Kun haet Googlesta hakusanalla ”AI-scoring kandidaateille”, törmäät yleensä johonkin kahdesta vastauksesta. Ensimmäinen on: tekoäly lukee ansioluettelon, määrittää hakijalle sopivuusprosentin ja osoittaa parhaat tekijät. Toinen puolestaan varoittaa, että algoritmi ottaa vallan rekrytoijan päätöksistä, luo kylmiä ranking-listoja ja voi automaattisesti sulkea jonkun urapolun ulkopuolelle. Molemmat vastaukset yksinkertaistavat aihetta niin rajusti, että ne selventämisen sijaan luovat vain uusia väärinkäsityksiä.

Tekoälypohjaisen pisteytyksen (AI Scoring) ei tarvitse olla mikään taianomainen automaatti, joka valitsee ”parhaat ihmiset”, eikä musta laatikko, joka jakaa tuomioita. Oikein suunnitellussa prosessissa se on työkalu, joka tukee tietyn hakemuksen tai tietyn ehdokkaan arviointia suhteessa kunkin projektin erityisvaatimuksiin. Se voi antaa numeerisen tuloksen, esimerkiksi välillä 0–100, mutta se voi myös tarjota kontekstuaalisen arvion: profiilin yhteenvedon, vahvuudet, kehityskohteet, puuttuvat tiedot sekä kysymykset, jotka kannattaa esittää haastattelussa. Suurimman arvon se tuo silloin, kun se ei korvaa ihmisen tekemää arviointia, vaan auttaa jäsentämään, nopeuttamaan ja perustelemaan sitä paremmin.

Tämä opas vastaa kysymykseen ”mitä on kandidaattien AI Scoring” tavalla, jolla siihen tulisi vastata vuonna 2026: kattavasti, käytännönläheisesti ja ilman markkinointihypeä. Selitämme, mitä tarkalleen arvioidaan, mistä tulos muodostuu, miten pisteytys eroaa AI Matchingista, CV-parserista ja karsivista kysymyksistä, miten laadit toimivat kriteerit, mitä dataa voidaan analysoida, missä piilevät riskit ja mitä GDPR sekä EU:n tekoälyasetus (AI Act) sanovat tekoälyn käytöstä rekrytoinnissa.

Sisällysluettelo

1. Mitä on kandidaattien AI Scoring?

2. Mitä AI Scoring tarkalleen arvioi: ihmistä, kandidaattia vai hakemusta?

3. Miksi AI Scoringista tuli tärkeää juuri nyt?

4. Numerotulos ja kontekstuaalinen arvio – laadukkaan pisteytyksen kaksi ulottuvuutta

5. Miten AI Scoring toimii vaihe vaiheelta?

6. Mitä dataa AI Scoring voi hyödyntää?

7. Miksi projektin vaatimukset ovat tärkeämpiä kuin itse tekoälymalli?

8. Must-have, nice-to-have ja karsivat kriteerit

9. AI Scoring vs. avainsanahaku

10. Mitä tulos välillä 0–100 tarkoittaa?

11. Vahvuudet, heikkoudet ja haastattelukysymykset

12. Tiedon puuttuminen ei ole sama asia kuin osaamisen puuttuminen

13. AI Scoring vs. perinteinen kandidaatin arviointilomake

14. AI Scoring vs. AI Matching – ratkaiseva ero

15. AI Scoring vs. CV-parseri, AI-yhteenveto ja karsivat kysymykset (killer questions)

16. AI Scoring käytännössä – kolme arviointiesimerkkiä

17. Hyödyt rekrytoijalle ja rekrytointitiimille

18. Hyödyt rekrytointitoimistoille, sisäiselle HR-tiimille ja rekrytoivalle esihenkilölle

19. Hyödyt ja riskit kandidaatin näkökulmasta

20. Missä AI Scoring tuo suurimman arvon?

21. Miten ottaa AI Scoring käyttöön rekrytointiprosessissa?

22. Yleisimmät virheet AI Scoringin käytössä

23. AI Scoringin rajoitukset – mitä järjestelmä ei tiedä?

24. Vinoumat (bias), syrjintä ja näennäinen objektiivisuus

25. Human-in-the-loop – mitä todellinen ihmisen valvonta tarkoittaa?

26. AI Scoring ja GDPR

27. AI Scoring ja tekoälyasetus (AI Act)

28. Miten valita työkalu AI Scoringiin?

29. Miten mitata AI Scoringin tehokkuutta?

30. Miten AI Scoring toimii Recruitifyssa?

31. AI Scoringin tulevaisuus

32. FAQ – Usein kysytyt kysymykset

33. Yhteenveto – AI Scoring ei valitse ihmistä, vaan tukee arviointia

1. Mitä on kandidaattien AI Scoring?

Kandidaattien AI Scoring on menetelmä, jolla tuetaan hakemuksen tai kandidaatin profiilin arviointia tekoälyn avulla. Järjestelmä analysoi kandidaatista saatavilla olevat tiedot, vertaa niitä tietyn projektin vaatimuksiin ja luo tuloksen, joka auttaa rekrytoijaa etenemään työssään. Ratkaisusta riippuen tulos voi olla luku, prosenttiosuus, kategoria, kuvaus tai useamman elementin yhdistelmä. Recruitifyssa tämä tarkoittaa muun muassa arviointia asteikolla 0–100, kontekstuaalista kuvausta kandidaatista, vahvuuksien ja heikkouksien erittelyä sekä ehdotuksia haastattelussa esitettäviksi kysymyksiksi.

Avainasemassa on ilmaisu ”tietyn projektin vaatimuksiin”. AI Scoringin ei pitäisi arvioida sitä, onko joku yleisesti hyvä vai huono kandidaatti. Ei ole olemassa mitään yleispätevää ammatillista arvoa, joka voitaisiin rehellisesti tiivistää yhteen numeroon. Sama kandidaatti voi saada huippupisteet projektissa, jossa etsitään tekijää B2B-myynnin skaalaamiseen kotimarkkinalla, mutta huomattavasti matalammat pisteet projektissa, joka vaatii kokemusta kansainvälisestä enterprise-myynnistä. Tämä ei tarkoita, että hänen osaamisensa olisi muuttunut mittausten välillä. Vain arvioinnin konteksti ja tavoite muuttuivat.

Siksi on turvallisinta ajatella AI Scoringia ei niinkään ihmisen arviointina, vaan jäsenneltynä analyysina siitä, miten hyvin tällä hetkellä saatavilla oleva tieto kohtaa tarpeen. Tämä muotoilu on pidempi, mutta huomattavasti tarkempi. Järjestelmä ei näe koko työhistoriaa, potentiaalia, luonnetta, motivaatiota tai käyttäytymistä tulevassa työssä. Se näkee tietyn datan ja vertaa sitä tiettyihin kriteereihin. Sen hyödyllisyys riippuukin täysin molempien osapuolten laadusta tässä vertailussa.

Pisteytys on myös syytä erottaa itse ranking-listauksesta. Pisteytys (scoring) on arviointiprosessi ja tuloksen selittäminen. Ranking puolestaan on yksi tapa hyödyntää tätä tulosta esimerkiksi järjestämällä hakemukset korkeimmasta arvosanasta matalimpaan. Pisteytys voi toimia ilman automaattista rankingia, ja ranking voidaan luoda yksinkertaisilla säännöillä, joilla ei ole mitään tekemistä tekoälyn kanssa. Käytännössä ATS-järjestelmät usein yhdistävät nämä kaksi, mutta vastuullisessa rekrytoinnissa niitä ei tulisi pitää synonyymeinä.

2. Mitä AI Scoring tarkalleen arvioi: ihmistä, kandidaattia vai hakemusta?

Arkikielessä puhutaan useimmiten ”kandidaattien pisteytyksestä”, mutta rekrytointijärjestelmässä arvioinnin kohteena voi olla joko hakemus tai projektiin liitetty kandidaatti. Tällä erolla on käytännön merkitystä. Hakemus on konkreettinen ilmoittautuminen tiettyyn rekrytointiin. Se voi sisältää työpaikkailmoituksen vastauksena lähetetyn CV:n, hakulomakkeen vastaukset, hakulähteen sekä muut liitetyt dokumentit ja tiedot. Kandidaatti puolestaan on tietokannassa jo oleva henkilö, jonka rekrytoija voi lisätä projektiin, joka löydetään suorahaulla tai otetaan uudelleen käsittelyyn seuraavassa rekrytoinnissa ilman uutta hakemusta.

AI Scoring voi siis arvioida saapuvaa hakemusta, mutta se voidaan käynnistää myös henkilölle, joka on löydetty tietokannasta aiemmin tai jonka rekrytoija on lisännyt projektiin. Molemmissa tapauksissa arvioinnin on perustuttava juuri kyseisen rekrytoinnin vaatimuksiin. Käytettävissä olevan datan laajuus voi kuitenkin vaihdella. Hakemuksen kohdalla järjestelmällä on usein käytössään tuore CV ja vastaukset hakukysymyksiin. Tietokannasta otetun kandidaatin kohdalla se voi puolestaan hyödyntää aiempaa profiilia, vanhempia dokumentteja, LinkedIn-tietoja ja järjestelmään kertynyttä historiaa. Jos osa tiedoista on vanhentunutta, myös tulos voi olla epätarkempi.

Tämä johtaa tärkeään johtopäätökseen: arvio ei ole ihmiseen pysyvästi liitettävä leima. Organisaation kulttuuriin ei pitäisi juurtua ajatusta, että ”Annalla on 64 pistettä” tai ”Pekka on 91-prosenttinen kandidaatti”. Oikea muotoilu kuuluu: ”Tällä hetkellä saatavilla olevan datan perusteella järjestelmä antoi Annan hakemukselle tuloksen 64/100 suhteessa projektin X vaatimuksiin”. Sama profiili toisessa projektissa voi saada aivan erilaisen arvion. Jopa saman rekrytoinnin sisällä tulos voi muuttua, jos rekrytoija tarkentaa vaatimuksia, kandidaatti täydentää tietojaan tai järjestelmään ladataan uusi CV.

Tämä lähestymistapa suojaa myös yhdeltä automatisoinnin suurimmista sudenkuopista: apuluvun muuttumisesta ihmistä kuvaavaksi leimaksi. Rekrytoinnissa ankkurointivaikutus (anchoring effect) toimii herkästi. Kun rekrytoija näkee luvun 92, hän alkaa helposti etsiä vahvistusta korkealle arviolle. Kun hän näkee luvun 48, hän saattaa lukea profiilia kriittisemmin. Siksi numerotuloksen rinnalla tarvitaan selityksiä, ja käyttäjiä on koulutettava kohtaamaan tulos analyysin aloituspisteenä, ei sen päätepisteenä.

3. Miksi AI Scoringista tuli tärkeää juuri nyt?

Kandidaattien pisteytys ei ole generatiivisen tekoälyn aikakauden keksintö. Rekrutoijat ovat vuosia käyttäneet arviointilomakkeita, Excel-taulukoita, karsivia kysymyksiä, painotettuja kriteereitä ja yksinkertaisia pisteytyksiä. Monissa yrityksissä rekrytoinnista vastaava on jo aiemmin pisteyttänyt kandidaatteja kokemuksen, kielitaidon, saatavuuden tai tietyn teknologiaosaamisen perusteella. Ongelmana oli kuitenkin se, että tällainen prosessi oli erittäin työläs, riippuvainen käyttäjän itsekurista ja päättyi usein paperilla hienolta näyttävään metodologiaan, jota kukaan ei enää noudattanut johdonmukaisesti sadannen hakemuksen saavuttua.

Muutos ei tänä päivänä liity niinkään pisteytyksen olemassaoloon, vaan kykyyn analysoida automaattisesti suuria määriä strukturoimatonta tekstiä. Perinteiset säännöt toimivat loistavasti kyllä/ei-tyyppisten vastausten, tarkkojen vuosien tai sertifikaattien nimien kanssa. Modernit kielimallit puolestaan pystyvät vertaamaan vaatimusten merkityssisältöä hankkeiden kuvauksiin, vastuualueisiin ja saavutuksiin, jotka on kirjoitettu täysin eri sanoin. Tämän ansiosta pisteytyksen ei tarvitse rajoittua pelkkien termien laskemiseen. Se voi luoda luonnosmaisen yhteenvedon, osoittaa mahdolliset vahvuudet ja heikkoudet sekä ehdottaa kysymyksiä, jotka auttavat selventämään epäselvyyksiä.

Samaan aikaan rekrytointiympäristö on muuttunut radikaalisti. Helppo hakeminen, one-click-apply-lomakkeet, automaattiset vahdit ja CV:n luomisessa auttavat generatiiviset työkalut ovat tehneet hakemuksen lähettämisestä helpompaa kuin koskaan. Monissa prosesseissa hakemusten määrä kasvaa nopeammin kuin tiimin kyky lukea niitä huolellisesti läpi. Suurempi volyymi ei kuitenkaan tarkoita useampaa rooliin todella sopivaa henkilöä. Rekrytoijan on löydettävä helmet sellaisten dokumenttien joukosta, jotka on lähetetty massana, ovat kielellisesti hyvin samankaltaisia tai räätälöity suoraan ilmoituksen avainsanojen mukaan.

Tällaisessa toimintaympäristössä haasteena ei ole vain aika. Ihminen ei lue kahdesadasosaa CV:stä yhtä virkeänä kuin ensimmäistä. Keskittymiskyky herpaantuu, paine kasvaa ja esiarviointi alkaa yhä useammin perustua muutamaan silmiinpistävään tekijään. Aamulla hakenut kandidaatti saattaa saada enemmän huomiota kuin aivan yhtä pätevä henkilö, jonka dokumentti päätyi järjestelmään työpäivän päätteeksi. AI Scoring voi auttaa soveltamaan samaa analyysirakennetta kaikkiin hakemuksiin, mutta tämä ei vielä takaa automaattista objektiivisuutta. Jos kriteerit ovat väärät, järjestelmä monistaa virhettä johdonmukaisemmin kuin ihminen.

Pisteytyksestä tuli siis tärkeää juuri nyt, koska kolme ilmiötä kohtasivat: kasvavat hakemusmäärät, yhä kehittyneemmät kielen analyysimenetelmät sekä paine nopeampaan ja mitattavampaan prosessiin. Tämä ei tarkoita, että jokainen rekrytointi tarvitsisi tekoälyä. Se tarkoittaa kuitenkin sitä, että tiimien on löydettävä tapa säilyttää arvioinnin laatu tilanteessa, jossa pelkkä manuaalinen dokumenttien läpikäynti muodostuu yhä useammin pullonkaulaksi.

4. Numerotulos ja kontekstuaalinen arvio – laadukkaan pisteytyksen kaksi ulottuvuutta

Pisteytyksen näkyvin osa on yleensä numero. Tulos 84/100 auttaa havaitsemaan hakemuksen nopeasti, vertaamaan sitä muihin ja järjestämään työnkulun. Se on erittäin kätevä erityisesti silloin, kun projektissa on kymmeniä tai satoja profiileja. Pelkkä luku kertoo kuitenkin yllättävän vähän. Se ei selitä, mitkä kriteerit täyttyivät, mitkä vaikuttivat eniten, mitä dokumenteista ei löytynyt tai johtuuko matalampi arvosana todellisesta sopimattomuudesta vai yksinkertaisesti tiedon puutteesta.

Siksi laadukkaassa tekoälypisteytyksessä on oltava kaksi toisiaan täydentävää ulottuvuutta. Ensimmäinen on numeerinen ja järjestelevä. Se auttaa priorisoimaan työtä ja poimimaan nopeasti ne profiilit, jotka asetettujen kriteerien mukaan vaativat välitöntä huomiota. Toinen on kontekstuaalinen ja selittävä. Se näyttää, mitä järjestelmä löysi datasta, miten se peilasi näitä tietoja rooliin, mitkä asiat se katsoi vahvuuksiksi, heikkouksiksi tai vahvistamattomiksi alueiksi ja mitä on vielä syytä tarkistaa.

Recruitifyssa käyttäjä saa tuloksen välillä 0–100, kuvauksen kandidaatista projektin kontekstissa, vahvuudet, heikkoudet sekä ehdotuksia haastattelukysymyksiksi. Nämä elementit eivät ole pelkkää koristetta prosenteille. Juuri niiden avulla rekrytoija voi arvioida, onko tuloksessa järkeä. Jos henkilö saa 88 pistettä, mutta perustelut eivät vahvista kriittistä must-have-vaatimusta, rekrytoijan pitää pystyä huomaamaan ongelma. Jos profiililla on 58 pistettä lähinnä siksi, ettei siinä ole mainittu tiimin kokoa tai palkkatoivetta, oikea reaktio on nopea tarkistuskysymys, ei hylkäys.

Kontekstuaalinen arvio auttaa myös vähentämään ankkurointivaikutusta. Ruudulla loistava suuri luku nähdään helposti ensisijaisena ja tärkeimpänä tietona kandidaatista. Ihminen alkaa etsiä perusteluja, jotka tukevat annettua pisteytystä, sen sijaan että analysoisi profiilia itsenäisesti. Kun luvun rinnalla näkyvät arvioinnin lähteet, vahvistamattomat alueet ja kysymykset, pisteytystä on helpompi käsitellä työhymoteesina, ei lopullisena tuomiona.

Kontekstuaalisen tuloksen on kuitenkin käytettävä varovaista kieltä. Lause ”Kandidaatti johti kymmenen hengen tiimiä” voi olla CV:stä nouseva fakta. ”Kandidaatti on loistava johtaja” on puolestaan johtopäätös, jota kirjallinen dokumentti ei itsessään voi todistaa. ”Saatavilla olevista materiaaleista ei löytynyt tietoa budjettivastuusta” tarkoittaa todisteen puuttumista, ei todistettua osaamisen puutetta. Hyvä työkalu ja osaava käyttäjä erottavat faktat, tulkinnat ja tietovajeet toisistaan.

