Zapiers chef säger att den verkliga AI-fördelen är kultur, inte teknisk sofistikering

Brandon Sammut är chef för personal och AI-transformation på Zapier. Han och Zapier-teamet har ägnat de senaste tre åren åt att integrera AI i sina system, arbetsflöden och personalprocesser.

Vi satte oss ner med Brandon för att få veta varför hans roll gick från ”Personal” till ”Personal och AI-transformation”. Han berättade att verklig AI-transformation är en personalutmaning, inte en teknisk sådan.

Bygga system som maximerar mänsklig potential

Jag heter Brandon Sammut och är chef för personal och AI-transformation på Zapier. Jag fokuserar på framtidens arbetsliv i skärningspunkten mellan kompetens och teknik.

Min väg hit har varit allt annat än linjär. Jag började inom utbildning – först som boendechef vid University of Texas at Arlington – och tillbringade sedan sex år på Teach For America inom rekrytering, ekonomi, verksamhetsdrift och företagssamarbeten.

Senare tog jag en MBA-examen och en masterexamen i pedagogik vid Stanford, praktiserade inom riskkapital på Owl Ventures och fick så småningom min första roll som personalchef på LiveRamp (NYSE: RAMP). Det som förenar dessa erfarenheter är en röd tråd som motiverar mig starkt. Hur bygger vi system som maximerar mänsklig potential, och hur matchar vi den potentialen med möjligheter på ett skalbart sätt? 

Jag började på Zapier 2021, innan revolutionen inom generativ AI. I mars 2023 utfärdade vår vd en företagsomfattande ”AI-kod röd” – en uppmaning till handling som förändrade allt. Vi insåg att Zapiers möjligheter inom AI (och risken med att inte agera) var enorma.

Vårt personalteam och jag har ägnat de senaste tre åren åt att genomföra AI-transformation i hela medarbetarupplevelsen – från hur vi rekryterar och utvecklar medarbetare till hur vi omformar själva arbetet.

I slutet av 2025 formaliserade vi detta arbete genom att utöka min roll så att jag uttryckligen ansvarar för AI-transformation vid sidan av personalfrågorna. Logiken var enkel: verklig AI-transformation är en personalutmaning, inte bara en teknisk sådan.

Zapier är en plattform för AI-orkestrering med ett helt distansbaserat team på 800 personer i över 40 länder. Mitt ansvarsområde omfattar hela personalfunktionen, från talanganskaffning till talangutveckling, personaladministration och total ersättning – plus Zapiers företagsomfattande AI-transformationsarbete. Det omfattar vårt kompetenscenter för AI-transformation, 11 inbäddade AI-transformationsgrupper på avdelningsnivå och vårt ramverk för AI-transformation med öppen källkod, som delas offentligt med den bredare marknaden.

Kort sagt: Jag ansvarar både för människorna och för de AI-system som hjälper dem att utföra sitt bästa arbete. Jag samarbetar också med våra kundinriktade team för att hjälpa andra organisationer att lyckas med sina egna AI-transformationer.

Hur AI gör arbetet mer mänskligt

På vårt företag använder 97 % av medarbetarna AI-verktyg för kodning i sitt kärnarbete. Åttioåtta procent säger att det har förbättrat deras prestationer mätbart, och medarbetarengagemanget ligger över 80 % i våra pulsmätningar. Det säger mig att AI inte försämrar medarbetarupplevelsen för närvarande, men vi säger detta med ödmjukhet och fortsätter att vara nyfikna på AI:s påverkan på hur människor upplever sitt arbete.

Jobben blir mer intressanta, och det är den kvalitativa utveckling jag är mest entusiastisk över. När vi automatiserar repetitiva uppgifter ägnar människor sig åt mer kreativt, strategiskt och mänskligt arbete.

Vårt team för talanganskaffning får regelbundet beröm för kandidatupplevelsen. Inte för att de har ett ovanligt stort team, utan för att en genomtänkt samordning av automatisering och AI ökar personaliseringen.

Nya karriärvägar växer fram. Personer som tidigare utförde manuellt, repetitivt arbete bygger nu automatiseringar, bemannar roller inom AI-transformation och bidrar till helt nya funktioner.

