Brug AI-resuméer uden at miste den menneskelige beslutning

Trin 1: Beslut, hvor AI faktisk hjælper

Begynd med at sætte navn på de konkrete opgaver i gennemgangen, hvor AI-hjælp sparer tid uden at røre ved vurderingen. Tre af dem gør sig fortjent i de fleste rekrutteringsforløb: at resumere lange svar (et 15 minutters transskript fra et inside-sales-rollespil skåret ned til, hvad kandidaten spurgte om, hævdede og forpligtede sig på), at pege på dokumentation (at citere netop de linjer, hvor et supportsvar tog fat i kriteriet om refusionspolitik), og at lave udkast til scoreforslag på kriterieniveau, som et menneske kan bekræfte eller rette.

Læg mærke til, hvad der ikke står på listen: at rangere kandidater, at sortere nogen fra eller at skrive begrundelser for afslag. Det er beslutninger, og i det øjeblik en model udfører dem, holder processen op med at kunne forklares. Skriv ned, hvilke AI-understøttede output jeres forløb bruger, og hvilke det forbyder — det ene afsnit er den politik, alt andet i denne drejebog håndhæver.

• Resumér: skær transskripter og lange skriftlige svar ned til de punkter, der har betydning for beslutningen.
• Peg på dokumentation: citér, hvor et svar berørte hvert enkelt kriterium i bedømmelsesmatricen.
• Lav scoreudkast: foreslå en score på kriterieniveau med det understøttende citat vedhæftet.
• Aldrig: at rangere, at afvise eller at generere kandidatvendte begrundelser uden menneskelig gennemgang.

Trin 2: Hold trinnet med bekræftelse eller tilsidesættelse udtrykkeligt

Et scoreudkast skal ankomme som et spørgsmål, ikke som et svar. Bedømmeren ser AI-forslaget ved siden af den dokumentation, det henviser til, og foretager derefter en udtrykkelig handling: bekræfter det eller tilsidesætter det med sin egen score og en kort begrundelse. Den afgørende egenskab ved designet er, at scoren ikke findes, før mennesket handler — et forslag, der bliver ignoreret, bliver aldrig stiltiende til en registreret score.

Henvisningen til dokumentationen er det, der holder det ærligt. Når et forslag siger «håndtering af indvendinger: stærk» ved siden af den citerede ordveksling, hvor en salgskandidat vendte et prispres, kan bedømmeren efterprøve påstanden på sekunder. Et forslag uden sin dokumentation lærer bedømmerne at stole på tallet; et forslag med sin dokumentation lærer dem at læse arbejdet — og det er selve opgaven.

Hold øje med jeres egen bekræftelsesrate, efterhånden som forløbet sætter sig. Hvis en bedømmer bekræfter hvert eneste forslag uden nogensinde at åbne det underliggende svar, er processen gledet over i ren stempling — mennesket er teknisk set med i sløjfen, men ikke længere med i vurderingen. Gør det billigt at registrere en tilsidesættelse, og behandl en stribe ugranskede bekræftelser som en anledning til sparring frem for som en tidsbesparelse.

Trin 3: Log model og version for hvert AI-understøttet output

Hvert resumé, hver henvisning til dokumentation og hvert scoreudkast bør bære en registrering af, hvilken model der frembragte det, hvilken version, og hvornår. Det føles bureaukratisk, indtil den første gang du får brug for det: en kandidat sætter spørgsmålstegn ved en afgørelse måneder senere, og du kan vise præcis, hvad bedømmeren så, hvad modellen foreslog, og at et menneske bekræftede eller tilsidesatte det.

Logning af version gør også forandring synlig. Modeller bliver opdateret, og en opdateret model kan resumere anderledes eller skride i, hvor gavmildt den laver scoreudkast. Hvis mønstrene i forslagene flytter sig midt i en rekrutteringsrunde, fortæller loggen dig, om det var kandidaterne eller modellen, der ændrede sig — uden den kan du ikke skelne de to, og jeres sammenligninger på tværs af kandidater holder stiltiende op med at være sammenlignelige.

• Registrér modelnavn, version og tidsstempel på hvert AI-understøttet output.
• Registrér bedømmerens handling: bekræftet, tilsidesat, og begrundelsen for tilsidesættelsen.
• Hold loggen inde i beslutningsdossieret, ved siden af de scorer, den forklarer.

Trin 4: Tag stikprøver af AI-forslagene op imod menneskelige scorer

Tillid til et AI-understøttet forløb tjenes ind ved at tage stikprøver, ikke ved at gå ud fra den. En gang i hver rekrutteringsrunde trækker I en håndfuld svar frem og sammenligner AI'ens scoreudkast med det, kalibrerede menneskelige bedømmere nåede frem til. I leder efter systematiske mønstre: en model, der konsekvent lægger scorer for supporttone højere end panelet, eller som overser huller i kvalificeringen i salgssvar om behovsafdækning, fordi kandidaten lød flydende.

Behandl fundene, som I behandler drift hos bedømmerne. Hvis modellen er gavmild på ét kriterium, så bed bedømmerne læse netop det forslag skeptisk — eller hold op med at lave scoreudkast for det kriterium, og behold kun henvisningerne til dokumentationen. Stikprøven beskytter også fairness: hvis forslagene konsekvent falder anderledes ud for én gruppe kandidater eller én svarstil, er det et fund, der skal handles på med det samme, ikke en kuriositet.

Log, hvad hver stikprøve dækkede, og hvad den viste — også når svaret er «ingenting». En nedskrevet historik over, at I kontrollerer jeres eget værktøj, er i sig selv en del af en forsvarlig proces: den viser, at hjælpen var under opsyn frem for blindt betroet, og den giver jer et udgangspunkt at sammenligne med efter næste modelopdatering.

Trin 5: Intet ugennemgået når frem til en kandidat

Træk den sidste streg dér, hvor den betyder mest: intet AI-output rører en kandidatvendt afgørelse, uden at et menneske har gennemgået det. Et afslag, en videreførelse til samtale, feedback i en rapport, en score en kunde ser — hver eneste går gennem en navngiven person, som læste dokumentationen og ejer afgørelsen. «Modellen gav den en lav score» er aldrig svaret på «hvorfor fik jeg afslag»; «vores bedømmer fandt, at svaret ikke ramte kundens faktiske spørgsmål, og her er bedømmelsesmatricen» er.

Den streg er også det, der gør hele arrangementet værd at have. Bedømmere, der ved, at deres navn står på beslutningen, læser dokumentationen; resuméer og henvisninger gør den læsning hurtigere, ikke valgfri. Resultatet er den byttehandel, I ville have fra begyndelsen — AI, der optager læsebyrden, mennesker, der beholder vurderingen — med et beslutningsdossier, der viser præcis, hvem der besluttede hvad, og på hvilken dokumentation.