Pelkkään numeroon perustuva pisteytys on mahdollista, mutta se on äärimmäisen läpinäkymätöntä. Myös pelkkään kuvaukseen perustuva arviointi on mahdollista, mutta suurella hakemusmäärällä sen hyödyntäminen priorisoinnissa on vaikeampaa. Suurin arvo syntyy näiden kahden tason saumattomasta yhdistämisestä.

5. Miten AI Scoring toimii vaihe vaiheelta?

Vaikka eri järjestelmät saattavat käyttää erilaisia malleja, algoritmeja ja käyttöliittymiä, käytännön AI Scoring -prosessia voidaan kuvata useamman toisiinsa kytkeytyvän vaiheen ketjuna. Tärkeintä on ymmärtää, ettei arviointi ala CV:stä. Se alkaa roolin määrittelystä ja päätöksestä siitä, mikä tieto on merkityksellistä juuri tässä rekrytoinnissa.

1. Rekrytoija luo projektin ja määrittää vaatimukset. Järjestelmä tarvitsee vertailukohdan. Pelkkä tehtävänimike tai suora kopio työpaikkailmoituksesta ei yleensä riitä. Vaatimusten tulisi osoittaa todelliset must-have-tekijät, hyödylliset lisätaidot (nice-to-have), hyväksyttävät korvaavat kokemukset sekä asiat, joita ei voida ratkaista pelkkien dokumenttien perusteella.

2. Ihminen tarkistaa ja hyväksyy kriteerit. Tekoäly voi auttaa jäsentämään kuvauksen, mutta se ei saa itsenäisesti päättää, että tasan viiden vuoden kokemus, työskentely tietyssä yrityksessä tai tietty tutkinto ovat ehdottomia vaatimuksia. Rekrytoijan ja rekrytoivan esihenkilön on vahvistettava, että kriteerit liittyvät työhön, ovat oikeassa suhteessa tehtävään ja ovat todennettavissa.

3. Järjestelmä kerää saatavilla olevan datan hakemuksesta tai kandidaatista. Recruitifyssa tämä voi tarkoittaa tietoja CV:stä, LinkedIn-profiilista sekä hakulomakkeella annetuista vastauksista. Datan laajuus voi vaihdella henkilöittäin, minkä vuoksi tulosta on aina luettava suhteessa materiaalin kattavuuteen.

4. Data järjestetään ja sitä peilataan kriteereihin. Järjestelmä pystyy tunnistamaan paitsi identtiset sanat, myös merkitysyhteydet. Esimerkiksi vaatimus myyntitiimin johtamisesta voidaan yhdistää business development -osaston vetämisestä tehtyyn kuvaukseen. Tällaisen tulkinnan on kuitenkin jäätävä rekrytoijan tarkistettavaksi.

5. Tekoäly erottaa vahvistetun tiedon siitä, mitä ei tiedetä. Laadukas ratkaisu ei muuta hiljaisuutta automaattisesti kielteiseksi vastaukseksi. Tiedon puuttuminen Kubernetes-osaamisesta ei ole sama asia kuin ilmoitus siitä, ettei hallitse Kubernetesia. Formulieralta saatu tieto siitä, että kandidaatti voi aloittaa työt vasta puolen vuoden päästä, on puolestaan selkeä signaali, joka on ristiriidassa kuukauden sisällä tapahtuvan aloitustoiveen kanssa.

6. Syntyy numerotulos ja kontekstuaalinen arvio. Järjestelmä voi antaa arvosanan 0–100, luoda profiilin kuvauksen, eritellä vahvuudet ja heikkoudet sekä ehdottaa kysymyksiä jatkokeskusteluihin. Tuloksen on oltava analyysin apuväline, ei itsenäinen päätös jatkoon pääsystä tai hylkäämisestä.

7. Rekrytoija tarkistaa perustelut ja lähdemateriaalin. Jos tulos vaikuttaa liian korkealta tai matalalta, syy on selvitettävä. Ongelma voi olla vaatimuksissa, datassa, CV-tietojen poiminnassa, mallin tulkinnassa tai yksinkertaisesti siinä, että profiili on puutteellinen. Ihmisellä on aina oltava vapaus tehdä toisenlainen päätös kuin mitä pisteytyksen järjestys ehdottaa.

8. Tulos johtaa toimintaan. Rekrytoija voi aloittaa parhaiten sopivista profiileista, suunnitella haastattelut, esittää täydentäviä kysymyksiä tai palata rekrytoivan esihenkilön puoleen vaatimusmäärittelyn tarkentamiseksi. Pisteytys ei tuota arvoa, jos se jää vain värikkääksi numeroksi, jota kukaan ei hyödynnä.

9. Organisaatio valvoo laatua ja vaikutuksia. Tiimin tulee seurata, missä pisteytys toimii hyvin, milloin se tekee virheellisiä johtopäätöksiä, kuinka usein rekrytoijat ovat eri mieltä arviosta ja johtaako matalampi pisteytys arvokkaiden ehdokkaiden automaattiseen ohittamiseen. Käyttöönotto ei pääty toiminnon päälle kytkemiseen. Silloin vasta alkaa sen vaikutusten vastuullinen hallinta.

Käytännössä tämä prosessi voi viedä järjestelmältä vain muutaman sekunnin, mutta sen laatu on seurausta ihmisen tekemästä pohjatyöstä. Mitä parempi määrittely, mitä adekvaatimpi data ja mitä tietoisempi käyttäjä, sitä hyödyllisempi on tulos.

6. Mitä dataa AI Scoring voi hyödyntää?

Pisteytyksen laatu ei riipu pelkästään tekoälymallista, vaan ennen kaikkea syötetyn datan laadusta, ajantasaisuudesta ja laajuudesta. Recruitifyssa arviointi voi ottaa huomioon tiedot CV:stä, LinkedIn-profiilista sekä hakulomakkeen vastauksista. Nämä lähteet eivät ole keskenään samanarvoisia, eikä niitä pidä heittää mekaanisesti samaan koriin. Jokainen niistä näyttää eri osan profiilista ja sisältää omat rajoituksensa.

CV tarjoaa yleensä kaikkein jäsennellyimmän ammatillisen historian: tehtävänikkeet, yritykset, päivämäärät, vastuualueet, koulutuksen, taidot ja saavutukset. Se on kuitenkin valikoitu dokumentti. Kandidaatti päättää itse, mitä mahduttaa yhdelle tai kahdelle sivulle, hän voi lyhentää vanhempaa kokemustaan, jättää väliin vähemmän tärkeäksi katsomansa projektin tai käyttää rooleista nimikkeitä, jotka olivat ominaisia vain hänen edelliselle työnantajalleen. CV voi myös olla vanhentunut tai yleisluonteinen, laadittu ilman tietoa tietyn projektin tarkemmista kriteereistä.

LinkedIn-profiili voi sisältää tuoreemman työhistorian, laajempia projektikuvauksia, suosituksia tai sellaisia osaamisalueita, jotka on jätetty pois CV:stä. Sitä ei kuitenkaan pitäisi pitää automaattisesti luotettavampana. Myös sen luo käyttäjä itse, se voi olla puutteellinen, vanhentunut tai kirjoitettu hyvin markkinoinnilliseen tyyliin. Sen arvo on ennen kaikkea kontekstin täydentämisessä ja mahdollisten ristiriitojen havaitsemisessa, ei ulkoisena todisteena oikeellisuudesta.

Hakulomake puolestaan mahdollistaa sellaisten tietojen keräämisen, joita ei useinkaan löydy CV:stä eikä LinkedInistä. Se voi koskea saatavuutta, palkkatoivetta, toivottua työskentelymallia, työlupaa tietyssä maassa, muuttovalmiutta, vaadittavia lupia tai kokemusta hyvin erityisestä osa-alueesta. Kandidaatti ei yleensä kirjoita CV-tiedostoonsa, voiko hän aloittaa työt elokuussa, hyväksyykö hän kaksi toimistopäivää viikossa tai onko hän aiemmin työskennellyt järjestelmän tietyn version kanssa. Hakulomakkeella näihin kysymyksiin voidaan kuitenkin vastata suoraan.

Juuri näiden lähteiden yhdistäminen mahdollistaa kokonaisvaltaisemman kuvan luomisen. Kuvitellaanpa Finance Manager -rooliin hakevaa henkilöä. CV:ssään hän kuvailee tiimin johtamista ja kuunvaihteen sulkemisia, LinkedIn osoittaa tuoreemman ylennyksen ja lomakkeella hän vahvistaa tietyn ERP-järjestelmän osaamisen sekä saatavuutensa vaaditussa aikataulussa. Pelkkään CV:hen perustuva pisteytys jättäisi kaksi viimeistä tekijää huomioimatta. Samaan aikaan järjestelmä ei saa keksiä omasta päästään mitään sellaista, mitä mikään lähde ei vahvista.

Datan tulkinnassa tulisi käyttää kolmea perustilaa: kriteeri vahvistettu, kriteeri todennäköisesti täyttymättä ja ei riittävästi tietoa. Tämä erottelu on tärkeämpää kuin tekninen lähteiden määrä. Kaksi vanhentunutta profiilia ei muodosta parempaa todistetta kuin yksi tuore ja konkreettinen vastaus.

On myös syytä määrittää ajantasaisuuden hierarkia sekä säännöt ristiriitojen ratkaisemiseksi. Mitä järjestelmän pitäisi tehdä, jos CV ilmoittaa työsuhteen päättyneen toukokuussa, mutta LinkedIn näyttää työsuhteen edelleen jatkuvan? Pitäisikö eilen täytetyn hakulomakkeen vastauksella olla etusija puoli vuotta sitten laadittuun CV-tiedostoon nähden? Hyvä prosessi ei piilota tällaisia ristiriitoja yhtenäisen luvun alle. Se osoittaa ne rekrytoijalle ja muuttaa ne tarkistettaviksi kysymyksiksi.

Useiden lähteiden yhdistäminen ei myöskään tarkoita sitä, että kaikki teknisesti saatavilla oleva tieto pitäisi analysoida. Tiedon minimoinnin periaate vaatii käyttämään vain niitä tietoja, jotka ovat tarpeen määritellyn tarkoituksen saavuttamiseksi. Ikä, valokuva, perhetilanne, terveydentila, alkuperä tai muut herkät alueet eivät saa vaikuttaa pisteytykseen vain siksi, että ne ovat löydettävissä dokumentista tai profiilista. Enemmän dataa ei aina tarkoita parempaa arviointia. Joskus se tarkoittaa vain enemmän kohinaa ja suurempaa riskiä perusteettomille johtopäätöksille.

7. Miksi projektin vaatimukset ovat tärkeämpiä kuin itse tekoälymalli?

Kaikkein kehittyneinkään malli ei korjaa huonosti määriteltyä rekrytointia. Jos projektin vaatimukset ovat yleisluonteisia, ristiriitaisia, epärealistisia tai sisältävät ennakkoluuloja, tekoäly voi ainoastaan soveltaa niitä nopeammin ja johdonmukaisemmin. Juuri tämä johdonmukaisuus, jota usein esitellään automatisoinnin etuna, voi muodostua ongelmaksi: ihminen huomaa toisinaan muutaman CV:n luettuaan, ettei kriteerissä ole järkeä. Järjestelmä puolestaan toistaa sitä jokaisen kohdalla, kunnes joku käy muuttamassa sitä.

Toimivan vaatimuksen tulee olla konkreettinen, liittyä todelliseen työhön ja olla todennettavissa saatavilla olevista tiedoista tai prosessin myöhemmässä vaiheessa. ”Vähintään kolmen vuoden kokemus ERP-käyttöönottoprojektien johtamisesta” on huomattavasti hyödyllisempi kuin ”laaja projektikokemus”. ”Itsenäinen B2B-uusasiakashankinta, jossa sopimusten arvo on yli 100 000 euroa” antaa enemmän kontekstia kuin ”vahva myyntiosaaminen”. ”Englannin kielen taito tasolla, joka mahdollistaa neuvottelujen käymisen” kuvaa liiketoiminnallista tarvetta paremmin kuin pelkkä ”C1”, ellei organisaatiolla ole aikomusta testata tasoa muodollisella kokeella.

Vaatimusten ei pitäisi kopioida koko työpaikkailmoitusta. Ilmoituksella on myös viestinnällinen ja työnantajamielikuvaan liittyvä rooli. Se sisältää yrityksen esittelyn, edut, vastuualueet sekä hakijoita puhuttelevan kielen. Pisteytys puolestaan vaatii selkeää arviointilogiikkaa: mikä on ehdoton edellytys, mikä lisää sopivuutta, mikä kokemus on rinnastettavissa, mitä voidaan opettaa valinnan jälkeen ja mitä taas ei missään nimessä voida sivuuttaa.

Myös kriteerien painoarvolla on merkitystä. Viiden vuoden kokemus ei aina ole kaksi kertaa parempi kuin kahden ja puolen vuoden kokemus. Yhden teknologian puuttuminen voi olla helposti kurottavissa umpeen, kun taas laissa vaadittavan luvan puuttuminen tekee työn aloittamisesta todellisuudessa mahdotonta. Pisteytyksen tulisi heijastaa kriteerien liiketoiminnallista merkitystä, ei sitä, kuinka monta sanaa niille on omistettu ilmoituksessa. Jos ”nice-to-have”-lista on pidempi kuin ehdottomien vaatimusten lista, järjestelmän ei pitäisi automaattisesti antaa pienten lisätekijöiden summan peittää alleen perustavanlaatuisen osaamisen puutetta.

Ennen pisteytyksen käynnistämistä on suositeltavaa käydä lyhyt kalibrointikeskustelu rekrytoivan esihenkilön kanssa. Sen sijaan, että kysyttäisiin vain ”ketä etsimme?”, on parempi määritellä: mitä tämän henkilön on saatava aikaan ensimmäisen kuuden kuukauden aikana, mikä kokemus todellisuudessa parantaa onnistumisen mahdollisuuksia, mitkä puutteet ovat hyväksyttäviä ja mitkä taas tekevät palkkaamisesta mahdotonta. Vasta tämän pohjalta voidaan luoda kriteerit, joilla on arvoa niin tekoälylle kuin ihmisillekin.

8. Must-have, nice-to-have i kryteria dyskwalifikujące

Yksi pisteytyksen valmistelun tärkeimmistä vaiheista on jakaa vaatimukset kolmeen kategoriaan. Must-have-kriteerit ovat edellytyksiä, jotka ovat todellisuudessa välttämättömiä työn tekemiseksi tai sen aloittamiseksi sovitussa aikataulussa. Nice-to-have-kriteerit parantavat sopivuutta, mutta niiden puuttumisen ei pitäisi sulkea ovea prosessista. Karsivat kriteerit puolestaan ovat nollasummapeliä, joiden täyttymättä jättäminen voi oikeuttaa hakemuksen automaattisen tai puoliautomaattisen siirtämisen erilliselle polulle – edellyttäen, että ne ovat laillisia, oikeasuhteisia ja yksiselitteisiä.

Käytännössä organisaatiot ylikäyttävät must-have-kategoriaan kuuluvia asioita. Rekrytoiva esihenkilö saattaa pitää välttämättömänä kokemusta tietystä yrityksestä, tasan viiden vuoden työkokemusta, sisäisen työkalun tuntemusta tai valmistumista tietystä oppilaitoksesta, vaikka mikään näistä ei ole edellytys tehtävässä onnistumiselle. Jos AI Scoring saa tällaisen listan ilman suodatusta, se vahvistaa kapeaa kuvaa ”täydellisestä kandidaatista” ja alentaa sellaisten henkilöiden pisteitä, joilla on erilainen mutta erittäin arvokas urapolku.

Karsivia kriteereitä tulisi käyttää erityisen varovasti. Niillä on perusteensa silloin, kun vastaus on yksiselitteinen ja suoraan sidoksissa työn suoritusmahdollisuuteen: laissa vaadittava pätevyys, työlupa kyseisessä maassa, valmius työskennellä vaadittuina aikoina tai sitoutuminen sellaiseen työmalliin, jota organisaatio ei voi muuttaa. Tulkinnalle tilaa jättäviä asioita, kuten ”sopiva organisaatiokulttuuri”, ”riittävä kokemus” tai ”sopiva persoonallisuus”, ei pitäisi koskaan muuttaa karsiviksi kysymyksiksi.

AI Scoring ei myöskään saisi piilottaa karsivia sääntöjä epämääräisen pisteluvun taakse. Jos kandidaatti saa matalat pisteet laissa vaadittavan sertifikaatin puuttumisen vuoksi, rekrytoijan on nähtävä tämä suoraan. Jos hakulomakkeen vastaus osoittaa, ettei kandidaatti voi työskennellä vaadittuina aikoina, järjestelmän tulee erottaa tämä tieto puuttuvasta datasta. Arviointilogikan läpinäkyvyydellä on suuri merkitys sekä päätösten laadun että prosessin kandidaatille selittämisen kannalta.

Paras käytäntö on määrittää jokaiselle kriteerille paitsi luokka ja painoarvo, myös sen todentamistapa. Voiko tieto nousta CV:stä? Tarvitaanko vastaus hakulomakkeella? Pitääkö se vahvistaa vasta haastattelussa? Vaatiiko se virallisen asiakirjan? Näin pisteytys ei teeskentele pystyvänsä ratkaisemaan kaikkea yhden ainoan lähteen perusteella.

