Det første trin er beskrivende: hvad skete der? Det er her, langt de fleste organisationer befinder sig – man kan se tallene, men ikke nødvendigvis forstå eller handle på dem. Det andet trin er diagnosticerende: hvorfor skete det? Det er her, man begynder at forstå mønstre – hvorfor dykker oplevelsen typisk efter fire måneder, hvorfor scorer én afdeling lavere end en anden. Det tredje trin er forudseende: hvad kommer der til at ske? Her bruger man mønstrene til at forudsige, hvordan det sandsynligvis går for den enkelte medarbejder, før det sker. Og det fjerde trin er fremskrivende: hvordan får vi det til at ske? Her bliver data til handling, automatisk og proaktivt.

Denne artikelserie har i praksis fulgt den samme stige. De første artikler handlede om at måle og beskrive (indeks, dialograpport). Derefter fulgte diagnosticering (benchmarks, dimensionssignaler, onboarding-kurven, sæsonvariation). Med kataloget i forrige artikel bevægede vi os mod det fremskrivende trin – konkrete indsatser, klar til at blive sat i spil. Det, der mangler for at lukke cirklen, er det forudseende trin: at bruge alt det, vi allerede ved, til at forudsige, hvad der er ved at ske – før det viser sig i en lav score.

Det, der gør forudsigelse muligt, er ikke én datakilde – det er kombinationen af flere.

Hvis man kender medarbejderens egen udvikling så langt i forløbet: scorer på de seks dimensioner efter 1, 3 og 6 måneder. Hvis man kender afdelingens eller organisationens typiske mønster: den karakteristiske kurve, med dens dyk og stigninger, og hvordan den plejer at se ud sammenlignet med resten af organisationen. Hvis man kender segmentdata: hvordan medarbejdere i en bestemt aldersgruppe, et bestemt fagområde eller en bestemt rolletype typisk klarer sig. Og hvis man kender – hvis man har været struktureret om det – hvilket konkret onboarding-design den enkelte medarbejder faktisk har gennemgået: hvilke indsatser fra kataloget er sat i spil, og hvornår.

Så kan man lægge de fire datakilder sammen, og man har noget langt mere brugbart end en enkelt score. Man kan begynde at spørge: ligger denne medarbejder på et spor, der historisk set fører til et problematisk dyk om to måneder? Og hvis ja – hvad plejer at virke i den situation?

Det er her, kataloget fra forrige artikel bliver særligt værdifuldt. Har man allerede opbygget et katalog af indsatser, organiseret efter dimension og fase, kan AI-forudsigelsen kobles direkte til handling: forudser systemet, at en medarbejder er på vej mod et dyk i Netværk-dimensionen, kan det automatisk foreslå – eller ligefrem igangsætte – den relevante indsats fra kataloget, før dykket for alvor sætter ind.

Det er forskellen på et sikkerhedsnet, man selv skal huske at spænde ud, og ét, der spændes automatisk, når data viser, at det er nødvendigt. For den enkelte leder betyder det, at man ikke længere skal huske at holde øje med alle signaler manuelt – systemet gør det, og gør opmærksom på det, når noget kræver handling.

Der er en datakilde, de fleste organisationer allerede har liggende, men sjældent bruger til dette formål: personlighedstests fra rekrutteringsprocessen.

De fleste organisationer, der ansætter struktureret, tester allerede kandidater i forbindelse med rekruttering – og får derved et billede af, hvordan personen typisk fungerer, hvad de motiveres af, og hvilken type støtte de har brug for. Det billede bliver typisk brugt én gang, i selve ansættelsesbeslutningen, og lægges så i en skuffe.

Det er et paradoks. Man har allerede data på, hvad denne konkrete person sandsynligvis har brug for for at trives – men bruger det ikke til at forme onboardingen, som er netop det tidspunkt, hvor den viden ville gøre størst nytte. En medarbejder, der ifølge sin profil trives med struktur og klare rammer, har formentlig brug for noget andet i sin onboarding end en, der trives med frihed og hurtige udfordringer.

Kobler man den type segmentindsigt til de øvrige datakilder – egen udvikling, organisationens mønster, kataloget af indsatser – rykker forudsigelsen fra at være generisk til at være personlig. Ikke “denne aldersgruppe har typisk brug for X”, men “denne person, med denne profil, i denne rolle, på dette tidspunkt af året, har historisk set brug for Y.”

Det er værd at sige højt: jo mere præcist man kan forudsige, hvordan det går for en konkret medarbejder, jo vigtigere bliver det at bruge den viden til at hjælpe – ikke til at overvåge. Formålet med denne type AI er at fange signaler tidligt nok til at kunne handle støttende, ikke at skabe endnu et lag af kontrol i medarbejderens hverdag. Det kræver gennemsigtighed om, hvilke data der bruges, og til hvad – og det kræver, at medarbejderen oplever forudsigelsen som noget, der er til deres fordel.

Vi startede denne serie med et enkelt spørgsmål: hvorfor er tilfredshed det forkerte at måle på? Undervejs har vi bygget videre, skridt for skridt – fra seks dimensioner, til dialograpporter, til et indeks, til benchmarks, til kurven, til kalenderen, til et katalog af konkrete indsatser. Hvert skridt har gjort det næste muligt.

Med AI lukker cirklen sig: fra at måle, hvad der skete, til at forudsige, hvad der er ved at ske – og handle på det, før det bliver et problem. Det er ikke længere kun et spørgsmål om at forstå sin onboarding bedre. Det er et spørgsmål om at bygge en onboarding, der aktivt passer på hver enkelt medarbejder, hele vejen igennem.

TAK FORDI DU HAR FULGT MED
Dette var den sidste artikel i serien om at måle og forbedre onboarding.

Husk at du kan styrke dine onboardingprocesser med værktøjet FastTrack. FastTrack er en del af HR-ON Boarding+.

Læs også: AI i HR 2026: Sådan implementerer du AI-agenter i rekruttering, onboarding og trivsel