Du slog på AI-baserad CV-screening. Nu har varje kandidat en siffra bredvid sitt namn. Din rekryteringschef gick igenom de fem bästa, höll inte med om två av dem och frågade vad poängen egentligen mäter.
Problemet är inte AI. Problemet är att behandla tre olika utvärderingslager, filtrering, poängsättning och mänsklig granskning, som om de vore ett och samma steg.
“Screening” är ett vagt ord som täcker minst tre olika operationer, och de flesta team blandar ihop dem.
Vad filtrering faktiskt gör
Filtrering är binärt. En kandidat går igenom eller gör det inte.
Arbetstillstånd. Obligatoriska certifikat. Plats. Språkkunskaper. Det här är inga bedömningsfrågor. Det är fakta du kan verifiera mot ett CV på några sekunder.
Värdet med ett filter är hastighet och konsekvens. När du har 200 sökande och hälften inte uppfyller dina icke-förhandlingsbara krav, tar ett filter bort dem innan någon lägger en minut på profiler som aldrig var realistiska.
Risken är överfiltrering. Ställ upp tio hårda kriterier och du kan sitta kvar med två kandidater och en falsk känsla av noggrannhet. Filter bör bara innehålla kriterier som du skulle avvisa någon för oavsett hur starka de ser ut på allt annat.
I Canvider hanterar CriteriaMatch det här lagret. Du definierar de obligatoriska kraven, till exempel arbetstillstånd, språk och certifikat, och AI kontrollerar varje CV mot dem på några sekunder.
Vad poängsättning faktiskt gör
Poängsättning är relativ. Den rangordnar kandidater mot rollens kriterier på en viktad skala.
Ett filter frågar “har den här personen ett PMP-certifikat?” En poäng frågar “hur väl stämmer den här personens erfarenhet, kompetens och bakgrund med vad rollen kräver?”
Poängsättning spelar roll när du har klarat de obligatoriska kraven och behöver bestämma vem du ska intervjua först. Den gör en hög med kvalificerade CV till en prioriteringslista. Ju bättre poäng, desto närmare matchning mellan kandidatprofilen och jobbeskrivningen.
Risken är falsk precision. En kandidat med 92 är inte märkbart annorlunda än en med 89. Om ditt team behandlar siffrorna som sanningen kommer ni att sortera bort starka kandidater för decimalers skull. Poäng är en startordning, inte ett domslut.
I Canvider hanterar AI Score det här lagret. Det utvärderar varje CV mot jobbeskrivningen och returnerar en matchningsrankning med styrkor och luckor, så att granskaren vet vad som drev siffran.
Vad mänsklig granskning faktiskt gör
Mänsklig granskning är där bedömningen finns. Den täcker sådant som AI inte pålitligt kan bedöma.
Kommunikationsstil. Karriärutveckling. Om personens motivation passar teamets tempo. Om en lucka i CV:t är en varningssignal eller en karriärväxling. Sådana bedömningar kräver någon som känner rollen och teamet.
Mänsklig granskning fångar också AI:ns fel. En studie från Brookings 2024 om LLM-baserad CV-screening fann betydande partiskheter kopplade till kön och ras i rankningsresultat på flera plattformar. En granskare som läser bortom poängen är din kontroll mot en modell som viktade fel signal.
Syftet med mänsklig granskning är inte att göra om AI:ns arbete. Det är att bedöma det AI inte kan se.
Så kombinerar du alla tre utan att automatisera för mycket
Ordningen spelar roll. Filtrera först, poängsätt sedan, granska sist.
Här är en praktisk ordning för en typisk roll med 100 sökande:
- Filtrera: Ta bort kandidater som inte uppfyller era tre till fem icke-förhandlingsbara krav. Det kan minska gruppen till 40.
- Poängsätt: Rangordna de återstående 40 mot viktade rollkriterier. Lägg granskningstiden på de 10 till 15 bästa.
- Granska: Läs profilerna. Kontrollera karriärutveckling, motivationssignaler och allt AI har flaggat som en lucka. Välj ut tre till fem för intervju.
För en praktisk guide om hur teamet kan enas om vikter och tröskelvärden, se hur du kalibrerar AI-poängsättning med rekryteringschefer. Det vanligaste misstaget är att hoppa över lager eller vända ordningen. Om du går direkt till poängsättning utan filtrering slösar du tid på att rangordna kandidater som borde ha sållats bort för att de saknar ett grundläggande krav. Om du hoppar över poängsättningen och går direkt till manuell granskning av 40 CV bränner du timmar som hade kunnat läggas på de starkaste matchningarna.
Corporate Navigators (2026) rapporterar att ansökningsvolymerna ökade upp till nio gånger mellan 2022 och 2025 i vissa roller, medan bara 0,5 % av de sökande till slut får ett erbjudande (Adway, 2026). Du kan inte granska den volymen manuellt. Men du bör inte heller lämna hela beslutet till en siffra.
Vad som går fel när man hoppar över ett lager
Varje lager fångar något som de andra missar.
- Inget filter: Din poäng rankar en kandidat högt, men hen behöver visumsponsring som du inte kan erbjuda. Det upptäcker du först efter den första intervjun.
- Ingen poängsättning: Du filtrerar ner till 40 kvalificerade kandidater och läser varje CV själv. Du hamnar tre dagar efter på två andra rekryteringar.
- Ingen granskning: AI rankar någon främst, du lämnar ett erbjudande och rekryteringschefen inser att personens erfarenhet ligger inom ett annat område än det ni faktiskt behöver.
Att automatisera för mycket innebär att låta ett lager göra alla tre jobben. Att automatisera för lite innebär att göra allt för hand och bli utbränd före torsdag. Det rätta är att använda varje lager för det det är bra på, och inget mer.
Få stacken rätt
Målet är inte att ta bort människor från rekryteringen. Det är att flytta mänsklig uppmärksamhet till det steg där den skapar mest värde.
Filter hanterar fakta. Poäng hanterar passform. Människor hanterar bedömning.
Om ditt team diskuterar AI-screening handlar samtalet förmodligen om vilket lager ni befinner er i. Namnge lagret, sätt rätt förväntningar för just det lagret, så slutar verktygen vara kontroversiella.
Canvider ger dig alla tre lager, CriteriaMatch för filtrering, AI Score för rankning och DecisionHelper för teamets granskning, i en och samma pipeline.