AI inom HR är inte bara för Unilever. Det är för SMF · Electe

Varje vecka, när jag pratar med företag i Europa, hör jag samma mening:
”AI inom HR är för de stora. Vi är inte Unilever.”

Det är en kostsam myt.

Verkligheten: samma mönster som får storföretag att spara miljoner idag går att replikera i ett SMF för €100–500/månad, med freemium-verktyg, lite automation och den data företaget redan har.

Enterprise vs SMF: klyftan är mycket mindre än den verkar

Unilever behandlar 250 000 ansökningar/år med AI och sparar €1M.
Ett startup-företag med 50 anställda implementerar ett internt mini-workflow och sparar 10–15 timmar/vecka genom en investering på €100–200/månad.

Man behöver inte enterprise-teknik. Man behöver logiken: automatisera, standardisera, förutse.

(Dessa är licenskostnaderna för mjukvara vid DIY-implementering. Uppsättningen kräver 20–100 timmars internt engångsarbete, beroende på komplexitet.)

Data bekräftar det

Mastercard genererade 21 miljoner dollar med sin AI-drivna talangmarknadsplats.
Men även ett SMF kan uppnå –75% av screeningtiden med Zapier-automationer från €20/månad.
Öppna källkodsmodeller (Random Forest, XGBoost) når 85–95% träffsäkerhet vid prognostisering av personalomsättning med enbart HRIS-data.

Ingångskostnad: kraschad

AI inom HR börjar idag på €0:

CV-parsning → gratis
Prediktiva modeller → öppen källkod
Automationer → Zapier/Make från €20/månad
ATS → freemium

Med 20–40 timmars internt setup kan ett SMF bygga ett system som:

eliminerar 15–20 timmars manuellt arbete per vecka
identifierar riskanställda innan de slutar
snabbar upp time-to-hire med 40–60%

Komplexiteten minskar. Möjligheterna ökar.

📊 Verkligt fall: tillverkande SMF i Lombardiet (120 anställda)

En egenbyggd prediktiv modell identifierade 3 högriskanställda som inte fanns på HR:s radar. Genom att agera på 2 av dem undvek företaget €90 000 i kostnader för personalomsättning. Total investering år 1: €5 000. ROI: 1 700%.

Konkret upplägg (3 veckor):

Export av historisk HRIS-data (3 år): övertid, lön, senaste befordran, nöjdhetsundersökning, avgångsdata
Träning av Random Forest-modell på 180 tidigare avgångar + 300 aktiva anställda
Mest prediktiva variabler som framkom: övertid >12 timmar/vecka, befordransstagnation >3 år, nöjdhetspoäng <6/10

Resultat: modellen flaggade 3 anställda med 85%+ sannolikhet att sluta inom 6 månader.
Två av dem hade inte visat några tydliga risksignaler (”stabila i 8+ år, inga tecken på missnöje”).

Manuell analys efter flaggning:

Anställd A: konstant övertid (15 timmar/vecka) + ingen befordran på 4 år → hade fått ett externt erbjudande
Anställd B: lön 18% under marknadsnivå + nöjdhet 5/10 → sökte aktivt på LinkedIn
Anställd C: hade redan bestämt sig för att byta jobb för en ny karriärväg → beslutet bekräftades i avgångsintervjun

Åtgärd: löneökning +12% (A och B) + skriftlig karriärplan + minskning av övertid.
A och B behölls. C gick inte att behålla.

”Vi hade haft datan i HRIS i flera år. Det tog 8 timmar för en dataanalytiker att extrahera CSV-filen och köra Python-skriptet. Värdet låg inte i avancerad teknik utan i att titta på den data vi redan hade.” — HR-chef

Frågan är inte ”har vi råd?” Frågan är: har du 20–40 timmar för att implementera det? Om ja är avkastningen praktiskt taget garanterad — oavsett skala.

Hur SMF kan replikera enterprise-AI (utan enterprise-budget)

Unilever-arbetsflödet uppdelat: vad som verkligen händer i varje steg

Unilevers AI-drivna rekryteringsprocess för Future Leaders Programme är branschens gyllene standard. Lanserad 2016 har den minskat time-to-hire från 4–6 månader till 4 veckor, med bearbetning av 1,8 miljoner ansökningar per år för 30 000 tjänster.

