Jagten på AI-talentet: Derfor ansætter du (sandsynligvis) de forkerte - Soloafsnit med Dan Rose

Alle leder efter “AI-talent”. Og alt for mange rekrutterer, som om AI bare er endnu en tech-disciplin. I det her soloafsnit går Dan Rose i clinch med den dyreste fejl i AI-satsninger: at virksomheder ansætter den samme persontype til vidt forskellige opgaver. At bygge modeller og at drive adoption kræver to forskellige hjerner. Hvis du blander dem sammen, ender du med dyre løsninger, ingen bruger – og en organisation, der mister troen på, at AI kan blive til noget. Dan tager udgangspunkt i et konkret rammeværk, Todai selv bruger, og giver en praktisk guide til, hvordan du matcher mål, fase og rolle, før du skriver jobopslaget. Og så vender han den til sidst om: Hvad gør du som kandidat, hvis du vil vinde et AI-job uden at være “den klassiske” Data Scientist? Han taler om: Hvorfor AI-rekruttering ofte rammer ved siden af (og ender med “den samme type” i alle roller) Effektivisering vs. transformation: hvilke profiler passer til hvilken fase? Tretrinsraketten Mål → Aktivitet → Rolle: sådan undgår du at slå den forkerte stilling op De fire AI-roller – og hvorfor du ofte har de vigtigste profiler internt Hvad du skal screene for hos Data Scientists og superbrugere (inkl. “show, don’t tell”) Til kandidaten: sådan vinder du jobbet uden at undskylde for din baggrund Har du ønsker til gæster eller emner? Send en mail til [email protected].