Scoperta clienti per prodotti AI nelle HR: come funziona il framework nella pratica

Perche le HR sono una sfida specifica per la discovery di prodotti AI

Il mercato dell'HR tech e saturo di affermazioni sull'AI. Ogni fornitore di ATS ha aggiunto "basato su AI" alla propria lista di funzionalita. Ogni strumento di gestione delle performance offre ora qualche forma di insight automatizzato. Il livello di rumore e alto, il che significa che i compratori sono allo stesso tempo piu consapevoli di cio che l'AI potrebbe fare e piu scettici sul fatto che un prodotto specifico lo realizzi davvero.

Questo crea un paradosso per i founder che fanno discovery in questo spazio. Le persone che intervisti hanno spesso gia visto un pitch sull'AI. Hanno partecipato a un pilota che non ha portato da nessuna parte. Hanno opinioni solide su cio che l'AI non puo fare, formate da strumenti che non hanno funzionato come pubblicizzato. Entri in una conversazione dove l'esperienza precedente e spesso negativa, e dove "AI" come parola porta piu bagaglio che segnale.

La seconda sfida e strutturale. Il framework generale per la discovery AI B2B assume che la persona che sente il dolore sia, come minimo, adiacente a chi prende la decisione di acquisto. Nelle HR questo e raramente vero. Il CHRO che firma il contratto si preoccupa del rischio di compliance, del costo per assunzione, delle metriche di retention e dei report al consiglio. Il recruiter che usa lo strumento ogni giorno si preoccupa se rende piu veloce la revisione dei prossimi 200 CV. L'hiring manager che e davvero frustrato con il processo spesso non ha voce in capitolo quando si decide il software. Queste sono tre conversazioni diverse, e confonderle produce l'errore piu comune nella discovery AI per le HR: costruire un prodotto che piace al compratore ma che l'utente non adotta mai.

Le tre conversazioni di discovery che devi avere

Mappare i tre livelli di stakeholder nelle HR prima di progettare qualsiasi cosa non e un optional. E la discovery minima indispensabile. Ogni livello fa emergere informazioni diverse e richiede una struttura di conversazione diversa.

Dove l'AI viene davvero adottata nelle HR in questo momento

Non tutti i flussi di lavoro HR sono ugualmente pronti per l'intervento AI, e quelli con piu hype non sono sempre quelli con il segnale di adozione piu forte. Dopo aver fatto discovery in questo spazio in organizzazioni di diverse dimensioni e settori, il pattern e abbastanza consistente.

Flussi di lavoro ad alto segnale

Screening nella selezione del talento. Il problema di volume nel recruitment e reale: un'azienda di medie dimensioni che pubblica un'offerta in un mercato competitivo puo ricevere da 300 a 600 candidature per una singola posizione. Il processo attuale prevede che un recruiter dedichi le prime due o tre ore a un primo passaggio che elimina i candidati che non soddisfano ovviamente i criteri di base. E lavoro ad alto volume e basso giudizio per definizione. E il caso piu chiaro nelle HR per l'augmentazione con AI, ed e dove esistono i prodotti piu maturi. Il segnale di discovery qui e forte perche il dolore e quantificabile: ore per posizione, candidature per recruiter, tempo alla prima intervista.

Documentazione di onboarding. L'onboarding genera un volume prevedibile di comunicazione ripetitiva: pacchetti di benvenuto, documenti di compliance specifici per il ruolo, riassunti delle policy, programmi della prima settimana. I team HR in aziende con alto volume di assunzioni ricostruiscono questo da zero per ogni coorte, spesso perche la versione precedente e obsoleta. La generazione e l'aggiornamento di documenti con AI e un miglioramento reale del flusso di lavoro, con basso rischio di adozione perche l'output viene revisionato prima di raggiungere il dipendente.

Sintesi delle valutazioni delle performance. I cicli di valutazione generano grandi volumi di feedback dei manager che le HR devono processare, segnalare e su cui agire. Riassumere temi in un team, identificare valori anomali o generare feedback strutturato da note non strutturate sono tutti compiti dove l'AI produce output utilizzabili piu velocemente di un processo manuale.

