Henkilöstöjohtajasi (CHRO) välitti artikkelin tekoälyn tuottamista ansioluetteloista. Nyt joku tiimissä selvittää tunnistus-API:ita liitettäväksi ATS-järjestelmään. Ennen sopimuksen allekirjoittamista katso, mitä oikeasti kannattaa arvioida, koska useimmat tiimit huomaavat, ettei signaali ole kohinansa arvoinen.
Kysymys ei ole siitä, pystyykö API tunnistamaan tekoälyn. Kysymys on siitä, parantaako tunnistustulos rekrytointipäätöksiä.
Myyjien lupaus integraatiosta
API-tunnistimien myyjät kertovat yksinkertaisen tarinan: lähetä ansioluettelon teksti heidän päätepisteeseensä, saat takaisin todennäköisyyspisteen — 0–100 % todennäköisyys tekoälyn tekijyydelle — ja käytät pistettä hakijoiden merkitsemiseen tai hylkäämiseen.
Tekninen integraatio on yleensä suoraviivainen. Useimmat API:t hyväksyvät tekstin POST-pyynnöllä ja palauttavat JSON-vastauksen muutamassa sekunnissa. Myyjät kertovat, että se sopii suoraan nykyiseen työnkulkuusi.
Sitä he eivät kerro, mitä pisteellä tehdään.
Mitä testata: väärien hälytysten osuus
Tämä luku pitäisi pysäyttää useimmat integraatiot ennen kuin ne alkavat.
Riippumattomat testit osoittavat, että GPTZero saavuttaa todellisissa olosuhteissa noin 62 % tarkkuuden, vaikka se väittää 99 % kontrolloiduissa vertailuissa (PCWorld, 2026). Originality.ai näyttää kolmansien osapuolten vertailuissa 8–12 % väärien hälytysten osuuden — eli jopa yksi kymmenestä ihmisen kirjoittamasta ansioluettelosta merkitään tekoälyn tuottamaksi.
Kun arvioit API:a, älä luota myyjän vertailuarvoon. Tee oma testi:
- Lähetä 50 ansioluetteloa, joiden tiedät olevan ihmisten kirjoittamia omasta tietokannastasi
- Lähetä 50 ansioluetteloa, jotka olet luonut ChatGPT:llä tai Claudella
- Laske, montako ihmisen ansioluetteloa merkitään (vääriä positiivisia)
- Laske, montako tekoälyn ansioluetteloa menee läpi huomaamatta (vääriä negatiivisia)
Jos yli 2–3 % ihmisen ansioluetteloista merkitään, integraatio tekee enemmän haittaa kuin hyötyä.
Mitä testata: kielellinen ja väestöllinen puolueellisuus
Tekoälytunnistimet analysoivat kielellisiä piirteitä: lauseiden ennustettavuutta, sanaston laajuutta ja rakenteen johdonmukaisuutta. Nämä piirteet korreloivat kielitaustan kanssa.
Englantia toisena kielenä puhuvat kirjoittavat eri tavalla. Samoin kirjoittavat hakijat eri koulutustaustoista, ammattialoilta ja kulttuureista. Akateemiseen englantiin pääosin koulutettu tunnistin toimii eri tavalla koneinsinöörin ansioluettelolla kuin markkinointijohtajan saatekirjeellä.
Kysy myyjältä:
- Mitä koulutusaineistoa käytettiin?
- Onko työkalua testattu eri kielillä ja väestöryhmillä?
- Onko olemassa julkaistua puolueellisuusauditointia?
Jos he eivät osaa vastata näihin kysymyksiin, työkalua ei ole validoitu rekrytointikäyttöön.
