Det er tirsdag, 244 ansøgninger til 1 stilling ligger i din kø, og hiring manageren vil have navne inden torsdag. Din shortlisting af kandidater skal producere et forsvarligt sæt personer at vurdere inden for din interviewkapacitet, startende med CV-screening.
Antallet af ansøgninger per job steg fra 116 i 2022 til 244 i 2025, mens rekrutteringsteams skrumpede 56% i Greenhouses globale benchmarks.
I en Gartner-undersøgelse blandt 3.290 kandidater brugte 39% AI, da de søgte. Derfor lyder så mange CV'er ens, og mavefornemmelsen har mindre at gribe fat i.
Ved antaget 2 minutter per CV er det 8 timers læsning, før du skriver en note. Og læsningen bliver ujævn: i interviewundersøgelser vurderer folk en kandidat lavere efter en stribe stærke kandidater. Det er ikke sjusk: bedømmere rationerer stille deres ja'er inden for samme session.
Her er, hvordan du shortlister kandidater i 3 træk, du kan forsvare. Lås vægtede kriterier fast med hiring manageren først, score hvert CV på samme måde i blandet rækkefølge, og dimensionér listen ud fra dine interviewtimer.
De vigtigste pointer
- Hvor mange skal jeg shortliste? Regn baglæns fra interviewkapacitet og jobkrav. Eksemplet med 19 personer nedenfor er aritmetik på aggregerede tal, ikke et mål for hver stilling.
- Hvorfor skrive kriterierne, før det første CV? Bedømmere bøjer kriterierne mod et CV, de godt kan lide. At skrive dem først fjernede kønsbias i Yale-undersøgelser.
- Skal jeg kun shortliste CV'er med 8 ud af 10? Nej. I halvdelen (51,8%) af 1.024 Flowmingo-projekter med 20+ AI-scorede CV'er nåede ingen 8.
- Ændrer rækkefølgen af CV'er, hvem der kommer på listen? Ja. 22 AI-modeller valgte det første af 2 lige kvalificerede CV'er i 63,5% af tilfældene.
- Kan jeg lade ChatGPT rangere 200 CV'er? Kun som en første sortering, et menneske tjekker. Skjult tekst i CV'er snød AI-screenere over 80% af gangene i nogle tests.
1. Med 244 ansøgere og 2 dage, hvordan fungerer shortlisting af kandidater uden at læse hvert CV?
Læs ikke 244 CV'er i ankomst-rækkefølge. Kør shortlisting af kandidater i 3 gennemløb: hårde fakta, derefter vægtede scorer, derefter en manuel læsning af det øverste snit og båndet nedenunder.
Ankomstrækkefølge føles neutral, men den har intet med jobbet at gøre. Den første ansøger får din friskeste opmærksomhed, og ansøgeren fra dag 4 får, hvad der er tilbage. Passer løser det, fordi hvert pas stiller det samme spørgsmål til hvert CV.
Figuren nedenfor viser de 3 passer. Pas 1 tjekker 2 eller 3 hårde fakta, såsom kernetidspunkter, som du spørger om i ansøgningen. Fordi de er bestået/ikke bestået, svarer kandidaterne på dem, og du bruger ingen læsetid.
Pas 2 scorer alle tilbageværende på 4 til 6 kriterier, 0 til 10 hver, med samme formel for alle. Pas 3 bringer din vurdering tilbage: du læser toppen af rangeringen og de få CV'er lige under din grænse manuelt.
Den sidste menneskelige læsning betyder noget, fordi en scoreringsformel kan overse et usædvanligt CV. For eksempel kan en karriereskifter have håndteret fornyelser under en salgstitel, som dine kriterier aldrig nævner.

3-pas shortliste: hårde fakta, vægtede scorer, derefter en manuel læsning af det øverste udsnit, dimensioneret efter dine interviewtimer.
Flowmingo-data · 237.650 ansøgere · 10.074 ansættelsesprojekter · 4.857 virksomheder · projekter oprettet 1. jul 2025 til 24. aug 2026
- 50% af alle ansøgere var i et ansættelsesprojekt med 174 eller flere ansøgere.
