En generisk AI-poäng är lätt att ignorera. När ett verktyg spottar ut ”82 % matchning” utan någon aning om vad din roll faktiskt kräver slutar dina rekryterande chefer tyst att lita på den och går tillbaka till att skumma PDF:er. Poängen blir dekoration.
En AI-bedömningsmatris förtjänar förtroende bara när den speglar rollens specifika filter, inte en leverantörs idé om en bra kandidat.
Lösningen är en egen matris: de hårda kriterier en kandidat måste uppfylla, plus de viktade egenskaper som faktiskt skiljer en stark anställning från en genomsnittlig. Så här bygger du en i Canvider så att poängen betyder något.
Steg 1: Skilj nej-kriterier från preferenser
Innan du viktar något delar du upp dina krav i två högar.
- Nej-kriterier är icke förhandlingsbara. Arbetstillstånd för ditt land, en krävd licens, ett minsta antal års erfarenhet, en plats på kontoret. Om någon inte uppfyller ett enda är det omöjligt att anställa personen, punkt slut.
- Preferenser är egenskaper som gör någon bättre, men inte diskvalificerande. Ett specifikt ramverk, domänerfarenhet, ett certifikat du gärna vill ha men kan utbilda fram.
Att blanda ihop dessa är det vanligaste misstaget i en matris. En saknad ”bra att ha” ska sänka poängen; ett saknat nej-kriterium ska ta bort kandidaten från övervägande helt.
Steg 2: Tillämpa nej-kriterier med CriteriaMatch
Canvider CriteriaMatch hanterar listan med nej-kriterier. Du definierar kriterier i klartext, som ”Har arbetstillstånd för Tyskland” eller ”Innehar ett giltigt PMP-certifikat”, och AI kontrollerar varje CV mot dem med en konfidensnivå och en förklaring.
Det här är inte nyckelordsmatchning. CriteriaMatch läser kontext, så ”får arbeta i EU” uppfyller en kontroll av arbetsrätt för Tyskland även utan den exakta frasen. Resultatet är ett rent filter: du slutar lägga intervjutid på kandidater du aldrig kunde anställa.
Håll listan kort. Tre till fem verkliga nej-kriterier brukar vara rätt. Att överfiltrera här är hur du av misstag sorterar bort bra människor.
Steg 3: Väg preferenserna med AI Score
När nej-kriterierna är hanterade rangordnar Canvider AI Score de kvarvarande kandidaterna mot själva jobbannonsen. Det ger en matchningsrankning med specifika styrkor och luckor i klartext, så poängen går att förklara i stället för att vara en svart låda.
Eftersom poängen är kopplad till jobbannonsen blir matrisen i praktiken rollspecifik som standard. En senior backendroll och en junior supportroll delar inte samma ribba, och de bör inte dela samma poänglogik.
För mer om hur du kalibrerar dessa vikter tillsammans med teamet i stället för att gissa, se hur du kalibrerar poängvikter för kandidatgranskning.
Steg 4: Lås matrisen innan första kandidaten
Definiera matrisen en gång, innan CV:n börjar komma in, och gör den synlig för varje granskare. Det är det enskilt största skyddet mot det vanligaste felläget: matrisdrift.
Matrisdrift är när standarden tyst ändras mitt i processen, ofta för att motivera en kandidat som någon redan gillar. En låst, delad matris håller alla vid samma ribba. Vi går igenom detta fel på djupet i att undvika matrisdrift vid jämförelse av kandidater.
Steg 5: Jämför finalister mot samma ribba
Poängsättning är bara användbar om slutbeslutet respekterar den. Canvider DecisionHelper ställer finalister sida vid sida med delbara skäl, så att debriefen jämför personer mot matrisen, inte mot vem som senast intervjuades.
Det sluter cirkeln: samma kriterier som filtrerade toppen av tratten ramar också in det slutliga beslutet.
Poängen med en matris
En bra matris handlar inte om att ta bort mänskligt omdöme. Den handlar om att rikta omdömet mot rätt kandidater och tillämpa det konsekvent. Nej-kriterier hanterade av CriteriaMatch, preferenser viktade av AI Score, en låst och delad standard och en slutjämförelse som respekterar den.
Bygg den en gång per roll, så slutar AI-poängen att vara dekoration och blir ett filter som ditt team faktiskt litar på.
Canvider ger växande team AI-baserad granskning inbyggd i det centrala rekryteringsflödet. Prova den gratis på din nästa öppna roll.