:

Bruk AI til å bygge en fungerende funksjon som støtter arbeidet med å finne avtaler ved hjelp av en LLM, og demonstrer den direkte for en kunde innen én dag.

Viktige AI-verktøy og metoder som ble brukt:

• Cursor: AI-basert kodemiljø med innebygde kodeforslag og klargjøring av commits
• Claude + ChatGPT: Til å generere små, avgrensede kodeblokker, analysere skjemaer og håndtere logikk ved hjelp av naturlig språkbehandling
• «Redaktørens tankesett»: I stedet for å la AI løpe løpsk brukte teamene AI som en kopilot, genererte kode i små trinn og redigerte og validerte deretter i hver fase for å optimalisere resultatene
• Krav til live-demo: Hver funksjon måtte kunne testes, være visuell og kunne forklares på en måte som var forståelig for klienten

Resultatene

• Utviklingstiden sank dramatisk fra én uke til én dag for viktige produktfunksjoner
• 100 % av AI-bygde funksjoner ble godkjent av klienten for full implementering
• Utviklingstakten økte kraftig fra rundt 5 000 månedlige commits til 30 000, noe som indikerte høyere produktivitet uten overfylt kode – en dramatisk forbedring i viktige ytelsesindikatorer
• Teamene lærte å stole på AI når det gjaldt hastighet, samtidig som de utviklet et skarpt skjønn for når de skulle veilede eller overstyre den

Hovedpoeng for ledelsen

AI-verktøy alene gjør deg ikke raskere – det er strukturen som gjør det. Ved å gi teamene en stram tidsramme, oppdelte funksjonsmål og full tillatelse til å bruke AI som en kreativ partner, oppnådde FORE rask levering uten å inngå kompromisser med kvaliteten.

Hackatoner er ikke bare gimmicker. For små selskaper er de komprimerte læringsmotorer som skalerer teamets ferdigheter og leverer verdi samtidig, og de representerer strategiske initiativer som gir umiddelbar avkastning på investeringen.

Varseltegn

AI-generert kode er ikke feilfri. I tidlige forsøk misforsto verktøy som Claude objektreferanser, skapte avvik i skjemaet eller fantaserte frem unødvendige lag med kompleksitet. Når modellen fikk kjøre for lenge uten kontrollpunkter, førte det til overfylt kode og logiske mangler.

Ærlig prat (med råd)

AI erstatter ikke utviklere – den akselererer de dyktige og avdekker slurvete tenkning hos resten. Tyler Hochman, grunnlegger og administrerende direktør i FORE Enterprises, delte noen lærdommer.

Vi lærte stadig nye ting om hvordan verktøyene fungerer. Verktøyene prøver å overkomplisere ting, noe som kan være en fallgruve. Hvis du gir verktøyet en åpen oppgave, som å implementere denne funksjonen, gjør det ikke en særlig god jobb, men hvis du deler opp oppgaven i A, B, C og D og kontrollerer hvert trinn, gjør det en mye bedre jobb.

Lærdommer:

• Ikke la AI håndtere store, åpne oppgaver. Del alt opp i tydelige, testbare deler.
• Valider alltid at modellen forstår skjemaet. Modellen kjenner kanskje ikke igjen datastrukturene dine uten videre.
• Menneskelig redigering er avgjørende. AI fungerer best når resultatet behandles som et førsteutkast.

Før og etter: FORE-hackaton med bedrifts-AI

Fokusområde	Før AI	Etter AI
Utviklingshastighet for funksjoner	Rundt 1 uke per funksjon (eller 1 måned uten AI)	1 dag per funksjon via AI-assistert kode + fokusert hackatonstruktur
Godkjenningsrate hos klienten	Varierende, avhengig av iterasjoner og kvalitetssikring	100 % godkjenning av funksjoner bygget under hackatonet
Gjennomstrømning i utviklingen	Rundt 5 000 månedlige commits	30 000 månedlige commits etter implementering av AI
Kostnad ved eksperimentering	Høy – krevde fulle utviklingssykluser	Lav – 24 timer strukturert teamtid per funksjon
Teamets bruk av AI	Ustrukturert utforskning; lav tillit til modellene	Høy bruk, tillit og praktiske ferdigheter gjennom teamsamarbeid
Håndtering av AI-risiko	AI overkompliserer og feiltolker skjemaet	Redusert gjennom trinnvise instruksjoner + menneskelig redigering

10. Smartbridge + AI-agent for rekruttering

Et mellomstort selskap i olje- og gasservicesektoren (500–1 000 ansatte) hadde problemer med å rekruttere effektivt i stor skala. Rekruttererne brukte uforholdsmessig mye tid på å finne, vurdere og følge opp kandidater manuelt – ofte basert på inkonsekvente tommelfingerregler og intuisjon som førte til forsinkelser og skjevheter i ansettelsesprosessen.

