Kundecase eksempel
AI i rekruttering fra 30 muligheder til fem pilotinitiativer
Manuelt CV-arbejde, spredt kundeviden og uensartede registreringer tog tid fra rekrutteringsvirksomhedens kunder og kandidater. Medarbejderne skulle samle oplysninger fra forskellige systemer, og vigtig viden var ofte knyttet til den enkelte medarbejder. Det gjorde opgaverne langsomme og svære at overtage på tværs.
Vi tog derfor udgangspunkt i de arbejdsgange, der kostede tid eller skabte usikkerhed. Sammen med virksomheden indsnævrede vi cirka 30 muligheder til fem pilotinitiativer med tydelige hypoteser. Målet var at undersøge, hvor automatisering kunne frigøre tid og skabe mere ensartede data, før virksomheden investerede i større løsninger.
Trin 1
Hvor begyndte vi med AI i rekrutteringen?
Vi samlede medarbejdere fra search og udvælgelse, salg, konsulentnetværket og ledelsen. Hver gruppe beskrev konkrete opgaver, hvor der opstod ventetid, gentagelser eller mangelfulde oplysninger. Vi spurgte blandt andet: Hvad skal I registrere flere gange? Hvor leder I efter information? Og hvor påvirker manglende data dialogen med kunden?
Et eksempel var CV-arbejdet. En kandidat kunne have et opdateret CV, en ældre profil i kandidatdatabasen og supplerende oplysninger i en mail. Før kandidaten kunne præsenteres, skulle en medarbejder samle, kontrollere og omformatere materialet.
Trin 2
Hvorfor fokuserede vi på agentisk AI og automatisering?
En intern undersøgelse viste god modenhed i den daglige brug af generativ AI og en positiv indstilling til virksomhedens AI-muligheder. Vi fravalgte derfor grundlæggende AI-uddannelse. I stedet rettede vi indsatsen mod agentisk AI: afgrænsede forløb, der kunne hente oplysninger, bearbejde dem og forberede næste handling i en arbejdsgang.
Medarbejderne fik fortsat opgavenær introduktion til de nye forløb, herunder kontrol af svar, håndtering af undtagelser og godkendelse af ændringer.
Trin 3
Hvordan blev 30 AI-muligheder til fem pilotinitiativer?
Brainstormen gav cirka 30 muligheder med identificerbar forretningsværdi. Vi kategoriserede dem efter kompleksitet og vurderede tidsforbrug, datavariation, integrationsbehov og mulighed for at måle en forbedring. Fem initiativer blev valgt, fordi de omfattede tidskrævende eller komplekse opgaver med stor variation i dataindsamling og analyse.
Hvert initiativ fik en ansvarlig fra forretningen, en hypotese og en afgrænset test. Det gav os fem konkrete muligheder at undersøge og prioritere videre mellem.
Trin 4
Fem AI-piloter med målbare hypoteser
Vi beskrev ambitionen og målingen for hvert initiativ. Tallene er hypoteser, der skal afprøves, og beskriver ikke dokumenterede gevinster.
| Pilotinitiativ | Ambition der skal afprøves |
|---|---|
| 1. Automatisering af CV-arbejde | Fra 20 til 5 minutter pr. kandidat |
| 2. Kompetencer fra beslægtede roller | Tillidsscore fra 6,7 til over 8 |
| 3. CRM og opsøgende salg | 20 % flere kvalificerede møder relativt |
| 4. Intern videnschat med RAG | Brugbar viden inden for adgangsrettighederne |
| 5. Engagement og fastholdelse | 20 % højere fastholdelse relativt |
Hvordan måler vi tid, tillid, salg og fastholdelse?
Tidsmålingen omfattede hele opgaven, også manuelt efterarbejde. Salg blev sammenlignet inden for samme kundesegment og kontaktkanal. Tillid blev målt på kundens oplevelse af rådgivningen, og vi registrerede antal svar, så få vurderinger ikke blev tillagt for stor vægt.
For fastholdelse aftalte vi definitioner på en aktiv kunde og en aktiv konsulent samt en relevant måleperiode. Et mål om 20 % relativt højere retention skal kontrolleres mod udgangspunktet: 70 % bliver til 84 %, mens en baseline over 83,3 % gør målet uopnåeligt. Det er et andet mål end 20 % lavere churn.
