Lederen for talentanskaffelse hos Thoughtworks deler hvordan man gjør rekruttering til en datadrevet og prediktiv prosess med KI

Gjennom karrieren har jeg hatt ledende stillinger i globale teknologi- og konsulentselskaper som Thoughtworks, Cognizant og Hewlett-Packard, der jeg ledet store talentanskaffelsesteam på tvers av flere land. Tidligere i karrieren fungerte jeg også som en strategisk talentpartner, der jeg ga råd til senior- og toppledelsen om arbeidsstyrkeplanlegging, organisasjonsdesign og personalstrategi.

Arbeid i stor skala formet lederreisen min – jeg ledet team på over 50 rekrutterere, sto bak mellom 600 og 2 000 ansettelser årlig og leverte jevnlig rekordresultater innen ansettelseseffektivitet, kandidatopplevelse og organisatorisk vekst.

I tillegg til den overordnede ledelsen av talentanskaffelse har jeg bygget opp og ledet strategiske programmer for arbeidsgiverprofilering, mangfold og inkludering samt rekruttering fra campus, inkludert initiativer som økte ansettelsen av kvinner og personer med funksjonsnedsettelser betydelig, og som utvidet talenter på starten av karrieren på tvers av flere land.

Ved siden av rollene mine i næringslivet er jeg også uavhengig rådgiver for beecrowd, en global plattform for konkurranseprogrammering og teknisk vurdering som brukes av universiteter og teknologiselskaper til å evaluere talenter innen programvareutvikling i stor skala. I denne rollen gir jeg råd om rammeverk for talentevaluering, ferdighetsvurdering og samspillet mellom teknisk ekspertise og arbeidsstyrkestrategi.

De siste årene har arbeidet mitt i økende grad vært rettet mot hvordan AI og datadrevet rekruttering endrer lederskap, talentstrategi og utformingen av organisasjoner med høy ytelse i komplekse miljøer på tvers av flere land.

Hvorfor AI endrer mer enn bare teknologi

Med AI har rollen min som leder innen talentanskaffelse utviklet seg fra hovedsakelig å fokusere på gjennomføring til å utforme strategiske talentsystemer som utnytter AI til å endre hvordan organisasjoner tiltrekker seg, vurderer og engasjerer talenter. Denne endringen er ikke bare teknologisk – den former lederansvar, organisasjonsdesign og forholdet mellom mennesker og data.

Talentanskaffelse er tradisjonelt transaksjonsbasert, men denne omstillingen gjør den datadrevet og prediktiv. I stedet for å basere oss på manuell screening og historiske gjennomsnitt bruker vi nå AI-baserte læringsagenter og prediktive modeller som analyserer store datamengder for å identifisere mønstre for suksess og anbefale kandidater med høyere presisjon.

Ved å lære av historiske data håndterer disse systemene de repetitive oppgavene, slik at teamene kan vende tilbake til det de gjør best: å bygge relasjoner og ta strategiske beslutninger.

Til syvende og sist handler lederskap i en AI-først-tid om å utforme beslutningsarkitekturer: å skape systemer der mennesker, data og AI samarbeider for å oppnå bedre resultater. Det innebærer å bygge etisk styring, tydelige måleparametere og integrerte tilbakemeldingssløyfer som gjør det mulig for organisasjoner å forutse behov, redusere skjevheter i utvelgelsen og samordne arbeidsstyrkens kompetanse med langsiktige strategiske mål.

Hvordan AI endrer arbeidsflyter og beslutningstaking innen HR

Når vi gjennomgår en arbeidsflyt med AI, styres vi av et tydelig prinsipp: AI fjerner manuelt arbeid, strukturerer kvantitative signaler og synliggjør innsikt, mens mennesker fortsatt har ansvaret for kvalitative vurderinger og endelige beslutninger.

Her er noen eksempler på endringer vi har gjennomført:

1. Analyse av undersøkelser og organisatoriske tilbakemeldingssløyfer

En av de mest effektive anvendelsene av AI har vært å analysere store mengder undersøkelsesdata. Ved hjelp av flere tilpassede Gemini-modeller behandler vi fritekstsvar fra undersøkelser for å identifisere tilbakevendende temaer, følelsesmønstre og nye risikoer på tvers av team og regioner.

I stedet for å basere oss på manuell tagging eller anekdotisk tolkning gjør AI det mulig å parameterisere tilbakemeldinger i stor skala og omgjøre kvalitative innspill til strukturerte signaler som viser hvor det er størst behov for tiltak. Dette har betydelig forbedret hastigheten, konsistensen og objektiviteten i planleggingen av organisatoriske forbedringer.