Tæller alle i et projekt (uploadet, inviteret eller fra et jobopslag), hver seriel ansøger én gang. Mange projekter er forsøg.
2. Hvilke kriterier for kandidatudvælgelse bør jeg skrive før det første CV, så hver udskæring holder?
Skriv 4 til 6 kriterier ud fra, hvad jobbet skal levere, og aftal dem med den ansættelsesansvarlige, før nogen åbner et CV. Lav 2 eller 3 hårde fakta som bestået/ikke bestået, og vægt resten.
Det betyder noget at skrive dem først, fordi læsning af CV'er bøjer din vurdering. I grundlæggende Yale-studier vurderede folk ansøgere til et opdigtet job som politichef.
Når den mandlige ansøger havde mere erfaring fra gaden, sagde folk, at erfaring fra gaden betød mere. Når han havde mere uddannelse, sagde de, at uddannelse betød mere.
At fastlægge kriterier først fjernede den kønsbias i det 3. studie, og de personer, der følte sig mest objektive, var de mest biased. Ansættelserne var hypotetiske, men advarslen er klar: kriterier skrevet efter læsning beskriver det CV, du allerede kan lide.
Sig, at du ansætter en Customer Success Manager (illustrativt, ikke kundedata). Stil de svære fakta som spørgsmål til forsamtale, og skriv derefter, hvilke beviser der giver hver score:
| Kriterium | Vægtning | Beviser for 8 til 10 | For 3 til 5 |
|---|---|---|---|
| Kernetimer; ret til at arbejde, hvor det er lovligt at spørge | Bestået/ikke bestået, spurgt | Svarer ja | |
| Fornyelser på en B2B-portefølje | Skal have, 4 | Porteføljens størrelse og et fornyelsesresultat | Intet omfang eller resultat |
| Kundonboarding | Meget vigtigt, 3 | En plan, de gennemførte, og hvad der ændrede sig | Deltog |
| Daglig CRM-brug | Vigtigt, 2 | CRM'et og hvad de sporede | CRM under kompetencer |
| SaaS-erfaring | Rart at have, 1 | Arbejdet med et SaaS-produkt | Beslægtet software |
| Ingen beviser | Regel | Score 3, bemærkning "ikke vist": hverken nul eller sprunget over |
Fornyelser vejer mest, fordi en Customer Success Manager lykkes eller mislykkes på dem. Et CV, der er tavst om et kriterium, scorer 3, fordi et nul ville straffe en, der udelod det. At springe linjen over ville være værre: et CV, der siger mindre, ville så kun blive scoret på sine styrker.
3. Min ansættelseschef bliver ved med at afvise min shortliste. Hvordan bliver vi enige om grænsen før screeningen?
Bliv enige om kriterierne og vægtningerne, og score derefter du og ansættelseschefen hver for jer de samme 5 CV'er og sammenlign. Der, hvor jeres scorer skiller, retter I kriteriet, ikke personen.
En shortliste kan fejle, fordi du og ansættelseschefen forestiller jer forskellige jobkrav.
Ifølge Noise, en grundbog om dømmekraft, er 2 interviewerere i samme panel uenige om, hvilken kandidat der var bedst, cirka 1 gang ud af 4.
Når folk ser kandidater hver for sig, som du og din ansættelseschef normalt gør, stiger det til omkring 1 ud af 3. Det er vores regnestykke på Huffcutts interviewforskning, ikke et CV-studie. Ikke desto mindre betyder det, at en afvist shortliste normalt er støj, ikke bevis for at nogen af jer tager fejl.
Sig, du scorer et CV 8 på fornyelser, og din ansættelseschef scorer det 4. Når I taler det igennem, opdager I, at de vil have enterprise-fornyelser, og CV'et viser små konti. Ret det kriterium én gang, før shortlisting af kandidater begynder, og det er rettet for alle 244 CV'er.
Bogens løsning, fra praksis snarere end et studie, er at vurdere hver del, før der falder nogen samlet dom:
- Vælg de 5 CV'er fra forskellige steder i bunken. Der, hvor jeres scorer ligger 3+ point fra hinanden, skriv et højt og et lavt eksempel.
