AI i rekrytering – och det som fortfarande kräver människor

”Human intelligence” är ett lånat begrepp från underrättelsevärlden: information som kommer från människor, inte från system. I rekrytering betyder det ungefär samma sak – det man får veta genom samtal och egen bedömning, och som inte står i någon databas.

Frågan vi oftast får från styrelser just nu är inte om vi använder AI, utan var. Så här delar vi upp arbetet, och varför.

Vad som faktiskt förutsäger prestation

Den aktuella referenspunkten är Sackett, Zhang, Berry och Lievens omräkning av urvalsmetodernas träffsäkerhet i Journal of Applied Psychology. Den korrigerar Schmidt och Hunters sammanställning från 1998, som länge varit standard, och sänker de flesta värdena. Siffrorna nedan anger varje metods korrelation med faktisk arbetsprestation; 1,0 vore perfekt träffsäkerhet, 0 vore ren slump.

Den strukturerade intervjun träffar alltså mer än dubbelt så rätt som den ostrukturerade. Det som skiljer dem åt är hur samtalet är upplagt: samma frågor till alla kandidater, samma bedömningsgrunder, allt nedskrivet.

Tre förbehåll, som vi hellre skriver ut än låter någon annan påpeka.

Siffran 0,42 är ett medelvärde med stor spridning. Forskarna anger att 80 procent av värdena ligger mellan 0,18 och 0,66. Det är genomförandet som avgör var i spannet man hamnar.

Värdena gäller arbetsprestation brett, inte specifikt på VD- och styrelsenivå, där underlaget är tunnare. Riktningen är däremot stabil.

Och alla värden sjönk inte i omräkningen. Biodata är ett av undantagen som i stället justerades upp.

Vad maskinen gör bättre än vi

Kartläggning. Att gå igenom ett helt segment och sortera fram personer med en viss profil går snabbare maskinellt, förutsatt att någon kontrollerar resultatet. Det är ett sökproblem, inte ett omdömesproblem.

Struktur. Att sammanställa anteckningar, hålla ordning på en process och ta fram ett första utkast till kravprofil.

Konsekvens. Samma frågor till alla kandidater, samma mall för utvärdering. Det är precis det som skiljer den strukturerade intervjun från den ostrukturerade. Maskinen håller ordning på mallen; människan genomför samtalet.

Det här sparar riktig tid, och vi använder det. Men notera vad de tre punkterna har gemensamt: ingen av dem är ett beslut.

De tre bedömningarna som kräver en människa

1. Om personen vill. En lista visar vem som kan ta rollen. Den säger ingenting om vem som är beredd att lämna ett bolag där hen just fått ett nytt mandat, eller vem som sitter kvar av lojalitet mot en chef. Det kommer fram i ett samtal, ofta först i det andra.

2. Om personen passar just här. Två VD-roller med identisk kravprofil kan vara helt olika uppdrag beroende på ägarbild, styrelsens arbetssätt och var bolaget befinner sig. En kandidat som är rätt i ett bolag i tillväxt kan vara fel i ett bolag mitt i en omställning. Den matchningen går inte att göra på titlar. Hur djupt den görs är också en stor del av skillnaden mellan headhunting och executive search.

3. Vad referenserna inte säger. Det mest värdefulla i en referenstagning ligger sällan i svaren. Det ligger i tvekan före svaret, i formuleringen som väljs bort och i det ämne som aldrig kommer upp.

Risken med att automatisera fel moment

En modell lär sig av det som redan har hänt. Matar man den med tio års rekryteringar lär den sig vilka som brukade bli anställda, och föreslår fler av samma sort. Det låter neutralt, för siffror låter alltid neutrala. I praktiken är det historiken som byggs in i framtiden.

Den historiken är sällan det som står i uppdragsbeskrivningen. När en styrelse beskriver vad den behöver i nästa ledningsgrupp är svaret nästan aldrig ”fler som de vi redan har”. Ett verktyg som optimerar mot historiken kommer att föreslå precis det, och göra det med stor säkerhet i rösten.

Felet är inte tekniken. Felet är att be den om en sorts svar den inte är byggd för att ge.

Det finns också en regulatorisk sida. AI-verktyg som används för att välja ut kandidater hör till de mer reglerade användningsområdena inom EU, och kraven skärps stegvis. Exakt vad som gäller, och när, har flyttat på sig flera gånger. Riktningen har däremot varit densamma hela tiden: en människa ska ha kontroll över hur verktyget används och stå för beslutet, urvalet ska gå att redogöra för i efterhand och kandidaten ska veta hur hen bedöms. Delar av det följer redan av dataskyddsreglerna.

