Tradisjonell rekruttering har lenge vært preget av lineære prosesser og subjektive vurderinger. I en verden hvor kompetanse er den viktigste innsatsfaktoren, er ikke dette lenger bærekraftig. Ved å applisere prinsipper fra Lean Software Development og Eric Ries‘ Build-Measure-Learn-modell, kan vi flytte rekruttering fra en administrativ funksjon til en iterativ, datadrevet strategi.

Det teoretiske fundamentet: Hvorfor rekruttering trenger Lean-prinsipper

Innen moderne produktutvikling har “fossefallsmetoden” – hvor man planlegger alt i detalj før man bygger – for lengst blitt erstattet av smidige (agile) metoder. Sentralt i dette står Build-Measure-Learn-sløyfen, popularisert av Eric Ries i boken The Lean Startup (2011).

Kjernen i modellen er enkel, men fundamental: I stedet for å basere beslutninger på antakelser, bygger man en hypotese (Build), tester den i markedet for å samle data (Measure), og bruker innsikten til å validere eller justere kursen (Learn).

Hvorfor er dette relevant for rekruttering? Fordi en ansettelsesprosess i bunn og grunn er en beslutningsprosess under usikkerhet. Tradisjonell rekruttering (“Post and Pray”) antar at vi vet nøyaktig hva vi trenger, og at markedet vil respondere. Forskning viser imidlertid at denne tilnærmingen ofte fører til feilansettelser og bias, da den mangler mekanismer for kontinuerlig tilbakemelding og justering underveis.

Metodikken i praksis: Rekruttering som en iterativ prosess

Hos Mandag.ai operasjonaliserer vi denne teorien gjennom en strukturert prosess som speiler den vitenskapelige metoden. Vi behandler hvert rekrutteringsoppdrag som et utviklingsprosjekt:

BUILD: Hypotesedrevet strategi (Analyse)

I Lean-terminologi starter man med et Minimum Viable Product (MVP) for å teste en verdihypotese. I rekruttering tilsvarer dette utarbeidelsen av kandidatprofilen og historiefortellingen.

I stedet for å kopiere en gammel stillingsinstruks, bygger vi en hypotese basert på data:

• Hvilken kompetanse mangler faktisk i teamet?
• Hva indikerer markedsdata (anbud, trender, konkurrentanalyse) om fremtidig behov?
• Hvilket budskap vil resonnere med de 95 % av kandidatene som ikke er aktive jobbsøkere?

Dette danner grunnlaget for vår “Build” – en målrettet kampanje og profilering designet for å validere om hypotesen vår treffer markedet.

MEASURE: Datadrevet validering (Rekruttering)

Når strategien er iverksatt, beveger vi oss fra subjektiv synsing til objektive målinger. Ifølge forskning på Agile Recruitment gir datadrevne beslutninger både høyere kvalitet på ansettelser og redusert tidsbruk.

Vi benytter AI-teknologi og strukturerte tester (BigFive) for å samle valide datapunkter:

• Markedsrespons: Treffer budskapet de rette fagmiljøene?
• Objektiv screening: AI-verktøy matcher kandidater mot kravene uten menneskelig bias (implisitt fordomsfullhet).
• Kandidatvalidering: Gjennom strukturerte intervjuer måler vi faktisk kompetanse og kulturell match opp mot hypotesen fra fase 1.

Dette gir oss kvantitative data som enten bekrefter at vi er på rett spor, eller indikerer at vi må justere.

LEARN: Iterasjon og implementering

Det viktigste steget i Build-Measure-Learn er læringen. Hvis dataene viser at vi ikke treffer ønsket profil, foretar vi en “pivot” – en strategisk justering – umiddelbart, fremfor å vente til prosessen har feilet.

Denne læringen tas også med videre inn i organisasjonen etter ansettelse (Evaluering & Implementering). Ved å analysere Quality of Hire og Time-to-Productivity skaper vi en lukket læringssløyfe som gjør neste rekrutteringsprosess enda mer presis.

Strategisk implikasjon: Fra transaksjon til transformasjon

Å benytte en iterativ modell i rekruttering er et brudd med den tradisjonelle transaksjonsbaserte tankegangen. Gevinsten ligger i presisjon og risikoreduksjon.

Empiri fra selskaper som har adoptert smidige rekrutteringsprinsipper viser at man reduserer risikoen for dyre feilansettelser ved å validere kompetansebehovet før og under prosessen, heller enn etter at kontrakten er signert.

Ved å anerkjenne at rekruttering er ferskvare som krever kontinuerlig måling og tilpasning, sikrer vi at organisasjonen ikke bare fyller en stol, men strategisk bygger den kompetansen som kreves for å møte fremtiden.

Klar for mer?

Er du ferdig med å basere viktige ansettelser på magefølelse? Book et møte med oss i dag, så viser vi deg hvordan data, AI og Build-Measure-Learn finner talentene konkurrentene dine går glipp av.

Kontakt meg på andreas@mandag.ai eller 913 45 782 så finner vi et tidspunkt.

Om oss

Mandag.ai representerer neste generasjon rekruttering – det vi kaller Rekruttering 2.0. Vi kombinerer over 30 års erfaring innen teknologi, ledelse og salg med markedsledende AI-verktøy for å endre måten selskaper finner talent på.

Vi leter ikke bare etter ledige hender, men bruker avansert dataanalyse og historiefortelling for å aktivere de 95 % av kandidatene som ikke er på jobbjakt. Som det første selskapet i Norden som opererer i tråd med EUs AI Act, tilbyr vi en fullstendig transparent prosess som sikrer kvalitet, fjerner bias og gjør gode selskaper enda bedre

Kilder og videre lesning:

• Ries, E. (2011). The Lean Startup: How Today’s Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses. Crown Business. (Grunnlaget for Build-Measure-Learn metodikken).
• Poppendieck, M., & Poppendieck, T. (2003). Lean Software Development: An Agile Toolkit. Addison-Wesley. (Om eliminering av “waste” og optimalisering av verdiskapende prosesser).
• Cappelli, P. (2019). “Your Approach to Hiring Is All Wrong.” Harvard Business Review. (Kritikk av tradisjonell rekruttering og argumentasjon for mer datadrevne metoder).
• Gartner Research. Studier på effekt av Agile Recruiting som viser økt produktivitet og redusert kostnad per ansettelse.
• Bildet i artikkelen er lastet ned fra Unsplash – Det er Jakub Żerdzicki som er opphavsmannen.

Denne artikkelen er skrevet med hjelp fra Google Gemini PRO. Jeg har basert den på en presentasjon av vår metode og vår prosess som språkmodellen så har benyttet til å skrive utkast til artikkelen med. Deretter har jeg bedt den om å videreutvikle teksten og tone med ulike prompter. Alt innholdet er i utgangspunktet basert på min originale presentasjon.