AI blir ofte presentert som en måte å gjøre rekruttering mer objektiv på. Ideen om AI i rekruttering er lett å forstå: hvis teknologi kan behandle informasjon konsekvent, sammenligne kandidater mot forhåndsdefinerte kriterier og redusere påvirkningen av individuelle meninger, kan det kanskje hjelpe organisasjoner med å ta mer rettferdige beslutninger.
Men virkeligheten er mer komplisert og gapet mellom hvordan AI-støttet rekruttering føles og hva den faktisk gjør er verdt å undersøke nøye. Hos Compass Human Resources Group bruker vi AI til å støtte prosessene våre, strukturere informasjon og identifisere mønstre, men ikke til å ta avgjørelser om kandidater. Skillet er viktig, fordi AI ikke fjerner bias (skjevheter) fra rekruttering. Brukt uten tilstrekkelig tilsyn kan den gjøre det motsatte: formalisere eksisterende bias, gjøre dem vanskeligere å oppdage og gi et inntrykk av objektivitet.
Fjerner teknologi bias?
Bias i rekruttering forsvinner ikke når man introduserer teknologi. Den forflytter seg. Menneskelig skjevhet er synlig, og kan utfordres, diskuteres og korrigeres. Bias innebygd i en AI-prosess er mindre synlig. og den gjemmer seg i stjernerangeringer, poengsummer og anbefalinger. Når noen stiller spørsmål ved resultatet er kandidatene som ble filtrert ut allerede borte.
Organisasjonene som bruker AI ansvarlig i rekruttering er ikke de som stoler mest på verktøyet. Det er de som stiller flest spørsmål ved det, samtidig som de bygger den menneskelige strukturen rundt det som gjør rettferdige beslutninger ved bruken av AI mulige.
AI er ikke nøytral som standard
Noe av det viktigste å forstå om AI i rekruttering er at den ikke opererer i et vakuum. AI-systemer lærer av data. I rekruttering er disse dataene nesten alltid historiske fakta som ligger i våre ATS: tidligere stillingsbeskrivelser, tidligere ansettelsesbeslutninger, tidligere definisjoner av hvordan en sterk kandidat ser ut. Hvis disse mønstrene gjenspeiler eksisterende bias, lærer AI-en av dem. Hvis visse profiler har vært overrepresentert i vellykkede ansettelser, kan systemet automatisk tolke disse profilene som mer relevante. Hvis stillingsbeskrivelser historisk sett har brukt språk som appellerer til en smal kandidatpool, kan verktøyet optimalisere for denne smalheten. AI trent på partiske historiske data korrigerer ikke disse skjevhetene, den kopierer dem.
Derfor er ideen om AI som en automatisk objektiv beslutningstaker problematisk. En rekrutteringsprosess blir ikke rettferdig bare fordi den støttes av teknologi. Hvis inputen er partisk, uklar eller ufullstendig, vil outputen også være det, bare raskere og vanskeligere å stille spørsmål ved.
Når bias er datadrevne blir de vanskeligere å utfordre
En av risikoene ved å bruke AI i rekruttering er at resultatene fremstilles med en presisjon som menneskelig dømmekraft ikke har. En rangert liste oppleves som en konklusjon. En poengsum eller stjernerangering føles som et faktum. Men i rekruttering er en rangering bare så god som kriteriene bak den, og disse kriteriene er alltid et sett med valg tatt av folk, som gjenspeiler bestemte antagelser om hvordan en god kandidat ser ut.
Hvis en organisasjon er for avhengig av automatiserte resultater, risikerer den å erstatte synlige menneskelige bias med mindre synlige bias. Avgjørelsen føles mer nøytral, prosessen føles mer streng, men kandidatene som ble filtrert ut helt i starten av prosessen, vises aldri i dataene, noe som betyr at den bias som ekskluderte dem kanskje aldri blir undersøkt. Dette er spesielt viktig når AI tas i bruk tidlig. Et verktøy som filtrerer kandidater før en konsulent har gjennomgått CVer, betyr at noen blir silt ut før et menneske vurderer dem. Dette gjør at bias blir strukturell og stille, snarere enn individuell og korrigerbar.
En raskere prosess er ikke nødvendigvis en bedre prosess. Og en mer datadrevet prosess er ikke nødvendigvis en mer rettferdig prosess.
Hvordan AI ekskluderer kandidater som ellers ville lykkes
Mange AI-støttede rekrutteringsverktøy er avhengige av søkeordmønstre og forhåndsdefinerte filtre. Dette kan være nyttig for å organisere store mengder informasjon, men det skaper en blindsone.
Kvalifiserte kandidater presenterer seg ikke alltid på forventet måte. Noen har internasjonal bakgrunn og bruker et annet faglig vokabular. Noen har byttet bransje og har overførbar erfaring som ikke dukker opp tydelig i et søk etter stillingstittel, mens noen har ikke-lineære karrierer som ser tvetydige ut i en database, men gir umiddelbar mening i samtaler.
