Artificiell intelligens tar allt större plats i rekrytering. I intervjuer kan AI användas både som en digital intervjuare och som stöd i en bedömning. Förespråkare lyfter fram ökad effektivitet, stabilare bedömningar och minskad påverkan av mänskliga fördomar. Kritiker varnar för nya former av bias, tveksam validitet och ett inhumant urval.
Så vad säger forskningen? I två artiklar sammanfattar vi det vi vet om möjligheter och risker med att använda AI i intervjuer. Den första fokuserar på kandidatupplevelse, rättvisa och risken för diskriminering. I den andra fokuserar vi på reliabilitet och validitet.
Artikeln går igenom:
Olika sätt att använda AI i intervjuer
Frågor att ställa inför implementering av AI i intervjuer
Forskning på AI i intervjuer
Forskningen på AI i intervjuer är fortfarande i sin linda. Det finns en hel del enskilda studier som undersöker möjligheterna och riskerna med att använda AI i anställningsintervjun, men få systematiska översikter eller metastudier. De studier som finns kan ge oss värdefulla indikationer på existerande AI-modellers styrkor och svagheter, men vi kan vara säkra på att mycket kommer att hända på det här området inom de kommande åren.
Läs mer: Möjligheter och utmaningar med AI i rekrytering
Olika sätt att använda AI i intervjuer
Vi kan använda AI i olika delar av anställningsintervjun. För att förstå möjligheterna och begränsningarna är det viktigt att vi skiljer mellan olika användningsområden. Vi kan exempelvis nyttja AI för att:
- Ställa frågor: Vi kan använda ett AI-baserat system för att ställa frågor i form av en chatbot, röstsamtal eller video.
- Transkribera kandidatens svar: Vid röst- eller videointervjuer kan AI transkribera kandidatens svar till text.
- Sammanfatta kandidatens svar: AI kan summera den transkriberade texten.
- Bedöma kandidatens svar: En prediktiv AI-modell kan gradera kandidatens svar på enskilda frågor eller intervjun som helhet.
Att “använda AI i intervjuer” kan med andra ord betyda olika saker. Beroende på upplägget kan det vara förenligt med olika typer av risker och begränsningar. En AI som gör urvalet åt oss är en helt annan sak än en AI som bara ställer frågor.
Kandidatupplevelse
En viktig aspekt att ta hänsyn till när vi väljer urvalsmetoder är hur kandidaterna reagerar. När det kommer till användningen av AI i rekryteringsprocessen är den allmänna bilden att kandidater reagerar negativt. Men det är en sanning med modifikation. I själva verket är resultaten från de studier som finns mer mixade. Det finns dessutom påverkande faktorer som är värdefulla att känna till om man som arbetsgivare använder eller överväger att börja använda AI i sina anställningsintervjuer.
Kandidaters reaktion på AI i intervjuer
På ett generellt plan uppskattar kandidater personliga och mänskliga rekryteringsprocesser, vilket är en utmaning när det kommer till AI-baserad rekrytering. Alla typer av automatiserade intervjuer där kandidaten inte får träffa en människa tenderar att medföra en känsla av obehag och bristande kontroll (se exempelvis Gonzales m.fl., 2019; Langer m.fl., 2017; Langer m.fl., 2019). Vi upplever helt enkelt intervjuerna som opersonliga, och delvis därför föredrar vi att träffa vår potentiella arbetsgivare.
Kandidater tenderar också att föredra att en människa fattar beslutet om deras eventuella fortsättning i rekryteringsprocessen (se exempelvis Suen m.fl., 2019). De förstår visserligen att ett automatiserat urval kan vara mer konsekvent än ett urval gjort av en människa, men upplever ändå att en AI-bedömning är mindre relevant och ger dem sämre möjligheter att prestera. I förlängningen medför det att kandidaterna får lägre tillit till arbetsgivarens beslut och upplever processen som orättvis. Återigen, på ett generellt plan.
Faktorer som påverkar kandidatupplevelse
Med det sagt finns det faktorer som påverkar kandidaternas upplevelse av AI i intervjuer. Vilken information de får är en sådan sak. Att informera om syftet med den aktuella urvalsmetoden, och betona saker som standardisering och flexibilitet, kan exempelvis förbättra upplevelsen av rättvisa och användbarhet i automatiserade intervjuer (Basch & Melchers, 2019).
Det finns också resultat som visar att personer som är mer bekanta med AI-teknik är mer positiva (Gonzales m.fl., 2019). Det indikerar att attityderna mot användningen av AI i rekrytering kan komma att förändras i takt med att AI blir ett vanligare inslag i olika delar av våra liv.