AI tar bort arbete med lågt värde och synliggör toppresterare

Vårt kundsupportteam minskade den genomsnittliga handläggningstiden per ärende med 50 % genom AI-driven sammanfattning. Det innebär att de nu besvarar kundfrågor dubbelt så snabbt. Samma team får nu lön på marknadens 90:e percentil. Det är ingen slump.

När AI tar bort upprepningar med lågt värde utför människor genuint svårt arbete som kräver gott omdöme – och du kan betala dem därefter. De är högpresterande medarbetare som skapar värdefulla resultat.

Vårt team för efterfrågegenerering byggde ett AI-drivet arbetsflöde som automatiserade efterforskning om potentiella kunder och genererade personligt anpassad uppsökande kommunikation för AE:er i realtid. Det frigjorde kapacitet motsvarande 4,5 heltidsanställda, sparade 15–20 000 dollar i verktygskostnader och genererade en försäljningspipeline på 1,2 miljoner dollar. Ett enda arbetsflöde.

Intäktsverksamheten kör nu 25 AI-arbetsflöden och agenter, vilket sparar motsvarande 34 heltidsarbetsveckor varje månad. Ekonomifunktionen minskade månadsbokslutet med 25 % trots ökad komplexitet – med ett team på 8 personer för en verksamhet som omsätter mer än 5 miljarder dollar årligen.

Det som har varit svårt är att förändringstakten skapar trötthet. Alla rör sig inte i samma takt, och det är okej. Men att hantera den ojämnheten bland 800 personer kräver medvetenhet, och vissa AI-drivna arbetsflöden behövde flera iterationer innan de gav resultat som vi verkligen var nöjda med.

Jag kallar inte det misslyckanden. Det är arbetets natur. Intelligensen fortsätter att utvecklas. Något som inte riktigt fungerar idag kan vara en helt annan historia om en månad.

Brandon delar med sig

Frågan är inte “Hur imponerande är det här?” utan “Förbättrar det här verkligen någons arbete?“

Varför enkelhet trumfar komplexitet i AI-initiativ

Tidigt trodde mitt team och företaget reflexmässigt att de mest värdefulla användningsområdena för AI skulle vara tekniskt avancerade. Det ledde till överkonstruktion. I verkligheten har en del av vårt arbete med störst effekt varit ganska enkelt: att automatisera kandidatkommunikation som anpassas efter varje roll, bygga en enkel AI-coach för målsättning och sammanfatta långa supportärenden till handlingsbara insikter.

Om jag kunde gå tillbaka skulle jag säga till mig själv att börja med den enklaste lösningen som löser ett verkligt mänskligt problem. Blanda inte ihop teknisk komplexitet med affärsvärde. Frågan är inte "Hur imponerande är det här?" utan "Förbättrar det här verkligen någons arbete?"

Så höjer en bedömning av AI-kompetens ribban för nyanställda

Vi bedömer nu AI-kompetens hos 100 % av kandidaterna, för varje avdelning och varje roll. Det här är den största operativa förändringen vi har gjort på grund av AI. AI håller på att bli en grundförutsättning för hur arbetet utförs.

Vi byggde ett ramverk för AI-kompetens med fyra nivåer: Oacceptabel, Kompetent, Användande och Transformativ.

• "Oacceptabel" innebär att någon aktivt motsätter sig AI eller aldrig har använt det på ett ändamålsenligt sätt – det är en omedelbar diskvalificering för oss.
• "Kompetent" innebär att du upprepade gånger har använt AI med ett tydligt syfte och visar framsteg i ditt lärande – vi letar efter verkliga exempel som de kan beskriva, även enkla sådana.
• "Användande" innebär att du har gått från tillfällig användning till regelbunden och målmedveten tillämpning med verklig effekt – vi letar efter tydliga berättelser om avkastning på investeringen.
• "Transformativ" innebär att AI fundamentalt har förändrat hur du arbetar och att det nya arbetssättet påverkar ditt team, dina projekt eller din organisation – inte bara din egen produktivitet.