Seks spørgsmål holder piloten konkret
For hver pilot undersøgte vi adgangssikkerhed, datasikkerhed, datakvalitet, udviklingsomkostninger, skalerbarhed og integration i de eksisterende systemer. Her er de konkrete valg og kriterier for hvert initiativ.
Automatisering af CV-arbejde
Hypotese: Ved at automatisere indsamling, strukturering og klargøring af kandidatoplysninger vil vi reducere arbejdstiden fra 20 til 5 minutter pr. kandidat.
Sådan måler vi: Vi måler samlet medarbejdertid inklusive kontrol og rettelser samt kvaliteten af den færdige profil.
Se de seks spørgsmål — Automatisering af CV-arbejde
- Hvad undersøger vi?
Kan forskellige CV-formater blive til ensartede profiler uden tab af vigtige oplysninger? Hvor meget kontrol kræves, og kan tidsgevinsten bevares ved flere kandidater? Hvad koster integration og behandling pr. profil?
- Hvem skal mærke forskellen?
Search og udvælgelse.
Medarbejderne skal bruge mindre tid på formatering og registrering og få mere tid til dialog og faglig vurdering.
- Hvad berøres?
Rekrutteringssystemet og kandidatdatabasen, ofte kaldet ATS; dokumentlager; godkendte CV’er og profilskabeloner.
Data: erhvervserfaring, uddannelse, dokumenterede kompetencer, kontaktoplysninger og kildeversion.
- Hvad skal håndteres?
Personoplysninger, forskellige filformater, dubletter og modstridende oplysninger. Vi markerede mangler til kontrol og krævede kildehenvisning. Nye profiler og ændringer krævede medarbejdergodkendelse. Automatiske fravalg af kandidater var uden for piloten.
- Hvad er meningsfuldt?
Én profilskabelon og et afgrænset sæt kandidatoplysninger.
Vi fravalgte historisk oprydning i hele kandidatdatabasen, fuld understøttelse af alle formater og automatisk vurdering eller frasortering af kandidater.
- Hvornår ved vi nok?
Efter 30 repræsentative CV-opgaver, hvis medianen er højst 10 minutter inklusive kontrol, mindst 95 % af de aftalte felter er korrekt gengivet, og ingen kritiske oplysninger er opdigtet eller tabt. Det giver grundlag for næste test mod målet på 5 minutter.
Kompetencer fra beslægtede roller
Hypotese: Ved at analysere relevante kompetencer ud over kundens oprindelige behovsanalyse vil vi kvalificere kandidatpræsentationen og løfte kundens tillidsscore fra 6,7 til over 8 på en skala fra 1 til 10.
Sådan måler vi: Vi måler tillid til rådgivningen efter sælgerens præsentation med samme spørgsmål og skala.
Se de seks spørgsmål — Kompetencer fra beslægtede roller
- Hvad undersøger vi?
Kan analysen finde dokumenterede, relevante kompetencer, som den første behovsbeskrivelse overser? Kan vi adskille faktiske kvalifikationer fra forslag, der skal afklares med kunden?
- Hvem skal mærke forskellen?
Salg.
Sælgeren skal kunne forklare kandidatfeltet bedre og stille mere kvalificerede spørgsmål til kundens behov.
- Hvad berøres?
CRM, kundens behovsbeskrivelse, rolle- og kompetencekatalog samt godkendte kandidatprofiler.
Data: opgaver, krav, branchekontekst, kompetencer og dokumenteret erfaring.
- Hvad skal håndteres?
Forskellen mellem dokumenteret erfaring og antagelser om overførbare kompetencer. Forslag skulle begrundes og kontrolleres for uvedkommende kriterier. Sælgeren afklarede nye behov med kunden; systemet traf ingen ansættelsesbeslutninger.
- Hvad er meningsfuldt?
Én type rekrutteringsopgave og et afgrænset kompetencekatalog.
Vi fravalgte automatisk rangering af kandidater, ændringer af kundekrav uden dialog og løfter om forbedret kvalitet i ansættelser.
- Hvornår ved vi nok?
