AI förstörde CV:t – vad händer nu?
Insikt om arbetsflödet: Traditionella rekryteringsmetoder fokuserar på att granska en mycket liten andel av de sökande, vilket gör att de flesta inte övervägs.
AI-utmaningen: AI-verktyg ökar effektiviteten men misslyckas med att effektivt bedöma kandidaters faktiska arbetsprestation under rekryteringen.
Ansökningskostnad: Det har blivit enklare att söka jobb, vilket har lett till en ökad mängd ansökningar och gjort filtreringsprocessen mer komplicerad.
Urholkning av signaler: Vanliga rekryteringsindikatorer blir allt mindre tillförlitliga, vilket gör det svårare att identifiera kvalificerade kandidater.
Fokus på kompetenser: Ett kompetensbaserat synsätt skulle kunna förbättra rekryteringen, men genomförandet är fortfarande en betydande utmaning.
I flera år har arbetsflödet inom de flesta rekryteringsteam följt samma steg. Publicera tjänsten, granska de bästa ansökningarna, sålla fram de starkaste kandidaterna, skicka de främsta kandidaterna till rekryterande chef.
Systemet fungerade i många år som en metod för att hitta den bästa kompetensen för verksamheten.
Problemet, som Tim Sackett, vd för HRUTech.com och författare till Talentlösningen: En ledares guide till att rekrytera fantastisk kompetens, beskrev på Transform tidigare denna månad, är att detta till stor del är 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
När en jobbannons får 250 till 300 ansökningar (många får betydligt fler) granskar den typiska rekryteraren 25, kanske 30. Det innebär att endast 2–3 % av de sökande över huvud taget får någon form av övervägande. Resten försvinner.
"Vi säger till våra rekryterande chefer att vi är ute och hittar den bästa kompetensen på marknaden", sade han. "När verkligheten är att en liten andel av de sökande faktiskt kommer in i processen."
Det gapet mellan vad rekryteringsteam lovar och vad de faktiskt har möjlighet att göra har funnits i årtionden. AI skapade det inte. Men AI har ibland gjort det betydligt svårare att överbrygga gapet, och de verktyg som organisationer skyndar sig att införa kanske mäter exakt fel saker.
Mätproblemet föregår tekniken
Leanne Markus, verkställande direktör på Centranum Group och organisationspsykolog som arbetar med organisationer kring kompetensramverk och kompetensbaserad bedömning, gör en åtskillnad som de flesta rekryteringsprocesser slår ihop. Det handlar om skillnaden mellan kvalifikationer, kunskap och kompetens.
Kvalifikationer — utbildning, certifieringar, träning — visar på förberedelse och potential. Kunskapstester kan visa på förståelse. Inget av detta visar på ett tillförlitligt sätt förmågan att prestera i en faktisk arbetssituation.
Flera decenniers forskning inom psykologi visar att arbetsrelaterad kunskap", säger Markus. "Förmågan att tillämpa den på rätt sätt i rätt sammanhang är den enskilt största förutsägande faktorn för arbetsprestation.
Meritförteckningen mäter avsiktligt den första kategorin och antyder något om den andra. Den har aldrig mätt den tredje.
Organisationer har historiskt accepterat denna avvägning eftersom meritförteckningen åtminstone var ett praktiskt sållningsverktyg — ett sätt att gå från hundratals ansökningar till ett hanterbart samtal, med antagandet att bättre signaler skulle framträda under intervjun.
Det antagandet håller nu på att bryta samman i båda ändarna.
Vad AI sållar fram
När AI kommer in i rekryteringsprocessen framställer dess förespråkare vanligtvis tekniken som en lösning på volymproblemet. Fler kandidater granskas snabbare, samtidigt som mindre mänsklig partiskhet introduceras i de tidiga stadierna. Det som inte förändras är vad som mäts med datadrivna rekryteringsprocesser.
AI gör sållningen effektivare, men förändrar inte vad som mäts", säger Markus. "De flesta sållningsmetoder, inklusive AI-drivna intervjuer, bygger på svar. All information är självrapporterad. AI kan snabba upp behandlingen, men utvärderar i grunden hur väl en kandidat kan beskriva arbetet, inte om kandidaten faktiskt kan utföra jobbet framgångsrikt.
