Hur bygger man ett AI-team?

En av de vanligaste frågorna vi får just nu handlar om AI-kompetens. Hur rekryterar vi rätt profiler? Vilka roller behöver vi? Var börjar vi?

Det är bra frågor men det finns ett mönster i hur de ställs som vi tycker är värt att lyfta: de flesta bolag börjar rekrytera AI-kompetens i fel ordning. De söker en ML Engineer eller en AI Researcher som är de roller som känns mest konkreta och mest ”AI:a” när de egentligen behöver börja någon annanstans.

Det är inte ett ovanligt misstag utan ett förståeligt ett. Men det är viktigt att förstå att det kostar tid, pengar och ibland en hel rekrytering som inte landar rätt.

Varför ordningen spelar roll

Det finns en logik bakom varför bolag som söker ML Engineers tidigt. Det är en tydlig roll med en tydlig titel och en relativt tydlig kravprofil. Den signalerar internt och externt att bolaget tar AI på allvar. Och om man lyckats rekrytera en duktig ML Engineer känns det som att man kommit igång.

Problemet uppstår sex till tolv månader senare. ML Engineers behöver data att träna på ren, strukturerad, tillgänglig data. De behöver infrastruktur för att köra experiment. De behöver en tydlig bild av vilket problem de faktiskt löser. Om ingen av de förutsättningarna finns på plats när de börjar, spenderar de sin tid på att bygga rörledningar och städa data snarare än det de rekryterades för.

Det är inte ML Engineerns fel utan det är ett sekvensfel.

Tänk i tre faser

Det vi ser fungera bättre är att koppla rekryteringen till var organisationen faktiskt befinner sig och inte till vilken roll som låter mest imponerande. Det går att dela in det i tre faser, och varje fas kräver olika kompetens.

Fas 1: Förstå

Ni vet att AI är relevant för er verksamhet men ni har inte riktigt definierat vad det ska lösa eller om förutsättningarna finns på plats. Det ni behöver i det här läget är inte en modellerare. Det är en person som kan kartlägga vad ni faktiskt har för data, infrastruktur, affärsbehov och översätta det till en konkret riktning.

Ofta handlar det om en profil som kombinerar teknisk bredd med strategiskt tänk. Ibland en senior Data Engineer med ML-erfarenhet. Ibland en AI Product Manager som kan äga frågan från affärssidan. Det beror på var den största oklarheten sitter, om det är i tekniken eller i affärslogiken.

Det som inte fungerar i fas ett är att rekrytera en djupt specialiserad profil utan en tydlig uppgift att ge dem.

Fas 2: Experimentera

Ni har en hypotes om vad AI ska göra och ni har tillräckligt med data och infrastruktur för att testa den. Nu behöver ni teknisk kompetens som kan röra sig snabbt, bygga prototyper och utvärdera om ni är på rätt spår.

Här passar ML Engineers och Data Scientists in. Men det är också i den här fasen som kravprofilen behöver vara specifik. Vad för typ av modeller, vilken data och vilken stack. En generisk sökning efter ”ML Engineer” i det här läget ger generiska kandidater.

Fas 3: Skala

Ni har något som fungerar och ni ska ta det från experiment till produktion och vidareutveckla det. Det är här teamet växer på riktigt och det är här två roller dyker upp som ofta underskattas: MLOps Engineer och en tydlig ledarskapsroll.

MLOps är kompetensen som håller ihop det hela i skarpt läge. Att modeller fungerar i produktion, skalas rätt och övervakas. Det är en roll som många bolag väntar för länge med och sedan inser att de behöver akut.

Ledarskapsrollen, en Head of AI eller liknande handlar inte bara om att leda teamet tekniskt. Det handlar om att prioritera bland tio möjliga AI-initiativ, kommunicera möjligheter och begränsningar till ledning och säkerställa att AI-arbetet faktiskt driver affären framåt. Det är en profil som är svårare att rekrytera än de flesta räknar med.

Vilka roller ingår i ett AI-team?

När faserna är tydliga blir rollerna lättare att placera. Här är de vanligaste profilerna och vad de faktiskt gör:

Machine Learning Engineer – bygger, tränar och driftsätter modeller. Djup teknisk kompetens, ofta Python, TensorFlow eller PyTorch. Passar i fas två och tre.

