# AI-ul în HR nu e ceva pentru Unilever. E ceva pentru IMM-uri

> De la Unilever la IMM-uri: replicarea workflow-urilor enterprise în 4 săptămâni cu 500€/lună

Source: https://www.electe.net/ro/post/l-ai-in-hr-non-roba-da-unilever-roba-da-pmi

Site guide: https://www.electe.net/ro/llms.txt

În fiecare săptămână, vorbind cu companii din Europa, aud aceeași frază:
**„AI-ul în HR e pentru cei mari. Noi nu suntem Unilever.”**

Este un mit costisitor.

Realitatea: aceleași pattern-uri care fac enterprise-urile să economisească milioane astăzi pot fi replicate de o IMM cu **100-500€/lună**, folosind instrumente freemium, puțină automatizare și datele pe care deja le deține.

## **Enterprise vs IMM: diferența e mult mai mică decât pare**

Unilever procesează 250.000 de candidaturi/an cu AI și economisește 1M€.
Un startup de 50 de persoane implementează intern un mini-workflow automatizat și economisește 10–15 ore/săpt. investind 100–200€/lună.

Nu e nevoie de tehnologie enterprise. E nevoie de logică: automatizare, standardizare, predicție.

_(Acestea sunt costurile licențelor software pentru implementare DIY. Setup-ul necesită 20–100 de ore de muncă internă, o singură dată, în funcție de complexitate.)_

## Datele o confirmă

Mastercard a generat 21M$ cu talent marketplace-ul său AI.
Dar și o IMM poate obține o reducere de 75% a timpului de screening cu automatizări Zapier de 20€/lună.
Modelele open source (Random Forest, XGBoost) ating o acuratețe de 85–95% în previziunea fluctuației de personal folosind doar date HRIS.

## Costul de intrare: s-a prăbușit

AI-ul în HR pornește astăzi de la 0€:

- CV parsing → gratuit
- Modele predictive → open source
- Automatizări → Zapier/Make de la 20€/lună
- ATS → freemium

Cu 20–40 de ore de setup intern, o IMM poate construi un sistem care:

- elimină 15–20 ore/săptămână de muncă manuală
- identifică angajații cu risc de plecare înainte ca aceștia să plece
- accelerează time-to-hire cu 40–60%

_Complexitatea scade. Oportunitățile cresc._

## 📊 Caz real: IMM producătoare din Lombardia (120 de angajați)

Un model predictiv DIY a identificat 3 angajați cu risc ridicat care nu erau pe radarul HR. Intervenind asupra a 2 dintre ei, compania a evitat 90k€ costuri de fluctuație de personal. Investiție totală anul 1: 5.000€. ROI: 1.700%.

Setup concret (3 săptămâni):

- Export istoric HRIS (3 ani): OverTime, Salary, LastPromotion, Satisfaction survey, Exit data
- Antrenare model Random Forest pe 180 de plecări trecute + 300 de angajați activi
- Variabilele cele mai predictive identificate: OverTime >12h/săptămână, stagnare promovare >3 ani, satisfaction score <6/10

Rezultat: modelul a semnalat 3 angajați cu o probabilitate de 85%+ de plecare în următoarele 6 luni.
Doi dintre ei nu dăduseră niciun semnal evident de risc („stabili de peste 8 ani, niciun semn de nemulțumire”).

Analiză manuală post-semnalare:

- Angajatul A: ore suplimentare constante (15h/săptămână) + nicio promovare de 4 ani → primise o ofertă externă
- Angajatul B: salariu sub piață cu 18% + satisfaction 5/10 → explora activ LinkedIn
- Angajatul C: decisese deja să își schimbe locul de muncă pentru a urma un nou parcurs profesional → decizie confirmată în exit interview

Intervenție: creștere salarială +12% (A și B) + plan de carieră scris + reducerea orelor suplimentare.
A și B au fost reținuți. **C nu putea fi reținut.**

_„Aveam datele în HRIS de ani de zile. Au fost nevoie de 8 ore de muncă ale unui data analyst pentru a extrage CSV-ul și a rula scriptul Python. Valoarea nu era în tehnologia sofisticată, ci în a privi datele pe care le aveam deja.” — HR Manager_

Întrebarea nu este „ne permitem?” Întrebarea este: ai 20–40 de ore pentru a-l implementa? Dacă da, rentabilitatea este practic garantată — la orice scară.

## Cum pot IMM-urile să replice AI-ul enterprise (fără buget enterprise)

**Workflow-ul Unilever descompus: ce se întâmplă cu adevărat la fiecare pas**

Procesul de recrutare AI al Unilever pentru Future Leaders Programme este standardul de aur al industriei. Lansat în 2016, a redus time-to-hire de la 4-6 luni la 4 săptămâni, procesând 1,8 milioane de candidaturi anual pentru 30.000 de posturi.

### Pasul 1 → Aplicare via LinkedIn (10-15 minute)

Candidatul își conectează direct profilul LinkedIn, fără CV tradițional. Această alegere a extins talent pool-ul de la 840 la 2.600 de universități reprezentate.

