En senior skyarkitekt er ikke en CV med noen sertifiseringer. Rollen krever teknisk tyngde, erfaring med komplekse miljøer, evne til å påvirke beslutninger og et verdisyn som fungerer i selskapet som ansetter. Likevel behandles slike prosesser ofte som et søk i en database etter nøkkelord. Denne case studyen om AI-rekruttering i teknologi viser hva som skjer når teknologien brukes til mer enn å fylle en pipeline – og når kandidaten får innsyn i hvordan vurderingen faktisk er gjort.

Casen er sammensatt og representativ for rekruttering av senior spesialistkompetanse innen teknologi, IT og engineering. Den bygger ikke på et løfte om at AI alene løser rekruttering. Den viser derimot hvordan bedre datagrunnlag, tydelig menneskelig ansvar og dokumentasjon kan gi en vesentlig annen prosess enn den tradisjonelle.

Utgangspunktet: En rolle der feil blir dyrt

Et vekstselskap skulle ansette en senior arkitekt til et miljø med skyplattform, sikkerhet og modernisering av eldre systemer. Stillingen var strategisk. Den nye personen skulle både ta tekniske veivalg, samarbeide med kundeorienterte team og skape tillit hos utviklere som allerede var slitne av hyppige endringer.

Den vanlige rekrutteringsoppskriften ville startet med stillingsannonse, egne nettverk og manuell gjennomgang av innkomne søknader. Problemet er at de mest relevante fagpersonene ofte ikke søker. De vurderer muligheter selektivt, og de sier nei raskt hvis henvendelsen er generell, rollen er uklar eller arbeidsgiveren ikke fremstår som et godt valg.

Oppdragsgiverens reelle behov var derfor ikke flest mulig kandidater. Det var et presist beslutningsgrunnlag: Hvem har relevant erfaring, hvem kan lykkes i akkurat dette miljøet, og hvem bør kontaktes på en måte som respekterer deres tid?

Case study: AI-rekruttering i teknologi fra krav til kontakt

Prosessen begynte ikke med søk. Den begynte med å skille mellom det som var nødvendig og det som bare var kjent. Mange kravspesifikasjoner er en blanding av reelle behov, ønskeliste og kompetanse fra personen som sluttet. AI kan ikke rydde opp i et uklart mandat på egen hånd. Det krever faglig utfordring av oppdragsgiver.

Sammen ble kravene prioritert i tre lag: tekniske kapabiliteter, dokumentert erfaring i sammenlignbare situasjoner og faktorer knyttet til samarbeid, verdier og arbeidsform. For denne rollen var erfaring med sikker skyarkitektur viktig. Like viktig var evnen til å forklare tekniske valg til mennesker uten samme fagbakgrunn. Det første er lett å se i en profil. Det andre må undersøkes mer grundig.

Deretter ble AI brukt til å identifisere relevante fagpersoner på tvers av aktuelle plattformer og datakilder. Teknologien vurderte ikke bare titler som «cloud architect» eller «lead engineer». Den lette etter mønstre i erfaring, teknologistack, ansvarsnivå, prosjektkontekst og utvikling over tid.

Det er en vesentlig forskjell. To kandidater kan ha samme sertifisering, men helt ulik erfaring med å sette retning i et komplekst miljø. En modell som bare teller nøkkelord, gjentar gamle feil raskere. En modell som er satt opp for semantisk matching, kan løfte frem relevante sammenhenger som en manuell førsteutvelgelse lett overser.

Matchen måtte kunne forklares

AI identifiserte en gruppe med høy faglig relevans. Men en høy score var aldri en beslutning. Den var et startpunkt for kvalifisert vurdering.

For hver aktuell person ble matchen gjennomgått med et enkelt, men krevende spørsmål: Hva er det konkret i dataene som gjør denne kandidaten relevant? I dette tilfellet kunne begrunnelsen blant annet være erfaring med overgang fra on-premise til sky, ansvar for sikkerhetsarkitektur og tidligere arbeid i tverrfaglige produktteam. Der dataene ikke sa nok, ble det ikke fylt inn med antakelser.

Dette er skillet mellom automatisering og ansvar. Teknologien gjør det mulig å arbeide bredere og mer presist. Mennesker må fortsatt vurdere kontekst, stille oppfølgingsspørsmål og være villige til å si at en kandidat ikke passer, selv om profilen ser imponerende ut på papiret.

Kandidaten fikk se prosessen fra sin side

Tradisjonell rekruttering er ofte en svart boks for kandidaten. Du blir kontaktet. Du vet ikke hvorfor. Du vet ikke hvilke opplysninger som er brukt. Og dersom prosessen stopper, får du sjelden en forklaring som har reell verdi.

