En senior utvikler, sikkerhetsarkitekt eller automasjonsingeniør sitter sjelden og venter på en stillingsannonse. De beste kandidatene er ofte i jobb, har begrenset tid og forventer at henvendelsen er relevant. Derfor handler AI sourcing versus LinkedIn Recruiter ikke om å velge den mest moderne løsningen på papiret. Det handler om hvem som faktisk finner de riktige menneskene, kan forklare hvorfor de er relevante, og skaper en prosess kandidatene ønsker å være en del av.

LinkedIn Recruiter har lenge vært standardverktøyet for proaktiv rekruttering. Det er fortsatt et sterkt verktøy. Men et sterkt søk i én database er ikke det samme som en helhetlig sourcingstrategi. Når konkurransen om teknologisk og ingeniørfaglig kompetanse er høy, er det forskjellen som avgjør.

AI sourcing versus LinkedIn Recruiter: Den reelle forskjellen

LinkedIn Recruiter er først og fremst en søke- og kontaktplattform. Rekruttereren definerer kriterier, filtrerer på blant annet tittel, lokasjon, kompetanse og erfaring, vurderer profiler og sender meldinger. Resultatet avhenger i stor grad av hvor presist rekruttereren søker, hvor oppdaterte profilene er, og hvor godt vedkommende tolker erfaring som ikke passer rent inn i filtrene.

AI sourcing tar utgangspunkt i et bredere spørsmål: Hvilke mennesker har sannsynligvis kompetansen, erfaringen og motivasjonen rollen trenger, også når profilen deres ikke bruker de samme ordene som stillingsbeskrivelsen? Teknologien kan analysere signaler på tvers av relevante kilder, forstå nærliggende ferdigheter og prioritere kandidater etter sannsynlig match.

Dette betyr ikke at AI gjør rekruttereren overflødig. Tvert imot. AI fjerner deler av det manuelle søket, slik at faglig vurdering, dialog og kvalitetssikring får mer plass. Den menneskelige rekruttereren må fortsatt forstå forskjellen mellom en utvikler som kjenner et rammeverk, og en som har hatt ansvar for kritisk arkitektur i produksjon.

LinkedIn Recruiter er best når søket er tydelig og markedet er synlig

For roller med kjente titler, tydelige krav og et stort antall aktive LinkedIn-profiler kan LinkedIn Recruiter være svært effektivt. En erfaren rekrutterer kan raskt bygge en relevant longlist, se nettverk og karrierehistorikk, og teste responsen i markedet. Plattformen gir også et felles arbeidsrom for sourcing og kontaktarbeid.

Det er særlig nyttig når oppdraget er avgrenset: en bestemt rolle i en bestemt by, med et konkret teknologistack og kort tidshorisont. Da kan presise filtre gi et godt første utvalg.

Begrensningen oppstår når stillingstitler skjuler mer enn de forklarer. En «software engineer» kan være spesialist på skyinfrastruktur, frontend, data engineering eller embedded systemer. En erfaren kandidat kan ha en ufullstendig profil, bruke eldre titler eller bevisst holde karriereinformasjonen begrenset. Et tradisjonelt søk risikerer da å prioritere dem som er best til å skrive LinkedIn-profil, ikke dem som er best kvalifisert.

AI sourcing finner mønstre som nøkkelord ikke ser

God AI sourcing går lenger enn å legge KI over et eksisterende boolsk søk. Den tolker relasjoner mellom kompetanser, erfaringer og rollekrav. Hvis virksomheten trenger en plattformingeniør med erfaring fra komplekse skyløsninger, kan systemet identifisere relevant bakgrunn selv når kandidaten ikke har brukt akkurat den etterspurte tittelen.

Dette har stor verdi i spesialistroller der kompetanse utvikler seg raskere enn stillingstitlene. Det kan også redusere risikoen for at rekrutteringen blir for snever. Når alle søk starter med de samme titlene, de samme selskapene og de samme nøkkelordene, blir kandidatfeltet ofte forutsigbart. Ikke nødvendigvis godt.