Detta är viktigare än det först verkar, eftersom träningsdataunderlaget för de flesta AI-verktyg för rekrytering förstärker problemet. Dessa system lär sig genom att koppla ihop uppgifter i ansökningar och anställningsbeslut med prestationsbedömningar. Men formella prestationsutvärderingar har liten koppling till den faktiska arbetsprestationen. AI lär sig att återskapa en signal som redan var opålitlig.
Resultatet blir ett system som belönar kandidater som övertygande kan beskriva arbete, vilket år 2026 innebär kandidater som kan använda AI för att övertygande beskriva arbete.
"AI kan förstärka mönster som är konsekventa", säger Markus. "Men det betyder inte att de är giltiga. I en svart låda är det inte tydligt hur de olika faktorerna viktas."
Det visar sig alltså att volymproblemet kan vara fel problem att lösa.
AI har förstärkt detta problem genom att göra det möjligt för organisationer att behandla ännu större volymer inkommande ansökningar. Men volym är inte begränsningen — tillgång är det.
Kostnaden för att ansöka sjönk till noll
Omfattningen av det som har hänt på kandidatsidan har fortfarande inte helt tagits in av de flesta rekryteringsorganisationer. Aaron Wang, vd för Alex AI, uttryckte den strukturella poängen tydligt på Transform: marknadskostnaden för att ansöka om ett jobb har sjunkit till nära noll.
En kandidat med tillgång till vilket större AI-verktyg som helst kan ansöka till hundratals jobb över en natt, där varje ansökan anpassas till den specifika jobbannonsen, rekryterande chefs bakgrund och arbetsgivarens uttalade värderingar.
Samma verktyg kan coacha kandidater genom vilket screeningformat de än möter på andra sidan, inklusive AI-intervjuer. Det trattformat som en gång sållade ut kandidater baserat på ansträngning sållar nu nästan uteslutande baserat på volym.
Wang beskrev detta som en upptrappning som ingen av sidorna kan kliva åt sidan från. Han beskrev ett scenario inom en nära framtid där kandidaters AI-agenter förhandlar om och ansöker till jobb autonomt och möter arbetsgivarnas AI-system på andra sidan.
"Den framtiden är inte bara möjlig, den kan vara sannolik", sade han. Vad ett sådant system faktiskt skulle mäta är en öppen fråga.
För närvarande är den praktiska effekten att ansökan har blivit en ännu mindre tillförlitlig signal. Kandidater som passar bäst för en roll är kanske inte de som ser bäst ut på papperet, särskilt när papperet har optimerats för att ta sig förbi ATS.
Iscensatta signaler
Urholkningen av tillförlitliga signaler är inte begränsad till ansökningar. Sabra Sciolaro, personalchef på FirstUp, pekar på ett parallellt sammanbrott inom organisationer som har direkta konsekvenser för hur rekryteringssignaler bör förstås.
I en nyligen genomförd FirstUp-studie av fler än 3 000 arbetstagare i USA och Kanada uppgav mellan 75 och 89 % av de anställda, oavsett roll, att de var engagerade. Mellan 40 och 46 % av samma anställda sade att de aktivt övervägde att lämna sina jobb i år.
Engagemang, liksom entusiasm i en intervju, är en signal som kan iscensättas. Den förutsäger inte resultaten.
Många av de signaler som företag har förlitat sig på är enkla att iscensätta, men förutsäger inte resultat som personalbehållning eller prestation. De signaler som har ett starkare samband med faktisk prestation handlar om hur människor hanterar komplex information och hur snabbt de anpassar sig när prioriteringar förändras — egenskaper som visar sig över tid och i ett sammanhang, inte i en enda AI-assisterad interaktion.
Det resonemanget gäller även tidigare i processen. De egenskaper som gör någon till en stark medarbetare är i stort sett samma egenskaper som spelar roll hos en kandidat, och varken ett CV eller en strukturerad AI-screening är väl utformad för att få fram dem.
Vad yrkesverksamma gör i stället
Ben Lamarche, generaldirektör på Lock Search Group, har förändrat var i processen han försöker få fram verkliga signaler. I stället för att vänta på att en schemalagd intervju ska börja ett genuint samtal flyttar han den interaktionen till den första dagen då kandidaten kontaktas.
