Hvad skal vi lave nu?

Viden

AI og ansættelsestest

AI kan gøre ansættelsestest hurtigere at lave, rette og sammenligne. Men når testresultater påvirker, hvem der får adgang til et job, bliver testen ikke bare et HR-værktøj. Den bliver en port ind til arbejdslivet.

Kort svar: AI i ansættelsestest bør bruges som afgrænset støtte til struktur, administration og kvalitetssikring, ikke som skjult dommer over kandidaters potentiale. Arbejdsgivere bør kunne forklare, hvad testen måler, hvordan data behandles, hvor menneskelig vurdering ligger, og hvordan kandidater kan få fejl, skævheder eller særlige forhold vurderet af et menneske.

Hvad er den vigtigste pointe?

Siden udbygger HR-/adgangsklustret med testfasen: cases, personlighedstest, færdighedstest og AI-vurderede arbejdsprøver. Bogens bidrag er at spørge, om testen faktisk måler arbejdets relevante opgaver og menneskelig dømmekraft, eller om den gør døren smallere for begyndere, brancheskiftere og kandidater, der ikke passer til den historiske norm.

Siden er en del af Viden-universet til bogen Hvad skal vi lave nu?. Den bruger AI som anledning til at tale om arbejde, ansvar, adgang, faglighed og menneskers plads i danske organisationer.

Hvad ændrer AI her?

  • Ansættelsestest kan åbne for mere ensartet vurdering, men de kan også gøre adgang til arbejde mere uigennemsigtig.
  • AI kan støtte struktur, opgaveformulering, opsummering og mønstergenkendelse, men bør ikke alene afgøre, hvem der går videre.
  • Testen skal måle noget jobrelevant. Hvis den især måler testtræning, sprogkode, perfekt promptbrug eller historisk profil, bliver den svag som adgangsredskab.
  • Kandidatdata, testbesvarelser, optagelser og psykometriske vurderinger kalder på klare formål, dataminimering, sikkerhed og mulighed for menneskelig overprøvning.
  • EU AI Act placerer visse AI-systemer til rekruttering og udvælgelse i et højrisiko-område, fordi de kan påvirke menneskers mulighed for arbejde.
  • Begyndere og brancheskiftere kan rammes, hvis tests kun belønner det færdige og genkendelige frem for læringsevne, potentiale og faglig dømmekraft.

Hvordan bruger man AI i ansættelsestest mere redeligt?

  • Skriv først, hvad testen skal måle: faglig færdighed, problemløsning, samarbejde, læringsevne eller noget andet konkret.
  • Beslut hvor AI må bruges: til at formulere opgaver, administrere test, opsummere svar, foreslå vurdering eller rangere kandidater. De sidste trin kræver stærkest kontrol.
  • Informer kandidater kort om AI-brug, databehandling, vurderingskriterier og hvor de kan henvende sig ved fejl eller spørgsmål.
  • Test testen med edge cases: nyuddannet, brancheskifter, kandidat med handicap, kandidat med andet modersmål og kandidat med utraditionel erfaring.
  • Brug testresultatet som samtalegrundlag, ikke som facit. Bed kandidaten forklare valg, tvivl og læring i stedet for kun at læse en score.
  • Gennemgå jævnligt om testen sorterer bestemte profiler fra uden saglig jobgrund.

En god ansættelsestest begynder ikke med teknologien, men med arbejdet. Hvilken opgave skal kandidaten faktisk kunne løse, og hvad skal organisationen kunne lære af besvarelsen? Hvis svaret er uklart, bør AI ikke bruges til at score eller rangere.

For kandidaten bør testen føles som en redelig mulighed for at vise relevant kunnen og læring, ikke som en sort boks. For arbejdsgiveren bør testen give et bedre samtalegrundlag, ikke en undskyldning for at slippe den menneskelige vurdering.

Ansættelsestest er ikke neutral adgang

En ansættelsestest kan ligne en fair løsning: alle får samme opgave, samme tid og samme vurderingskriterier. Men testen er aldrig neutral i sig selv. Den bygger på valg om, hvad der tæller som relevant, hvordan svar måles, og hvilke typer erfaring der bliver synlige.

