Doists test: AI:n hade sorterat bort personerna de anställde
När kandidater optimerar för rekryteringssystem och arbetsgivare låter AI gallra växer en loop där båda sidor får mindre information om varandra.
AI lovar att göra rekrytering snabbare. Men när både kandidater och arbetsgivare försöker optimera för varandras algoritmer kan resultatet bli mer brus, mindre förtroende och sämre träffar.
I en ny genomgång från WIRED beskriver jobbsökande hur små formateringsval i ett cv kan ändra poängen i tjänster som påstår sig mäta hur väl en ansökan passar ett rekryteringssystem. En kandidat fick olika omdömen beroende på om hon skrev ordet ”procent” eller använde tecknet.
Problemet är att kandidaterna sällan vet vad som faktiskt händer på arbetsgivarens sida. Vissa företag använder automatiserad rangordning, andra låter människor läsa varje ansökan och systemen skiljer sig åt. Ändå räcker föreställningen om en osynlig AI-grind för att jobbsökare ska börja skriva för maskinen.
När båda sidor förstärker samma brus
Det skapar en självförstärkande loop. Kandidater använder AI för att massproducera och nyckelordsanpassa ansökningar. Arbetsgivare möter större mängder dokument som liknar varandra och använder mer automatisering för att gallra. Båda sidor minskar sin arbetsbörda lokalt, men gör samtidigt signalen svagare för den andra.
Doist gjorde ett litet men talande test. Företaget tog roller som redan hade tillsatts, matade in jobbannonserna och de sparade ansökningarna i ett AI-baserat urval och jämförde resultatet med den verkliga rekryteringen. I två testfall saknades personen som Doist faktiskt hade anställt i AI-systemets kortlista. Enligt företagets HR-chef fungerade båda nyanställda dessutom bra efter ungefär ett halvår.
Testet är för litet för att säga hur automatiserad rekrytering fungerar generellt. Men det visar ett centralt problem: ett system kan vara konsekvent i hur det sorterar utan att mäta det som organisationen egentligen bryr sig om.
AI:n fungerar bättre som karta än domare
WIRED beskriver också en jobbsökande som slutade lägga all AI-kraft på att putsa ansökningstexten. I stället lät han verktygen hitta annonser, jämföra roller med hans krav och komma ihåg varför han tidigare hade valt bort en tjänst. Det gav inte automatiskt ett jobberbjudande, men minskade tiden som gick åt till att leta och hjälpte honom fokusera på färre relevanta roller.
Skillnaden är viktig. I det ena fallet försöker AI:n förutsäga en okänd bedömare och förändrar materialet som ska bedömas. I det andra hjälper den en människa att navigera ett stort informationsflöde utan att ta över själva beslutet.
För arbetsgivare är detta inte bara en fråga om vilken mjukvara som köps in. Det är ett val av vad som ska räknas som bevis på kompetens. Om urvalet optimeras för lättmätta likheter riskerar organisationen att sortera bort kandidater som hade fungerat väl i det verkliga arbetet.
För nordiska arbetsgivare blir det särskilt relevant i roller där kandidatfältet är litet och felaktig bortsortering kan lämna en specialisttjänst tom. Den intressanta effektivitetsfrågan är därför inte hur många ansökningar systemet kan avvisa per minut, utan hur ofta rätt person överlever filtret.
WIRED beskriver hur jobbsökare och arbetsgivare använder AI mot varandras automatiserade system. Doists eftertest visade att de personer företaget faktiskt hade anställt saknades i AI-kortlistan i två fall. Samtidigt leder likriktade ansökningar till att arbetsgivare får ännu starkare skäl att automatisera gallringen.
När båda sidor optimerar för samma filter slutar ansökan gradvis att fungera som signal om personen bakom den. Rekryteringsprocessen kan bli snabbare i varje enskilt steg men sämre på sitt egentliga uppdrag: att hitta ett bra ömsesidigt match.
AI är mest användbar här när den tar bort orienteringsarbete, inte när den får avgöra människors potential. Den smarta organisationen mäter därför inte AI-användning eller sorteringshastighet, utan kvaliteten på de personer som systemet släpper igenom – och vilka det missar.
