AI:s påverkan på mänskligt beteende
Det dynamiska samspelet mellan AI‑teknologi och mänskligt beteende kan ge oss viktiga insikter – särskilt när det gäller att bedöma kandidater i rekryteringsprocessen. Genom att fokusera på detta skärningsfält kan organisationer förbättra sina utvärderingsmetoder och mer precist identifiera och värdesätta de genuina egenskaperna hos potentiella kandidater.
Artikeln är skriven av chefpsykologen Lise Sustmann Allen från Master International A/S
I den här artikeln kommer jag att berätta om mina erfarenheter av ett AI‑drivet bedömningsverktyg, presentera nyare forskning inom området och slutligen argumentera för ett samspel mellan mänsklig och generativ databehandling, där vi tar det bästa från båda världar och samtidigt är uppmärksamma på konsekvenserna av varje metod.
Min erfarenhet: Lätt att manipulera AI‑testverktyg
Ett exempel på ett AI‑bedömningsverktyg inom rekrytering är en envägsintervju, där ett generativt AI‑verktyg (GenAI) genomför intervjun och bedömer de svar som kandidaten ger. GenAI‑verktyget utvärderar sedan svaren och avgör om kandidaten ska avvisas, accepteras eller placeras i ”kanske”-högen.
Ett av problemen med dessa verktyg är att kandidater kan manipulera resultaten på följande sätt:
1. Ljudkvaliteten är viktig
Det är avgörande att ha bra ljud när man svarar i en GenAI‑intervju. Kandidaten bör eliminera bakgrundsljud och tala tydligt och klart. GenAI‑verktyget transkriberar svaren innan analysen. Om det finns personer som pratar i närheten under intervjun blir transkriberingen kaotisk, vilket kan påverka poängen negativt. Kandidater med tillgång till bra ljudförhållanden och lugna omgivningar har därför en tydlig fördel.
2. Ge korta svar
Ett exempel: Ett GenAI‑verktyg intervjuar en kandidat till ett jobb som ställningsbyggare och frågar: “Är du rädd för höjder?”. Det korrekta och förväntade svaret (enligt GenAI) är ett kort ”Nej”.
Men i verkligheten skulle svaret kunna vara:
”Alltså, inte riktigt. Men ehm, ibland, du vet, ehm. Jag stod en gång på en stege. Eller hur? Det var på en liten byggarbetsplats. [Paus] den på Baker Street. Nå, [paus] någon hade glömt att ta på säkerhetsselen. Hmm, och du vet vad det betyder.”
För en människa är detta begripligt. Om mer information behövs ställer den andra personen en uppföljningsfråga. Men GenAI‑verktyget fortsätter intervjun vid första pausen och ignorerar resten. Kandidaten blir avbruten och lär sig snabbt hur man inte ska tala med GenAI, vilket kan skapa bias i framtida svar. Kandidater som kan anpassa sitt beteende till GenAI‑modellen kommer tydligt att ha en fördel.
3. Känn till kriterierna
Svaren bedöms av GenAI‑verktyget utifrån hur väl de matchar en uppsättning fördefinierade kriterier. Dessa kriterier matas in i GenAI‑modellen före intervjun. GenAI känner igen kriterierna som specifika ord eller fraser och letar efter överlapp mellan kandidatens svar och dessa ord.
Därför får kandidater en fördel genom att upprepa exakt samma ord som finns i jobbannonsen. Om jobbannonsen till exempel nämner ”anpassningsförmåga” och ”flexibilitet”, kommer det att ge en högre poäng att använda just dessa ord under intervjun jämfört med att använda synonymer. Det gynnar kandidater som förstår detta — eller som av ren tur använder de rätta orden.
När det är så enkelt att manipulera och skaffa sig fordele säger det något om verktygets reliabilitet. Om en kandidat kan få olika resultat varje gång de gör testet (i detta fall deltar i en intervju), vad kan vi då använda den inkonsekventa informationen till inom rekrytering?
Forskning: AI-bedömningsverktyg introducerar beteendebias
Nyare forskning har visat att en person som vet att de blir intervjuade och bedömda av ett GenAI‑verktyg tenderar att omedvetet ändra sitt beteende i riktning mot vad de tror att GenAI:n utvärderar. Detta fenomen, ofta kallat ”AI assessment effect”, har observerats i flera studier som fokuserar på kandidatbeteende under rekryteringsprocesser. Kandidater tenderar att framhäva analytiska egenskaper samtidigt som de tonar ned empati och innovativa sidor av sin personlighet. Denna beteendeförändring kan fundamentalt påverka vilka som väljs ut för tjänster och därmed underminera validiteten i bedömningsprocessen.
