AI ødelagde CV’et, hvad nu?
Indsigt i arbejdsgangen: Traditionelle rekrutteringsmetoder favoriserer screening af en meget lille procentdel af ansøgerne og lader størstedelen være uovervejet.
AI-udfordringen: AI-værktøjer øger effektiviteten, men formår ikke effektivt at vurdere kandidaternes faktiske præstation under ansættelsen.
Ansøgningsomkostning: Det er blevet nemmere at søge job, hvilket har ført til større mængder ansøgninger og gjort filtreringsprocessen mere kompliceret.
Signalerosion: Almindelige ansættelsesindikatorer bliver mindre pålidelige, hvilket gør det sværere at identificere kvalificerede kandidater.
Fokus på færdigheder: En tilgang, hvor færdigheder kommer først, kan forbedre ansættelser, men implementeringen er fortsat en betydelig udfordring.
I årevis har arbejdsgangen i de fleste rekrutteringsteams fulgt de samme trin. Slå stillingen op, gennemgå de bedste ansøgninger, gennemgå de stærkeste kandidater, og send de bedste bud til den rekrutterende leder.
Systemet fungerede i mange år som en metode til at finde de bedste talenter til virksomheden.
Problemet, som Tim Sackett, administrerende direktør for HRUTech.com og forfatter til Talentløsningen: En leders guide til at rekruttere gode talenter, beskrev på Transform tidligere på måneden, er, at dette i høj grad er fiktion.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Når et stillingsopslag modtager 250 til 300 ansøgninger (mange modtager betydeligt flere), gennemgår den typiske rekrutteringsmedarbejder 25, måske 30. Det betyder, at kun 2-3 % af ansøgerfeltet overhovedet bliver taget i betragtning. Resten forsvinder.
"Vi fortæller vores rekrutterende ledere, at vi er ude for at finde de bedste talenter på markedet," sagde han. "Når virkeligheden er, at kun en lille del af jeres ansøgere faktisk kommer ind i processen."
Dette misforhold mellem det, rekrutteringsteams lover, og det, de faktisk er i stand til at gøre, har eksisteret i årtier. AI skabte det ikke. Men AI har til tider gjort det betydeligt sværere at lukke misforholdet, og de værktøjer, organisationer skynder sig at implementere, måler måske netop de forkerte ting.
Måleproblemet går forud for teknologien
Leanne Markus, administrerende direktør hos Centranum Group og organisationspsykolog, der arbejder med organisationer om kompetencerammer og kompetencebaseret vurdering, skelner mellem noget, som de fleste ansættelsesprocesser blander sammen. Det er forskellen mellem kvalifikationer, viden og kompetence.
Kvalifikationer — uddannelse, certificeringer, træning — indikerer forberedelse og potentiale. Test af viden kan indikere forståelse. Ingen af delene demonstrerer pålideligt evnen til at præstere i en faktisk arbejdssituation.
Årtiers forskning inden for psykologi viser, at job-specifik viden og evnen til at anvende den korrekt i den rette kontekst er den enkeltstående største forudsigelse for jobpræstation," siger Markus.
CV'et måler efter sin udformning den første kategori og antyder på en måde den anden. Det har aldrig målt den tredje.
Organisationer har historisk accepteret denne afvejning, fordi CV'et i det mindste var et praktisk filtreringsværktøj — en måde at gå fra hundredvis af ansøgninger til en overskuelig samtale på, ud fra antagelsen om, at et bedre signal ville vise sig under interviewet.
Denne antagelse bryder nu sammen i begge ender.
Hvad AI gennemgår
Når AI kommer ind i ansættelsestragten, fremstiller fortalere typisk teknologien som en løsning på mængdeproblemet. Flere kandidater gennemgås hurtigere, samtidig med at der introduceres mindre menneskelig bias i de tidlige faser. Det, der ikke ændrer sig, er, hvad der måles med datadrevne rekrutteringsprocesser.
AI gør gennemgangen mere effektiv, men ændrer ikke, hvad der måles," siger Markus. "De fleste gennemgangsmetoder, herunder AI-drevne interviews, er baseret på svar. Det er alt sammen selvrapporterede oplysninger. AI kan fremskynde behandlingen, men evaluerer grundlæggende, hvor godt en kandidat kan beskrive arbejdet, ikke om vedkommende faktisk kan udføre jobbet med succes.