9. AI Scoring vs. avainsanahaku

Yksi yleisimmistä yksinkertaistuksista ATS-järjestelmistä puhuttaessa on uskomus, että järjestelmä ”hylkää CV:n, jos siinä ei ole oikeita sanoja”. Osassa vanhemmista ratkaisuista tarkoilla ilmauksilla, yksinkertaisilla suodattimilla ja manuaalisesti rakennetuilla hauilla olikin suuri merkitys. Avainsanahaku on edelleen hyödyllinen työkalu, mutta se ei ole sama asia kuin AI Scoring, eikä sitä pitäisi esittää sen koko toimintamekanismina.

Perinteinen haku tarkistaa tiettyjen ilmaisujen olemassaolon tai puuttumisen. Jos rekrytoija kirjoittaa ”Salesforce”, järjestelmä löytää henkilöt, jotka ovat lisänneet kyseisen nimen profiiliinsa. Ongelma alkaa silloin, kun kokemus on kuvattu toisella kielellä, kandidaatti käyttää laajemman kategorian nimeä tai tietty osaaminen käy ilmi vain asiayhteydestä. Henkilö, joka ”otti käyttöön ja ylläpiti CRM-ratkaisuja Salesforce-ympäristössä”, löytyy vaivatta. Vaikeampi tapaus on kandidaatti, joka kuvailee ”pilvipohjaisen myynnin automatisointialustan hallintaa” nimeämättä brändiä. Semanttinen järjestelmä voi tunnistaa mahdollisen yhteyden, mutta sen tulisi käsitellä sitä vahvistusta vaativana päätelmänä, ei varmana faktana.

Kielimalliin perustuva AI Scoring pystyy vertaamaan vaatimusten merkitystä dokumenttien sisältöön. Tämä mahdollistaa rinnastettavan kokemuksen, organisaatiokohtaisten tehtävänikkeiden ja muussa järjestyksessä kuin ilmoituksessa kuvatun osaamisen tunnistamisen. Esimerkiksi vaatimus ”customer success -tiimin vetäminen SaaS-mallissa” voidaan yhdistää kuvaukseen ”vastuu kahdeksan hengen kuukausiveloitteisen asiakaspalvelutiimin ohjaamisesta”. Tällainen päättely on erittäin hyödyllistä, muttei erehtymätöntä. Mitä kauempana yhteys on semanttisesti, sitä suurempi tarve on näyttää rekrytoijalle, mihin dokumentin kohtaan päätelmä perustuu.

Avainsanoja ja tekoälyä ei siis pitäisi asettaa täydellisesti vastakkain. Hyvät työkalut yhdistävät tarkat säännöt ja kontekstuaalisen analyysin. Sertifikaatin ”CISA” kohdalla tarkalla ilmaisulla on merkitystä. Organisaatiomuutoksen johtamiskokemuksen kohdalla sisällön analyysi on paljon tärkeämpää kuin identtiset sanat. Mekanismin valinnan tulisi riippua kriteerin luonteesta.

On myös syytä varoa lupausta siitä, että tekoäly ”ymmärtää CV:n kuten ihminen”. Tämä on markkinointipuheena houkutteleva, mutta liian pitkälle menevä väite. Malli osaa analysoida tekstiä tavalla, joka muistuttaa ihmisen kielellistä työskentelyä, mutta siltä puuttuu työkokemus, intentio sekä täydellinen ymmärrys asiayhteydestä. Se voi yhdistää synonyymit oikein ja samaan aikaan tulkita vastuualueen laajuuden täysin väärin. Siksi semanttisuus lisää mahdollisuuksia, muttei poista tarkistamisen tarvetta.

10. Mitä tulos välillä 0–100 tarkoittaa?

Tulos välillä 0–100 on ennen kaikkea suuntaa antava asteikko. Sen avulla näkee nopeasti, miten järjestelmä arvioi saatavilla olevien tietojen sopivuutta projektin kriteereihin. Se ei ole työhönottotodennäköisyys, ennuste tulevasta onnistumisesta eikä tieteellisesti laskettu ”kandidaatin laatu”. Tulos 86 ei tarkoita, että kandidaatilla on 86 prosentin mahdollisuus onnistua roolissa. Se ei myöskään tarkoita, että hän on tismalleen 14 pistettä parempi kuin henkilö, joka sai tuloksen 72.

Luvun merkitys riippuu kyseisen järjestelmän rakenteesta, kriteerien painotustavasta sekä datan kattavuudesta. Yhdessä projektissa tulokset voivat luonnollisesti keskittyä välille 60–85, toisessa taas välille 20–55, jos vaatimukset ovat erittäin spesifejä. Siksi rajat tyyliin ”hylkäämme kaikki alle 70 pisteen saaneet” ovat vaarallisia, ellei niitä ole testattu kyseisessä prosessissa. Silloinkaan raja ei saisi automaattisesti korvata ihmisen tekemää arviota, varsinkaan kun tulos vaikuttaa työllistymismahdollisuuteen.

Luku voi olla erittäin hyödyllinen työn priorisoinnissa. Rekrytoija voi aloittaa analyysin korkeat pisteet saaneista henkilöistä, mutta hänen tulisi käydä läpi myös otos matalampien pisteytysten profiileista. Tällainen auditointi auttaa varmistamaan, ettei järjestelmä ohita valtavirrasta poikkeavia kandidaatteja, pudota pisteitä tiedon puuttumisen vuoksi tai suosi henkilöitä, jotka ovat vain oppineet kirjoittamaan CV:nsä parhaalla mahdollisella tavalla. Käytännössä on hyvä ottaa tavaksi tarkastaa säännöllisesti rankingin loppupää, erityisesti uusien roolityyppien kohdalla.

Laadukas käyttöliittymä ei saisi esittää lukua irrallaan perusteluista. Jos tulos näytetään suurella fontilla ja selitys on piilotettu useamman klikkauksen taakse, käyttäjät tekevät päätöksensä herkästi pelkän näkyvimmän elementin perusteella. Ruudun suunnittelu vaikuttaa käyttäytymiseen aivan yhtä paljon kuin itse malli. Vastuullista päätöksentekoa tukevassa järjestelmässä tuloksen, vahvuuksien, heikkouksien ja puuttuvien tietojen tulisi aina olla nähtävillä yhdessä.

On myös tärkeää muistaa tuloksen vakaus. Generatiiviset mallit saattavat joissakin asetuksissa tuottaa hieman erilaisia vastauksia täysin samalle syötteelle. Toimittajan on rajoitettava tätä vaihtelua, testattava toistettavuutta sekä kuvattava selkeästi, mikä voi aiheuttaa tuloksen uudelleenlaskennan. Käyttäjän puolestaan on ymmärrettävä, että projektin vaatimusten tai kandidaatin tietojen muuttuminen voi perustellusti muuttaa arviota. Tulos ei ole kerralla lukkoon lyöty fakta, vaan tietyn vertailun tulos tiettynä ajanhetkenä.

11. Vahvuudet, heikkoudet ja haastattelukysymykset

AI Scoringin suurin arvo ei useinkaan piile numerossa, vaan sen kontekstuaalisessa tasossa. Rekrytoija tarvitsee muutakin kuin tiedon siitä, että profiili on arvioitu korkeaksi tai matalaksi. Hänen on tiedettävä, miksi näin on, mitkä tekijät ovat merkityksellisiä projektille ja mitä hänen tulisi tehdä seuraavaksi. Siksi toimiva pisteytysjärjestelmä laatii kuvauksen kandidaatista, erittelee vahvuudet ja heikkoudet sekä ehdottaa kysymyksiä haastatteluun.

Kandidaatin kuvauksen tulisi olla lyhyt synteesi, ei tiivistelmä koko CV:stä. Sen tehtävänä on yhdistää kokemus suoraan kyseiseen projektiin. Yleisen ilmaisun ”kokenut talousjohtaja” sijaan on parempi osoittaa, että henkilö on johtanut samankokoista tiimiä, vastannut raportoinnista kansainväliselle konsernille ja osallistunut ERP-järjestelmän käyttöönottoon, mikä on yksi uuden roolin haasteista. Tällainen tieto auttaa rekrytoijaa ymmärtämään profiilin nopeammin, mutta se säilyy tarkistettavissa lähteistä.

Vahvuuksien tulisi liittyä kriteereihin ja nousta konkreettisesta datasta, ei pelkästä kehumisesta. ”Työskenteli Sales Managerina” ei itsessään ole vielä vahvuus. ”Vastasi kolmen vuoden ajan itsenäisestä enterprise-asiakashankinnasta DACH-alueella ja saavutti yli 2 miljoonan euron vuositavoitteen” on tietoa, jota voidaan suoraan peilata projektin vaatimuksiin.

Heikkoudet vaativat vieläkin suurempaa varovaisuutta. Tuotekielessä voidaan puhua heikkouksista, mutta käytännössä järjestelmän tulisi erottaa vähintään kolmenlaista tietoa. Ensimmäinen on todellinen ristiriita vaatimuksen kanssa, esimerkiksi laissa vaadittavan luvan puuttuminen tai myöhäisempi saatavuus kuin mitä projekti sallii. Toinen on todennäköinen sopimattomuus, kun materiaalit osoittavat kokemusta, joka on merkittävästi erilaista kuin mitä etsitään. Kolmas on tiedon puute eli tilanne, jossa dokumentit eivät yksinkertaisesti mahdollista kriteerin ratkaisemista. Näitä kategorioita ei saa kohdella samalla tavalla.

Kysymysehdotukset muuttavat pisteytyksen pelkästä järjestelymekanismista työkaluksi haastatteluun valmistautumiseen. Jos CV:stä puuttuu tieto tiimin koosta, järjestelmä voi ehdottaa: ”Kuinka monta henkeä tiimiisi kuului ja mistä henkilöstöpäätöksistä vastasit?”. Jos kandidaatti mainitsee tietyn teknologian ilman asiayhteyttä: ”Missä projektissa käytit sitä ja mikä oli itsenäisen vastuusi laajuus?”. Jos LinkedIn- ja CV-tiedoissa on eri päivämäärät: ”Kumpi tieto on ajan tasalla ja mistä eroavuus johtuu?”. Hyvän kysymyksen tarkoituksena ei ole vahvistaa ennalta otettua kantaa, vaan hankkia tietoa, joka vielä puuttuu.

On myös syytä välttää liian yleisiä, johdattelevia tai työhön liittymättömiä kysymyksiä. Tekoäly voi luoda ehdotuksen, mutta rekrytoijan on tarkistettava se ja sovitettava se prosessin vaiheeseen. Kysymys motivaatiosta ensimmäisessä lyhyessä puhelinhaastattelussa voi olla perusteltu. Persoonallisuutta stereotyyppisten oletusten perusteella arvioiva kysymys taas ei.

Kontekstuaalisella tasolla on vielä yksi etu: se helpottaa keskustelua rekrytoivan esihenkilön tai asiakkaan kanssa. Pelkän numeron tai lyhyen ”profiili sopii” -viestin sijaan rekrytoija voi esittää perustelut puolesta, riskialueet sekä suunnitelman niiden todentamiseksi. Tämä parantaa shortlistan laatua ja siirtää keskustelun mututuntumasta konkreettisiin todisteisiin.

12. Tiedon puuttuminen ei ole sama asia kuin osaamisen puuttuminen

Tämä on yksi AI Scoringin tulkinnan tärkeimmistä perussäännöistä. Hakemukset ja profiilit ovat aina epätäydellisiä kuvauksia ihmisestä. Kandidaatti on voinut jättää osaamisen mainitsematta, koska piti sitä itsestäänselvyytenä, yritti lyhentää CV:tään, muokkasi dokumenttia toista roolia varten tai ei tiennyt projektin tarkkoja kriteereitä. LinkedIn-profiili saattaa olla päivitetty viimeksi vuosia sitten. Hakulomake saattaa sisältää liian yleisen kysymyksen. Tiedon puuttuminen on siis ennen kaikkea todisteen puuttumista analysoitavassa materiaalissa, ei todiste osaamisen puuttumisesta.

Järjestelmän tulisi erottaa vähintään kolme tilaa:

• Kriteeri vahvistettu – käytettävissä oleva data osoittaa selkeästi sen täyttymisen.

• Ei riittävästi tietoa – materiaali ei mahdollista kriteerin täyttymisen vahvistamista eikä poissulkemista.

• Kriteeri todennäköisesti täyttymättä tai täyttymättä – datassa on tietoa, joka on ristiriidassa vaatimuksen kanssa, esimerkiksi kandidaatti ilmoittaa saatavuudekseen kuusi kuukautta, kun projekti vaatii aloitusta neljän viikon sisällä.

Toisen ja kolmannen kategorian sekoittaminen keskenään on yleinen syy epäoikeudenmukaisiin päätöksiin. Jos CV:ssä ei mainita tiettyä teknologiaa, järjestelmä voi kirjoittaa ”ei vahvistusta saatavilla olevassa datassa”. Se ei saisi ilman lisäperusteita todeta, että ”kandidaatti ei osaa teknologiaa”. Jos kandidaatti vastaa lomakkeella, ettei ole koskaan käyttänyt sitä, tilanne on toinen, mutta silloinkin tämän tiedon merkitys riippuu siitä, onko teknologia todellinen must-have vai taito, joka on nopeasti opittavissa.

Myös dokumentin tyylillä on merkitystä. Laaja CV tarjoaa enemmän tekstiä ja enemmän potentiaalisia todisteita kuin pelkistetty asiantuntijaprofiili, joka luottaa siihen, että pelkät yritysten ja tehtävien nimet riittävät. Tämän seurauksena järjestelmä saattaa osittain palkita itsensä esiin tuomisen laadusta. Tämä ei ole vain tekoälyn ongelma, sillä myös ihmisrekrytoijat lankeavat helposti hyvin kirjoitettuihin dokumentteihin, mutta automatisointi voi moninkertaistaa tämän vaikutuksen ja antaa sille matemaattisen tarkkuuden vaikutelman.

Yksi tapa rajoittaa tätä ongelmaa on käyttää hakulomaketta kriittisten tietojen keräämiseen vakioidulla tavalla. Jos kokemuksella tietyllä alueella on todella merkitystä, on parempi esittää konkreettinen kysymys kuin luottaa siihen, että kandidaatti on sattunut kuvailemaan sitä CV-tiedostossaan. Toinen tapa on luoda kysymyksiä haastattelua varten. Kolmas tapa on käydä säännöllisesti läpi osa matalan pisteytyksen saaneista profiileista ja varmistaa, ettei järjestelmä ole sekoittanut vaatimatonta dokumentaatiota pätevyyden puutteeseen.

Tämän periaatteen tulisi olla mukana myös käyttäjäkoulutuksessa. Rekrytoijan on tiedettävä, että ”ei löydetty” ei tarkoita ”ei omaa”, ja ”järjestelmä ehdottaa” ei tarkoita ”fakta on vahvistettu”. Ilman tätä ymmärrystä hyvinkin suunniteltuja selityksiä saatetaan käyttää liian kategorisesti.

13. AI Scoring vs. perinteinen kandidaatin arviointilomake

Perinteinen arviointilomake (scorecard) perustuu ennalta määritettyihin kriteereihin ja asteikkoon. Rekrytoija tai rekrytoiva esihenkilö antaa haastattelun jälkeen pisteitä kokemuksesta, osaamisesta, motivaatiosta tai tehtävien tuloksista. Oikein käytettynä lomake lisää prosessin johdonmukaisuutta, sillä se pakottaa arvioijat tukeutumaan yhteisiin kriteereihin pelkän yleisvaikutelman sijaan.

AI Scoringin ei ole tarkoitus korvata tällaista lomaketta, vaan se voi täydentää sitä prosessin aikaisemmassa vaiheessa. Se analysoi ennen haastattelua saatavilla olevan datan ja auttaa rakentamaan alustavan arvion. Perinteinen arviointilomake voi tämän jälkeen kattaa haastattelussa, tehtävässä, testissä tai suosituksissa saadut tiedot. Työkalujen yhdistäminen on järkevää silloin, kun kriteerit ovat yhtenäiset ja tiedetään, mikä lähde voi vahvistaa minkäkin elementin.

Ero liittyy myös vastuuseen. Lomakkeessa ihminen antaa arvosanan suoraan itse. AI Scoringissa osa tulkinnasta on järjestelmän tekemää, minkä vuoksi käyttäjällä on oltava mahdollisuus seurata logiikkaa, tarkistaa perusteet ja kyseenalaistaa tulos. Ei riitä sanoa, että ”algoritmi laski sen”. Organisaatio on edelleen vastuussa siitä, miten arviota hyödynnetään prosessissa.

Tekoäly voi parantaa alkukarsinnan johdonmukaisuutta, muttei poista inhimillisiä vinoumia. Kriteerit ovat ihmisten luomia, data on ihmisten luomaa ja tulosta tulkitsevat ihmiset. Mikä parasta, tekoälyn antama tulos voi itse muodostua uudeksi vinouman lähteeksi – automaattiseksi vertailukohdaksi, johon arvioijat alkavat mukauttaa omia havaintojaan. Siksi voi olla hyödyllistä piilottaa tulos osalta tiimistä siihen saakka, kunnes he ovat tehneet oman itsenäisen arvionsa, tai vähintään vaatia lyhyt, tuloksesta riippumaton perustelu päätökselle.

Käytännössä paras malli voi näyttää seuraavalta: AI Scoring järjestää saapuvat hakemukset ja osoittaa tarkistettavat alueet; rekrytoija käy läpi profiilin; haastattelu toteutetaan vakioiduilla kysymyksillä; arviointilomake kerää todisteet haastattelusta; rekrytoiva esihenkilö tekee päätöksen kokonaismateriaalin perusteella. Tekoäly on tällöin yksi prosessin osatekijä, ei erillinen tuomari.

14. AI Scoring vs. AI Matching – ratkaiseva ero

AI Scoring ja AI Matching sekoitetaan usein keskenään, koska molemmat toiminnot peilaavat kandidaattien profiileja projektin vaatimuksiin. Niiden tehtävät ovat kuitenkin erilaiset, ja artikkelissa, tuotedokumentaatiossa sekä asiakasviestinnässä ne on syytä erottaa johdonmukaisesti.

