Torek je, v vaši čakalni vrsti je 244 prijav za 1 delovno mesto, vodja zaposlovanja pa želi imena do četrtka. Vaš ožji izbor kandidatov mora ustvariti zagovorljiv nabor ljudi za ocenjevanje v okviru vaših zmogljivosti intervjujev, pri čemer začnete s pregledom CV-jev.
Število prijav na delovno mesto se je povečalo s 116 v letu 2022 na 244 v letu 2025, medtem ko so se ekipe za zaposlovanje skrčile za 56 % v globalnih merilih podjetja Greenhouse.
V raziskavi agencije Gartner med 3.290 kandidati jih je 39 % uporabilo umetno inteligenco pri prijavi. Zato se toliko CV-jev sliši enako in ima intuicija manj oprijemljivih točk.
Ob predpostavljenih 2 minutah na CV je to 8 ur branja, preden napišete opombo. In branje postane neenakomerno: v študijah intervjujev ljudje kandidata ocenijo slabše po vrsti močnih kandidatov. To ni malomarnost: ocenjevalci tiho odmerjajo svoje pritrditve med enim ocenjevalnim obdobjem.
Tukaj je opis, kako narediti ožji izbor kandidatov v 3 korakih, ki jih lahko zagovarjate. Najprej z vodjo zaposlovanja določite ponderirana merila, vsak CV ocenite na enak način v premešanem vrstnem redu in velikost seznama prilagodite svojim uram za intervjuje.
Ključne ugotovitve
- Koliko kandidatov naj uvrstim v ožji izbor? Izračunajte nazaj iz zmogljivosti intervjujev in zahtev delovnega mesta. Primer 19 oseb spodaj je aritmetika na agregatnih številkah, ne cilj za vsako delovno mesto.
- Zakaj napisati merila pred prvim CV-jem? Ocenjevalci merila prilagodijo CV-ju, ki jim je všeč. Pisanje meril vnaprej je v študijah univerze Yale odpravilo pristranskost glede na spol.
- Ali naj v ožji izbor uvrstim le CV-je z oceno 8 od 10? Ne. V polovici (51,8 %) od 1.024 projektov Flowmingo z več kot 20 CV-ji, ocenjenimi z umetno inteligenco, noben ni dosegel ocene 8.
- Ali vrstni red CV-jev vpliva na to, kdo pride na seznam? Da. 22 modelov umetne inteligence je izbralo prvi od 2 enako usposobljenih CV-jev v 63,5 % primerov.
- Ali lahko pustim ChatGPT, da razvrsti 200 CV-jev? Le kot prvo razvrščanje, ki ga pregleda človek. Skrito besedilo v CV-jih je v nekaterih testih zavajalo pregledovalnike umetne inteligence v več kot 80 % primerov.
1. Kako pri 244 prijavah in 2 dneh deluje ožji izbor kandidatov, ne da bi prebrali vsak CV?
Ne berite 244 CV-jev v vrstnem redu prispetja. Izvedite ožji izbor kandidatov v 3 prehodih: trda dejstva, nato ponderirane ocene, nato ročno branje zgornjega dela in pasu pod njim.
Vrstni red prihoda se zdi nevtralen, a z delom nima nobene zveze. Prvi prijavljeni dobi vašo najsvežo pozornost, prijavljeni četrti dan pa tisto, kar ostane. Prehodi to popravijo, ker vsak prehod vsak CV vpraša isto vprašanje.
Spodnja slika prikazuje 3 prehode. Prehod 1 preveri 2 ali 3 trdna dejstva, kot so osnovne ure, po katerih sprašujete v prijavi. Ker gre za pogoje (uspešno/neuspešno), kandidati nanje odgovorijo in vi ne porabite časa za branje.
Prehod 2 oceni vse preostale po 4 do 6 merilih, vsako od 0 do 10, z isto formulo za vse. Prehod 3 vrne vašo presojo: ročno preberete vrh lestvice in tistih nekaj CV-jev tik pod vašo mejo.
