AI ødela CV-en – hva nå?
Innsikt i arbeidsflyten: Tradisjonelle rekrutteringsmetoder favoriserer screening av en svært liten andel av søkerne, slik at de fleste ikke blir vurdert.
AI-utfordringen: AI-verktøy effektiviserer prosessen, men klarer ikke å vurdere kandidatenes faktiske prestasjoner effektivt under ansettelsen.
Søknadskostnad: Det har blitt enklere å søke på jobber, noe som har ført til større søkermengder og gjort filtreringsprosessen mer komplisert.
Signaler svekkes: Vanlige indikatorer i ansettelser blir mindre pålitelige, noe som gjør det vanskeligere å identifisere kvalifiserte kandidater.
Fokus på ferdigheter: En tilnærming der ferdigheter kommer først, kan forbedre ansettelser, men gjennomføringen er fortsatt en betydelig utfordring.
I årevis har arbeidsflyten i de fleste rekrutteringsteam fulgt de samme trinnene. Publiser stillingen, gå gjennom de beste søknadene, sil ut de sterkeste kandidatene, og send de beste kandidatene til ansettelseslederen.
Systemet fungerte i mange år som en metode for å finne de beste talentene for virksomheten.
Problemet, slik Tim Sackett, administrerende direktør i HRUTech.com og forfatter av Talentløsningen: En leders guide til å rekruttere gode talenter, beskrev det på Transform tidligere denne måneden, er at dette i stor grad er fiksjon.
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 en stillingsannonse får 250 til 300 søknader (mange får betydelig flere), går den typiske rekruttereren gjennom 25, kanskje 30. Det betyr at 2–3 % av søkergruppen i det hele tatt blir vurdert. Resten forsvinner.
«Vi forteller ansettelseslederne våre at vi er ute og finner de beste talentene i markedet», sa han. «Når sannheten er at bare en liten andel av søkerne faktisk kommer inn i prosessen.»
Dette gapet mellom det rekrutteringsteam lover og det de faktisk er i stand til å gjøre, har eksistert i flere tiår. KI skapte det ikke. Men KI har til tider gjort det betydelig vanskeligere å lukke gapet, og verktøyene organisasjoner skynder seg med å ta i bruk, kan være utformet for å måle nøyaktig de gale tingene.
Måleproblemet oppsto før teknologien
Leanne Markus, administrerende direktør i Centranum Group og organisasjonspsykolog som arbeider med organisasjoner om rammeverk for ferdigheter og kompetansebasert vurdering, trekker et skille som de fleste ansettelsesprosesser slår sammen. Det er forskjellen mellom kvalifikasjoner, kunnskap og kompetanse.
Kvalifikasjoner – utdanning, sertifiseringer og opplæring – indikerer forberedelse og potensial. Kunnskapstesting kan indikere forståelse. Ingen av delene viser på en pålitelig måte evnen til å prestere i en faktisk arbeidssituasjon.
«Flere tiår med forskning innen psykologi viser at jobbspesifikk kunnskap, sier Markus. Evnen til å anvende den på riktig måte i riktig sammenheng er den viktigste enkeltstående prediktoren for jobbprestasjon.»
CV-en måler etter sin utforming den første kategorien og antyder på en måte den andre. Den har aldri målt den tredje.
Organisasjoner har historisk akseptert dette kompromisset fordi CV-en i det minste var et praktisk sorteringsverktøy – en måte å gå fra hundrevis av søknader til en håndterbar samtale på, med antakelsen om at bedre signaler ville komme frem i intervjuet.
Denne antakelsen bryter nå sammen i begge ender.
Hva KI siler ut
Når KI kommer inn i ansettelsesprosessen, fremstiller tilhengerne vanligvis teknologien som en løsning på volumproblemet. Flere kandidater vurdert, raskere og med mindre menneskelig skjevhet i de tidlige fasene. Det som ikke endres, er hva som måles med datadrevne rekrutteringsprosesser.
«KI gjør silingen mer effektiv, men endrer ikke hva som måles», sier Markus. «De fleste silingsmetoder, inkludert KI-drevne intervjuer, er basert på svar. Det er alt sammen selvrapportert informasjon. KI kan fremskynde behandlingen, men vurderer i hovedsak hvor godt en kandidat kan beskrive arbeidet, ikke om vedkommende faktisk kan utføre jobben på en god måte.»
Dette er viktigere enn det først kan virke, fordi treningsdataene som ligger til grunn for de fleste KI-verktøy for ansettelser, forsterker problemet. Disse systemene lærer ved å koble søknadsdata og ansettelsesbeslutninger sammen med prestasjonsskårer. Men formelle prestasjonsevalueringer har liten sammenheng med den faktiske prestasjonen på jobben. KI lærer å gjenskape et signal som allerede var upålitelig.