Vi tycker att de principerna är rimliga att arbeta efter oavsett vad kalendern säger. Den som bygger processen så från början behöver aldrig fundera på övergångsregler. I uppdrag som kräver säkerhetsprövning är vanan redan inarbetad: underlaget ska hålla för granskning i efterhand, av någon annan än den som tog fram det.

Vad kandidaterna själva tycker

Pew Research Center frågade 11 004 amerikaner i december 2022. 71 procent motsatte sig att låta AI fatta det slutgiltiga anställningsbeslutet, mot 7 procent som var för. 66 procent sa att de inte skulle vilja söka en tjänst hos en arbetsgivare som använder AI som stöd i anställningsbeslut.

Den andra siffran är den obekväma. Motståndet stannar alltså inte vid AI som fattar beslutet. Det omfattar även AI som bara hjälper till.

Undersökningen är amerikansk och gjordes i december 2022, samma veckor som ChatGPT släpptes. Man kunde tro att attityderna mjuknat sedan dess, i takt med att fler använt AI själva. Pews senare mätningar pekar snarare åt andra hållet.

På chefsnivå har kandidaten oftast redan ett bra jobb, och tröskeln för att tacka nej till en process som känns opersonlig är låg. Det är en risk att ta på allvar.

Fem frågor värda att ställa

Frågorna nedan är inga fällor. Det är helt enkelt de som brukar göra en process bättre, oavsett vem ni arbetar med – oss inkluderade. Ta gärna med dem till nästa möte.

Har en människa sett alla kandidater innan någon väljs bort? De flesta fel i en rekrytering sitter i bortvalen, och de felen är svårast att upptäcka i efterhand.

Vad bygger listan på? En kartläggning är prioriterad och går att motivera namn för namn. En lång lista kan vara ett bra råmaterial, men den är något annat.

Är intervjuerna strukturerade och dokumenterade? Ett fritt samtal känns ofta trevligare. Ett strukturerat har drygt dubbelt så hög träffsäkerhet.

Var i processen används AI, och vet kandidaten om det? Öppenhet kostar ingenting här. Förtroende, när det väl är förbrukat, är svårt att vinna tillbaka.

Kan ni berätta varför just de här personerna finns på shortlisten? Ett bra svar handlar om personerna: vad de gjort, vad de vill och varför rollen passar dem just nu.

Så gör OGR

Vi använder maskinen till kartläggning och struktur, och lägger den frigjorda tiden på samtal i stället. Maskinen tar fram råmaterialet; prioriteringen och bedömningen gör vi. Intervjuerna är strukturerade och dokumenterade, eftersom forskningen säger att det är där träffsäkerheten sitter.

Men metodiken är inte det vi är stoltast över. Det är att varje kandidat som når er shortlist har talat med en människa hos oss, och att vi kan berätta vem hen faktiskt är. Vad hen har gjort, förstås. Men också vad som skaver, och varför just den här rollen skulle betyda något just nu.

Den sortens kunskap uppstår bara i ett samtal, och bara om någon bryr sig tillräckligt för att ställa en följdfråga till.

Ett namn går att hitta maskinellt. En människa måste man träffa.

Källor

• Sackett, P. R., Zhang, C., Berry, C. M. & Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range. Journal of Applied Psychology. pubmed.ncbi.nlm.nih.gov
• Sackett, P. R., Zhang, C., Berry, C. M. & Lievens, F. (2023). Revisiting the design of selection systems in light of new findings regarding the validity of widely used predictors. Industrial and Organizational Psychology, 16, 283–300. cambridge.org — härifrån hämtas det uppreviderade värdet för assessment center (0,33) och spridningsintervallet för strukturerad intervju.
• Schmidt, F. L. & Hunter, J. E. (1998). The validity and utility of selection methods in personnel psychology: Practical and theoretical implications of 85 years of research findings. Psychological Bulletin, 124, 262–274. Den sammanställning som omräkningen ovan korrigerar.
• Pew Research Center (2023). AI in Hiring and Evaluating Workers: What Americans Think. Undersökning bland 11 004 vuxna amerikaner, 12–18 december 2022. pewresearch.org