Steg 1 → Ansökan via LinkedIn (10–15 minuter)

Kandidaten kopplar direkt sin LinkedIn-profil utan traditionellt CV. Detta val har utökat talangpoolen från 840 till 2 600 representerade universitet.

Steg 2 → Pymetrics Games (20–30 minuter)

12 neurovetenskapliga spel mäter 91 kognitiva och emotionella egenskaper: uppmärksamhet, beslutsfattande, risktolerans, känsloigenkänning, motståndskraft. Systemet jämför profilen med benchmarken för topprestationer. 98% av kandidaterna slutför detta steg (jämfört med 50% i traditionella processer).

Steg 3 → Videointervju HireVue (30 minuter)

Asynkron video. Sedan 2021 har ansiktsanalysen tagits bort: låg prediktiv kraft (0,25%–4%) och bias.
AI:n analyserar endast semantiskt innehåll och talmönster. Filtrerar bort upp till 80%.

Steg 4 → Discovery Center Day

3 500 finalister av 250 000 ansökningar. 800 anställningar per år.

Dokumenterade resultat:
-75% rekryterartid, 1 miljon pund sparade/år, +16% mångfald i personalstyrkan, uppnådd könsbalans, offer acceptance från 64% till 82% ✅

Artificiell intelligens avslöjar kopplingar, möjligheter och vägar som ingen manuell process kan blottlägga. Det som var dolt blir uppenbart.

2. Tekniken bakom interna talangmarknadsplatser

Internal Talent Marketplace är den mest avancerade formen av AI för intern rörlighet.
Gloat samlar in kompetens från självrapportering, arbetshistorik och marknadssignaler, med dynamisk ontologi.

Fallstudie Mastercard "Unlocked"
Resultat: 21 miljoner dollar i besparingar, 900 000 timmar frigjorda, 62% adoption, +80% nöjdhet, +30% retention.

Fallstudie Schneider Electric "Open Talent Market"
60% adoption på 2 månader, 360 000 timmar frigjorda, 15+ miljoner dollar i besparingar, NPS 60.

3. Variablerna som verkligen förutspår personalomsättning

IBM Watson-modellen använder 35 variabler.

De mest prediktiva:

OverTime
JobSatisfaction
YearsSinceLastPromotion
MonthlyIncome
JobInvolvement

📊 Typisk noggrannhet:

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

# Ladda IBM HR Analytics-dataset (gratis på 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))

# Träna modell
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)

# Topp 5 prediktiva variabler
importances = pd.Series(rf.feature_importances_, index=X.columns)
print(importances.nlargest(5))

Denna kod fungerar gratis i Google Colab. Typiskt resultat: MonthlyIncome, OverTime, Age, TotalWorkingYears, YearsAtCompany som topp-prediktorer.

Verktygsekonomin: från €0 till €500/månad (DIY)

Landskapet av AI-verktyg för HR har demokratiserats. Entry level-investeringen har rasat från €50 000+ till €0-500/månad för den som implementerar internt. Dessa är kostnaderna för mjukvaruverktyg som ska konfigureras, inte nyckelfärdiga tjänster.

Freemium-stack (€0/månad - självständig setup):

ATS: Breezy HR (gratisnivå, 1 aktiv position)
Videointervju: myInterview (grundversion gratis)
Bedömning: TestGorilla (utökad gratis provperiod)
CV-parsning: pyresparser (öppen källkod)
Prediktiv modell: Python + scikit-learn (öppen källkod)
Analys: Google Sheets + mall

Stack för SME 10-50 anställda (€100-300/månad - intern implementering):

LinkedIn Recruiter Lite: €170/månad
Zapier/Make: €20/månad (kräver konfiguration av arbetsflöden)
pyresparser: gratis
Python-modell: gratis (kräver grundläggande Python-kunskaper)

Stack för SME 50-200 anställda (€500-1 500/månad - internt team):

Komplett ATS: €200-400/månad (konfiguration + underhåll)
Bedömningsplattform: €150-300/månad
Analysdashboard: €100-200/månad
Avancerade automatiseringar: €50-100/månad

Viktigt förtydligande: dessa budgetar avser licenskostnader för mjukvara, de inkluderar inte implementeringstiden. Grundläggande kompetens krävs (konfigurera Zapier, köra Python-skript, läsa API-dokumentation). För företag med 10-50 anställda: 20-40 timmars arbete för initial setup. För 50-200 anställda: 60-100 timmar fördelat på 4-8 veckor.