### Pasul 2 → Pymetrics Games (20-30 minute)

12 jocuri neuroștiințifice măsoară 91 de trăsături cognitive și emoționale: atenție, luare a deciziilor, toleranță la risc, recunoaștere a emoțiilor, reziliență. Sistemul compară profilul cu benchmark-ul celor mai performanți. 98% dintre candidați finalizează această etapă (față de 50% în mod tradițional).

### Pasul 3 → Interviu video HireVue (30 minute)

Video asincron. Din 2021 analiza facială este eliminată: putere predictivă scăzută (0,25%-4%) și bias.
AI-ul analizează doar conținutul semantic și tiparele de vorbire. Filtrează până la 80%.

### Pasul 4 → Discovery Center Day

3.500 de finaliști din 250.000 de candidaturi. 800 de angajări anuale.

**Rezultate documentate:**
-75% timp recruiter, 1M £ economisiți/an, +16% diversitate în forța de muncă, paritate de gen atinsă, offer acceptance de la 64% la 82% ✅

_Inteligența artificială scoate la iveală conexiuni, oportunități și trasee pe care niciun proces manual nu le poate dezvălui. Ceea ce era ascuns devine evident._

## 2. Tehnologia din spatele talent marketplace-urilor interne

Internal Talent Marketplace este forma cea mai evoluată de AI pentru mobilitatea internă.
Gloat colectează skill-uri din self-report, istoricul locurilor de muncă și semnale de piață, cu o ontologie dinamică.

**Studiu de caz Mastercard "Unlocked"**
Rezultate: 21M $ economii, 900.000 de ore eliberate, 62% adoption, +80% satisfacție, +30% retenție.

**Studiu de caz Schneider Electric "Open Talent Market"**
60% adoption în 2 luni, 360.000 de ore eliberate, peste 15M $ economii, NPS 60.

## 3. Variabilele care prezic cu adevărat turnover-ul

Modelul IBM Watson utilizează 35 de variabile.

Cele mai predictive:

- OverTime
- JobSatisfaction
- YearsSinceLastPromotion
- MonthlyIncome
- JobInvolvement

📊 **Acuratețe tipică:**

- Random Forest: 84-87%
- XGBoost/CatBoost: 85-95%
- Logistic Regression: 75-80%

`import pandas as pd`
`from sklearn.model_selection import train_test_split`
`from sklearn.ensemble import RandomForestClassifier`

`# Încarcă dataset IBM HR Analytics (gratuit pe Kaggle)`
`df = pd.read_csv('IBM-HR-Attrition.csv')`
`y = df['Attrition'].map({'Yes': 1, 'No': 0})`
`X = pd.get_dummies(df.drop('Attrition', axis=1))`

`# Train model`
`X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)`
`rf = RandomForestClassifier(n_estimators=40)`
`rf.fit(X_train, y_train)`

`# Top 5 variabile predictive`
`importances = pd.Series(rf.feature_importances_, index=X.columns)`
`print(importances.nlargest(5))`

Acest cod funcționează gratuit în Google Colab. Rezultat tipic: MonthlyIncome, OverTime, Age, TotalWorkingYears, YearsAtCompany ca principali factori predictivi.

## Economia instrumentelor: de la 0€ la 500€/lună (DIY)

Peisajul instrumentelor pentru AI în HR s-a democratizat. Investiția de nivel de intrare a scăzut de la 50.000€+ la 0-500€/lună **pentru cei care implementează intern**. Acestea sunt costurile instrumentelor software de configurat, nu servicii la cheie.

**Stack freemium (0€/lună - configurare autonomă):**

- ATS: Breezy HR (nivel gratuit 1 poziție activă)
- Interviu video: myInterview (versiune de bază gratuită)
- Evaluare: TestGorilla (perioadă de probă extinsă gratuită)
- Parsare CV: pyresparser (open source)
- Model predictiv: Python + scikit-learn (open source)
- Analitice: Google Sheets + șablon

**Stack IMM 10-50 angajați (100-300€/lună - implementare internă):**

- LinkedIn Recruiter Lite: 170€/lună
- Zapier/Make: 20€/lună (necesită configurarea fluxului de lucru)
- pyresparser: gratuit
- Model Python: gratuit (necesită competențe de bază în Python)

**Stack IMM 50-200 angajați (500-1.500€/lună - echipă internă):**

- ATS complet: 200-400€/lună (configurare + mentenanță)
- Platformă de evaluare: 150-300€/lună
- Dashboard de analiză: 100-200€/lună
- Automatizări avansate: 50-100€/lună

**Clarificare esențială:** aceste bugete reprezintă **costuri de licențe software**, nu includ timpul de implementare. Sunt necesare competențe de bază (configurarea Zapier, rularea scripturilor Python, citirea documentației API). Pentru companii cu 10-50 angajați: 20-40 ore de lucru pentru configurarea inițială. Pentru 50-200 angajați: 60-100 ore distribuite pe 4-8 săptămâni.