Efter 10 behovsanalyser, hvis en faglig vurdering finder mindst ét begrundet, brugbart supplement i mindst 7. Kundefeedback indsamles, hvor muligt, med samme tillidsspørgsmål. Materialet skal vise relevans og en brugbar målemetode; en score over 8 skal testes på et større grundlag.
CRM og opsøgende salg
Hypotese: Ved at understøtte konsekvent registrering af kundekontakter og virksomhedsanalyser vil vi forbedre udbyttet af opsøgende salg med 20 %.
Sådan måler vi: Vi definerer udbytte som kvalificerede møder pr. 100 kontaktede virksomheder. Målet er en relativ forbedring, fx fra 10 til 12 møder.
Se de seks spørgsmål — CRM og opsøgende salg
- Hvad undersøger vi?
Kan kontakthistorik og virksomhedsoplysninger registreres mere fuldstændigt og rettidigt? Kan vi undgå dubletter og knytte hver opfølgning til en ansvarlig? Kan datagrundlaget understøtte en fair salgsmåling?
- Hvem skal mærke forskellen?
Salg og ledelse.
Sælgerne skal få bedre overblik over næste handling. Ledelsen skal kunne følge en mere pålidelig salgspipeline.
- Hvad berøres?
CRM, afgrænsede mail- og kalenderdata, mødenoter og godkendte virksomhedsoplysninger.
Data: virksomhed, kontaktperson, kontaktformål, historik, seneste kontakt, næste handling og mødeudfald.
- Hvad skal håndteres?
Ensartede virksomheds- og kontakt-id’er, dubletter, feltejer og registreringsdato. Vi afgrænsede mailadgang og datakilder og krævede godkendelse af nye CRM-oplysninger. Fejlede integrationer skulle kunne genkøres uden dobbeltregistrering.
- Hvad er meningsfuldt?
Ét salgsteam, ét kundesegment og én kontaktkanal i fire uger.
Vi fravalgte automatisk udsendelse, ubegrænset adgang til postkasser, køb af nye kontaktlister og omlægning af hele salgsprocessen.
- Hvornår ved vi nok?
Hvis mindst 90 % af de aftalte kontaktforløb registreres fuldstændigt inden for én arbejdsdag, dubletter udgør højst 2 %, og kvalificerede møder kan sammenlignes med en relevant baseline eller kontrolgruppe. Det er nok til en udvidet salgstest; 20 % salgsforbedring er endnu ikke dokumenteret.
Intern videnschat med RAG
Hypotese: Ved at etablere en intern chat med RAG vil vi gøre viden om kundeengagementer, konsulenter og cases tilgængelig på tværs inden for den enkelte brugers adgangsrettigheder.
Sådan måler vi: Vi måler korrekthed, kildehenvisninger, søgetid og efterlevelse af de aftalte adgangs- og datakrav.
Se de seks spørgsmål — Intern videnschat med RAG
- Hvad undersøger vi?
Kan medarbejderen få et korrekt svar med henvisning til gyldige kilder? Virker adgangen også i søgeindeks, svar og logning? Hvordan håndteres ændrede rettigheder, forældet viden og driftsomkostninger?
- Hvem skal mærke forskellen?
Ledelse, netværksspecialister og salg.
De skal kunne finde relevant viden på tværs uden at få adgang til oplysninger, de ikke må se.
- Hvad berøres?
Dokument- og vidensplatform, udvalgte CRM- og ATS-oplysninger samt virksomhedens login og adgangsstyring.
Data: godkendte cases, engagementer, konsulentprofiler, dokumentrettigheder og kildeversioner.
- Hvad skal håndteres?
Rettigheder i både originalkilder og søgeindeks, sletning, logning og opdatering af viden. Vi kortlagde dataflow, leverandøradgang og aftaler om lagring og brug af data. Test omfattede forsøg på at få chatten til at omgå adgangen eller afsløre fortrolige oplysninger.
- Hvad er meningsfuldt?
En udvalgt dokumentsamling, tre brugerroller og læseadgang.
Vi fravalgte alle virksomhedens dokumenter, ekstern adgang for kunder og konsulenter samt handlinger, der skriver tilbage til systemerne.