Resultatet er et system som belønner kandidater som kan beskrive arbeid på en overbevisende måte, noe som i 2026 betyr kandidater som kan bruke KI til å beskrive arbeid på en overbevisende måte.
«KI kan forsterke mønstre som er konsistente», sier Markus. «Men det betyr ikke at de er gyldige. I et svart boks-miljø er det ikke tydelig hvordan de ulike faktorene vektes.»
Det viser seg at volumproblemet kan være feil problem å løse.
AI har forsterket dette problemet ved å gjøre det mulig for organisasjoner å behandle enda større mengder innkommende søkere. Men det er ikke mengden som er begrensningen — det er tilgangen.
Kostnaden ved å søke falt til null
Omfanget av det som har skjedd på kandidatsiden, er fortsatt ikke fullt ut tatt inn over seg av de fleste rekrutteringsavdelinger. Aaron Wang, administrerende direktør i Alex AI, formulerte det strukturelle poenget tydelig under Transform: Markedskostnaden ved å søke på en jobb har falt til nær null.
En kandidat med tilgang til et hvilket som helst større AI-verktøy kan søke på hundrevis av jobber over natten, med hver søknad tilpasset den spesifikke stillingsbeskrivelsen, bakgrunnen til ansettelsesansvarlig og verdiene arbeidsgiveren oppgir.
De samme verktøyene kan veilede kandidater gjennom den screeningformen de møter på den andre siden, inkludert AI-intervjuer. Trakten som en gang sorterte etter innsats, sorterer nå nesten utelukkende etter mengde.
Wang beskrev dette som en eskalering ingen av sidene kan trekke seg fra. Han beskrev et scenario i nær fremtid der kandidatenes AI-agenter forhandler om og søker på jobber autonomt, mens de møter arbeidsgivernes AI-systemer på den andre siden.
u0022Denne fremtiden er ikke bare mulig, den kan også være sannsynlig,u0022 sa han. Hva et slikt system faktisk ville måle, er et åpent spørsmål.
Foreløpig er den praktiske effekten at søknaden har blitt et enda mindre pålitelig signal. Kandidater som passer best til en rolle, er kanskje ikke de som ser best ut på papiret, særlig når papiret er optimalisert for å komme forbi ATS-en.
Signaler som kan fremføres
Uthulingen av pålitelige signaler er ikke begrenset til søknader. Sabra Sciolaro, personaldirektør i FirstUp, peker på et parallelt sammenbrudd internt i organisasjoner som har direkte betydning for hvordan ansettelsessignaler bør forstås.
I en nylig FirstUp-undersøkelse av mer enn 3 000 arbeidstakere i USA og Canada oppga mellom 75 og 89 % av de ansatte på tvers av roller at de var engasjerte. Mellom 40 og 46 % av de samme ansatte sa at de aktivt vurderte å slutte i jobben i år.
Engasjement, på samme måte som entusiasme i et intervju, er et signal som kan fremføres. Det forutsier ikke resultater.
Mange av signalene selskaper har støttet seg på, er enkle å fremføre, men forutsier ikke resultater som hvor lenge ansatte blir værende eller prestasjoner. Signalene som korrelerer tettere med faktisk prestasjon, handler om hvordan mennesker navigerer i kompleks informasjon, og hvor raskt de tilpasser seg når prioriteringene endres — egenskaper som kommer til syne over tid og i en kontekst, ikke i én enkelt AI-assistert interaksjon.
Den samme forståelsen gjelder også tidligere i prosessen. Egenskapene som gjør noen til en sterk medarbeider, er i stor grad de samme egenskapene som betyr noe hos en kandidat, og verken en CV eller en strukturert AI-screening er godt utformet for å avdekke dem.
More Articles
- Signalrapport: Lærdommer fra Transform 2026
- Lederen for talentanskaffelse hos Thoughtworks deler hvordan man gjør rekruttering til en datadrevet og prediktiv prosess med KI
- Visepresident for mennesker og organisasjon i en AI-enhjørning sier at HR-ledere må bli arkitektene bak en menneske-maskin-arbeidsstyrke
- AI i CV-gjennomgang: Forbedret konsistens, skala og kvalitet på gjennomgangen
- Tidligere HR-leder i Faang advarer mot kunstig intelligens i rekruttering uten gode, menneskesentrerte sikkerhetsnett
Hva fagfolk gjør i stedet
Ben Lamarche, daglig leder i Lock Search Group, har endret hvor i prosessen han forsøker å finne reelle signaler. I stedet for å vente til et planlagt intervju før en ekte samtale begynner, flytter han denne interaksjonen til den første dagen han er i kontakt med kandidaten.