Zadnje ročno branje je pomembno, ker lahko ocenjevalna formula spregleda nenavaden CV. Kdor je na primer zamenjal kariero, je morda vodil podaljšanja pod prodajnim nazivom, ki ga vaša merila sploh ne omenjajo.

Ožji izbor v 3 prehodih: trdna dejstva, utežene ocene, nato ročno branje najboljših, velikost določena glede na vaše ure razgovorov.
Podatki Flowmingo · 237.650 prijavljenih · 10.074 projektov zaposlovanja · 4.857 podjetij · projekti ustvarjeni od 1. jul. 2025 do 24. avg. 2026
- 50% vseh prijavljenih je bilo v projektu zaposlovanja s 174 ali več prijavljenimi.
Šteje vse v projektu (naložene, povabljene ali iz objave za delo), vsakega zaporednega prijavljenega enkrat. Veliko projektov je poskusnih.
2. Katera merila za ožji izbor kandidatov naj napišem pred prvim CV-jem, da bo vsaka odločitev vzdržala?
Napišite 4 do 6 meril iz tega, kar mora delovno mesto doseči, in se o njih dogovorite z vodjo zaposlovanja, preden kdo odpre CV. Določite 2 ali 3 trdna dejstva kot pogoje (uspešno/neuspešno), ostala pa utežite.
Pisanje meril najprej je pomembno, ker branje CV-jev ukrivi vašo presojo. V temeljnih raziskavah univerze Yale so ljudje ocenjevali kandidate za izmišljeno delovno mesto vodje policije.
Ko je imel moški kandidat več uličnih izkušenj, so ljudje rekli, da so ulične izkušnje pomembnejše. Ko je imel več izobrazbe, so rekli, da je izobrazba pomembnejša.
Vnaprejšnja zaveza k merilom je v 3. raziskavi odpravila to pristranskost glede na spol, ljudje, ki so se počutili najbolj objektivne, pa so bili najbolj pristranski. Zaposlitve so bile hipotetične, a opozorilo je jasno: merila, napisana po branju, opisujejo CV, ki vam je že všeč.
Recimo, da zaposlujete vodjo za uspeh strank (ponazoritev, ne podatki strank). Zastavite trda dejstva kot vprašanja za predhodno presejanje, nato zapišite, kateri dokazi prinesejo posamezno oceno:
| Merilo | Utež | Dokazi za 8 do 10 | Za 3 do 5 |
|---|---|---|---|
| Osrednje ure; pravica do dela, kjer je zakonito vprašati | Opravljeno/ni opravljeno, vprašano | Odgovori z da | |
| Obnove na portfelju B2B | Nujno, 4 | Velikost portfelja in rezultat obnovitve | Brez obsega ali rezultata |
| Uvajanje strank | Zelo pomembno, 3 | Načrt, ki so ga izvedli, in kaj se je spremenilo | Sodelovali |
| Vsakodnevna uporaba CRM | Pomembno, 2 | CRM in kaj so spremljali | CRM med veščinami |
| Izkušnje s SaaS | Dobro je imeti, 1 | Delali na izdelku SaaS | Sorodna programska oprema |
| Brez dokazov | Pravilo | Ocena 3, opomba "ni prikazano": niti ničla niti izpuščeno |
Obnove so najbolj pomembne, ker vodja za uspeh strank uspe ali ne uspe zaradi njih. Življenjepis, ki o merilu molči, dobi oceno 3, ker bi ničla kaznovala nekoga, ki je to izpustil. Izpuščanje vrstice bi bilo slabše: življenjepis, ki pove manj, bi se nato ocenjeval le po svojih prednostih.
3. Moj vodja zaposlovanja nenehno zavrača moj ožji izbor. Kako se dogovorimo o meji pred presejanjem?
Dogovorite se o merilih in utežeh, nato pa vi in vodja zaposlovanja vsak zase ocenita istih 5 življenjepisov in primerjajta. Kjer se vaše ocene razhajajo, popravite merilo, ne osebe.