- Hvornår ved vi nok?
Når mindst 24 af 30 repræsentative spørgsmål besvares korrekt med gyldige kilder, og resten håndteres uden opdigtede svar. Der må ikke være uautoriseret adgang i de aftalte test. Ændrede rettigheder og sletning skal slå igennem som aftalt. Det er en testgrænse, ikke en garanti mod alle fremtidige fejl.
Engagement og fastholdelse
Hypotese: Ved at sammenholde engagement i vidensplatforme og eksterne engagementplatforme med historisk frafald vil vi finde signaler, der kan understøtte tidligere opfølgning og øge retention med 20 % relativt.
Sådan måler vi: Kunder og konsulenter måles hver for sig over en aftalt periode; pilotens første opgave er at teste signalernes brugbarhed.
Se de seks spørgsmål — Engagement og fastholdelse
- Hvad undersøger vi?
Er der tilstrækkelige historiske data og registrerede frafald? Giver engagement et tidligere og bedre signal end simple regler? Kan kunder og konsulenter kobles korrekt på tværs af de tilladte datakilder?
- Hvem skal mærke forskellen?
Netværksspecialister og konsulentudvikling.
De skal kunne prioritere relationer, der har brug for en personlig opfølgning.
- Hvad berøres?
CRM, konsulentadministration, videns- og læringsplatforme samt eksterne platforme med godkendt dataadgang.
Data: relevante aktivitetsdatoer, deltagelse, relationens varighed, opfølgninger og faktisk frafald.
- Hvad skal håndteres?
Adgang til og formål med engagementdata, identitetskobling, manglende data og forskelle mellem grupper. Vi adskilte kunder og konsulenter og brugte historiske testperioder uden fremtidsdata. Lav aktivitet måtte ikke automatisk udløse en negativ vurdering.
- Hvad er meningsfuldt?
En datatest for kunder og konsulenter hver for sig samt manuel vurdering af opfølgningsforslag.
Vi fravalgte automatisk kontakt, individuel scoring ved utilstrækkelige data og et løfte om dokumenteret retentioneffekt i en kort pilot.
- Hvornår ved vi nok?
Når en senere historisk testperiode viser flere reelle frafald blandt de udpegede relationer end en simpel inaktivitetsregel ved samme antal opfølgninger. Mindst 7 af 10 gennemgåede forslag skal give mening for relationsejeren. Er data eller frafald for få, er beslutningen at forbedre registreringen først.
Den ansvarlige fra forretningen definerede, hvad et brugbart resultat var, og udvalgte repræsentative testopgaver. System- og dataansvarlige afklarede adgang, integration og databehandling. Vi samlede tid, kvalitet, fejl og omkostninger i samme evaluering, så en hurtig løsning ikke blev godkendt på bekostning af datakvaliteten.
Før brug af personoplysninger indgik afklaring af behandlingsgrundlag, opbevaring, leverandøraftaler og behov for yderligere risikovurdering. Adgang og dataflow skulle afprøves særskilt, også for den interne videnschat.
Trin 5
Hvordan afprøvede vi automatiseringerne i hverdagen?
Vi lagde først en rækkefølge for afprøvningen. CV-arbejdet og kontaktregistreringen gav mulighed for tidlig måling af tid og datakvalitet. Kompetenceanalysen og videnschatten blev afgrænset til udvalgt materiale. For fastholdelse begyndte vi med at undersøge, om datagrundlaget overhovedet kunne bære en analyse.
Forløbene blev først prøvet på godkendte testdata. Derefter indgik de i et begrænset antal arbejdsopgaver med medarbejderkontrol. Vi registrerede også afbrudte forløb, fejl og efterarbejde, så målingen omfattede den reelle belastning i hverdagen.
CV til kandidatprofil
Systemet hentede et godkendt CV, foreslog indhold til den fælles profilskabelon og markerede manglende eller modstridende oplysninger. Medarbejderen kontrollerede materialet og godkendte, før profilen blev gemt.
Kundedialog til næste handling
Efter en kundedialog foreslog systemet CRM-felter og næste opfølgning ud fra godkendte noter. Sælgeren rettede og godkendte. Vi målte fuldstændighed, rettidighed og tiden til registrering.
