Bedömning och eftermätning

Samtliga respondenter var övertygade om att respektive företags AI-teknik gör en objektiv bedömning samt att det inte finns bias i deras algoritmer, då tekniken inte är

2 Psykometriker är individer som professionellt arbetar med psykometriska tester. Psykometriska tester är mätinstrument som framställer ett kvantitativt mått på den förmåga som instrumentet mäter, genom användning av matematisk-statistiska tekniker. Testerna används för att analysera och utveckla entiteter (Egidius, 2008).

30

kodad baserad på historiska data eller dylikt. Sara, Kim och Noa nämner att de har implementerat AI-tekniken för att kunna bedöma kandidaternas kompetenser och frångå den subjektiva bedömningen. Sara betonar att vid bedömning av kandidaters kompetens “[...] så tycker inte vi att en människa, så som det är i dagsläget, kan bedöma det då det är väldigt mycket biased. Det blir väldigt mycket fördomar som kommer, för vi börjar tolka saker”. Kim framhäver att AI-tekniken snarare bedömer kandidater på opartiska premisser och säger “Ja garanterat, den kan göra en mer objektiv bedömning och kommer alltid göra det, sen gäller det att den funkar bra.” Noa delar likartade synpunkter och uttrycker att AI-tekniken bidrar till att utfallet av kandidater blir “[...] ännu mer objektivt, det blir ännu mer träffsäkert, du får en betydligt större matchning mellan kandidat, arbetsuppgifter och hur bra det kommer gå.” Vidare menar Sara att implementeringen av AI-tekniken har flyttat fram den subjektiva bedömningen och säger:

Jag brukar säga så här, roboten är fördomsfri så att du kan vara fördomsfull sen, men då är du åtminstone fördomsfull mot de som faktiskt är bra, så det är lite det som är tanken med det. En som söker och har fel kläder på sig, har en dålig dag eller pratar dålig svenska, vad det nu kan vara, inte blir stoppad i början av processen utan skapar det lite senare.

Denna bild finner stöd i forskningen av Breaugh och Starke (2000); Rynes och Barber (1990); Zaniboni et al. (2019) samt van Ours och Ridder (1993) som argumenterar för att rekryterare bör genomföra ett välgrundat val och utgå från kunskaper, färdigheter och förmågor snarare än ålder, kön och etnicitet. Som det tidigare redogjorts för, kan det vara utmanande för rekryterare att genomföra en sådan objektiv bedömning varvid Cohen (2019) framhäver att AI-tekniken ska hjälpa bemanningsföretag att sträva efter att tillvarata eftersökt kompetens och göra samma bedömning av kandidater med likvärdiga meriter. AI-tekniken anses vara mer objektiv än en mänsklig rekryterare av såväl beprövad forskning som respondenternas egna erfarenheter och är därmed ett lämpligt verktyg i strävan efter att uppnå kompetensbaserad rekrytering.

För att AI-tekniken ska kunna genomföra en objektiv bedömning krävs det att programmeringen resulterar i att verktyget mäter kandidaters kompetens snarare än andra variabler. Lars säger att “[...] gör man fel där då skulle man kunna tappa det man är ute efter egentligen. Man får nog vara jävligt försiktig när man programmerar AI:n och vad man får ut där.” Sara resonerar vidare kring centrala frågor gällande programmeringen av AI-tekniken och säger “[...] vem är det som har kodat den? Vem har programmerat den? Vad får man ut av den egentligen? I vårt fall, mäter vi verkligen det som vi har sagt att vi ska mäta?” Ella är inne på samma spår och framhäver att de arbetar mycket med valideringsarbete och säger “[...] den är ju validerad så att den faktiskt mäter det den ska mäta.” Forskning påvisar dock att algoritmer i AI-tekniken använder sig av tidigare data för att eftersöka mönster. (Jackson, 2018; Greenwald, 2017; Williams et al., 2018) Respektive företag hävdar däremot att de inte använder tidigare data för att eftersöka mönster, då de betonar att det kan resultera i

31

diskriminerande utfall. Respondenterna var samstämmiga i den innebörd som programmerandet av tekniken har för effekten av användandet. Därav anser de att det är essentiellt att det är adekvata individer (rekryterare i samspel med programmerare) som är involverade i själva framtagandet och att algoritmerna i praktiken mäter det som den är avsedd att mäta.

En annan åtgärd som företagen tagit för att se till att AI-tekniken verkligen mäter det som den är avsedd att mäta och bedömer kandidater på rätt premisser, är att använda sig av olika eftermätningar. Samtliga respondenter hävdar att användning av eftermätningar är nödvändigt för att värdera och utveckla AI-tekniken, Sara säger “Det är definitivt jätteviktigt för oss att göra, absolut. [...] Ja men okej, roboten bedömde att du blev anställd efter 6 månader, men hur bra var du egentligen?” Vidare betonar Olof att AI-tekniken samt användandet av eftermätningar har resulterat i att “Sedan vi började i oktober har vi inte haft en enda felrekrytering. Alla kandidater som vi har skickat iväg har klarat av provanställningsperioden.” Eftermätningar används även i förebyggande syfte för att motverka felrekryteringar där Noa säger “Rekryterar du in folk på fel grunder som inte är kopplade till kompetens, då är ju också risken extremt hög för att du får in en person som inte kan göra ett bra jobb.” Kim är inne på samma spår och framhäver att de arbetar med eftermätningar för att ständigt förbättra kandidaturvalet genom att beskriva följande:

[...] då gör vi en eftermätning på prestation och då kan man mäta just de som vi anställt utifrån kriterierna. Hur väl stämmer deras prestation med de här testerna och de här testerna är ju inte hundra procent. Det är samma med AI:n, att det är de kriterierna som man använder och så försöker vi nå matchning. Sedan att man gör eftermätning av prestation, då kan man ju se hur väl den här personligheten matchar med prestation på det här arbetet. Ibland behöver det inte stämma jättebra och ibland stämmer det jättebra och då kan man göra korrigeringar utifrån det så att man kan hitta en bättre matchning så att säga.

Eftermätningar avser till att korrigera AI-teknikens mätinstrument och säkerställa att de blir än mer tillförlitliga. Forskning slår fast att AI-tekniken delvis kan förutse och bedöma kandidaternas framtida prestations- och engagemangsnivåer (Jackson, 2018; Ahmed, 2018) Eftermätningar kan således precisera och förbättra AI-teknikens förmåga att bedöma framtida prestations- och engagemangsnivåer och ett mer träffsäkert urval kan identifieras. Det krävs därmed att företagen är noggranna vid implementering och programmering av AI-teknik och uppföljer med uppdaterade eftermätningar, som sedermera används för att optimera AI-teknikens kandidaturval.