Orsaken till denna förändring ligger i den utbredda uppfattningen att GenAI‑system prioriterar analytiska egenskaper framför emotionella och intuitiva (Goergen, de Bellis och Klesse, 2025). Denna uppfattning får kandidater att anpassa sina svar och sitt beteende efter vad de tror att GenAI:n värderar högst i bedömningen. Som konsekvens kan trovärdigheten i kandidatens svar försvagas, vilket kan leda till att personer väljs ut som egentligen inte passar för tjänsten.
I försöket att eliminera mänsklig bias i rekryteringar har vissa organisationer tagit AI‑drivna system i bruk. Men detta skifte kan i stället introducera en ny form av beteendebias. Trots att GenAI‑system är designade för att vara objektiva antyder “AI assessment effect” att de oavsiktligt kan uppmuntra kandidater att presentera en skev version av sig själva, med ett överdrivet fokus på analytiska färdigheter och mindre betoning på empati och kreativitet.
Lagstiftning som EU:s AI‑förordning kräver att organisationer är transparenta kring användningen av AI i bedömningar. Denna transparens ska informera kandidater om AI:ns roll och kapacitet, vilket potentiellt kan påverka deras beteende under bedömningen. När kandidater är medvetna om AI:s involvering kan de ytterligare anpassa sina svar efter antagna AI‑preferenser. Detta understryker behovet av tydlig kommunikation om AI:s möjligheter och begränsningar för att minska bias.
En studie av Fan et al. (2023) undersökte hur väl en chatbot kan fastställa en kandidats personlighet baserat på en “dialog” med en människa. Studien utvärderade reliabilitet och validitet i AI‑härledda personlighetspoäng. Resultaten visade att GenAI‑härledda poäng hade acceptabel reliabilitet både på domän‑ och facett‑nivå inom Femfaktormodellen, vilket innebär att verktyget kan producera stabila och konsistenta resultat. Men den diskriminativa validiteten – alltså hur väl poängen skiljer mellan olika personlighetsegenskaper – var relativt låg jämfört med poäng från psykometriska test som OPTO. Detta innebär att GenAI‑verktyg har svårt att exakt särskilja olika personlighetsegenskaper, även om de konsekvent kan fånga vissa drag.
Fan et al. (2023) framhäver både potentialen och framför allt begränsningarna med att använda GenAI‑chatbots eller GenAI‑intervjushort i rekryteringsprocesser för att bedöma personlighet. Detta har direkt påverkan på verktygets prediktiva validitet, eftersom GenAI‑intervjushort kan ha svårt att exakt skilja mellan olika personlighetsegenskaper. Det kan leda till felaktig klassificering av kandidater där viktiga nyanser förbises. En kandidat kan till exempel vara introvert men samtidigt mycket kreativ och innovativ. Om GenAI‑verktyget inte kan skilja mellan introversion och drag som öppenhet kan kandidaten felaktigt bedömas som olämplig för en roll som kräver innovation. Och eftersom verktyget är tillförlitligt kommer det sannolikt att upprepa denna felbedömning över tid.
Detta understryker vikten av att förbättra GenAI‑verktygen om de någonsin ska kunna leverera en omfattande och träffsäker bedömning av en kandidats personlighet. Användare av GenAI‑verktyg i rekrytering bör därför vara medvetna om dessa begränsningar och ta dem i beaktande när de väljer att integrera AI‑bedömningar i sina anställningsprocesser.
Slutsats: En mellanväg
Debatten om användningen av GenAI‑bedömningsverktyg kontra traditionella manuella, mänskliga processer framställer ofta dessa två metoder som motsatser. Men det finns en mellanväg där man kan dra nytta av styrkorna hos båda angreppssätten och samtidigt minska begränsningarna som är förknippade med respektive metod.
Figur 1: Fördelar och nackdelar med olika tillvägagångssätt för databearbetning
Organisationer som Master, som har flera års erfarenhet av dataanalys, maskininlärning och algoritmutveckling, har ett ödmjukt förhållningssätt till de snabbt utvecklande GenAI‑trenderna. Denna erfarenhet möjliggör ett ökat fokus på algoritmer och psykometriska modeller som har visat sig vara tillförlitliga och valida under årtionden.
Psykometriska bedömningar som är utformade och ackrediterade enligt etablerade standarder – såsom European Federation of Psychologists’ Associations (EFPA) Test Review Model (Evers et al., 2013) – erbjuder en solid ram för utvärdering av kandidater. Dessa bedömningar är utvecklade för att vara säkra, tidseffektiva och pålitliga, och de ger ett strukturerat och vetenskapligt validerat tillvägagångssätt för kandidatbedömning.
Genom att implementera psykometriska bedömningar som följer erkända standarder säkerställer företag att de kan utvärdera kandidater på ett sätt som både är säkert och effektivt. Detta tillvägagångssätt minimerar risken för bias och fel som kan uppstå vid antingen rent manuella processer eller vid användning av dagens GenAI‑verktyg.