Personalizzazione dei contenuti L&D. I team di apprendimento e sviluppo in organizzazioni piu grandi dedicano un tempo significativo alla cura di contenuti per diversi ruoli e livelli di seniority. Il tagging di contenuti assistito da AI, la curazione e la generazione basica di moduli riduce materialmente questo tempo.

Flussi di lavoro a basso segnale

La pianificazione di compensazione e benefit si trova all'intersezione di vincoli legali, sensibilita di mercato e politica interna. La misurazione della cultura e gli "score di engagement basati su AI" generano sistematicamente interesse nelle demo e resistenza nell'adozione perche l'output e o cosi aggregato da essere inutile o cosi specifico da creare responsabilita. La pianificazione della successione implica giudizi che i leader senior non sono pronti a delegare a un algoritmo, e con ragione.

La conversazione di discovery con un team HR: cosa chiedere

Il problema di inquadramento nella discovery HR e che qualsiasi domanda che suona come "come potrebbe aiutarti l'AI" produrra una di due risposte inutili: o una lista di funzionalita copiata dall'ultima demo di prodotto che la persona ha visto, o una preoccupazione riflessiva sul displacement occupazionale che chiude la conversazione prima che sia iniziata.

La struttura di conversazione che funziona e costruita attorno alla ricostruzione di cio che e successo davvero l'ultima volta che il team ha eseguito il processo che stai studiando. Non cosa ne pensano in astratto. Cosa e successo davvero, passo dopo passo, l'ultima volta.

Domande che producono segnale sul flusso di lavoro nelle HR

"Raccontami l'ultimo processo di selezione che hai gestito dal momento in cui e stata approvata la job description fino alla firma dell'offerta. Inizia dall'inizio e dimmi esattamente cosa hai fatto." Questo produce una mappa del flusso di lavoro, che e l'output piu prezioso di qualsiasi sessione di discovery. L'obiettivo e identificare dove il processo rallenta, dove le informazioni si perdono, dove vengono prese decisioni senza i dati che la persona vorrebbe davvero avere, e dove sono i workaround.

"Qual e la cosa in quel processo che vuoi sistemare da due anni ma non hai ancora toccato?" Questo fa emergere i problemi che sono abbastanza reali da essere nominati ma non ancora abbastanza dolorosi da aver forzato una soluzione. Sono di solito le aree a piu alto segnale per un intervento di prodotto.

"Quando l'hiring manager e tornato con il feedback sull'ultima shortlist che gli hai inviato, cosa ha detto?" Il divario tra cio che le HR pensano che l'hiring manager voglia e cio che l'hiring manager dice effettivamente e spesso dove vive la frizione piu dolorosa. Far emergere questo nella discovery punta direttamente al problema di architettura dell'informazione che il tuo prodotto deve risolvere.

"Se questo problema sparisse domani, cosa faresti con il tempo?" Questa e la domanda di ancoraggio del valore del framework generale, applicata specificamente alle HR. La risposta rivela se il problema e genuinamente doloroso o semplicemente scomodo.

Domande che chiudono le conversazioni HR

Evita qualsiasi cosa che guidi esplicitamente con l'AI. "Come vedi l'AI integrarsi nel tuo processo di recruitment?" e una domanda sulla tecnologia, non sul lavoro. Evita qualsiasi domanda sull'efficienza che possa essere interpretata come "come faresti questo con meno persone?" Nelle HR, quel tipo di inquadramento attiva immediatamente una postura difensiva.

Esempio pratico: screening assistito da AI nella selezione del talento

Questo e il caso d'uso con il segnale di discovery piu maturo nell'AI per le HR, quindi vale la pena percorrerlo concretamente per mostrare cosa fa emergere davvero il processo di discovery rispetto a cio che i founder tipicamente costruiscono in risposta.

Il problema come lo descrive il compratore

Un VP HR in un'azienda tecnologica di medie dimensioni spiega che il costo per assunzione e aumentato del 40% in due anni. Vogliono che l'AI "ottimizzi il funnel di recruitment." Hanno un budget. Vogliono un pilota entro il Q3. Questo e un problema reale descritto al livello di risoluzione sbagliato per costruire qualcosa di utile.