2. Interne arbeidsflyter og fjerning av manuelle prosesser

Vi har også anvendt AI på interne arbeidsflyter for å redusere manuelt og repetitivt arbeid. AI prioriterer forespørsler, strukturerer uformaterte innspill og støtter forberedelsen av beslutninger på tvers av interne prosesser.

Dette har redusert de operasjonelle kostnadene betydelig og gjort det mulig for teamene å fokusere på arbeid med større verdi, som strategisk problemløsning, interessentdialog og kontinuerlig forbedring, i stedet for administrativ gjennomføring.

3. Prosesser for prestasjon og evaluering

I interne evaluerings- og prestasjonsprosesser spiller AI en avgjørende rolle i håndteringen av den kvantitative delen av analysen. AI søker etter, samler og kryssrefererer strukturerte datapunkter over tid, slik at evalueringene baseres på langsiktige bevis i stedet for nylige eller isolerte hendelser.

Dette gjør det mulig for ledere å fokusere på de kvalitative aspektene ved evalueringen – skjønn, kontekst, utviklingssamtaler og fremtidig potensial – i stedet for datainnsamling. Resultatet har vært mer disiplinerte, rettferdige og evidensbaserte vurderinger.

4. Kunnskapsdeling og samordning

Vi bruker NotebookLM som et felles kunnskapslag for å dokumentere prosesser, beslutninger og tilbakevendende temaer, slik at organisasjonens kunnskap er raskt og sikkert tilgjengelig. Vi deler informasjonen som fanges opp i dette systemet, på en transparent måte når det er hensiktsmessig. Dette forbedrer samordningen, reduserer feiltolkninger og skaper et felles faktagrunnlag på tvers av teamene.

5. Strategi, beslutningstaking og organisasjonsutforming

På strategisk nivå støtter AI hvordan vi forholder oss til usikkerhet, prioriteringer og avveininger. I stedet for å foreskrive beslutninger hjelper AI oss med å avdekke mønstre, kvantifisere tvetydighet og teste antakelser – særlig innen områder som rolleutforming, organisatorisk effektivitet og endringsinitiativer.

Hvordan prediktiv analyse forbedrer kvaliteten på ansettelsesbeslutninger

Innen talentanskaffelse var syklustiden vår allerede konsekvent god, på mellom 30 og 35 dager, så for oss handlet det ikke om å forbedre hastigheten. Den virkelige endringen kom da vi bestemte oss for å redesigne kvaliteten på kandidatflyten i stedet for prosesshastigheten.

Først lærte vi opp talentanskaffelsesteamet i prediktiv analyse og segmentering av arbeidsstyrken basert på ferdigheter. I stedet for å optimalisere for volum redesignet vi inntaks- og screeningsmodellene våre for å forutsi hvilke profiler som mest sannsynlig ville lykkes i bestemte roller, markeder og team. Dette gjorde det mulig for oss å redusere antallet kandidater som gikk videre til hvert trinn i prosessen, på en bevisst måte.

I praksis bygget vi prediktive dashbord som kombinerte historiske ansettelsesresultater, prestasjonsdata og markedssignaler. Rekruttererne brukte deretter disse modellene til å fokusere utelukkende på ferdigheter med høy sannsynlighet for å lykkes, og gikk fra kvalitet gjennom volum til kvalitet gjennom presisjon.

Men igjen: AI bør ikke erstatte menneskelig skjønn, men skjerpe det. Vi sørget bevisst for å beholde tett menneskelig kontakt i intervjuer, kalibreringsdiskusjoner og endelige beslutninger. Denne kombinasjonen gjorde det mulig for oss å gi kandidatene en bedre opplevelse, gjennomføre mer gjennomtenkte vurderinger og ta mer rettferdige og konsekvente beslutninger.

Hvordan rolleutforming påvirker AI-drevne ansettelsesresultater

Før jeg begynte å arbeide med prediktive modeller, undervurderte jeg hvor mye tvetydige, inkonsekvente eller oppblåste stillingsbeskrivelser kunne forvrenge ansettelsesresultatene og læringsatferden til AI-systemer. Med AI avgjør kvaliteten på rolleutformingen og stillingsbeskrivelsen alle etterfølgende beslutninger.

Faktisk avdekket prediktive analyser av våre historiske ansettelsesdata et tydelig mønster. Variasjon i rolldefinisjoner førte til dårligere resultater – i enda større grad enn lav kandidatkvalitet. Med andre ord ga roller med dårlig spesifiserte ferdigheter, urealistiske krav eller inkonsekvente signaler om senioritet konsekvent lavere konvertering, flere avslag sent i prosessen og svakere prestasjoner tidlig i ansettelsesforholdet, uavhengig av hvor sterk kandidatbasen var.

