For at minimere risikoen for indbygget bias i AI-baseret rekruttering er det afgørende, at virksomheden tager aktive tekniske og organisatoriske greb. Da algoritmer trænes på historiske data, vil de uundgåeligt afspejle de mønstre og eventuelle fordomme, der har eksisteret i tidligere ansættelser. Hvis man tidligere primært har ansat mænd til lederstillinger, vil algoritmen lære, at køn er en succesfaktor.
En effektiv strategi er at anvende teknikker til datarensning, hvor man fjerner eller anonymiserer beskyttede karakteristika såsom køn, alder, etnicitet eller postnummer fra træningssættet. Det er dog vigtigt at være opmærksom på proxy-variable, hvor andre datapunkter indirekte kan afsløre de samme følsomme informationer.
Derudover bør virksomheden implementere løbende monitorering og regelmæssige bias-audits. Man bør teste algoritmens output for uforholdsmæssige skævheder ved brug af statistiske metoder som f.eks. 'four-fifths rule'. Endelig er det vigtigt at opretholde det menneskelige element, hvor AI fungerer som beslutningsstøtte frem for en autonom beslutningstager. En gennemsigtig proces, hvor rekrutteringskonsulenter kan forstå og udfordre algoritmens anbefalinger, er fundamentalt for at sikre en retfærdig og lovlig ansættelsesproces.
