Otit käyttöön AI-pohjaisen ansioluettelojen seulonnan. Ensimmäiset pisteet tulivat. Hakija, josta rekrytointipäällikkösi pitää, sai 64. Hakija, jota kukaan ei tunnista, sai 91. Nyt tiimi ei luota työkaluun.
Ongelma on lähes aina jokin muu kuin tekoälymalli. Se on kriteerit ja painot, jotka annoit sille – tai, todennäköisemmin, oletusarvot, joita et koskaan muuttanut.
Miksi oletuspainot epäonnistuvat
Jokainen AI-pisteytystyökalu tulee oletusarvoilla. Ne ovat järkeviä arvauksia: painota kokemusta voimakkaasti, anna kohtalainen arvo taitojen vastaavuudelle ja lisää jonkin verran arvoa koulutukselle ja sertifikaateille. Ne on rakennettu toimimaan tuhansissa työtehtävissä.
Roolisi ei ole ”tuhannet työtehtävät”. Roolillasi on omat kompromissinsa. Ehkä välität toimialakokemuksesta enemmän kuin työkalutaidosta. Ehkä sertifikaatit eivät ole tiimillesi merkityksellisiä, mutta AI antaa niille 15 %:n painon.
Oletuspainot tuottavat oletussijoituksia. Oletussijoitukset saavat tiimit joko ohittamaan jokaisen pistemäärän käsin – mikä kumoaa koko tarkoituksen – tai hyväksymään pisteitä, joihin ei pitäisi luottaa.
Kalibrointiongelma on inhimillinen, ei tekninen
Salesson vuoden 2026 rekrytointidatan raportin mukaan 83 % yrityksistä käyttää nyt tekoälyä ansioluettelojen seulontaan. Harvard Business Schoolin ja Accenturen tutkimus taas havaitsi, että yhdysvaltalaiset työnantajat karsivat automaattisella seulonnalla yli 27 miljoonaa työnhakijaa – monet heistä kykeneviä tekemään työn.
Ongelma ei ole, ettei tekoäly osaa seuloa. Ongelma on, että seulontaa ohjaavat kriteerit asetettiin kerran (tai niitä ei koskaan asetettu) eikä niitä koskaan tarkistettu uudelleen. Kalibrointi on puuttuva vaihe ”meillä on AI-pisteytys” ja ”AI-pisteytyksemme auttaa meitä palkkaamaan paremmin” välissä.
Laajempi yleiskatsaus siihen, miten AI-hakijapisteytys toimii ja mitkä ovat yleisimmät sudenkuopat, löytyy AI-hakijapisteytyksen selitysartikkelistamme.
Vaihe 1: Aloita ehdottomista vaatimuksista, ei painoista
Ennen kuin säädät mitään liukusäädintä, saa rekrytointipäällikkö jakamaan vaatimukset kahteen ryhmään:
Ehdottomat vaatimukset (hyväksytty/hylätty):
- Työlupa sijaintiasi varten
- Vaaditut pätevyydet tai lisenssit
- Vähimmäisvuodet tietyllä alalla (ole rehellinen siitä, onko tämä todellinen vaatimus vai toivomus)
- Kielivaatimukset
- Valmius työskennellä toimistolla, hybridimallilla tai matkustaa
Pisteytettävät kriteerit (painotetut):
- Relevantit tekniset taidot
- Toimiala- tai alakohtainen kokemus
- Tulosten todisteet (ei pelkkiä vastuita)
- Johtamis- tai esimieskokemus
- Kulttuuriset tai tiimidynamiikkaan liittyvät signaalit hakemusmateriaalista
Ehdottomien vaatimusten pitäisi olla binäärisiä suodattimia, ei pisteytettyjä. Jos hakijalla ei ole oikeaa työlupaa, korkea taitopistemäärä ei saa työntää häntä kynnyksen yli. Canvider-alustalla CriteriaMatch hoitaa tämän kerroksen: se asettaa kovat kriteerit, jotka AI tarkistaa itsenäisesti pisteytyspainoista riippumatta.
Vaihe 2: Sovi, mitä ”vahva” tarkoittaa
Tässä kalibrointiyritykset usein ohittavat yhden askeleen. Tiimi sopii viidestä kriteeristä. He antavat niille painot. Mutta kukaan ei määrittele, miltä 4/5 näyttää verrattuna 3/5:een.
Järjestä 20 minuutin harjoitus rekrytointipäällikön kanssa:
- Valitse kaksi–kolme ansioluetteloa, jotka tiimi on jo käynyt läpi ja joista on sovittu
- Pisteytä jokainen niistä kriteereittäin itsenäisesti
- Vertaile pisteitä ja keskustele eroista
- Kirjoita yksi lause jokaiselle pistetasolle jokaisella kriteerillä
Tämä ei ole akateemista. Ero on siinä, onko ”tekoäly antoi 78” vai ”tekoäly arvioi heidän järjestelmäkokemuksensa 4/5, koska he listasivat kolme tuotantomittakaavan käyttöönottoa”.