Ožji izbor lahko spodleti, ker si vi in vodja zaposlovanja predstavljata različne zahteve delovnega mesta.
Po knjigi Noise, temeljnem delu o presoji, se 2 intervjuvanca v isti komisiji ne strinjata o tem, kateri kandidat je bil boljši, približno 1-krat od 4.
Ko ljudje kandidate vidijo ločeno, kot to običajno počneta vi in vaš vodja zaposlovanja, se to povzpne na približno 1 od 3. To je naš izračun na podlagi Huffcuttove raziskave o intervjujih, ne študije življenjepisov. Kljub temu to pomeni, da je zavrnjen ožji izbor običajno šum, ne dokaz, da se kdo od vaju moti.
Recimo, da življenjepis ocenite z 8 pri obnovah, vaš vodja zaposlovanja pa z 4. Ob pogovoru ugotovite, da želi obnove za velika podjetja, življenjepis pa prikazuje majhne račune. To merilo popravite enkrat, preden se začne ožji izbor kandidatov, in popravljeno je za vseh 244 življenjepisov.
Popravek iz knjige, ki izhaja iz prakse in ne iz študije, je, da vsak del presodite pred kakršno koli skupno sodbo:
- Izberite 5 življenjepisov iz celega kupa. Kjer se vaše ocene razlikujejo za 3+ točke, zapišite primer z visoko in primer z nizko oceno.
- Vodja zaposlovanja potrdi merila, vsaka poznejša sprememba pa dobi pisno utemeljitev.
- O vsaki splošni meji, kot je "brez diplome, brez klica", se dogovorite skupaj in pisno, ker tako pravilo hitro odstrani ljudi.
4. Ali ožji izbor kandidatov za 200 življenjepisov potrebuje matriko ocenjevanja ali bo dovolj kup z da/morda/ne?
Uporabite ocenjevalno matriko, saj kupček "mogoče" skriva, zakaj je kdo v njem. Ocenite 4 do 6 ponderiranih meril od 0 do 10 in jih za vse seštejte na enak način.
Recimo, da 60 CV-jev obtiči v kategoriji mogoče: do 2. dneva se nihče več ne spomni, zakaj.
Temeljni pregled iz leta 2013, ki so ga pripravili Kuncel in sodelavci, je primerjal strokovnjake, ki so si ustvarili celostno sliko, s fiksno formulo, ki sešteva ločene ocene. Formula je uspešnost pri delu napovedala več kot 50 % bolje, čeprav so strokovnjaki delo poznali.
V praksi svojo presojo vnesite v oceno vsakega merila, nato pa naj razvrsti skupna vsota.
Tukaj je to na primeru iz razdelka 2 (ponazoritveno, ne podatki strank):
| Merilo (utež) | A | B | C |
|---|---|---|---|
| Podaljšanja (4) | 8 | 4 | 9 |
| Uvajanje (3) | 7 | 8 | 6 |
| CRM (2) | 6 | 9 | 4 |
| SaaS (1) | 5 | 10 | 2 |
| Ponderirana ocena /10 | 7,0 | 6,8 | 6,4 |
| Navadno povprečje /10 | 6,5 | 7,75 | 5,25 |
Ponderirana ocena = (4 x podaljšanja + 3 x uvajanje + 2 x CRM + 1 x SaaS) / 10.
B ima najboljše navadno povprečje, 7,75, zahvaljujoč najvišjim ocenam pri CRM in SaaS, a le 4 pri podaljšanjih, ki so nujna. Ponderirano vodi A s 7,0, ker je A močan tam, kjer je delo najtežje.
C ima najmočnejša podaljšanja, 9, a skromne podrobnosti pri CRM in SaaS C potegnejo na 6,4, CV za vaše tretje branje. Preden določite mejno oceno, poglejte, kako se ocenjujejo resnični CV-ji.
Podatki Flowmingo · 105.648 CV-jev · 50.546 kandidatov · 3.815 projektov zaposlovanja · 1.761 podjetij · od 10. julija do 24. septembra 2026
- 5,4 od 10 je bila mediana ocena CV-jev glede na lastna ponderirana merila vsakega delovnega mesta.