Når AI kommer ind i testen, bliver de valg lettere at skjule. Et system kan formulere cases, analysere video, rette svar, opsummere adfærd eller foreslå score. Derfor bør HR kunne forklare både testen og AI-brugen uden at gemme sig bag værktøjet.

Hvad måler testen egentlig?

Det vigtigste spørgsmål er enkelt: Måler testen noget, jobbet faktisk kræver? En case kan måle problemløsning, men også kendskab til en bestemt branchekode. En personlighedstest kan give samtalestof, men den kan også komme til at fungere som et uklart filter for, hvem der passer ind.

AI kan forstærke problemet, hvis systemet belønner bestemte formuleringer, tonefald, nøgleord eller historiske mønstre. Så måler testen måske ikke potentiale eller faglig dømmekraft, men evnen til at ligne dem, organisationen plejer at vælge.

Fra teststøtte til skjult frasortering

Der er stor forskel på at bruge AI til at gøre en testopgave mere klar og at bruge AI til at rangere kandidater efter en samlet score. Den første brug kan være administrativ støtte. Den sidste kan påvirke adgang til arbejde direkte.

EU AI Act nævner visse AI-systemer til rekruttering og udvælgelse i Annex III om højrisiko-områder. Det er en påmindelse om, at test, scoring og udvælgelse kalder på mere end effektiv drift: dokumentation, menneskelig kontrol og mulighed for at opdage fejl.

Kandidatdata er sårbare i testfasen

Testbesvarelser, cases, videooptagelser, personlighedsvurderinger og noter kan rumme mere end faglig information. De kan afsløre helbred, familieforhold, sprog, handicap, tidligere konflikter, arbejdsstil eller andre følsomme forhold.

Datatilsynets AI-vejledning peger på behovet for at afklare formål, dataminimering og rettigheder, før oplysninger bruges i AI-systemer. Det gælder også, hvis brugen føles uformel: en testbesvarelse i et åbent værktøj kan stadig være kandidatdata.

Menneskelig kontrol bør have mandat

Menneskelig kontrol betyder ikke, at en recruiter ser en score og nikker. Kontrollen bør kunne åbne systemets vurdering: Hvilke kriterier trak op eller ned? Hvad er usikkert? Hvilke kandidater blev overset? Og må mennesket ændre beslutningen?

Hvis AI bruges i test, bør HR og hiring manager derfor aftale en overprøvningspraksis. Et udsnit af lave scorer bør gennemgås, og særlige forhold bør kunne vurderes manuelt. Ellers bliver kontrollen en ceremoni uden reel betydning.

Begyndere skal kunne vise læring, ikke bare færdig form

Bogens begreb begyndelsesopgaver er vigtigt i testfasen. Mange kandidater, især nyuddannede og brancheskiftere, har endnu ikke en færdig professionel form. De bør vurderes på, om de kan lære sig ind i arbejdet, ikke kun om de allerede taler som en erfaren medarbejder.

Derfor bør gode tests spørge efter metode, refleksion og læring. Hvad prøvede kandidaten først? Hvad var svært? Hvad ville hun undersøge, hvis hun havde mere tid? Den slags spørgsmål kan gøre potentiale synligt, hvor en ren AI-score let bliver for snæver.

En praktisk tjekliste for AI og ansættelsestest

  • Formål: skriv præcist, hvad testen måler, og hvorfor det er jobrelevant.
  • AI-rolle: afgræns om AI må bruges til opgaveformulering, administration, opsummering, vurderingsstøtte eller rangering.
  • Data: afklar hvilke oplysninger der behandles, hvor de behandles, og hvornår de slettes.
  • Forklaring: kandidater bør kunne få en forståelig forklaring på proces og vurderingsgrundlag.
  • Edge cases: test om bestemte profiler rammes urimeligt af testen eller AI-vurderingen.
  • Samtale: brug resultater til at spørge ind til valg, metode og læring, ikke kun til at bekræfte en score.