Samtidig er bredde ikke en kvalitet i seg selv. En AI-modell som leverer mange navn uten å forklare prioriteringen, skaper bare mer arbeid. Den riktige løsningen må kunne vise hvilke ferdigheter, erfaringer og kriterier som ligger bak matchen. Ellers flyttes magefølelsen bare fra rekruttererens hode til en svart boks.

Kandidatopplevelsen er en del av treffsikkerheten

En kandidat vurderer ikke bare rollen. De vurderer avsenderen, prosessen og respekten de blir møtt med. En generisk LinkedIn-melding med feil navn eller vag begrunnelse kan lukke døren til en ellers ideell kandidat. Det samme gjelder en AI-generert henvendelse som høres effektiv ut, men mangler faktisk innsikt.

Her er transparens avgjørende. Kandidaten bør kunne forstå hvordan de ble identifisert, hvorfor erfaringen deres er relevant, og hvilke data som er brukt i vurderingen. Det er ikke bare et etisk spørsmål. Det gir bedre dialog, høyere tillit og et mer presist beslutningsgrunnlag på begge sider.

Mandag.ai er bygget rundt dette prinsippet: Kandidaten får fullt innsyn i egen prosess og velger selv om de vil gå videre. Når AI brukes til å identifisere en match, må teknologien kunne forklares for mennesket som faktisk berøres av den.

Data, personvern og AI Act skiller seriøse aktører fra resten

Det er lett å snakke om AI som fart. Det vanskeligere spørsmålet er om prosessen er lovlig, rettferdig og dokumenterbar. Rekruttering handler om mennesker, og beslutningene kan få stor betydning for karriere og inntekt. Derfor holder det ikke å kjøpe et verktøy og anta at compliance følger med.

Virksomheter må vite hvilke data som brukes, hvor dataene kommer fra, hvordan kandidater vurderes, og hvordan menneskelig kontroll utøves. De må også kunne oppdage og håndtere skjevheter. En modell som lærer av historiske ansettelser, kan forsterke gamle mønstre dersom den ikke styres og testes riktig.

EUs AI Act gjør disse spørsmålene mer konkrete. For norske virksomheter som rekrutterer i eller mot det europeiske markedet, vil dokumentasjon, risikostyring og tydelige roller bli stadig viktigere. AI i rekruttering skal ikke være mystikk. Den skal være etterprøvbar.

LinkedIn Recruiter fritar heller ikke virksomheten fra dette ansvaret. Manuelle vurderinger kan også være inkonsekvente, diskriminerende eller svakt dokumentert. Forskjellen ligger i om prosessen er designet for innsikt og ansvarlighet fra start.

Hva gir best resultat for tekniske roller?

Det avhenger av oppdraget. LinkedIn Recruiter kan være riktig når dere har et tydelig definert behov, et tilgjengelig kandidatmarked og intern kapasitet til å gjøre grundig research og oppfølging. Det er et nyttig verktøy i hendene på mennesker som vet hva de leter etter.

AI sourcing er sterkest når markedet er fragmentert, kompetansekravene er komplekse eller rollen krever at man ser forbi standardtitler. Det gjelder ofte innen teknologi, IT og engineering. Da kan AI raskt kartlegge et bredere og mer relevant kandidatlandskap, mens fagfolk bruker tiden på det som ikke kan automatiseres: å utfordre kravprofilen, vurdere kontekst og bygge tillit.

Det beste utfallet er sjelden et valg mellom teknologi og mennesker. Det er en prosess der teknologien gjør søket bredere, raskere og mer dokumenterbart, mens menneskelig ekspertise sikrer at matchen faktisk gir mening. En kandidat er ikke en samling nøkkelord. En ansettelse er ikke et treff i en database.

Velg en metode som tåler å bli forklart

Når dere vurderer sourcingmetode, bør dere stille tre enkle spørsmål: Finner vi kompetanse vi ellers ville oversett? Kan vi forklare hvorfor hver kandidat ble prioritert? Og vil en god kandidat oppleve kontakten som relevant og respektfull?

Hvis svaret ikke er tydelig, er ikke prosessen moderne nok, uansett hvor avansert verktøyet ser ut. Fremtidens rekruttering avgjøres ikke av hvem som sender flest meldinger. Den avgjøres av hvem som bygger den mest presise, transparente og menneskelige veien til riktig match.