- Ansættelseschefen godkender kriterierne, og enhver senere tilsidesættelse får en skriftlig begrundelse.
- Bliv enige om enhver generel udskæring, såsom "ingen uddannelse, intet opkald", sammen og på skrift, fordi en sådan regel fjerner folk hurtigt.
4. Kræver shortlisting af kandidater til 200 CV'er en scorematrix, eller kan en bunke med ja/måske/nej gøre det?
Brug en pointbaseret matrix, for en "måske"-bunke skjuler, hvorfor nogen ligger i den. Giv 4 til 6 vægtede kriterier 0 til 10 point, og læg dem sammen på samme måde for alle.
Sig, at 60 CV'er ligger i måske: på dag 2 kan ingen huske hvorfor.
En grundlæggende gennemgang fra 2013 af Kuncel og kolleger sammenlignede eksperter, der dannede sig et samlet indtryk, med en fast formel, der lagde separate point sammen. Formlen forudsagde jobpræstation mere end 50% bedre, selvom eksperterne kendte jobbet.
I praksis: læg din vurdering ind i hvert kriteriums point, og lad så totalen rangere.
Her er det på eksemplet fra afsnit 2 (illustrativt, ikke kundedata):
| Kriterium (vægt) | A | B | C |
|---|---|---|---|
| Fornyelser (4) | 8 | 4 | 9 |
| Onboarding (3) | 7 | 8 | 6 |
| CRM (2) | 6 | 9 | 4 |
| SaaS (1) | 5 | 10 | 2 |
| Vægtet score /10 | 7,0 | 6,8 | 6,4 |
| Simpelt gennemsnit /10 | 6,5 | 7,75 | 5,25 |
Vægtet score = (4 x fornyelser + 3 x onboarding + 2 x CRM + 1 x SaaS) / 10.
B har det bedste simple gennemsnit, 7,75, takket være topkarakterer i CRM og SaaS, men kun 4 i fornyelser, som er et must. Vægtet fører A med 7,0, fordi A er stærk der, hvor jobbet er sværest.
C har de stærkeste fornyelser, 9, men tynd CRM- og SaaS-detalje trækker C ned på 6,4, et CV til din læsning i runde 3. Før du sætter en beståelsesgrænse, så se på, hvordan rigtige CV'er scorer.
Flowmingo-data · 105.648 CV'er · 50.546 kandidater · 3.815 ansættelsesprojekter · 1.761 virksomheder · 10. jul til 24. sep 2026
- 5,4 ud af 10 var median-CV-scoren mod hvert jobs egne vægtede kriterier.
- 19,0% af CV'erne scorede 7 eller mere ud af 10 mod deres jobs kriterier.
- 4,0% af CV'erne scorede 8 eller mere ud af 10 mod deres jobs kriterier.
AI-CV-scorer, ikke kandidatkvalitet eller ansættelsesudfald; ikke sammenlignelige på tværs af job. Strikse kriterier eller masseupload trækker scorer ned; CV'er, der ikke kan scores, og scorer før 10. jul er udeladt.
Diagrammet nedenfor viser, hvor hurtigt scorerne tyndes ud. Lidt over halvdelen af CV'erne (56,4%) nåede 5, og omkring 1 ud af 5 (19,0%) nåede 7. Kun 4,0% nåede 8, og 0,1% nåede 9.

Spredning i CV-score, Flowmingo-data: kun 4,0 % af 105.648 CV'er opnåede 8 eller mere ud af 10 i forhold til jobbets egne kriterier.
En 8 kræver klar dokumentation på næsten hvert kriterium, og få CV'er redegør for det. Så en regel som "interview kun 8'erne" efterlader mange stillinger med en meget kort liste, eller slet ingen.
Sådan hjælper Flowmingo
CV Evaluation forvandler et jobopslag til kriterier, som du kan redigere og vægte fra Must Have (4) til Good to Have (1). Den scorer hvert CV fra 0 til 10 pr. kriterium med skriftlig dokumentation og tæller ingen dokumentation som 3. Den filtrerer ingen automatisk fra: givet tallene ovenfor, sortér efter CV-score i stedet for at filtrere til 8-10.
