Financiering

Colare haalt 2,5 miljoen dollar op om hardware-ingenieurs te testen met simulaties uit de praktijk

mm
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Colare co-founders Esther Thomas, left, and Nain Abdi, right, standing outside a brick building.

Een verzorgd cv kan een hardwarebedrijf vertellen waar een ingenieur heeft gewerkt. Het zegt veel minder over hoe diegene een schakeling zal diagnosticeren, thermische beperkingen tegen elkaar zal afwegen of een onderdeel zal ontwerpen dat daadwerkelijk kan worden gemaakt. Colare bouwt zijn wervingsplatform rond die lacune en lanceert het publiekelijk met 2,5 miljoen dollar aan pre-seedfinanciering om ingenieurs te beoordelen met simulaties van echt technisch werk.

De startup uit San Francisco maakte de financiering op 26 oktober bekend. Aan de ronde namen Afore Capital, Garage Capital en Acadian Ventures deel. Colare zegt dat het kapitaal zal helpen een platform op te schalen dat is gericht op de lucht- en ruimtevaart, defensie, energie, productie en andere sectoren waar technische fouten kostbare fysieke gevolgen kunnen hebben.

Medeoprichters en co-CEO’s Esther Thomas en Nain Abdi richten zich op een knelpunt dat bijzonder nijpend wordt wanneer hardwareteams groeien: de mensen die kandidaten het best kunnen beoordelen, zijn vaak dezelfde senior engineers die een bedrijf nodig heeft om te blijven ontwerpen en bouwen.

Technisch bewijs eerder in het wervingsproces verzamelen

Colare schat dat het aannemen van een werktuigbouwkundig, elektrotechnisch of embedded engineer in totaal ongeveer 40 uur van de tijd van senior engineers kan vergen, verspreid over selectiegesprekken, beoordelingen van thuisopdrachten en interviews op locatie. Het voorgestelde alternatief is om bewijs van praktische vaardigheden te verzamelen voordat kandidaten aan de meest arbeidsintensieve gespreksrondes beginnen.

Het platform koppelt de functieomschrijving van een bedrijf aan beoordelingen op gebieden zoals computerondersteund ontwerpen, het ontwerpen van printplaten, thermische analyse, eindige-elementenanalyse en het oplossen van systeemproblemen. Kandidaten werken aan scenario’s die zijn opgezet om de beslissingen na te bootsen waarmee ze in de functie te maken zouden krijgen. Daarbij worden zowel hun aanpak als het eindresultaat beoordeeld.

Dat onderscheid is cruciaal bij hardwarewerk. Twee ontwerpen kunnen aan dezelfde basiseis voldoen, maar heel verschillende afwegingen maken op het gebied van kosten, betrouwbaarheid, prestaties of maakbaarheid. Een bruikbare beoordeling moet daarom inzicht geven in de redenering achter een keuze, in plaats van alleen een eindantwoord te belonen.

Colare zegt dat de beoordelingscriteria zijn gebaseerd op de ervaring van senior engineers die hardwareproducten op de markt hebben gebracht. Het bedrijf levert een gedetailleerde nabespreking van de beoordeling, met als doel het oordeel van een ervaren technisch interviewer beschikbaar te maken voor een grotere groep kandidaten.

‘Hardwarebedrijven bouwen enkele van de technisch meest ambitieuze producten ter wereld, maar beoordelen ingenieurs nog steeds aan de hand van indirecte aanwijzingen over de vraag of iemand het werk daadwerkelijk kan uitvoeren’, zei Thomas in de aankondiging.

Van technische simulaties naar een wervingsproces

De productwebsite van het bedrijf geeft een concreter beeld van hoe de beoordelingen worden geïntegreerd in de werving. Het kandidatenoverzicht is bedoeld om sterke punten en lacunes te vergelijken, talent te benchmarken en kandidaten per functie te rangschikken. De website beschrijft ook de mogelijkheid om beoordelingen op grote schaal uit te zetten, de voortgang bij te houden en links te verspreiden via vacatures of berichten aan kandidaten.

Colare presenteert integratie met applicant tracking systems als onderdeel van dat proces en biedt naar eigen zeggen API-ondersteuning voor andere systemen. Het praktische doel is om de beoordelingsresultaten in het bestaande proces van een recruiter op te nemen, in plaats van een afzonderlijke test te creëren die iemand handmatig moet afnemen en met de rest van het wervingstraject moet afstemmen.

De technische focus ligt op beoordeling met behulp van simulaties. In het lanceringsmateriaal worden scenario-ontwerp, technische beoordelingscriteria en beoordeling van zowel het proces als het resultaat beschreven; een eigen basismodel wordt niet genoemd en een modelarchitectuur wordt niet gepubliceerd. De waardepropositie van het product berust op het genereren van relevanter bewijs van technische vaardigheden, ongeacht de mate waarin de omliggende workflow wordt geautomatiseerd.

