AI-rekryteringsexpert säger att AI tar bort de svårigheter som skapar mästerskap

David Stepania är företagsledare och seriegrundare. Han är för närvarande vd för ThirstySprout, en marknadsplats som kopplar samman distansbaserade AI-ingenjörstalanger med finansierade amerikanska startupföretag.

Vi satte oss ner med David för att ta reda på hur AI förändrar ledarskap och rekrytering. Här är vad han berättade för oss.

AI skriver om vad det innebär att vara ett högpresterande team

Jag heter David Stepania och är grundare och vd för ThirstySprout, en marknadsplats som kopplar samman distansbaserade AI-ingenjörstalanger — främst från Latinamerika, Östeuropa och Asien — med finansierade amerikanska teknikstartups. Jag har också byggt ChoppingBlock.ai, en plattform för AI-baserad information om löner och jobb, och jag är värd för podden AI Chopping Block.

Jag är seriegrundare för andra gången och har byggt mina företag utan extern finansiering. Ingen riskkapitalfinansiering, inget skyddsnät — varje företag jag har byggt har behövt vara lönsamt för att överleva. Mitt senaste företag tog plats 247 på Inc. 5000-listan 2024, och under min karriär har jag genererat mer än 100 miljoner dollar i intäkter.

Jag driver allting helt på distans från soliga platser runt om i världen, med ett distribuerat team utspritt över fyra kontinenter.

Min ledarskapsresa har varit en enda lång lektion i att åstadkomma mer med mindre. Att bygga utan extern finansiering tvingar fram det. Du kan inte anställa dig ur varje problem, så du blir väldigt bra på hävstångseffekter — processer, system och rätt personer på rätt plats.

Jag tycker att det här AI-ögonblicket är intressant eftersom jag ser det från två håll samtidigt. Internt bygger jag om min egen organisation kring AI som ett lager för genomförande. Externt får jag dussintals finansierade startups som berättar exakt vad de nu vill ha av ingenjörer — och den efterfrågan har förändrats snabbare under de senaste 18 månaderna än under hela det föregående årtiondet. Jag har en förstahandsplats när det gäller att se hur AI skriver om vad "ett högpresterande team" ens innebär.

Hur AI förändrar teamens arbete och beslutsfattande

Jag granskade AI-genererade kandidatlistor när allt förändrades för mig.

Det här hände: Jag bad AI:n att poängsätta en grupp ingenjörer för rollen. Den returnerade rangordningar ungefär där jag hade förväntat mig — men för en kandidat flaggade den något som jag inte hade bett den att leta efter: ingenjören var en nästan perfekt teknisk matchning men befann sig i ett land som inte fanns med på kundens lista över godkända länder för rekrytering.

Sedan gjorde den något som ett verktyg vanligtvis inte gör. Den föreslog en lösning — kandidaten kunde flytta till ett närliggande godkänt land, eller så kunde vi hjälpa honom att etablera uppehållstillstånd i Mexiko — något vi hade gjort för andra ingenjörer tidigare.

Det var ögonblicket. Den utförde inte bara en uppgift. Den resonerade kring min verksamhet som en skarpsinnig person i mitt team skulle ha gjort. Och jag insåg att flaskhalsen i mitt företag hade flyttats.

Varför människan är intelligenslagret och AI är händerna

Alla vill ha "AI-infödda" ingenjörer nu, inte bara personer som använder Cursor. De menar en ingenjör som låter AI sköta kodningen medan de själva tänker — formulerar problemet, utformar arkitekturen och fattar bedömningar.

Min egen roll har förändrats på samma sätt. För två år sedan handlade en stor del av mitt jobb om att fördela arbete — att besluta vem som skulle göra vad och sedan vänta på resultatet. I dag är mitt jobb att definiera problem tillräckligt exakt för att vi ska kunna genomföra lösningar, och en växande del av genomförandet sker via AI i stället för genom ännu en anställning.