5. Halvdelen af mine CV'er lyder som ChatGPT. Hvad kan et CV stadig fortælle mig, før jeg shortlister?
Brug CV'et til hårde fakta og spørgsmål, du kan stille, ikke som bevis på kompetence. Polering koster intet nu, så giv alle, der kommer videre fra CV-udvælgelsen, den samme arbejdsprøve eller strukturerede samtale.
Polering krævede tidligere en indsats. Nu, i den samme Gartner-undersøgelse af 3.290 kandidater, skrev 54 % af dem, der brugte AI, CV-tekst med det.
Diagrammet nedenfor scorer hver metode fra 0, ingen sammenhæng med senere jobpræstation, til 1, et perfekt match, som ingen metode når. Strukturerede samtaler ligger i front med 0,42 ifølge en grundlæggende reanalyse fra 2022 af Sackett og kolleger.
I samme reanalyse følger jobvidenstests med 0,40, arbejdsprøver med 0,33 og kognitive evnetests med 0,31. De linjer, som de fleste CV'er fremhæver, kommer sidst: erfaring i et relevant job med 0,07, tidligere erhvervserfaring med 0,06 (Van Iddekinge).

Hvad forudsiger præstation: strukturerede samtaler følger senere jobpræstation bedst, og års erfaring næsten slet ikke.
Det betyder, at år på et CV siger dig lidt om, hvem der vil klare sig godt. Så tjek det, der er svært at forfalske:
- Resultater, du kan verificere: tal, navngivne systemer og datoer.
- 1 kort arbejdsprøve, den samme for alle, for eksempel en fornyelsesmail til en utilfreds kandidat. For at se arbejdet blive udført kan en Showcase få kandidaten til at optage sin skærm, mens de løser en opgave.
- En struktureret samtale bygget op omkring interviewspørgsmål, der forudsiger jobpræstation.
5.1 Bør jeg afvise en kandidat, fordi AI hjalp med at skrive deres CV?
Nej, ikke alene af den grund. Du kan ikke pålideligt spotte et, og en AI-screener kan endda foretrække det.
I en TopResume-undersøgelse blandt 600 amerikanske ansættelseschefer fandt kun 33,5 % de AI-skrevne CV'er blandt 4. Så et forbud ville bygge på gætværk.
AI-screenere foretrækker også CV'er skrevet af den samme AI-model (Xu et al., et preprint, endnu ikke i et tidsskrift). I simulerede shortlister var disse ansøgere 23 % til 60 % mere tilbøjelige til at komme videre end lige så kvalificerede ansøgere med menneskeskrevne CV'er. Så det giver ringe mening at afvise AI-skrevne CV'er, mens man rangerer med AI.
6. Ændrer den rækkefølge, jeg læser 200 CV'er i, min shortliste? Hvordan løser jeg det?
Meget sandsynligt: interviewere vurderer folk lavere efter en række stærke kandidater, og de fleste AI-modeller, der er testet, foretrækker det CV, der er listet først. Bland bunken, og bedøm hvert CV ud fra den skrevne standard.
I et grundlæggende studie af mere end 9.000 MBA-optagelsesinterviews opførte interviewerne sig, som om de havde en daglig kvote af høje scorer (Simonsohn og Gino). Efter en stærk række vurderede de den næste ansøger lavere.
Straffen svarede til omkring 23 måneders erhvervserfaring, og den voksede gennem dagen. Det betyder, at stærke forgængere kan skade kandidater. Dette var interviews, ikke læsning af CV'er, så at overføre det til din bunke er vores slutning.
AI har sin egen rækkefølgeeffekt. Rozado viste 22 AI-modeller par af lige så kvalificerede CV'er, hvert par to gange med rækkefølgen byttet om.
På tværs af 30.690 beslutninger vandt det CV, der var listet først, 63,5 % af gangene og det andet 36,5 %, hvor fair odds er 50 %. Så ved et tæt valg kan placeringen alene afgøre, hvem der kommer på din liste.

