Chef för talangförvärv på Thoughtworks delar hur man gör rekrytering till en datadriven och prediktiv process med AI

Carla Catelan är chef för talanganskaffning (Amerika) på Thoughtworks och en erfaren företagsledare. Numera ligger hennes fokus på att använda AI för att göra talanganskaffning till en datadriven och prediktiv process, samtidigt som den förblir människocentrerad.

Vi pratade med Carla för att få en bild av hur hon gör. Här är vad hon hade att säga.

Att omforma ledarskap och talangstrategi

Jag är en senior företagsledare inom talanganskaffning och har över två decenniers erfarenhet av att bygga upp och skala högpresterande rekryteringsorganisationer i hela Amerika.

Under min karriär har jag haft seniora ledarroller i globala teknik- och konsultföretag som Thoughtworks, Cognizant och Hewlett-Packard, där jag lett stora talanganskaffningsteam i flera länder. Tidigare i karriären arbetade jag också som strategisk talangpartner och gav råd till seniora och verkställande ledningar om personalplanering, organisationsdesign och personalstrategi.

Att arbeta i stor skala har präglat min ledarskapsresa — jag har lett team med över 50 rekryterare, ansvarat för 600 till 2 000 anställningar per år och konsekvent levererat rekordresultat inom rekryteringseffektivitet, kandidatupplevelse och organisatorisk tillväxt.

Utöver det grundläggande ledarskapet inom talanganskaffning har jag byggt upp och lett strategiska program för arbetsgivarvarumärket, mångfald och inkludering samt campusrekrytering, inklusive initiativ som väsentligt ökade anställningen av kvinnor och personer med funktionsnedsättning och breddade talangflödena för personer tidigt i karriären i flera länder.

Vid sidan av mina roller inom näringslivet är jag också oberoende rådgivare åt beecrowd, en global plattform för tävlingsprogrammering och teknisk bedömning som används av universitet och teknikföretag för att utvärdera kompetens inom programvaruutveckling i stor skala. I den rollen ger jag råd om ramverk för talangutvärdering, kompetensbedömning och samspelet mellan teknisk spetskompetens och personalstrategi.

Under de senaste åren har mitt arbete i allt högre grad fokuserat på hur AI och datadriven rekrytering omformar ledarskap, talangstrategi och utformningen av högpresterande organisationer i komplexa miljöer med verksamhet i flera länder.

Varför AI förändrar mer än bara teknik

Med AI utvecklades min roll som ledare inom talanganskaffning från att främst fokusera på genomförande till att utforma strategiska talangsystem som använder AI för att förändra hur organisationer attraherar, bedömer och engagerar talanger. Denna förändring är inte bara teknisk — den omformar ledarskapets ansvarsområden, organisationsdesignen och relationen mellan människor och data.

Talanganskaffning är traditionellt transaktionell, men denna omvandling gör den datadriven och prediktiv. I stället för att förlita oss på manuell granskning och historiska genomsnitt använder vi nu AI-baserade lärandeagenter och prediktiva modeller som analyserar stora datamängder för att identifiera framgångsmönster och rekommendera kandidater med högre precision.

Genom att lära sig av historiska data hanterar dessa system de repetitiva uppgifterna, så att teamen kan återgå till det de gör bäst: att bygga relationer och fatta strategiska beslut.

I grunden handlar ledarskap i en AI-först-era om att utforma beslutsarkitekturer: att skapa system där människor, data och AI samarbetar för att ge bättre resultat. Det innebär att bygga upp etisk styrning, tydliga mätetal och integrerade återkopplingsloopar som gör det möjligt för organisationer att förutse behov, minska snedvridning i urvalet och anpassa arbetsstyrkans kapacitet till långsiktiga strategiska mål.

Hur AI förändrar HR-arbetsflöden och beslutsfattande

När vi gör om ett arbetsflöde med AI vägleds vi av en tydlig princip: AI tar bort manuellt arbete, strukturerar kvantitativa signaler och synliggör insikter, medan människor fortsatt ansvarar för kvalitativa bedömningar och slutliga beslut.

Här är några exempel på förändringar vi har genomfört:

1. Analys av enkäter och organisatoriska återkopplingsloopar

En av AI:s mest effektiva tillämpningar har varit att analysera stora mängder enkätdata. Med hjälp av flera anpassade Gemini-modeller bearbetar vi svar på enkäter i fritext för att identifiera återkommande teman, sentimentmönster och nya risker i olika team och regioner.