I våra system integrerade vi bedömningen av AI-kompetens i våra strukturerade intervjuer och byggde en intervjagent för den som höjer ribban – ett AI-drivet verktyg som genererar skräddarsydda intervjufrågor baserat på rollen, nivån och vårt bedömningskriterium. Det förklarar varför det valde varje fråga, vilket hjälper intervjuare att göra konsekventa bedömningar i hela vår organisation med 800 personer och 10 vice verkställande direktörer.

Vi utbildade vårt rekryteringsteam i att bedöma kompetens och kalibrerade vad "bra" innebär på varje nivå för varje roll. Beteendemässigt har rekryterande chefer nu ett gemensamt språk för att diskutera AI-beredskap.

När det gäller resultat ökade kvaliteten på experimenten och det kollegiala AI-lärandet märkbart när varje nyanställd kom in med åtminstone grundläggande kompetens. Det höjde lägstanivån för hela företaget.

Så förbättrar AI effektiviteten i 1:1-möten

Jag ska gå igenom vår coach för enskilda möten, eftersom det är vårt mest sofistikerade bygge för People-teamet och illustrerar hur AI kan förstärka (inte ersätta) den mänskliga sidan av ledarskap.

Problem: Alla ledare vet att kvaliteten på enskilda samtal mellan chefer och deras direktrapporterande medarbetare är en av de starkaste faktorerna för engagemang, bibehållande och prestation. Men de flesta chefer får väldigt lite coachning i realtid kring hur de agerar i de samtalen. Ställer de tillräckligt många frågor? Pratar de för mycket? Skapar de utrymme för den andra personen?

AI-lösning: Vi skapade en AI-driven coach för enskilda möten. Efter ett enskilt möte (med full transparens för båda parter – deltagandet är frivilligt och synligt) analyserar systemet samtalet och genererar coachande återkoppling till chefen.

Flöde från början till slut:

1. Chefen och den direktrapporterande medarbetaren håller sitt vanliga enskilda möte (ingenting förändras i själva mötet).
2. Efter mötet analyserar AI:n samtalets struktur – förhållandet mellan talande och lyssnande, vilka typer av frågor som ställdes och om chefen skapade utrymme för den direktrapporterande medarbetarens prioriteringar.
3. Coachen genererar personlig återkoppling, till exempel ”Du pratade 70 % av tiden under det här mötet – överväg att ställa fler öppna frågor” eller ”Du ställde bra klargörande frågor, men missade ett tillfälle att coacha kring problemet som medarbetaren tog upp.” Coachen ger återkopplingen endast till chefen – privat, konstruktiv och direkt användbar.
4. Med tiden kan chefen se mönster över flera enskilda möten och följa sin utveckling,

Varför det fungerar: Det löser problemet med att skala HR Business Partner-stödet, något alla företag står inför. Vi kan inte placera en HRBP i varje enskilt möte. Men vi kan ge varje chef en privat coach som hjälper dem att bli bättre på de samtal som betyder mest – utan att de behöver be någon om hjälp eller erkänna att de har svårigheter.

Förtroendearkitekturen är avgörande: Vilka data används? Var lagras de? Vem kan se dem? Vi är radikalt transparenta med allt detta. Det är en ”Iron Man-dräkt” för chefer – den förstärker deras förmåga – snarare än en AI-övervakare som tittar dem över axeln. Den skillnaden är oerhört viktig för användningen.

Jag ska också dela ett enklare men lika kraftfullt arbetsflöde: vår AI-coach för återkoppling, som vi använder när vi förbereder oss för att ge konstruktiv återkoppling. Den är tränad på vårt interna ramverk för återkoppling och exempel på utmärkt konstruktiv återkoppling.

En medarbetare kan använda den privat, beskriva situationen och få hjälp med att strukturera sin återkoppling före ett samtal i realtid. Den löser det mänskliga problemet: ”Jag vet att jag behöver ge den här återkopplingen, men jag vet inte hur jag ska formulera den på ett skickligt sätt, och jag vill inte prata med en annan människa om det ännu eftersom sammanhanget är för känsligt.” AI:n undanröjer hela det hindret.

Varför utmaningarna med AI-integrering är större än tekniska misslyckanden

För att vara helt öppen har de områden där AI inte levt upp till förväntningarna i mindre utsträckning handlat om att tekniken misslyckats och i större utsträckning om integrationsutmaningen. Den största luckan har varit övergången från individuell till institutionell användning av AI.

