AI-screening ved ansættelse kræver granskning
Overholdelsesproblem: Colorados AI-lov kræver gennemsigtighed og ansvarlighed fra arbejdsgivere, der bruger AI i ansættelser.
Gennemsigtighed i AI: Mange kandidater er ikke klar over, at AI-systemer har påvirket deres jobansøgninger eller vurderinger.
Fortolkningskløft: HR-afdelinger har ofte svært ved at forklare AI-scoringsmodeller og deres betydning for ansættelser.
Leverandøransvar: I henhold til nyere regler er arbejdsgivere, ikke leverandører, ansvarlige for negative resultater fra AI-værktøjer.
Skift i styringen: Organisationer skal prioritere forklarbarhed og dokumentation i AI-baserede ansættelsesprocesser for at sikre overholdelse.
Et sted i jeres ansættelsesproces blev en kandidat sorteret fra af et system, som jeres team ikke fuldt ud kan forklare. I har måske en leverandøraftale, et kontrolpanel og en score. Hvad de fleste organisationer ikke har, er et klart svar på det spørgsmål, som de nye AI-regler nu reelt kræver, at I besvarer: hvorfor.
Forskellen mellem det, AI foretager sig i virksomheders rekruttering, og det, kandidater og tilsynsmyndigheder faktisk kan se, er nu et spørgsmål om overholdelse af reglerne. Colorados AI-lov, som er blandt de første af sin slags i USA, trådte i kraft i februar og kræver, at arbejdsgivere, der anvender højrisiko-AI-systemer i ansættelsesbeslutninger, underretter ansøgere og giver dem mulighed for at få rettet data eller klage over et negativt resultat.
For mange HR-afdelinger betyder det at opfylde dette krav, at de skal forklare systemer, som de ikke selv fuldt ud forstår.
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
Markedet for AI-drevne rekrutteringsværktøjer er vokset markant i løbet af de seneste år. Leverandører tilbyder screeningsplatforme, automatiseret vurdering af jobsamtaler og modeller til forudsigelse af egnethed til arbejdsgivere, der håndterer ansøgningsmængder i stor skala.
Salgsbudskabet er effektivitet, men tallene i praksis fortæller en mere kompliceret historie. Antallet af ansøgninger på LinkedIn steg med mere end 45 % fra år til år i 2025, hvor omkring 11.000 ramte platformen hvert minut. Samtidig rapporterede 64 % af rekrutteringsmedarbejderne en stigning i ensartede, AI-genererede ansøgninger i samme periode, hvilket øgede deres arbejdsbyrde med screening i stedet for at reducere den. De værktøjer, der er designet til at filtrere mængden, er delvist selv med til at skabe den.
Tatiana Teppoeva, tidligere dataforsker hos Microsoft og Boeing, som nu rådgiver organisationer om risici ved AI-understøttet rekruttering, ser denne dynamik udspille sig igen og igen hos virksomhedskunder.
Mange HR-teams forstår leverandørernes påstande, men har begrænset indsigt i, hvordan screeningresultater genereres, eller hvilke kandidatsignaler der tillægges vægt. Når kandidater spørger, hvorfor de blev sorteret fra, har organisationer ofte svært ved at omsætte en leverandørscore til en klar forklaring, der er relevant for jobbet.
Efter hendes erfaring er kløften specifik: Organisationer kan lettere beskrive den score, som et værktøj producerer, end de kan forklare, hvad den repræsenterer i form af jobrelevant kompetence.
Denne manglende gennemsigtighed har en målbar omkostning for kandidaterne. En undersøgelse blandt 1.066 amerikanske jobsøgende, gennemført af Enhancv i april 2026, viste, at 68,5 % aldrig fik at vide, at AI spillede en rolle i deres vurdering, og kun 9,7 % sagde, at en arbejdsgiver tydeligt havde oplyst dem om det.
Næsten en tredjedel sagde, at de havde opgivet en stilling i stedet for at gennemføre en ensrettet AI-screening, og mønstret var ikke jævnt fordelt. Næsten 80 % af de opgivne stillinger havde en løn på under $100,000. De kandidater, der har færrest muligheder, udsættes mest for systemer, som de ikke kan se og ikke har givet samtykke til.
En sort boks med en leverandøraftale
Ansvarlighedsspørgsmålet handler dog ikke udelukkende om manglende gennemsigtighed, selvom det er en del af det. Mange screeningsplatforme fungerer som sorte bokse eller næsten sorte bokse, hvor modellen ikke synliggør sin vægtning over for arbejdsgiveren, og slet ikke over for kandidaten.
Selv når leverandører tilbyder funktioner til forklarbarhed, kan den forklaring, som en rekrutteringsmedarbejder ser, være en forenklet stedfortræder for en mere kompleks underliggende proces. En HR-leder kan læse resultatet. Vedkommende kan ofte ikke undersøge, hvordan det blev frembragt.
Det bliver vigtigere i stor skala. En virksomhed, der behandler titusindvis af ansøgninger om året, træffer et stort antal afgørende beslutninger gennem et system, som dens eget team måske ikke er rustet til at kontrollere. Colorados lovkrav om underretning og klagemuligheder tvinger spørgsmålet frem i lyset. Hvis en kandidat spørger, hvorfor vedkommende blev afvist, hvem svarer så, og på baggrund af hvilke oplysninger?