Därtill finns det fler aspekter än det mänskliga som kandidater uppskattar i en rekryteringsprocess. Några exempel är en användarvänlig ansökningsprocess, möjligheter att visa vad man kan, objektivitet, snabbhet, tillräcklig information och återkoppling (Uggerslev m.fl., 2012). AI medför en potential att förbättra flera av dessa, då vi kan snabba upp våra processer och erbjuda fler kandidater att komma på intervju. Genom att arbeta med dessa faktorer och förklara för kandidaterna hur och varför vi använder de metoder vi använder kan vi sannolikt bibehålla (eller till och med förbättra) kandidatupplevelsen i samband med implementering av AI i intervjuer.
Läs mer: Kandidatupplevelse – allt du vill veta
Ett verkligt exempel
Majoriteten av de studier som finns på kandidaters attityder mot AI i rekrytering är laboratoriestudier där studenter, arbetssökande eller arbetande vuxna får låtsas söka ett fiktivt jobb. Ett undantag är Jabarian och Henkel (2025) som jämför AI-intervjuer och mänskliga intervjuer vid rekrytering till ett stort kundtjänstföretag i Filippinerna.
Kandidaterna (ca 67 000) fick genomföra en intervju ledd av antingen en AI (över telefon) eller en rekryterare (över telefon eller fysiskt möte). Reaktionerna hos kandidaterna var överlag positiva. Det var inga stora skillnader i upplevelsen av intervjun mellan AI-intervjuaren och rekryterarna, men kandidaterna skattade ändå AI-intervjun som något mindre stressande och mer bekväm. De tyckte att AI-intervjun var mindre naturlig, men att frågorna var mer relevanta. Totalt gav kandidater som blev intervjuade av AI en något högre net promoter score (8,97) jämfört med kandidater som blev intervjuade av en människa (8,84), även om denna skillnad inte var signifikant.
Vad jämför vi med?
När det kommer till effekten på kandidatupplevelsen är det viktigt att påminna oss om vilken urvalsmetod vi jämför med. De vi potentiellt skulle intervjua med hjälp av en AI-lösning kanske inte är kandidater som vi hade träffat oavsett. Jämförelsen kanske snarare ska göras med en CV-granskning eller ett psykometriskt test.
Rättvisa
En annan viktig aspekt när vi väljer urvalsmetoder är hur rättvis den är. Vad är risken för att fördomar eller bias påverkar utfallet? Riskerar urvalsmetoden att diskriminera vissa grupper?
För att avgöra om AI i intervjuer är rättvist eller inte tar vi först en titt på riskerna med traditionella intervjuer.
Risk för diskriminering i mänskliga intervjuer
Överlag uppvisar strukturerade intervjuer relativt små skillnader mellan olika demografiska grupper. Inom framförallt amerikansk forskning brukar risken för diskriminering undersökas genom att jämföra utfallet hos svarta och vita deltagare. Då får man fram ett så kallat black-white d, som är ett effektmått på skillnaden. Ju större effekt, desto större skillnad. Strukturerade intervjuer uppvisar små till måttliga skillnader till vitas fördel (d = 0.23 enligt Dahlke & Sackett, 2017), medan ostrukturerade visar något större skillnader (d = 0.32, samma metastudie). Som jämförelse tenderar kognitiva tester att uppvisa relativt stora skillnader (d = 0.6-0.9, Roth m.fl., 2001) medan skillnaderna i resultat på personlighetstester är små eller nära noll (Dalhke & Sackett, 2017).
Vi vet däremot att intervjuer är mottagliga för subjektiva intryck som många gånger inte är relevanta för arbetet. Intervjun är särskilt drabbad eftersom den innehåller så mycket information som vi människor reagerar på. Utseende, röst, tonläge, ansiktsuttryck och kroppsspråk är några av de saker vi automatiskt och undermedvetet plockar upp och utvärderar. En metastudie visar att det finns ett tydligt samband (r = .37) mellan kandidaters icke-verbala kommunikation och bedömningen av dem i en intervju. Och det gäller även strukturerade intervjuer.
Läs mer: Icke-verbal kommunikation påverkar hur du bedömer kandidater i en intervju
Den samlade forskningen visar med andra ord att intervjuer är mottagliga för orättvisa bedömningar baserat på faktorer som kön, etnicitet, graviditet, vikt, utseende och icke-verbal kommunikation. Enligt en metastudie av Aamodt m.fl. (2006) är strukturerade intervjuer mer motståndskraftiga (d = 0.23) än ostrukturerade intervjuer (d = 0.59), men de är långt ifrån immuna.
