Efterfrågan på AI-ingenjörer har exploderat de senaste två åren, men utbudet i Sverige har inte hängt med. Att rekrytera AI-ingenjör handlar därför inte bara om att hitta rätt kompetens, det handlar om att förstå en roll som fortfarande definieras olika av olika bolag.
I den här artikeln delar vi tre saker Ants ser att svenska techbolag ofta missar och hur ni undviker samma fällor.
Vad är en AI-ingenjör och varför är rollen så svår att definiera?
En AI-ingenjör bygger, tränar och driftsätter maskininlärningsmodeller i produktion. Rollen skiljer sig från både en dataanalytiker (som fokuserar på insikter) och en data scientist (som ofta stannar vid modellutveckling i notebook-miljö).
En AI-ingenjör äger hela kedjan: från modell till skalbar, driftsäker tjänst. Just den otydligheten är kärnan i problem nummer ett.
Tre saker att tänka på när du rekryterar en AI-ingenjör
1. Definiera rollen innan ni skriver annonsen, inte under intervjuprocessen
2. Testa praktisk problemlösning, inte bara teoretisk ML-kunskap
3. Räkna med en längre och mer konkurrensutsatt process än för andra techroller
Nedan går vi igenom varje punkt.
1. Definiera rollen innan ni skriver annonsen
Ants ser gång på gång att bolag söker ”AI Engineer” men egentligen menar en data scientist, en ML-specialist eller en backend-utvecklare med intresse för AI. Det här är ett rekryteringsproblem.
En otydlig roll ger:
– Fel kandidater i urvalet (och besvikna kandidater i slutfasen)
– Längre time-to-hire eftersom ni justerar kravprofilen mitt i processen
– Svårigheter att sätta rätt lönenivå, eftersom AI-ingenjörer i Sverige idag har en bred lönespridning beroende på senioritet och specialisering
Vi rekommenderar att ni innan ni går ut med en tjänst svarar på tre frågor internt: Ska personen bygga modeller från grunden eller integrera befintliga (t.ex. LLM-baserade lösningar)? Ska rollen äga MLOps och drift eller sitter det hos en annan funktion? Och kommer personen jobba nära produkt eller renodlat i en forskningsnära miljö? Svaren styr både kravprofil och var ni bör leta.
2. Testa praktisk problemlösning, inte bara teoretisk ML-kunskap
Många rekryteringsprocesser för AI-roller lutar för hårt åt teoretiska frågor, som exempelvis algoritmer, matematik, modellarkitektur. Det säger relativt lite om hur en kandidat presterar i er faktiska miljö.
Enligt vår erfarenhet ger det bättre signal att testa:
– Hur kandidaten resonerar kring data quality och edge cases i ett verkligt dataset
– Hur kandidaten tänker kring att driftsätta och underhålla en modell över tid, inte bara att bygga den
– Hur kandidaten kommunicerar tekniska trade-offs till en icke-teknisk stakeholder, eftersom AI-ingenjörer ofta sitter i skärningspunkten mellan produkt och teknik
Kompetensbaserad rekryterting minskar risken för feltolkning av kandidatens faktiska förmåga.
3. Räkna med en längre och mer konkurrensutsatt process
AI-Engineers med produktionserfarenhet är en av de mest konkurrensutsatta profilerna på den svenska techmarknaden just nu. Det påverkar processen på tre sätt:
– Time-to-hire behöver vara kortare, inte längre: bra kandidater är oftast ute ur marknaden inom 2–3 veckor
– Employer branding väger tyngre: kandidater med valmöjlighet väljer ofta bolag med tydlig teknisk berättelse, inte bara högst lön
– Passiva kandidater blir viktigare än aktivt sökande: många av de starkaste profilerna söker inte jobb, de blir kontaktade. Läs mer om passiv sourcing.
Det är också här många bolag väljer att ta in extern hjälp. Inte för att de saknar kompetens att bedöma kandidater, utan för att de saknar nätverket och kapaciteten att nå de kandidater som aldrig syns i en vanlig rekryteringsprocess.
Behöver ni hjälp att hitta rätt AI-ingenjör till ert team? Ants har djup teknisk förståelse för AI- och datarelaterade roller och ett nätverk som når långt bortom de aktivt sökande. Skicka in en mötesfrågan via formuläret nedan så kan vi diskutera er kravprofil och hur en process skulle kunna se ut.