Jag brukade anta att jag skulle behöva en CFO på deltid för att få verklig klarhet i vår enhetsekonomi. I stället genomförde jag själv en fullständig finansiell analys på CFO-nivå med hjälp av AI och upptäckte att kategoriseringen av en kostnadspost dolde vår verkliga enhetsekonomi. Det är en analys som jag antingen skulle ha betalat en specialist för eller helt enkelt aldrig ha gjort.

Samma sak gäller juridiken. Jag byggde om hela vårt huvudtjänsteavtal, våra avtal med uppdragstagare och våra avtal om fördelning av partneravgifter. AI tar fram utkast och en jurist granskar. Det vänder på kostnadsstrukturen. Den dyra människan gör nu de sista 10 procenten, inte de första 90.

Och jag har också omformat själva teamet. Vi går från team till enskilda ägare av hela ansvarsområden, där var och en är kraftigt AI-förstärkt. En person äger hela vår programmatisk SEO. En person äger vår community och datainfrastruktur. Varje enhet i organisationen är inte längre ett team — det är en stark person plus AI.

Var AI bör användas — och var det inte bör användas

Jag använder också AI i strategin, beslutsfattandet och organisationsutformningen, men med olika intensitet inom varje område.

• Beslutsfattandet är det djupaste området: jag stresstestar prissättnings-, rekryterings- och förhandlingsstrategier mot min AI-konfiguration innan jag fattar beslut.
• För strategiarbete använder jag det i stor utsträckning för marknadsanalys.
• För organisationsutformning, när jag omstrukturerade företaget kring ägare av enskilda domäner i stället för team, arbetade jag igenom den omformningen med hjälp av AI och modellerade vad varje roll skulle ansvara för och var de verkliga begränsningarna fanns.

Kultur är det område där jag är mest försiktig. Den är i grunden mänsklig eftersom den formas av hur människor behandlas i svåra stunder, och det kan man inte lägga ut på entreprenad. AI hjälper till med förberedelserna. Inför ett svårt samtal om arbetsprestationer tänker jag igenom hur jag kan vara tydlig utan att vara grym och vad personen behöver höra. Men själva samtalet måste jag hålla själv.

AI kan göra mig till en mer förberedd ledare. Det kan inte göra mig mer närvarande. Den delen kan jag inte delegera.

Så kan urvalet göras om med AI

Rekrytering är traditionellt sett ett volymspel: hitta hundra cv:n, skumma igenom dem, skicka vidare trettio och hoppas att några få leder någonstans. Rekryterarnas värde låg i genomströmningen. Men vi byggde om hela urvalsprocessen kring AI.

Först skapade vi ett särskilt Claude-projekt för varje kunduppdrag, med anpassade instruktioner som kodar in den verkliga rekryteringsribban — inte de angivna kraven i arbetsbeskrivningen, utan vad rekryteringsansvarig menar efter att man har pratat med dem.

En arbetsbeskrivning säger ”senior React-utvecklare”. Den verkliga ribban efter ett samtal är ”någon som har levererat en RAG-pipeline i produktion och kan koppla upp telefoniintegrationer”. Den här nyansen finns i arbetsytan.

För det andra laddar vi in kundens intervjuprocess och bedömningsmatris som den yttersta sanningskällan. AI:n gör alltså urvalet utifrån exakt den bedömningsmall som kunden kommer att använda, inte utifrån generell senioritet.

För det tredje får varje kandidat ett betyg från ett till tio på varje obligatorisk dimension, med en skriftlig motivering och uttryckligen markerade luckor. Inte ”bra matchning” — ”frontend: 9, levererat RAG: 8, telefoni: 0, här är varför”.

Vårt resultat förändrades därför helt. Vi slutade skicka vidare trettio cv:n och började skicka tre till fem kandidater som var exakt rätt, var och en med en genomgång som kunden kunde agera utifrån.

Kortlistorna blev betydligt mer träffsäkra, kandidaterna gick längre i intervjuprocesserna och samtalen skiftade från ”Här är några personer” till ”Här är exakt hur var och en motsvarar din bedömningsmall”.

