Adoption and impact of AI in recruitment in India: the case of EaseMyHiring

This thesis investigates how early-stage AI tools are changing hiring outcomes and stakeholder expectations in the Indian context. Motivated by uneven claims about speed and fairness, the study triangulates three sources: firm workflow data from an AI-enabled recruitment process, an HR survey on adoption drivers and governance attitudes, and a candidate survey with psychographic segmentation and scenario tests. Methods emphasize descriptive statistics suited to Likert data, scale reliability and segmentation of candidate willingness under varying “explainability” and “human-in-the-loop” safeguards. Findings show that AI-assisted shortlisting reduced time-to-hire by roughly two-thirds. HR adoption intention correlates strongly with perceived usefulness and ease/fit and moderately with fairness/data-protection, social influence, and facilitating conditions. Candidate segmentation identifies Enthusiasts, Cautious, and Skeptics; adding plain-language explanations and a guaranteed human-review route significantly lifts Skeptics’ willingness while sustaining Enthusiasts’ high willingness. The thesis contributes an India-specific, evidence-based view of where efficiency gains can coexist with visible fairness. Practically, it recommends using AI to accelerate first-round screening while standardizing simple explanations, SLA-backed human review, and periodic bias checks. Limitations include convenience samples and observational baselines; future research should employ causal/longitudinal designs (e.g., stepped-wedge, diff-in-diff, field experiments) to validate and generalize these effects.

Questa tesi indaga come gli strumenti di IA nelle fasi iniziali stiano modificando gli esiti di assunzione e le aspettative degli stakeholder nel contesto indiano. Motivato da evidenze disomogenee su velocità ed equità, lo studio triangola tre fonti: dati di workflow aziendale da un processo di selezione abilitato dall’IA, un questionario rivolto alle Risorse Umane sui driver di adozione e sugli atteggiamenti verso la governance, e un questionario rivolto ai candidati con segmentazione psicografica e test di scenario. Le metodologie enfatizzano statistiche descrittive adeguate a dati Likert, l’affidabilità delle scale e la segmentazione della disponibilità dei candidati sotto differenti salvaguardie di “spiegabilità” e “human-in-the-loop”. I risultati mostrano che lo shortlisting assistito dall’IA ha ridotto il time-to-hire di circa due terzi. L’intenzione di adozione da parte delle HR correla fortemente con l’utilità percepita e con la facilità/adattamento, e moderatamente con equità/protezione dei dati, influenza sociale e condizioni abilitanti. La segmentazione dei candidati identifica Entusiasti, Cauti e Scettici; l’aggiunta di spiegazioni in linguaggio semplice e di un percorso garantito di revisione umana aumenta significativamente la disponibilità degli Scettici, mantenendo elevata quella degli Entusiasti. La tesi contribuisce con una prospettiva basata su evidenze e specifica per l’India su come i guadagni di efficienza possano coesistere con un’equità visibile. In termini pratici, raccomanda di utilizzare l’IA per accelerare lo screening del primo round, standardizzando al contempo spiegazioni semplici, revisione umana supportata da SLA e controlli periodici dei bias. Le limitazioni includono campioni di convenienza e baseline osservative; le ricerche future dovrebbero impiegare disegni causali/longitudinali (ad es., stepped-wedge, difference-in-differences, esperimenti sul campo) per validare e generalizzare tali effetti.