Riktiga samtal brukade komma in i processen efter att en intervju hade bokats. Nu sker det ofta redan dag ett. Målet är att ta sig ur dokumentgranskningsfasen och in i verklig interaktion tidigare, där det är mycket svårare att förlita sig på ett välpolerat manus.
När han granskar ansökningar har hans metodik skiftat mot vad meritförteckningar avslöjar i luckorna mellan de angivna prestationerna.
AI kan hjälpa en kandidat att skriva en stark punkt i meritförteckningen. Den kan inte enkelt återskapa detaljerna i en specifik erfarenhet under press.
"När jag börjar ställa specifika frågor", säger Lamarche, "känner jag ganska snabbt om det är äkta eller inövat."
Han pekar också på en snedvridning som AI-baserad screening skapar i stor skala: kandidater som använder AI för att optimera sin presentation kan gå vidare genom de tidiga stegen just för att de ser välpolerade ut, medan mer lågmälda och kompetenta kandidater sorteras bort innan någon med gott omdöme ser dem.
Signalproblemet handlar inte bara om brus, utan om brus som systematiskt gynnar vissa presentationsstilar framför substans.
Markus erbjuder ett mer strukturerat alternativ, som hon beskriver som en övergång från att förutsäga prestation till att kräva bevis på den.
Den sekvens hon använder med kunderna går från grundläggande filtrering utifrån kvalifikationer och regulatoriska krav till yrkesspecifika kunskapstester, därefter till strukturerade bevis på tidigare tillämpad kompetens genom validerade arbetsprov och uppgiftshistorik, sedan till riktade frågor som validerar dessa bevis och slutligen till bekräftelse i rollen under introduktion och prövotid.
Det sista steget är viktigare än vad de flesta organisationer behandlar det som. Om målet är att validera kompetens i ett faktiskt sammanhang är prövotiden mer än en formalitet; den är det mest tillförlitliga bedömningssteget som finns tillgängligt, och de flesta företag har slutat använda den som ett sådant.
Var kompetens först får genomslag
Den kompetensfokuserade rekryteringsrörelsen har fått betydande utrymme i organisationers fokus under de senaste åren, delvis eftersom den tar itu med ett verkligt problem: meriter och bakgrund är svaga indikatorer på vad någon faktiskt kan göra. Lamarche och Markus är båda överens om att inriktningen är rätt.
"Det tvingar företag att tänka tydligare kring vad rollen faktiskt kräver, i stället för att automatiskt utgå från meriter eller bakgrund", säger Lamarche. "Det är en positiv förändring."
Det är i genomförandet som det brister.
Många genomföranden bygger fortfarande på mycket generiska kompetenstaxonomier och självdeklaration av kompetenser. Kompetensfokuserad rekrytering hjälper inte om det inte finns en tydlig koppling mellan specifika ansvarsområden i rollen, den kompetens som krävs för att leverera på dem och ett sätt att validera dessa på nivån av faktiska arbetsuppgifter. De flesta organisationer har inte byggt den kopplingen. De har ersatt en uppsättning svaga indikatorer med en annan och kallat det framsteg.
Volymproblemet har inget enkelt svar. Tusentals sökande kan inte realistiskt kortlistas genom simuleringar eller arbetsprov på plats. Något måste filtrera tratten först, och just nu är detta antingen mänskliga granskare som tittar på en liten andel av ansökningarna eller AI-verktyg som utvärderar språkmönster. Inget av alternativen mäter det som rekrytering faktiskt ska mäta.
Att flytta signalstark utvärdering tidigare, bygga bedömningsramverk som är specifika för rollen och behandla dokumentgranskningsfasen som det låggradiga signalsteg den är – inget av detta är tekniskt svårt.
Det går helt enkelt långsammare och kräver mer eftertanke än att publicera en jobbannons och låta ett ATS sortera resultaten. I en miljö där snabbhet har blivit det självklara måttet på rekryteringens effektivitet är ett eftertänksamt tillvägagångssätt svårt att sälja in. Det är också för närvarande det enda sättet att ta reda på om personen du anställer faktiskt kan utföra jobbet.