På Master är vi övertygade om att användningen av psykometriska assessments som är utformade och ackrediterade enligt EFPA‑modellen ger företag ett säkert, tidsbesparande och tillförlitligt sätt att bedöma kandidater. Samtidigt ger vår nyfikenhet och innovativa inställning oss möjlighet att utforska hur framtida integration av GenAI‑verktyg som stöd – snarare än som beslutstagande verktyg – kan stärka kundernas användning av våra lösningar.
Lösning: Godkända, ackrediterade och granskade psykometriska verktyg
Personligen är jag orolig för att använda GenAI-verktyg för beslutsfattande vid rekrytering. Olika GenAI-verktyg kan hjälpa till vid rekrytering men bör aldrig ha sista ordet. Rekryteringsverktyg bör utformas för att vara rättvisa, opartiska och respektera kandidaters integritet.
Masters psykometriska verktyg är utformade för att fånga autentiskt beteende utan att inducera beteendebias av GenAI-bedömningsverktyg, vilket säkerställer mer genuina svar från kandidater. Den robusta tillförlitligheten och validiteten hos Masters verktyg har testats och testas kontinuerligt för olika psykometriska egenskaper, och de ger konsekventa och korrekta bedömningar som minskar risken för förvrängda beslut.
En annan stor fördel med att använda Masters verktyg är att verktygen uppfyller transparenskraven och lagstiftningen, vilket ger tydlig information om bedömningsprocessen och GenAI-funktionerna.
Genom att omfamna denna mellanväg kan organisationer dra nytta av både mänsklig insikt och AI-effektivitet. Detta balanserade tillvägagångssätt förbättrar inte bara tillförlitligheten och validiteten i bedömningarna utan säkerställer också att processen förblir rättvis, transparent och i linje med både teknologiska framsteg och mänskliga värderingar.
I takt med att AI-teknologin fortsätter att utvecklas kommer pågående forskning och anpassning att vara avgörande. Detta inkluderar att förfina GenAI-modeller för att bättre förstå och förutsäga mänskligt beteende, förbättra transparensen och förklarbarheten i GenAI-beslut, samt kontinuerligt validera dessa verktyg mot etablerade psykometriska standarder.
Personligen är jag bekymrad över användningen av GenAI‑verktyg för beslutsfattande i rekrytering. Olika GenAI‑verktyg kan användas i rekryteringsprocessen, men de bör aldrig ha det sista ordet. Rekryteringsverktyg bör utformas för att vara rättvisa, opartiska och respektfulla mot kandidaters integritet.
Masters psykometriska verktyg är utformade för att fånga autentiskt beteende utan att framkalla den beteendebias som GenAI‑bedömningsverktyg kan medföra. Det säkerställer mer äkta och uppriktiga svar från kandidaterna. Masters verktygs robusta reliabilitet och validitet testas och utvärderas löpande för olika psykometriska egenskaper, så att de levererar konsekventa och precisa bedömningar – vilket minskar risken för olämpliga beslut.
En annan fördel med att använda Masters lösningar är att de uppfyller kraven på transparens och lagstiftning, och ger tydlig information om bedömningsprocessen och GenAI:s kapacitet.
Genom att omfamna denna mellanväg kan organisationer dra nytta av både mänsklig insikt och AI‑effektivitet. Detta balanserade angreppssätt stärker inte bara bedömningarnas reliabilitet och validitet, utan säkerställer också att processen förblir rättvis, transparent och i linje med både teknologiska framsteg och mänskliga värderingar.
I takt med att AI‑teknologin fortsätter att utvecklas kommer kontinuerlig forskning och anpassning att vara avgörande. Detta innebär att förfina GenAI‑modeller så att de bättre kan förstå och förutsäga mänskligt beteende, förbättra transparensen och förklarbarheten i GenAI:s beslut samt löpande validera dessa verktyg mot etablerade psykometriska standarder.
Vill du höra mer om Masters lösningar? Boka demo
References
- Evers, A., Muñiz, J., Hagemeister, C. Høstmælingen, A., Lindley, P., and Sjöberg, A. (2013) EFPA Review model for the description and evaluation of psychological and educational tests. Version 4.2.6
- Fan, J., Sun, T., Liu, J., Zhao, T., Zhang, B., Chen, Z., Glorioso, M., & Hack, E. (2023). How well can an AI chatbot infer personality? Examining psychometric properties of machine-inferred personality scores. Journal of Applied Psychology, 108(8), 1277–1299. https://doi.org/10.1037/apl0001082
- J. Goergen, E. de Bellis, & A. Klesse, (2025) AI assessment changes human behavior, Proc. Natl. Acad. Sci. U.S.A. 122 (25) e2425439122, https://doi.org/10.1073/pnas.2425439122.
