AI og CV-screening

Hvad er den vigtigste pointe?

Siden udbygger HR-/adgangsklustret med en konkret del af rekrutteringen: det første CV-filter. Bogens bidrag er at spørge, hvad keyword-match, scorecards og knockout-krav gør ved adgang, begyndelsesopgaver og de kandidater, der ikke ligner den historisk sikre profil.

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?

• CV-screening er et første filter: systemet kan afgøre, hvem et menneske overhovedet får øje på.
• AI kan bruges til afgrænset overblik, fx at finde bestemte certificeringer eller opsummere erfaring, men rangering og knockout-krav kræver stærkere kontrol.
• Krav som “5 års erfaring”, bestemte uddannelsesnavne, huller i CV’et eller branchekode kan fungere som proxies og ramme utraditionelle kandidater.
• Kandidatdata kræver klare formål, dataminimering, sikkerhed og information om, hvordan oplysninger bruges.
• Menneskelig kontrol er kun reel, hvis HR også gennemgår et udsnit af dem, systemet ville sortere fra.
• Begyndere, nyuddannede og brancheskiftere kan blive usynlige, hvis screeningen kun leder efter kendte signaler og perfekte karriereforløb.

Hvordan gør HR det første CV-filter mere redeligt?

• Kortlæg screeningen i fire niveauer: søgning/overblik, opsummering, rangering og automatisk frasortering. Beslut hvor AI må være med.
• Gennemgå hvert kriterium: Er det et faktisk jobkrav, eller bare en vane fra tidligere rekrutteringer?
• Test konkrete edge cases: nyuddannet uden erfaring, brancheskifter, kandidat med hul i CV’et, udenlandsk uddannelse og atypisk stillingsbetegnelse.
• Brug scorecards som samtalegrundlag, ikke facit. En lav score skal kunne åbnes og forklares punkt for punkt.
• Lav manuel stikprøve på frasorterede kandidater efter hver rekrutteringsrunde.
• Fortæl kandidaterne kort og forståeligt, hvis AI bruges på en måde, der påvirker udvælgelsen.

AI i CV-screening bør begynde med et organisatorisk spørgsmål: Hvad er det egentlig, vi vil vurdere? Hvis svaret er uklart, bør systemet ikke bruges til at rangere eller frasortere kandidater. En hurtig screening er ikke værdifuld, hvis den gør døren smallere for mennesker, organisationen burde have set.

For kandidater handler det om adgang og tillid. De behøver ikke kende hele teknologien, men de bør kunne forstå, hvis AI påvirker processen, hvilke oplysninger der bruges, og hvor der stadig findes et menneske med ansvar.

CV-screening er det første filter

Det første filter betyder mere end mange tror. Hvis AI bruges til at finde nøgleord, vurdere match eller give kandidater en score, påvirker systemet, hvem der bliver synlig for HR. Det er ikke bare dokumenthåndtering. Det er adgang til arbejde i praksis.

Derfor skal spørgsmålet være konkret: Leder systemet efter faktiske krav til jobbet, eller leder det efter tegn på, at kandidaten ligner dem, organisationen tidligere har ansat? Den forskel afgør, om AI åbner overblik eller lukker muligheder.

Fra keyword-match til knockout-krav

CV-screening kan spænde fra en enkel søgning efter en certificering til et ATS eller AI-værktøj, der rangerer alle kandidater. Nogle systemer bruger knockout-krav: mangler kandidaten et bestemt ord, antal års erfaring eller uddannelsesnavn, kommer hun ikke videre.

Det kan være rimeligt, hvis kravet er reelt og ufravigeligt. Men mange krav er blødere i virkeligheden end i systemet. En brancheskifter kan have relevant erfaring uden den rigtige titel. En nyuddannet kan have potentiale uden fem års erfaring. En udenlandsk uddannelse kan være relevant uden at ligne den danske skabelon.

Hvornår bliver AI-screening risikabel?

Risikoen vokser, jo tættere systemet kommer på beslutningen. Et værktøj, der hjælper HR med at finde alle ansøgninger med en bestemt certificering, er noget andet end et værktøj, der automatisk rangerer mennesker efter en samlet score eller skjuler dem under en cutoff-grænse.