Med flere rekrutterere som håndterte store volumer på tvers av lokasjoner, sto selskapet overfor tre presserende behov:

• Redusere tiden frem til ansettelse for å unngå tapt produktivitet og forbedre medarbeideropplevelsen
• Standardisere ansettelsesbeslutninger for å forbedre konsistensen og minimere skjevheter, slik at beslutningene i større grad ble datadrevne
• Frigjøre HR-medarbeidere slik at de kunne fokusere på å bygge relasjoner med kandidater – ikke bare på grovsortering

AI-grepet

For å transformere prosessen inngikk selskapet et samarbeid med Smartbridge, et konsulentselskap innen digital transformasjon, for å ta i bruk en spesialutviklet rekrutteringsassistent drevet av generativ AI.

Dette agentbaserte AI-verktøyet ble utviklet for å kobles direkte til selskapets BambooHR og ATS, noe som sikret sømløs integrasjon i arbeidsflyten og beskyttelse av ansattdata. Løsningen leverte:

• Automatisert screening av kandidater på tvers av ATS-data for å optimalisere en av de mest tidkrevende HR-oppgavene, inkludert avanserte funksjoner for screening av CV-er
• Kontekstuelle anbefalinger for oppfølging fra rekrutterere, sortert etter kvalitet og hvor mye det haster, slik at beslutningene i større grad kunne baseres på data
• Standardiserte intervjuspørsmål generert fra stillingsbeskrivelser ved hjelp av AI-teknologi
• Funksjoner som reduserer skjevhet ved å håndheve ensartede kriterier i kandid vurderinger, noe som forbedret rettferdighetsmålingene gjennom nøye dataanalyse
• Tidsstyrt levering av rekrutteringshandlinger og innsikt, tilpasset behov og preferanser for den enkelte rollen – AI bidrar til å sikre at ingenting faller mellom to stoler

Resultatene

Resultatene har vært betydelige og etterprøvbare:

KPI	Før AI	Etter AI
Investert tid i rekruttering	Manuelt intensivt over flere uker	Over 70 % reduksjon i tiden brukt på rekruttering
Tid til ansettelse	Ofte forsinket med 1–2 uker	Ansettelsesprosesser forkortet med 1–2 uker
Konsistens i ansettelser	Rekrutterere brukte ulike heuristikker	Enhetlige standarder og innsikter på tvers av rekrutterere
Skjevhet i screening	Avhengig av subjektiv vurdering	Minimal skjevhet, håndhevet gjennom strukturert evaluering
Rekrutterernes bruk av verktøyet	Manuell bruk av ATS	100 % bruk blant rekruttererne, med innebygde arbeidsflyter

"Alle rekruttererne bruker det nå – og de gjør det med trygghet. Systemet leverer nøyaktig det de trenger, når de trenger det," sa Rajeev Aluru, leder for AI og datavitenskap i Smartbridge.

Konklusjon for ledelsen

AI erstatter ikke rekrutterere – det gjør dem bedre. Ved å bygge inn en smart assistent direkte i eksisterende ATS-verktøy hjalp Smartbridge denne virksomheten innen bygg og tjenester med å standardisere kvaliteten på ansettelser, øke hastigheten til ansettelse og redusere manuelt arbeid betydelig.

Verktøyet er nå en sentral del av infrastrukturen, ikke et sideprosjekt, og viser AI-ens transformative potensial for HR når teknologien integreres riktig i HR-funksjonene.

Varseltegn

Hvis AI-systemet ikke er dypt integrert i eksisterende arbeidsflyter, stopper utbredelsen opp. Det som gjorde dette tilfellet vellykket, var den sømløse leveringen av innsikt direkte i BambooHR og ATS, samtidig som rekrutterernes fremdrift og tillit ble ivaretatt.