I stället för att förlita oss på manuell taggning eller anekdotisk tolkning gör AI det möjligt för oss att parametrera återkoppling i stor skala och omvandla kvalitativa synpunkter till strukturerade signaler som visar var insatser behövs mest. Detta har avsevärt förbättrat hastigheten, konsekvensen och objektiviteten i planeringen av organisationsförbättringar.

2. Interna arbetsflöden och avveckling av manuella processer

Vi har också tillämpat AI på interna arbetsflöden för att minska manuellt och repetitivt arbete. AI sorterar förfrågningar, strukturerar oformaterad information och stöder förberedelser inför beslut i interna processer.

Detta har på ett betydande sätt minskat den operativa arbetsbördan, vilket har gjort det möjligt för teamen att fokusera på arbete med högre värde, såsom strategisk problemlösning, intressentdialog och kontinuerliga förbättringar i stället för administrativt genomförande.

3. Prestations- och utvärderingsprocesser

I interna utvärderings- och prestationsprocesser spelar AI en avgörande roll när det gäller att hantera den kvantitativa sidan av analysen. AI söker efter, sammanställer och korsrefererar strukturerade datapunkter över tid, vilket säkerställer att utvärderingar bygger på longitudinella belägg i stället för aktualitet eller isolerade händelser.

Detta gör det möjligt för ledare att fokusera på de kvalitativa delarna av utvärderingen — omdöme, sammanhang, utvecklingssamtal och framtida potential — i stället för datainsamling. Resultatet har blivit mer disciplinerade, rättvisa och evidensbaserade bedömningar.

4. Kunskapsdelning och samordning

Vi använder NotebookLM som ett gemensamt kunskapslager för att dokumentera processer, beslut och återkommande teman, vilket säkerställer snabb och säker åtkomst till organisatorisk kunskap. Vi delar transparent den information som samlas in i detta system när det är lämpligt, vilket förbättrar samordningen, minskar risken för feltolkningar och skapar en gemensam faktabaserad grund mellan teamen.

5. Strategi, beslutsfattande och organisationsdesign

På strategisk nivå stöder AI hur vi hanterar osäkerhet, prioriteringar och avvägningar. I stället för att föreskriva beslut hjälper AI till att synliggöra mönster, kvantifiera tvetydighet och pröva antaganden — särskilt inom områden som rollutformning, organisatorisk effektivitet och förändringsinitiativ.

Så förbättrar prediktiv analys kvaliteten på rekryteringsbeslut

Inom talangrekrytering var vår genomloppstid redan konsekvent stark, inom intervallet 30 till 35 dagar, så för oss handlade det inte om att förbättra hastigheten. Den verkliga förändringen kom när vi bestämde oss för att omforma trattens kvalitet i stället för processens hastighet.

Först utbildade vi teamet för talangrekrytering i prediktiv analys och segmentering av en kompetensbaserad arbetsstyrka. I stället för att optimera för volym utformade vi om våra modeller för intagning och urval för att förutsäga vilka profiler som med störst sannolikhet skulle lyckas i specifika roller, på specifika marknader och i specifika team. Detta gjorde det möjligt för oss att avsiktligt minska antalet kandidater som gick vidare till varje steg i processen.

Rent praktiskt byggde vi prediktiva instrumentpaneler som kombinerade historiska rekryteringsresultat, prestationsdata och marknadssignaler. Rekryterarna använde sedan dessa modeller för att fokusera enbart på kompetenser med hög sannolikhet att vara relevanta, och gick från kvalitet genom volym till kvalitet genom precision.

Men återigen: AI bör inte ersätta mänskligt omdöme, utan skärpa det. Vi bevarade medvetet en nära mänsklig interaktion i intervjuer, kalibreringsdiskussioner och slutliga beslut. Denna kombination gjorde det möjligt för oss att erbjuda en bättre kandidatupplevelse, mer genomtänkta bedömningar och rättvisare, mer konsekventa beslut.

Så påverkar rollutformning AI-drivna rekryteringsresultat

Innan jag började arbeta med prediktiva modeller underskattade jag hur mycket tvetydiga, inkonsekventa eller uppblåsta arbetsbeskrivningar kunde förvränga rekryteringsresultat och AI-systemets inlärningsbeteende. Med AI avgör kvaliteten på rollutformningen och arbetsbeskrivningen varje efterföljande beslut.

Att genomföra prediktiva analyser av våra historiska rekryteringsdata visade faktiskt på ett tydligt mönster. Variationen i rollbeskrivningar ledde till sämre resultat — ännu mer än låg kandidatkvalitet. Med andra ord gav roller med dåligt specificerade kompetenser, orealistiska krav eller inkonsekventa signaler om senioritet konsekvent lägre konvertering, fler avslag i processens senare skeden och svagare prestationer i ett tidigt skede, oavsett kandidatpoolens styrka.

