AI-granskningen vid rekrytering förtjänar granskning
Efterlevnadsfråga: Colorados AI-lag kräver transparens och ansvar från arbetsgivare som använder AI vid rekrytering.
AI-transparens: Många kandidater är inte medvetna om att AI-system har påverkat deras jobbansökningar eller bedömningar.
Tolkningsgap: HR-avdelningar har ofta svårt att förklara AI-baserade poängmodeller och deras konsekvenser för rekryteringen.
Leverantörsansvar: Enligt nya bestämmelser är arbetsgivare, inte leverantörer, ansvariga för negativa konsekvenser av AI-verktyg.
Förändrad styrning: Organisationer måste prioritera begriplighet och dokumentation i AI-baserade rekryteringsprocesser för att säkerställa efterlevnad.
Någonstans i er rekryteringsprocess blev en kandidat bortfiltrerad av ett system som ert team inte helt kan förklara. Ni kanske har ett leverantörsavtal, en instrumentpanel och ett resultat. Vad de flesta organisationer saknar är ett tydligt svar på den fråga som nya AI-regler nu i praktiken kräver att ni kan besvara: varför.
Skillnaden mellan vad AI gör inom företagsrekrytering och vad kandidater och tillsynsmyndigheter faktiskt kan se är nu en efterlevnadsfråga. Colorados AI-lag, en av de första lagarna av sitt slag i USA, trädde i kraft i februari och kräver att arbetsgivare som använder högrisk-AI-system i anställningsbeslut informerar sökande och tillhandahåller en mekanism för att korrigera uppgifter eller överklaga ett negativt beslut.
För många HR-avdelningar innebär det att uppfylla kravet att förklara system som de själva inte helt förstår.
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
Marknaden för AI-drivna rekryteringsverktyg har expanderat betydligt under de senaste åren. Leverantörer erbjuder plattformar för urval, automatiserad intervjubedömning och prediktiva matchningsmodeller till arbetsgivare som hanterar stora mängder ansökningar.
Löftet är effektivitet, men verkligheten visar en mer komplicerad bild. Antalet ansökningar på LinkedIn ökade med mer än 45 % jämfört med året innan under 2025, med ungefär 11 000 ansökningar som kom in på plattformen varje minut. Samtidigt uppgav 64 % av rekryterarna att de under samma period såg en ökning av snarlika, AI-genererade ansökningar, vilket ökade deras arbetsbörda med urvalet i stället för att minska den. Verktygen som är utformade för att filtrera mängden ansökningar bidrar delvis till att skapa den.
Tatiana Teppoeva, tidigare dataforskare på Microsoft och Boeing som nu ger organisationer råd om risker med AI-assisterad rekrytering, ser detta mönster återkommande hos företagskunder.
Många HR-team förstår leverantörernas påståenden men har begränsad insyn i hur urvalsresultat genereras eller vilka kandidatsignaler som ges störst vikt. När kandidater frågar varför de sorterades bort har organisationer ofta svårt att översätta ett leverantörsresultat till en tydlig, arbetsrelaterad förklaring.
Enligt hennes erfarenhet är gapet specifikt: organisationer kan lättare beskriva resultatet som ett verktyg producerar än förklara vad det representerar i fråga om arbetsrelevant kompetens.
Denna brist på insyn har en mätbar kostnad för kandidaterna. En undersökning av 1 066 amerikanska arbetssökande som genomfördes av Enhancv i april 2026 visade att 68,5 % aldrig fick veta att AI hade spelat någon roll i deras bedömning, och endast 9,7 % uppgav att en arbetsgivare tydligt hade informerat om det.
Nästan en tredjedel uppgav att de hade avstått från en tjänst i stället för att genomföra ett enkelriktat AI-urval, och mönstret var inte jämnt fördelat. Nästan 80 % av de övergivna tjänsterna hade en lön under $100,000. Kandidaterna med minst antal alternativ utsätts mest för system som de inte kan se och inte har samtyckt till.
En svart låda med ett leverantörsavtal
Ansvarsfrågan handlar dock inte helt och hållet om bristande insyn, även om det är en del av problemet. Många urvalsplattformar fungerar som svarta lådor eller nästan svarta lådor, där modellens viktning inte är synlig för arbetsgivaren, än mindre för kandidaten.
Även när leverantörer tillhandahåller funktioner för förklarbarhet kan den förklaring som en rekryterare ser vara en förenklad ersättning för en mer komplex underliggande process. En HR-chef kan läsa resultatet. Men ofta kan hen inte undersöka hur det togs fram.
Detta blir viktigare i stor skala. Ett företag som behandlar tiotusentals ansökningar per år fattar ett stort antal avgörande beslut genom ett system som det egna teamet kanske inte har förutsättningar att granska. Colorados lag om informationsplikt och överklaganden tvingar fram den frågan. Om en kandidat frågar varför hen fick avslag, vem svarar då och med vilken information?
Teppoevas arbete fokuserar specifikt på det hon beskriver som "tolkningslagret", utrymmet mellan en AI-genererad rekryteringssignal och ett mänskligt beslut. Den första frågan hon ställer till organisationer som redan har infört ett urvalsverktyg är varför: "Varför fick den här kandidaten ett lågt resultat trots att hen verkade stark för rekryteringsteamet? Varför fick en annan kandidat ett högt resultat men hamnade senare i en prestationsförbättringsplan?"