Men den djupare förändringen gällde min teams arbetsuppgifter. AI hanterar nu grovjobbet — att läsa, matcha och göra det första urvalet. Det innebär att varje timme som en människa i mitt team lägger går till den del som AI inte kan göra, som att förstå drivkrafter, bedöma om någon kommer att trivas i en kaotisk startup, bygga relationen och slutföra rekryteringen.

Arbetet försvann inte. Det flyttades uppåt i värdekedjan. Som ledare blev mitt verkliga jobb att se till att teamet förstod den förändringen och tog till sig den, i stället för att känna sig hotade av den.

Varför det är avgörande att göra om processerna när AI införs

David berättar

Den största missuppfattningen är att företag behandlar AI som något man ska lägga till — licenser, ett verktyg, ett toppstyrt påbud att “använda AI” — när man i själva verket behöver göra om verksamheten kring det.

Den största missuppfattningen är att företag behandlar AI som något man ska lägga till — licenser, ett verktyg, ett toppstyrt påbud att "använda AI" — när man i själva verket behöver göra om verksamheten kring det. Det är två helt olika projekt.

Människor missar den här mekanismen. AI förstärker den process man riktar det mot. Om den underliggande processen är bra gör AI den dramatiskt snabbare. Om processen är medioker — och de flesta processer inom de flesta företag är mediokra — låter AI dig bara utföra mediokert arbete snabbare. Du får ingen omvandling. Du får samma förvirring, snabbare.

Jag ser det här från båda sidor av min verksamhet. Internt, när jag granskade vår egen programvarustack, upptäckte jag att vi använde över femtio verktyg, varav en stor del var AI-verktyg som vi hade köpt eftersom vi trodde att själva köpet var transformationen.

Det är att förväxla verktygssprawl med framsteg. Externt ser jag kund efter kund utrusta varje ingenjör med AI-verktyg för kodning, men de har fortfarande svårt att leverera, medan ett fåtal faktiskt rör sig snabbt. Skillnaden handlar aldrig om antalet verktyg, utan om huruvida de har gjort om arbetet.

Hur psykologiska utmaningar påverkar införandet av AI

När jag införde AI i en del av verksamheten gjorde människor sällan öppet motstånd. Motståndet var mer lågmält. Vissa använde det för lite och fortsatte göra saker på det långsamma sättet. Vissa använde det hela tiden men nämnde det inte, nästan som om de skulle bli påkomna med att fuska. Ingen sa ”Jag känner mig hotad av det här”, men deras beteende gjorde det.

Så småningom förstod jag att deras jobb för många människor är deras identitet, och att deras värde är knutet till att vara bra på ett specifikt hantverk. När ett verktyg plötsligt kan göra en stor del av det hantverket, förändrar du inte bara någons arbetsflöde, du utmanar också hur personen ser på sig själv. Det är inte ett utbildningsproblem som du kan lösa med en handledning.

Jag brukade tro att det att leda genom ett teknikskifte innebar att fatta bra beslut om verktyg och processer. Nu tror jag att det verkliga arbetet är att hjälpa människor att omförhandla sitt eget värde — öppet och i trygghet.

Rent konkret innebar det att uttryckligen och upprepade gånger göra det okej att använda AI. Okej att säga ”AI gjorde det mesta av det här utkastet.” Okej att inte längre vara den snabbaste på att skriva eller den bästa researchern i teamet, eftersom det inte är där ditt värde finns nu. Vi var tvungna att undanröja skammen innan införandet kunde ske.

Det som påverkade mig mest personligen var att jag var tvungen att besvara samma fråga för mig själv.

I åratal kunde jag bortförklara långsamma framsteg med ”vi har inte kapaciteten”. Den ursäkten är till stor del borta. Om något inte går framåt nu beror det oftast på att jag inte har definierat det tillräckligt tydligt för att en människa eller en AI ska kunna ta vid. Det är ödmjukande.