AI Scoring arvioi hakemusta tai kandidaattia, jota jo analysoimme projektin yhteydessä. Lähtökohtana on tietty profiili. Järjestelmä luo tuloksen ja selityksen: missä määrin saatavilla oleva tieto vastaa kriteereitä, mitkä ovat vahvat ja heikot alueet sekä mitä kannattaa vielä varmistaa. Se voi koskea itse hakenutta henkilöä tai kandidaattia, jonka rekrytoija on lisännyt projektiin.

AI Matching toimii toisesta suunnasta. Lähtökohtana on projekti ja tarve löytää mahdollisesti sopivia henkilöitä. Toiminto käy läpi kandidaattitietokannan, vertaa profiileja vaatimuksiin ja ehdottaa rekrytoijalle, keitä kannattaisi harkita. Sen päätehtävä on löytäminen (discovery) ja sisäinen suorahaku: sellaisten henkilöiden poimiminen, joita rekrytoija ei ole vielä lisännyt projektiin tai joita hän ei ehkä muistanut.

Yksinkertaisin erottelu kuuluu näin:

• AI Scoring: ”Miten tämä kandidaatti tai hakemus sijoittuu suhteessa projektin vaatimuksiin?”

• AI Matching: ”Ketkä tietokannan kandidaateista voisivat sopia tähän projektiin, ja keitä tulisi ehdottaa rekrytoijalle?”

Recruitifyssa AI Scoring on arviointitoiminto, kun taas AI Matchingia kehitetään erillisenä hakukoneena ja suositusmekanismina tietokannan kandidaateille. Pisteytystä ei tulisi esittää ”seuraavana vaiheena matchingin jälkeen”, sillä prosessi voi toimia täysin ilman matchingia. Kandidaatti voi hakea ilmoituksen kautta, hänet voidaan lisätä manuaalisesti tai hän voi tulla suosituksena, jonka jälkeen AI Scoring arvioi hänet.

Molemmat toiminnot voivat tulevaisuudessa tukea toisiaan. Matching löytää potentiaaliset profiilit, rekrytoija lisää valitut henkilöt projektiin ja pisteytys laatii yksityiskohtaisemman arvion kriteerien valossa. Molemmille tarvitaan kuitenkin omat laatustandardinsa. Matchingia tulisi mitata muun muassa suositusten osuvuudella ja kyvyllä löytää arvokkaita profiileja. Pisteytystä puolestaan tulisi arvioida sen johdonmukaisuuden, selitettävyyden ja yksittäisen henkilön analyysissa tuotetun hyödyn perusteella.

15. AI Scoring vs. CV-parseri, AI-yhteenveto ja karsivat kysymykset (killer questions)

Modernissa ATS-järjestelmässä useat toiminnot voivat käsitellä samaa dataa mutta suorittaa täysin eri tehtäviä. Niiden sekoittaminen johtaa epärealistisiin odotuksiin ja vaikeuttaa riskien arviointia. AI Scoring on syytä erottaa CV-parserista, kandidaatin AI-yhteenvedosta, hakutoiminnosta, karsivista kysymyksistä, työnkulun automatisoinnista sekä tavallisen julkisen chatbotin käytöstä.

CV-parseri lukee dokumentin ja muuttaa sen jäsennellyksi dataksi: yhteystiedoiksi, työhistoriaksi, koulutukseksi, taidoiksi tai kieliksi. Sen perustehtävä on tietojen poiminta (ekstraktio), ei arviointi. Parseri voi tehdä virheen, esimerkiksi liittää päivämäärän väärään yritykseen, ja tämä virhe voi myöhemmin vaikuttaa pisteytykseen. Siksi poiminnan laatu on yksi arvioinnin laadun peruskivistä.

AI-yhteenveto luo profiilista tiivistelmän. Se voi kuvata kokemusta, tärkeintä osaamista ja uran kulkua, muttei välttämättä peilaa niitä projektin kriteereihin tai anna tulosta. Yhteenveto vastaa ennen kaikkea kysymykseen ”mitä tästä kandidaatista tiedetään?”, kun taas pisteytys kysyy ”miten nämä tiedot liittyvät tämän rekrytoinnin vaatimuksiin?”. Käytännössä molemmat voidaan esittää yhdessä, mutta ne eivät ole sama asia.

Killer questions tai karsivat kysymykset ovat konkreettisiin vastauksiin perustuvia sääntöjä. Jos työ vaatii voimassa olevaa ajokorttia ja kandidaatti vastaa ”ei”, järjestelmä voi soveltaa ennalta määritettyä polkua. Tämä ei välttämättä vaadi tekoälyä. Kyseessä on sääntöpohjainen automaatio, jonka logiikan ihminen on määrittänyt. Sillä on etunsa selkeissä tapauksissa, mutta se voi olla armottomampi kuin pisteytys, jos kriteeri on valittu huonosti.

Työnkulun automatisointi suorittaa toimenpiteitä ehtojen täyttyessä: lähettää viestin, lisää leiman, vaihtaa vaihetta, luo tehtävän tai ilmoittaa projektin omistajalle. Se voi käyttää pisteytyksen tulosta yhtenä ehtona, mutta tällainen yhdistäminen vaatii erityistä varovaisuutta. Jokaisen tietyn pistemäärän alittavan henkilön automaattinen hylkääminen muuttaa avustavan toiminnon todelliseksi päätöksentekomekanismiksi ja lisää merkittävästi oikeudellisia sekä eettisiä riskejä.

Erillinen tapaus on CV:n ja tehtävänkuvauksen kopiointi julkiseen chatbotiin kehotteella ”arvioi tämä kandidaatti”. Teknisesti tällä tavalla voidaan saada prosenttiosuus, yhteenveto ja kysymyksiä, mutta se ei vastaa ATS-järjestelmään sisäänrakennettua, tietoturvallista AI Scoringia. Rekrytoija ei välttämättä tiedä, minne tiedot päätyvät, kuinka kauan niitä säilytetään, käytetäänkö niitä palvelun kehittämiseen, kenellä on pääsy keskusteluhistoriaan ja onko organisaatiolla asianmukainen sopimus palveluntarjoajan kanssa. Myös yhtenäisten kriteerien säilyttäminen, vaatimusversioiden rekisteröinti, käyttöoikeuksien hallinta ja sen dokumentointi, miten tulos vaikutti prosessiin, on huomattavasti vaikeampaa.

Suoraan rekrytointijärjestelmässä käytettävän toiminnon tulisi toimia määritellyn tietojenkäsittely-ympäristön, pääsynhallinnan, säilytysaikojen, lokien ja toimittajasopimusten puitteissa. Pelkkä integrointi ATS-järjestelmään ei takaa vaatimustenmukaisuutta tai turvallisuutta, mutta se antaa organisaatiolle mahdollisuuden hallita prosessia tavalla, jota tietojen spontaani kopiointi satunnaiseen työkaluun ei yleensä tarjoa.

Tärkein kysymys ei siis kuulu ”pystyykö tekoäly luomaan arvion?”. Pystyy. Kysymys kuuluu: syntyykö arvio hyväksyttyjen kriteerien pohjalta, adekvaatilla datalla, valvotussa ympäristössä ja siten, että ihminen voi sen tarkistaa.

16. AI Scoring käytännössä – kolme arviointiesimerkkiä

Teoria muuttuu ymmärrettävämmäksi, kun näemme, miten sama mekanismi voi toimia erilaisissa rekrytoinneissa. Seuraavat esimerkit eivät esitä valmista pisteytyskaavaa. Ne näyttävät pikemminkin sen, miten vaatimusten, datan ja kontekstuaalisen tulkinnan tulisi toimia yhdessä.

Esimerkki 1: CFO kasvavassa yrityksessä

Oletetaan, että yritys etsii talousjohtajaa (CFO), jonka tehtävänä on valmistella organisaatio nopeaan kasvuun, järjestää sisäinen valvonta ja raportointi (controlling), hallita rahoitusta sekä tehdä yhteistyötä sijoittajien kanssa. Huonosti muotoiltu vaatimus voisi kuulua: ”vähintään kymmenen vuoden kokemus, arvostettu yritys CV:ssä, vahva johtajuus ja strateginen ajattelu”. Tällainen määrittely on vaikea rehelliselle pisteytykselle. ”Arvostus” on subjektiivista, ”strateginen ajattelu” ei käy suoraan ilmi dokumentista, eikä vuosien määrällä välttämättä ole yhteyttä edessä olevaan haasteeseen.

Paremmat kriteerit liittyvät tuloksiin ja työympäristöön: vastuu kokonaisvaltaisesta tuloslaskelmasta (P&L), kokemus controllingu-toimintojen rakentamisesta, osallistuminen rahoituksen hankintaan, taloustiimin johtaminen, raportointi hallitukselle tai sijoittajille sekä työskentely vastaavan kokoluokan kasvuyhtiössä. CV voi vahvistaa osan näistä tekijöistä. LinkedIn voi näyttää tuoreemman roolin. Hakulomake puolestaan voi kerätä saatavuuden, odotukset sekä vastauksen kysymykseen suurimmasta toteutetusta rahoituskierroksesta.

Kandidaatti voi saada korkeat pisteet, koska hän on johtanut taloutta yrityksessä, joka kasvoi 50 hengestä 300 henkeen, ottanut käyttöön sisäisen valvonnan ja osallistunut keskusteluihin rahaston kanssa. Heikkoutena tai riskialueena voi olla itsenäisen vastuun puuttuminen rahoituksen hankinnasta. Sen sijaan, että oletettaisiin tämän osaamisen puuttuvan, järjestelmä voi ehdottaa kysymystä: ”Mikä oli henkilökohtainen vastuualueesi rahoitusprosessissa ja mitkä osat johdit itsenäisesti?”.

Esimerkki 2: Java Developer migraatioprojektissa

Toisessa projektissa yritys etsii Java-kehittäjää vanhan sovelluksen siirtämiseksi uuteen arkkitehtuuriin. Must-have-vaatimuksiin voi kuulua kaupallinen kokemus Javasta, Spring Bootin hallinta, relaatiotietokannat sekä hajautetut järjestelmät. Nice-to-have-alueita ovat Kubernetes, julkinen pilvi sekä kokemus monoliitin asteittaisesta modernisoinnista.

Kandidaatti mainitsee Javan ja Springin, muttei käytä CV-tiedostossaan tarkkaa ilmaisua ”mikropalvelut” (microservices). Hän kuitenkin kuvailee monoliittisen sovelluksen jakamista itsenäisesti käyttöönotettaviin moduuleihin, jotka kommunikoivat keskenään API:n kautta. Pelkkiin avainsanoihin perustuva analyysi saattaisi ohittaa tärkeän signaalin. Semanttinen analyysi voi tunnistaa yhteyden, mutta sen tulisi osoittaa kohta, johon päätelmä perustuu.

CV-tiedostossa ei ole mainintaa Kubernetesista. Tämän ei pitäisi automaattisesti tarkoittaa heikkoutta osaamisen puuttumisen mielessä. Jos Kubernetes on nice-to-have-kriteeri, järjestelmä voi merkitä vahvistuksen puuttumisen ja ehdottaa kysymystä: ”Oletko ottanut sovelluksia käyttöön konttiympäristössä ja mitä orkestrointityökaluja käytit?”. Jos kandidaatti vastaa lomakkeella työskennelleensä Kubernetesin kanssa kaksi vuotta, tieto voi täydentää profiilin. Jos hän vastaa ”ei”, pisteytyksen tulisi ottaa tämä huomioon todellisena puutteena, mutta kriteerin painoarvon mukaisesti, ei automaattisena hylkäyksenä.

Esimerkki 3: B2B-myyjä uudelle markkinalle

Kolmas projekti koskee henkilöä, jonka on tarkoitus kehittää B2B-myyntiä Saksan markkinalla. Pelkkä nimike ”Sales Manager” kertoo vähän. Roolin kannalta merkityksellisiä voivat olla itsenäinen uusasiakashankinta, myyntisyklin pituus, sopimusten arvo, työskentely päättäjien kanssa, DACH-markkinan tuntemus sekä neuvottelutason saksan kielen taito.

Kandidaatilla on vakuuttavat myyntitulokset, mutta suurin osa kokemuksesta on perinteisestä asiakkuuden hoidosta kotimarkkinalla. Toisella henkilöllä on pienemmät myyntivolyymit, mutta hän on itsenäisesti avannut Saksan markkinan, rakentanut myyntiputken nollasta ja johtanut enterprise-neuvotteluja. Yksinkertainen, myyntitulosten summaan perustuva pisteytys saattaisi suosia ensimmäistä henkilöä. Projektin todellisiin vaatimuksiin perustuvan pisteytyksen tulisi puolestaan huomata, että jälkimmäinen profiili vastaa paremmin konkreettista tehtävää.

Hakulomake voi lisäksi kerätä tiedon matkustusvalmiudesta, palkkatoiveesta ja todellisesta kielitaitotasosta. Järjestelmä voi osoittaa vahvuudeksi kokemuksen markkinan rakentamisesta ja tarkistettavaksi alueeksi tiedon puutteen sopimusten keskimääräisestä arvosta. Haastattelukysymys voi kuulua: ”Kerro suurimmasta itsenäisesti hankkimastasi asiakkaasta DACH-alueella – miltä prosessi näytti ensikontaktista sopimuksen allekirjoittamiseen?”.

Nämä kolme esimerkkiä osoittavat, miksi ei ole olemassa yhtä yleispätevää ”hyvän kandidaatinkandidaatin” pisteytystä. CFO, Java Developer ja myyntipäällikkö arvioidaan täysin eri kriteerien mukaan. Jopa kaksi kandidaattia, joilla on samanlainen tehtävänimike, voivat sijoittua eri tavalla projektin tavoitteesta riippuen. Tekoäly voi auttaa käymään vaatimukset johdonmukaisesti läpi, muttei vapauta organisaatiota vastaamasta vaikeimpaan kysymykseen: mitä me todella tarvitsemme tähän rooliin valittavalta henkilöltä?

17. Hyödyt rekrytoijalle ja rekrytointitiimille

Ilmeisin hyöty on ajansäästö, muttei AI Scoringin arvoa pitäisi pelkistää pelkkään nopeampaan CV:n lukemiseen. Oikein käytettynä toiminto muuttaa tavan, jolla ensimmäinen analyysi järjestetään. Se auttaa havaitsemaan nopeammin monet kriteerit täyttävät hakemukset, poimimaan tarkistusta vaativat alueet ja valmistautumaan haastatteluun jäsennellymmin. Rekrytoija käy edelleen profiilit läpi, muttei aloita joka kerta tyhjältä pöydältä.

Säästö ei myöskään synny siitä, että ihminen lakkaa kokonaan lukemasta dokumentteja. Se syntyy huomion toisenlaisesta jakautumisesta. Sen sijaan, että rekrytoija käyttäisi saman verran aikaa jokaisen CV:n jokaiseen osaan, hän näkee heti, mitkä vaatimukset on vahvistettu, missä on ristiriitoja ja mitä puuttuu. Tämän ansiosta enemmän aikaa jää tulkintaan, yhteydenpitoon ja todentamiseen, ja vähemmän manuaaliseen sirpaleisen tiedon etsimiseen.

Toinen hyöty on parempi johdonmukaisuus. Sadoissa hakemuksissa ihmisten keskittymiskyky ja kriteerien tulkinta vaihtelevat luonnostaan. Järjestelmä voi soveltaa samaa analyysirakennetta jokaiseen profiiliin. Tämä ei automaattisesti tarkoita suurempaa oikeudenmukaisuutta, sillä myös virheellisiä sääntöjä voidaan soveltaa johdonmukaisesti. Jos kriteerit on kuitenkin laadittu hyvin ja tuloksia valvotaan, yhtenäisyys vähentää ensimmäisen läpikäynnin sattumanvaraisuutta ja helpottaa päätösten vertailua tiimissä.

Kolmas hyöty on paremmat perustelut. Rekrytoija voi valmistella argumentit rekrytoivalle esihenkilölle tai asiakkaalle nopeammin sen sijaan, että lähettäisi pelkän CV:n ja yleisen ”kannattaa jutella” -kommentin. Vahvuudet, heikkoudet, puuttuvat tiedot ja tarkistettavat kysymykset muodostavat yhteisen arviointikielen. Tämä ei tarkoita, että luotua kuvausta pitäisi kopioida ilman valvontaa. Sen arvo on luonnosmaisen analyysin tuottamisessa, jonka ihminen tarkistaa ja viimeistelee.

Neljäs hyöty liittyy haastatteluun valmistautumiseen. Rekrutoija voi mennä tapaamiseen mukanaan lista tarkempia, syventäviä teemoja sen sijaan, että esittäisi kaikille saman yleisen kysymyspatteriston. Tämä mahdollistaa kandidaatin ajan paremman hyödyntämisen ja auttaa erottamaan todellisen kokemuksen houkuttelevasta kuvauksesta nopeammin.

Viides hyöty kytkeytyy tiimityöhön ja uusien työntekijöiden perehdyttämiseen. Jos jokaisella konsultilla on oma epävirallinen tapansa lukea CV-asiakirjoja, on vaikeaa siirtää projekteja, analysoida laatua ja opettaa vähemmän kokeneita rekrytoijia. AI Scoring voi tuoda tähän yhteisen kiintopisteen. Tiimi voi keskustella siitä, miksi se on eri mieltä arviosta, mikä vaatimus oli kirjattu huonosti ja miten määrittelyä parannetaan. Jo pelkkä ihmisen ja järjestelmän arvion välinen ero muodostuu oppimateriaaliksi.