Dette betyder mere, end det umiddelbart ser ud til, fordi de træningsdata, der ligger til grund for de fleste AI-værktøjer til ansættelse, forstærker problemet. Disse systemer lærer ved at sammenholde oplysninger i ansøgninger og ansættelsesbeslutninger med præstationsvurderinger. Men formelle præstationsevalueringer har kun ringe sammenhæng med den faktiske præstation på jobbet. AI lærer at genskabe et signal, der allerede var upålideligt.
Resultatet er et system, der belønner kandidater, som overbevisende kan beskrive arbejde, hvilket i 2026 betyder kandidater, der kan bruge AI til at beskrive arbejde overbevisende.
"AI kan forstærke mønstre, der er konsistente," siger Markus. "Men det betyder ikke, at de er valide. I et sortboks-miljø er det ikke tydeligt, hvordan de forskellige faktorer vægtes."
Mængdeproblemet viser sig måske at være det forkerte problem at løse.
AI har forstærket dette problem ved at gøre det muligt for organisationer at behandle endnu større mængder indgående ansøgere. Men volumen er ikke begrænsningen — det er adgangen.
Omkostningerne ved at ansøge faldt til nul
Omfanget af det, der er sket på kandidatsiden, er stadig ikke fuldt ud blevet indarbejdet i de fleste rekrutteringsfunktioner. Aaron Wang, administrerende direktør for Alex AI, formulerede det strukturelle punkt klart på Transform: Markedsomkostningen ved at søge et job er faldet til næsten nul.
En kandidat med adgang til et hvilket som helst større AI-værktøj kan søge hundredvis af job natten over, hvor hver ansøgning er tilpasset den specifikke jobbeskrivelse, den ansættende leders baggrund og arbejdsgiverens angivne værdier.
De samme værktøjer kan coache kandidater gennem det screeningformat, de møder på den anden side, herunder AI-samtaler. Den tragt, der tidligere filtrerede efter indsats, filtrerer nu næsten udelukkende efter volumen.
Wang beskrev dette som en eskalering, som ingen af parterne kan træde ud af. Han beskrev et nært fremtidsscenarie, hvor kandidat-AI-agenter autonomt forhandler om og søger job, mens de møder arbejdsgivernes AI-systemer på den anden side.
"Denne fremtid er ikke kun mulig, den er måske sandsynlig," sagde han. Hvad et sådant system faktisk ville måle, er et åbent spørgsmål.
Indtil videre er den praktiske effekt, at ansøgningen er blevet et endnu mindre pålideligt signal. Kandidater, der passer bedst til en rolle, er måske ikke dem, der ser bedst ud på papiret, især når papiret er blevet optimeret til at slå ATS.
Iscenesatte signaler
Udhulingen af pålidelige signaler er ikke begrænset til ansøgninger. Sabra Sciolaro, personalechef hos FirstUp, peger på et parallelt sammenbrud i organisationer, som har direkte betydning for, hvordan ansættelsessignaler bør forstås.
I en nylig FirstUp-undersøgelse af mere end 3.000 arbejdstagere i USA og Canada rapporterede mellem 75-89 % af medarbejderne på tværs af roller, at de var engagerede. Mellem 40-46 % af de samme medarbejdere sagde, at de aktivt overvejede at forlade deres job i år.
Engagement er ligesom begejstring i en jobsamtale et signal, der kan iscenesættes. Det forudsiger ikke resultater.
Mange af de signaler, virksomheder har baseret sig på, er nemme at iscenesætte, men forudsiger ikke resultater som fastholdelse eller præstation. De signaler, der korrelerer tættere med den faktiske præstation, handler om, hvordan mennesker navigerer i kompleks information, og hvor hurtigt de tilpasser sig, når prioriteter ændrer sig — egenskaber, der viser sig over tid og i en kontekst, ikke i en enkelt AI-assisteret interaktion.
Den betragtning gælder også tidligere i processen. De egenskaber, der gør nogen til en stærk medarbejder, er stort set de samme egenskaber, der er vigtige hos en kandidat, og hverken et CV eller en struktureret AI-screening er velegnet til at afdække dem.
Hvad praktikere gør i stedet
Ben Lamarche, daglig leder hos Lock Search Group, har ændret, hvornår i processen han forsøger at finde et reelt signal. I stedet for at vente på, at en planlagt jobsamtale begynder den ægte samtale, fremrykker han denne interaktion til den første dag, kandidaten kontaktes.