Hvad kilderne bidrager med

AI Act-kilderne viser, hvorfor rekruttering og udvælgelse er et område med særlig risiko: teknologien kan påvirke menneskers adgang til arbejde. Datatilsynet giver databeskyttelsesperspektivet, som er særligt vigtigt, når testdata, cases og vurderinger behandles digitalt.

Rettid/Aarhus Universitet sætter adgang til arbejde i centrum for analysen af algoritmer i rekruttering. ILO-kilden understøtter den bredere pointe om, at generativ AI ikke kun ændrer job, men også de opgaver, hvor mennesker lærer, vurderes og får adgang til næste skridt.

Spørgsmål der bør stilles lokalt

  • Hvilken konkret arbejdsevne eller opgave måler testen, og er den faktisk central for jobbet?
  • Bruger vi AI til administration, vurderingsstøtte eller egentlig rangering af kandidater?
  • Hvilke kandidatdata indsamles i testen, hvor behandles de, og hvornår slettes de?
  • Kan kandidaten få forklaret en testscore eller få særlige forhold vurderet af et menneske?
  • Har vi testet, om nyuddannede, brancheskiftere, kandidater med handicap eller andet modersmål rammes urimeligt?
  • Hvordan kobler vi testresultatet til en samtale om valg, metode, læring og dømmekraft?

Hvordan hænger det sammen med bogen?

Bogen arbejder med fire positioner i AI-forandringen: de fortrængte, de transformerede, de udelukkede og de empowered. De er ikke faste typer, men steder mennesker kan befinde sig, når arbejdet flytter sig.

Derfor handler denne side også om AI-uro, kontroltab, orienteringstid og begyndelsesopgaver — de begreber, der gør samtalen mere konkret end enten begejstring eller panik.

FAQ

Må arbejdsgivere bruge AI i ansættelsestest?

AI kan bruges i rekruttering, men brugen bør være saglig, lovlig og kontrolleret. Jo tættere systemet kommer på scoring, rangering eller frasortering, desto vigtigere bliver dokumentation, databeskyttelse, forklarlighed og reel menneskelig kontrol.

Hvad er risikoen ved AI-vurderede tests?

Risikoen er, at en testscore kommer til at ligne et objektivt facit, selv om testen kan bygge på uklare kriterier, skæve data eller proxyer for uddannelse, sprog, social kode og tidligere adgang. Derfor bør testen kunne forklares og overprøves.

Skal kandidater vide, at AI bruges i en test?

Kandidater bør have kort og forståelig information, hvis AI bruges på en måde, der påvirker vurderingen. De bør også vide, hvilke oplysninger der behandles, hvad testen måler, og hvor de kan stille spørgsmål eller gøre opmærksom på fejl.

Kan AI gøre ansættelsestest mere fair?

AI kan hjælpe med struktur og ensartethed, men fairness opstår ikke automatisk. Fairness forudsætter jobrelevante kriterier, test for skævheder, dataminimering og mennesker med mandat til at overprøve systemets forslag.

Hvordan bør HR vurdere testresultater i en AI-tid?

HR bør bruge testresultater som et samtalegrundlag. Spørg ind til kandidatens valg, metode, usikkerhed og læring, og lad ikke en score stå alene, især når kandidaten er nyuddannet, brancheskifter eller har atypisk erfaring.

Hvad bør kandidater passe på med?

Kandidater bør undgå at dele fortrolige oplysninger, tidligere arbejdsgiverdata eller personfølsomme oplysninger med åbne AI-værktøjer under testforberedelse. De bør også spørge, hvis rammerne for AI-brug i en case eller test er uklare.

Kilder og videre læsning

Prøvelæsning

Arbejder du med dette — eller kender du én, der gør?

Vi søger prøvelæsere med erfaring fra HR, ledelse, fagbevægelse, arbejdsmiljø, uddannelse og almindeligt arbejdsliv. Du behøver ikke være AI-ekspert. Du skal bare kende arbejdet indefra.

Bliv prøvelæser