Hvad er AI i HR og rekruttering?

AI i HR og rekruttering er brug af kunstig intelligens til at støtte opgaver som jobmatch, sortering, interviewforberedelse og medarbejderanalyse. Teknologien kan gøre processer mere ensartede, men den bør ikke erstatte menneskelig vurdering, dokumenteret jobrelevans, databeskyttelse eller kontrol for bias.

Hvad betyder AI i HR og rekruttering?

AI i HR og rekruttering dækker systemer, der kan analysere data om job, kandidater, kompetencer, tekster, mønstre og arbejdsgange for at støtte beslutninger i ansættelses- og medarbejderprocesser. Det kan være alt fra simple sorteringsregler til maskinlæring, generativ AI og mere avancerede scoringsmodeller.

I en HR-sammenhæng er AI ikke én bestemt metode. Et værktøj kan bruge sprogteknologi til at sammenligne et CV med en stillingsbeskrivelse, statistiske modeller til at forudsige sandsynligt match, eller generativ AI til at udforme interviewspørgsmål. En bredere forklaring af selve teknologien findes i AI Mentors artikel om hvad der definerer kunstig intelligens.

Den afgørende forskel ligger i formålet. AI kan bruges som administrativ støtte, som analyseværktøj eller som en del af en egentlig udvælgelsesproces. Jo tættere systemet kommer på at påvirke en persons mulighed for job, forfremmelse, løn, opgavefordeling eller fortsat ansættelse, desto større krav stilles der til dokumentation, kontrol og ansvar.

Hvilke HR-opgaver kan AI bruges til?

AI bruges typisk til at reducere gentagelsesarbejde, strukturere store mængder information og give HR-medarbejdere et mere ensartet beslutningsgrundlag. Det kan være nyttigt, når mange ansøgninger skal behandles, eller når organisationen vil sikre, at de samme kriterier bruges på tværs af kandidater.

AI kan også bruges til planlægning af samtaler, anonymisering af ansøgninger, oversættelse, kompetencekortlægning og intern mobilitet. Disse anvendelser er ikke risikofri, men de er ofte lettere at styre end systemer, der direkte sorterer kandidater fra eller anbefaler en bestemt ansættelsesbeslutning.

Hvor går grænsen mellem støtteværktøj og automatiseret beslutning?

Et støtteværktøj hjælper mennesker med at læse, strukturere eller sammenligne oplysninger. En automatiseret beslutning opstår, når systemets output i praksis afgør udfaldet for kandidaten eller medarbejderen. Grænsen kan være uklar, fordi en score, farvemarkering eller anbefaling kan få stærk praktisk vægt, selv om en leder formelt godkender beslutningen.

Hvis AI kun bruges til at foreslå interviewspørgsmål, bør HR stadig kunne forklare, hvorfor spørgsmålene er relevante for jobbet. Hvis AI bruges til at rangere kandidater, bør HR kunne forklare, hvilke kriterier rangeringen bygger på, hvordan data er behandlet, og hvordan mennesker kan afvige fra systemets forslag.

Et nyttigt skel er at spørge, om en kandidat realistisk kan komme videre, hvis AI-systemet vurderer vedkommende lavt. Hvis svaret er nej, fungerer systemet som en afgørende del af udvælgelsen. Det kræver stærkere dokumentation end et værktøj, der blot samler information eller forbedrer tekstkvalitet.

Hvorfor er rekruttering et særligt følsomt AI-område?

Rekruttering påvirker adgang til arbejde, indkomst, karriereudvikling og social mobilitet. Derfor kan små fejl i en model få store konsekvenser, især hvis fejlen gentages på tværs af mange kandidater eller mange stillinger. En lav matchscore er ikke bare et teknisk output; den kan betyde, at et menneske aldrig bliver vurderet af en rekrutteringsansvarlig.

HR-data er desuden tæt knyttet til identitet og livsforløb. CV, uddannelse, alder, sprog, tidligere arbejdsgivere, geografisk placering, barselshuller, handicaptilpasninger, fagforeningsoplysninger og helbredsrelaterede fraværsdata kan enten være personoplysninger eller afledte signaler med høj følsomhed. Selv når et system ikke bruger beskyttede oplysninger direkte, kan andre data fungere som proxyer.

Et særtræk ved rekruttering er, at organisationen ofte ikke kender de afviste kandidater godt. Det gør det sværere at opdage, om bestemte grupper systematisk sorteres fra. Derfor bør AI i rekruttering vurderes ud fra både teknisk performance, datakvalitet, menneskelig kontrol og faktiske udfald for forskellige kandidatgrupper.

Hvilke data bruges typisk, og hvilke data bør fravælges?