Så gör du den oansenliga delen av att införa AI

Så här går jag till väga när jag inför AI.

För det första, en hård regel: Vi automatiserar aldrig en process som vi inte har bevisat manuellt. Just nu genomför vi en kampanj för affärsutveckling, och jag instruerade uttryckligen teamet att först göra den manuellt.

Skicka kontakterna själv, ha samtalen och ta reda på vad som faktiskt fungerar. Först när vi har bevisat en process automatiserar vi den, eftersom automatisering bara skalar upp det du redan har. Automatisera en process du inte förstår, så bygger du ett mycket effektivt sätt att misslyckas.

För det andra ser jag införandet av AI som en fråga om arbetsflöden och omdöme, inte som en inköpsfråga. Vinsten kommer aldrig att vara ”fler verktyg”. Det handlar om färre verktyg, som används på djupet av människor som verkligen har förändrat hur de arbetar. Vi skär ner kraftfullt.

För det tredje har jag ändrat vad vi belönar. AI har gjort rå produktion billig, medan omdöme — att veta vilket problem som ska lösas och upptäcka när AI självsäkert har fel — har blivit det sällsynta och värdefulla.

En organisation som är byggd för den gamla världen belönar de människor som producerar mest. En organisation som är byggd för den här världen måste belöna människor som fattar bra beslut. Det är en verklig förändring i hur man genomför prestationssamtal.

Så bygger du AI-kompetens och beredskap i team

De flesta tror att AI-beredskap innebär verktygsvana — att teamet vet hur man använder AI-produkter. Men det är den minst viktiga delen, och den förändras dessutom var sjätte månad.

AI-beredskap innebär fyra saker:

1. Någon börjar som standard med att fråga ”Borde AI göra det första utkastet av det här?” innan personen gör det för hand.
2. De kan skriva en tydlig brief eftersom vaga indata ger vaga utdata, och att formulera problemet är den verkliga färdigheten.
3. De upptäcker när AI självsäkert har fel.
4. De är öppna med att de använder det.

Omdöme, tydlig kommunikation, verifiering, transparens. Inget av detta är ett verktyg.

Här är stegen för att bygga upp AI-kompetens:

1. Gör det uttryckligen tryggt och förväntat. Människor döljer att de använder AI om de tror att det får dem att framstå som utbytbara, så ledare behöver aktivt normalisera ”AI gjorde det första utkastet” tills skammen är borta. Kompetens kan inte utvecklas i det dolda.
2. Lär ut det inom det verkliga arbetet, inte i ett generiskt seminarium — en rekryterare bygger kompetens genom urval, en person inom efterfrågegenerering genom prospektundersökningar. Det fastnar eftersom det knyts till jobbet.
3. Här är steget som de flesta missar: Sänk kompetenströskeln i stället för att göra alla till experter. Vi bygger gemensam infrastruktur — förbyggda arbetsytor där kontext och instruktioner redan är kodifierade — så att en junior person får resultat på expertnivå utan att vara expert på att skriva instruktioner.

David delar med sig

Att vara AI-redo innebär fyra saker: Personen börjar som standard med att fråga ”Bör AI göra det första utkastet av detta?” innan hen gör det för hand. Personen kan skriva en tydlig arbetsbeskrivning eftersom vaga indata ger vaga resultat, och att formulera problemet är den verkliga färdigheten. Personen upptäcker när AI har fel med stort självförtroende. Personen är öppen med att AI används.

Varför AI-kompetens medför egna problem

Problemen är verkliga. Det största är överdriven tillit.

När människor blir bekväma börjar vissa acceptera AI-resultat okritiskt. En junior person levererar något som är subtilt fel eftersom personens omdöme inom området inte har hunnit ikapp tilliten till verktyget. Det är precis därför du måste bygga in verifiering i hur du definierar ”redo”.

