Puolet hakijajoukostasi on käyttänyt tekoälyä ansioluetteloidensa kirjoittamiseen. Tiedät tämän jo. KraftCV:n vuoden 2026 kyselyn mukaan luku on 70 prosenttia. Ensimmäinen ajatuksesi on löytää keino tunnistaa, mitkä ansioluettelot on tehty tekoälyllä, ja suodattaa ne pois.
Se ajatus on väärä. Tunnistaminen on laastari. Rakenteinen, kriteereihin perustuva seulonta on ratkaisu, ja se toimii riippumatta siitä, kuka ansioluettelon kirjoitti.
Miksi tunnistaminen ei toimi seulontastrategiana
Tekoälyn tunnistustyökalut on tehty akateemiseen rehellisyyteen, eivät rekrytointiin. Ne analysoivat kirjoitustyylin piirteitä ja arvioivat, onko teksti koneen tuottama. Rekrytoinnissa tästä syntyy kolme ongelmaa.
Ensimmäiseksi tarkkuus on epäluotettavaa. PCWorldin riippumaton testi osoitti, että GPTZero saavutti todellisilla dokumenteilla vain 62 prosentin tarkkuuden, vaikka se väittää 99 prosentin tarkkuutta kontrolloiduissa vertailuissa. Originality.ai näyttää väärien positiivisten tulosten osuudeksi 8–12 prosenttia.
Toiseksi signaali ei ole hyödyllinen. Tieto siitä, että ansioluettelo on tehty tekoälyn avulla, ei kerro mitään siitä, osaako hakija työn. Se kertoo vain, että hän on käyttänyt kirjoitustyökalua, samanlaista kuin tiimisi todennäköisesti käyttää työpaikkailmoitusten ja yhteydenottoviestien kirjoittamiseen.
Kolmanneksi tunnistaminen rankaisee vääriä ihmisiä. Ne, jotka muokkaavat tekoälyn tekstiä vain vähän, voivat läpäistä tunnistuksen, kun taas ne, jotka ovat kirjoittaneet oman ansioluettelonsa englantia toisena kielenään, voivat jäädä kiinni. Lopputuloksena on suodatin, joka korreloi kirjoitustyylin kanssa, ei työhön soveltuvuuden.
Menetelmä 1: kriteerit ensin
Tehokkain korvike tunnistamiselle on kriteereihin perustuva ensimmäinen karsinta. Ennen kuin luet yhtäkään ansioluetteloa, määrittele roolin ehdottomat vaatimukset:
- Työlupa sijaintiisi
- Vaaditut sertifikaatit tai luvat
- Kokemuksen vähimmäisrajat
- Kielitaito
- Tietyt tekniset taidot
CriteriaMatchilla voit asettaa nämä kriteerit kerran, ja ne soveltuvat automaattisesti jokaiseen saapuvaan ansioluetteloon. Tekoäly tarkistaa jokaisen ansioluettelon määrittelemiisi vaatimuksiin sekunneissa. Kaunis ansioluettelo, josta puuttuu vaadittu sertifikaatti, hylätään edelleen. Tavallinen ansioluettelo pätevältä hakijalta menee läpi.
Tämä lähestymistapa ei ole herkkä tekoälyn tuottamalle tekstille, koska se arvioi faktoja, ei tekstin laatua. Se luo myös dokumentoidun ja tarkastettavissa olevan seulontastandardin, jota tunnistaminen ei koskaan pysty tarjoamaan. Lisää siitä, miksi tekoälyn tunnistustyökalut aiheuttavat enemmän ongelmia kuin ratkaisevat, ja siitä, mitä kannattaa harkita ennen tunnistuspalvelun rajapinnan liittämistä, kirjoitamme erikseen.
Yksityiskohtaisemman kuvauksen siitä, miten kriteereihin perustuva seulonta toimii käytännössä, löydät oppaastamme: miten CriteriaMatch auttaa rekrytoijia suodattamaan hakijoita.
Menetelmä 2: sopivuuspisteytys työpaikkailmoitusta vasten
Kriteerien jälkeen seuraava kerros on relevanssi. Vastaako hakijan tausta sitä, mitä työ oikeasti vaatii?
AI Score arvioi ansioluettelot työpaikkailmoitustasi vasten ja palauttaa vastaavuusjärjestyksen sekä vahvuudet ja heikkoudet. Sitä ei kiinnosta lauserakenne tai sanaston monipuolisuus. Sitä kiinnostaa, vastaavatko hakijan kokemus, taidot ja tausta roolin vaatimuksia.
Vastaus ei ole tekoälyn tunnistaminen vaan seulominen sen mukaan, mitä todella tarvitset.