De flesta organisationer, säger hon, kan inte besvara de frågorna. De har resultatet men inte resonemanget bakom det.
Organisationer förlitar sig ofta på leverantörsgenererade resultat utan att upprätthålla ett tydligt internt ramverk för att tolka eller dokumentera dessa resultat," säger hon. "Detta kan göra det svårt att förklara hur mänskligt omdöme tillämpades eller hur ett slutgiltigt beslut fattades.
När ett beslut ifrågasätts blir detta gap en belastning.
Ansvaret hamnade hos arbetsgivaren
Den regulatoriska tidsplanen synliggör också ett problem med hur AI-verktyg för rekrytering vanligtvis har upphandlats. Beslut om vilken plattform som ska användas har ofta drivits av team för talangförvärv med fokus på genomströmning, medan juridik, regelefterlevnad och ibland även HR-ledningen har varit mindre involverade i att utvärdera vad verktyget faktiskt gör.
Colorados lag förändrar den bedömningen. Enligt SB 205 ligger ansvaret för negativa utfall från AI med hög risk inom anställning hos arbetsgivaren, inte leverantören. Företaget som använder verktyget är ansvarigt för dess resultat.
Jimmy Hurff, operativ chef och medgrundare till Brightmove, en leverantör av system för kandidatspårning, säger att de upphandlingssamtal han ser speglar exakt detta problem.
Arbetsgivare verkar främst fokusera på integration av funktioner och kandidatvolymer. Våra potentiella kunder kontrollerar oftast integrationsfunktionerna, men fokuserar sällan på kvaliteten i kandidatflödet samt automatiseringen av poängsättning och bedömning.
De viktigaste frågorna enligt Colorados ramverk – förklarbarhet, granskningsbarhet och processer för överklagande – är vanligtvis inte de som ställs vid förhandlingsbordet.
Brightmove publicerade en policy för ansvarsfull AI som en direkt reaktion på SB 205, och Hurff säger att lagen har tvingat fram en bredare omprövning på leverantörsmarknaden. Han klargör också vart han anser att den regulatoriska diskussionen behöver gå härnäst: mot en enda federal standard i stället för ett lapptäcke av delstatliga efterlevnadskrav, vilket enligt honom skulle ge leverantörerna ett tydligare mandat att utveckla lösningar utifrån.
Dokumentationsproblemet får störst konsekvenser när kandidater vars kommunikationsmönster avviker från det som systemet tränats på – på grund av funktionsnedsättning, neurodivergens eller språklig bakgrund – bedöms av verktyg som inte kan ta hänsyn till sammanhanget. Teppoeva beskriver kärnproblemet.
"En signal kan mätas korrekt och ändå tolkas felaktigt", säger hon.
När en kandidat ifrågasätter ett utfall kan de flesta organisationer återskapa resultatet. De kan inte förklara beslutet, och de har sällan dokumentation som visar att det som mättes faktiskt var relevant för rollen.
EEOC har bevakat detta område sedan åtminstone 2021, då myndigheten lanserade sitt initiativ om AI och algoritmisk rättvisa vid rekrytering. Myndighetens vägledning från 2023 klargjorde att arbetsgivare inte kan överlåta ansvaret för diskriminerande urvalsresultat till en extern leverantör.
Colorados lag går längre genom att lägga till skyldigheter kring transparens och överklaganden som de flesta rekryteringsverksamheter i större företag inte är byggda för att uppfylla.
Vad HR-ledare behöver veta
Detta skapar i praktiken en efterlevnadsyta som många HR-ledare inte har kartlagt. De kan ha ett avtal med en leverantör. De kan ha en allmän uppfattning om vad verktyget gör. Men dokumentationen av hur modellen tränades, vad den optimerar för och hur beslut loggas och kan hämtas fram för granskning vid ett överklagande är ofta tunnare än vad den aktuella regulatoriska situationen nu kräver.
Teppoeva beskriver förändringen i termer som HR-ledare kommer att känna igen från andra samtal om regelefterlevnad.
Nya regler flyttar diskussionen från ”Fungerar verktyget?” till ”Kan vi förklara och försvara hur det användes?”
De som behandlar AI-baserad screening som ett upphandlingsbeslut snarare än som en pågående styrningsfråga är mest utsatta när en kandidat eller tillsynsmyndighet ställer en fråga som verktyget inte kan besvara.
En del av detta kommer att lösas genom tryck från leverantörerna. Om företagskunder börjar kräva dokumentation av förklarbarhet och granskningsspår som en del av upphandlingen kommer leverantörerna att bygga in dem. Men den processen går långsamt, och under tiden sorteras kandidater i Colorado och på andra platser bort av system vars logik de arbetsgivare som använder dem inte kan förklara fullt ut.
Det samtal HR-ledare behöver ha handlar inte bara om huruvida AI-verktyg för CV-screening fungerar. Det handlar om huruvida organisationerna som använder dem kan stå till svars för vad de gör.