Även om 97 % av vårt team använder AI är det en helt annan utmaning att i grunden omforma centrala affärsprocesser från början till slut med hjälp av AI.

Vi tog snabbt till vara på de lågt hängande frukterna. Det svårare arbetet med högre värde – att designa om arbetsflöden från grunden och få AI-drivna verktyg att kommunicera med varandra genom strategisk samordning – går långsammare och är rörigare än jag hade förväntat mig.

Internt kallar vi detta för skiftet från ”individuell AI” till ”institutionell AI i stor skala”, och det är vårt främsta fokus för 2026. Det kräver gemensam autentiseringsinfrastruktur, tvärfunktionella datafundament och ett grundläggande nytänkande kring hur team lämnar över processer. Det är arkitekturarbete, inte bara experimenterande.

Ytterligare ett ärligt erkännande: Överflödet av AI-leverantörer är verkligt. Antalet verktyg som påstår sig kunna lösa AI-transformationen är överväldigande. En annan lärdom vi fick på det hårda sättet är att det är avgörande att konsolidera till ett litet antal kärnplattformar, i stället för att samla på sig tio eller fler punktlösningar. Nu följer vi användning, tillförlitlighet och avkastning på investeringen för varje verktyg och fasar aktivt ut dem som inte kan integreras.

Och AI:s sista nackdel: Det har skett en försvagning av ansvarstagandet på grund av den bekvämlighet som AI skapar. När AI snabbt och enkelt genererar resultat kan ledare publicera eller leverera saker utan en genuin mänsklig granskning. Kvalitetsribban kan sänkas för snabbhetens skull om ledare inte är försiktiga. Om AI bidrar till arbetet är människor fortfarande ansvariga för dess korrekthet, ton och påverkan.

Hur AI förändrar behovet av en formell läroplan

Jag utgick från att kompetensutveckling kräver en formell läroplan, men jag hade fel. I flera år har standardmodellen inom HR/L&D varit att identifiera en kompetenslucka, utforma ett utbildningsprogram, genomföra det och mäta slutförandet.

AI förändrade den modellen för oss. Tekniken utvecklas så snabbt att den redan skulle vara föråldrad när vi hade hunnit skriva en traditionell läroplan.

Vi ersatte den med en lärandefilosofi som bygger på inlärningstakt snarare än kunskapsmängd. Vi har ingen formell AI-läroplan på Zapier. I stället integrerar vi AI-lärande och experimenterande i så många av Zapiers befintliga arbetssätt som möjligt — hackveckor blev AI-hackveckor, introduktionen blev en startsträcka för AI-kompetens och kanaler för frågor och svar mellan kollegor, med utsedda AI-användare på expertnivå, blev vårt stödskikt.

Den djupare insikten här är att hur mycket vi vet vid en viss tidpunkt är mindre viktigt än hur snabbt vi lär oss. Och de ingredienser som maximerar inlärningstakten — psykologisk trygghet, en experimenterande kultur och att dela med sig av vad som fungerar och inte fungerar — är ingredienser i organisationskulturen som inte alla företag har på plats.

Varför AI-transformation är en kulturell utmaning

Brandon delar med sig

Om er kultur inte stödjer experimenterande — om människor inte känner sig trygga med att försöka, misslyckas och dela med sig — kommer inga AI-verktyg i världen att ta er dit ni vill.

AI-transformation är en personalutmaning, inte en teknisk sådan. Alla företag pratar om AI-transformation, men få genomför den väl eftersom de fokuserar på verktygen först.

En verklig transformation börjar med människor, kultur och ledarskap. Om er kultur inte stödjer experimenterande — om människor inte känner sig trygga med att försöka, misslyckas och dela med sig — kommer inga AI-verktyg i världen att ta er dit ni vill.

Personal­funktionen har sällan varit viktigare än i AI-eran. Många av de områden vi är utbildade inom — personalplanering, förändringsledning och ledarskapsutveckling — är viktigare nu, inte mindre viktiga.

De organisationer som kommer att lära sig AI snabbast är de där människor känner sig trygga med att prova sådant som kanske inte fungerar, öppet dela dessa experiment och offentligt lära sig av misslyckanden. Om er kultur straffar misslyckanden eller håller kunskap inom slutna kretsar kommer AI-verktyg inte att rädda er.

