Vad en Stanford-studie av 4 miljoner jobbansökningar säger om ditt jobbsökande

Du skickar iväg ansökningar. De flesta tystnar. Inget avslag, ingen intervju, ingenting. Det är lätt att läsa tystnaden som en dom över dig.

En ny studie från Stanford antyder att tystnaden ofta är mekanisk, och att sättet de flesta söker på gör den värre.

Studien

Forskare vid Stanford, Chapman och Northeastern fick tag på något ovanligt: ett dataset med verkliga anställningsbeslut fattade av skarpa gallringsalgoritmer, följda över många arbetsgivare samtidigt. Siffrorna är stora. De analyserade 4 197 168 ansökningar från 3 372 132 sökande till 1 746 tjänster hos 156 arbetsgivare. Den publicerades på FAccT 2026, den främsta akademiska arenan för den här typen av arbete.

Tre saker i den spelar roll om du söker jobb.

1. En maskin gallrar dig oftast först, och en människa ser kanske aldrig din ansökan

Studien noterar att över 90 procent av de stora arbetsgivarna nu använder algoritmer för att gallra eller rangordna sökande. När modellen returnerar "rekommenderas inte" blir den sökande, med forskarnas ord, sannolikt avvisad utan att en människa ens tittat på den.

Så den första läsaren av din ansökan är ofta inte en rekryterare. Det är mjukvara. Det är inte längre en konspirationsteori. Det är ett uppmätt faktum med ett urval i miljonklassen.

2. Samma fåtal leverantörer avgör för tusentals företag

De flesta arbetsgivare bygger inte sina egna gallringsverktyg. De köper dem från ett litet antal leverantörer. Studien pekar på att en leverantörs verktyg användes av mer än 60 procent av Fortune 100 och av åtta av de tio största amerikanska federala myndigheterna.

Forskarna kallar resultatet en algoritmisk monokultur. När många företag lutar sig mot samma modell hänger ett "nej" hos ett företag ihop med ett "nej" hos nästa. Du får inte en färsk, oberoende bedömning varje gång du söker. Du får ofta samma omdöme, upprepat.

3. Att söka ett fåtal perfekta roller är det riskablaste du kan göra

Det här är slutsatsen att agera på. Eftersom samma logik gallrar dig om och om igen blir vissa sökande bortsorterade nästan överallt de söker. Forskarnas praktiska slutsats för jobbsökare är rak: du måste söka brett för att ha en verklig chans att en människa till slut tittar på din ansökan.

Att söka smalt känns disciplinerat. Datan säger att det koncentrerar din risk. Bredd är försvaret.

Där jag är försiktig, eftersom produkten jag bygger vägrar att lova för mycket

Studien tittade på en specifik sorts gallring: färdighetstester, inte tolkning av CV. Författarna säger rakt ut att CV-gallring kan bete sig annorlunda. Så jag tänker inte påstå att det här bevisar att CV-robotar är partiska, eller citera en enda skrämmande procentsats som om den beskrev alla. Det gör den inte, och en studie så här bra förtjänar att läsas för vad den faktiskt säger.

Det den fastställer är gediget: algoritmisk gallring är nu standard, ett fåtal leverantörer håller grinden, och att söka brett slår att söka smalt. Det räcker för att ändra hur du söker jobb.

För läsare i Sverige och Norden

Det här är inte bara en amerikansk historia. EU:s AI-förordning klassar nu rekryteringsalgoritmer som högrisksystem, med efterlevnadskrav för företagen som bygger och använder dem från och med 2 augusti 2026. Maskinerna som gallrar europeiska sökande är verkliga, och från i sommar är de formellt reglerade. Ämnet är på väg att bli mycket mer offentligt.

Vad du ska göra åt det

Den ärliga slutsatsen är obekväm för alla som avskyr onödigt slit. Du behöver söka fler roller, inte färre. Problemet är att göra det för hand, samtidigt som du skräddarsyr varje ansökan så att den inte blir generisk utfyllnad, tar timmar du inte har. Det är precis knipan.

Det är anledningen till att jag byggde CVFriend. Det håller hela din historik en gång, lyfter fram roller som passar, och skriver ett skräddarsytt CV och personligt brev för var och en i din egen röst, poängsatt så att du ser att det klarar gallringen. Bredd utan slitet, och utan maskinprosan som får dig bortsorterad av ett annat skäl.

Tystnaden handlar inte alltid om dig. Ibland handlar den om hur systemet är byggt, och hur du spelar det. Den andra delen kan du ändra idag.

Källa: Bommasani, R., Bana, S. H., Creel, K. A., Jurafsky, D., och Liang, P. (2026). Algorithmic Monocultures in Hiring. ACM Conference on Fairness, Accountability, and Transparency (FAccT '26). arXiv:2605.27371. DOI 10.1145/3805689.3812400.