AI-intervjuer som bedöms av en människa
När vi använder AI som intervjuare men bedömer svaren själva kan vi minimera flera av riskerna ovan. En AI-intervjuare kan programmeras för att hålla sig till intervjuguiden och säkerställa att alla kandidater får samma frågor. Det är inte alla mänskliga intervjuare som gör det.
Vi kan också minimera eller eliminera effekten av icke-verbala signaler som utseende och kroppsspråk, förutsatt att vi bedömer en transkribering av intervjun och inte en videoupptagning. Många verktyg ger rekryteraren möjlighet att lyssna på intervjun, men då riskerar vi återigen att introducera icke-relevant information som kan påverka vår bedömning. Det kan vara ålder, kön, brytning, tonläge med mera. Har vi dessutom tillgång till kandidatens cv och uppgifter om namn, ålder och kön när vi bedömer intervjun är sannolikheten hög att vi gör omedvetna tolkningar som inte har att göra med hur kandidaten faktiskt svarar på frågorna.
I en studie av Suen m.fl. (2019) jämförde forskarna rekryterares bedömningar av videointervjuer som var antingen synkrona (traditionell videointervju där rekryteraren intervjuar kandidaten) eller asynkrona (videointervju där kandidaten spelar in sina svar och rekryteraren bedömer i efterhand). Resultatet visade att första intrycket och kandidatens fysiska utseende påverkade rekryterarnas bedömning av kandidaternas svar oavsett om videointervjun var synkron eller asynkron. Däremot var effekten något mindre i de asynkrona intervjuerna.
Intervjuer som bedöms av AI
Så hur är det med bedömningar gjorda av AI? Teoretiskt finns det både möjligheter och risker med AI-bedömningar av intervjuer. En faktor som är viktig att ha i åtanke är att modellerna normalt sett bygger på input från människor. En eller flera personer bedömer intervjusvar från många kandidater, och detta används sedan för att träna modellen. Det innebär en risk att orättvisa skevheter i den mänskliga bedömningen överförs till algoritmen. Ytterligare en risk är att träningsdatan inte innehåller tillräckligt många exempel från vissa grupper, vilket kan leda till att algoritmen felaktigt straffar dem i sin bedömning för att de inte stämmer överens med den “normala” kandidaten.
Samtidigt finns det en möjlighet att minimera bias som är vanliga hos människor. Algoritmen kan styras så att vissa parametrar, såsom kön, ålder eller etnicitet, inte ska påverka bedömningen. Dessutom kan vi minimera påverkan av icke-verbala signaler om AI-bedömningen är textbaserad, det vill säga att den bygger på en textbaserad intervju alternativt en transkribering av en telefon- eller videointervju.
Ett exempel
I en gigantisk studie av Liff m.fl. (2024) undersöker forskarna en AI-modell för att bedöma olika kompetenser (kommunikation, anpassningsförmåga, initiativförmåga och liknande) baserat på en intervju. Modellen tränades på mänskliga strukturerade bedömningar av liknande intervjuer. I utvecklingen av modellen vidtog man också tekniska åtgärder för att minimera skillnader mellan grupper, utan att sabba träffsäkerheten (i det här fallet förmågan att efterlikna den mänskliga strukturerade bedömningen). Resultatet blev en modell som uppvisade mycket små skillnader mellan olika demografiska grupper, i de flesta fall nära noll. Modellen diskriminerade med andra ord inte baserat på kön, ålder eller etnicitet.
Sammantaget finns det risker med att låta AI bedöma våra intervjuer, men i många fall är de mindre än om vi låter oss själva bedöma intervjuerna. Människor är inkonsekventa, subjektiva varelser och det är svårt att komma ifrån. Däremot tenderar vi att vara mer toleranta mot felbedömningar som görs av en människa än felbedömningar som görs av en algoritm. Därför behöver vi vara medvetna om, och hantera, riskerna med AI-bedömningar. Här är det nödvändigt med transparenta och övervakade algoritmer som regelbundet kontrolleras och justeras avseende risken för orättvisa och potentiellt diskriminerande bedömningar.
Upplevelsen av rättvisa är subjektiv
Sammantaget har AI i intervjuer potential att bidra till mer rättvisa urvalsbeslut, förutsatt att de utvecklas och övervakas på ett ansvarsfullt sätt. Men bara för att en metod objektivt sett kan anses vara rättvis betyder det inte att kandidaterna upplever den som rättvis. Med tanke på kandidaters generella aversion mot användningen av AI i rekrytering och att bli bedömd av en algoritm, kan vi konstatera att det finns en krock mellan potentialen att minimera diskriminering och kandidaternas upplevelse av att processen är rättvis. Här blir återigen kommunikationen med kandidaterna viktig, liksom prioriteringen av värden inom organisationen.