- 19,0 % CV-jev je prejelo 7 ali več od 10 glede na merila svojega delovnega mesta.
- 4,0 % CV-jev je prejelo 8 ali več od 10 glede na merila svojega delovnega mesta.
Ocene CV-jev z umetno inteligenco, ne kakovost kandidatov ali izidi zaposlovanja; niso primerljive med delovnimi mesti. Stroga merila ali množično nalaganje znižajo ocene; neocenljivi CV-ji in ocene pred 10. julijem so izključeni.
Spodnji grafikon prikazuje, kako hitro se ocene redčijo. Nekaj več kot polovica CV-jev (56,4 %) je dosegla 5, približno 1 od 5 (19,0 %) pa 7. Le 4,0 % jih je doseglo 8 in 0,1 % 9.

Razpon ocen življenjepisov, podatki Flowmingo: le 4,0 % od 105.648 življenjepisov je prejelo oceno 8 ali več od 10 glede na lastna merila svojega delovnega mesta.
Za oceno 8 so potrebni jasni dokazi pri skoraj vsakem merilu, le malokateri življenjepis pa jih izpiše. Zato pravilo, kot je »na razgovor povabi le tiste z oceno 8«, pri mnogih delovnih mestih pusti zelo kratek seznam ali pa nobenega.
Kako pomaga Flowmingo
CV Evaluation spremeni opis delovnega mesta v merila, ki jih uredite in ocenite od Must Have (4) do Good to Have (1). Vsak življenjepis oceni od 0 do 10 po vsakem merilu s pisnimi dokazi, pri čemer se odsotnost dokazov šteje kot 3. Nikogar samodejno ne izloči: glede na zgornje številke raje razvrstite po oceni življenjepisa, namesto da filtrirate na 8–10.
5. Polovica mojih življenjepisov zveni kot ChatGPT. Kaj mi lahko življenjepis še pove pred izborom kandidatov?
Življenjepis uporabite za trdna dejstva in vprašanja, ki jih boste zastavili, ne kot dokaz znanja. Izpiljenost zdaj nič ne stane, zato vsem, ki presežejo izbor po življenjepisu, dajte enak delovni vzorec ali strukturirani razgovor.
Izpiljenost je nekoč zahtevala trud. Zdaj je v isti Gartnerjevi raziskavi med 3290 kandidati 54 % tistih, ki uporabljajo AI, z njo napisalo besedilo življenjepisa.
Spodnji grafikon ocenjuje vsako metodo od 0, brez povezave s kasnejšo delovno uspešnostjo, do 1, popolnega ujemanja, ki ga ne doseže nobena metoda. Strukturirani razgovori vodijo z 0,42, po temeljni ponovni analizi iz leta 2022, ki so jo opravili Sackett in sodelavci.
V isti ponovni analizi sledijo preizkusi delovnega znanja z 0,40, delovni vzorci z 0,33 in preizkusi kognitivnih sposobnosti z 0,31. Na zadnjem mestu so tisto, s čimer se večina življenjepisov začne: izkušnje na ustreznem delovnem mestu z 0,07, predhodne delovne izkušnje z 0,06 (Van Iddekinge).

Kaj napoveduje uspešnost: strukturirani razgovori najbolje napovedujejo kasnejšo delovno uspešnost, leta izkušenj pa skoraj nič.
To pomeni, da vam leta v življenjepisu povedo malo o tem, kdo bo uspešen. Zato preverite, kar je težko ponarediti:
- Rezultati, ki jih lahko preverite: številke, imenovani sistemi in datumi.
- 1 kratek delovni vzorec, enak za vse, na primer e-poštno sporočilo o podaljšanju nezadovoljni stranki. Če želite videti, kako delo poteka, pri Showcase kandidat posname svoj zaslon, medtem ko opravlja nalogo.
- Strukturirani razgovor, zgrajen na vprašanjih za razgovor, ki napovedujejo delovno uspešnost.