Mitä testata: kustannus per tarkistus
Hinnat vaihtelevat merkittävästi palveluntarjoajittain:
- TurnitinEye: 3,99 dollaria per tarkistus, ei tilausta (suunnattu yksityiskäyttöön)
- AI Detector Pro: 0,09 dollaria per yksikkö, missä yksi yksikkö kattaa enintään 4 000 merkkiä
- Fake Applicant Detector (Apify): 0,099 dollaria per ehdokastarkistus, noin 99 dollaria per 1 000 tarkistusta
Tiimille, joka käsittelee 500 hakemusta kuukaudessa, kustannukset vaihtelevat 45 ja 2 000 dollarin välillä kuukaudessa palveluntarjoajasta riippuen. Tähän ei ole vielä laskettu insinööriajan kulua integraation rakentamiseen ja ylläpitoon.
Alhaisessa päässä kustannus on vähäinen. Korkeammassa päässä maksat todellisesta rahasta signaalista, joka ei ehkä johda mihinkään toimenpiteeseen.
Mitä testata: onko signaalilla käytännön merkitystä?
Tähän useimpien arviointien pitäisi pysähtyä. Kysy tiimiltäsi: mitä teette ”75 % tekoälytodennäköisyydellä” olevalla pisteellä?
- Automaattinen hylkäys? Hylkäät pätevät hakijat.
- Manuaalinen tarkistus? Arvioijillasi ei ole tapaa tarkistaa itsenäisesti tekoälyn tekijyyttä. He katsovat ansioluetteloa, toteavat sen näyttävän kunnolliselta ja jatkavat — ja integraatio menettää merkityksensä.
- Hakijaprofiiliin datapisteenä? Nyt olet tuonut lukeman, joka vääristää jokaista myöhempää arviointia ilman todistettua yhteyttä hakijan laatuun.
Jos vastaus kysymykseen ”mitä teemme tämän pisteen kanssa?” on epäselvä, integraatio on ennenaikainen.
Parempi tapa hyödyntää automaatiota
Sen sijaan, että lisäisit tunnistuskerroksen, joka tuottaa epäselviä tuloksia, panosta automaatiobudjetti työnkulun vaiheisiin, jotka parantavat suoraan rekrytoinnin laatua.
Canviderin Hiring Automation -toiminnolla voit rakentaa laukaisevia sääntöjä, jotka siirtävät hakijat vaiheesta toiseen, lähettävät sähköposteja ja hälyttävät tiimin jäseniä. Nämä automaatiot toimivat konkreettisten kriteerien perusteella — ”hakija täyttää kaikki pakolliset vaatimukset” tai ”rekrytoija ei ole tarkastanut 48 tunnin sisällä” — eivätkä todennäköisyysarvioiden perusteella hakijan tekijyydestä.
Collaborative Candidate Assessment antaa tiimillesi yhteisen tilan, jossa päätökset dokumentoidaan perusteluineen, jotta jokainen hakija arvioidaan samoin perustein. Arviointijälki on tarkastettavissa, mikä on tärkeää, kun vaatimustenmukaisuuskysymyksiä ilmenee.
Syvemmän katsauksen siihen, miten tekoälypisteytys toimii ilman tunnistamista, löydät artikkelistamme tekoälypohjaisesta hakijapisteytyksestä.
Rehellinen arviointikehys
Ennen minkään tekoälytunnistus-API:n integrointia vastaa näihin viiteen kysymykseen:
- Mikä on mitattu väärien hälytysten osuus ansioluetteloille, jotka ovat samankaltaisia kuin sinun?
- Onko työkalua testattu kielellisen ja väestöllisen puolueellisuuden varalta?
- Mitä toimenpiteitä tiimisi tekee pisteen perusteella?
- Perustelevatko tarkistuskohtainen kustannus signaalin laadun?
- Voisiko sama budjetti parantaa jotakin muuta putkesi osaa?
Useimmat tiimit, jotka käyvät tämän kehyksen läpi rehellisesti, päättelevät, ettei integraatio ole valmis.
Kohdista ATS-automaatiosi vaiheisiin, jotka parantavat hakijoiden laatua, älä vaiheisiin, jotka arvailevat tekijyyttä.