En reel samtale plejede først at komme ind i processen, efter at en jobsamtale var blevet planlagt. Nu sker det ofte allerede på dag ét. Målet er at komme ud af dokumentgennemgangsfasen og hurtigere over i reel interaktion, hvor det er langt sværere at støtte sig til et poleret manuskript.
Når han gennemgår ansøgninger, har hans metode bevæget sig i retning af det, CV'er afslører i hullerne mellem de angivne resultater.
AI kan hjælpe en kandidat med at skrive et stærkt punkt. Den kan ikke uden videre efterligne nuancerne i en specifik oplevelse under pres.
"Når jeg begynder at stille specifikke spørgsmål," siger Lamarche, "fornemmer jeg ret hurtigt, om det er ægte eller indøvet."
Han fremhæver også en forvridning, som AI-screening skaber i stor skala: Kandidater, der bruger AI til at optimere deres præsentation, kan gå videre gennem de tidlige faser, netop fordi de ser polerede ud, mens mere stille og kompetente kandidater bliver sorteret fra, før nogen med dømmekraft ser dem.
Signalproblemet handler ikke kun om støj, men om støj, der systematisk favoriserer bestemte præsentationsformer frem for substans.
Markus tilbyder et mere struktureret alternativ, som hun beskriver som et skifte fra at forudsige præstationer til at kræve dokumentation for dem.
Den rækkefølge, hun bruger med klienter, bevæger sig fra grundlæggende filtrering baseret på kvalifikationer og lovgivningsmæssige krav til jobspecifik test af viden, derefter til struktureret dokumentation af tidligere anvendte kompetencer gennem validerede arbejdseksempler og opgavehistorik, videre til målrettede spørgsmål, der validerer denne dokumentation, og endelig til bekræftelse i selve rollen under introduktion og prøvetid.
Den sidste fase er vigtigere, end de fleste organisationer behandler den som. Hvis målet er at validere kompetencer i den faktiske kontekst, er prøvetiden mere end en formalitet; den er den mest pålidelige vurderingsfase, der er til rådighed, og de fleste virksomheder er holdt op med at bruge den sådan.
Hvor færdighedsfokus giver mening
Bevægelsen for færdighedsbaseret rekruttering har optaget en betydelig del af organisationernes opmærksomhed gennem de seneste år, blandt andet fordi den adresserer et reelt problem: Meritter og herkomst er svage indikatorer for, hvad en person faktisk kan. Lamarche og Markus anerkender begge, at retningen er rigtig.
"Det tvinger virksomheder til at tænke mere klart over, hvad rollen faktisk kræver, i stedet for automatisk at falde tilbage på meritter eller herkomst," siger Lamarche. "Det er et positivt skifte."
Det er implementeringen, der bryder sammen.
Mange implementeringer er stadig baseret på meget generiske taksonomier for færdigheder og selvangivelse af færdigheder. Færdighedsbaseret rekruttering hjælper ikke, medmindre der er en tydelig forbindelse mellem specifikke ansvarsområder i rollen, de kompetencer, der er nødvendige for at varetage dem, og en metode til at validere disse på niveauet for de faktiske opgaver. De fleste organisationer har ikke opbygget denne forbindelse. De har erstattet ét sæt svage indikatorer med et andet og kaldt det fremskridt.
Mængdeproblemet har ingen enkel løsning. Tusindvis af ansøgere kan ikke realistisk udvælges gennem simuleringer eller arbejdsprøvning. Noget skal først filtrere tragten, og lige nu er dette enten menneskelige bedømmere, der ser på en lille procentdel af ansøgningerne, eller AI-værktøjer, der evaluerer sproglige mønstre. Ingen af delene måler det, som rekruttering faktisk skal måle.
At flytte evaluering med høj signalværdi tidligere i processen, opbygge vurderingsrammer specifikt til rollen og behandle dokumentgennemgangsfasen som det trin med lav signalværdi, den er — intet af dette er teknisk vanskeligt.
Det er bare langsommere og mere omhyggeligt end at slå en stilling op og lade et ATS sortere resultaterne. I et miljø, hvor hastighed er blevet den gængse målestok for rekrutteringseffektivitet, er en omhyggelig tilgang svær at sælge. Det er også i øjeblikket den eneste måde at finde ud af, om den person, du ansætter, faktisk kan udføre jobbet.