Avantajul: odată implementat, mentenanța este minimă (2-5 ore/lună) iar ROI-ul este permanent.

## Câștig rapid #1: screening automat al CV-urilor într-o zi

Parsarea automată a CV-urilor poate fi implementată în 6-8 ore combinând instrumente no-code (Zapier) cu un script Python minimal.

**Opțiunea A: Doar Zapier (fără cod, 2-3 ore)**

Pipeline complet fără a scrie cod:

1. **Declanșator:** Email nou cu atașament primit la _hr@electe.net_
2. **Acțiune:** Zapier Parser extrage automat datele din CV (nume, email, telefon, competențe)
3. **Acțiune:** Creează un rând în Google Sheet cu datele extrase
4. **Acțiune:** Notificare Slack către recrutor: "CV nou primit: \[nume\] - \[competențe\]"
5. **Acțiune:** Adaugă candidatul la o secvență de email-uri (ex. "Mulțumim, te vom contacta din nou")

**Cost:** Zapier Professional 20€/lună
**Timp de configurare:** 2-3 ore click-and-configure
**Competențe necesare:** Fără programare, doar familiaritate cu interfețe web

**Opțiunea B: Zapier + Code by Zapier (Python/JS inline, 4-5 ore)**

Dacă Zapier Parser nu este suficient, adaugă logică personalizată direct în Zapier:

1. Declanșator: Email nou cu atașament
2. **Acțiune: Code by Zapier (Python)** - parsare avansată inline:

`# Python executat direct în Zapier`
`import re`
`cv_text = input['cv_text']`
`email = re.findall(r'[\w\.-]+@[\w\.-]+', cv_text)[0]`
`phone = re.findall(r'\+?\d[\d\s\-\(\)]{8,}', cv_text)[0]`
`return {'email': email, 'phone': phone, 'text': cv_text}`

1. Acțiune: Creează rând Google Sheet
2. Acțiune: Notificare Slack
3. Acțiune: Secvență de email

**Cost:** Zapier Professional 20 €/lună (include Code)
**Timp de setup:** 4-5 ore (dezvoltare + testare logica personalizată)
**Competențe necesare:** Python/JavaScript de bază

**Opțiunea C: pyresparser pe server extern (parsare maximă, 6-8 ore)**

Pentru CV-uri foarte complexe sau volume mari (500+ CV-uri/lună):

`# Script pe server dedicat`
`pip install pyresparser`
`from pyresparser import ResumeParser`
`data = ResumeParser('/path/to/resume.pdf').get_extracted_data()`
`# Output: name, email, mobile, skills, college, degree, experience`

Zapier apelează serverul via webhook, primește JSON parsat, continuă cu Sheet/Slack/Email.

**Cost:** Zapier 20 €/lună + DigitalOcean 5 €/lună
**Timp de setup:** 6-8 ore (setup server + deploy)
**Competențe necesare:** Python + deployment SAU developer extern

⚡ Economie tipică: 15+ ore/săptămână pentru cei care procesează 200+ CV-uri.

_Efectul compus al automatizării: costuri fixe reduse, economii în creștere._

## Planul în 10 săptămâni (DIY)

**Prerechizite:** Acces la resurse tehnice interne (developer, data analyst) sau buget de 2.000-3.000 € pentru un freelancer care să susțină setup-ul.

**Săptămâna 1:** Parsare automată a CV-urilor cu pyresparser + pipeline Zapier. Prima economie măsurabilă: 10-15 ore.

**Săptămâna 2:** Audit al datelor HR, export în Sheets/Airtable, setup dashboard cu metrici cheie (time-to-hire, cost-per-hire, headcount).

**Săptămâna 3:** Model de predicție a turnover-ului pe dataset istoric, antrenare cu variabilele disponibile, validare cu managerul HR.

**Săptămâna 4:** Automatizări Zapier pentru workflow-uri repetitive (programare interviuri, checklist onboarding, cereri de concediu). Calcul final al ROI.

**Săptămânile 5-10:** Iterare și scalare. Adaugă complexitate doar acolo unde ROI-ul este verificat.

_📥 Vrei să explorezi dacă aceste workflow-uri sunt aplicabile în cazul tău?_
_Template-urile Google Sheet, scripturile Python și automatizările Zapier descrise aici sunt deja funcționale. Adaptează-le la realitatea ta._

## Concluzie

Greșeala comună este să crezi că e nevoie de buget enterprise sau de consultanți costisitori.
Logica — automatizarea screening-ului, standardizarea evaluărilor, predicția riscurilor — este replicabilă cu instrumente open source și SaaS accesibile.

Valoarea nu stă în instrumentele costisitoare, ci în metodă.
ROI-ul depășește cu ușurință 600% în primul an.

**N.B.** Codul Python și exemplele Zapier din acest articol sunt deja funcționale. Copiază, adaptează la realitatea ta, implementează. Nu ai nevoie de template-uri suplimentare: ai deja tot ce îți trebuie pentru a începe.