Il problema come lo vive l'utente quotidiano

Il recruiter che gestisce lo stesso processo di assunzione descrive qualcosa di piu specifico. Riceve una media di 380 candidature per posizione. Il primo passaggio richiede circa due ore e mezza: scansionare per esclusioni ovvie come location, aspettativa salariale, anni di esperienza, requisiti linguistici. Questo produce una shortlist di 40-60 candidati che ricevono una seconda lettura, che richiede un'altra ora e mezza. Il problema non e il tempo in se. Il problema e che questo lavoro succede prima delle 9 del lunedi mattina perche deve essere fatto prima del sync settimanale con l'hiring manager, ed e la prima cosa nel suo calendario, il che significa che occupa lo spazio del lavoro relazionale che gli importa davvero.

Questo e un problema completamente diverso da "ottimizzare il funnel." E un problema di agenda e attenzione mascherato da problema di volume. E punta a un intervento di prodotto diverso: non un algoritmo di ranking, ma una shortlist pre-processata consegnata il venerdi pomeriggio in modo che il recruiter possa rivederla prima del lunedi invece di produrla il lunedi mattina.

Cosa affronta un MVP ben definito

Il prodotto minimo che vale la pena costruire e testare non e una piattaforma di screening completa. E uno strumento che prende la job description e il batch di candidature e restituisce, il venerdi pomeriggio, una shortlist strutturata con un paragrafo di motivazione per ogni candidato rispetto ai criteri dichiarati. Il recruiter la rivede, aggiusta i pesi dove la motivazione e sbagliata, e invia il risultato all'hiring manager. La metrica: il recruiter usa questo output senza rifare il lavoro da zero? Se si, hai un prodotto.

Le barriere all'adozione specifiche delle HR in Europa

Costruire un prodotto AI per le HR in Europa aggiunge una dimensione normativa che non e opzionale. L'AI Act dell'UE classifica i sistemi AI utilizzati nell'impiego, nella gestione dei lavoratori e nell'accesso al lavoro autonomo come ad alto rischio. Questo include lo screening automatizzato dei candidati, il monitoraggio delle performance dei lavoratori e i sistemi di assegnazione dei compiti.

La classificazione ad alto rischio implica valutazione di conformita obbligatoria prima del deployment, requisiti di supervisione umana integrati nel prodotto, documentazione tecnica e registrazione nel database UE per i sistemi AI ad alto rischio. Per un founder che costruisce in questo spazio, questa non e una casella di compliance da gestire prima del lancio. E un vincolo architetturale che deve essere integrato fin dalla prima decisione di design.

Il GDPR aggiunge un secondo livello. Il processo decisionale automatizzato che produce effetti legali o significativi sugli individui richiede o il consenso esplicito o una base giuridica specifica, e deve includere il diritto a una revisione umana. Per uno strumento di screening, "effetti significativamente simili" copre quasi certamente il rifiuto di una candidatura di lavoro. Questo significa che il tuo prodotto non puo essere un ranker a scatola nera. Deve supportare la revisione umana in modo documentabile e spiegabile al candidato se richiesto.

L'implicazione pratica di entrambi i framework e che il percorso piu rapido al mercato nell'AI HR europeo non e il processo decisionale automatizzato ma il supporto alla decisione. Uno strumento che presenta informazioni strutturate a un umano che prende la decisione finale e in una categoria di compliance fondamentalmente diversa da uno che prende o raccomanda la decisione autonomamente. Questo e anche, tra l'altro, un prodotto migliore per l'utente quotidiano, che non vuole che un algoritmo si prenda le decisioni di giudizio per cui e stato assunto.

Segnali di prezzo nella discovery HR

L'ancora di valore nelle HR e piu concreta che nella maggior parte dei verticali perche le metriche di costo sono ben stabilite. Costo per assunzione, tempo per coprire il ruolo, capacita del recruiter (posizioni per recruiter per trimestre) e costo del turnover sono tutti numeri che i team HR tracciano e che di solito sanno citare a memoria.

La domanda che fa emergere la disponibilita a pagare in modo piu affidabile nelle HR non e "quanto pagheresti per questo strumento?" E "se questo strumento restituisse al tuo team dieci ore per processo di selezione, a cosa andrebbero quelle dieci ore?" Se la risposta e lavoro ad alto valore che la persona vuole davvero fare, la disponibilita a pagare e reale e puoi fissare il prezzo in funzione del valore di quella capacita recuperata. Se la risposta e vaga, il budget probabilmente non si materializzera quando arrivera la decisione di acquisto.