Du funderar på att lägga till en AI-detektor i din rekryteringsprocess. Ett verktyg som flaggar CV:n skrivna av ChatGPT innan ditt team läser dem. Det låter effektivt. Det låter som det ansvarsfulla att göra.
Den verkliga risken är inte att AI-skrivna CV:n slinker igenom. Det är att kvalificerade kandidater blir bortsorterade för att en detektor gissade fel.
Glappet mellan påståenden och verklighet
AI-detektorleverantörer publicerar imponerande siffror. GPTZero uppger 99 % träffsäkerhet med en andel falskt positiva på 0,24 %. Originality.ai annonserar 96 % träffsäkerhet.
Oberoende tester berättar en annan historia. PCWorlds utvärdering av GPTZero fann bara 62 % träffsäkerhet under verkliga förhållanden. Originality.ai visade andelar falskt positiva på mellan 8 % och 12 % i tredjepartsjämförelser, vilket innebär att verktyget flaggade mänskligt skriven text som AI-genererad ungefär var tionde gång.
Båda verktygen har dokumenterats när de flaggat USA:s konstitution och utdrag ur The Da Vinci Code som AI-genererad text (Fritz.ai, 2026). Om en detektor inte pålitligt kan identifiera konstitutionen som mänskligt skriven, vad händer då när den läser ett CV från någon med engelska som andraspråk?
Vad falska positiva innebär vid rekrytering
Ett falskt positivt resultat i akademisk plagiatkontroll är en olägenhet. En student överklagar, en lärare granskar, och frågan löses.
Ett falskt positivt resultat vid rekrytering är osynligt. Kandidaten får aldrig veta det. Ditt team ser aldrig CV:t. En kvalificerad person försvinner ur processen, och du fyller rollen med de som är kvar.
Om du går igenom 200 CV:n för en roll och din detektor har en andel falskt positiva på 10 %, är det 20 personer som felaktigt flaggas. Några av dem var dina bästa kandidater.
Problemet med språklig bias
AI-detektorer analyserar skrivmönster: meningslängd, variation i ordförrådet, förutsägbarhet. Den metoden har en dokumenterad svaghet: den straffar vissa skrivstilar hårdare än andra.
Personer med engelska som andraspråk tenderar att skriva med enklare meningsstrukturer och vanligare ord. Det är just de mönster som detektorer kopplar till AI-genererad text. Ett CV skrivet med omsorgsfull, tydlig engelska av någon vars modersmål är mandarin eller arabiska kan se “misstänkt” ut för en modell som är tränad att upptäcka maskinskrivet material.
Det här är inget teoretiskt problem. Om din process avvisar kandidater baserat på analys av skrivstil, inför du en bias som korrelerar med språklig bakgrund. För arbetsgivare i USA skapar det både etiska problem och möjlig juridisk exponering.
Varför detektion inte förbättrar rekryteringsresultaten
Även en perfekt detektor, en utan några falska positiva, skulle inte säga dig något användbart om kandidatens kvalitet. Att veta att ett CV skrevs med AI-stöd säger ingenting om huruvida personen kan göra jobbet.
En undersökning från KraftCV 2026 visade att 70 % av jobbsökande använder AI för att skriva sitt CV. Om du avvisar alla dem avvisar du större delen av din sökandepool. Om du bara avvisar dem som detektorn fångar, straffar du kandidater som använde enklare verktyg och belönar dem som omformulerade resultatet tillräckligt för att slinka igenom.
Signalen går inte att använda. Den skiljer inte bra kandidater från dåliga. Den skiljer upptäckbara AI-användare från oupptäckbara AI-användare.
Vad som fungerar i stället
Alternativet är inte att “göra ingenting”. Det är att screena på det som faktiskt förutsäger hur bra någon blir i jobbet.
-
Dokumentera dina kriterier innan screeningen börjar: Använd hårda krav som arbetstillstånd, certifieringar och specifika tekniska färdigheter som första filter. CriteriaMatch kontrollerar varje CV mot dina definierade kriterier på några sekunder. CV:ts prosastil spelar ingen roll om kandidaten inte uppfyller dina icke förhandlingsbara krav.
-
Gör besluten synliga: När ditt team granskar kandidater ska resonemanget dokumenteras. Collaborative Candidate Assessment behåller gemensamma kommentarer, uppgiftstilldelningar och beslutshistorik på varje kandidatprofil. Om någon avvisas finns skälet dokumenterat, och det är aldrig “detektorn sa det”.
-
Testa påståenden i samtal: Det bästa sättet att verifiera ett CV är att ställa frågor om det. En väl strukturerad intervju fångar överdrifter snabbare än något verktyg för textanalys. Om CV:t säger “ledde ett team på 12 ingenjörer” ska du be om detaljer. Svaret berättar allt som detektorn inte kan.
Regelverket
EU:s AI-förordning klassificerar AI-system som används i anställningsbeslut som “högrisk”. Om din AI-detektor bidrar till ett rekryteringsbeslut kan du behöva visa att den inte ger diskriminerande utfall. Med tanke på de dokumenterade problemen med språklig bias är det ett svårt fall att försvara.
Flera delstater och städer i USA, bland dem New York City och Illinois, kräver redan upplysning om och granskning av automatiserade verktyg som används vid rekrytering. Att lägga till ett ogranskat AI-detektionslager i din process ökar efterlevnadsrisken utan att ge något screeningvärde.
För en bredare bild av hur du använder AI ansvarsfullt i rekrytering, läs vår guide om ansvarsfull AI i rekrytering.
Den ärliga avvägningen
AI-detektorer är frestande eftersom de erbjuder en enkel binär bild: AI eller inte AI. Rekrytering är inte binär. Det är en serie bedömningar om passform, kompetens och potential.
Hoppa över detektorn. Bygg en screeningprocess där underlaget kommer från verifierade kriterier och verkliga samtal, inte från analys av skrivstil.