Dette endret strategien vår grunnleggende. I stedet for å behandle stillingsbeskrivelser som statiske inndata, redesignet vi dem som prediktive artefakter. Vi brukte historiske resultatdata til å skille mellom krav som korrelerte med suksess, og krav som bare økte støy og tvetydighet. Over tid gjorde dette det mulig for oss å forenkle rolldefinisjonene, fjerne krav som ikke hadde prediktiv verdi og konsentrere ansettelsene om et mindre antall ferdigheter med tydelige signaler.

Hvorfor innføring av AI bør institusjonaliseres, ikke piloteres

Det største misforholdet jeg stadig ser mellom AIs løfte og organisatorisk virkelighet, er ikke teknologisk, men organisatorisk og menneskelig. De fleste selskaper investerer tungt i AI-verktøy og forventer forbedringer. Men de beholder de samme insentivene, de samme hierarkiske strukturene og den samme lave datakompetansen blant ledelsen.

Resultatet er at AI enten blir underutnyttet eller misbrukt: kraftige modeller produserer innsikt som det ikke er tillit til, som ikke blir forstått eller som det ikke blir handlet på grunnlag av.

Vi håndterte dette misforholdet ved å institusjonalisere innføringen av AI i stedet for å behandle den som en serie pilotprosjekter. Vi etablerte en dedikert, tverrfunksjonell arbeidsgruppe med fokus på AI-støttet beslutningsutforming innen talentanskaffelse.

Arbeidsgruppen arbeider med eksplisitte mål på forretningsnivå. De to hovedmålene er å øke konverteringsratene gjennom hele rekrutteringstrakten med 50 % ved hjelp av prediktiv segmentering og redesign av beslutninger, samt å redusere antallet intervjutimer med ytterligere 30 % ved å eliminere kandidater med lav sannsynlighet tidligere i prosessen. Disse målene tvinger organisasjonen til å fokusere ikke på eksperimentering, men på varige forbedringer i ytelsen på systemnivå.

Utover måltall har gruppen ansvar for å redesigne beslutningsarbeidsflyter før automatisering innføres. Vi kartlegger hvor kritiske ansettelser besluttes, hvem som har ansvaret for dem, hvilke data som kreves, og hvor menneskelig dømmekraft må forbli sentral. Først når beslutningsarkitekturen er tydelig, introduserer vi AI for å styrke bestemte trinn, i stedet for å legge verktøy oppå ødelagte prosesser.

Vi bygger også inn styring fra starten av. Dette omfatter mulighet for menneskelig overstyring, overvåking av skjevhet og modellglidning, tydelig ansvar for modellresultater og etisk vurdering av bruksområder med stor innvirkning. Uten dette har AI en tendens til å skalere både gode og dårlige beslutninger samtidig.

Hva det innebærer å være klar for AI innen HR og talentanskaffelse

Vi ser på AI mindre som et sett med verktøy og mer som et tankesett for beslutningstaking. Å være klar for AI i organisasjonen vår innebærer å stille bedre spørsmål på en konsekvent måte: hvilke signaler som er viktige, hvor det finnes usikkerhet, og hvordan data kan informere menneskelig dømmekraft.

AI-kompetanse bygges gjennom det daglige arbeidet, ikke gjennom formell opplæring. Teamene lærer ved å bruke AI til å avdekke mønstre, teste antakelser og strukturere beslutninger på tvers av undersøkelser, evalueringer og operative arbeidsflyter.

I praksis kommer dette til uttrykk i hvordan vi tar beslutninger: mer evidensbaserte diskusjoner, tydeligere antakelser, bedre dokumentasjon og et felles språk for å håndtere usikkerhet. AI tar ikke beslutningene, men påvirker hvordan vi tenker før vi tar dem.

Carlas verktøystakk i tre lag

For AI-støttet gjennomføring bruker vi flere kategorier av verktøy. Til språkforståelse, stillingsutforming og strukturert kunnskapsstøtte bruker vi Gemini, en intern AI-agent og NotebookLM, som fungerer som et sikkert internt kunnskapslag for å dokumentere prosesser og gi rask, styrt tilgang til institusjonell kunnskap.

Til intervjuinnsikt bruker vi BrightHire for å fange opp strukturerte intervjusignaler og forbedre kalibreringen og kvaliteten på tilbakemeldingene.

På vår sentrale rekrutteringsplattform bruker vi Greenhouse AI hovedsakelig til å oppsummere vurderingsskjemaer og lage strukturerte sammenfatninger av intervjutilbakemeldinger, samtidig som vi alltid beholder full menneskelig kontroll over beslutninger om utvelgelse.

Hvorfor NotebookLM og ChatGPT er nødvendig kognitiv infrastruktur

Jeg er spesielt fascinert av to verktøy for tiden: NotebookLM og ChatGPT. Jeg bruker dem i svært ulike sammenhenger.