Fördelen: när det väl är implementerat är underhållet minimalt (2-5 timmar/månad) och avkastningen är permanent.

Snabb vinst #1: automatisk CV-screening på 1 dag

Automatisk CV-parsning kan implementeras på 6-8 timmar genom att kombinera no-code-verktyg (Zapier) med ett minimalt Python-skript.

Alternativ A: Enbart Zapier (ingen kodning, 2-3 timmar)

Komplett pipeline utan att skriva kod:

Trigger: Nytt mejl med bilaga mottaget på hr@electe.net
Action: Zapier Parser extraherar automatiskt data från CV:t (namn, e-post, telefon, kompetenser)
Action: Skapar rad i Google Sheet med extraherad data
Action: Slack-notifiering till rekryteraren: "Nytt CV mottaget: [namn] - [kompetenser]"
Action: Lägg till kandidaten i e-postsekvens (t.ex. "Tack, vi återkommer")

Kostnad: Zapier Professional €20/månad
Setuptid: 2-3 timmar klicka-och-konfigurera
Kompetens som krävs: Ingen kodning, bara vana vid webbgränssnitt

Alternativ B: Zapier + Code by Zapier (Python/JS inline, 4-5 timmar)

Om Zapier Parser inte räcker till, lägg till anpassad logik direkt i Zapier:

Trigger: Nytt mejl med bilaga
Action: Code by Zapier (Python) - avancerad parsning inline:

# Python som körs direkt i 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}

Action: Skapa rad i Google Sheet
Action: Slack-notifiering
Action: E-postsekvens

Kostnad: Zapier Professional 20 €/månad (inkluderar Code)
Tid för uppsättning: 4-5 timmar (utveckling + test av anpassad logik)
Kompetens som krävs: grundläggande Python/JavaScript

Alternativ C: pyresparser på extern server (maximal parsning, 6-8 timmar)

För mycket komplexa CV:n eller höga volymer (500+ CV/månad):

# Script på dedikerad server
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 anropar servern via webhook, tar emot JSON parsed, går vidare med Sheet/Slack/E-post.

Kostnad: Zapier 20 €/månad + DigitalOcean 5 €/månad
Tid för uppsättning: 6-8 timmar (serveruppsättning + deploy)
Kompetens som krävs: Python + deployment ELLER extern utvecklare

⚡ Typisk besparing: 15+ timmar/vecka för den som hanterar 200+ CV:n.

Automatiseringens sammansatta effekt: låga fasta kostnader, växande besparingar.

Spelplanen på 10 veckor (DIY)

Förutsättning: Tillgång till interna tekniska resurser (utvecklare, dataanalytiker) eller budget på 2 000-3 000 € för frilansare som stöttar uppsättningen.

Vecka 1: Automatisk CV-parsning med pyresparser + Zapier-pipeline. Första mätbara besparingen: 10-15 timmar.

Vecka 2: Granskning av HR-data, export till Sheets/Airtable, uppsättning av dashboard med nyckeltal (time-to-hire, cost-per-hire, antal anställda).

Vecka 3: Modell för personalomsättningsprognos på historiskt dataset, träning med tillgängliga variabler, validering med HR-chef.

Vecka 4: Zapier-automatiseringar för återkommande arbetsflöden (schemaläggning av intervjuer, onboarding-checklista, ledighetsansökningar). Slutlig ROI-beräkning.

Vecka 5-10: Iteration och skalning. Lägg till komplexitet endast där ROI är verifierad.

📥 Vill du utforska om dessa arbetsflöden kan tillämpas på ditt fall?
Google Sheet-mallarna, Python-skripten och Zapier-automatiseringarna som beskrivs här är redan i drift. Anpassa dem till din verksamhet.

Slutsats

Det vanliga misstaget är att tro att man behöver enterprise-budget eller dyra konsulter.
Logiken — automatisera screening, standardisera bedömning, förutse risker — går att replikera med öppen källkod och tillgängliga SaaS-verktyg.

Värdet ligger inte i de dyra verktygen utan i metoden.
ROI:n överstiger enkelt 600 % under det första året.

OBS. Python-koden och Zapier-exemplen i denna artikel är redan fungerande. Kopiera, anpassa till din verksamhet, implementera. Inga ytterligare mallar behövs: du har redan allt som krävs för att komma igång.

AI inom HR är inget för bara Unilever. Det är något för SMF också

Sammanfatta artikeln med AI