Ekte samtaler pleide å komme inn i prosessen etter at et intervju var avtalt. Nå skjer det ofte allerede den første dagen. Målet er å komme seg ut av dokumentgjennomgangen og over i reell interaksjon tidligere, der det er mye vanskeligere å lene seg på et polert manus.
Når han gjennomgår søknader, har metoden hans endret seg i retning av det CV-er avslører i mellomrommene mellom oppgitte prestasjoner.
KI kan hjelpe en kandidat med å skrive et sterkt punkt. Den kan ikke enkelt gjenskape nyansene i en konkret erfaring under press.
«Når jeg begynner å stille spesifikke spørsmål», sier Lamarche, «merker jeg ganske raskt om det er ekte eller innøvd.»
Han peker også på en fordreining som KI-baserte screeninger skaper i stor skala: Kandidater som bruker KI til å optimalisere presentasjonen sin, kan gå videre gjennom de tidlige stadiene nettopp fordi de ser polerte ut, mens stillere, mer kompetente kandidater blir filtrert bort før noen med dømmekraft får se dem.
Signalproblemet handler ikke bare om støy, men om støy som systematisk favoriserer bestemte presentasjonsstiler fremfor substans.
Markus tilbyr et mer strukturert alternativ, som hun beskriver som et skifte fra å forutsi prestasjon til å kreve dokumentasjon på den.
Sekvensen hun bruker med klienter, går fra grunnleggende filtrering basert på kvalifikasjoner og regulatoriske krav til jobbspesifikk kunnskapstesting, deretter til strukturert dokumentasjon av tidligere anvendt kompetanse gjennom validerte arbeidseksempler og oppgavehistorikk, så til målrettede spørsmål som validerer denne dokumentasjonen, og til slutt bekreftelse i selve rollen under introduksjon og prøvetid.
Det siste stadiet er viktigere enn de fleste organisasjoner behandler det som. Hvis målet er å validere kompetanse i en faktisk kontekst, er prøvetiden mer enn en formalitet, den er det mest pålitelige vurderingsstadiet som er tilgjengelig, og de fleste selskaper har sluttet å bruke den som det.
Hvor ferdigheter først får gjennomslag
Bevegelsen for ferdighetsbasert rekruttering har fått betydelig oppmerksomhet i organisasjoner de siste årene, delvis fordi den tar opp et reelt problem: kvalifikasjoner og bakgrunn er svake stedfortredere for hva noen faktisk kan gjøre. Lamarche og Markus erkjenner begge at retningen er riktig.
«Det tvinger selskaper til å tenke klarere over hva rollen faktisk krever, i stedet for å falle tilbake på kvalifikasjoner eller bakgrunn», sier Lamarche. «Det er et positivt skifte.»
Det er i gjennomføringen det bryter sammen.
Mange gjennomføringer baserer seg fortsatt på svært generiske ferdighetstaksonomier og egenerklæring av ferdigheter. Ferdighetsbasert rekruttering hjelper ikke med mindre det finnes en tydelig kobling mellom spesifikke ansvarsområder i rollen, kompetansene som trengs for å utføre dem, og en måte å validere disse på nivået for faktiske oppgaver. De fleste organisasjoner har ikke bygget denne koblingen. De har erstattet ett sett med svake stedfortredere med et annet og kalt det fremskritt.
Volumproblemet har ingen enkel løsning. Tusenvis av søkere kan ikke realistisk kortlistes gjennom simuleringer eller arbeidsprøver. Noe må filtrere trakten først, og akkurat nå er dette enten menneskelige gjennomgåere som ser på en liten prosentandel av søknadene, eller KI-verktøy som vurderer språkmønstre. Ingen av delene måler det rekruttering faktisk skal måle.
Å flytte evaluering med høyt signalinnhold tidligere, bygge vurderingsrammeverk som er spesifikke for rollen og behandle dokumentgjennomgangen som det steget med lavt signalinnhold den er — ingenting av dette er teknisk vanskelig.
Det går bare saktere og krever mer ettertanke enn å legge ut en stilling og la et ATS sortere resultatene. I et miljø der hurtighet har blitt standardmålet på effektivitet i rekrutteringen, er en grundig og bevisst tilnærming vanskelig å selge inn. Det er også for øyeblikket den eneste måten å finne ut om personen du ansetter, faktisk kan utføre jobben.