Rett fra leveren

Teknologien fungerer – men du trenger rekrutterernes støtte fra dag én.

• Ikke overrask teamet ditt. Involver rekruttererne tidlig i utformingen.
• Få AI til å oppleves som hjelp, ikke som en erstatning. Bruk det til å anbefale, ikke til å pålegge.
• Hold det i verktøyene deres. Hvis AI befinner seg utenfor systemet som inneholder de autoritative dataene, vil det ikke bli brukt.
• Følg med på resultatene. Vis rekruttererne hvordan det hjelper dem med å fylle stillinger raskere, bedre og mer rettferdig.

11. Docebo + AI for ansettelser, engasjement og kunnskapsforvaltning

Docebo, et globalt teknologiselskap innen læring med rundt 1 000 ansatte fordelt på Nord-Amerika og Europa, møtte komplekse utfordringer innen ansettelser og drift i stor skala. Teamene for talentanskaffelse slet med en konsekvent vurdering av kandidater, notatskriving under intervjuer og forsinkelser med å omgjøre samtaler med ansettende ledere til beslutninger som kunne settes ut i livet.

Samtidig gjennomgikk People-teamene manuelt tusenvis av kommentarer fra engasjementsundersøkelser hver måned, noe som i betydelig grad reduserte evnen deres til å handle på tilbakemeldinger og forbedre medarbeiderengasjementet. Intern kunnskapsdeling på tvers av team var en annen flaskehals, særlig under prosjekter som omorganisering.

Docebo trengte AI, ikke for nyhetens skyld, men for å skape tydeligere drift, raskere beslutningstaking og bedre kandidatvurderinger i en globalt distribuert virksomhet – og dermed forbedre flere HR-funksjoner samtidig.

AI-tiltaket

Docebo tok i bruk AI i tre HR-kritiske arbeidsflyter ved hjelp av maskinlæring og naturlig språkbehandling:

1. Ansettelser og intervjuanalyse

• Granola.ai ble introdusert for å støtte rekrutterere og ansettelsesledere under intervjuer ved automatisk å transkribere og oppsummere notater.
• Dette frigjorde rekruttererne fra å måtte transkribere etter samtalene og lot ansettelseslederne konsentrere seg om aktiv lytting, noe som økte rettferdigheten og konsekvensen i ansettelsesbeslutningene – AI bidrar til å eliminere tidkrevende HR-oppgaver.
• Oppsummeringene fungerer nå som et arkiv over hvilke spørsmål som førte til vellykkede ansettelser – noe som gjør det mulig å forbedre intervjustrategier og ta mer datadrevne beslutninger om kandidatevaluering, samtidig som det skapes verdifulle datasett for kontinuerlig forbedring.

2. Verdibaserte stillingsbeskrivelser + kandidatprofilering

• AI-verktøy ble brukt til å utforme stillingsbeskrivelser i tråd med Docebos verdier, noe som førte til en merkbar forbedring i kandidatkvaliteten og en bedre medarbeideropplevelse fra første kontakt.
• Rekruttererne eksperimenterte også med å bruke AI-teknologier til å analysere offentlig tilgjengelig kandidatinnhold (f.eks. LinkedIn-innlegg) for å vurdere samsvar med kulturelle verdier, som egenskaper knyttet til en menneskesentrert lederstil.
• Selv om innsikten ikke ble brukt til å ta endelige beslutninger, fungerte den som et retningsgivende grunnlag for ansettelser i lederstillinger og støttet samtaler om karriereutvikling.

3. Sentimentanalyse av medarbeiderundersøkelser

• Tidligere tok det flere uker å gjennomgå tusenvis av kommentarer fra månedlige medarbeiderundersøkelser.
• Med AI-oppsummering ved hjelp av algoritmer for dataanalyse kunne HR-teamene nå oppdage nye temaer og endringer i sentiment på noen timer, slik at de raskere kunne iverksette målrettede tiltak.
• Det er viktig å merke seg at alle kommentarer fortsatt gjennomgås manuelt av HR-fagfolk – men AI fungerer som et første filter som fremhever presserende problemer og reduserer forsinkelsen mellom tilbakemelding og handling. Dette forbedrer responstiden på medarbeiderengasjement betydelig, samtidig som det muliggjør prediktiv analyse av potensielle risikoer for å miste medarbeidere.

