Mietit tekoälytunnistimen lisäämistä rekrytointiputkeesi. Työkalu, joka merkitsee ChatGPT:llä kirjoitetut ansioluettelot ennen kuin tiimisi lukee niitä. Se kuulostaa tehokkaalta. Se kuulostaa myös vastuulliselta ratkaisulta.
Todellinen riski ei ole se, että tekoälyn tuottamia ansioluetteloita menee läpi, vaan se, että pätevät hakijat hylätään, koska tunnistin arvasi väärin.
Väitettyjen ja todellisten tarkkuuslukujen ero
Tekoälytunnistimien toimittajat julkaisevat vaikuttavia lukuja. GPTZero väittää 99 %:n tarkkuutta ja 0,24 %:n väärien positiivisten tulosten osuutta. Originality.ai mainostaa 96 %:n tarkkuutta.
Riippumattomat testit kertovat toisenlaisen tarinan. PCWorldin GPTZeroa koskeva arviointi löysi todellisissa olosuhteissa vain 62 %:n tarkkuuden. Originality.ai näytti kolmannen osapuolen vertailuissa 8–12 %:n väärien hälytysten osuuden, eli ihmisen kirjoittama teksti merkittiin tekoälyn tuottamaksi noin joka kymmenennen kerran.
Molemmat työkalut on dokumentoitu merkitsemään Yhdysvaltain perustuslain ja Da Vincin koodin katkelmia tekoälyn tuottamaksi tekstiksi (Fritz.ai, 2026). Jos tunnistin ei luotettavasti tunnista perustuslakia ihmisen kirjoittamaksi, mitä tapahtuu, kun se lukee englantia toisena kielenä puhuvan henkilön ansioluettelon?
Mitä väärät hälytykset tarkoittavat rekrytoinnissa
Väärä hälytys akateemisessa plagiaatintunnistuksessa on pieni harmi. Opiskelija valittaa, opettaja tarkistaa asian ja ongelma ratkeaa.
Väärä hälytys rekrytoinnissa on näkymätön. Hakija ei koskaan saa tietää siitä. Tiimisi ei koskaan näe ansioluetteloa. Pätevä ihminen katoaa rekrytointiputkesta, ja tehtävä täytetään sillä, joka jäi jäljelle.
Jos käsittelet tehtävään 200 ansioluetteloa ja tunnistimesi väärien hälytysten osuus on 10 %, se tarkoittaa 20 ihmistä, jotka on merkitty virheellisesti. Osa heistä olisi ollut parhaita hakijoitasi.
Kielellinen vinouma
Tekoälytunnistimet analysoivat kirjoitustyylin piirteitä — lauseiden pituutta, sanaston monipuolisuutta ja ennustettavuutta. Tällä lähestymistavalla on dokumentoitu heikkous: se asettaa tietyt kirjoitustyylit toisia huonompaan asemaan.
Englantia toisena kielenä puhuvat kirjoittavat yleensä yksinkertaisemmilla lauserakenteilla ja yleisemmällä sanastolla. Juuri näitä piirteitä tunnistimet liittävät tekoälyn tuottamaan tekstiin. Ansioluettelo, joka on kirjoitettu huolellisella ja selkeällä englannilla henkilön, jonka äidinkieli on mandariini tai arabia, näyttää ”epäilyttävältä” mallille, joka on opetettu tunnistamaan koneen tuottamaa tekstiä.
Tämä ei ole teoreettinen huoli. Jos rekrytointiputkesi hylkää hakijoita kirjoitustyylianalyysin perusteella, otat käyttöön vinouman, joka korreloi kielitaustan kanssa. Yhdysvaltalaisille työnantajille tämä aiheuttaa sekä eettisiä ongelmia että mahdollisia oikeudellisia riskejä.
Miksi tunnistaminen ei paranna rekrytoinnin lopputulosta
Edes täydellinen tunnistin — jossa ei ole yhtään väärää hälytystä — ei kertoisi mitään hyödyllistä hakijan laadusta. Tieto siitä, että ansioluettelo on kirjoitettu tekoälyn avulla, ei kerro mitään siitä, osaako henkilö tehdä työn.