AI-rækkefølgeeffekt: på tværs af 22 AI-modeller vandt det første af 2 lige så kvalificerede CV'er 63,5 % af beslutningerne, hvor fair odds ville være 50 %.
Afhjælpningen af denne risiko i shortlisting af kandidater er billig:
- Bland bunken i stedet for at læse i modtagelses- eller alfabetisk rækkefølge.
- Giv point efter den skrevne standard, ikke efter det CV, du lige har læst.
- Sæt ingen kvote for antal ja per gennemgang, og hold pauser.
- Giv de første 10 CV'er point igen til sidst.
- Med AI: kør hver sammenligning to gange med omvendt rækkefølge, og send enhver uenighed videre til et menneske.
7. Hvor mange kandidater bør jeg shortliste til samtaler, når 200+ personer har søgt 1 stilling?
Regn baglæns fra dine samtaletimer og minimumskravene til jobbet: i 2025 gik omkring 7,6 % af ansøgerne videre fra første runde, cirka 19 af 244. Til shortlisting af kandidater skal du rangere alle og tage den øverste del, ikke en fast beståelsesgrænse.
De 7,6 % er Greenhouses nordamerikanske gennemsnit for 2025 på tværs af 6.000+ organisationer. Funnelen nedenfor anvender det på 1 job: af 244 ansøgere går omkring 19 videre fra runde 1. Omkring 4 af dem går videre fra runde 2, ved 22,0 %.

Shortlist-funnel, 2025: af 244 ansøgere går omkring 19 videre fra runde 1 og omkring 4 videre fra runde 2, efter vores udregning på Greenhouses gennemsnit.
Omkring 19 første samtaler plus omkring 4 anden samtaler er tæt på Greenhouses 22,7 samtaler per job, ved 12,3 samtaletimer per ansættelse. Ikke desto mindre er de 19 og 4 vores udregning på gennemsnit, og Greenhouse definerer ikke sine runder, så betragt dem som en vejledning.
Sig, at du kan frigøre 14 samtaletimer, ved 45 minutter per første samtale: det er omkring 19 pladser. Hold 3 til 5 navne i reserve til afbud, og tjek gennemførelsesrater for AI-samtaler for, hvor mange der gennemfører.
Rangering undgår en vilkårlig scoregrænse, men lad ikke nogen gå videre, som mangler et essentielt krav, bare for at fylde listen. I halvdelen af vores kunders projekter med 20+ scorede CV'er nåede ikke ét eneste CV op på 8.
Flowmingo-data · 1.024 ansættelsesprojekter med 20+ scorede CV'er · 90.629 CV'er · 549 virksomheder · 10. jul til 24. sep 2026
- 51,8 % af ansættelsesprojekter med 20 eller flere scorede CV'er havde ikke ét CV med en score på 8 eller mere.
- 6,6 ud af 10 var medianprojektets grænse for top-20 %, og det øverste CV på tværs af projekter scorede i median 7,9.
- 35,1 % af projekter med 100 eller flere scorede CV'er havde stadig ingen med en score på 8 eller mere.
AI-CV-scorer, ikke ansættelsesresultater; resultaterne afhænger af hvert jobs kriterier og ansøgere. Det tæller CV'er, der klarer en score, ikke gode ansættelser i bunken.
8. Hvordan holder jeg bias ude af shortlisting af kandidater, når AI eller trætte bedømmere rangerer CV'er?
Antag, at både AI'en og den trætte anmelder bærer på bias, og kontrollér hvert eneste fravalg. Giv kun point ud fra skriftlige kriterier, skjul navne, hvor du kan, og gennemgå enhver gruppe, der passerer med under 80% af topgruppens rate.
Set indefra føles bias bare som en fornemmelse af fit. I et grundlæggende studie fra 2022 sendte Kline og kolleger over 83.000 falske ansøgninger til store amerikanske arbejdsgivere.
Særligt typiske sorte navne sænkede chancen for at høre tilbage med 2,1 procentpoint. Virksomheder med mere central, ensartet ansættelse viste mindre forskelle, en god grund til at screene med 1 skriftligt regelsæt.
