Din HR-chef har vidarebefordrat en artikel om AI-genererade CV:n. Nu undersöker någon i teamet detektor-API:er att koppla till ert ATS. Innan du skriver på ett avtal, här är vad du faktiskt bör utvärdera, eftersom de flesta team upptäcker att signalen inte är värd bruset.
Frågan är inte om API:et kan upptäcka AI. Frågan är om resultatet förbättrar dina rekryteringsbeslut.
Säljpitchen för integrationen
Leverantörer av AI-detektor-API:er marknadsför en enkel berättelse: skicka CV-texten till deras slutpunkt, få tillbaka en sannolikhetspoäng – 0 till 100 % sannolikhet för AI-författarskap – och använd poängen för att flagga eller avvisa kandidater.
Den tekniska integrationen är oftast enkel. De flesta API:er tar emot ren text via en POST-begäran och returnerar ett JSON-svar inom några sekunder. Leverantörerna säger att det passar direkt in i ert befintliga arbetsflöde.
Det de inte säger är vad du ska göra med poängen.
Vad du ska testa: andelen falska positiva
Det här är siffran som borde stoppa de flesta integrationer innan de ens har startat.
Oberoende tester visar att GPTZero når ungefär 62 % träffsäkerhet under verkliga förhållanden, trots att tjänsten uppger 99 % i kontrollerade riktmärken (PCWorld, 2026). Originality.ai visar en andel falska positiva på mellan 8 och 12 % i jämförelser från tredje part. Det betyder att upp till en av tio mänskligt skrivna CV:n flaggas som AI.
När du utvärderar ett API ska du inte lita på leverantörens riktmärke. Kör ditt eget test:
- Skicka in 50 CV:n från din befintliga databas som du vet är skrivna av människor
- Skicka in 50 CV:n som du genererar med ChatGPT eller Claude
- Mät hur många mänskliga CV:n som flaggas (falska positiva)
- Mät hur många AI-CV:n som går igenom utan att upptäckas (falska negativa)
Om fler än 2–3 % av de mänskliga CV:na flaggas skadar integrationen mer än den hjälper.
Vad du ska testa: språk- och demografisk bias
AI-detektorer analyserar språkliga mönster – meningsförutsägbarhet, ordförrådets bredd och strukturell konsekvens. Dessa mönster hänger ihop med språklig bakgrund.
Personer med engelska som andraspråk skriver annorlunda. Det gör även kandidater med olika utbildningsbakgrund, yrkesområden och kulturella sammanhang. En detektor som huvudsakligen tränats på akademisk engelska kommer att prestera olika på en maskiningenjörs CV jämfört med en marknadschefs följebrev.
Fråga leverantören:
- Vilken träningsdata användes?
- Har verktyget testats på olika språk och inom olika demografiska grupper?
- Finns det en publicerad granskning av bias?
Om de inte kan svara på dessa frågor har verktyget inte validerats för rekryteringsändamål.
Vad du ska testa: kostnad per skanning
Priserna varierar kraftigt mellan leverantörerna:
- TurnitinEye: $3.99 per kontroll, ingen prenumeration krävs (riktad till privat bruk)
- AI Detector Pro: $0.09 per enhet, där en enhet omfattar upp till 4 000 tecken
- Fake Applicant Detector (Apify): $0.099 per kandidatgranskning, ungefär $99 per 1 000 skanningar
För ett team som hanterar 500 ansökningar per månad ligger kostnaderna mellan $45 och $2,000 per månad beroende på leverantör. Det är innan du räknar in utvecklingstiden för att bygga och underhålla integrationen.
I den lägre änden är kostnaden marginell. I den högre änden betalar du verkliga pengar för en signal som kanske inte går att agera på.
Vad du ska testa: går signalen att agera på?
Här bör de flesta utvärderingar stanna. Fråga ditt team: vad ska ni göra med en poäng på ”75 % AI-sannolikhet”?
- Automatiskt avslag? Du kommer att avvisa kvalificerade kandidater.
- Flagga för manuell granskning? Dina granskare har inget sätt att oberoende verifiera AI-författarskap. De tittar på CV:t, konstaterar att det verkar okej och går vidare, vilket förfelar syftet med integrationen.
- Lägga till den i kandidatprofilen som en datapunkt? Då har du infört ett tal som påverkar varje efterföljande bedömning, utan något bevisat samband med kandidatens kvalitet.
Om svaret på ”vad gör vi med den här poängen?” är oklart är integrationen för tidig.
Ett bättre sätt att använda automation
I stället för att lägga till ett detektionslager som ger tvetydiga resultat bör du investera din automationsbudget i arbetsflödessteg som direkt förbättrar rekryteringens kvalitet.
Canviders Hiring Automation låter dig skapa triggerbaserade regler som flyttar kandidater mellan steg, skickar mejl och larmar teammedlemmar. Dessa automationer agerar på konkreta kriterier – ”kandidaten uppfyller alla krav” eller ”rekryterande chefen har inte granskat inom 48 timmar” – inte på probabilistiska gissningar om författarskap.
Collaborative Candidate Assessment ger ditt team ett gemensamt utrymme för att dokumentera beslut med motiveringar, så att varje kandidat bedöms efter samma standard. Bedömningsspåret går att granska, vilket spelar roll när frågor om regelefterlevnad uppstår.
För en djupare titt på hur AI-poängsättning fungerar utan detektion, se vår genomgång av AI-poängsättning av kandidater.
Ett ärligt utvärderingsramverk
Innan du integrerar något AI-detektions-API, svara på dessa fem frågor:
- Vilken uppmätt andel falska positiva har den på CV:n som liknar dina?
- Har verktyget testats för språk- och demografisk bias?
- Vilken åtgärd kommer ditt team att vidta utifrån poängen?
- Motiverar kostnaden per skanning signalkvaliteten?
- Skulle samma budget kunna förbättra en annan del av din pipeline?
De flesta team som går igenom detta ramverk kommer ärligt talat fram till att integrationen inte är redo.
Fokusera din ATS-automation på steg som förbättrar kandidatkvaliteten, inte på steg som gissar om författarskap.