Kuudes hyöty on nopeampi reagointi. Rekrytointitoimistossa muutama tunti voi ratkaista sen, mikä yritys esittelee arvokkaan kandidaatin ensimmäisenä. Sisäisessä rekrytoinnissa nopea yhteydenotto vaikuttaa hakijakokemukseen (candidate experience) ja vähentää riskiä kandidaatin siirtymisestä toiseen prosessiin. Pisteytys voi lyhentää aikaa hakemuksesta ensimmäiseen järkevään analyysiin, mutta vain silloin, kun se on osa työnkulkua ja johtaa toimintaan. Jos se jää vain numeroksi järjestelmään, se ei tuo todellista arvoa.

18. Hyödyt rekrytointitoimistoille, sisäiselle HR-tiimille ja rekrytoivalle esihenkilölle

Rekrytointitoimistossa AI Scoring voi ennen kaikkea tukea toimitusta (delivery). Rekrytoijalla on usein käynnissä useita projekteja samanaikaisesti, ja asiakkaiden vaatimukset voivat olla puutteellisia tai muuttua prosessin aikana. Kontekstuaalinen arvio auttaa konsulttia ymmärtämään profiilin nopeammin, valmistelemaan esikarsinnan ja rakentamaan perustelut shortlistalle. Se voi myös helpottaa projektin siirtämistä konsultilta toiselle. Uuden henkilön ei tarvitse rakentaa koko logiikkaa uudelleen pelkkien muistiinpanojen varassa, jos hän näkee hyväksytyt kriteerit sekä tavan, jolla kandidaatteja on peilattu niihin.

Tärkeää on myös oman tietokannan hyödyntämisen nopeus. Pisteytys ei ole AI Matching eikä se itsessään etsi automaattisesti parhaita henkilöitä projektiin, mutta se voi arvioida kandidaatit, jotka rekrytoija on lisännyt aiemmista prosesseista, suosituksista tai suorahausta. Tämän ansiosta tietokanta lakkaa olemasta pelkkä CV-arkisto. Edellytyksenä on datan ajantasaisuus sekä laillinen peruste sen jatkokäsittelylle.

Sisäisessä rekrytoinnissa suurin arvo korostuu usein suurissa hakemusmäärissä, muttei rajoitu niihin. Pienemmilläkin hakemusmäärillä työkalu voi auttaa yhtenäistämään ensimmäistä arviointia eri toimipisteiden ja rekrytoijien välillä. Se voi myös paljastaa määrittelyyn liittyvän ongelman. Jos suurin osa kandidaateista saa matalat pisteet yhden tietyn vaatimuksen vuoksi, on syytä tarkistaa, eikö markkina todellisuudessa tarjoa tällaisia profiileja vai onko kriteeri yksinkertaisesti liian kapea tai huonosti viestitty.

Rekrytoiva esihenkilö saa käyttöönsä jäsennellympää materiaalia. Sen sijaan, että hän lukisi jokaisen CV-tiedoston itsenäisesti ilman asiayhteyttä, hän voi saada yhteenvedon, argumentit puolesta ja vastaan sekä tarkistettavat alueet. Hänelle ei kuitenkaan pitäisi näyttää pelkkää tekoälyn tulosta. Suuri luku ilman pääsyä dokumenttiin ja perusteluihin voi johtaa sokeaan luottamukseen. Paras malli tarjoaa helpon pääsyn niin kontekstuaaliseen analyysiin kuin täydelliseen profiiliin ja rekrytoijan tekemiin päätöksiin.

AI Scoring voi myös parantaa HR-tiimin ja liiketoiminnan välisen keskustelun laatua. Keskustelun ”tämä kandidaatti miellyttää minua” vs. ”tämä kandidaatti ei sovi” sijaan pöydälle saadaan lista vaatimuksista, todisteista, puutteista ja kysymyksistä. Tämä ei poista subjektiivisuutta, mutta tekee siitä näkyvämpää. Jos rekrytoiva esihenkilö hylkää korkean sopivuuden saaneen henkilön, on hyvä kysyä, mitä kriteeriä ei ollut aiemmin kirjattu ylös. Jos hän hyväksyy matalat pisteet saaneen profiilin, järjestelmä on saattanut tulkita tiedot väärin tai vaatimukset vaativat korjausta.

Organisaatiolle hyötynä on prosessin parempi analysoitavuus. Voidaan seurata, johtavatko korkeat pisteet etenemiseen seuraavissa vaiheissa, missä rekrytoijat ovat useimmiten eri mieltä arviosta, mitkä vaatimukset jäävät säännöllisesti vahvistamatta ja tuleeko matalampien pisteiden kandidaatteja ohitettua suotta. On kuitenkin varottava pitämästä historiallisia päätöksiä objektiivisena totuutena. Jos aiempi prosessi on ollut vinoutunut, sokea oppiminen sen tuloksista voi sementoida ongelman entisestään.

19. Hyödyt ja riskit kandidaatin näkökulmasta

Kandidaatin näkökulmasta AI Scoring voi tuoda todellisia hyötyjä. Jokainen hakemus voidaan käsitellä saman arviointirakenteen mukaisesti, vaikka se olisi saapunut kahdesadasosana. Järjestelmä voi huomata kokemuksen, joka on kuvattu eri tavalla kuin ilmoituksessa, yhdistää hakulomakkeen ja CV:n tiedot sekä ehdottaa rekrytoijalle kysymystä, joka antaa kandidaatille mahdollisuuden selittää puuttuvan osatekijän. Nopeampi esikarsinta voi myös tarkoittaa nopeampaa vastausta ja lyhyempää odotusaikaa.

Hyödyt eivät kuitenkaan ole automaattisia. Kandidaatin pisteitä voi laskea epäoikeudenmukaisesti puutteellisen CV:n, epätyypillisen urapolun, alanvaihdon, työuran tauon tai ilmoituksen standardista poikkeavan kielen vuoksi. Hän ei välttämättä tiedä, että tekoäly analysoi hänen tietojaan, ei ymmärrä tuloksen roolia päätöksenteossa eikä hänellä ole helppoa väylää virheen kyseenalaistamiseen. Jos organisaatio hylkää automaattisesti rajan alittavat henkilöt, yksittäisellä virheellisellä tulkinnalla voi olla merkittävä seuraus.

Hakijakokemus riippuukin läpinäkyvyydestä ja käyttötavasta. Organisaation tulisi kertoa selkeästi, että prosessissa käytetään tekoälytyökaluja, kuvata niiden rooli ja korostaa, tekeekö päätöksen ihminen. Kandidaatilla on oltava mahdollisuus korjata virheelliset tiedot sekä saada tietoa siitä, miten hänen tietojaan käytetään voimassa olevan lainsäädännön mukaisesti. Vaikutuksiltaan suuremmissa prosesseissa on syytä tarjota valitusoikeus tai mahdollisuus ihmisen tekemään uudelleenarviointiin (human review).

Vastuuta ei myöskään pitäisi siirtää kokonaan kandidaateille toteamalla, että ”jos he eivät ole kirjoittaneet jotain, he saavat syyttää itseään”. CV on viestintäväline, mutta organisaatio suunnittelee prosessin ja päättää, mitä tietoa tarvitaan. Jos kriteeri on kriittinen, siitä tulisi viestiä ja se tulisi kerätä oikeasuhteisella tavalla. Pisteytys voi tukea oikeudenmukaisempaa arviointia vain silloin, kun koko prosessi on suunniteltu oikeudenmukaisesti.

20. Missä AI Scoring tuo suurimman arvon?

AI Scoring ei tuo samanlaista arvoa jokaisessa prosessissa. Ilmeisin käyttökohde ovat rekrytoinnit, joissa hakemusmäärät ovat suuria ja jokaisen dokumentin lukeminen manuaalisesti samalla tarkkuudella on haastavaa. Tämä koskee muun muassa suosittuja junioritason rooleja, etätyöpaikkoja, kansainvälisiä rekrytointeja sekä prosesseja, joita mainostetaan nopean hakemisen mahdollistavilla sivustoilla. Tällaisissa tilanteissa pisteytys voi auttaa määrittämään läpikäyntijärjestyksen ja osoittamaan profiilit, jotka vaativat nopeaa yhteydenottoa.

Toinen käyttökohde ovat hankkeet, joissa on selkeästi määritellyt, todennettavissa olevat vaatimukset. Jos rooli vaatii tiettyjä teknologioita, lupia, kokemusta tietystä ympäristöstä, myyntimallista tai operatiivisesta skaalasta, tekoäly voi verrata näitä tekijöitä dokumentteihin. Mitä epämääräisemmät ja subjektiivisemmat kriteerit ovat, sitä pienempi on automaattisen arvioinnin arvo. Pisteytys suoriutuu huomattavasti paremmin kysymyksestä ”onko kandidaatti johtanut ERP-käyttöönottoja yli 500 hengen organisaatioissa?” kuin kysymyksestä ”onko hänellä johtajan karismaa?”.

Kolmas alue on kandidaattitietokannan uudelleenkäyttö. Rekrytoija voi liittää uuteen projektiin aiemmista prosesseista tuttuja henkilöitä ja arvioida heidän profiilinsa suhteessa uusiin vaatimuksiin. Tällöin on kuitenkin varmistettava tietojen ajantasaisuus sekä jatkokäsittelyn laillinen peruste. Vanhentuneella CV-tiedostolla tehty pisteytys voi luoda näennäisen tarkan, mutta todellisuudessa arvottoman tuloksen.

Neljäs käyttökohde ovat rekrytointitoimistojen haut, joissa shortlistan rakentamisen nopeudella ja kandidaattiesittelyjen laadulla on suuri merkitys. Kontekstuaalinen arvio voi auttaa konsulttia valmistelemaan esikarsinnan, havaitsemaan riskit ja rakentamaan perustelut asiakkaalle. Sitä ei kuitenkaan pitäisi kopioida suoraan kandidaatin profiiliin ilman valvontaa. Tekoälyn luoma muotoilu voi olla liian kategorinen, epätarkka tai ulkoiselle vastaanottajalle sopimaton.

Vähemmän arvoa pisteytyksellä voi olla johdon suorahaussa (executive search), jossa kandidaattien määrä on pieni ja avaintiedot nousevat haastatteluista, markkinamaineesta, suosituksista sekä organisaation monimutkaisen kontekstin ymmärtämisestä. Silloinkin se voi tukea tietojen järjestämistä, mutta on vaikea odottaa, että CV-tietoihin perustuva tulos tavoittaisi kyvyn johtaa muutosta, rakentaa hallituksen luottamusta tai toimia tietyssä omistajakulttuurissa.

Pisteytystä ei pitäisi käyttää vain siksi, että toiminto on käytettävissä. Ennen käyttöönottoa on syytä vastata kolmeen kysymykseen: minkä konkreettisen ongelman ratkaisemme, miten varmistamme tuloksen laadun ja mitä käyttäjän on tarkoitus tehdä sen saatuaan. Jos selkeää vastausta ei ole, uusi luku ATS-järjestelmässä voi lisätä monimutkaisuutta tuottavuuden sijaan.

21. Miten ottaa AI Scoring käyttöön rekrytointiprosessissa?

Onnistunut käyttöönotto alkaa prosessista, ei järjestelmän painikkeesta. Ensimmäiseksi vaiheeksi tulisi valita rajattu ryhmä rooleja, joiden vaatimukset ovat verrattain selkeät ja joissa on käytettävissä riittävästi hakemuksia testausta varten. Pilotointi kaikissa projekteissa samanaikaisesti vaikeuttaa sen havaitsemista, mikä toimii ja mikä vaatii korjausta.

Seuraavaksi on määritettävä säännöt vaatimusten luomiselle. Kuka laatii kriteerit, kuka ne hyväksyy, miten ehdottomat ja toivottavat edellytykset erotetaan toisistaan, kuinka usein niitä voidaan muuttaa ja mitä arvioille tapahtuu muutoksen jälkeen? On suositeltavaa laatia yksinkertainen määrittelypohja. Sen tulisi vaatia roolin tavoitteen, tärkeimpien tulosten, välttämättömän osaamisen, hyväksyttävien korvaavien tekijöiden sekä haastattelussa tarkistettavien alueiden kuvaamista.

Seuraava vaihe on testaus tunnetuilla profiileilla. Tiimi voi valita esimerkkejä aiemmin arvioitujen kandidaattien CV-tiedostoista, ajaa pisteytyksen ja verrata tulosta rekrytoijien itsenäiseen arvioon. Kyse ei ole siitä, että järjestelmän tulisi täydellisesti toistaa jokainen historiallinen päätös – historia voi sisältää virheitä. Kyse on sen varmistamisesta, ovatko perustelut loogisia, tunnistaako järjestelmä keskeisen kokemuksen, miten se käsittelee puuttuvaa dataa ja esiintyykö siinä ei-toivottuja kaavoja.

Käyttäjien kouluttaminen on välttämätöntä. Sen tulisi kattaa toiminnon käytön lisäksi tuloksen tulkinta, automaatiovinuma (automation bias), tiedon puuttumisen ja osaamisen puuttumisen välinen ero, tietosuojasäännöt sekä tilanteet, jotka vaativat asioiden viemistä eteenpäin. Rekrytoijan on tiedettävä, milloin hän voi hyödyntää pisteytystä priorisointiin ja milloin hän ei saa perustaa päätöstään siihen ilman lisäanalyysia.

On hyvä luoda käytännöksi ihmisen tekemä arviointi (human review). Voidaan esimerkiksi edellyttää, että ennen tietyn pistemäärän alittavien kandidaattien hylkäämistęä rekrytoija käy läpi dokumentin ja merkitsee oman syynsä päätökselle. Voidaan myös ottaa pistokokeita matalan pisteytyksen hakemuksista. Tärkeintä on, että valvonta on todellista eikä vain muodollista. ”Hyväksy”-painikkeen klikkaaminen profiilia lukematta ei ole merkittävää ihmisen osallistumista.

Lopuksi on määritettävä seuranta. Tiimi voi kuukausittain tai neljännesvuosittain analysoida tulosten jakautumista, roolien välisiä eroja, arvioiden vastaavuutta rekrytoijien tekemiin päätöksiin, korjausten määrää, pisteytyksen ohittamia profiileja sekä kandidaattien palautetta. Käyttöönotolla tulisi olla omistaja, joka vastaa niin tehokkuudesta kuin riskeistäkin.

22. Yleisimmät virheet AI Scoringin käytössä

Ensimmäinen virhe on pisteytyksen ajaminen puutteellisella määrittelyllä. Yleisluonteinen tehtävänimike ja kopioitu ilmoitus eivät vielä muodosta arviointilogikkaa. Jos rekrytoiva esihenkilö ei osaa osoittaa, mitkä vaatimukset ovat todella tärkeitä, tekoälykään ei pysty määrittämään niitä luotettavalla tavalla. Se voi ehdottaa kriteereitä, mutta ihmisen on tarkistettava ne.

Toinen virhe on korkean tuloksen samaistaminen palkkaussuositukseen. Pisteytys koskee datan sopivuutta kriteereihin tietyssä vaiheessa. Se ei kata kaikkea sitä, mikä vaikuttaa työssä onnistumiseen. Kandidaatilla voi olla täydellisesti kuvattu kokemus ja matala motivaatio, hän ei välttämättä vahvista ilmoittamaansa osaamista tai ei hyväksy tarjouksen ehtoja.

Kolmas virhe on automaattinen hylkääminen pisterajan perusteella. Tällainen asetus on houkutteleva, koska se maksimoi ajansäästön, mutta se voi johtaa puutteellisen CV:n omaavien henkilöiden järjestelmälliseen ohittamiseen ja suurentaa yksittäisen virheen merkitystä. Se voi myös muuttaa avustavan työkalun tosiasialliseksi päätöksentekijäksi, millä on oikeudellisia seurauksia.

Neljäs virhe on datan ja johtopäätösten välisen eron unohtaminen. Jos tekoälyn luoma yhteenveto kuulostaa vakuuttavalta, käyttäjä saattaa unohtaa sen olevan tulkintaa. Jokaisen merkittävän johtopäätöksen tulisi olla kytkettävissä dokumentin kohtaan tai merkitty vahvistusta vaativaksi.

Viides virhe on liian laajan tietomäärän analysointi. Enemmän dataa ei aina tarkoita parempaa tulosta. Valokuva, ikä, osoite, siviilisääty, terveystiedot tai työhön liittymätön sosiaalisen median aktiivisuus voivat olla tarpeettomia ja riskiherkkiä. Organisaation tulisi tietoisesti määrittää, mitkä lähteet ja kentät voivat vaikuttaa pisteytykseen.

Kuudes virhe on testauksen laiminlyönti mallin, kehotteen (prompt) tai logiikan muuttuessa. Tekoälytoiminto voi toimia eri tavalla päivityksen jälkeen, vaikka käyttöliittymä näyttäisi samalta. Toimittajan on hallittava muutoksia, ja asiakkaan on tiedettävä, milloin tulos voi muuttua.

Seitsemäs virhe on oletus siitä, että ihminen korjaa automaattisesti järjestelmän ongelmat. Tekoälyn ja ihmisen yhteistyötä koskevat tutkimukset osoittavat, että ihmisillä on taipumus luottaa suosituksiin liikaa ja mukauttaa omia päätöksiään tuloksen mukaan. Valvonta vaatii osaamista, aikaa ja oikeutta asettua järjestelmää vastaan, ei vain rekrytoijan nimen löytymistä prosessista.

