Hälften av dina sökande har använt AI för att skriva sina CV:n. Du vet det. En undersökning från KraftCV 2026 landar på 70 %. Din instinkt är att hitta ett sätt att upptäcka vilka CV:n som är AI-genererade och filtrera bort dem.
Den instinkten är fel. Detektering är bara ett plåster. Strukturerad, kriteriebaserad screening är lösningen, och den fungerar oavsett vem som skrev CV:t.
Varför detektering inte fungerar som screeningstrategi
AI-detekteringsverktyg utvecklades för akademisk integritet, inte för rekrytering. De analyserar skrivmönster för att uppskatta om en text genererats av en maskin. I ett rekryteringssammanhang skapar det tre problem.
För det första är träffsäkerheten opålitlig. En oberoende test från PCWorld visade att GPTZero bara nådde 62 % träffsäkerhet på verkliga dokument, trots att verktyget anger 99 % i kontrollerade riktmärken. Originality.ai visar falskt positiva andelar på mellan 8 och 12 %.
För det andra är signalen inte användbar. Att veta att ett CV är AI-assisterat säger dig ingenting om huruvida kandidaten kan göra jobbet. Det säger bara att de använde ett skrivverktyg, samma kategori av verktyg som ditt eget team troligen använder för jobbeskrivningar och utskick.
För det tredje straffar detektering fel personer. Kandidater som redigerar AI-texten lite kan klara detekteringen, medan kandidater som skrev sitt eget CV på engelska som andraspråk kan bli flaggade. Resultatet är ett filter som korrelerar med skrivstil, inte med lämplighet för jobbet.
Metod 1: screening utifrån kriterier först
Den mest effektiva ersättningen för detektering är ett kriteriebaserat första steg. Innan du läser ett enda CV, definiera rollens icke förhandlingsbara krav:
- Arbetstillstånd för din plats
- Krävda certifikat eller licenser
- Miniminivåer för erfarenhet
- Språkkunskaper
- Specifika tekniska färdigheter
CriteriaMatch låter dig ställa in dessa kriterier en gång och tillämpar dem automatiskt på varje inkommande CV. AI:n kontrollerar varje CV mot dina definierade krav på några sekunder. Ett vackert skrivet CV som saknar det krävda certifikatet underkänns fortfarande. Ett enkelt CV från en kvalificerad kandidat går vidare.
Detta tillvägagångssätt är immunt mot AI-genererad text eftersom det utvärderar fakta, inte prosakvalitet. Det skapar också en dokumenterad, granskningsbar screeningstandard, något detektering aldrig kan erbjuda. För mer om varför AI-detektorer skapar fler problem än de löser, och vad du bör tänka på innan du integrerar ett detekterings-API, går vi igenom de avvägningarna separat.
För en detaljerad genomgång av hur kriteriebaserad screening fungerar i praktiken, se vår guide om hur CriteriaMatch hjälper rekryterare att filtrera kandidater.
Metod 2: passformsbaserad poängsättning mot jobbannonsen
Efter kriteriescreeningen är nästa lager relevans. Matchar kandidatens bakgrund det som jobbet faktiskt kräver?
AI Score utvärderar CV:n mot din jobbannons och returnerar en matchningsrangordning med specifika styrkor och svagheter. Den bryr sig inte om meningsbyggnad eller ordvariation. Den bryr sig om huruvida kandidatens erfarenhet, kompetenser och bakgrund stämmer överens med rollens krav.
Svaret är inte att upptäcka AI:n. Svaret är att screena efter det du faktiskt behöver.
En hög AI Score betyder att kandidaten matchar rollen. En låg poäng betyder att de inte gör det. Huruvida de använde ChatGPT för att skriva CV:t är irrelevant för den bedömningen.
Metod 3: strukturerade intervjufrågor utifrån gapanalys
Här brukar förespråkare för detektering säga: “Men hur verifierar man då?” Det är en rimlig fråga. Svaret är strukturerade intervjuer.
Forskningen visar konsekvent att strukturerade intervjuer är två till tre gånger mer prediktiva för arbetsprestation än ostrukturerade samtal. En analys från Sapia.ai 2026 fann valideringskoefficienter på 0,51 till 0,63 för strukturerade intervjuer, jämfört med 0,20 till 0,38 för ostrukturerade format. Intervjuarnas överensstämmelse når ungefär 85 % med strukturerade format, jämfört med cirka 40 % med ostrukturerade (ResReader, 2026). Organisationer som använder strukturerade intervjuer rapporterar också en förbättring på 55 % i kandidatmångfald.
InterviewGen genererar rollspecifika intervjufrågor genom att analysera varje kandidats CV mot jobbannonsen. Den identifierar gap: platser där CV:t är vagt, där erfarenhetspåståenden är tunna eller där det finns en diskrepans mellan angivna kompetenser och rollens krav. Sedan skapar den frågor som prövar just de områdena.
Om en kandidat hävdade att de “arkitekterade en migrering till mikrotjänster” på ett AI-polerat CV kommer InterviewGen att generera frågor som testar om de kan förklara de tekniska besluten, avvägningarna och resultaten. Intervjun är verifieringslagret. CV:t är bara utgångspunkten.
Metod 4: kombinera metoderna i en pipeline
Den starkaste screeningmetoden lägger dessa metoder ovanpå varandra:
- CriteriaMatch: Hårda krav som filter. Godkänd eller underkänd. Eliminerar kandidater som inte uppfyller miniminivån, oavsett CV-kvalitet.
- AI Score: Passformspoäng. Rangordnar återstående kandidater efter relevans för rollen. Lyfter fram de bästa matchningarna för mänsklig granskning.
- InterviewGen: Djuptest. Genererar riktade frågor för finalister utifrån deras specifika gap och påståenden. Förvandlar en generisk intervju till ett verifieringsverktyg.
Varje lager fångar det som det föregående missar. Och inget av dem är beroende av att gissa om en kandidat använde AI för att skriva sitt CV.
Fördelen med strukturerad screening
Förutom att hantera AI-skrivna CV:n löser det här tillvägagångssättet flera andra problem som ditt team troligen har:
- Konsekvens: Varje kandidat utvärderas mot samma kriterier och samma jobbannons. Inga fler “jag gillade deras intryck” mot “jag gillade inte formateringen”.
- Snabbhet: Kontroll av kriterier och passformspoäng sker på sekunder, inte timmar. Ditt team granskar en försorterad lista istället för en rå hög.
- Försvarbarhet: Varje screeningbeslut kopplas tillbaka till definierade kriterier och dokumenterade poäng. Om en kandidat frågar varför de avvisades har du ett konkret svar som håller.
- Minskad bias: Strukturerade metoder minskar det ungefär 40 % stora biasgapet som dokumenterats i ostrukturerade rekryteringsprocesser (Hyring, 2026).
Sluta upptäcka. Börja screena.
Problemet med AI-CV:n är egentligen ett screeningproblem. Om din process bygger på att läsa stil för att bedöma kandidater kommer AI att slå sönder den. Om din process bygger på verifierbara kriterier, passformspoäng och strukturerade intervjuer spelar det ingen roll hur CV:t skrevs.
Bygg en screeningprocess som bygger på substans, inte stil. Det är det enda tillvägagångssättet som skalar.