Sådan fungerer AI-interviews — og sådan holder du dem fair

Hvad et AI-interview faktisk er (og hvad det ikke er)

Fjerner man markedsføringen, er et AI-interview en samtale med struktur. Et AI-system stiller en kandidat et sæt rollerelevante spørgsmål, lytter til eller læser svarene og stiller opfølgende spørgsmål for at gå i dybden — sådan som en god interviewer ville gøre, når et svar er tyndt, eller en påstand mangler et konkret eksempel. Kandidaten kan svare med stemmen eller skriftligt. Det, der kommer ud i den anden ende, er en registrering af, hvad der faktisk blev sagt: et transskript, knyttet til de spørgsmål, der udløste det.

Den registrering er hele pointen. I et velbygget AI-interview er transskriptet leverancen — dokumentation, et menneske læser og scorer op mod en bedømmelsesmatrix. AI'en gennemførte samtalen, så et menneske ikke skulle planlægge og sidde igennem hver eneste samtale i første runde; den besluttede ingenting.

Sæt det over for den version, der har givet AI-interviews deres dårlige ry: systemer, der analyserer ansigtsudtryk, mikrogestik eller stemmeføring og udleder personlighedstræk eller en score for »kulturelt match«. Den tilgang har svag videnskabelig opbakning og et stort problem med fairness — den kan straffe en accent, et fladt udtryk, et dårligt webcam eller et handicap, der intet har med jobbet at gøre. Den nyttige slags AI-interview frembringer dokumentation, et menneske kan efterprøve. Den skadelige slags frembringer et tal, ingen kan forsvare. Alt herunder forudsætter den første slags.

Sådan fungerer samtalen: struktur først, opfølgninger inden for rammen

Den enkeltfaktor, der har størst betydning for, om et interview forudsiger jobpræstation, er struktur — de samme kernespørgsmål, knyttet til de kompetencer rollen kræver, scoret ens for alle. Årtiers forskning i udvælgelse peger samme vej: strukturerede interviews klarer sig markant bedre end ustrukturerede, og det er strukturen, der gør arbejdet. En AI-interviewers reelle fordel er, at den anvender den struktur konsistent. Den bliver ikke træt ved den tiende kandidat, glider ikke over i relationsskabende småsnak og stiller ikke kandidaten med det stærke cv lettere spørgsmål.

Men struktur alene kan føles som en formular. Grunden til at bruge AI frem for et statisk spørgeskema er den tilpassede opfølgning: når en kandidat giver et vagt svar på et situationsspørgsmål, spørger AI'en til den konkrete handling, vedkommende foretog; når kandidaten nævner en beslutning, spørger den, hvad der blev vejet op mod hinanden. Gjort ordentligt går det dybere ned i de samme kompetencer uden at blive til et andet interview for hver person.

Designrisikoen er en opfølgning, der vandrer — væk fra rollen, ind i det personlige eller ned i et kaninhul, der begunstiger den, der taler mest. Derfor skal opfølgningerne holdes inden for en ramme: i SkillCort holder et AI-interviews opfølgninger sig inden for rollens kompetencekort. Systemet graver dybere i det, rollen faktisk kræver, og improviserer sig ikke frem til spørgsmål, I aldrig ville godkende et menneske i at stille. Struktureret rygrad, tilpasset dybde, faste grænser.

Sådan scores AI-interviews — og sådan bør de scores

Det er her, størstedelen af tilliden vindes eller tabes. I et forsvarligt AI-interview sker pointgivningen ud fra transskriptet op mod en bedømmelsesmatrix, et menneske har skrevet: hver kompetence har beskrivelser, og hvert svar bedømmes op mod dem. AI'en kan hjælpe — opsummere et langt transskript, pege på den passage, hvor kandidaten anerkendte kunden eller vejede en afvejning, og endda lave udkast til en score pr. kompetence forankret i matricen. Det, den ikke kan, er at beslutte. Hver kriteriescore ligger afventende, indtil en navngiven bedømmer bekræfter eller ændrer den, og det er lige så let at ændre som at bekræfte.

Det betyder mere for interviews end for næsten alt andet, fordi en samtale er præcis den slags rige, flertydige dokumentation, hvor en model læser kompetent, men ikke fuldstændigt. Den kan overse, at en kandidats »upolerede« svar beskrev nøjagtig den rigtige dømmekraft, eller at et flydende svar ikke sagde noget. Mennesket, der læser transskriptet, fanger det — og ejer afgørelsen.

Antimønsteret er den skjulte »interviewscore«: ét tal, værktøjet tildeler og sender videre, med transskriptet begravet eller kasseret. Hvis I ikke kan åbne en kandidats interview, læse hvad vedkommende sagde, og se hvilken passage der gav hvilken kriteriescore, har I ikke et assessment — I har en dom uden dokumentation bag. Og ingen kandidat bør bære en AI-interviewscore med sig fra en arbejdsgiver til den næste; hver ansættelsesbeslutning står for sig selv og bedømmes på sin egen dokumentation.

Hvad et AI-interview kan og ikke kan måle

AI-interviews er stærke, hvor dokumentationen er verbal og struktureret. De passer godt til situationsbedømmelse (»en kunde siger X — hvad gør du, og hvorfor?«), kommunikationskvalitet, ræsonnement man kan høre en kandidat arbejde sig igennem, og rollekendskab afdækket med opfølgninger. Til screening i stor skala tidligt i forløbet — kundeservice, kundecenter, inside sales — kan et struktureret AI-interview indsamle langt mere sammenlignelig dokumentation end en forjaget telefonsamtale med et menneske, uden flaskehalsen i kalenderen.

