Using AI at Work, 117: AI in Recruitment: What the Future of Hiring Looks Like with James Terry¶
Epizód: Using AI at Work, Episode 117 — AI in Recruitment Dátum: 2026-08-17 (megjelenés) Házigazda: Chris Daigle Vendég: James Terry — Head of US Revenue, Indeed Flex (Austin, TX) Hossz: ~47 perc (2833s) Forrás: https://www.buzzsprout.com/2278116/episodes/19648522 Wiki raw:
Összegzés¶
A 117. epizódban Chris Daigle a recruitment és a workforce operations gyakorlati átalakulásáról beszélget James Terry-vel, az Indeed Flex US Revenue vezetőjével. A központi probléma: a generative AI elterjedésével a jelentkezési volumen 10×-esére nőtt (egy állásra most 300 jelentkező jön, szemben a két évvel ezelőtti 30-cal), és a hagyományos szűrési folyamatok összeomlottak. A megoldás, amit az Indeed Flex bevezetett: AI-alapú interjúk emberi review-val, ez a recruiterok termelékenységét 12-15 interjú/napról 80-ra emelte. A legfontosabb tanulság nem a technológia, hanem a szervezeti gondolkodás átalakítása: az adminisztratív HR-ből stratégiai üzleti partnerré válás, ahol a workforce-adat, az operations-adat és a performance-adat összekapcsolásával a HR proaktívan csökkenti a fluktuációt és javítja a toborzás minőségét. James a saját munkájában is alkalmazza a tanulságokat: Gemini, NotebookLM és egy "second brain" összekapcsolása MCP-vel a sales-execution rendszerbe, amivel egy proposal összeállítása 2-3 hétről 15 percre zsugorodott. A beszélgetés a "Malthusian view" cáfolatával zárul: James szerint nem az AI veszi el a munkát, hanem a munkák tartalma alakul át, és aki nem tanulja meg használni, lemarad.
1. Vendég-bemutatkozás: James Terry és az Indeed Flex¶
James az Indeed Flex US Revenue vezetője Austinban (a "Domain" nevű kerületben, 15 percre a belvárostól, nem a leendő Indeed Towerban). Az Indeed Flex az Indeed egyik divíziója, amely contingent labor programokat üzemeltet, jellemzően 35-45 különböző warehouse és distribution center számára közvetít átmeneti munkaerőt az Egyesült Államokban. James csapata két oldalon dolgozik: a kliens oldalon (mid-market és enterprise sales, implementation, client success) és a worker oldalon (jelentkezők kezelése).
A beszélgetés apropója: James a gyakorló oldalról beszél, nem elméletben, nap mint nap implementálja és használja az AI-t. A pre-interview során kiderült, hogy aktív AI-felhasználó: Gemini, Gemini Gems, NotebookLM, Snowflake, Tableau, ChatGPT, ezek a mindennapi eszközei.
2. AI hiring és a race to build AI fluency (01:57)¶
James egy fontos megfigyzéssel indít: nincs "secret sauce". Az iparági konferenciákon és peer-beszélgetéseken az látszik, hogy mindenki próbálkozik, de senki nem találta meg a varázsmegoldást. Akit 6-12 hónappal ezelőtt "early adopter"-nek tartottak, az most "mainstream", és aki 18-24 hónap múlva kezd, az végleg lemarad.
A felhasználási minta tipikusan a "email-írás + belső dokumentumok" szintjén kezdődik, de itt meg kell állni és továbblépni. A lényeges ugrás: saját üzleti problémára alkalmazni, nem csak productivity hack-ekre.
A podcast házigazdája, Chris Daigle kiegészíti: a Chief AI Officer cég (a műsor szponzora) ezt a problémát célozza, egyszerű forward path-t adnak cégeknek, ahol executive + team training, deployment és céges transzformáció együtt megy. A "shiny object"-ből operating system-et csinálnak.
3. Putting AI to work across revenue and operations (06:42)¶
James konkrét példákon mutatja be, hogyan használja az AI-t a sales oldalon:
Proposal / handoff automatizálás. Egy 35-45 telephelyes klienssel való egyeztetés után az implementation team-nek át kell adni a megbeszélést. Az MCP-n keresztül az AI hozzáfér a sales execution rendszerhez, lehívja a hívásrögzítést, alkalmazza a playbook template-et, és kitölti az árazással, részletekkel és az ügyfélspecifikus pontokkal. Nincs drop ball, nincs eltérés a várakozásoktól.