For å gjøre dette konkret: Tenk deg en kandidat som har ledet komplekse endringsprogrammer innen finansielle tjenester i åtte år, og deretter gått over i en bredere lederrolle i en annen sektor. Et verktøy som filtrerer etter «transformasjonsdirektør» innenfor en bestemt bransje, vil kanskje aldri finne denne kandidaten. En rekrutteringskonsulent som forstår konteksten, ville identifisert dem i løpet av minutter.
Problemet er ikke at AI er dum. Problemet er at den er optimalisert for likhet. Den finner kandidater som ligner på tidligere ansatte, som bruker riktig terminologi, som har karriereveier som følger et gjenkjennelig mønster. Det gjør den effektiv for en smalere versjon av oppgaven, men gjør den dårlig til å finne kandidater som ville bidra med noe genuint annerledes, noe som ofte er akkurat det en organisasjon trenger.
Mangfoldsrisikoen ved bruk av AI i rekruttering: når likhet belønnes
Dette tar oss til en av de viktigste risikoene ved å bruke AI ukritisk i rekruttering: den har en tendens til å belønne likheter.
Et system som er trent på historiske ansettelsesdata vil over tid lære å favorisere profiler som ligner på de som ble ansatt tidligere. Det kan føles som mønstergjenkjenning. I praksis fungerer det som en mekanisme for å reprodusere den eksisterende organisasjonen. samme bakgrunn, samme karriereveier, samme måter å tenke på og løse problemer.
Mangfold i rekruttering handler ikke bare om demografisk representasjon, kjønn og etnisitet. Det handler om erfaring, perspektiv, lederstil og tankegangen et team kan dra nytte av. Når AI snevrer inn kandidatpoolen til de som ligner mest på eksisterende ansatte, begrenser det dette spekteret.
Det er med «kulturtilpasning» som denne risikoen konsentreres. Brukt riktig beskriver kulturtilpasning et ekte samsvar med verdier og arbeidsmåter. Brukt løst blir det skjevhet med bedre merkevarebygging. Når AI introduseres i en prosess der kulturtilpasning ikke er klart definert, kan det belønne kandidater som føles kjente i stedet for de som virkelig passer godt.
For organisasjoner som ønsker å forbedre mangfoldet i rekruttering, er ikke AI en snarvei. Det er et verktøy som krever mer struktur og mer gransking, ikke mindre.
Å redusere skjevheter med AI i rekruttering starter før teknologien tas i bruk.
Det starter med rolledefinisjon. Hva trenger kandidaten faktisk for å lykkes? Hvilke kompetanser er viktige, og hvilke er foretrukne egenskaper forkledd som krav? Er kriteriene forankret i rollens reelle krav, eller har de avviket fra vaner, preferanser og historiske mønstre?
Det fortsetter i stillingsannonsen. Språket man bruker er viktig: krav som ikke er genuint nødvendige, begrenser utvalget før prosessen starter. Et tydelig skille mellom essensielle og foretrukne kriterier og inkluderende språk gjennomgående utgjør en betydelig forskjell for hvem som søker.
Det fortsetter i evalueringen. Strukturerte kriterier hjelper konsulenter med å sammenligne kandidater basert på hva som faktisk betyr noe, snarere enn hva som føles kjent. Når magefølelsen blir det primære argumentet, har skjevhet rom til å operere uimotsagt. Og det krever åpenhet gjennom hele rekrutteringsprosessen. Organisasjoner som bruker AI i rekruttering må forstå hva verktøyet gjør, hvilke data det henter fra, og hvem som er ansvarlig for å gjennomgå resultatene. Ingen kandidater bør ekskluderes utelukkende fordi en algoritme rangerte dem lavere.
Ingenting av dette handler om å gjøre rekruttering mekanisk. Struktur fjerner ikke menneskelig dømmekraft. Når kriteriene er klare og prosessen er konsistent, er den dømmekraften som gjenstår den typen som faktisk forbedrer beslutninger.
Forskjellen ligger i hvordan AI brukes
AI kan støtte mer rettferdig rekruttering, men den kan også undergrave den. Ikke med ondsinnet hensikt, men gjennom stille, strukturell reproduksjon av mønstre som allerede eksisterer.
Forskjellen ligger i hvordan den brukes. Organisasjoner som behandler AI som et nøytralt filter, vil sannsynligvis få raskere prosesser og snevrere resultater. De som behandler AI som et verktøy som krever aktivt tilsyn, klare kriterier og menneskelig ansvarlighet, har større sannsynlighet for å få noe genuint nyttig.
Rettferdig rekruttering er ikke et teknologiproblem. Det er et problem med klarhet og ansvarlighet. AI kan hjelpe, men bare hvis menneskene som bruker den stiller de riktige spørsmålene, utfordrer resultatene og tar ansvar for beslutningene som følger.
For et bredere blikk på hvor AI tilfører verdi i rekruttering, og hvor menneskelig dømmekraft fortsatt er avgjørende, se artikkelen vår AI i rekruttering: hvor det fungerer og hvor det ikke gjør det.