4. Intern kunnskapstilgang med Glean

• Glean, et AI-drevet verktøy for kunnskapsforvaltning, ble tatt i bruk for å eliminere interne siloer og optimalisere tilgangen til informasjon – et av de viktigste HR-verktøyene i Docebos teknologistakk.
• Medarbeidere kan spørre Glean om oppsummeringer av avdelingenes prioriteringer, organisasjonskart og oppdateringer om interne prosjekter, noe som støtter karriereutvikling ved å tydeliggjøre utviklingsmuligheter.
• HR-teamet brukte det for eksempel til å effektivisere arbeidet med organisasjonsdesign ved umiddelbart å hente frem oppdaterte mål og strukturer for teamene fra medarbeiderdata. Forretningsledere rapporterer at dette har forbedret hastigheten på strategisk planlegging betydelig.

Resultatene

• Over 2 timer spart per rekrutterer og intervju per ansettelse gjennom automatisert notatskriving
• Tusenvis av undersøkelseskommentarer analysert månedlig på timer i stedet for uker, noe som forbedret responsen på medarbeiderengasjement
• Raskere stillingsbeskrivelser av høyere kvalitet bidro til bedre kandidattilfang og en bedre medarbeideropplevelse
• Bedre samsvar i ansettelsesvurderingene gjennom etterfølgende analyse av intervjutranskripsjoner, noe som muliggjorde mer datadrevne beslutninger
• Raskere planlegging av organisasjonsdesign ved hjelp av Gleans oppdaterte interne oppsummeringer

"Vi ser ikke på AI som et nullsumspill. Det handler om å frigjøre det beste i menneskene våre, samtidig som vi oppnår reell effektivisering og større skala." — Lauren Tropeano, visepresident for HR og kultur, Docebo.

Det viktigste for ledelsen

AI trenger ikke å være revolusjonerende for å være transformativ. Docebos suksess skyldtes at de bygget praktiske AI-verktøy inn i eksisterende arbeidsflyter: fjernet friksjon fra notatskriving, frigjorde organisatorisk innsikt og handlet raskere på tilbakemeldinger om medarbeiderengasjement.

Tilnærmingen deres var like pragmatisk som menneskesentrert, med styring og eksperimentering som drivkrefter for bærekraftig innføring på tvers av HR-funksjonene.

Varseltegn

Ikke alle AI-verktøy leverer resultater som kan brukes. Docebo måtte eksperimentere med flere plattformer for notatskriving før de fant en som fanget riktig nyansenivå og skilte mellom talerne. Lærdommen? Test før du skalerer, og vurder ikke bare hva AI-en kan gjøre – men også om det den gjør, faktisk er nyttig for HR-prosessene dine.

Ærlig prat (med råd)

• Start i det små, skaler smart: Begynn med pilotteam, innhent tilbakemeldinger og utvid deretter basert på dokumentert verdi og tydelige måltall.
• AI ≠ autopilot: Teamene trenger fortsatt kritisk tenkning og menneskelig dømmekraft for å tolke og følge opp AI-innsikt.
• Styring er avgjørende: Sørg for klare grenser for datatilgang (f.eks. ingen tilgang til sensitive HR-systemer) og tydelighet rundt ansvarlig bruk av medarbeiderdata.

Før og etter: Docebos AI-reise

Fokusområde	Før AI	Etter AI
Notater fra intervjuer	Manuell transkripsjon etter hver samtale; varierende detaljnivå og innsats	Granola-sammendrag sparer over 2 timer per stilling; ledere kan fokusere på å lytte i stedet for å skrive
Analyse av medarbeiderundersøkelser	Manuell koding av tusenvis av kommentarer tok flere uker	Tematiske AI-sammendrag muliggjør tilbakemeldings-til-handling-sykluser i nesten sanntid
Kandidatidentifisering	Stillingsbeskrivelser forsvant ofte i et hav av generiske bransjeinnlegg	AI-utformede stillingsannonser tilpasset virksomhetens verdier tiltrekker bedre egnede søkere
Forskning på organisasjonsdesign	Det tok timer eller dager å lete gjennom e-poster og Slack for å forstå teamstrukturen	Glean viser teammål og organisasjonskart på sekunder
Kulturvurdering	Begrenset innsikt i lederkandidatenes menneskesentrerte atferd	AI-støttede gjennomganger av offentlig innhold gir retningsgivende signaler om kulturell tilpasning