Client KPI dashboard. Korábban a client success teamnek 6 órát vett igénybe, hogy a Snowflake + Tableau reporting-ból összehúzzon egy ügyfélre szabott PDF-et a fulfillment rate-ről, turnover rate-ről, time-to-hire-ről. Most egy prompt kiadja ugyanezt 30 perc alatt, és a minőség jobb.
A kulcsszó: "AI in concert", az adatok összekapcsolása (MCP-k segítségével) hozza az igazi értéket, nem egy-egy elszigetelt AI use case.
4. Why application overload is breaking traditional screening (10:17)¶
A legfontosabb adat: 2 évvel ezelőtt 30 jelentkező egy állásra, ma 300. A növekedés oka nem az, hogy többen keresnek munkát, hanem az, hogy egy-egy jelentkező most 100-200-300 állásra is pályázik egyszerre (az AI-alapú resume-tailoring eszközökkel pedig tömegesen, testreszabottan).
A klasszikus problémák: - 70+ százalék a jelentkezők hazudik az önéletrajzában, és az AI most még a hazugságot is "tökéletesíti" (resume writer toolok). - Mass apply → mass decline: a jelentkezők tömegesen küldenek, három nap múlva tömeges elutasító email jön, beszélgetés nélkül. - "AI talking to AI": az egyik oldalon a jelentkező AI-jal írja a CV-t, a másik oldalon a recruiter AI-ja olvassa. Mindkét oldal tömeges zajt generál, és a valódi jel elveszik.
James statja (amit 3-4 hónapja hallott): a volume növekedés "állkapocs-leesős" mértékű. Ez a recruitment fázis egy, a második fázis a minőség.
5. AI interviews at scale with human review (11:51)¶
Az Indeed Flex megoldása: AI interview, emberi review-val. A jelölt a jelentkezés után azonnal kap egy emailt, hogy "szeretnél-e most interjút csinálni?", bejelentkezik, és a saját idejében végigmegy rajta. A rendszer viselkedés-alapú kérdéseket tesz fel (first, second, third level), és folytatólagos kérdéseket is tud generálni az előző válaszok alapján.
Mechanikai megvalósítás: nincs avatar (az kutatásaik szerint off-putting), hanem "voice squiggles" a képernyőn, beszélgetés az AI agent-tel, alacsony latenciával.
A recruiter termelékenysége: - Korábban: 12-15 interjú/nap - Most: 80 review/nap
A review nem a pleasantries és a dead time, a recruiter a legfontosabb 5-6 kérdésre ugrik, és a jelölt stack-rankolva van. A recorder is megtekinthető, ha kell.
Jelölti feedback: a legtöbb worker vagy ugyanolyan elégedett, vagy elégedettebb, mint a humán interjúval, kevésbé intimidating, és a saját idejükben csinálhatják.
Konzisztencia előnye: minden jelölt ugyanazt a kérdéssort kapja (first level), így a recruiterok közötti inkonzisztencia kiszűrhető.
A Indeed Smart Screening termék (az Indeed proper oldalon) ugyanezt csinálja a teljes Indeed ügyfélkörnek, beállítod a fontos kérdéseket, a jelölt válaszol, kapod a video recordert és a stack-rankot.
6. Can AI identify better candidates? (15:55)¶
Chris kérdése: "A jobb jelölteket veszik fel most?"
James válasza: - Skill-relevancia: igen, az AI jobban validálja a tapasztalatot (pl. forklift driver skill), mint egy recruiter. - Motivational fit / soft areas: itt még nem elég jó a rendszer. - Magas skill-szintű rollokra (pl. finance executive): nem hires-ölünk kizárólag AI interview alapján, ez csak szűkít. - Tömeges low-skill rollokra (warehouse, distribution): az AI interview kiváló first-pass.
A tradeoff: a korábbi 30-as lista "manuális 15-20 másodperc/resume" review-ját leváltja a 300-as lista AI-alapú szűrése. Akit az AI kiválaszt, az emberi review-n megy, és onnan az in-person interjú.
