By Daniel Whitmore, MSc in Industrial and Organizational Psychology
Kort sagt
En AI-intervju är ett strukturerat samtal som en AI genomför på arbetsgivarens vägnar: den ställer rollrelevanta frågor, anpassar följdfrågorna för att borra i kandidatens svar och fångar utbytet som ett transkript. I ett upplägg som går att stå för är transkriptet resultatet — underlag som en namngiven bedömare poängsätter mot en bedömningsmatris — inte en matchningssiffra ur en svart låda. AI-intervjuer tillför mest värde för strukturerat verbalt resonemang, kommunikation och situationsanpassat omdöme; de ersätter inte ett praktiskt arbetsprov, och de bör aldrig sluta sig till personlighet eller känslor utifrån en kandidats ansikte eller röstläge.
Vad en AI-intervju faktiskt är (och vad den inte är)
Skala bort marknadsföringen och en AI-intervju är ett samtal med struktur. Ett AI-system ställer en uppsättning rollrelevanta frågor till en kandidat, lyssnar på eller läser svaren och ställer följdfrågor för att gå djupare — så som en bra intervjuare skulle göra när ett svar är tunt eller ett påstående behöver ett konkret exempel. Kandidaten kan svara med rösten eller i skrift. Det som kommer ut i andra änden är en dokumentation av vad som faktiskt sades: ett transkript, kopplat till de frågor som föranledde det.
Den dokumentationen är hela poängen. I en välbyggd AI-intervju är transkriptet leveransen — underlag som en person läser och poängsätter mot en bedömningsmatris. AI:n körde samtalet så att en människa slapp boka in och sitta igenom varje första samtal; den beslutade ingenting.
Ställ det mot den version som gav AI-intervjuer deras dåliga rykte: system som analyserar ansiktsuttryck, mikrogester eller röstläge och sluter sig till personlighetsdrag eller en poäng för ”kulturell matchning”. Det angreppssättet har svagt vetenskapligt stöd och ett stort rättviseproblem — det kan bestraffa en brytning, ett dämpat kroppsspråk, en dålig webbkamera eller en funktionsnedsättning som inte har något med jobbet att göra. Den användbara sortens AI-intervju producerar underlag som en människa kan kontrollera. Den skadliga sorten producerar en siffra som ingen kan stå för. Allt nedan förutsätter den första sorten.
| AI-intervju som samlar underlag | AI-”analys” i en svart låda |
|---|---|
| Ställer strukturerade, arbetsrelevanta frågor | Poängsätter ansikte, tonfall eller ordval |
| Resultatet är ett transkript som en människa läser | Resultatet är en ogenomskinlig poäng för egenskaper eller matchning |
| En namngiven bedömare poängsätter mot en bedömningsmatris | Verktyget rangordnar eller gallrar automatiskt |
| Granskningsbar: du kan se vad som sades och varför det gav sin poäng | Ogranskningsbar: resonemanget är dolt |
Så fungerar samtalet: struktur först, följdfrågor inom givna gränser
Det som allra mest avgör om en intervju säger något om prestationen i jobbet är strukturen — samma kärnfrågor, kopplade till de kompetenser rollen kräver, poängsatta på samma sätt för alla. Decennier av urvalsforskning pekar åt samma håll: strukturerade intervjuer slår ostrukturerade med bred marginal, och det är strukturen som gör jobbet. En AI-intervjuares verkliga fördel är att den tillämpar den strukturen konsekvent. Den blir inte trött vid tionde kandidaten, glider inte in i småprat för att skapa relation och ställer inte lättare frågor till kandidaten med det starka CV:t.
Men struktur i sig kan kännas som ett formulär. Skälet att använda AI i stället för ett statiskt frågeformulär är den adaptiva följdfrågan: när en kandidat ger ett vagt svar på en situationsfråga ber AI:n om den konkreta handling hen utförde; när hen nämner ett beslut frågar den vad hen vägde in. Väl utfört borrar detta djupare i samma kompetenser utan att bli en annan intervju för varje person.