Data Scientist fokuserar på analys – att hitta mönster i data och översätta det till insikter eller modellunderlag. Kräver stark statistisk kompetens och förmåga att kommunicera resultat till icke-tekniska intressenter. Passar i fas ett och två.

Data Engineer / ML Engineer med datakompetens – bygger och underhåller datainfrastrukturen som allt annat vilar på. Underskattas ofta men är ofta rätt första rekrytering. Passar i fas ett.

MLOps Engineer – säkerställer att modeller fungerar i produktion, skalas rätt och uppdateras. Kritisk i fas tre men börjar bli relevant redan i fas två.

AI Product Manager – kopplar ihop teknik och affär. Förstår vad AI kan och inte kan göra, sätter rätt förväntningar internt och driver produktutvecklingen med AI som komponent. En av de svårare profilerna att hitta. Det räcker inte med produkterfarenhet, det krävs faktisk teknisk förståelse. Relevant i alla faser men särskilt viktig i fas ett och tre.

Head of AI / VP of AI –  äger riktningen, leder teamet och ansvarar för att AI-arbetet hänger ihop med affären. Rekryteras via executive search i fas tre, när det faktiskt finns ett team att leda.

En sak som ofta glöms bort

Utöver ordningen och rollerna finns det en dimension som sällan tas upp tidigt men som spelar stor roll: vad AI-kandidater faktiskt väljer arbetsgivare på.

De bästa profilerna inom AI och i synnerhet de med spetskompetens inom ML och MLOps väljer inte primärt på lön. De väljer på om problemet är intressant, om det finns tillgång till bra data, om infrastrukturen är på en nivå där de faktiskt kan göra sitt jobb och om organisationen förstår vad de gör. En kandidat som under intervjuprocessen inser att bolaget inte har en fungerande dataplattform och inte riktigt vet vad AI ska lösa tackar förmodligen nej eller tackar ja och slutar inom ett år.

Det innebär att förberedelsen inför rekryteringen är lika viktig som rekryteringen i sig. Att kunna svara på vad AI ska lösa, vilken data som finns tillgänglig och var bolaget befinner sig i sin AI-resa är inte bara viktigt internt utan det är avgörande för att attrahera rätt kandidater.

Ledarskapsrollen och executive search

När det är dags att rekrytera en person som ska leda AI-arbetet på strategisk nivå är det en rekrytering som kräver en annan approach än de flesta.

De bästa kandidaterna för de här rollerna sitter ofta kvar i positioner de trivs i och är selektiva med vad de ger sig in i. De nås  ofta inte via traditionella annonser. De nås via direktkontakt, riktad annonsering och ett erbjudande som är genomtänkt där det framgår att organisationen faktiskt är redo att ta emot en stark AI-ledare, att mandatet är reellt och att det finns förutsättningar att lyckas.

Det är i det sammanhanget executive search gör skillnad. Inte som ett snabbare sätt att fylla en roll, utan som ett sätt att nå kandidater som annars inte är tillgängliga och att göra bedömningen av ledarskaps- och strategisk förmåga med den omsorg den kräver.

Så var börjar ni?

Det enklaste sättet att använda fasmodellen är att ställa sig en enda fråga: vet vi faktiskt vad AI ska lösa hos oss och har vi den infrastruktur och data som krävs för att testa det?

Om svaret är nej, börja i fas ett. Rekrytera en profil som kan hjälpa er definiera det innan ni bygger teamet.

Om svaret är ja, börja i fas två. Definiera kravprofilen utifrån det specifika problemet, inte utifrån en generisk ML Engineer-beskrivning.

Och om ni redan har något som fungerar i produktion. Börja tänka på fas tre. MLOps och ledarskap är förmodligen det ni behöver härnäst.

Funderar du på hur ert AI-team ska se ut?

På Ants arbetar vi med IT-rekrytering och executive search inom tech, och vi hjälper bolag att rekrytera roller med AI kompetens. Om ni funderar på var ni ska börja, vilka profiler ni faktiskt behöver eller hur ni når de kandidater som inte syns i vanliga kanaler, ta gärna ett samtal med oss.