EU AI Act placerer visse AI-systemer til rekruttering og udvælgelse i et højrisiko-område. Pointen er ikke, at al teknologi i HR er forbudt. Pointen er, at systemer, der påvirker adgang til arbejde, skal kunne forklares, kontrolleres og dokumenteres.

Kandidatdata kræver mere end god intention

CV’er, ansøgninger, tests og interviewnoter rummer personoplysninger og ofte oplysninger om andre arbejdspladser, kunder, sygdom, familieforhold eller huller i arbejdslivet. Datatilsynets vejledning om kunstig intelligens og databeskyttelse gør formål, dataminimering og rettigheder til en nødvendig del af AI-brug.

Det betyder, at HR ikke bare kan lægge kandidatmateriale i et tilfældigt værktøj for at spare tid. Før AI bruges, skal organisationen vide, hvilke data der behandles, hvorfor de behandles, hvor de behandles, hvor længe de gemmes, og hvem der kan se dem.

Menneskelig kontrol skal også se dem, der sorteres fra

Menneskelig kontrol er ikke det samme som, at et menneske klikker godkend til sidst. Kontrollen er kun reel, hvis mennesket forstår systemets output, kan opdage fejl, kan overprøve en rangering og har mandat til at ændre beslutningen.

En praktisk regel er at gennemgå et udsnit af både dem, AI sender videre, og dem, AI sorterer fra. Hvis HR kun ser de kandidater, systemet allerede har valgt, bliver menneskelig kontrol hurtigt til en formalitet.

Begyndere og brancheskiftere kan blive usynlige

Bogens begreb begyndelsesopgaver er særligt relevant i CV-screening. Mange mennesker får adgang til et fag gennem de første opgaver, hvor potentiale, læring og motivation viser sig før det perfekte CV. Hvis AI-screening kun leder efter etablerede signaler, kan den gøre døren smallere.

Det rammer især nyuddannede, praktikanter, brancheskiftere og mennesker med atypiske forløb. De kan være gode kandidater uden at ligne den historiske profil. En ansvarlig screening skal derfor spørge: Hvilke typer potentiale vil vores første filter ellers overse?

En praktisk tjekliste for CV-screening

• Formål: skriv én sætning om, hvad AI må hjælpe med i CV-screeningen.
• Kriterier: marker hvert krav som skal-krav, bør-krav eller blot et signal, der kræver menneskelig vurdering.
• Edge cases: test systemet med nyuddannede, brancheskiftere, huller i CV’et, udenlandske uddannelser og atypiske jobtitler.
• Data: læg ikke CV’er eller ansøgninger i værktøjer uden klar databehandler-, sikkerheds- og slettepraksis.
• Kontrol: gennemgå også frasorterede kandidater, ikke kun dem systemet anbefaler.
• Kandidater: fortæl kort, hvis AI bruges på en måde, der påvirker udvælgelsen.

Hvad kilderne bidrager med

AI Act-kilderne viser, at rekruttering og udvælgelse er et område med særlig betydning, fordi teknologien kan påvirke menneskers adgang til arbejde. Datatilsynet giver databeskyttelsesperspektivet: formål, oplysninger og rettigheder skal tænkes med, før kandidatdata bruges i AI-systemer.

Rettid/Aarhus Universitet sætter netop adgang til arbejde i centrum for analysen af algoritmer i rekruttering, mens ILO peger på, at generativ AI ofte ændrer opgaver og jobkvalitet. Tilsammen støtter kilderne bogens vinkel: CV-screening handler ikke kun om hurtigere HR, men om ansvarlig adgang til arbejdslivet.

Spørgsmål der bør stilles lokalt

• Hvilke konkrete jobkrav må AI lede efter i CV’er, og hvilke krav er bare vaner fra tidligere rekrutteringer?
• Bruger vi AI til overblik, eller får systemet reelt lov til at rangere og frasortere kandidater?
• Hvem gennemgår frasorterede kandidater, og hvor ofte tester vi for fejl eller skævheder?
• Hvordan informerer vi kandidaterne om AI-brug uden at gøre processen tung eller uforståelig?
• Kan vores screening stadig se begyndere, brancheskiftere og kandidater med atypiske forløb?
• Hvilke kandidatdata må aldrig lægges i åbne eller uklare AI-værktøjer?

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