Designrisken är en följdfråga som vandrar iväg — bort från rollen, in på personligt område eller ner i ett kaninhål som gynnar den som pratar mest. Följdfrågorna måste därför hållas inom givna gränser: i SkillCort håller sig en AI-intervjus följdfrågor inom rollens kompetenskarta. Systemet gräver djupare i det rollen faktiskt behöver och improviserar sig inte fram till frågor du aldrig skulle godkänna att en människa ställde. Strukturerad ryggrad, adaptivt djup, fasta gränser.
Så poängsätts AI-intervjuer — och så borde det gå till
Det är här det mesta av förtroendet vinns eller förloras. I en AI-intervju som går att stå för utgår poängsättningen från transkriptet mot en bedömningsmatris som en människa har skrivit: varje kompetens har beskrivningar, och varje svar bedöms mot dem. AI:n kan hjälpa till — sammanfatta ett långt transkript, peka på passagen där en kandidat bekräftade kunden eller vägde en avvägning, och till och med skriva ett utkast till poäng per kompetens förankrad i bedömningsmatrisen. Det den inte kan göra är att besluta. Varje kriteriepoäng ligger i väntande läge tills en namngiven bedömare bekräftar eller åsidosätter den, och att åsidosätta är lika enkelt som att bekräfta.
Det här spelar större roll för intervjuer än för nästan något annat, eftersom ett samtal är precis den sortens rika, mångtydiga underlag där en modell läser kompetent men inte fullständigt. Den kan missa att en kandidats ”oputsade” svar beskrev exakt rätt omdöme, eller att ett flytande svar inte sade något alls. Människan som läser transkriptet fångar det — och äger utslaget.
Antimönstret är den dolda ”intervjupoängen”: en enda siffra som verktyget sätter och skickar vidare, med transkriptet begravt eller kastat. Om du inte kan öppna en kandidats intervju, läsa vad hen sade och se vilken passage som gav vilken kriteriepoäng har du ingen bedömning — du har ett utslag utan underlag bakom sig. Och ingen kandidat bör bära med sig en AI-intervjupoäng från en arbetsgivare till nästa; varje rekryteringsbeslut är sitt eget och bedöms på sitt eget underlag.
Vad en AI-intervju kan och inte kan mäta
AI-intervjuer är starka där underlaget är verbalt och strukturerat. De passar bra för situationsanpassat omdöme (”en kund säger X — vad gör du och varför?”), kommunikationskvalitet, resonemang som du kan höra en kandidat arbeta sig igenom och rollkunskap som prövas med följdfrågor. För screening i tidigt skede och stor volym — kundsupport, contact center, inside sales — kan en strukturerad AI-intervju samla in långt mer jämförbart underlag än ett stressat mänskligt telefonsamtal, utan flaskhalsen i bokningen.
De är svaga, eller helt enkelt fel verktyg, på andra håll. En intervju ber en kandidat beskriva eller resonera om arbete; den ber hen inte utföra det. För allt praktiskt — att skriva det faktiska svaret till den arga kunden, att beta av ärendet, att bygga saken — slår ett arbetsprov vilken intervju som helst, eftersom det mäter det verkliga resultatet i stället för kandidatens berättelse om det. Och ingen AI-intervju bör försöka läsa av personlighet, känslor eller ”matchning” ur ett ansikte eller en röst; det är det misskrediterade angreppssättet från första avsnittet, inte en bonusfunktion.
Det praktiska svaret är sällan ”intervju eller arbetsprov”. Det är båda, i tur och ordning: en strukturerad AI-intervju för att effektivt samla in brett, jämförbart underlag, och sedan ett arbetsprov för finalisterna för att se dem göra jobbet. Intervjun berättar hur någon tänker och kommunicerar; arbetsprovet berättar vad hen faktiskt kan producera.
Rättvisa, bias och lagen
AI tar inte bort bias ur intervjuandet; den flyttar var bias kan komma in och hur synlig den är. De verkliga riskerna i en AI-intervju som samlar underlag är konkreta: tal-till-text som transkriberar vissa brytningar mindre exakt än andra, frågor som inte är genuint arbetsrelevanta och — värst av allt — automatisk poängsättning som gallrar bort människor utan att någon läser underlaget. Var och en har sin motåtgärd: arbetsrelevanta strukturerade frågor, transkript som en människa granskar och en kontrollpunkt för bekräfta-eller-åsidosätt på varje poäng, så att ingen avvisas av en maskin.