Vi har lagt lika mycket tid på att säkerställa att dessa kulturella delar finns på plats som på traditionell kompetensutveckling. Verktygen är grundkrav — kulturen är det som skiljer oss åt.

Varför prestationsstyrning behöver göras om

Prestationsstyrning är ett område som aktivt bör göras om för en AI-förstärkt framtid. Den traditionella prestationsbedömningscykeln — årlig eller halvårsvis, bakåtblickande och starkt beroende av en chefs minne och skrivförmåga — måste bort.

På Zapier har vi redan börjat göra om detta på flera nivåer:

• Skikt 1 – Insamling av belägg (arbetsflödet "Blob Notes"): Vi byggde en extremt enkel Slack-integrering. När något anmärkningsvärt händer — ett utmärkt arbete, ett ögonblick av ledarskap eller ett utvecklingsområde — reagerar en chef eller teammedlem på det relevanta Slack-meddelandet med en specifik emoji (vi kallar det "blob notes": 📝). Reaktionen utlöser ett Zapier-arbetsflöde som samlar in meddelandet, sammanfattar det med hjälp av AI och loggar ett tydligt belägg för arbetsprestation i ett strukturerat dokument. Inga formulär, inget byte av kontext och inget beroende av minnet flera månader senare. Vi fångar belägg i stunden, med ett enda klick på en emoji.
• Skikt 2 – Utformning av utvärderingar (AI-coachen för prestationsutvärderingar): När det är dags för utvärdering anger du namn, jobbnivå och insamlade prestationsbelägg. AI:n utformar ett utkast till en utvärdering som är anpassad till våra beteenden med genomslagskraft — våra prestationsstandarder som skiljer sig åt beroende på jobbnivå — och använder konkreta exempel på utmärkta utvärderingar som referens. Resultatet blir tydligare, mer beläggsbaserade och mer handlingsinriktade utvärderingar, samtidigt som chefernas tidsbelastning minskar kraftigt.
• Skikt 3 – Målsättning (AMP-målcoachen): En chattbot hjälper alla medarbetare att sätta handlingsinriktade, mätbara och meningsfulla mål på bara några minuter genom vägledande uppmaningar. Den omvandlar otydliga avsikter till tydliga, uppföljningsbara resultat.

Men detta är fortfarande AI-användning — att få det befintliga systemet att fungera bättre. Möjligheten till förändring är mycket större.

Vad skulle hända om prestationsbelägg samlades in kontinuerligt och passivt från alla arbetsytor — inte bara Slack? Vad skulle hända om AI synliggjorde mönster i ett helt teams prestationsdata som en enskild chef aldrig skulle kunna se? Vad skulle hända om coachning kring återkoppling fanns tillgänglig i realtid och väntade i Slack, inte bara före ett planerat samtal?

Vi är på väg åt det hållet. De ledare som nu utformar om detta system — samtidigt som de behåller det mänskliga ansvaret för de faktiska besluten — kommer att ha en betydande fördel när det gäller talangtäthet och medarbetarupplevelse.

Så omformar AI strategier för ledarskap och bemanning

Vi utökade inte personalstyrkan med en enda ny tjänst för vår AI-förändring i hela verksamheten, inte bara inom HR. Vi flyttade inga rapporteringslinjer. Detta var ett mycket medvetet beslut.

I stället byggde vi en nav- och ekermodell för bemanning. Navet, vårt kompetenscentrum för AI-förändring, är ett litet team som fastställer standarder, hanterar gemensamma verktyg, underhåller vårt styrkort för AI-förändring och hjälper team att skala upp det som fungerar utan att uppfinna det på nytt.

Ekrarna är 11 chefer för AI-förändring som är placerade i varje avdelning (Utveckling, Försäljning och kundframgång, Marknadsföring, Support, Medarbetare, Ledningsverksamhet, Ekonomi, Data, Ekosystem, Verksamhetsdrift, Juridik). Varje chef ansvarar för att leverera minst en fallstudie om AI-förändring per kvartal från sin avdelning.