KraftCV:n vuoden 2026 kysely osoitti, että 70 % työnhakijoista käyttää tekoälyä ansioluettelon kirjoittamiseen. Jos hylkäät kaikki, hylkäät suurimman osan hakijajoukostasi. Jos hylkäät vain ne, jotka tunnistin paljastaa, asetat heikompaan asemaan hakijat, jotka käyttivät yksinkertaisempia työkaluja, ja asetat etusijalle ne, jotka muokkasivat tekstiä tarpeeksi läpäistäkseen tarkistuksen.
Signaali ei ole toimintakelpoinen. Se ei erota hyviä hakijoita huonoista. Se erottaa tunnistettavat tekoälyn käyttäjät tunnistamattomista.
Mikä toimii paremmin
Vaihtoehto ei ole ”ei tehdä mitään”. Vaihtoehto on karsia hakijat sen perusteella, mikä todella ennustaa työsuoritusta.
-
Dokumentoi kriteerit ennen esikarsinnan alkua: Käytä ensimmäisenä suodattimena ehdottomia vaatimuksia, kuten työnteko-oikeutta, sertifikaatteja ja tiettyjä teknisiä taitoja. CriteriaMatch tarkistaa jokaisen ansioluettelon sekunneissa kriteereihisi. Ansioluettelon kirjoitustyylillä ei ole merkitystä, jos hakija ei täytä ehdottomia vaatimuksiasi.
-
Tee päätöksistä näkyviä: Kun tiimisi arvioi hakijoita, perustelut kannattaa dokumentoida. Collaborative Candidate Assessment pitää yhteiset kommentit, tehtävänjaot ja päätöshistorian jokaisen hakijan profiilissa. Jos hakija hylätään, syy on kirjattu — eikä se koskaan ole ”tunnistin sanoi niin”.
-
Tarkista väitteet keskustelussa: Paras tapa varmistaa ansioluettelo on kysyä siitä. Hyvin rakennettu haastattelu paljastaa liioittelun nopeammin kuin mikään kirjoitusanalyysityökalu. Jos ansioluettelossa lukee ”johti 12 insinöörin tiimiä”, pyydä tarkennuksia. Vastaus kertoo kaiken, mitä tunnistin ei pysty kertomaan.
Sääntelynäkökulma
EU:n tekoälysäädös luokittelee työllistämispäätöksissä käytetyt tekoälyjärjestelmät ”korkean riskin” järjestelmiksi. Jos tekoälytunnistimesi vaikuttaa rekrytointipäätökseen, sinun voi olla tarpeen osoittaa, ettei se tuota syrjiviä lopputuloksia. Dokumentoitujen kielellisten vinoumien vuoksi tämän osoittaminen on vaikeaa.
Useat Yhdysvaltain osavaltiot ja kaupungit — muun muassa New York City ja Illinois — edellyttävät jo rekrytoinnissa käytettävien automatisoitujen työkalujen julkistamista ja tarkastusta. Tarkastamattoman tekoälytunnistuskerroksen lisääminen putkeesi lisää vaatimustenmukaisuusriskiä lisäämättä esikarsinnan arvoa.
Laajempi katsaus siihen, miten tekoälyä voi käyttää rekrytoinnissa vastuullisesti, löytyy oppaastamme: vastuullinen tekoäly rekrytoinnissa.
Rehellinen kompromissi
Tekoälytunnistustyökalut houkuttavat, koska ne tarjoavat yksinkertaisen kaksijakoisen vastauksen: tekoälyä vai ei. Rekrytointi ei ole kaksijakoista. Se on sarja harkintaan perustuvia ratkaisuja sopivuudesta, osaamisesta ja potentiaalista.
Jätä tunnistin pois. Rakenna esikarsintaprosessi, jossa näyttö tulee varmennetuista kriteereistä ja aidoista keskusteluista, ei kirjoitustyylianalyysistä.