23. AI Scoringin rajoitukset – mitä järjestelmä ei tiedä?

AI Scoring näkee sille annetut tiedot, eikä mitään muuta. Se ei tunne osaamista, jota ei ole kirjattu CV-asiakirjaan, se ei tiedä, onko saavutus kuvattu tarkasti, se ei itsenäisesti vahvista ilmoitusten todenperäisyyttä eikä se havainnoi kandidaattia työssä. Se voi tehdä johtopäätöksiä tekstistä, muttei sen pitäisi korvata soveltuvuustestejä, käyttäytymishaastattelua, suosituksia tai todellisessa kontekstissa tehtävää arviointia.

Järjestelmällä voi olla vaikeuksia epätyypillisten urapolkujen kanssa. Henkilöllä, joka siirtyy puolustusvoimista liike-elämään, tieteestä tuotekehitykseen, yrittäjyydestä korporaatioon tai toiselta toimialalta, voi olla siirrettävää osaamista (transferable skills), jota hän ei kuvaile kohderoolin kielellä. Semanttinen malli voi havaita osan näistä, mutta historiallisiin tehtävänikkeisiin perustuvat vaatimukset saattavat silti laskea arvosanaa.

Haastavia ovat myös pehmeät taidot. CV saattaa sisältää väitteen ”erinomaiset viestintätaidot”, muttei se ole luotettava todiste. Järjestelmän ei pitäisi antaa korkeita pisteitä pelkän ilmoituksen perusteella. Se voi sen sijaan osoittaa kokemuksia, joissa viestintä on todennäköisesti ollut tärkeää, ja ehdottaa kysymyksiä haastatteluun. Todellisen käyttäytymisen arviointi vaatii kuitenkin muita menetelmiä.

Tekoäly ei myöskään tunne organisaation täydellistä kontekstia. Kaksi yritystä voi käyttää samaa tehtävänimikettä täysin erilaisille vastuualueille. Kymmenen hengen tiimin johtaminen vakiintuneella osastolla eroaa tiimin rakentamisesta nollasta startup-ympäristössä. Miljoonan euron budjetilla voi yhdellä toimialalla olla aivan toinen merkitys kuin toisella. Siksi vaatimusten on kuvattava asiayhteyttä, ei pelkkiä leimoja.

Rajoituksena ovat datan ja dokumenttien virheet. Parseri voi lukea taulukon väärin, järjestelmä voi sekoittaa päivämäärät ja LinkedIn-profiili voi olla vanhentunut. Mitä tarkempi numerotulos on, sitä helpommin unohtuu syötteen epävarmuus. Periaate ”roskaa sisään, roskaa ulos” (garbage in, garbage out) pätee edelleen myös kielimallien aikakaudella.

Lopuksi: tekoäly ei kanna vastuuta päätöksestä. Se voi valmistella arvion, muttei se keskustele kandidaatin kanssa, tunne kaikkia olosuhteita eikä vastaa organisaatiolle, asiakkaalle tai sääntelijälle. Vastuu säilyy ihmisillä ja yhteisöillä, jotka suunnittelevat ja hyödyntävät järjestelmää.

24. Vinoumat (bias), syrjintä ja näennäinen objektiivisuus

Yksi tekoälyn houkuttelevimmista lupauksista rekrytoinnissa on objektiivisuus. Kone ei väsy, sillä ei ole suosikkiyliopistoa eikä se arvioi valokuvaa kuten ihminen – edellyttäen, ettei valokuva ja muu tarpeeton data vaikuta malliin. Tästä ei kuitenkaan seuraa, että tulos olisi neutraali. Järjestelmä voi toistaa vinoumia, joita on datassa, kriteereissä, luokittelutavoissa tai itse prosessin suunnittelussa.

Vinouma voi päästä pisteytykseen usealla tasolla. Kriteerit voivat suosia polkuja, jotka ovat helpommin tiettyjen ryhmien saavutettavissa, kuten perusteeton vaatimus katkeamattomasta työurasta. Historiallinen data voi heijastaa organisaation aiempia mieltymyksiä. Yritysten ja oppilaitosten nimet voivat toimia epäsuorina sosiaalisen aseman indikaattoreina. CV:n kieli voi vaihdella kulttuurisesti ja sukupuolisesti. Tiedon puuttuminen voi koskea useammin henkilöitä, joilla on vähemmän tyypillinen työhistoria.

Kielimallit voivat myös tehdä johtopäätöksiä epäsuorien piirteiden perusteella. LLM-malleilla tehtyjä CV-arviointeja koskevat tutkimukset osoittavat, että sukupuolta tai taustaa vihjaavien tekijöiden muuttaminen voi vaikuttaa tulokseen, vaikka vinouman laajuus ja suunta vaihtelevat malleittain. Vuoden 2025 FAIRE-vertailututkimus osoitti tiettyä vinoumatasoa testatuissa malleissa suorassa CV-pisteytyksessä ja rankingissa [7]. Tämä ei tarkoita, että jokainen rekrytointijärjestelmä toimisi identtisesti, mutta se vahvistaa tarpeen testata tiettyä kokoonpanoa sen sijaan, että luotettaisiin pelkästään mallin valmistajan yleisiin vakuutuksiin.

Näennäinen objektiivisuus on erityisen vaarallista, koska numero näyttää tieteelliseltä. Tulos 78,4 voi antaa vaikutelman lämpötilan kaltaisesta mittauksesta, vaikka se on asetettujen kriteerien ja tekstin tulkinnan tulos. Esitystarkkuus ei ole todiste oikeellisuudesta. Organisaation tulisi kysyä: mitä tulos mittaa, miten se on testattu, mille ryhmille se toimii huonommin ja mitä seurauksia virheellä on.

Vinouman vähentäminen ei ole pelkästään nimen ja kuvan poistamista. Anonimisointi auttaa osittain, mutta muut tiedot voivat edelleen paljastaa tai epäsuorasti osoittaa suojattuja piirteitä. Tarvitaan tulosten testausta, ryhmien välisten erojen analysointia silloin, kun se on laillista ja metodologisesti perusteltua, kriteerien arviointia, virheiden raportointimekanismeja sekä mahdollisuutta poistaa toiminto käytöstä, jos riskiä ei voida hallita.

On myös syytä muistaa, etteivät ihmisetkään ole neutraali vertailukohta. Tekoäly voi tietyissä tilanteissa vähentää rekrytoijan sattumanvaraisuutta ja tiedostamattomia mieltymyksiä. Tavoitteena ei pitäisi olla todistaa, että ”tekoäly on objektiivisempi kuin ihminen” tai päinvastoin. Tavoitteena on suunnitella prosessi, jossa molempien osapuolten virheet ovat nähtävillä, mitattavissa ja korjattavissa.

25. Human-in-the-loop – mitä todellinen ihmisen valvonta tarkoittaa?

Ilmaisu ”human-in-the-loop” esiintyy lähes jokaisessa vastuullista tekoälyä käsittelevässä kuvauksessa. Pelkkä ihmisen asettaminen prosessiin ei kuitenkaan riitä. Jos rekrytoija näkee tuloksen, hyväksyy suosituksen automaattisesti eikä hänellä ole aikaa analyysille, hänen osallistumisensa on muodollista. Todellinen valvonta tarkoittaa kykyä ymmärtää järjestelmän mahdollisuudet ja rajoitukset, tarkistaa tuloksen perusteet, kyseenalaistaa se sekä pysäyttää tai muuttaa toimintaa ongelman ilmetessä.

Tekoälyasetus (AI Act) vaatii korkean riskin järjestelmien osalta ratkaisujen suunnittelua siten, että luonnolliset henkilöt voivat valvoa niitä tehokkaasti. Se osoittaa myös automaatiovinuman (automation bias) riskin eli automaattisen tai liiallisen tukeutumisen järjestelmän tulokseen [4]. Valvontaa suorittavalla henkilöllä on oltava riittävä osaaminen, koulutus, valtuudet ja tuki. Rekrytoinnin asiayhteydessä tämä tarkoittaa, ettei junioritason rekrytoija voi olla ainoa ”turvakerros”, jos organisaatio odottaa häneltä valtavaa volyymia ja mittaa suoritusta pelkällä nopeudella.

Todellinen valvonta voi sisältää useita käytäntöjä. Rekrytoijan on nähtävä perustelut sekä lähdemateriaali. Hänellä on oltava mahdollisuus muuttaa päätöstä ilman negatiivisia organisaatiotason seurauksia. Järjestelmän tulisi rekisteröidä korjaukset ja mahdollistaa analyysi siitä, missä ihmiset ovat useimmiten eri mieltä tekoälyn kanssa. Automaattisille toiminnoille tarvitaan pysäytysmekanismi. Kandidaatilla on oltava mahdollisuus ilmoittaa epäkohdista, ja organisaatiolla on oltava menettely tällaisen ilmoituksen käsittelemiseksi.

On syytä erottaa ihmisen tekemä arviointi (human review) koko työn manuaalisesta tekemisestä. Valvonta ei tarkoita, että ihmisen on analysoitava jokainen elementti uudelleen nollasta, sillä silloin työkalu menettää merkityksensä. Hänen tulisi kuitenkin tarkistaa ratkaisevat kysymykset, erityisesti ennen kielteistä päätöstä. Voidaan soveltaa oikeasuhteista lähestymistapaa: enemmän automatisointia matalan riskin hallinnollisissa tehtävissä, enemmän valvontaa siellä, missä tulos vaikuttaa kandidaatin pääsyyn seuraavaan vaiheeseen.

Organisaation tulisi myös kouluttaa käyttäjiä tunnistamaan tilanteet, joissa järjestelmä saattaa epäonnistua: epätyypilliset CV-asiakirjat, alanvaihdot, toisella kielellä laaditut dokumentit, työuran tauot, puutteelliset tiedot, ristiriitaiset lähteet tai erittäin kapeat kriteerit. Human-in-the-loop on tehokas vain silloin, kun ihminen tietää, mitä etsiä.

26. AI Scoring ja GDPR

Tekoälyasetus ei korvaa GDPR-tietosuoja-asetusta. Jos AI Scoring käsittelee kandidaattien henkilötietoja, organisaation on edelleen täytettävä tietosuokalainsäädännöstä johtuvat velvoitteet. Tämä koskee muun muassa laillista perustetta, läpinäkyvyyttä, tietojen minimointia, käyttötarkoituksen rajoitusta, tietojen oikeellisuutta, turvallisuutta, säilytysaikoja sekä rekisteröityjen oikeuksien toteuttamista.

Ensimmäinen kysymys kuuluu: kuka on rekisterinpitäjä ja kuka henkilötietojen käsittelijä. Rekrytointia suorittava yritys määrittää yleensä kandidaattien tietojen käsittelyn tarkoitukset ja keinot, ja ATS-toimittaja toimii määritellyssä laajuudessa käsittelijänä. Todellinen työnjako riippuu kuitenkin palvelun rakenteesta, mukaan lukien siitä, käyttävätkö toimittaja tai sen alihankkijat tietoja omiin tarkoituksiinsa, mallien kouluttamiseen, testeihin tai palvelun parantamiseen. Roolit, ohjeet ja alihankkijat on kuvattava selkeästi sopimuksessa.

Toinen kysymys koskee tarkoitusta ja laillista perustetta. Ei voida olettaa, että kandidaatin suostumus ratkaisee jokaisen ongelman. Peruste riippuu rekrytoinnin tyypistä, vaiheesta, kansallisesta lainsäädännöstä sekä siitä, onko tietoja tarkoitus käyttää myös tulevissa projekteissa. Erityisiä tietoryhmiä on analysoitava erikseen. Jos malli pystyy teknisesti päättelemään alkuperän, terveydentilan, mielipiteet tai muut herkät piirteet, tämä ei tarkoita, että organisaatio saa hyödyntää tällaisia päätelmiä pisteytyksessä.

Kolmas alue on minimointi. Järjestelmän tulisi analysoida vain käyttötarkoituksen kannalta adekvaatteja tietoja. Valokuva, ikä, kotiosoite, perhetilanne tai työhön liittymätön aktiivisuus eivät saisi vaikuttaa arvioon vain siksi, että ne löytyvät dokumentista tai profiilista. Erityistä varovaisuutta vaatii LinkedIn-tietojen ja muiden ulkoisten lähteiden käyttö. Tiedon saatavuus internetissä ei automaattisesti oikeuta sen vapaata käsittelyä.

Neljäs alue on tiedonantovelvollisuus. Kandidaatin on saatava ymmärrettävä tieto siitä, että hänen tietojaan analysoidaan tekoälyn avulla, mihin tarkoitukseen, mitä tietoryhmiä hyödynnetään, mistä ne ovat peräisin, kenelle niitä luovutetaan, kuinka kauan niitä säilytetään ja mitä oikeuksia hänellä on. Tiedonannossa ei pitäisi piilottaa keskeisiä faktoja yleisen ilmaisun ”käytämme moderneja teknologioita” alle. On myös syytä selittää tuloksen rooli: tukeeko se vain rekrytoijan työtä vai käynnistääkö se jatkotoimenpiteitä.

Erityistä merkitystä on GDPR:n 22 artiklalla, joka koskee pelkästään automaattiseen käsittelyyn perustuvia päätöksiä, joilla on henkilöä koskevia oikeusvaikutuksia tai jotka vaikuttavat häneen vastaavalla tavalla merkittävästi [2]. Pelkkä rekrytoijaa tukeva pisteytys ei välttämättä tarkoita täysin automaattista päätöksentekoa. Jos tulos kuitenkin johtaa ilman todellista ihmisen osallistumista hakemuksen hylkäämiseen, seuraavan vaiheen estämiseen tai profiilin piilottamiseen rekrytoijalta, riski tälle alueelle joutumisesta on huomattavasti suurempi. ”Ihmisellä prosessissa” on oltava todellinen vaikutusvalta, ei vain tekninen mahdollisuus vahvistaa järjestelmän päätös.

Viides alue on tietojen oikeellisuus ja mahdollisuus niiden korjaamiseen. Jos parseri lukee päivämäärän väärin, LinkedIn on vanhentunut tai lomake sisältää virheellisen vastauksen, tulos voi olla väärä. Kandidaatilla on oltava mahdollisuus korjata tiedot, ja organisaation on määritettävä, lasketaanko pisteytys uudelleen korjauksen jälkeen.

Ennen käyttöönottoa on suositeltavaa tehdä tietosuojaa koskeva vaikutustenarviointi (DPIA), erityisesti silloin, kun teknologia arvioi ihmisiä järjestelmällisesti ja voi vaikuttaa merkittävästi heidän tilanteeseensa. Britannian ICO ei ole EU-oikeutta soveltava elin, mutta sen rekrytointityökalujen auditoinnit tarjoavat käytännön vertailukohdan. Sääntelijä osoitti muun muassa tarpeen tehdä DPIA hankintavaiheessa, jakaa vastuut selkeästi, minimoida dataa, testata oikeudenmukaisuutta (fairness) ja tiedottaa kandidaatteja läpinäkyvästi [6].

Tärkeää on myös tietojen säilytysaika (retentio). Tietoja ja pisteytyksen tuloksia ei pitäisi säilyttää määrättömästi vain siksi, että suuri tietokanta saattaa joskus osoittautua hyödylliseksi. Organisaation tulisi määritellä, kuinka kauan se säilyttää CV-asiakirjoja, vastauksia, tulosta, perusteluja sekä lokeja, ja mitä niille tapahtuu suostumuksen peruuttamisen tai käsittelytarkoituksen päättymisen jälkeen.

27. AI Scoring ja tekoälyasetus (AI Act)

EU:n tekoälyasetus (AI Act) soveltaa riskiperusteista lähestymistapaa. Liitteessä III se luettelee tekoälyjärjestelmät, jotka on tarkoitettu ihmisten rekrytointiin tai valintaan, erityisesti hakemusten analysointiin ja suodattamiseen sekä kandidaattien arviointiin [1]. Tämä tarkoittaa, että rekrytoinnissa käytettävä AI Scoring on erityisen oikeudellisen huomion kohteena. Tätä ei kuitenkaan pitäisi yksinkertaistaa väitteeksi, että jokaisella tekoälyä ja CV-tietoja hyödyntävällä toiminnolla olisi automaattisesti identtinen oikeudellinen status.

Luokittelu riippuu suunnitellusta käyttötarkoituksesta, rakenteesta sekä todellisesta vaikutuksesta prosessiin. Artiklan 6 kohdassa 3 säädetään mahdollisuudesta katsoa osa liitteessä III mainituista järjestelmistä muiksi kuin korkean riskin järjestelmiksi, jos ne eivät aiheuta merkittävää riskiä terveydelle, turvallisuudelle tai perusoikeuksille, mukaan lukien jos ne eivät vaikuta aineellisesti päätöksen lopputulokseen, ja täyttävät tietyt ehdot. Järjestelmä luokitellaan kuitenkin korkean riskin järjestelmäksi, jos se profiloi luonnollisia henkilöitä, ja toimittajan, joka katsoo ratkaisun olevan muun kuin korkean riskin järjestelmä, on dokumentoitava arvionsa. Komissio julkaisi vuonna 2026 luonnosvaiheen yksityiskohtaiset suuntaviivat tästä luokittelusta [3].

Käytännössä toiminto, joka määrittää kandidaateille tuloksen ja vaikuttaa todellisuudessa läpikäyntijärjestykseen, seuraavaan vaiheeseen siirtymiseen tai hylkäämiseen, vaatii erityisen huolellista analyysia. Luokittelua ei voida ratkaista pelkästään nimikkeen ”assistentti”, ”suositus” tai ”pisteytys” perusteella. Merkitystä on toimittajan kuvaamalla suunnitellulla käyttötarkoituksella sekä tavalla, jolla organisaatio todellisuudessa hyödyntää tulosta.