Spørgsmål til intern viden
En medarbejder spurgte efter en relevant case. Chatten skulle finde materiale inden for brugerens rettigheder og vise kilden. Hvis materialet ikke gav grundlag for et svar, skulle den sige det tydeligt.
Trin 6
Hvornår er en AI-pilot klar til næste skridt?
Ved evalueringen samlede vi fem typer evidens for hvert initiativ: kvaliteten af resultatet, den samlede arbejdstid, medarbejdernes anvendelse, håndtering af data og adgang samt forventede omkostninger. Vi medregnede integration, drift, vedligehold og menneskelig kontrol.
Beslutningen fulgte tre muligheder: Fortsæt, når testkriterierne er opfyldt og økonomien giver mening. Tilpas, når løsningen viser potentiale, men kræver bedre data eller en smallere opgave. Stop eller udskyd, når værdien er for lille, datagrundlaget er utilstrækkeligt, eller kritiske forhold ikke kan håndteres.
En tidsbesparelse blev behandlet som frigjort kapacitet. Forretningen skulle beslutte, hvordan tiden kunne bruges på flere kandidater, bedre kundedialog eller andre prioriterede opgaver. Den blev først regnet som en økonomisk besparelse, når der var et konkret grundlag for det.
Hvert initiativ, der skulle videre, fik en ansvarlig, et afgrænset budget og en plan for den næste måling. CV-piloten skulle nærme sig 5 minutter uden kvalitetstab. Salg og kundetillid krævede et større sammenligneligt datagrundlag. Fastholdelse krævede en længere periode med konkrete opfølgningsindsatser. Videnschatten skulle udvides gradvist med gentagne adgangs- og kvalitetstests.
På den måde knyttede vi den næste investering til det, piloten faktisk kunne vise, og til den usikkerhed, næste fase skulle afklare.
Spørgsmål og svar om AI-pilotprojekter i rekruttering
Hvordan kan AI automatisere CV-arbejde i et rekrutteringsfirma?
I casen var opgaven at samle godkendte kandidatoplysninger, strukturere dem i en fælles profilskabelon og markere mangler til kontrol. En medarbejder skulle godkende profilen. Hypotesen var at reducere arbejdstiden fra 20 til 5 minutter pr. kandidat inklusive kontrol og rettelser.
Hvorfor valgte vi fem AI-piloter frem for alle 30 muligheder?
Vi prioriterede opgaver med et stort tidsforbrug og varierende datakvalitet, hvor en afgrænset test kunne give et brugbart beslutningsgrundlag. De fem initiativer blev undersøgt hver for sig og i en aftalt rækkefølge. De øvrige muligheder kunne vurderes senere.
Skal medarbejderne på et AI-kursus før et pilotprojekt?
I denne case viste en intern undersøgelse god modenhed i den daglige brug af generativ AI. Vi fravalgte derfor grundlæggende uddannelse og gav i stedet opgavenær introduktion til de nye arbejdsgange, kontrol af svar og håndtering af undtagelser.
Hvordan testede vi datasikkerhed i den interne RAG-chat?
Vi afgrænsede kilderne og testede tre brugerroller. Adgangen skulle gælde både i kilderne, søgeindekset og svarene. Vi testede også ændrede rettigheder, sletning og forsøg på at fremkalde fortrolige oplysninger. RAG blev ikke i sig selv betragtet som dokumentation for sikkerhed.
Kan en kort AI-pilot bevise 20 % bedre salg eller fastholdelse?
De mål kræver et større eller længerevarende sammenligningsgrundlag. Salgspiloten skulle først vise mere pålidelige kontaktdata og en brugbar målemetode. Fastholdelsespiloten skulle vise, om engagement gav bedre signaler om frafald end en simpel inaktivitetsregel. De 20 % var langsigtede hypoteser.
Hvilke systemer indgik i rekrutteringscasens AI-piloter?
De afgrænsede test omfattede funktioner i rekrutteringssystemet og kandidatdatabasen, CRM, dokumentlager, mail og kalender samt videns- og engagementplatforme. Kun godkendte kilder og nødvendige felter indgik. Leverandørvalg og fuld integration blev ikke gjort til et mål for piloten.