Her fikk kandidatene innsyn i hvordan de var blitt identifisert, hvorfor AI vurderte dem som relevante og hvilke data som lå til grunn for vurderingen. De kunne selv avgjøre om de ønsket å gå videre.

Dette er ikke bare en bedre kandidatopplevelse. Det skjerper kvaliteten i selve prosessen. Når en anbefaling må tåle å bli sett av personen den gjelder, forsvinner rommet for vage påstander og skjulte snarveier. Kontakt blir en invitasjon basert på konkret relevans, ikke en masseutsendelse med et fornavn satt inn øverst.

I casen førte dialogen til at flere kandidater avklarte premisser tidlig: forventninger til faglig mandat, fleksibilitet, teamstruktur og hvilke beslutninger rollen faktisk skulle eie. Én teknisk sterk kandidat valgte å ikke gå videre fordi selskapets modenhet og tempo ikke var riktig. Det var et godt utfall. En prosess som avdekker feil match tidlig, beskytter både kandidaten og virksomheten.

Compliance er en del av kvaliteten

AI i rekruttering handler også om makt. Arbeidsgiveren har definisjonsmakt over rollen. Rekruttereren har påvirkning på hvem som blir synlig. Algoritmen kan forsterke denne skjevheten hvis ingen stiller krav til data, forklarbarhet og kontroll.

Derfor må AI-systemer i rekruttering brukes med tydelig styring. Det innebærer blant annet et avgrenset formål, relevante data, dokumenterte vurderinger, menneskelig tilsyn og en prosess som kan forklares. EUs AI Act setter en ny standard for hvordan høyrisiko AI skal håndteres. For rekruttering er dette ikke et juridisk tillegg på slutten. Det må være designpremiss fra starten.

For oppdragsgiver innebar det at vurderingskriteriene ble dokumentert, at beslutninger ikke ble overlatt til modellen og at det var mulig å ettergå hvorfor en kandidat var prioritert. For kandidaten innebar det større innsyn og en reell mulighet til å ta stilling til egen deltakelse.

Det finnes ingen seriøs snarvei her. En AI-løsning er ikke ansvarlig bare fordi leverandøren sier det. Virksomheten må kunne svare på hvilke data som benyttes, hvilke vurderinger som gjøres, hvem som har ansvar og hvordan en kandidat kan få forklaring. Mandag.ai har implementert EUs AI Act nettopp fordi tillit må være synlig i prosessen, ikke bare omtalt i salgsmaterialet.

Hva som faktisk endret seg

Den mest synlige effekten i casen var ikke at prosessen ble «automatisk». Den ble mer disiplinert. Oppdragsgiver måtte definere behovet skarpere. Rekrutteringsteamet kunne prioritere relevante profiler raskere. Kandidatene fikk en henvendelse med substans og innsikt i hvorfor den kom.

Det ga bedre samtaler i første intervju. I stedet for å bruke tid på å kontrollere helt grunnleggende fakta, kunne partene diskutere teknisk retning, påvirkningskraft, arbeidsform og gjensidige forventninger. Slik bør verdifull intervjuetid brukes.

Samtidig synliggjorde prosessen en begrensning som mange overser. AI kan identifisere sannsynlig relevans, men kan ikke fastslå motivasjon, integritet eller kvaliteten på samarbeidet i et konkret team. Den kan heller ikke avgjøre hva en kandidat skal prioritere i livet sitt. Det er menneskelige vurderinger som må eies av menneskene i prosessen.

Når AI ikke er nok – og når det er nødvendig

For en enkel rolle med mange kvalifiserte søkere kan et avansert AI-søk være mer enn det som trengs. Et godt strukturert søknadsløp og ryddig oppfølging kan være nok. Men når virksomheten skal ansette sjelden kompetanse, når konkurransen er hard og feilansettelser får store konsekvenser, blir presisjon avgjørende.

AI er spesielt verdifull når det er nødvendig å se forbi åpenbare titler og nettverk. En erfaren teknolog kan ha en uvanlig karrierevei, en annen jobbtittel eller kompetanse som er bygget i prosjekter snarere enn gjennom formelle sertifiseringer. Det er ofte der de interessante kandidatene befinner seg.

Men teknologien må brukes med et klart prinsipp: Den skal utvide blikket, ikke snevre det inn. Den skal gjøre vurderinger mer etterprøvbare, ikke mer uforståelige. Og den skal gi kandidatene større handlingsrom, ikke mindre.

Den riktige rekrutteringsprosessen er ikke den som gjør mennesker til datapunkter. Det er den som bruker data godt nok til at menneskene kan ta bedre valg – med åpne kort, tydelig ansvar og respekt for at begge parter har noe å velge.