Korkean riskin järjestelmiksi katsotuille järjestelmille tekoälyasetus asettaa laajat vaatimukset toimittajien puolella. Näihin kuuluvat muun muassa riskienhallintajärjestelmä, laadun- ja tiedonhallinta, tekninen dokumentaatio, automaattinen tapahtumien lokitus, läpinäkyvyys käyttäjälle, ihmisen suorittaman valvonnan (human oversight) mahdollistaminen, riittävä tarkkuustaso, toimintavarmuus ja kyberturvallisuus sekä markkinoille saattamisen jälkeinen seuranta. Tilanteesta riippuen tarvitaan myös vaatimustenmukaisuuden arviointi, vaatimustenmukaisuusvakuutus, CE-merkintä sekä rekisteröinti EU:n tietokantaan.

Velvoitteet koskevat myös järjestelmää käyttäviä tahoja eli käyttöönottajia (deployers). Rekrytoivan organisaation tulee käyttää ratkaisua ohjeiden mukaisesti, nimetä pätevät henkilöt valvontaan, varmistaa syötettävän datan adekvaattisuus siltä osin kuin se sitä valvoo, seurata toimintaa ja reagoida ongelmiin. Tietyissä tilanteissa henkilöille, joihin korkean riskin järjestelmää sovelletaan, on ilmoitettava sen käytöstä sekä tuettujen päätösten luonteesta [1]. Tekoälyasetus säätää myös oikeudesta saada selkeä ja merkityksellinen selitys tekoälyn roolista sekä päätöksen pääasiallisista tekijöistä artiklassa 86 määritellyissä tilanteissa.

Ihmisen suorittama valvonta (human oversight) ei saa olla näennäistä. Valvontaa suorittavan henkilön on ymmärrettävä järjestelmän mahdollisuudet ja rajoitukset, oltava tietoinen automaatiovinumasta, hänellä on oltava pääsy riittäviin tietoihin sekä todelliset valtuudet ohittaa, muuttaa tai pysäyttää toiminta. Rekrytoija, joka hyväksyy automaattisesti jokaisen ehdotuksen, ei takaa todellista valvontaa vain siksi, että on muodollisesti klikannut painiketta.

Merkitystä on myös tekoälylukutaidolla (AI literacy). Organisaatioiden on huolehdittava siitä, että tekoälyä käyttävillä henkilöillä on riittävä tietotaso ja osaaminen ottaen huomioon heidän roolinsa, kokemuksensa, käyttöyhteys sekä henkilöt, joihin järjestelmä vaikuttaa. Käytännössä rekrytoijan koulutuksen tulisi kattaa toiminnon käytön lisäksi tuloksen tulkinta, tiedon puuttumisen ja osaamisen puuttumisen erottaminen, syrjintäriski, tietosuoja sekä virheiden ilmoitusmenettely [5].

Jokaisella rekrytointijärjestelmää käyttävällä yksityisellä yrityksellä ei ole velvollisuutta tehdä perusoikeusvaikutusten arviointia artiklan 27 perusteella. Tämä velvoite koskee tiettyjä käyttöönottajien ja käyttötarkoitusten kategorioita. Tästä huolimatta vaikutustenarviointi voi olla hyvä käytäntö, ja GDPR:n mukainen DPIA-arviointi saattaa olla pakollinen tekoälyasetuksesta riippumatta.

Aikataulu on tärkeä. Komission tämänhetkisten tietojen mukaan tekoälyasetuksen muutosasetuksen (AI Omnibus) tuomien muutosten jälkeen liitteen III korkean riskin järjestelmiä – joihin kuuluu muun muassa työllisyys – koskevia sääntöjä sovelletaan 2. joulukuuta 2027 alkaen [4]. Tämä ei tarkoita, että organisaatiot voisivat sivuuttaa aiheen vuoden 2027 loppuun saakka. Tekoälylukutaitoa koskevia velvoitteita sovelletaan 2. helmikuuta 2025 alkaen, ja niiden valvonta käynnistyy komission aikataulun mukaisesti vuonna 2026 [5]. GDPR, syrjinnän vastainen lainsäädäntö ja työlainsäädäntö ovat voimassa tästä aikataulusta riippumatta jo nyt.

Organisaatiolle käytännön johtopäätös on selkeä: älä odota viimeiseen hetkeen. On suositeltavaa luoda rekisteri käytössä olevista tekoälytoiminnoista, määrittää niiden käyttötarkoitus, toimittajat, tietolähteet, vaikutus päätöksentekoon, valvontamekanismit sekä ongelmien ilmoitusmenettelyt. Toimittajilta on syytä kysyä luokittelusta, dokumentaatiosta, testeistä, lokeista, alihankkijoista, käsittelyn sijainnista, mallien muutoksista sekä vaatimustenmukaisuussuunnitelmasta. Tekoälyasetus ei ole vain lakitiimin asia. Se vaikuttaa tuotesuunnitteluun, hankintoihin, HR-tiimiin, turvallisuuteen sekä rekrytoijien päivittäiseen työhön.

28. Miten valita työkalu AI Scoringiin?

Työkalujen vertailu pelkästään myyntiesittelyjen perusteella on riskialmista. Demossa voidaan valita täydellisesti kirjoitetut CV-asiakirjat ja roolit, joilla tulos näyttää vakuuttavalta. Todellinen laatu paljastuu sellaisten dokumenttien kohdalla, jotka ovat puutteellisia, epätyypillisiä, monikielisiä, ristiriitaisia ja peräisin eri toimialoilta. Siksi hankintaan tulisi sisältyä testit omalla, asianmukaisesti suojatulla datalla tai valmistetulla edustavien profiilien testijoukolla.

Ensimmäinen kysymysryhmä koskee toiminnallisuutta. Mitä arvioidaan: hakemusta, kandidaattia vai molempia? Miten vaatimukset määritellään? Voiko käyttäjä muokata ja painottaa niitä? Miten järjestelmä erottaa tiedon puuttumisen kriteerin täyttymättä jäämisestä? Näyttääkö se perustelut ja lähdekohdat? Luoko se kysymysehdotuksia? Voidaanko tulos laskea uudelleen tietojen muuttuessa? Toimiiko pisteytys useilla kielillä?

Toinen ryhmä koskee valvontaa. Voidaanko automaattiset toiminnot kytkeä pois päältä? Rekisteröikö järjestelmä sen, kuka käynnisti arvioinnin ja mitä vaatimusversiota käytettiin? Voiko käyttäjä ilmoittaa virheestä? Ilmoittaako toimittaja mallin muutoksista? Voiko ylläpitäjä rajoittaa pääsyä toimintoon ja määrittää sen käyttösäännöt?

Kolmas ryhmä koskee laatua. Miten toimittaja testaa tarkkuutta, vakautta ja vinoumia? Millä rooleilla ja kielillä? Tarjoaako se metodologian ja tunnetut rajoitukset? Miten se reagoi virheisiin? Mittaako se ryhmien välisiä eroja lainmukaisella tavalla? Tuottaako malli deterministisiä tai riittävän toistettavia vastauksia?

Neljäs ryhmä koskee dataa ja turvallisuutta. Missä tietoja käsitellään ja säilytetään? Lähetetäänkö niitä ulkopuolisille mallitoimittajille? Käytetäänkö niitä julkisten tai omien mallien kouluttamiseen? Kuinka kauan niitä säilytetään lokeissa? Mitkä ovat perusteet ETA-alueen ulkopuolisille tiedonsiirroille? Miten on järjestetty salaus, pääsynhallinta, auditointi ja tietojen poistaminen? Kuka toimii alihankkijana (sub-processor)?

Viides ryhmä koskee lakia. Miten toimittaja luokittelee toiminnon tekoälyasetuksen (AI Act) valossa ja millä perusteella? Mikä on vaatimustenmukaisuussuunnitelma? Mitä ohjeita käyttöönottaja (deployer) saa? Ovatko DPIA-arviointiin, riskienarviointiin ja tiedonantovelvollisuuden täyttämiseen tarvittavat asiakirjat saatavilla? Määritteleekö sopimus selkeästi roolit tietosuojassa?

Kuudes ryhmä koskee käyttöönottoa. Kouluttaako toimittaja tiimin paitsi käyttöön, myös vastuulliseen tulkintaan? Auttaako se kalibroimaan kriteereitä? Mahdollistaako se aloittamisen pilotilla? Voiko asiakas mitata vaikutuksia? Paraskaan algoritmi ei auta, jos käyttäjät eivät luota järjestelmään tai luottavat siihen liikaa.

29. Miten mitata AI Scoringu tehokkuutta?

AI Scoringin käyttöönotolla tulisi olla mitattava tavoite. Yksinkertaisimmat mittarit liittyvät tehokkuuteen: aika hakemuksesta ensimmäiseen analyysiin, profiilin keskimääräinen läpikäyntiaika, tietyssä ajassa analysoitujen hakemusten määrä sekä aika ensimmäiseen yhteydenottoon. Nämä tiedot osoittavat, keventääkö työkalu todellisuudessa tiimin työkuormaa.

Toinen mittariryhmä koskee hyödyllisyyttä. Voidaan mitata, kuinka usein rekrytoija on samaa mieltä arviosta, kuinka usein hän korjaa sitä, hyödyntääkö hän ehdotettuja kysymyksiä ja vähentävätkö yhteenvedot tarvetta lukea koko dokumentti uudelleen. Pelkkä vastaavuus ihmisen arvioon ei kuitenkaan ole totuuden mittari. On tärkeää analysoida perusteluja ja poikkeamatapauksia, ei pelkkää vastaavuusprosenttia.

Kolmas ryhmä koskee prosessin laatua. Etenevätkö korkean tuloksen saaneet kandidaatit useammin esikarsinnasta eteenpäin osaamisen varmistamisen jälkeen? Kuinka monta arvokasta kandidaattia löydettiin matalampien pisteiden joukosta? Vaihteleeko tulos merkittävästi samaa kriteeristöä käyttävien rekrytoijien välillä? Odottavatko harvemmat kandidaatit pitkään ilman vastausta?

Neljäs ryhmä koskee riskejä. On seurattava reklamaatioita, datavirheitä, epäonnistuneita selityksiä, epätasaisia tulosjakaumia sekä automaattisia toimintoja, joilla on negatiivisia vaikutuksia. Oikeudenmukaisuustestejä (fairness-testejä) tulisi tehdä mahdollisuuksien mukaan ja lain puitteissa säännöllisesti. Ei riitä, että järjestelmä tarkistetaan kerran ennen käyttöönottoa. Roolit, data, mallit ja käyttäjien työtavat muuttuvat ajan myötä.

Viides ryhmä koskee ihmisten käyttäytymistä. Käyvätkö rekrytoijat läpi matalamman pisteytyksen profiileja? Hylkäävätkö he kandidaatteja nopeammin mutta ilman perusteluja? Katsooko rekrytoiva esihenkilö ensin tulosta ja vasta sitten CV:tä? Voidaan analysoida lokeja ja tehdä lyhyitä laadullisia auditointeja. Tavoitteena on havaita automaatiovinuma sekä tilanteet, joissa toiminto ottaa suuremman roolin kuin oli tarkoitettu.

Onnistumista ei pitäisi arvioida pelkästään korkean pisteytyksen saaneiden palkkausten määrällä. Jos rekrytoijat ottavat yhteyttä pääasiassa tähän ryhmään, tällainen tulos on osittain itsensä toteuttava ennuste. Tarvitaan vertailuja, kontrolliryhmiä sekä tietoista analyysia kandidaateista, jotka eivät sijoittuneet kärkisijoille.

30. Miten AI Scoring toimii Recruitifyssa?

AI Scoring Recruitifyssa on suunniteltu arvioimaan hakemusta tai kandidaattia tietyn rekrytointiprojektin kontekstissa. Toiminto ei määritä ihmiselle pysyvää arvoa eikä etsi automaattisesti henkilöitä tietokannasta. Lähtökohtana on profiili, joka on jo liitetty projektiin, sekä tälle rekrytoinnille määritellyt vaatimukset.

Prosessi alkaa Requirements-kentästä. Rekrytoija kuvailee siinä, mitä projekti todellisuudessa vaatii: mikä kokemus on välttämätöntä, mitkä tekijät lisäävät sopivuutta, mitkä puutteet ovat hyväksyttäviä ja mitä tulisi selvittää haastattelussa. Mitä konkreettisemmat ja työhön liittyvämmät vaatimukset ovat, sitä hyödyllisempi on arviointi. Yleiset ilaukset kuten ”hyvä viestijä”, ”dynaaminen persoona” tai ”sopii kulttuuriin” eivät anna tekoälylle eivätkä rekrytoijalle riittävän tarkkaa vertailukohtaa.

Recruitify analysoi saatavilla olevat tiedot CV:stä, LinkedIn-profiilista sekä hakulomakkeella annetuista vastauksista. Tämän ansiosta tuloksen ei tarvitse perustua vain yhteen dokumenttiin. Lomake voi tarjota tietoa saatavuudesta, odotuksista, työmallista, luvista tai sellaisesta kokemuksesta, jota kandidaatti ei ole kuvaillut CV:ssään. LinkedIn voi täydentää historiaa, muttei sitä pidetä automaattisesti luotettavampana kuin hakudokumenttia. Ristiriitojen tulisi johtaa tarkistukseen.

Tuloksessa on numeerinen ja kontekstuaalinen ulottuvuus. Recruitify antaa arvosanan 0–100, muttei rajoitu pelkkään lukuun. Käyttäjä saa kuvauksen kandidaatista suhteessa rooliin, vahvuudet, heikkoudet sekä ehdotuksia kysymyksiksi, joita kannattaa esittää tapaamisessa. Tavoitteena on auttaa työn priorisoinnissa, nopeuttaa profiilin ymmärtämistä ja auttaa valmistautumaan esikarsintaan paremmin.

Tulos välillä 0–100 ei ole työhönottotodennäköisyys. Kandidaatti, jolla on tulos 90, ei ole ”kymmenen prosenttia parempi” kuin henkilö, joka sai 80. Luku osoittaa saatavilla olevan datan vertailun tuloksen tietyn projektin kriteereihin. Sama kandidaatti voi saada eri tuloksen kahdessa eri rekrytoinnissa, koska vaatimukset vaihtelevat. Tulos voi myös muuttua tietojen päivityksen tai Requirements-kentän tarkentamisen jälkeen.

Arvion luomisen jälkeen rekrytoijan tulisi lukea perustelut ja verrata niitä lähdemateriaaliin. Erityistä huomiota vaativat heikkoudet sekä alueet, joita järjestelmä ei pystynyt vahvistamaan. Maininnan puuttuminen CV:ssä ei välttämättä tarkoita osaamisen puuttumista. Monissa tapauksissa paras jatkotoimenpide on hyödyntää ehdotettua kysymystä tai pyytää kandidaattia täydentämään tietoja.

Recruitify erottaa selkeästi AI Scoring- ja AI Matching -toiminnot. Scoring arvioi hakemusta tai kandidaattia, jota jo käsitellään projektissa. AI Matching, joka on kehitteillä, puolestaan käy läpi tietokantaa ja ehdottaa rekrytoijalle projektiin mahdollisesti sopivia henkilöitä. Nämä ovat kaksi eri tehtävää: tietyn profiilin arviointi vs. profiilien etsiminen ja suosittelu tietokannasta.

Hyvä käytäntö on aloittaa testit muutamalla projektilla, joissa on selkeät vaatimukset. Tiimi voi verrata tuloksia omaan arvioonsa, tarkistaa perustelujen laadun, käydä läpi myös osan matalamman pisteytyksen saaneista profiileista ja hioa tapaa, jolla Requirements kirjataan. AI Scoringin on tarkoitus tukea rekrytoijan päätöksentekoa, ei hylätä kandidaattia automaattisesti.

31. AI Scoringin tulevaisuus

AI Scoring tulee siirtymään yksinkertaisesta prosenttiluvusta kohti monimutkaisempaa, mutta myös paremmin hallittavaa päätöksenteon tukea. Arvokkaimmat ratkaisut eivät pyri luomaan yhtä ainoaa ”totuutta kandidaatista”. Ne yhdistävät eri lähteitä, osoittavat epävarmuustekijät, näyttävät johtopäätösten perusteet ja sovittavat arviointitavan prosessin vaiheeseen.

Odotettavissa on jäsenneltyjen arviointikehysten suurempi rooli. Yleisen kehotteen ”arvioi kandidaatti” sijaan järjestelmä tulee työskentelemään kriteereillä, joilla on määritelmä, painoarvo, todisteen lähde sekä varmuustaso. Kehitys voi kattaa kandidaattien keskinäisen vertailun, mutta sen tulisi välttää tilanteita, joissa muutaman pisteen eroa pidetään objektiivisena ihmisen paremmuutena toiseen nähden.

Toinen suunta on integrointi myöhempiin vaiheisiin. Ennen haastattelua tehtävä pisteytys voi luoda kysymyksiä, ja haastattelun jälkeen järjestelmä voi auttaa järjestämään muistiinpanot saman arviointilomakkeen mukaisesti. Tärkeää on erottaa ilmoitetut tiedot vahvistetuista tiedoista ja varmistaa, että haastatteluista saatuja tietoja käsitellään lainmukaisesti.

Kolmas suunta on testattavuus ja auditoitavuus. Sääntely, asiakkaiden vaatimukset sekä markkinoiden kypsyys lisäävät painetta mallien, logiikan, datan, tarkkuuden ja vinoumien dokumentointiin. Toimittajien on näytettävä houkuttelevan käyttöliittymän lisäksi myös riskien- ja muutoksenhallintaprosessinsa.

Neljäs suunta on pisteytyksen kytkeminen AI Matchingiin ja osaamisen ennakointiin (talent intelligence). Järjestelmä voi ensin ehdottaa profiileja tietokannasta, sen jälkeen arvioida ne projektissa ja myöhemmin tukea viestintää sekä prosessin analysointia. Tällainen yhdistelmä parantaa tuottavuutta, mutta lisää myös riskiä suljetun automaattisen suositusketjun syntymisestä. Jokaisella vaiheella on oltava selkeä tavoite, omat mittarinsa sekä mahdollisuus ihmisen väliintulolle.