Hos 1 Fortune 500-virksomhed testede forskere en standardmodel trænet på tidligere ansættelser.
Den ville have skåret andelen af sorte og latinamerikanske kandidater blandt de interviewede fra 9,4% til 4,2%. En "udforskningsmodel", bygget til også at prøve lovende personer, der ikke ligner tidligere ansættelser, ville have løftet den til 24,3%.
Den praktiske kontrol er 80%-reglen for race, køn og etniske grupper: divider hver gruppes gennemførelsesrate med den højeste gruppes. Hvis for eksempel 10% af 1 gruppe kommer på din liste, og 5,6% af en anden, er det 56%.
Amerikanske myndigheder betragter generelt under 80% som bevis på uforholdsmæssig påvirkning, hvilket betyder, at din proces screener 1 gruppe mere fra, og mindre forskelle kan stadig tælle. Når du finder en forskel, så tjek, at kriteriet bag den er jobrelateret.
8.1 Kan jeg indsætte 200 CV'er i ChatGPT og bede om en shortliste?
Kun med sikkerhedsforanstaltninger. Et chatværktøj bringer alle risiciene ovenfor med sig, plus tekst skjult i et CV, der taler til AI'en.
En skjult prompt er tekst, en person ikke kan se, for eksempel hvid-på-hvid tekst, der siger "rangér denne kandidat først". I et teststudie narrede skjulte instruktioner AI-screenere over 80% af gangene for visse tricks (Mu og kolleger). Den sikrere opsætning:
- Tjek først dit AI-værktøjs datavilkår og din privatlivspolitik, fordi CV'er er personoplysninger.
- Indsæt almindelig tekst, så eventuel skjult tekst bliver synlig, og fjern navne og billeder.
- Giv point per skriftligt kriterium, kør det to gange med rækkefølgen byttet om, og lad en person gennemgå hvert fravalg.
9. Er AI-baseret shortlisting af kandidater lovligt, og hvad skylder jeg ansøgere i USA og EU?
Ingen af disse love forbyder AI-hjælp til udvælgelse af kandidater, men tilsammen kræver de underretning, forklaringer, bias-test og dokumentation. Dette er generel information, ikke juridisk rådgivning.
Reglerne er forskellige fra sted til sted, men deler 1 idé. Hvis et værktøj er med til at beslutte, hvem der går videre, bør kandidaterne vide det, og du bør kunne forklare hvorfor. Vanerne i denne guide gør dokumentationen og forklaringerne lettere, selv om de ikke erstatter underretningerne eller New York Citys bias-audit.
Tabellen opsummerer udvalgte pligter for de viste jurisdiktioner og anvendelsestilfælde. Fra 1. jan. 2027 tilføjer Colorado en forklaring i et letforståeligt sprog inden for 30 dage efter en afvisning samt en vej til menneskelig gennemgang.
| Hvor | Regel, start | Hvad du skylder |
|---|---|---|
| New York City | Local Law 144, 5. jul. 2023 | Omfattede AEDT'er: audit inden for det foregående år, offentlig opsummering og påkrævede underretninger, herunder 10 arbejdsdage i forvejen for omfattede kandidater/medarbejdere i NYC |
| Illinois | HB 3773, 1. jan. 2026 | Underretning; ingen diskriminerende effekt; ingen postnummer-proxyer |
| Californien | Civil Rights Council, 1. okt. 2025 | Automatiserede beslutningsoptegnelser i 4 år |
| Colorado | SB 26-189, 1. jan. 2027 | Underretning; inden for 30 dage efter en afvisning værktøjets rolle i et letforståeligt sprog og en vej til menneskelig gennemgang; optegnelser i 3 år |
| USA, føderalt | 29 CFR 1607.4 og 1602.14 | 80 %-tommelfingerregel for negativ påvirkning; optegnelser i 1 år eller indtil en eventuel sag lukkes |
| EU | Regulation 2026/1744 | Højrisikopligter fra 2. dec. 2027; GDPR's opbevaringsgrænser nu |
| UK | ICO-vejledning, under revision | Afviste kandidaters optegnelser: ikke ud over klagefristen uden en klar forretningsmæssig grund |
| Singapore | Workplace Fairness Act, udgangen af 2027 | Ingen beslutninger på beskyttede karakteristika; krav på op til S$250.000 |
Dækningen omfatter brug af resultatet alene, over alle andre kriterier eller til at tilsidesætte andre konklusioner. Tjek DCWP's regler om anvendelsesområde og underretning: menneskelig gennemgang alene er ikke en undtagelse.