Vaihe 3: Tarkista tulokset ensimmäisen erän jälkeen
Ensimmäinen erä pisteytettyjä hakijoita on kalibrointitesti, ei lopullinen sijoitus.
Kun AI on pisteyttänyt ensimmäiset 10–15 hakijaa:
- Tarkista viisi parasta. Ovatko nämä ihmiset, joita rekrytointipäällikkö todella haluaisi haastatella? Jos eivät, mitkä kriteerit ovat liian painotettuja?
- Tarkista viisi huonointa. Onko joku siellä, joka kuuluisi ylemmäs? Mitä pisteytys jätti huomiotta?
- Etsi kuvioita. Jäävätkö lyhyet ansioluettelot systemaattisesti vähemmälle? Saavatko uravaihtajat matalia pisteitä, vaikka heillä on relevanttia siirrettävissä olevaa kokemusta?
Säädä painoja sen perusteella, mitä löydät. Tämä ei ole ”tekoälyn hienosäätöä”. Se on sama asia, jonka tekisit kouluttaessasi nuoren rekrytoijan seulomaan: tarkistat hänen työnsä, annat palautetta ja säädät.
Vaihe 4: Tarkista painot jokaiselle uudelle roolille
Painot, jotka toimivat senior-backend-kehittäjälle, eivät toimi asiakkuuspäällikölle. Eri roolit vaativat erilaisia kriteerien tasapainoja.
Kun uusi rooli avautuu:
- Aloita edellisen roolin painoista mallina, ei ehdottomana totuutena
- Tarkista, ovatko ehdottomat vaatimukset muuttuneet (yleensä ovat)
- Kysy rekrytointipäälliköltä: ”Jos voisit katsoa vain kahta kriteeriä, mitkä kaksi?”
- Säädä painot niin, että nuo kaksi kriteeriä muodostavat vähintään 40 % kokonaispisteistä
Tämä vie kymmenen minuuttia. Se säästää tunteja väärin sijoitettujen hakijoiden ja keskusteluja siitä, miksi AI ”erehtyi”.
Puolueettomuuden kalibrointikerros
AI-seulonnan vinouma ei ole hypoteettinen. Arxivissa vuonna 2025 julkaistu tutkimus havaitsi, että yleiskäyttöiset kielimallit, joita käytetään ansioluettelojen seulontaan, osoittavat demografisia vaikutussuhteita jopa 0,809, kun taas alan erikoistuneet rekrytointimallit yltävät lähes tasa-arvon vertailuarvoon 0,957. Monien tekijöiden risteävät epäsuhdat olivat vielä suurempia.
Kalibrointi ei poista vinoumaa, mutta se pienentää aluetta, jolla sitä esiintyy:
- Määrittele kriteerit työhön liittyvän näytön perusteella. ”Työskenteli huippuyrityksessä” on välillinen signaali. ”Toimitti tuotantojärjestelmän, joka palveli yli 10 000 käyttäjää” on näyttöä.
- Tarkista pisteiden jakaumat. Pisteytyskierroksen jälkeen katso, pisteyttääkö jokin demografinen ryhmä systemaattisesti alemmas. Jos näin on, selvitä, mitkä kriteerit aiheuttavat eron.
- Käytä AI:ta ensimmäisenä seulana, ei lopullisena päätöksenä. Rekrytointipäällikkö käy läpi lyhyen listan. AI järjestää saapuneet hakemukset tärkeysjärjestykseen. Ihmiset päättävät.
New York City, Illinois, Washingtonin osavaltio ja EU vaativat nyt jonkinlaista vinouman auditointia AI-rekrytointityökaluilta (Articsledge, 2026). Vaikka lainkäyttöalueesi ei vielä vaatisi sitä, vinouman kalibrointi on hyvä käytäntö ja hyvää rekrytointia.
Miten Canvider tukee kalibrointia
Canvider AI Score antaa asettaa ja säätää pisteytyspainoja roolikohtaisesti. CriteriaMatch hoitaa ohi/ei-ohi-kerroksen erikseen, jotta kovat vaatimukset eivät sekoitu painotettuihin pisteisiin. Collaborative Candidate Assessment antaa tiimille yhteisen näkymän siitä, miten pistetyt hakijat vertautuvat, jolloin kalibrointipalaute tapahtuu kontekstissa eikä sähköpostilla.
Työnkulku: aseta kriteerit, pisteytä ensimmäinen erä, käykää se yhdessä läpi, säädä ja pisteytä uudelleen. Jokainen kierros tarkentuu.
Aloita kalibrointi tällä viikolla
Valitse seuraava avoin paikkasi. Ennen kuin hakijoita tulee:
- Erota ehdottomat vaatimukset pisteytettävistä kriteereistä
- Aseta alkupainot yhdessä rekrytointipäällikön kanssa
- Määrittele jokaiselle kriteerille yhdellä lauseella, mitä ”vahva” tarkoittaa
- Käykää läpi viisi parasta ja viisi huonointa yhdessä, kun ensimmäiset 10 hakijaa on pisteytetty
- Säädä ja pisteytä uudelleen
AI-pisteytys on vipu. Kalibrointi on se, mikä osoittaa sen oikeaan suuntaan.