Regleringen närmar sig precis den här disciplinen. New York Citys Local Law 144 kräver en oberoende biasgranskning av automatiserade verktyg för anställningsbeslut och information till kandidaten före användning. Illinois Artificial Intelligence Video Interview Act kräver att kandidater informeras, att det förklaras hur AI:n fungerar, att samtycke inhämtas och att inspelningar raderas på begäran. EU AI Act klassificerar AI som används i rekrytering som högrisk, med skyldigheter kring mänsklig tillsyn, transparens och dokumentation. Detaljerna skiljer sig åt mellan jurisdiktioner och ändras över tid — betrakta detta som orientering, inte juridisk rådgivning, och kontrollera de regler som gäller för dig — men riktningen är omisskännlig: information, mänsklig tillsyn, granskningsbarhet.
Det betryggande är att den regelefterlevande designen och den effektiva designen är samma design. Arbetsrelevanta strukturerade frågor, ett transkript du kan visa, poängsättning som ägs av människor och ett granskningsspår är det som gör en AI-intervju både rättvis att stå för och bra på att säga något om prestationen. Ett verktyg vars säljbudskap är ”vår AI rangordnar och gallrar kandidater åt dig” säljer dig den arkitektur som lagen rör sig emot — och den som minst av allt klarar en kandidats, eller en tillsynsmyndighets, fråga om ”varför”.
En checklista för en AI-intervju som går att stå för
Om du inför AI-intervjuer, eller granskar en du redan kör, är det här frågorna som skiljer en intervju som samlar underlag från en svart låda. Om du kan svara ja på alla har du en process du kan stå bakom.
- Strukturerad ryggrad: får varje kandidat samma arbetsrelevanta kärnfrågor, poängsatta mot samma bedömningsmatris?
- Avgränsade följdfrågor: håller sig de adaptiva följdfrågorna inom rollens kompetenser i stället för att vandra bort från rollen?
- Transkriptet som underlag: kan du öppna vilken intervju som helst och läsa exakt vad som sades?
- Poängsättning som ägs av människor: bekräftar eller åsidosätter en namngiven bedömare varje kriteriepoäng, där det är lika enkelt att åsidosätta som att godta?
- Ingen slutledning från ansikte eller röst: poängsätter systemet svaren, aldrig ansiktsuttryck, känslor eller ”matchning”?
- Transparens mot kandidaten: får kandidaterna veta att en AI intervjuar dem, hur den fungerar och hur deras uppgifter hanteras?
- Parad med ett arbetsprov: gör finalisterna också det faktiska jobbet, inte bara beskriver det?
- Granskad för utfall: kontrollerar du utfallen för ogynnsam inverkan mellan grupper, och rättar till frågor som inte håller?
Det viktigaste
- En AI-intervju bör samla in underlag — strukturerade frågor, adaptiva följdfrågor, ett transkript som en människa poängsätter — inte analysera en kandidats ansikte eller röst för en dold ”matchningspoäng”.
- Struktur är det som gör en intervju träffsäker; en AI-intervjuares verkliga värde är att tillämpa den strukturen konsekvent, med följdfrågor som hålls inom rollen.
- Poängsättningen måste utgå från transkriptet mot en bedömningsmatris som människor har skrivit, med en namngiven bedömare som bekräftar eller åsidosätter varje kriteriepoäng.
- AI-intervjuer mäter verbalt resonemang och kommunikation väl men kan inte ersätta ett praktiskt arbetsprov — använd båda, i tur och ordning.
- Rättvis genom design och laglig genom design är samma design: arbetsrelevanta frågor, ett läsbart transkript, beslut som ägs av människor och ett granskningsspår (NYC LL144, Illinois AIVIA, EU AI Act).
Källor och vidare läsning
- 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)