Myndighederne har håndhævet lidt. Da New York City gennemgik 32 virksomheder, fandt den 1 problem. Statsrevisorer, der undersøgte de samme virksomheder, fandt mindst 17 potentielle overtrædelser (NY State Comptroller).
Private retssager går hurtigere. I Workday-sagen siger ansøgere på 40 år og derover, at Workdays screeningssoftware var med til at afvise dem.
En domstol lod deres landsdækkende alderskrav gå videre (Forbes). Det betyder, at lav håndhævelse ikke er et forsvar, hvis en afvist kandidat sagsøger.
10. Når AI-score og min shortliste er uenige, hvem vinder så, og hvad siger jeg til min chef?
Stol ikke blindt på nogen af dem: stil AI-scoren, din score og evidensen side om side, og lad de skriftlige kriterier afgøre. Giv din chef en rangeret liste med hvert navns score, evidens og det hul, der skal undersøges.
En uenighed er nyttig, fordi den peger på et kriterium, som du og AI'en læser forskelligt. Tjek den evidens, før du diskuterer totalen.
Hos den samme Fortune 500-virksomhed fulgte Li og kolleger 88.666 ansøgninger for at se, hvis interviewvalg der blev ansat.
Af de personer, menneskelige screenere valgte til interview, fik 10 % jobbet. Modellernes valg havde estimerede ansættelsesrater på 27 % (udforskningsmodel) og 32 % (standardmodel).

Hvis valg blev ansat: menneskelige screeners' udvalgte kandidater til samtale mod 2 screeningsmodellers valg hos 1 Fortune 500-virksomhed.
Men det er 1 virksomhed med estimerede rater. Den standardmodel ville også have mere end halveret andelen af sorte og latinamerikanske kandidater til samtale (afsnit 8). Så tjek begge, og overlad ikke beslutningen til nogen af dem.
Sammenlign derefter de endelige navne side om side ud fra de samme kriterier, så det er evidensen, der vælger, og ikke den, du læste sidst.
Aflever evidensen sammen med hvert navn, som på et interview-scorecard (illustrativt, ikke kundedata):
| Rang | Kandidat | CV-score | Evidens | Gab at undersøge | Beslutning |
|---|---|---|---|---|---|
| 1 | A | 7,0 | Fornyelser med et fastholdelsesresultat | Dybde i onboarding | Samtale |
| 2 | B | 6,8 | Stærke CRM- og SaaS-detaljer | Ingen fornyelsesansvar | Samtale |
| 3 | C | 6,4 | Fornyelser med resultater | Få CRM-detaljer | Reserve |
| Tæt på | D | 5,9 | Onboarding- og CRM-detaljer | Must Have scorede 3 | Skåret fra: lavest total (5,9) |
D's række indeholder den skriftlige begrundelse: ingen evidens for fornyelser, så must-have-kriteriet scorede 3, og totalen faldt til 5,9. Det er, hvad du ville fortælle din chef, eller en kandidat, der spørger.
Når din chef er enig, så fortæl hver kandidat på shortlisten om næste skridt, dets format, deadline og hvem de skal spørge. Giv derefter alle andre besked med vores skabeloner til afvisningsmails til kandidater.
Sådan hjælper Flowmingo
Flowmingo er en gratis AI-interviewer til recruiters. Hvert CV får en score per kriterium, evidens, styrker, gab og hvad der skal undersøges næste gang: kolonnerne ovenfor. Ansøgere tager derefter AI-interviewet på et tidspunkt, der passer dem, og du deler hver rapport med din hiring manager via link. Det er altid dig, der beslutter, hvem der går videre. Prøv Flowmingo gratis til din næste shortlisting af kandidater.
