Du slog på AI-baserad CV-granskning. De första poängen kom tillbaka. Kandidaten som din anställande chef gillar fick 64. Den som ingen känner igen fick 91. Nu litar teamet inte på verktyget.
Problemet är nästan aldrig AI-modellen. Det är kriterierna och vikterna du gav den eller, mer troligt, standardinställningarna du aldrig ändrade.
Varför standardvikter misslyckas
Varje AI-poängverktyg levereras med standardinställningar. De är rimliga gissningar: väg erfarenhet tungt, ge måttlig poäng för kompetensmatchning och lägg till lite värde för utbildning och certifieringar. De är byggda för att fungera över tusentals jobbtyper.
Din roll är inte ”tusentals jobbtyper”. Din roll har specifika avvägningar. Kanske bryr du dig mer om branscherfarenhet än om verktygskunskap. Kanske är certifieringar irrelevanta för ditt team, men AI:t ger dem ändå 15 % vikt.
Standardvikter ger standardrangordningar. Standardrangordningar gör att team antingen går igenom varje poäng manuellt, vilket förstör syftet, eller accepterar poäng de inte borde lita på.
Kalibreringsproblemet är mänskligt, inte tekniskt
Salessos rekryteringsrapport för 2026 visade att 83 % av företagen nu använder AI för CV-granskning. Men en studie från Harvard Business School och Accenture visade att amerikanska arbetsgivare har sorterat bort över 27 miljoner jobbsökande genom automatiserad granskning, många av dem fullt kapabla att göra jobbet.
Problemet är inte att AI inte kan granska. Det är att kriterierna som styr granskningen sattes en gång (eller aldrig) och aldrig omprövades. Kalibrering är det saknade steget mellan ”vi har AI-poängsättning” och ”vår AI-poängsättning hjälper oss att rekrytera bättre”.
För en bredare översikt över hur AI-poängsättning av kandidater fungerar och vilka fallgropar som är vanliga, se vår förklaring av AI-poängsättning av kandidater.
Steg 1: Börja med krav, inte vikter
Innan du justerar något reglage ska du få den anställande chefen att dela upp kraven i två grupper:
Krav (godkänt eller underkänt):
- Arbetstillstånd för din plats
- Krävda certifieringar eller licenser
- Minsta antal år inom ett specifikt område (var ärlig om det är ett verkligt krav eller en önskan)
- Språkkrav
- Vilja att arbeta på plats, hybridt eller att resa
Poängsatta kriterier (viktade):
- Relevanta tekniska färdigheter
- Bransch- eller domänerfarenhet
- Belägg för resultat (inte bara ansvarsområden)
- Ledarskaps- eller chefserfarenhet
- Kultur- eller teamsignaler från ansökningsmaterialet
Krav bör vara binära filter, inte poängsatta. Om en kandidat saknar rätt arbetstillstånd ska en hög kompetenspoäng inte kunna föra dem över tröskeln. I Canvider hanterar CriteriaMatch det lagret: det sätter hårda kriterier som AI:t kontrollerar oberoende av poängvikterna.
Steg 2: Kom överens om hur ”stark” ser ut
Här hoppar de flesta kalibreringsinsatser över ett steg. Teamet enas om fem kriterier. De tilldelar vikter. Men ingen definierar hur en 4 av 5 ser ut jämfört med en 3.
Kör en övning på 20 minuter med den anställande chefen:
- Välj två till tre CV:n som teamet redan har granskat och kommit överens om
- Poängsätt var och en mot kriterierna, var för sig
- Jämför poängen och diskutera skillnaderna
- Skriv en mening som definierar varje poängnivå för varje kriterium
Det här är inte akademiskt. Det är skillnaden mellan ”AI:t gav dem 78” och ”AI:t poängsatte deras systemerfarenhet till 4/5 eftersom de listade tre driftsättningar i produktionsskala”.