AI-værktøjer i HR kan bruge data fra stillingsopslag, ansøgninger, CV’er, tests, interviewnoter, kompetencedatabaser, medarbejderprofiler, arbejdsplaner og historiske ansættelsesforløb. I generativ AI kan selve teksten i en ansøgning eller en intern vurdering blive sendt til en ekstern model, hvis løsningen ikke er lukket eller aftalt som databeskyttet behandling.

De mest robuste data er normalt data, der kan knyttes direkte til jobkrav: faglige kompetencer, konkrete erfaringer, certificeringer, tilgængelighed, sprogkrav og dokumenterede opgaver. Svagere datatyper er indirekte signaler som uddannelsesinstitutionens prestige, skriveform, fritidsinteresser, sociale profiler, postnummer, personlighedsgæt eller videobaserede signaler, hvis de ikke er solidt valideret for den konkrete stilling.

• Brug kun data, der har et klart og sagligt formål i processen.
• Minimer fritekst, hvis den indeholder følsomme eller irrelevante oplysninger.
• Adskil kandidatdata fra interne træningsdata, medmindre der er et dokumenteret grundlag.
• Undgå at genbruge afvisningsdata som sandhed om, hvem der var bedst kvalificeret.
• Kontrollér leverandørens behandling af data, især ved eksterne AI-API’er og cloudmodeller.

Hvis organisationen bruger kandidatdata til træning, finjustering eller analyse, bør den også se på de databeskyttelsesproblemer, som AI Mentor beskriver i artiklen om GDPR for AI-træningsdata. Ved brug af eksterne modeltjenester er artiklen om beskyttelse af data ved brug af AI-API’er relevant som teknisk supplement.

Hvordan opstår bias i AI-baseret rekruttering?

Bias opstår ikke kun, fordi en model er teknisk dårlig. Den kan opstå, fordi historiske ansættelsesdata afspejler tidligere ulighed, fordi jobkriterier er uklare, fordi modellen lærer indirekte signaler, eller fordi en bestemt test passer bedre til nogle kandidatgrupper end andre. En model kan derfor forstærke mønstre, som organisationen egentlig ønsker at reducere.

Et klassisk problem er, at historisk succes i en organisation ikke nødvendigvis er det samme som fremtidig jobegnethed. Hvis tidligere ansatte i en rolle primært har haft samme uddannelsesvej, alder, branchebaggrund eller sprogstil, kan modellen lære disse mønstre som tegn på egnethed. Det kan ske, selv om ingen har bedt systemet om at sortere efter køn, etnicitet, alder eller social baggrund.

Et nyere forskningsspor handler om algoritmisk ensretning. Et studie fra 2026 om hiring-algoritmer analyserer flere millioner ansøgninger og viser, hvordan gentagen brug af samme leverandørs modeller på tværs af arbejdsgivere kan skabe gentagne afslag for de samme personer eller grupper. Pointen er ikke, at alle AI-værktøjer giver samme resultat, men at leverandørvalg og genbrugte modeller kan blive en strukturel risikofaktor.

Bias bør derfor måles på flere niveauer: i træningsdata, i modeloutput, i den faktiske proces og i slutresultaterne. En mere detaljeret forklaring af emnet findes i AI Mentors artikel om AI-bias i rekruttering.

Hvad betyder EU AI Act for AI i HR?

EU AI Act behandler mange AI-systemer til ansættelse og medarbejderstyring som højrisiko. Det gælder blandt andet systemer, der bruges til rekruttering eller udvælgelse af personer, målrettede jobannoncer, analyse og filtrering af ansøgninger samt evaluering af kandidater. Det gælder også systemer, der bruges til beslutninger om arbejdsforhold, forfremmelse, ophør, opgavefordeling eller evaluering af præstation og adfærd.

Højrisiko betyder ikke, at teknologien er forbudt. Det betyder, at der stilles skærpede krav til styring, dokumentation, data, risikohåndtering, gennemsigtighed, menneskeligt tilsyn og løbende kontrol. En organisation, der bruger et sådant system, bør derfor ikke nøjes med en leverandørdemo eller generelle løfter om effektivitet.

For HR betyder det praktisk, at systemets formål skal defineres præcist. Et værktøj til at forbedre sproget i jobopslag har en anden risikoprofil end et værktøj, der frasorterer kandidater. Et værktøj til intern kompetencekortlægning har en anden risikoprofil end et værktøj, der påvirker forfremmelse eller opsigelse. Den konkrete anvendelse er afgørende.

Hvordan spiller GDPR ind, når kandidater vurderes med AI?