Korkea AI Score tarkoittaa, että hakija vastaa roolia. Matala pistemäärä tarkoittaa, ettei vastaa. Se, onko hakija käyttänyt ChatGPT:tä ansioluettelonsa kirjoittamiseen, ei vaikuta tähän arvioon lainkaan.
Menetelmä 3: rakenteiset haastattelukysymykset aukkoanalyysistä
Tässä kohtaa tunnistamisen kannattajat kysyvät: “Entä todentaminen?” Hyvä kysymys. Vastaus on rakenteiset haastattelut.
Tutkimukset osoittavat johdonmukaisesti, että rakenteiset haastattelut ennustavat työsuoritusta kaksi–kolme kertaa paremmin kuin rakenteettomat keskustelut. Sapia.ai:n vuoden 2026 analyysin mukaan rakenteisten haastattelujen validiteettikertoimet ovat 0,51–0,63, kun rakenteettomien muotojen 0,20–0,38. Haastattelijoiden yksimielisyys on rakenteisilla muodoilla noin 85 prosenttia, rakenteettomilla noin 40 prosenttia (ResReader, 2026). Rakenteisia haastatteluja käyttävät organisaatiot raportoivat lisäksi hakijoidensa monimuotoisuuden parantuneen 55 prosenttia.
InterviewGen luo roolikohtaisia haastattelukysymyksiä analysoimalla jokaisen hakijan ansioluettelon suhteessa työpaikkailmoitukseen. Se tunnistaa aukot: kohdat, joissa ansioluettelo on epämääräinen, kokemusväitteet ohuita tai ilmoitettujen taitojen ja roolin vaatimusten välillä on ristiriita. Se luo kysymyksiä, jotka kohdistuvat juuri näihin alueisiin.
Jos hakija on tekoälyllä hiotussa ansioluettelossaan väittänyt “suunnitelleensa mikropalveluiden siirtymän”, InterviewGen luo kysymyksiä, jotka testaavat, osaako hän selittää tekniset päätökset, kompromissit ja lopputulokset. Haastattelu on todentamisen kerros. Ansioluettelo on vain lähtökohta.
Menetelmä 4: yhdistä menetelmät putkeksi
Vahvin seulontatapa yhdistää nämä menetelmät kerroksittain:
- CriteriaMatch: kovien vaatimusten suodatin. Hyväksytty tai hylätty. Poistaa hakijat, jotka eivät täytä vähimmäisvaatimusta ansioluettelon laadusta riippumatta.
- AI Score: sopivuuspisteytys. Järjestää jäljelle jääneet hakijat roolin relevanssin mukaan. Nostaa parhaat osumat ihmisen arvioitaviksi.
- InterviewGen: syvyystestaus. Luo finalisteille kohdennettuja kysymyksiä heidän omien aukkojensa ja väitteidensä perusteella. Muuttaa yleisen haastattelun todentamisen työkaluksi.
Jokainen kerros kiinnittää huomiota siihen, minkä edellinen jätti huomaamatta. Mikään niistä ei perustu arvaukseen siitä, onko hakija käyttänyt tekoälyä ansioluettelonsa kirjoittamiseen.
Rakenteisen seulonnan etu
Tekoälyllä kirjoitettujen ansioluetteloiden käsittelyn lisäksi tämä lähestymistapa ratkaisee myös muita ongelmia, joita tiimilläsi todennäköisesti on:
- Johdonmukaisuus: jokainen hakija arvioidaan samoja kriteerejä ja samaa työpaikkailmoitusta vasten. Ei enää “minulle jäi hyvä fiilis” vastaan “en pitänyt ulkoasusta”.
- Nopeus: kriteerien tarkistus ja sopivuuspisteytys tapahtuvat sekunneissa, ei tunneissa. Tiimisi käy läpi valmiiksi lajitellun listan raakapinon sijaan.
- Puolustettavuus: jokainen seulontapäätös perustuu määriteltyihin kriteereihin ja dokumentoituihin pisteisiin. Jos hakija kysyy, miksi hänet hylättiin, sinulla on konkreettinen vastaus, joka kestää tarkastelun.
- Vinouman väheneminen: rakenteiset menetelmät kaventavat noin 40 prosentin vinoumaeroa, joka on dokumentoitu rakenteettomissa rekrytointiprosesseissa (Hyring, 2026).
Lopeta tunnistaminen. Aloita seulonta.
Tekoälyn ansioluettelo-”ongelma” on oikeastaan seulontaongelma. Jos putkesi nojaa tyylin lukemiseen hakijoiden arvioinnissa, tekoäly rikkoo sen. Jos putkesi nojaa todennettaviin kriteereihin, sopivuuspisteytykseen ja rakenteisiin haastatteluihin, sillä ei ole väliä, miten ansioluettelo on kirjoitettu.
Rakenna seulontaprosessi, joka toimii sisällön, ei tyylin perusteella. Vain tämä lähestymistapa skaalautuu.