# AI inom HR är inget för bara Unilever. Det är något för SMF också > Från Unilever till SMF: replikera enterprise-workflows på 4 veckor för €500/månad Source: https://www.electe.net/sv/post/l-ai-in-hr-non-roba-da-unilever-roba-da-pmi Site guide: https://www.electe.net/sv/llms.txt 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: 1. **Trigger:** Nytt mejl med bilaga mottaget på _hr@electe.net_ 2. **Action:** Zapier Parser extraherar automatiskt data från CV:t (namn, e-post, telefon, kompetenser) 3. **Action:** Skapar rad i Google Sheet med extraherad data 4. **Action:** Slack-notifiering till rekryteraren: "Nytt CV mottaget: \[namn\] - \[kompetenser\]" 5. **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: 1. Trigger: Nytt mejl med bilaga 2. **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}` 1. Action: Skapa rad i Google Sheet 2. Action: Slack-notifiering 3. 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.