5.1 Ali naj kandidata zavrnem, ker mu je pri pisanju CV-ja pomagal AI?
Ne, ne samo zaradi tega. Zanesljivo ga ne morete prepoznati, AI pregledovalnik pa mu lahko celo daje prednost.
V raziskavi TopResume med 600 ameriškimi kadrovskimi managerji je le 33,5 % prepoznalo z AI napisane življenjepise med 4. Prepoved bi torej temeljila na ugibanju.
AI pregledovalniki dajejo prednost tudi CV-jem, ki jih je napisal isti AI model (Xu et al., preprint, še ni v reviji). Na simuliranih ožjih izborih so imeli ti kandidati 23 % do 60 % večjo verjetnost, da se uvrstijo naprej, kot enako usposobljeni kandidati s človeško napisanimi CV-ji. Zavračati z AI napisane CV-je in hkrati razvrščati z AI torej nima veliko smisla.
6. Ali vrstni red, po katerem berem 200 CV-jev, spremeni moj ožji izbor? Kako to popravim?
Zelo verjetno: intervjuvanci kandidate ocenijo slabše po nizu močnih kandidatov, večina preizkušenih AI modelov pa daje prednost CV-ju, ki je na seznamu prvi. Premešajte kup in vsak CV ocenite glede na zapisani kriterij.
V temeljni študiji več kot 9.000 sprejemnih intervjujev za MBA so se intervjuvanci obnašali, kot da imajo dnevno kvoto visokih ocen (Simonsohn in Gino). Po močnem nizu so naslednjega kandidata ocenili slabše.
Kazen je bila vredna približno 23 mesecev delovnih izkušenj in se je čez dan povečevala. To pomeni, da močni predhodniki lahko škodijo kandidatom. Šlo je za intervjuje, ne za branje CV-jev, zato je prenos na vaš kup naša domneva.
AI ima svoj učinek vrstnega reda. Rozado je 22 AI modelom pokazal pare enako usposobljenih CV-jev, vsak par dvakrat z zamenjanim vrstnim redom.
Med 30.690 odločitvami je CV, ki je bil na seznamu prvi, zmagal v 63,5 % primerov, drugi pa v 36,5 %, kjer bi bile poštene možnosti 50 %. Pri tesni odločitvi lahko torej samo položaj odloči, kdo se uvrsti na vaš seznam.

Učinek vrstnega reda pri AI: med 22 AI modeli je prvi izmed 2 enako usposobljenih CV-jev zmagal v 63,5 % odločitev, kjer bi bile poštene možnosti 50 %.
Popravki za to tveganje pri izboru kandidatov so poceni:
- Premešajte kup namesto branja po vrstnem redu prispetja ali abecednem redu.
- Ocenjujte glede na zapisani kriterij, ne glede na CV, ki ste ga pravkar prebrali.
- Ne določite kvote pritrdilnih odgovorov na sejo in delajte odmore.
- Na koncu ponovno ocenite prvih 10 CV.
- Pri AI vsako primerjavo izvedite dvakrat z zamenjanim vrstnim redom in vsako neodločeno pošljite človeku.
7. Koliko kandidatov naj uvrstim na razgovore, ko se je na 1 delovno mesto prijavilo več kot 200 ljudi?
Izračunajte nazaj iz svojih ur za razgovore in minimalnih zahtev delovnega mesta: v letu 2025 je približno 7,6 % prijavljenih prestalo prvo stopnjo, približno 19 od 244. Pri izboru kandidatov razvrstite vse in vzemite najboljši del, ne fiksne mejne ocene.
7,6 % je povprečje Greenhouse za Severno Ameriko v letu 2025 med več kot 6.000 organizacijami. Spodnji lijak to uporabi za 1 delovno mesto: od 244 prijavljenih jih približno 19 prestane 1. stopnjo. Približno 4 od teh prestanejo 2. stopnjo, pri 22,0 %.

Lijak izbora, 2025: od 244 prijavljenih približno 19 prestane 1. stopnjo in približno 4 prestanejo 2. stopnjo, po našem izračunu na podlagi povprečij Greenhouse.