De er svage, eller simpelthen det forkerte værktøj, andre steder. Et interview beder en kandidat om at beskrive eller ræsonnere om arbejde; det beder ikke kandidaten om at udføre det. Til alt praktisk — at skrive det faktiske svar til den vrede kunde, at arbejde sagen igennem, at bygge tingen — slår en arbejdsprøve ethvert interview, fordi den måler det reelle output frem for kandidatens fortælling om det. Og intet AI-interview bør forsøge at aflæse personlighed, følelser eller »match« af et ansigt eller en stemme; det er den miskrediterede tilgang fra første afsnit, ikke en ekstrafunktion.

Det praktiske svar er sjældent »interview eller arbejdsprøve«. Det er begge dele, i rækkefølge: et struktureret AI-interview til effektivt at indsamle bred, sammenlignelig dokumentation, og derefter en arbejdsprøve til finalisterne, så I ser dem udføre jobbet. Interviewet fortæller jer, hvordan nogen tænker og kommunikerer; arbejdsprøven fortæller jer, hvad de faktisk kan frembringe.

Fairness, bias og lovgivningen

AI fjerner ikke bias fra interviews; den flytter, hvor bias kan komme ind, og hvor synlig den er. De reelle risici i et AI-interview, der indsamler dokumentation, er konkrete: tale til tekst, der transskriberer nogle accenter mindre præcist end andre, spørgsmål der ikke er reelt jobrelevante, og — værst af alt — automatiseret pointgivning, der frasorterer mennesker, uden at nogen læser dokumentationen. Hver af dem har en modforanstaltning: jobrelevante, strukturerede spørgsmål, transskripter et menneske gennemgår, og et bekræft-eller-ændr-kontrolpunkt på hver score, så ingen bliver afvist af en maskine.

Reguleringen bevæger sig mod netop den disciplin. New York Citys Local Law 144 kræver en uafhængig bias-audit af automatiserede værktøjer til ansættelsesbeslutninger og oplysning til kandidaten før brug. Illinois' Artificial Intelligence Video Interview Act kræver, at kandidaterne oplyses, at det forklares, hvordan AI'en fungerer, at der indhentes samtykke, og at optagelser slettes på anmodning. EU's AI-forordning klassificerer AI brugt i rekruttering som højrisiko, med forpligtelser om menneskeligt tilsyn, gennemsigtighed og dokumentation. Detaljerne varierer fra jurisdiktion til jurisdiktion og ændrer sig over tid — betragt dette som orientering, ikke juridisk rådgivning, og tjek de regler, der gælder for jer — men retningen er umiskendelig: oplysning, menneskeligt tilsyn, mulighed for audit.

Det beroligende er, at det lovmedholdelige design og det effektive design er det samme design. Jobrelevante, strukturerede spørgsmål, et transskript I kan fremvise, pointgivning ejet af mennesker og et auditspor er det, der gør et AI-interview både fair at forsvare og godt til at forudsige præstation. Et værktøj, hvis salgstale er »vores AI rangerer og frasorterer kandidater for jer«, sælger jer den arkitektur, lovgivningen bevæger sig imod — og den, der har mindst chance for at overleve en kandidats, eller en myndigheds, spørgsmål om hvorfor.

En tjekliste til et forsvarligt AI-interview

Er I i gang med at indføre AI-interviews eller med at efterse et, I allerede kører, er det her de spørgsmål, der skiller et dokumentationsindsamlende interview fra en black box. Kan I svare ja til dem alle, har I en proces, I kan stå inde for.

• Struktureret rygrad: får hver kandidat de samme jobrelevante kernespørgsmål, scoret op mod den samme bedømmelsesmatrix?
• Afgrænsede opfølgninger: holder de tilpassede uddybninger sig inden for rollens kompetencer frem for at vandre væk fra rollen?
• Transskriptet som dokumentation: kan I åbne et hvilket som helst interview og læse præcis, hvad der blev sagt?
• Pointgivning ejet af mennesker: bekræfter eller ændrer en navngiven bedømmer hver eneste kriteriescore, og er det lige så let at ændre som at acceptere?
• Ingen slutninger fra ansigt eller stemme: scorer systemet svarene, aldrig ansigtsudtryk, følelser eller »match«?
• Gennemsigtighed over for kandidaten: får kandidaterne at vide, at det er en AI, der interviewer dem, hvordan den fungerer, og hvordan deres data behandles?
• Parret med en arbejdsprøve: udfører finalisterne også det faktiske arbejde frem for kun at beskrive det?
• Efterset for effekt: tjekker I udfaldene for skæv effekt på tværs af grupper og retter de spørgsmål, der ikke holder?

Kilder og videre læsning

• Levashina, Hartwell, Morgeson & Campion (2014), "The Structured Employment Interview: Narrative and Quantitative Review of the Research Literature," Personnel Psychology
• McDaniel, Whetzel, Schmidt & Maurer (1994), "The Validity of Employment Interviews: A Comprehensive Review and Meta-Analysis," Journal of Applied Psychology
• Regulation (EU) 2024/1689 (EU AI Act) — Official Journal of the European Union
• NYC Local Law 144 — Automated Employment Decision Tools (NYC DCWP)