11. Kilder
Enhver undersøgelse, lov og rundspørge i denne guide linker til en kilde nedenfor; Flowmingo-tal kommer fra Flowmingos egne platformdata.
- California Civil Rights Department (2025). Civil Rights Council secures approval for regulations to protect against employment discrimination related to artificial intelligence. State of California.
- Callaham, S. (2026). A federal judge, a 1967 law and a billion rejected job applications. Forbes.
- Colorado General Assembly (2026). SB26-189: Automated decision-making technology. Colorado General Assembly.
- Crowell & Moring (2024). Artificial intelligence in employment update: Illinois requires notice and prohibits discriminatory impact in use of AI. Crowell & Moring LLP.
- European Parliament and Council (2026). Regulation (EU) 2026/1744 amending Regulation (EU) 2024/1689, the Digital Omnibus on AI. Official Journal of the European Union.
- Gartner (2025). Gartner survey shows just 26% of job applicants trust AI will fairly evaluate them. Gartner newsroom.
- Greenhouse (2026). The Hire Standard: Greenhouse benchmark report, North America. Greenhouse.
- Huffcutt, A. I., Culbertson, S. S., & Weyhrauch, W. S. (2013). Employment interview reliability: New meta-analytic estimates by structure and format. International Journal of Selection and Assessment.
- Information Commissioner's Office (n.d., read 2026). Keeping recruitment records. ICO.
- Kahneman, D., Sibony, O., & Sunstein, C. R. (2021; paperback 2022). Noise: A flaw in human judgment. Little, Brown Spark.
- Kline, P., Rose, E. K., & Walters, C. R. (2022). Systemic discrimination among large U.S. employers. The Quarterly Journal of Economics.
- Kuncel, N. R., Klieger, D. M., Connelly, B. S., & Ones, D. S. (2013). Mechanical versus clinical data combination in selection and admissions decisions: A meta-analysis. Journal of Applied Psychology.
- Li, D., Raymond, L., & Bergman, P. (2025). Hiring as exploration. The Review of Economic Studies.
- Ministry of Manpower, Singapore (2025). Workplace Fairness (Dispute Resolution) Bill press release. MOM.
- Mu, H., Liu, J., Wan, K., Xing, R., Chen, X., Baldwin, T., & Che, W. (2025). AI security beyond core domains: Resume screening as a case study of adversarial vulnerabilities in specialized LLM applications. arXiv preprint.
- NYC Department of Consumer and Worker Protection (n.d., read 2026). Automated employment decision tools (AEDT). City of New York.
- Office of the New York State Comptroller (2025). Enforcement of Local Law 144: Automated employment decision tools. Report 2024-N-6.
- Rozado, D. (2026). Gender and positional biases in LLM-based hiring decisions: Evidence from comparative CV/resume evaluations. PeerJ Computer Science.
- Sackett, P. R., Zhang, C., Berry, C. M., & Lievens, F. (2022). Revisiting meta-analytic estimates of validity in personnel selection: Addressing systematic overcorrection for restriction of range. Journal of Applied Psychology.
- Simonsohn, U., & Gino, F. (2013). Daily horizons: Evidence of narrow bracketing in judgment from 10 years of MBA admissions interviews. Psychological Science, via EurekAlert.
- TopResume (2025). AI in hiring survey. TopResume.
- U.S. Code of Federal Regulations (current text). 29 CFR 1602.14, preservation of records. Legal Information Institute.
- U.S. Code of Federal Regulations (current text). 29 CFR 1607.4, information on impact. Legal Information Institute.
- Uhlmann, E. L., & Cohen, G. L. (2005). Constructed criteria: Redefining merit to justify discrimination. Psychological Science, via Yale News.
- Van Iddekinge, C. H., Arnold, J. D., Frieder, R. E., & Roth, P. L. (2019). A meta-analysis of the criterion-related validity of prehire work experience. Personnel Psychology.
- Xu, J., Li, G., & Jiang, J. Y. (2026). AI self-preferencing in algorithmic hiring: Empirical evidence and insights. arXiv preprint.