Teppoevas arbejde fokuserer specifikt på det, hun beskriver som "fortolkningslaget", altså området mellem et AI-genereret rekrutteringssignal og en menneskelig beslutning. Det første spørgsmål, hun stiller organisationer, der allerede har taget et screeningsværktøj i brug, er hvorfor: "Hvorfor fik denne kandidat en lav score, selvom vedkommende så stærk ud for rekrutteringsteamet? Hvorfor fik en anden kandidat en høj score, men endte senere på en handlingsplan for forbedring af præstationen?"
De fleste organisationer kan ifølge hende ikke besvare disse spørgsmål. De har scoren, men ikke begrundelsen bag den.
"Organisationer er ofte afhængige af leverandørgenererede resultater uden at have en klar intern ramme for fortolkning eller dokumentation af disse resultater," siger hun. "Det kan gøre det vanskeligt at forklare, hvordan menneskelig dømmekraft blev anvendt, eller hvordan en endelig beslutning blev truffet."
Når en beslutning bliver anfægtet, bliver denne kløft en risiko.
Ansvaret lå hos arbejdsgiveren
Det lovgivningsmæssige tidspunkt afslører også et problem med, hvordan AI-værktøjer til rekruttering typisk er blevet indkøbt. Beslutninger om, hvilken platform der skal bruges, er ofte blevet truffet af talentanskaffelsesteams med fokus på effektivitet, mens juridiske og compliance-ansvarlige samt nogle gange HR-ledelsen har været mindre involveret i at vurdere, hvad værktøjet faktisk gør.
Colorados lov ændrer denne beregning. I henhold til SB 205 ligger ansvaret for negative resultater som følge af højrisiko-AI i ansættelser hos arbejdsgiveren, ikke leverandøren. Virksomheden, der bruger værktøjet, er ansvarlig for dets resultater.
Jimmy Hurff, COO og medstifter af Brightmove, en leverandør af ansøgersporingssystemer, siger, at de indkøbssamtaler, han oplever, afspejler netop dette problem.
Arbejdsgiverne synes primært at fokusere på integration af funktioner og på antallet af kandidater. Vores potentielle kunder undersøger for det meste integrationsfunktionerne, men fokuserer sjældent på kvaliteten af kandidatpipeline’en og automatiseringen af scoring og vurdering.
De spørgsmål, der betyder mest inden for Colorados rammer – forklarlighed, revisionsmuligheder og klageprocesser – er typisk ikke dem, der bliver stillet ved bordet.
Brightmove offentliggjorde en politik for ansvarlig AI som et direkte svar på SB 205, og Hurff siger, at loven har tvunget leverandørlandskabet til en bredere revurdering. Han gør det også klart, hvor han mener, at den lovgivningsmæssige samtale bør bevæge sig hen nu: mod én føderal standard i stedet for et kludetæppe af delstatsvise compliance-krav, hvilket ifølge ham ville give leverandørerne et tydeligere mandat at udvikle efter.
Dokumentationsproblemet bliver mest betydningsfuldt, når kandidater, hvis kommunikationsmønstre afviger fra det, systemet er trænet på – på grund af handicap, neurodivergens eller sproglig baggrund – bliver vurderet af værktøjer, der ikke kan tage højde for konteksten. Teppoeva beskriver kerneproblemet.
"Et signal kan måles nøjagtigt og stadig fortolkes forkert," siger hun.
Når en kandidat anfægter et resultat, kan de fleste organisationer genskabe outputtet. De kan ikke forklare beslutningen, og de har sjældent dokumentation, der viser, at det, der blev målt, faktisk var relevant for rollen.
EEOC har overvåget dette område siden mindst 2021, hvor myndigheden lancerede sit initiativ om AI og algoritmisk retfærdighed i forbindelse med ansættelser. Dets vejledning fra 2023 gjorde det klart, at arbejdsgivere ikke kan outsource ansvaret for diskriminerende resultater af screeninger til en tredjepartsleverandør.
Colorados lov går videre ved at tilføje krav om gennemsigtighed og klagemuligheder, som de fleste virksomheders ansættelsesprocesser ikke er bygget til at opfylde.
Hvad HR-ledere skal vide
I praksis skaber dette et compliance-område, som mange HR-ledere ikke har kortlagt. De har måske en leverandøraftale. De har måske en generel fornemmelse af, hvad værktøjet gør. Men dokumentation af, hvordan modellen blev trænet, hvad den optimerer efter, og hvordan beslutninger logges og kan hentes frem til behandling af klager, er ofte tyndere, end den aktuelle lovgivningsmæssige situation kræver.
Teppoeva beskriver ændringen i vendinger, som HR-ledere vil genkende fra andre compliance-samtaler.
Nye regler flytter samtalen fra "Virker værktøjet?" til "Kan vi forklare og forsvare, hvordan det blev brugt?"
De, der behandler AI-screening som en indkøbsbeslutning snarere end som løbende styring, er mest udsatte, når en kandidat eller tilsynsmyndighed stiller et spørgsmål, som værktøjet ikke kan besvare.
En del af dette vil løse sig selv gennem pres fra kunderne. Hvis virksomhedskunder begynder at kræve dokumentation for forklarlighed og revisionsspor som en del af indkøbet, vil leverandørerne udvikle dem. Men den proces går langsomt, og i mellemtiden bliver kandidater i Colorado og andre steder filtreret af systemer, hvis logik de arbejdsgivere, der bruger dem, ikke fuldt ud kan forklare.
Den samtale, HR-ledere bør have, handler ikke kun om, hvorvidt AI-værktøjer til CV-screening virker. Den handler om, hvorvidt de organisationer, der bruger dem, kan stå til ansvar for, hvad de gør.