GDPR er relevant, fordi HR-processer næsten altid behandler personoplysninger. I rekruttering kan det være navn, kontaktoplysninger, uddannelse, erhvervserfaring, testresultater, kommunikation, vurderinger og afledte profiler. Hvis AI bruges til at analysere eller rangere kandidater, behandles disse oplysninger ofte på en måde, der kræver klar hjemmel, gennemsigtighed og dataminimering.

GDPR artikel 22 handler om retten til ikke at være genstand for en afgørelse, der alene er baseret på automatiseret behandling, herunder profilering, hvis afgørelsen har retsvirkning eller tilsvarende væsentlig påvirkning. I GDPR’s betragtninger nævnes e-rekruttering uden menneskelig indgriben som et eksempel på en situation, hvor sådanne regler kan være relevante.

I praksis bør HR derfor kunne dokumentere, hvad systemet gør, hvilke oplysninger det bruger, hvorfor oplysningerne er nødvendige, hvordan kandidater informeres, og hvordan mennesker reelt kan gribe ind. Et menneskeligt klik på en AI-anbefaling er ikke nødvendigvis meningsfuldt tilsyn, hvis personen ikke forstår outputtet eller ikke har mandat til at afvige.

Hvordan bør en organisation teste et AI-værktøj før brug?

Test bør begynde med jobrelevans, ikke med teknologi. Før en model vurderes, skal organisationen beskrive, hvilke kompetencer rollen kræver, hvordan de kan måles, og hvilke oplysninger der ikke må bruges. Uden en tydelig kravprofil bliver det svært at afgøre, om systemet måler egnethed eller blot genkender historiske mønstre.

1. Definér den konkrete beslutning, som AI skal støtte.
2. Beskriv de jobrelevante kriterier, som må indgå i vurderingen.
3. Fravælg datatyper, der er irrelevante, følsomme eller svære at forklare.
4. Test modellen på eksempler, hvor facit er fagligt vurderet af mennesker.
5. Mål forskelle i udfald på relevante grupper, når data lovligt og forsvarligt kan bruges til det.
6. Kontrollér, om menneskelige brugere forstår og udfordrer systemets anbefalinger.
7. Gentag testen efter ændringer i jobprofil, model, datakilde eller leverandør.

NIST’s AI Risk Management Framework er nyttigt som generel ramme, fordi det ikke kun ser på nøjagtighed. Det lægger også vægt på pålidelighed, sikkerhed, robusthed, ansvarlighed, gennemsigtighed, forklarlighed, privatliv og fair behandling. I HR bør disse egenskaber omsættes til konkrete målepunkter i den enkelte ansættelsesproces.

Hvad skal du kræve af leverandøren?

Leverandøren bør kunne forklare, hvilket problem værktøjet løser, hvilken type model der bruges, hvilke datakilder der indgår, hvilke begrænsninger der er kendt, og hvordan systemet er testet. Hvis leverandøren ikke kan forklare output på et niveau, HR kan bruge, bør værktøjet ikke anvendes til væsentlige beslutninger.

• Dokumentation for tilsigtet formål og uegnede anvendelser.
• Beskrivelse af datakilder, datalagring, adgangskontrol og sletning.
• Test for jobrelevans, fejl, bias og robuste resultater.
• Mulighed for audit, logning og eksport af beslutningsgrundlag.
• Klare roller for leverandør, arbejdsgiver, databehandler og eventuelle underleverandører.
• Procedure for modelændringer, hændelser, klager og menneskelig genvurdering.

Et særligt spørgsmål er, om samme model eller samme score bruges på tværs af mange kunder. Hvis leverandørens løsning genbruger vurderingslogik på tværs af arbejdsgivere, bør organisationen spørge, hvordan det påvirker kandidater, der søger bredt, og hvordan modellen testes for gentagne afslag eller skævheder mellem grupper.

Hvordan kan HR bruge generativ AI uden at automatisere afgørelsen?

Generativ AI kan være nyttig i HR, når den bruges til formulering, struktur og forberedelse. Den kan foreslå alternative jobopslag, omskrive tekst til et mere klart sprog, lave udkast til interviewspørgsmål, opsummere kravprofiler eller hjælpe med at lave ensartede evalueringsskemaer. Disse opgaver er mindre problematiske end automatisk frasortering, hvis de holdes adskilt fra selve afgørelsen.

Der bør dog være klare grænser. Kandidaters personoplysninger bør ikke indsættes i åbne AI-værktøjer uden et gyldigt behandlingsgrundlag og passende aftaler. Generativ AI bør heller ikke opfinde vurderinger, tolke personlighed ud fra skrivestil eller omskrive en kandidats profil på en måde, der ændrer betydningen af oplysningerne.