Det andra problemet är svårare, och ingen varnar dig för det: AI lyfter inte alla lika mycket. Dina starkaste personer får snabbt en förstärkningseffekt tillsammans med AI, medan dina svagaste stagnerar. Prestationsgapet i teamet vidgas. Det är ett ledarskapsproblem, och det tvingar fram ärliga samtal som du inte kan undvika.

Varför färre verktyg stärker din programvarustack

Den viktigaste förändringen i min stack i år var att ta bort saker.

Låt mig börja med ryggraden och sedan gå in på förändringen.

Ryggraden är Claude. Det är inte ”ett verktyg” i stacken på samma sätt som de andra, utan det lager som det mesta av det verkliga arbetet går igenom: urval och rangordning av kandidater, finansiell analys, avtalsskrivning, innehåll och strategi.

Jag använder det som en uppsättning dedikerade arbetsytor, en för varje större del av verksamheten, där varje arbetsyta har anpassade instruktioner som kodifierar hur området fungerar. För de mer tekniska, agentbaserade lösningarna använder jag Claude Code.

Min bedömning: det är med bred marginal företagets verktyg med störst hävstångseffekt, och det är inte ens nära.

Runt detta är resten av stacken medvetet tråkig. Google Workspace och Slack för kommunikation, drift och vår communityinfrastruktur. Beehiiv för nyhetsbrevet, Riverside för podden. Deel för konsultavtal och betalningar. Calendly för schemaläggning, Fathom för att fånga möten och samtal, och BetterProposals för kundförslag. Det är det mesta.

Min bedömning av det lagret är enkel: det är stabilt, oansenligt och bör förbli så. Verksamhetslagret i ett företag är inte platsen där man vill ha nyheter.

Nu till den anmärkningsvärda förändringen. Tidigare i år gick jag igenom alla produktprenumerationer. Jag förväntade mig tjugo eller trettio verktyg ... det var över femtio. Den mest talande gruppen var fem olika AI-prenumerationer som i stora drag gjorde överlappande saker. Två separata tidsspårningsverktyg. Tre olika verktyg för publicering på LinkedIn. Fem webbplatsplattformar.

Inget av detta var strategi. Det var resterna av ett år av att säga ja. Varje ”jag ska bara prova det här” som aldrig avslutades. Fem verktyg som används till 10 % förlorar mot ett verktyg som används till 90 %. Därför konsoliderade vi hårt genom att samla AI-verktygen kring Claude som primärt verktyg och välja ett verktyg per uppgift överallt annars, och ta bort resten.

Hur AI kommer att omforma talangmarknaden inom ingenjörsyrket

Här är något intressant som jag ser inom ingenjörsrekrytering. Det är värt att ha i åtanke.

Inom fem år kommer det traditionella ingenjörsjobbet på ingångsnivå i stort sett att försvinna. Inte ”förändras” — försvinna. AI utför nu precis de väldefinierade, okomplicerade kodningsuppgifter under handledning som nyutexaminerade ingenjörer historiskt har anställts för att göra, och den gör det bra och billigt.

Företag bromsar redan juniorrekryteringen. Om fem år kommer detta inte att vara en inbromsning, utan strukturellt.

Du kan inte skapa en senior ingenjör utan junioråren. Senioromdöme — att veta vilken lösning som går sönder i stor skala och att känna igen ett dåligt arkitekturbeslut — lärs inte ut; ingenjörer samlar på sig det genom att göra tusentals små saker och ibland göra fel.

Om du tar bort instegsrollen tar du bort träningsplatsen. Så min verkliga förutsägelse är att branschen om ungefär fem år, efter att juniorrollen försvunnit, drabbas av en brist på senioringenjörer som den själv har skapat. Vi effektiviserar bort steget längst ner på karriärstegen utan att inse att det var så människor tog sig till toppen.

Ingenjörsjobbet på instegsnivå kommer att försvinna — och de företag som överlever årtiondet blir de som kommer på hur de ska skapa senior kompetens, inte bara hitta den. Hela branschen kommer att gå från att hitta människor till att utveckla dem.