A paradoxon: a mass apply-t végző, AI-optimalizált CV-t küldő jelöltek nyerhetnek, mert a rendszer mindenkinek ad egy shot-ot az AI interview-n. Aki nem megy át, az kiesik, aki átmegy, az esélyes marad.
7. Turning HR into a strategic business function (21:30)¶
A legfontosabb paradigmaváltás: HR ≠ adminisztratív cost center, hanem stratégiai profit center.
James konkrét esete: Egy kliensnél a peak időszak (ünnepi szezon) előtti két hétben felvett dolgozók 30%-kal magasabb turnover rate-et produkáltak, mint a szezon előtt 6 héttel felvettek. Ezt az adatot a workforce management + temp labor + demand rendszerek összekapcsolásával találták, és az insightból konkrét cselekvési javaslat született (ramp up earlier).
További példa, split shifts: A warehouse-ok split shift mintákat használnak (H-K-SZ-CS egy héten, K-SZ-CS-P a másikon, SZ-CS-P-SZ a harmadikon), mert az operations csapatnak ez a legegyszerűbb. De az emberek konzisztenciát akarnak. Az AI kimutatja: ahol split shift van, a turnover 20%-kal magasabb. A HR most már adat-alapon megy az operations-höz: "nézd, ha csökkented a split shift-et 10%-kal, x megtakarításod lesz az új felvételek és onboarding költségén."
A változás lényege: a HR sávjában van egyedi perspektíva (workforce adat, dolgozói élmény, retention pattern), amivel az operations, finance vagy sales nem rendelkezik. Ha az AI leveszi az admin burden-t, a HR-nek van ideje erre a stratégiai munkára.
A SHRM (Society for Human Resource Management) diskurzus: James tapasztalata szerint a forward-thinking cégek már ott tartanak, mások még a "HR fundamentally human profession" ellenérvet hozzák fel. A valóság a kettő között van, de a lehetőség adott.
8. Using workforce data to reduce turnover (24:57)¶
Ez a fejezet a 7. folytatása, konkrét üzleti hatással:
- Turnover 10%-os csökkentése = kevesebb új felvétel + kevesebb onboarding idő = gyorsabb ramp-up = jobb termelékenység a facility-ben = P&L-re ható revenue impact.
A kulcsszó: AI a teljes értékláncban, nem csak a recruiter productivity-ben, hanem a HR stratégiai munkájában is. Az eredmény: a 300 átnézetlen resume-ból kiindulva a HR most már üzleti intelligencia-t nyújt a szervezetnek.
Chris takeaway a hallgatóknak: - Ha van HR csapatod és AI-t vezetsz be, adj nekik mandátumot: "Most hogy van extra időtök, heti riportot kérek a működési javaslatokról." - Ha operátor vagy, gondolkodj újra azon, hogy mit csinálnak a HR-esek az új kapacitásukkal.
9. From AI experiments to real workflows (30:34)¶
James a saját munkájában használt eszköztár részletes leírása:
Bid writing support (NotebookLM + Gemini): A bid library + a customer requirements alapján a Gemini kitölti a template-et, "easy one", de nem a light bulb moment.
A valódi átütés: "second brain" + MCP. James csapatánál minden sales call rögzítve van, és minden MCP-n keresztül elérhető. Egy proposal összeállítása: 1. Pull off internal data set (KPI-k, amik fontosak a kliensnek) 2. Pull Slack-ből + Gmail-ből + call recording-okból a "mi működött jól" példákat + konkrét ügyfél-idézeteket 3. Pull Slack-ből + Gmail-ből + call recording-okból a "mi nem működött" eseteket + a megoldásokat 4. Összeköti a value proposition methodology-val 5. Egy 15 perces session-ben kijön egy deck, ami korábban 2-3 hét multi-meeting multi-person volt.
80% kész van 20 perc alatt. Az eredmény nem végtermék, de a 80% hatalmas ugrás. És néha az AI "out of the blue" insightot hoz (pl. egy 4. téma, ami nem volt a listán).
A tanulság (Chris szájából): nem egyéni AI use case-ekről van szó, hanem az adatok összekapcsolásáról. Ha az AI a teljes szervezeti adathalmazon dolgozik együtt, az igazi erősség.