Približno 19 prvih razgovorov in približno 4 drugi so blizu Greenhouseovih 22,7 razgovora na delovno mesto, pri 12,3 ure razgovorov na zaposlitev. Kljub temu sta 19 in 4 naš izračun na podlagi povprečij in Greenhouse ne opredeljuje svojih stopenj, zato ju obravnavajte kot smernico.
Recimo, da lahko sprostite 14 ur za razgovore, pri 45 minutah za prvi razgovor: to je približno 19 terminov. Pridržite 3 do 5 imen v rezervi za tiste, ki odstopijo, in preverite stopnje dokončanja AI razgovorov, koliko jih konča.
Razvrščanje se izogne samovoljni mejni oceni, vendar ne napredujte nekoga, ki mu manjka bistvena zahteva, samo zato da bi zapolnili seznam. V polovici projektov naših strank z 20 ali več ocenjenimi CV noben CV ni dosegel 8.
Podatki Flowmingo · 1.024 projektov zaposlovanja z 20+ ocenjenimi CV · 90.629 CV · 549 podjetij · od 10. julija do 24. septembra 2026
- 51,8 % projektov zaposlovanja z 20 ali več ocenjenimi CV ni imelo nobenega CV z oceno 8 ali več.
- 6,6 od 10 je bila mejna ocena za najboljših 20 % medianega projekta, mediana najboljšega CV med projekti pa je bila 7,9.
- 35,1 % projektov s 100 ali več ocenjenimi CV še vedno ni imelo nikogar z oceno 8 ali več.
Ocene AI CV, ne izidi zaposlovanja; rezultati so odvisni od meril vsakega delovnega mesta in prijavljenih. Šteje CV, ki presežejo oceno, ne dobrih zaposlitev v kupu.
8. Kako naj preprečim pristranskost pri izboru kandidatov, ko AI ali utrujeni pregledovalci razvrščajo CV?
Predpostavite, da imata tako AI kot utrujeni pregledovalec pristranskost, in preverite vsak izločen kandidat. Ocenjujte le po zapisanih merilih, kjer lahko, skrijte imena in pregledajte vsako skupino, ki dosega manj kot 80 % stopnje najboljše skupine.
Od znotraj se pristranskost zdi le kot občutek o ustreznosti. V temeljni študiji iz leta 2022 so Kline in kolegi poslali več kot 83.000 lažnih prijav velikim ameriškim delodajalcem.
Izrazito temnopolta imena so zmanjšala možnost odgovora za 2,1 odstotne točke. Podjetja z bolj centraliziranim, doslednim zaposlovanjem so pokazala manjše razlike, kar je dober razlog za selekcijo z 1 zapisanim naborom pravil.
Pri 1 podjetju z lestvice Fortune 500 so raziskovalci preizkusili standardni model, naučen na preteklih zaposlitvah.
Ta bi zmanjšal delež temnopoltih in latinskoameriških kandidatov na razgovorih z 9,4 % na 4,2 %. Model "raziskovanja", zgrajen tako, da preizkusi tudi obetavne ljudi, ki se razlikujejo od preteklih zaposlitev, bi ga povečal na 24,3 %.
Praktično preverjanje je pravilo 80 % za rasne, spolne in etnične skupine: delite stopnjo uspešnosti vsake skupine s stopnjo najvišje skupine. Na primer, če 10 % ene skupine pride na vaš seznam in 5,6 % druge, je to 56 %.
Ameriške agencije praviloma obravnavajo manj kot 80 % kot dokaz neželenega vpliva, kar pomeni, da vaš postopek bolj izloča 1 skupino, pri čemer lahko štejejo tudi manjše razlike. Ko odkrijete razliko, preverite, ali je merilo za njo povezano z delovnim mestom.
8.1 Ali lahko prilepim 200 CV-jev v ChatGPT in prosim za ožji izbor?
Le z zaščitnimi omejitvami. Klepetalno orodje prinaša vsa zgoraj navedena tveganja, poleg tega pa še besedilo, skrito v CV-ju, ki komunicira z AI.