Varför ärlighet är avgörande för att navigera i AI-omställningen

Här är mina råd till ledare:

• AI ser ut som ett teknikproblem, så ledare behandlar det som ett sådant — verktyg, budgetar, utbildning. Men det är ett ledarskapsproblem. Programvaran var aldrig den svåra delen. AI tvingar alla i ditt team att omförhandla vad som gör dem värdefulla, och det är skrämmande. Människor kommer inte att säga det högt. Om du leder införandet men inte hanterar rädslan misslyckas införandet. Led den mänskliga omställningen först.
• AI lagar inte en trasig organisation, utan blottlägger den. Det får slarviga processer och otydligt tänkande att gå snabbare och bli mer synliga. Mycket av det verkliga arbetet handlar inte alls om att införa AI, utan om det oglamorösa arbetet med att vara ärlig om hur din organisation fungerar och rätta till det. AI tar bara bort din möjlighet att gömma dig från det.
• Börja nu, i ditt eget verkliga arbete — inte i ett pilotprojekt och inte med något du delegerar. Ledare som inte själva har använt dessa verktyg på djupet i sina svåraste problem kan inte leda någon annan genom detta.

Och en sista sak. Ingen har fått grepp om allt detta, inte heller jag. Den som säljer säkerhet nu säljer något. Den rätta hållningen är inte självförtroende, utan ärlighet, en snabb inlärningstakt och disciplinen att inte lägga ut ledarskapets mänskliga delar på en maskin, oavsett hur bra maskinen blir.

De ledare som lyckas i det här ögonblicket kommer inte att vara de som införde mest AI. Det kommer att vara de som förblev mest ärliga.

Varför ledare måste ge utrymme för att bemästra saker — och kämpa

En sista sak. Vid någon tidpunkt kan ledare behöva sluta tänka på vad AI ger oss och börja tänka på vad det tyst tar ifrån oss.

Varje samtal om AI och ledarskap, inklusive det mesta av detta, fokuserar på vinster. Snabbare, billigare, större hävstångseffekt. Allt det är verkligt. Men det finns en kostnad, och vi bör ärligt sätta ord på den.

Det här är den kostnad jag tänker mest på. Mästerskap — verkligt, djupt omdöme på seniornivå — byggs alltid genom kamp. Du kör fast, sitter med ett svårt problem, provar fel sak tre gånger, och någonstans i den friktionen lär du dig.

AI tar bort friktionen. Det ger dig svaret innan du hinner kämpa dig fram till det. På kort sikt är det en ren fördel eftersom arbetet blir gjort. Men kampen var aldrig bara en ineffektivitet. Den var mekanismen som gjorde människor skickliga. När du tar bort den får du snabbare resultat och, i det tysta, ytligare människor. Vi byter djup mot snabbhet och märker det för det mesta inte.

Jag säger inte det för att sakta ner — det kan du inte, och det bör du inte heller. Jag säger det eftersom det första steget i att hantera en förlust är att sätta ord på den. Om kampen bygger omdöme och AI tar bort kampen, har en ledare nu en ny, tydlig uppgift: att medvetet återinföra den.

Ge människor problem som AI inte kan lösa åt dem. Skydda den produktiva svårigheten även när snabbvägen finns precis där. Se dina medarbetares utveckling som något som nu kräver avsikt, eftersom miljön inte längre kommer att skapa den gratis.

Det är den del jag vill att andra ledare ska fundera över. AI:s uppsida tar hand om sig själv — alla jagar den redan. Kostnaden är subtil; den visar sig flera år senare och drabbar helt och hållet dina medarbetare. Någon i rummet måste uppmärksamma den. Den personen är du. Det är din uppgift nu.

Följ med

Du hittar mer av David Stepania på LinkedIn, X, Instagram, YouTube och stepania.co. Eller kolla in ThirstySprout och Chopping Block.

Fler expertintervjuer kommer på People Managing People!