Vendor dialógus indítása: Chris tanácsa a hallgatóknak, beszéljenek a vendorokkal arról, hogyan használják az AI-t a tooljaikban. James tapasztalata: az R&D csapatok néha "buborékban" ülnek, és a kliens-perspektíva segíthet a roadmap formálásában, és gyakran a kívánt funkció meg is jelenik a következő release-ben.
10. How AI will change jobs and roles (34:48)¶
A záró fejezet a "munkák jövője" kérdésre fókuszál:
A "Malthusian view" cáfolata. James Thomas Malthus 19. századi közgazdász analógiáját használja ("a világ túlnépesedik és nem lesz elég élelem"): aki ma azt mondja, hogy "az AI miatt nem lesz munka", az a 21. századi Malthus. A világ fejlődik, az emberek alkalmazkodnak, és ha senkinek nincs munkája, senki nem tudja megvenni az AI tokeneket sem.
A valódi átalakulás: a munkák tartalma változik, nem tűnnek el. - Az HR-es 30 resume review-ja → stratéiga insight az operations-nek - Az admin burden → cross-functional analízis - A productivity növekedés → több wealth → több ember jön ki a szegénységből
A HR példa: egy 20 fős HR csapatból lehet, hogy 5 marad, de a másik 15 ember máshol dolgozik, új iparágak jönnek létre. Net growth, net positive.
A gyakorlati figyelmeztetés: akik csak email-írásra használják az AI-t, azok le fognak maradni. A kérdés nem az, hogy lesznek-e munkahelyek, hanem hogy elég gyorsan tanulsz-e meg alkalmazkodni.
Jensen Huang idézet (a beszélgetés végén): "Most élünk a legjobb korban, amit az emberiség valaha megélt", és van egy ritka lehetőségünk megformálni a jövőt, mert még senki nem oldotta meg teljesen, mindenki playbook-ját most írjuk.
11. Záró gondolatok és a "second brain" recept¶
Chris záró tanácsa hallgatóknak: 1. Válaszd ki a model-t ami neked való (Gemini, GPT, Claude, stb.) 2. Építsd a "second brain"-t: traineld a saját skill-szetteddel, szakterületi tudásoddal. 3. Kössz össze adatforrásokat (MCP-k segítségével), ez az, ami felskálázza az értéket. 4. Légy kritikus, ne bízz meg automatikusan az AI kimenetben, de használd a 80%-os first draft-ot ugródeszkaként.
James parting wisdomja: "Embrace it, tedd magad kínos helyzetbe, teszteld a határokat", meglepődsz, mit tud a rendszer.
Mentionelt eszközök: - Indeed Smart Screening. AI interview platform Indeed Flex-en és Indeed-en - Google Gemini + Gemini Gems, általános LLM + testre szabható agentek - Google NotebookLM, belső tudásbázis-alapú válaszadás (bid library-hez) - Snowflake + Tableau, data lake + reporting (most AI prompt-ból generálják a dashboardot) - ChatGPT, általános LLM - Chief AI Officer (a podcast szponzora). AI executive training + deployment cég
Vendég linkek: - James Terry LinkedIn: https://www.linkedin.com/in/james-terry-33023717 - Indeed Flex: https://indeedflex.com/ - Indeed Flex contingent labor webinar: https://indeedflex.com/employers/resources/industry-reports/webinar-contingent-labor-in-manufacturing-competitive-advantage/
Forrás és meta¶
Forrás: https://www.usingaiatwork.com + Buzzsprout feed (https://feeds.buzzsprout.com/2278116.rss)
MP3: https://www.buzzsprout.com/2278116/episodes/19648522-117-ai-in-recruitment-what-the-future-of-hiring-looks-like-with-james-terry.mp3
Whisper-transzkript: (9685 szó, 0 hallucináció)
Show notes: (a pipeline során készült show_notes.txt nem maradt meg — ⚠️ a hivatkozott fájl nem található a lemezen (2026-09-25-i ellenőrzés))
Házigazda: Chris Daigle (Using AI at Work podcast)
Elsődleges topic: ai-automation.md (recruitment + workforce data + AI ops convergence)