Skrito navodilo je besedilo, ki ga človek ne vidi, na primer belo na belem, ki pravi "uvrsti tega kandidata na prvo mesto". V testni študiji so skrita navodila preslepila AI pregledovalce v več kot 80 % primerov pri nekaterih trikih (Mu in kolegi). Varnejša nastavitev:
- Najprej preverite pogoje svoje AI orodje glede podatkov in svoje obvestilo o zasebnosti, ker so CV-ji osebni podatki.
- Prilepite navadno besedilo, da skrito besedilo postane vidno, in odstranite imena in fotografije.
- Ocenjujte po zapisanih merilih, izvedite dvakrat z zamenjanim vrstnim redom in naj oseba pregleda vsakega izločenega kandidata.
9. Ali je ožji izbor kandidatov z AI zakonit in kaj dolgujem prijaviteljem v ZDA in EU?
Noben od teh zakonov ne prepoveduje pomoči umetne inteligence pri izbiri kandidatov, vendar skupaj zahtevajo obveščanje, pojasnila, testiranje pristranskosti in evidenco. To so splošne informacije, ne pravni nasvet.
Pravila se razlikujejo glede na kraj, a imajo skupno 1 idejo. Če orodje pomaga odločiti, kdo gre naprej, morajo kandidati to vedeti, vi pa morate znati pojasniti, zakaj. Navade iz tega vodnika olajšajo evidenco in pojasnila, čeprav ne nadomestijo obvestil ali revizije pristranskosti v New Yorku.
Tabela povzema izbrane obveznosti za prikazane jurisdikcije in primere uporabe. Od 1. jan. 2027 Kolorado dodaja pojasnilo v preprostem jeziku v 30 dneh po zavrnitvi in pot do človeškega pregleda.
| Kje | Pravilo, začetek | Kaj dolgujete |
|---|---|---|
| New York City | Local Law 144, 5. jul. 2023 | Zajeti AEDT: revizija v preteklem letu, javni povzetek in zahtevana obvestila, vključno z 10 delovnimi dnevi vnaprej za zajete kandidate/zaposlene v NYC |
| Illinois | HB 3773, 1. jan. 2026 | Obvestilo; brez diskriminacijskega učinka; brez nadomestnih kazalnikov na podlagi poštne številke |
| Kalifornija | Civil Rights Council, 1. okt. 2025 | Evidenca avtomatiziranih odločitev 4 leta |
| Kolorado | SB 26-189, 1. jan. 2027 | Obvestilo; v 30 dneh po zavrnitvi vloga orodja v preprostem jeziku in pot do človeškega pregleda; evidenca 3 leta |
| ZDA zvezno | 29 CFR 1607.4 in 1602.14 | Pravilo palca 80 % škodljivega učinka; evidenca 1 leto ali do zaključka morebitne obtožbe |
| EU | Regulation 2026/1744 | Obveznosti za visoko tveganje od 2. dec. 2027; omejitve shranjevanja po GDPR zdaj |
| Združeno kraljestvo | Smernice ICO, v pregledu | Evidenca zavrnjenih kandidatov: ne dlje od roka za zahtevek brez jasnega poslovnega razloga |
| Singapur | Workplace Fairness Act, konec leta 2027 | Brez odločitev na podlagi zaščitenih lastnosti; zahtevki do 250.000 S$ |
Zajetje vključuje uporabo rezultata samega, nad vsemi drugimi merili ali za razveljavitev drugih ugotovitev. Preverite DCWP-jeva pravila o obsegu in obvestilih: samo človeški pregled ni izjema.
Regulatorji so malo uveljavljali. Ko je New York City pregledal 32 podjetij, je našel 1 težavo. Državni revizorji, ki so preverjali ista podjetja, so našli vsaj 17 možnih kršitev (NY State Comptroller).
Zasebne tožbe se odvijajo hitreje. V primeru Workday kandidati, stari 40 let in več, pravijo, da je Workdayjeva programska oprema za presejanje pripomogla k njihovi zavrnitvi.
