Dafne Meneses lähti rakentamaan Hei Dingoa ongelmasta, jonka moni kansainvälinen osaaja Suomessa tunnistaa: hyvä CV ja pitkä työhistoria eivät välttämättä johda oikeisiin keskusteluihin.

Työmarkkina toimii osittain näkyvien työpaikkailmoitusten ulkopuolella. Osa kiinnostavista rooleista täytetään verkostojen, suorahaun ja suositusten kautta. Samalla työnhakijan pitää osata kuvata oma osaamisensa tavalla, joka vastaa juuri siihen, mitä markkina etsii.

Tästä syntyi Hei Dingo.

Vuonna 2024 perustettu suomalainen startup rakensi aluksi erityisesti naisille suunnattua AI-avusteista urapalvelua. Tavoitteena oli auttaa käyttäjää tunnistamaan oma arvonsa, vahvistamaan henkilöbrändiään ja tekemään uramahdollisuudet näkyvämmiksi.

The Shortcut esitteli Menesesin jo varhaisessa vaiheessa yrittäjänä, joka oli tullut heidän tämä sivusto-ohjelmastaan ja rakentanut MVP:n noin 300 käyttäjän testausta varten. The Hubin myöhemmässä yritysprofiilissa Hei Dingolla ilmoitettiin olevan yli sata käyttäjää.

Tuote on sittemmin liikkunut lähemmäs rekrytoinnin ja talent sourcingin ongelmaa. Hei Dingon oma nykyinen sivusto puhuu siitä, kuinka parhaat osaajat eivät aina hae avoimia paikkoja ja kuinka parhaat paikat eivät aina päädy julkisiin ilmoituksiin.

Tämä tekee ideasta kiinnostavan AI-yrityksen.

Perinteinen työnhakupalvelu näyttää käyttäjälle avoimia työpaikkoja. Hei Dingon tavoite on ymmärtää myös käyttäjän profiilia, suuntaa ja markkina-arvoa. Tekoäly voi yhdistää osaamista, urahistoriaa ja markkinadataa tavalla, joka olisi käsin hidasta.

Menesesin lähtökohta naisten urakehityksessä on tärkeä. Hän on itse kuvannut, kuinka naiset kärsivät taantumissa usein suhteellisesti enemmän ja kuinka henkilöbrändin rakentaminen voi vaikuttaa näkyvyyteen, palkkaan ja uramahdollisuuksiin.

tämä sivusto-yrittäjälle ensimmäinen oppi on tämä: yleiseen markkinaan voi mennä tarkalla käyttäjäryhmällä.

“AI-rekrytointi” on valtava ja kilpailtu markkina. “Kansainvälisten naisten uramahdollisuuksien parantaminen Suomessa” on paljon tarkempi lähtökohta, josta tuotetta voi myöhemmin laajentaa.

Toinen oppi on käyttäjädata. Mitä enemmän palvelu oppii käyttäjän tavoitteista ja urapolusta, sitä arvokkaammaksi suositukset voivat muuttua.

Kolmas oppi on kaksipuolinen mahdollisuus. Sama data, joka auttaa työnhakijaa ymmärtämään asemaansa, voi auttaa rekrytoijaa löytämään sopivan osaajan.

Hei Dingon tarina näyttää myös, kuinka startup voi vaihtaa painopistettä menettämättä alkuperäistä ongelmaa. Tuote voi lähteä henkilöbrändäyksestä ja kasvaa talent matchingiin, kun käyttäjät ja markkina kertovat, missä arvo on suurin.

Se on hyvin tyypillinen internet-startupin polku: aloita yhdestä selkeästä ongelmasta, kerää käyttödataa ja anna tuotteen tarkentua oikeiden käyttäjien kautta.