Suurin muutos on kuitenkin organisatorinen. Yritykset lakkaavat kysymästä vain ”onko meillä tekoälytoiminto?”, ja alkavat kysyä ”mitä päätöstä tämä toiminto tukee, millä datalla, millä riskillä ja kuka vastaa valvonnasta?”. Juuri näihin kysymyksiin saatavista vastauksista riippuu se, parantaako AI Scoring rekrytointia vai antaako se vain vanhoille ongelmille modernin käyttöliittymän.

32. AI Scoring FAQ – Usein kysytyt kysymykset

Mitä on kandidaattien AI Scoring?

AI Scoring on tekoälyavusteinen arviointi, jossa tietyn hakemuksen tai kandidaatin profiilia verrataan tietyn rekrytointiprojektin vaatimuksiin. Se voi olla numerotulos, kontekstuaalinen kuvaus tai näiden molempien yhdistelmä. Sitä ei tulisi ymmärtää yleispätevänä arviona ihmisen arvosta.

Arvioiko AI Scoring kandidaattia vai hakemusta?

Se voi arvioida molempia. Hakemus on konkreettinen ilmoittautuminen projektiin, usein hakulomakkeen vastausten kera. Kandidaatti puolestaan voidaan lisätä projektiin rekrytoijan toimesta ilman uutta hakemusta. Molemmissa tapauksissa tuloksen tulisi koskea sopivuutta kyseisen projektin vaatimuksiin.

Ovatko AI Scoring ja AI Matching sama asia?

Eivät. AI Scoring arvioi hakemusta tai kandidaattia, jota jo käsitellään projektissa. AI Matching puolestaan käy läpi tietokantaa ja ehdottaa kandidaatteja, jotka voisivat sopia projektiin. Ensimmäinen toiminto vastaa kysymykseen ”miten tämä profiili sijoittuu?”, ja toinen kysymykseen ”ketä kannattaa etsiä ja harkita?”.

Tarkoittaako tulos 85 sitä, että työhönottotodennäköisyys on 85 prosenttia?

Ei. Tulos välillä 0–100 on tietyn järjestelmän käyttämä sopivuusasteikko. Se ei ole työhönottotodennäköisyys eikä tae onnistumisesta työssä. Sen merkitys riippuu kriteereistä, datasta ja laskentatavasta.

Onko kandidaatti tuloksella 90 parempi kuin kandidaatti tuloksella 80?

Tätä ei voida todeta pelkän pisteytyksen perusteella. Ero voi johtua CV:n kattavuudesta, tavasta kuvata kokemusta tai yhdestä painavasta kriteeristä. Tulos auttaa priorisoimaan analyysia, muttei korvaa koko profiilin arviointia.

Voiko AI Scoring hylätä kandidaatteja automaattisesti?

Teknisesti tulos voidaan kytkeä automaatioon, mutta automaattinen hylkääminen pelkän rajan perusteella lisää merkittävästi virheiden, syrjinnän ja puhtaasti automaattisen päätöksenteon alaisuuteen joutumisen riskiä. Turvallisempi lähestymistapa on käyttää pisteytystä priorisointiin ja varmistaa todellinen ihmisen tekemä arvio.

Onko rekrytoijan luettava koko CV tuloksen saamisen jälkeen?

Pisteytys voi nopeuttaa analyysia ja osoittaa tärkeimmät kohdat, mutta ennen merkittävää päätöstä rekrytoijan tulisi tarkistaa lähdemateriaali. Läpikäynnin laajuus voi riippua vaiheesta ja riskeistä. Pelkkä tulos ja luotu yhteenveto eivät saisi olla ainoa peruste hylkäämiselle.

Mitä dataa AI Scoring analysoi Recruitifyssa?

Recruitifyssa pisteytys voi ottaa huomioon projektin vaatimukset sekä tiedot CV-tiedostosta, LinkedIn-profiilista ja hakulomakkeen vastauksista. Hyödynnetyn tiedon laajuus riippuu profiilissa ja projektissa saatavilla olevista tiedoista.

Onko LinkedIn luotettavampi kuin CV?

Ei automaattisesti. LinkedIn-profiili voi olla tuoreempi tai laajempi, mutta myös sen luo kandidaatti itse ja se voi sisältää puutteita. On parasta kohdella lähteitä toisiaan täydentävinä ja nostaa esiin ristiriidat tarkistusta varten.

Mitä tapahtuu, jos CV:stä puuttuu tärkeä tieto?

Laadukkaan järjestelmän tulisi osoittaa vahvistuksen puuttuminen, ei automaattisesti tulkita sitä osaamisen puutteeksi. Rekrytoija voi tarkistaa muut lähteet tai esittää kysymyksen haastattelussa. Kriittiset tiedot kannattaa kerätä hakulomakkeella.

Tunnistaako AI Scoring synonyymit ja asiayhteyden?

Modernit kielimallit pystyvät yhdistämään samankaltaisia merkityksiä ja tunnistamaan eri sanoin kuvatun kokemuksen. Ne eivät kuitenkaan ole erehtymättömiä. Semanttiset yhteydet tulisi selittää ja niiden tulisi olla todennettavissa dokumentista.

Tunnistaako AI Scoring, jos CV on kirjoitettu tekoälyllä?

Tämä ei ole pisteytyksen päätehtävä, eikä ole olemassa täysin luotettavaa menetelmää jokaisen tekoälyllä tuotetun tekstin havaitsemiseen. Tärkeämpää on varmistaa, onko ilmoitettu osaaminen todellista. Kysymysehdotukset voivat auttaa tämän todentamisessa haastattelussa.

Pystyykö AI Scoring havaitsemaan valehtelun CV:ssä?

Ei. Se voi huomata lähteiden välisiä ristiriitoja tai epäselviä kohtia, muttei se vahvista kokemuksen todenperäisyyttä. Todentaminen vaatii haastattelun, testin, suositukset tai todistukset.

Arvioiko AI Scoring pehmeitä taitoja?

Se voi analysoida tietoja, jotka viittaavat tiettyihin kokemuksiin, mutta CV ei ole riittävä lähde empatian, viestinnän, joustavuuden tai johtamistyylin luotettavaan arviointiin. Järjestelmän tulisi pikemminkin ehdottaa kysymyksiä kuin antaa kategorisia arvioita.

Voiko tulos muuttua?

Kyllä. Tulos voi muuttua CV:n päivittämisen, lomakkeen täydentämisen, projektin vaatimusten muuttumisen tai toiminnon päivittämisen jälkeen. Siksi sitä tulisi käsitellä tietyn analyysin tuloksena tiettynä ajanhetkenä.

Voidaanko tuloksia vertailla eri projektien välillä?

Yleensä tässä ei ole järkeä. Jokaisessa projektissa on eri kriteerit, painotukset ja tulosjakaumat. Tulos 70 yhdessä rekrytoinnissa ei välttämättä tarkoita samaa kuin 70 toisessa.

Voiko AI Scoring vähentää rekrytoijan vinoumia (bias)?

Se voi lisätä johdonmukaisuutta ja vähentää osaa sattumanvaraisista arvioista, mutta se voi myös tuoda tai vahvistaa kriteereistä, datasta ja mallista johtuvia vinoumia. Tarvitaan testausta, seurantaa sekä mahdollisuus korjauksiin.

Ratkaiseeko nimen ja kuvan poistaminen syrjintäongelman?

Ei täysin. Anonimisointi vähentää osaa signaaleista, mutta muut tiedot voivat epäsuorasti osoittaa sukupuolen, iän, taustan tai sosiaalisen aseman. Vinoumaa on analysoitava koko prosessin tasolla.

Pitääkö kandidaateille tiedottaa tekoälyn käytöstä?

Monissa tilanteissa tiedonantovelvollisuus johtuu GDPR-asetuksesta, ja tekoälyasetus (AI Act) asettaa korkean riskin järjestelmille lisäsääntöjä niille henkilöille tiedottamisesta, joihin järjestelmää sovelletaan. Tiedon laajuus riippuu käyttöönotosta, mutta läpinäkyvyyden tulisi olla standardi silloinkin, kun laki vaatisi vain minimin.

Koskeeko tekoälyasetus (AI Act) AI Scoringia?

Hakemusten analysointiin ja suodattamiseen sekä kandidaattien arviointiin tarkoitetut järjestelmät on mainittu tekoälyasetuksen liitteessä III työllisyyteen liittyvinä sovelluksina. Tietyn toiminnon lopullinen luokittelu riippuu sen käyttötarkoituksesta, vaikutuksesta, käyttötavasta sekä artiklan 6 kohdan 3 poikkeuksista. Tämä vaatii tapauskohtaista arviointia.

Milloin tekoälyasetuksen korkean riskin järjestelmiä koskevat säännöt alkavat velvoittaa rekrytoinnissa?

Nykyisen aikataulun mukaan AI Omnibus -muutosten voimaantulon jälkeen liitteen III korkean riskin järjestelmiä koskevia sääntöjä sovelletaan 2. joulukuuta 2027 alkaen. Osa muista säännöksistä, mukaan lukien tekoälylukutaitoa koskevat, tulevat voimaan aikaisemmin.

Onko AI Scoring GDPR-yhteensopiva?

Toiminnon nimi ei ratkaise yhteensopivuutta. Yhteensopivuus riippuu laillisesta perusteesta, datan laajuudesta, läpinäkyvyydestä, säilytysajoista, turvallisuudesta, roolien jaosta, kandidaattien oikeuksien toteuttamismahdollisuuksista sekä päätöksentekotavasta. Työkalu voi tukea vaatimustenmukaista prosessia, muttei ”hoida GDPR:ää” organisaation puolesta.

Onko DPIA-arviointi pakollinen?

Monissa kandidaattien pisteytyksen käyttöönotoissa tietosuojaa koskeva vaikutustenarviointi voi olla pakollinen tai vähintään erittäin suositeltava ihmisten järjestelmällisen arvioinnin ja mahdollisten merkittävien vaikutusten vuoksi. Päätös tulisi tehdä konkreettisen prosessin sekä tietosuojavastaavan tai lakimiehen konsultaation perusteella.

Mitä human-in-the-loop tarkoittaa?

Se tarkoittaa todellista, ei näennäistä ihmisen osallistumista. Rekrytoijan on ymmärrettävä rajoitukset, nähtävä tuloksen perusteet, voitava kyseenalaistaa se ja hänellä on oltava tosiasialliset valtuudet tehdä toisenlainen päätös. Pelkkä vahvistuspainikkeen klikkaaminen ei riitä.

Korvaako AI Scoring rekrytoijat?

Ei pitäisi. Se automatisoi osan analyysista ja tiedon järjestämisestä, muttei se korvaa keskustelua, kontekstin ymmärtämistä, motivaation arviointia, neuvotteluja eikä vastuuta päätöksestä. Se siirtää rekrytoijan työn painopisteen manuaalisesta läpikäynnistä tulkintaan, todentamiseen ja ihmisten väliseen yhteydenpitoon.

Millaiseen rekrytointiin pisteytys ei sovi?

Se voi tuoda vähemmän arvoa prosesseissa, joissa kandidaatteja on erittäin vähän, kriteerit ovat epäselvät, luottamuksellisella markkinatiedolla on ratkaiseva rooli tai painopiste on vasta vuorovaikutuksessa arvioitavassa osaamisessa. Sitä ei pitäisi käyttää väkisin vain siksi, että se on saatavilla.

Miten aloittaa AI Scoringin testaus?

On parasta valita muutama rooli, joissa on selkeät vaatimukset, laatia kriteerit, testata toimintoa edustavilla profiileilla ja verrata tuloksia rekrytoijien itsenäiseen arvioon. Tämän jälkeen on määritettävä säännöt ihmisen tekemälle arvioinnille, koulutettava käyttäjät ja mitattava niin aikaa kuin laatua ja riskejä.

33. Yhteenveto – AI Scoring ei valitse ihmistä, vaan tukee arviointia

Kandidaattien AI Scoring on yksi käytännöllisimmistä tekoälyn sovelluksista nykyaikaisessa rekrytointijärjestelmässä. Se voi auttaa tiimejä järjestämään saapuvat hakemukset nopeammin, peilaamaan profiileja vaatimuksiin johdonmukaisemmin, valmistautumaan haastatteluihin paremmin ja tekemään sujuvampaa yhteistyötä rekrytoivien esihenkilöiden tai asiakkaiden kanssa. Sen arvo ei kuitenkaan synny pelkästä luvusta välillä 0–100. Tärkeimpiä ovat konteksti, selitys, kriteerien laatu sekä mahdollisuus tarkistaa ja kyseenalaistaa arvio.

Pisteytys ei ole AI Matching. Sitä ei käytetä ensisijaisesti kandidaattien etsimiseen tietokannasta, vaan hakemuksen tai kandidaatin arviointiin tietyssä projektissa. Se ei ole CV-parseri, vaikka se hyödyntääkin luettua dataa. Se ei myöskään ole yksinkertainen karsiva kysymys eikä automaattinen hylkäyspäätös. Se voi kytkeytyä näihin toimintoihin, mutta jokaisella niistä on eri tehtävä ja eri riskitaso.

Suurin virhe olisi ajatella, että numero päättää keskustelun. Tulos voi auttaa järjestämään työtä, muttei sen pitäisi määrittää kandidaatin arvoa tai korvata keskustelua. Dokumentit ovat epätäydellisiä, kriteerit voivat olla virheellisiä ja mallit voivat luoda epätarkkoja tai vinoutuneita johtopäätöksiä. Siksi laadukas järjestelmä osoittaa sopivuuden lisäksi myös puuttuvat tiedot, rajoitukset sekä kysymykset todentamista varten.

Vuonna 2026 vastuullinen AI Scoringin käyttöönotto vaatii kolmen näkökulman yhdistämistä. Ensimmäinen on tuottavuus: säästääkö toiminto todellisuudessa aikaa ja parantaako se prosessin laatua. Toinen on rekrytointikäytäntö: liittyvätkö kriteerit työhön ja säilyttääkö rekrytoija oman harkintakykynsä. Kolmas on hallintotapa (governance): valvooko organisaatio dataa, vinoumia, turvallisuutta, läpinäkyvyyttä sekä GDPR:n ja tekoälyasetuksen (AI Act) noudattamista.

Lähteet ja jatkolukemista

[1] Euroopan parlamentti ja neuvosto, Asetus (EU) 2024/1689 – Tekoälyasetus (Artificial Intelligence Act), erityisesti liite III, 4 kohta koskien rekrytointia ja kandidaattien arviointia: https://eur-lex.europa.eu/legal-content/FI/TXT/?uri=CELEX:32024R1689

[2] Euroopan parlamentti ja neuvosto, Asetus (EU) 2016/679 – GDPR, erityisesti 22 artikla koskien automaattista yksittäispäätöksentekoa: https://eur-lex.europa.eu/eli/reg/2016/679/oj/fin

[3] Euroopan komissio, Draft Commission guidelines on the classification of high-risk AI systems, sisältäen materiaalit koskien tekoälyasetuksen liitettä III, 2026: https://digital-strategy.ec.europa.eu/en/library/draft-commission-guidelines-classification-high-risk-ai-systems

[4] Euroopan komissio, Guidelines for providers and deployers of AI high-risk systems – ajantasainen aikataulu korkean riskin järjestelmien sääntöjen soveltamisesta, 2026: https://digital-strategy.ec.europa.eu/en/policies/guidelines-ai-high-risk-systems

[5] Euroopan komissio, AI Literacy – Questions & Answers, ajantasaista tietoa koskien tekoälyasetuksen 4 artiklaa: https://digital-strategy.ec.europa.eu/en/faqs/ai-literacy-questions-answers

[6] Information Commissioner’s Office, Thinking of using AI to assist recruitment? Our key data protection considerations, 2024: https://ico.org.uk/about-the-ico/media-centre/news-and-blogs/2024/11/thinking-of-using-ai-to-assist-recruitment-our-key-data-protection-considerations/

[7] Wen A. et al., FAIRE: Assessing Racial and Gender Bias in AI-Driven Resume Evaluations, 2025: https://arxiv.org/abs/2504.01420

[8] Hunkenschroer A. L., Luetge C., Ethics of AI-Enabled Recruiting and Selection: A Review and Research Agenda, Journal of Business Ethics, 2022: https://link.springer.com/article/10.1007/s10551-022-05049-6

[9] Information Commissioner’s Office, AI tools used in recruitment – audit outcomes and recommendations, 2024: https://ico.org.uk/action-weve-taken/audits-and-overview-reports/2024/11/ai-tools-used-in-recruitment/

[10] National Institute of Standards and Technology, NIST Artificial Intelligence Risk Management Framework (AI RMF 1.0): https://www.nist.gov/itl/ai-risk-management-framework

[11] Information Commissioner’s Office, Automated decisions can streamline the hiring process with the right safeguards in place, 2026: https://ico.org.uk/about-the-ico/media-centre/news-and-blogs/2026/03/automated-decisions-can-streamline-the-hiring-process-with-the-right-safeguards-in-place/

[12] Recruitify, Mikä on ATS? Täydellinen opas rekrytointijärjestelmiin (2026):

https://www.recruitify.ai/fi/blogi/mika-on-ats-taydellinen-opas-rekrytointijarjestelmiin-2026/

Toimituksen huomautus: artikkeli kuvailee periaatteita ja hyviä käytäntöjä yleisellä tasolla. Se ei muodosta oikeudellista neuvontaa. Tietyn tekoälyjärjestelmän luokittelu ja velvoitteet riippuvat sen käyttötarkoituksesta, rakenteesta, datasta, käyttöönottotavasta sekä todellisesta vaikutuksesta päätöksentekoon.