Sodišče je dovolilo, da njihov nacionalni zahtevek zaradi starosti nadaljuje pot (Forbes). To pomeni, da šibko uveljavljanje ni obramba, če zavrnjeni kandidat toži.
10. Ko se ocena AI in moj ožji izbor razhajata, kdo zmaga in kaj povem šefu?
Ne zaupajte slepo nobenemu: postavite oceno AI, svojo oceno in dokaze drugega ob drugega ter pustite, da odločijo zapisana merila. Šefu dajte razvrščen seznam z oceno, dokazi in vrzeljo za preverjanje pri vsakem imenu.
Razhajanje je koristno, ker kaže na merilo, ki ga vi in AI bereta različno. Preverite te dokaze, preden se prepirate o skupni oceni.
V istem podjetju Fortune 500 so Li in sodelavci spremljali 88.666 prijav, da bi videli, kateri izbrani za razgovor so bili najeti.
Od ljudi, ki so jih človeški pregledovalci izbrali za razgovor, je 10 % dobilo službo. Pri izbirah modelov so bile ocenjene stopnje najema 27 % (model raziskovanja) in 32 % (standardni model).

Čigave izbire so bile zaposlene: izbire za razgovor pri človeških pregledovalcih v primerjavi z izbirami dveh modelov za pregledovanje v 1 podjetju s seznama Fortune 500.
A to je 1 podjetje z ocenjenimi stopnjami. Standardni model bi prav tako več kot prepolovil delež temnopoltih in latinskoameriških kandidatov med intervjuvanci (razdelek 8). Zato preverite oboje in odločitev ne prepustite nobenemu od njiju.
Nato primerjajte končna imena drugo ob drugem po enakih merilih, da bo odločila dokazna gradiva, ne pa tisti, ki ste ga prebrali nazadnje.
Ob vsakem imenu predajte dokazna gradiva, kot na ocenjevalnem listu za razgovor (ponazoritveno, ne podatki strank):
| Mesto | Kandidat | Ocena CV | Dokazna gradiva | Vrzel za preverjanje | Odločitev |
|---|---|---|---|---|---|
| 1 | A | 7,0 | Podaljšanja pogodb z rezultatom zadržanja | Globina uvajanja | Razgovor |
| 2 | B | 6,8 | Močni podatki o CRM in SaaS | Brez obsega podaljšanj | Razgovor |
| 3 | C | 6,4 | Podaljšanja z rezultati | Malo podatkov o CRM | Rezerva |
| Blizu izbora | D | 5,9 | Podatki o uvajanju in CRM | Nujno merilo ocenjeno s 3 | Izločen: najnižja skupna ocena (5,9) |
Vrstica kandidata D vsebuje pisni razlog: ni dokazov o podaljšanjih, zato je bilo nujno merilo ocenjeno s 3 in skupna ocena je padla na 5,9. To bi povedali svojemu šefu ali kandidatu, ki bi vprašal.
Ko se vaš šef strinja, vsakemu kandidatu na ožjem seznamu sporočite naslednji korak, njegovo obliko, rok in na koga se obrniti. Nato obvestite vse ostale z našimi predlogami e-pošte za zavrnitev kandidatov.
Kako pomaga Flowmingo
Flowmingo je brezplačen AI-intervjuvalec za kadrovnike. Vsak CV prejme oceno po merilih, dokazna gradiva, prednosti, vrzeli in kaj preveriti naprej: stolpce zgoraj. Prijavljeni nato opravijo AI-intervju v svojem času, vi pa vsako poročilo delite s svojim vodjo zaposlovanja prek povezave. Kdo gre naprej, je vedno vaša odločitev. Preizkusite Flowmingo brezplačno za svoj naslednji ožji izbor kandidatov.
11. Viri
Vsaka študija, zakon in raziskava v tem vodniku so povezani z virom spodaj; podatki Flowmingo izhajajo iz lastnih podatkov platforme Flowmingo.
- 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.