Detta förändrade vår strategi i grunden. I stället för att behandla arbetsbeskrivningar som statiska indata utformade vi om dem till prediktiva artefakter. Vi använde historiska resultatdata för att skilja krav som korrelerade med framgång från sådana som bara ökade brus och tvetydighet. Med tiden gjorde detta det möjligt för oss att förenkla rollbeskrivningar, ta bort icke-prediktiva krav och fokusera rekryteringen på en mindre uppsättning kompetenser med tydliga signaler.

Varför införandet av AI bör institutionaliseras, inte genomföras som pilotprojekt

Den största skillnaden jag konsekvent ser mellan AI:s löfte och organisatoriska verklighet är inte teknisk, utan organisatorisk och mänsklig. De flesta företag investerar stort i AI-verktyg och förväntar sig förbättringar. Men de behåller samma incitament, samma hierarkiska strukturer och samma låga datakompetens hos ledningen.

Resultatet blir att AI antingen används för lite eller på fel sätt: kraftfulla modeller producerar insikter som man inte litar på, inte förstår eller agerar utifrån.

Vi hanterade denna skillnad genom att institutionalisera införandet av AI i stället för att behandla det som en serie pilotprojekt. Vi etablerade en särskild tvärfunktionell arbetsgrupp med fokus på AI-stödd beslutsutformning inom talangrekrytering.

Arbetsgruppen arbetar utifrån tydliga mål på verksamhetsnivå. Dess två huvudsakliga mål är att öka konverteringsgraden genom hela rekryteringsprocessen med 50 % genom prediktiv segmentering och en ny utformning av beslutsprocesserna, samt att minska antalet intervjutimmar med ytterligare 30 % genom att tidigare i processen sortera bort kandidater med låg sannolikhet att gå vidare. Dessa mål tvingar organisationen att fokusera inte på experimenterande, utan på varaktiga resultatförbättringar på systemnivå.

Utöver mätvärden ansvarar gruppen för att utforma beslutsflöden på nytt innan automatisering införs. Vi kartlägger var kritiska rekryteringsbeslut fattas, vem som äger dem, vilka data som krävs och var mänskligt omdöme måste förbli centralt. Först när beslutsarkitekturen är tydlig introducerar vi AI för att förstärka specifika steg, i stället för att lägga verktyg ovanpå bristfälliga processer.

Vi bygger också in styrning från början. Det omfattar möjligheten för människor att åsidosätta modellen, övervakning av partiskhet och förändringar över tid, tydligt ansvar för modellresultat samt etisk granskning av användningsområden med stor påverkan. Utan detta tenderar AI att skala upp både bra och dåliga beslut samtidigt.

Vad det innebär att vara AI-redo inom HR och talangrekrytering

Vi ser på AI mindre som en uppsättning verktyg och mer som ett tankesätt för beslutsfattande. Att vara AI-redo i vår organisation innebär att konsekvent ställa bättre frågor: vilka signaler är viktiga, var finns osäkerhet och hur kan data ge underlag för mänskligt omdöme?

AI-kompetens byggs genom det dagliga arbetet, inte genom formell utbildning. Teamen lär sig genom att använda AI för att synliggöra mönster, pröva antaganden och strukturera beslut inom undersökningar, utvärderingar och operativa arbetsflöden.

I praktiken märks det i hur vi fattar beslut: mer evidensbaserade diskussioner, tydligare antaganden, bättre dokumentation och ett gemensamt språk för att hantera osäkerhet. AI fattar inte besluten, utan påverkar hur vi tänker innan vi fattar dem.

Carla: en verktygsuppsättning i tre lager

För AI-stött genomförande använder vi flera kategorier av verktyg. För språkförståelse, utformning av tjänster och strukturerat kunskapsstöd använder vi Gemini, en intern AI-agent och NotebookLM, som fungerar som ett säkert internt kunskapslager för att dokumentera processer och ge snabb, styrd åtkomst till institutionell kunskap.

För intervjubaserad analys använder vi BrightHire för att fånga strukturerade intervjusignaler och förbättra kalibreringen samt kvaliteten på återkopplingen.

I vår centrala rekryteringsplattform använder vi Greenhouse AI främst för att sammanfatta bedömningsmatriser och skapa strukturerade sammanställningar av intervjufeedback, samtidigt som vi alltid behåller full mänsklig kontroll över urvalsbesluten.