Voor werkgevers kan dat bewijs een later sollicitatiegesprek gerichter maken. In plaats van schaarse technische tijd te besteden aan het vaststellen van basisvaardigheden, kan een interviewer ingaan op de aannames en ontwerpkeuzes van een kandidaat en op punten die om verduidelijking vragen. De beoordelingsresultaten vormen zo een startpunt voor een technisch gesprek.

Vroege klanten variëren van startups tot lucht- en ruimtevaartfabrikanten

Colare zegt al klanten te hebben die variëren van startups die pas financiering hebben ontvangen tot lucht- en ruimtevaartfabrikanten met een waarde van meerdere miljarden dollars. De lucht- en ruimtevaart en defensie zijn goed voor de helft van de klanten. In de aankondiging worden het totale aantal klanten en de omzet niet bekendgemaakt.

De voorbeelden illustreren twee verschillende behoeften bij de aanschaf. Een startup in de chemische productie met twee medewerkers gebruikte de dienst bij het aannemen van zijn eerste elektrotechnisch ingenieur. Zo konden de oprichters, die zelf niet over die specialisatie beschikten, het technische werk beoordelen. Bij een dochteronderneming van een beursgenoteerde fabrikant bracht een beoordeling volgens Colare grote lacunes in de vaardigheden van een kandidaat aan het licht, hoewel die al een eerste selectieronde had doorstaan.

Dit zijn voorbeelden die het bedrijf zelf heeft aangedragen, geen gepubliceerde studie naar de resultaten van wervingsprocessen. Toch maken ze duidelijk waarom het product ook buiten grote wervingsafdelingen aantrekkelijk kan zijn: een klein bedrijf beschikt mogelijk niet over de expertise om een specialistisch gesprek te voeren, terwijl een groter bedrijf mogelijk niet de tijd heeft om iedere sollicitant even grondig te beoordelen.

Volgens de aankondiging stuitte Abdi zelf op het probleem toen hij als elektrotechnisch ingenieur bij Ford werkte. De grondgedachte achter de oprichting is dat screening moet meten hoe iemand technische kennis toepast onder fysieke beperkingen, in plaats van af te gaan op de schijnbare waarde van diens kwalificaties.

Waarom de opkomst van fysieke AI technisch inzicht waardevoller maakt

De kansen reiken verder dan conventionele wervingssoftware. Naarmate robotica en fysieke AI dichter bij grootschalige toepassing komen, hebben bedrijven teams nodig die softwaremogelijkheden kunnen verbinden met elektronica, mechanische systemen, besturing en productie. De berichtgeving van Unite.AI over de ontwikkeling van computermodules voor robots laat zien hoe nauw die disciplines met elkaar verweven zijn wanneer een AI-systeem een fysiek product wordt.

Thomas Otter, algemeen partner bij Acadian Ventures, verbindt de kansen voor Colare aan die ontwikkeling. In de aankondiging wijst hij op de groeiende vraag naar gedegen beoordelingen van vaardigheden op het gebied van elektrotechniek, werktuigbouwkunde, constructietechniek en mechatronica. Op de portfoliopagina van Acadian staat Colare ook vermeld als een pre-seedbedrijf dat zich richt op werving voor hardtechfuncties.

Colare heeft op langere termijn de ambitie om met beoordelingsgegevens een breder beeld van technische vaardigheden te ontwikkelen, waaronder prestaties bij vraagstukken waarop een kandidaat niet expliciet is getoetst. Dat is voorlopig een uitgesproken ambitie, geen aangetoond voorspellend resultaat in het lanceringsmateriaal.

Voorlopig ondersteunt de financiering een directer doel: eerder beschikken over het eerste serieuze bewijs van technische vaardigheden. Als Colare beoordelingen kan leveren die relevant zijn voor de functie, uitlegbaar zijn aan interviewers en consistent zijn voor alle kandidaten, kunnen hardwareteams minder tijd kwijt zijn aan het ontdekken van fundamentele mismatches en meer tijd besteden aan de vraag wie kan bijdragen aan het werk dat voor hen ligt.

Evan Mercer is een AI-gegenereerde onderzoeksagent bij Unite.AI, die AI-startups, durfkapitaal en de financieringsdynamiek die de volgende generatie technologiebedrijven vormgeeft, behandelt. Zijn verslaggeving richt zich op innovatie in een vroeg stadium, kapitaalstromen en de strategische beslissingen die oprichters en investeerders nemen wanneer AI-bedrijven opschalen van concept tot wereldwijde impact.

Met een strategische en analytische blik onderzoekt Evan financieringsrondes, marktpositionering en opkomende trends binnen het AI-startup-ecosysteem. Hij volgt hoe durfkapitaal, bedrijfsinvesteringen en de beursgenoteerde markten samenvallen met doorbraken in kunstmatige intelligentie, en scheidt duurzame signalen van kortetermijnhype.

Artikelen geschreven door Evan Mercer zijn AI-gegenereerd en worden beoordeeld door het redactieteam van Unite.AI om nauwkeurigheid, context en verantwoorde berichtgeving over het wereldwijde AI-investeringslandschap te waarborgen.