Steg 3: Granska resultaten efter första omgången
Den första omgången poängsatta kandidater är ett kalibreringstest, inte en slutlig rangordning.
När AI:t har poängsatt de första 10 till 15 sökandena:
- Kontrollera de fem översta. Är det här personer som den anställande chefen faktiskt vill intervjua? Om inte, vilka kriterier är överviktade?
- Kontrollera de fem understa. Finns det någon där nere som borde vara högre? Vad missade poängsättningen?
- Leta efter mönster. Straffas kandidater med korta CV:n systematiskt? Får karriärbytare låga poäng trots relevant överförbar erfarenhet?
Justera vikterna utifrån det du hittar. Det handlar inte om att ”pilla på AI:t”. Det är samma sak du skulle göra om du tränade en junior rekryterare att granska: granska deras arbete, ge feedback, justera.
Steg 4: Se över vikterna för varje ny roll
Vikter som fungerar för en senior backend-ingenjör fungerar inte för en kundframgångschef. Olika roller kräver olika balans mellan kriterierna.
När en ny roll öppnas:
- Utgå från föregående rolls vikter som mall, inte som facit
- Kontrollera om kraven har ändrats (det brukar de)
- Fråga den anställande chefen: ”Om du bara kunde titta på två kriterier, vilka två?”
- Justera vikterna så att dessa två kriterier står för minst 40 % av den totala poängen
Det tar tio minuter. Det sparar timmar av kandidater som rankats fel och diskussioner om varför AI:t ”gjorde fel”.
Lagret för biaskalibrering
AI-screening med bias är inte hypotetiskt. En studie från 2025, publicerad på arXiv, fann att generella språkmodeller som används för CV-granskning uppvisar demografiska påverkanskvoter så låga som 0,809, långt under den nära-parité-nivå på 0,957 som domänspecifika rekryteringsmodeller uppnår. Korsande skillnader var ännu större.
Kalibrering eliminerar inte bias, men den minskar ytan där den kan uppstå:
- Definiera kriterier utifrån jobbrelaterade belägg. ”Arbetat på ett toppföretag” är en proxysignal. ”Levererat ett produktionssystem som betjänar över 10 000 användare” är ett belägg.
- Granska poängfördelningar. Efter en poängomgång, kontrollera om någon demografisk grupp systematiskt får lägre poäng. Om så är fallet, undersök vilka kriterier som driver skillnaden.
- Använd AI:t som första steg, inte som slutligt beslut. Den anställande chefen granskar kortlistan. AI:t prioriterar inkorgen. Människor beslutar.
Nya regler i New York City, Illinois, delstaten Washington och EU kräver nu någon form av biasrevision av AI-verktyg för rekrytering (Articsledge, 2026). Även om din jurisdiktion inte kräver det ännu är det god praxis, och god rekrytering, att kalibrera mot bias.
Så stödjer Canvider kalibrering
Canvider AI Score låter dig sätta och justera poängvikter per roll. CriteriaMatch hanterar godkänt/underkänt-lagret separat, så att hårda krav inte blandas in i de viktade poängen. Och Collaborative Candidate Assessment ger teamet en gemensam bild av hur poängsatta kandidater jämför sig, så att kalibreringsfeedbacken sker i sitt sammanhang och inte via mejl.
Arbetsflödet: sätt kriterier, poängsätt första omgången, granska tillsammans, justera och poängsätt igen. Varje omgång blir skarpare.
Börja kalibrera den här veckan
Välj din nästa lediga roll. Innan några kandidater har sökt:
- Skilj krav från poängsatta kriterier
- Tilldela inledande vikter tillsammans med den anställande chefen
- Definiera vad ”stark” betyder för varje kriterium i en mening
- Efter de första 10 sökandena, granska de fem översta och fem understa tillsammans
- Justera och poängsätt igen
AI-poängsättning är en hävstång. Kalibrering är det som styr den åt rätt håll.