Varför NotebookLM och ChatGPT är oumbärlig kognitiv infrastruktur

Jag är särskilt fascinerad av två verktyg just nu: NotebookLM och ChatGPT. Jag använder dem i mycket olika sammanhang.

Jag använder ChatGPT uteslutande privat, utanför min företagsmiljö. Det har blivit mitt främsta personliga verktyg för tänkande och lärande. Jag använder det till allt från strukturerat lärande och skrivande till att utforska idéer, planera och reflektera.

Plattformen visar själv att jag tillhör dess främsta användare, vilket speglar hur djupt den har blivit en del av mitt personliga kognitiva arbetsflöde. Den främsta effekten har varit att påskynda mitt lärande, förbättra min tankeklarhet och hjälpa mig att resonera mer stringent kring komplexa ämnen.

I mitt yrkesmässiga sammanhang är jag mest engagerad i NotebookLM. Jag använder det i stor utsträckning för att dokumentera och strukturera mina enskilda möten, följa återkommande teman och upprätthålla en konsekvent, evidensbaserad bild av individers utveckling och prestation över tid.

Jag delar dessa anteckningar och sammanfattningar öppet med personerna jag träffar, vilket gör detta särskilt kraftfullt. Det skapar en gemensam och samordnad dokumentation av förväntningar, återkoppling och åtaganden, och har avsevärt förbättrat tilliten, rättvisan och konsekvensen i prestationsutvärderingen. Det gör att båda parter kan utgå från samma faktabaserade grund i stället för från minnet eller subjektiva tolkningar.

Detta har lett till ett betydligt mer disciplinerat och rättvist förhållningssätt till prestationshantering: bättre uppföljning av utvecklingsåtgärder, färre missförstånd och större samstämmighet mellan chefer och teammedlemmar.

Det jag värdesätter mest med dessa verktyg är att de inte är automatiseringsverktyg, utan kognitiv infrastruktur. När de används på det här sättet ersätter de inte omdömet – de förbättrar kvaliteten, rättvisan och transparensen i hur omdömen tillämpas.

Så kommer talanganskaffning att förändras under de kommande fem åren

Talanganskaffning kommer inte längre främst att mätas utifrån snabbhet eller volym, utan kommer att bli en funktion med fokus på beslutskvalitet. Under de kommande fem åren kommer rollen att utvecklas från att genomföra rekryteringsprocesser till att utforma och styra hur organisationer fattar beslut om talanger under osäkerhet.

AI kommer i allt högre grad att hantera skala, mönsterigenkänning och signalutvinning – från utformning av jobb till matchning mot marknaden – medan talangteamen blir betydligt mer precisa och medvetna i utformningen och genomförandet av urvalsprocesser. Konkurrensfördelen kommer att ligga i tydligare rollbeskrivningar, bättre signalkvalitet genom hela rekryteringstratten och mer konsekventa, evidensbaserade urvalsbeslut.

På branschnivå tror jag att vi kommer att se en tydlig uppdelning: organisationer som ser AI som ett tankesätt integrerat i sin verksamhetsmodell kommer att överträffa dem som ser det som en uppsättning verktyg. Funktionens framtid tillhör team som utformar bättre beslut, inte bara snabbare processer.

Så kan ledare införa AI på ett medvetet sätt inom HR

För personer i roller som min är mitt råd att sluta behandla AI som ett valfritt tillägg och börja se det som en del av arbetssättet för hur arbetet utförs. Det innebär att fokusera på att minska administrativ friktion med AI som ett grundläggande steg. I det här skedet är det motsägelsefullt att stå emot AI: frågan är inte längre om vi ska använda det, utan hur medvetet och ansvarsfullt vi integrerar det i vardagliga beslut och arbetsflöden.

Samtidigt måste vi vara tydliga med vad som bör förbli mänskligt. AI är extremt effektivt på att hantera skala, strukturera information och minska brus. När det används på rätt sätt frigör det människor så att de kan fokusera mer – inte mindre – på det som spelar roll: omdöme, relationer, etik, kreativitet och meningsfull dialog.

I ett bredare perspektiv är mitt råd till ledare att se AI som en kraft som tydliggör prioriteringar. Framgångsrika organisationer använder AI för att ta bort sådant arbete som tekniken utför bättre än människor, och återinvesterar medvetet den tiden och uppmärksamheten i interaktioner mellan människor av högre kvalitet.

I stället för att försvaga ledarskapet skapar AI förutsättningar för ett mer eftertänksamt, fokuserat och mänskligt ledarskap.

Följ med

Du kan följa Carlas arbete med att revolutionera talanganskaffning på LinkedIn.

Fler expertintervjuer kommer på People Managing People!