Det är viktigt att vi bemannade våra roller som ingenjörer för AI-automatisering från vårt befintliga People-team, eftersom dessa personer redan har ämnesexpertis inom HR. Detta visar organisationen något som vi vill ska vara sant: även om störningar kommer att uppstå inom det spektrum av jobb vi har, satsar vi på vår nuvarande talang.

En HR-ledare förstår intuitivt de riskfyllda aspekterna av att använda organisationsschemat för att driva förändring, vilket är anledningen till att People-organisationens centrala roll i detta arbete är viktig.

Vi höjde också ersättningen från den 50:e till den 90:e percentilen — ett koncept som vi kallar "talangtäthet". När AI gör ditt team avsevärt mer produktivt bör ni dela på vinsten. Vårt kundsupportteam är ett utmärkt exempel: högpresterande medarbetare som skapar sällsynta resultat och får betalt därefter.

Varför det är viktigt att dela AI-drivna produktivitetsvinster med teamen

Jag hoppas att ledningsgrupper ställer sig frågan: "Vad bör hända med det ekonomiska värde som AI-förstärkta team skapar?" Jag hoppas att de överväger att dela den ökade produktivitet som team uppnår genom att tänka kreativt och utforma om arbetet med hjälp av AI.

Vårt kundsupportteam halverade sin genomsnittliga hanteringstid. De är nu högpresterande medarbetare som skapar resultat som är mycket ovanliga inom kundsupport. Och de får betalt därefter — i marknadens översta tiondel.

Detta skapar en fin samstämmighet. Om AI-förändring kräver mer av människor — mer experimenterande, mer lärande och mer omprövning av de egna rollerna — bör uppsidan gå tillbaka till dem, inte bara till balansräkningen. Jag tror att de ledare som lyckas skapa den samstämmigheten kommer att attrahera och behålla den bästa talangen i en AI-förstärkt värld.

Fem sätt för ledare att navigera effektivt genom AI-driven förändring

Här är fem saker som ledare behöver tänka på när de navigerar AI-transformation (varav vissa kan låta kontraintuitiva):

1. Börja med kulturen, inte verktygen. Gör en hälsokontroll: Har ni en stark känsla av psykologisk trygghet? Tillitsfullt ledarskap? En genuin experimentkultur? Dessa kulturella ingredienser är åtminstone lika viktiga som kompetensen. De kommer att vara medvinden i ryggen — eller motvinden som bromsar er — när ni bygger upp er kompetens.
2. Se AI som ett verktyg, inte ett resultat. Detta gäller teknik i allmänhet. Tekniker är verktyg — medier — sätt att få saker gjorda. När du tänker på AI på det här sättet slutar du att jaga det för dess egen skull och börjar fråga: "Vilket problem löser det här, och hur ser 'bättre' ut för människorna som berörs?"
3. Publicera era riktlinjer tidigt. Utan tydliga gränser kommer människor att begränsa sig mer än nödvändigt. Det begränsar kreativiteten. Det första vi gjorde efter vår Code Red var att ta fram riktlinjer för AI-användning. Det öppnade för mer experimenterande, inte mindre.
4. Utse en enda ansvarig ledare. Inte en kommitté. Inte en arbetsgrupp som träffas varje månad. En enda person som ansvarar för AI-transformationen och har makten att prioritera och fördela resurser. På Zapier är det jag — och ett tydligt ägarskap tog oss från utspridda experiment till samordnad transformation.
5. Tillämpa ”tre-regeln”. Om teamet gör något manuellt tre gånger automatiserar de det den fjärde gången. Alternativt måste de förklara varför det inte kan eller bör automatiseras. Det skapar en kulturell norm: automatisering är inte något man bara strävar efter — det förväntas. Det bygger också upp förmågan att upptäcka upprepningsbara uppgifter, det första steget mot att utforma arbetet på nytt.

Och en bonus: gör er handlingsplan öppen källkod. Dela med er av det ni lär er. Att öppet och ärligt dela framsteg påskyndar hela området. För AI-transformation hjälper öppen källkod oss alla att lära oss snabbare, tillsammans.

Följ utvecklingen

Du kan följa Brandon Sammuts arbete på LinkedIn. Ta också en titt på Zapiers ramverk för AI-transformation.

Fler expertintervjuer kommer på People Managing People!