Jeg bruker ChatGPT utelukkende til personlige formål, utenfor bedriftsmiljøet mitt. Det har blitt mitt viktigste personlige verktøy for tenkning og læring. Jeg bruker det til alt fra strukturert læring og skriving til å utforske ideer, planlegge og reflektere.

Selve plattformen indikerer at jeg er blant de mest aktive brukerne, noe som gjenspeiler hvor dypt den har blitt en del av min personlige kognitive arbeidsflyt. Den viktigste virkningen har vært at den har satt fart på læringen min, forbedret klarheten i tankene mine og hjulpet meg med å resonnere mer grundig rundt komplekse temaer.

I min profesjonelle sammenheng er jeg mest opptatt av NotebookLM. Jeg bruker det omfattende til å dokumentere og strukturere én-til-én-møtene mine, følge tilbakevendende temaer og opprettholde et konsekvent, evidensbasert bilde av individuell utvikling og prestasjon over tid.

Jeg deler disse notatene og oppsummeringene åpent med menneskene jeg møter, noe som gjør dette spesielt kraftfullt. Det skaper én felles og samstemt oversikt over forventninger, tilbakemeldinger og forpliktelser, og har betydelig forbedret tillit, rettferdighet og konsistens i prestasjonsevalueringen. Det gjør det mulig for begge parter å ta utgangspunkt i det samme faktagrunnlaget, i stedet for hukommelse eller subjektive tolkninger.

Dette har ført til en langt mer disiplinert og rettferdig tilnærming til oppfølging av prestasjoner: bedre oppfølging av utviklingstiltak, færre misforståelser og bedre samsvar mellom ledere og teammedlemmer.

Det jeg setter høyest ved disse verktøyene, er at de ikke er automatiseringsverktøy, men kognitiv infrastruktur. Når de brukes på denne måten, erstatter de ikke dømmekraft – de forbedrer kvaliteten, rettferdigheten og åpenheten i hvordan dømmekraft utøves.

Slik vil talentanskaffelse endre seg i løpet av de neste fem årene

Talentanskaffelse vil ikke lenger primært bli målt etter hastighet eller volum, men bli en funksjon for beslutningskvalitet. I løpet av de neste fem årene vil rollen utvikle seg fra å gjennomføre ansettelsesprosesser til å utforme og styre hvordan organisasjoner tar beslutninger om talenter under usikkerhet.

AI vil i stadig større grad håndtere skala, mønstergjenkjenning og uttrekking av signaler – fra utforming av stillinger til matching i markedet – mens talentteamene blir langt mer presise og bevisste i utformingen og gjennomføringen av utvelgelsesprosesser. Konkurransefortrinnet vil komme fra tydeligere rolledefinisjoner, bedre signalkvalitet gjennom hele prosessen og mer konsekvente, evidensbaserte beslutninger om utvelgelse.

På bransjenivå tror jeg vi vil se et tydelig skille: Organisasjoner som behandler AI som en tankemåte innebygd i driftsmodellen sin, vil prestere betydelig bedre enn de som behandler det som et sett med verktøy. Funksjonens fremtid tilhører team som utformer bedre beslutninger, ikke bare raskere prosesser.

Slik kan ledere ta i bruk AI på en bevisst måte i HR

For mennesker i roller som min er mitt råd å slutte å behandle AI som et valgfritt tillegg og begynne å se på det som en del av måten arbeidet utføres på. Dette innebærer å fokusere på å fjerne administrativ friksjon med AI som et grunnleggende tiltak. På dette tidspunktet er det selvmotsigende å motsette seg AI: Spørsmålet er ikke lenger om vi skal bruke det, men hvor bevisst og ansvarlig vi integrerer det i daglige beslutninger og arbeidsflyter.

Samtidig må vi være tydelige på hva som fortsatt bør være menneskelig. AI er svært effektivt til å håndtere skala, strukturere informasjon og redusere støy. Når det brukes på en god måte, frigjør det mennesker slik at de kan fokusere mer – ikke mindre – på det som betyr noe: dømmekraft, relasjoner, etikk, kreativitet og meningsfull dialog.

I en bredere forstand er mitt råd til ledere å se på AI som en kraft som tydeliggjør prioriteringer. Vellykkede organisasjoner bruker AI til å fjerne arbeid som teknologien gjør bedre enn mennesker, og investerer bevisst denne tiden og oppmerksomheten på nytt i menneskelig samhandling av høyere kvalitet.

I stedet for å svekke lederskapet skaper AI betingelsene for at mer gjennomtenkt, fokusert og menneskelig lederskap kan vokse frem.

Følg med

Du kan følge Carlas arbeid med å revolusjonere talentanskaffelse på LinkedIn.

Flere ekspertintervjuer kommer på People Managing People!