Samtidigt kan attityder förändras. I studien av Jabarian och Henkel (2025) uppgav 5,98 procent av kandidaterna som blev intervjuade av en människa att de kände sig diskriminerade på grund av kön, medan bara 3,3 procent av kandidaterna som blev intervjuade av en AI kände sig diskriminerade. Här var kandidaterna överlag lika nöjda, eller nöjdare, med AI-intervjun som den mänskliga rekryteraren. Värt att notera är dock att kandidaterna bara blev intervjuade av en AI och inte bedömda av en AI.
Frågor att ställa inför implementering av AI i intervjuer
Vad vill vi uppnå?
Vilka är våra prioriteringar i rekryteringsarbetet? Vilket tillvägagångssätt och vilka metoder som är bäst lämpade kan variera beroende på om vi vill optimera för träffsäkerhet, rättvisa, kandidatupplevelse eller kostnadseffektivitet.
Vad gör AI:n?
Intervjuar och sammanställer information och/eller bedömer kandidatens svar? Vid användning av ett AI-system som bedömer och därmed påverkar urvalet behöver vi ställa högre krav på transparens och övervakning.
Hur förändras urvalsprocessen?
Vilken eller vilka metoder/steg ersätter vi med AI? På vilka sätt blir förändringen till det bättre för arbetsgivaren och kandidaten? Här kan vi med fördel definiera nyckeltal som vi sedan kan följa upp och utvärdera efter implementering.
Hur säkerställer vi kandidatupplevelsen?
Vad kan vi göra för att kandidaterna fortsatt ska känna sig värderade och bemötta med respekt? Hur ser vi till att de får tillräckligt med information och återkoppling?
I nästa artikel tittar vi närmare på reliabilitet och validitet när vi använder AI i intervjuer.
Referenser och lästips
Aamodt, M. G., Brechner, E. G., Kutcher, E. J., & Bragger, . D. (2006). Do structured interviews eliminate bias? A meta-analytic comparison of structured and unstructured interviews. Annual Meeting of the Society for Industrial-Organizational Psychology, Dallas, USA.
Basch, J. M., & Melchers, K. G. (2019). Fair & flexible?! Explanations can improve applicant reactions toward asynchronous video interviews. Personnel Assessment and Decisions, 5(3), 1-11.
Dahlke, J. A., & Sackett, P. R. (2017). The relationship between cognitive ability saturation and subgroup mean differences across predictors of job performance. Journal of Applied Psychology, 102(10), 1403–1420.
Gonzalez, M. F., Capman, J. F., Oswald, F. L., Theys, E. R., & Tomczak, D. L. (2019). “Where’s the I-O?” Artificial intelligence and machine learning in talent management systems. Personnel Assessment and Decisions, 5(3), 33-44.
Jabarian, B., & Henkel, L. (2025). Voice AI in firms: A natural field experiment on automated job interviews. SSRN Paper.
Langer, M., König, C. J., & Krause, K. (2017). Examining digital interviews for personnel selection: applicant reactions and interviewer ratings. International Journal of Selection and Assessment, 25(4), 371-382.
Langer, M., König, C. J., & Papathanasiou, M. (2019). Highly automated job interviews: acceptance under the influence of stakes. International Journal of Selection and Assessment, 27(3), 217-234.
Liff, J., N. Mondragon, C. Gardner, C. J. Hartwell, & A. Bradshaw. (2024). Psychometric properties of automated video interview competency assessments. Journal of Applied Psychology, 109(6), 921-948.
Martín-Raugh, M. P., Kell, H. J., Randall, J. G., Anguiano.Carrasco, C., & Banfi, J. T. (2023). Speaking without words: A meta-analysis of over 70 years of research on the power of nonverbal cues in job interviews. Journal of Organizational Behavior, 44(1), 132-156.
Roth, P. L., BeVier, C. A., Bobko, P., Switzer, F. S., & Tyler, P. (2001). Ethnic group differences in cognitive ability in employment and educational settings: a metaanalysis. Personnel Psychology, 54(2), 297-330.
Suen, H-Y., Chen, M. Y-C., & Lu, S-H. (2019). Does the use of synchrony and artificial intelligence in video interviews affect interview ratings and applicant attitudes? Computers in Human Behavior, 98, 93-101.
Uggerslev, K. L., Fassina, N. E., & Kraichy, D. (2012). Recruiting through the stages: A meta-analytic test of predictors of applicant attraction at different stages of the recruiting process. Personnel Psychology, 65(3), 597-660.
Lämna ett svar