En god praksis er at bruge generativ AI til at forbedre processen, men lade mennesker foretage vurderingen ud fra faste, jobrelevante kriterier. Systemet kan hjælpe med at sikre, at alle kandidater vurderes efter samme skema, men det bør ikke afgøre, hvem der er kvalificeret, uden menneskelig kontrol og dokumenteret metode.

Hvilke kontrolpunkter bør være faste i processen?

Kontrolpunkter bør ligge før, under og efter brugen af AI. Før brug skal organisationen afgøre, om opgaven overhovedet egner sig til AI. Under brug skal HR kunne se, hvordan systemet påvirker arbejdsprocessen. Efter brug skal organisationen kontrollere, om resultaterne svarer til formålet og ikke skaber utilsigtede skævheder.

• Formål: Hvilken HR-opgave løses, og hvilken beslutning må systemet påvirke?
• Jobrelevans: Hvilke kriterier må systemet måle, og hvilke må det ikke bruge?
• Data: Hvilke personoplysninger behandles, hvor længe gemmes de, og hvem har adgang?
• Forklaring: Kan HR forklare en anbefaling på en måde, kandidaten og organisationen kan forstå?
• Menneskelig kontrol: Kan en ansvarlig person ændre udfaldet på et oplyst grundlag?
• Biasmåling: Bliver udfald fulgt for relevante grupper, når det kan ske lovligt og forsvarligt?
• Leverandørstyring: Er modelændringer, databehandling og auditmuligheder dækket i aftalen?

Kontrolpunkterne bør dokumenteres i et sprog, som både HR, ledelse, it, databeskyttelse og medarbejderrepræsentanter kan arbejde med. AI i HR er ikke kun et teknisk indkøb; det ændrer en proces, hvor mennesker vurderer andre menneskers muligheder.

AI giver mest værdi, når teknologien fjerner støj, skaber struktur og gør vurderinger mere ensartede uden at skjule beslutningsgrundlaget. Det kan være i store ansøgerfelter, hvor HR har brug for overblik, eller i organisationer med mange ensartede roller, hvor kravprofiler og interviewskemaer kan standardiseres.

Værdien falder, når modellen bruges på uklare jobkrav, tynde datagrundlag eller beslutninger, hvor kontekst betyder meget. En høj score er ikke nødvendigvis et tegn på jobegnethed, hvis scoren bygger på historiske mønstre, upræcise test eller data, der ikke har forbindelse til den konkrete rolle.

Den mest holdbare brug af AI i HR er derfor gradvis. Start med lavrisikoopgaver som strukturering, tekstforbedring og planlægning. Gå først videre til screening eller rangering, når organisationen kan dokumentere jobrelevans, databeskyttelse, biaskontrol, menneskeligt tilsyn og en praktisk vej for kandidater, der ønsker en forklaring eller genvurdering.

Hvilke fejl bør undgås ved AI i rekruttering?

Den første fejl er at behandle leverandørens præcisionstal som bevis for fairness. En model kan være teknisk præcis på et datasæt og stadig give urimelige udfald for bestemte grupper eller bestemte typer kandidater. Derfor bør præcision altid ses sammen med jobrelevans, datakvalitet, forklarbarhed og faktiske processer.

Den anden fejl er at gøre menneskelig kontrol symbolsk. Hvis HR kun ser en rangliste uden forklaring, bliver mennesket let en godkender af systemets output. Meningsfuld kontrol kræver tid, forståelige kriterier, adgang til grunddata og mulighed for at vælge en anden kandidat end modellen anbefaler.

Den tredje fejl er at bruge AI til at måle noget, organisationen ikke selv kan definere. Begreber som kulturmatch, potentiale, engagement og personlighed kan være for upræcise, hvis de ikke oversættes til konkrete, saglige og jobrelaterede kriterier. Uklare mål giver uklare modeller.

Den fjerde fejl er manglende opfølgning. En model, der virkede acceptabel ved indkøb, kan ændre effekt, når jobmarkedet, kandidatfeltet, rollen eller leverandørens model ændrer sig. Derfor bør AI i HR behandles som en løbende styret proces, ikke som et engangsindkøb.

Hvilke kilder ligger til grund?

EU’s Artificial Intelligence Act er brugt til klassificeringen af AI-systemer til rekruttering, udvælgelse og medarbejderstyring som højrisiko i relevante tilfælde. GDPR er brugt til afsnittene om personoplysninger, profilering og automatiserede afgørelser.

NIST AI Risk Management Framework er brugt som ramme for risikostyring, forklarbarhed, datakvalitet, privatliv og fair behandling. Forskningsstudiet Algorithmic Monocultures in Hiring er brugt som aktuel kilde til pointen om gentagne leverandørmodeller og systemiske rekrutteringsudfald.