5 viktige lærdommer fra frontlinjen innen AI i HR

Etter å ha gjennomgått dusinvis av implementeringer i praksis, er dette de viktigste lærdommene fra teamene som gjør dette arbeidet i dag – ikke i teorien, men i praksis:

1. Integrasjon slår oppfinnelse

De mest virkningsfulle prosjektene bygget AI-teknologier inn i verktøy teamene allerede brukte – som Slack, ATS-plattformer eller HRIS-systemer. Endringsledelsen gikk smidigere, innføringen av AI gikk raskere, og avkastningen på investeringen ble synlig raskere. HR-medarbeidere kunne utnytte AI for HR uten å forstyrre eksisterende HR-prosesser. I stedet for å introdusere helt nye HR-verktøy, forbedret vellykkede implementeringer det teamene allerede kjente, reduserte friksjon og fremskyndet verdiskapingen.

2. Menneskelig dømmekraft er fortsatt viktig

Selv de mest avanserte AI-systemene tok ikke beslutninger alene. Alle eksemplene inkluderte en utforming med mennesket i loopen, noe som styrket tilliten, forbedret resultatene og sikret rettferdighet i rekruttering, onboarding og evaluering av medarbeideres prestasjoner. Maskinlæring og algoritmer støtter beslutninger – de erstatter ikke dømmekraften til dyktige HR-medarbeidere. Ledere som forstår dette prinsippet, ser på AI som et hjelpemiddel, ikke en erstatning, og bygger derfor sterkere og mer pålitelige systemer.

3. Innføring krever tillit – ikke bare teknologi

Teamene som lyktes med AI, investerte i opplæringsprogrammer, synlighet og intern historiefortelling. Innføringen av AI var ikke bare en teknisk utfordring – den var også kulturell. De mest velfungerende teamene fikk AI til å føles som en lagkamerat, ikke en overtakelse, og opprettholdt et sterkt medarbeiderengasjement gjennom hele implementeringen. Vellykket innføring av AI krevde at man tok opp bekymringer rundt jobbsikkerhet, demonstrerte verdi gjennom pilotprosjekter og feiret seire offentlig for å bygge momentum.

4. Personalisering gir bedre resultater

Hastighet er viktig, men kvalitet er viktigere. AI ga størst avkastning når teknologien skapte tilpassede, kontekstuelle opplevelser – for kandidater, ledere eller nyansatte – og forbedret den samlede medarbeideropplevelsen. Enten det gjaldt utarbeidelse av onboardingplaner eller analyse av tilbakemeldinger ved hjelp av medarbeiderdata, ga spesifisitet bedre resultater enn skala. Naturlig språkbehandling muliggjorde denne personaliseringen i stor skala på tvers av flere HR-funksjoner og støttet personaliserte læringsløp, samtaler om karriereutvikling og tilpasset kommunikasjon. De mest effektive implementeringene brukte dataanalyse og prediktiv analyse for å forutse individuelle behov, i stedet for å ta i bruk standardiserte løsninger som passer for alle.

5. Små pilotprosjekter skalerer raskt

De fleste suksesshistoriene startet med eksperimenter med lav risiko og stor effekt: en chatbot for målsetting, en GPT-generert 30/60/90-plan eller automatisert CV-gjennomgang. Da effekten var tydelig gjennom målbare nøkkeltall som viste kostnadsbesparelser og effektivitetsgevinster, skalerte teamene raskt – med troverdighet og selvtillit. Disse fokuserte initiativene beviste verdien av AI for HR før AI ble implementert i hele virksomheten for å transformere HR-prosesser eller HR-oppgaver. Ved å starte i det små kunne teamene teste AI-teknologier, forbedre ledetekster, bygge egnede datasett og utvikle styringsrammeverk før en bred utrulling – noe som økte sannsynligheten for en vellykket og varig innføring av AI betydelig.