AI zrujnowała CV. Co dalej?
Wnioski dotyczące przebiegu pracy: Tradycyjne metody rekrutacji faworyzują selekcję niewielkiego odsetka kandydatów, pozostawiając większość bez rozpatrzenia.
Wyzwanie związane z AI: Narzędzia AI zwiększają efektywność, ale podczas rekrutacji nie potrafią skutecznie oceniać rzeczywistej efektywności kandydatów.
Koszt aplikowania: Łatwość aplikowania na stanowiska doprowadziła do wzrostu liczby zgłoszeń, komplikując proces filtrowania.
Utrata wartości sygnałów: Powszechnie stosowane wskaźniki rekrutacyjne tracą wiarygodność, przez co trudniej identyfikować wykwalifikowanych kandydatów.
Koncentracja na umiejętnościach: Przyjęcie podejścia opartego przede wszystkim na umiejętnościach mogłoby usprawnić rekrutację, lecz wdrożenie go nadal stanowi poważne wyzwanie.
Przez lata przepływ pracy w większości zespołów rekrutacyjnych przebiegał według tych samych kroków. Opublikować ofertę pracy, przejrzeć najlepsze aplikacje, dokonać wstępnej selekcji najsilniejszych kandydatów, a następnie przesłać kierownikowi ds. rekrutacji najlepsze propozycje.
System przez wiele lat sprawdzał się jako metoda znajdowania najlepszych talentów dla firmy.
Problem polega na tym, że — jak przedstawił go na początku tego miesiąca podczas wydarzenia Transform Tim Sackett, dyrektor generalny HRUTech.com i autor książki Naprawa talentów: przewodnik lidera po rekrutacji świetnych talentów — jest to w dużej mierze fikcja.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Gdy oferta pracy przyciąga od 250 do 300 aplikacji (a wiele ofert przyciąga ich znacznie więcej), typowy rekruter przegląda 25, może 30 z nich. Oznacza to, że jakiekolwiek rozważenie dotyczy zaledwie 2–3% puli kandydatów. Reszta znika.
„Mówimy kierownikom ds. rekrutacji, że szukamy najlepszych talentów na rynku” — powiedział. „W rzeczywistości do procesu trafia zaledwie niewielka część kandydatów”.
Ta rozbieżność między tym, co obiecują zespoły rekrutacyjne, a tym, co faktycznie są w stanie zrobić, istnieje od dziesięcioleci. AI jej nie stworzyła. Jednak AI znacznie utrudniła jej ograniczenie, a narzędzia, które organizacje pospiesznie wdrażają, mogą mierzyć dokładnie niewłaściwe rzeczy.
Problem pomiaru poprzedza technologię
Leanne Markus, dyrektorka zarządzająca w Centranum Group i psycholożka organizacyjna, która współpracuje z organizacjami nad ramami kompetencji oraz oceną opartą na kompetencjach, wskazuje rozróżnienie, które większość procesów rekrutacyjnych zaciera. Chodzi o różnicę między kwalifikacjami, wiedzą a kompetencjami.
Kwalifikacje — wykształcenie, certyfikaty, szkolenia — wskazują na przygotowanie i potencjał. Testowanie wiedzy może wskazywać na poziom zrozumienia. Żadne z nich nie dowodzi jednak wiarygodnie zdolności do pracy w rzeczywistym środowisku zawodowym.
Dziesięciolecia badań psychologicznych pokazują, że wiedza związana z konkretnym stanowiskiem — mówi Markus. — Zdolność do odpowiedniego zastosowania jej w danym kontekście jest najważniejszym pojedynczym predyktorem wyników pracy.
CV z założenia mierzy pierwszą kategorię i w pewnym stopniu sygnalizuje drugą. Nigdy nie mierzyło trzeciej.
Organizacje historycznie akceptowały ten kompromis, ponieważ CV było przynajmniej praktycznym narzędziem filtrowania — sposobem na przejście od setek aplikacji do możliwej do przeprowadzenia rozmowy, przy założeniu, że podczas rozmowy kwalifikacyjnej pojawi się lepszy sygnał.
To założenie obecnie załamuje się na obu końcach procesu.
Co selekcjonuje AI
Gdy AI trafia do lejka rekrutacyjnego, jej zwolennicy zazwyczaj przedstawiają ją jako rozwiązanie problemu skali. Więcej kandydatów ocenianych szybciej i przy mniejszym udziale ludzkich uprzedzeń na wczesnych etapach. Nie zmienia to jednak tego, co jest mierzone za pomocą procesów rekrutacyjnych opartych na danych.
AI zwiększa efektywność selekcji, ale nie zmienia tego, co jest mierzone — mówi Markus. — Większość metod selekcji, w tym rozmowy kwalifikacyjne prowadzone z wykorzystaniem AI, opiera się na odpowiedziach. Wszystkie informacje pochodzą z deklaracji samych kandydatów. AI może przyspieszyć przetwarzanie, ale zasadniczo ocenia, jak dobrze kandydat potrafi opisać wykonywaną pracę, a nie to, czy rzeczywiście potrafi z powodzeniem ją wykonywać.
Ma to większe znaczenie, niż początkowo się wydaje, ponieważ dane szkoleniowe leżące u podstaw większości narzędzi rekrutacyjnych wykorzystujących AI pogłębiają ten problem. Systemy te uczą się, korelując dane z aplikacji i decyzje rekrutacyjne z ocenami wyników pracy. Jednak formalne oceny pracownicze mają niewielki związek z rzeczywistymi wynikami pracy. AI uczy się odtwarzać sygnał, który już wcześniej był zawodny.
Rezultatem jest system nagradzający kandydatów, którzy potrafią przekonująco opisywać wykonywaną pracę, co w 2026 roku oznacza kandydatów, którzy potrafią wykorzystać AI do przekonującego opisywania wykonywanej pracy.
„AI może wzmacniać spójne wzorce” — mówi Markus. „Nie oznacza to jednak, że są one prawidłowe. W środowisku czarnej skrzynki nie jest jasne, jak ważone są poszczególne czynniki”.
Jak się okazuje, problem skali może być niewłaściwym problemem do rozwiązania.
AI zwiększyła skalę tego problemu, umożliwiając organizacjom przetwarzanie jeszcze większej liczby napływających zgłoszeń kandydatów. Jednak ograniczeniem nie jest liczba zgłoszeń — lecz dostęp.
Koszt aplikowania spadł do zera
Skala tego, co wydarzyło się po stronie kandydatów, wciąż nie została w pełni uwzględniona przez większość działów rekrutacji. Aaron Wang, dyrektor generalny Alex AI, jasno przedstawił tę kwestię strukturalną podczas Transform: rynkowy koszt aplikowania na stanowisko spadł niemal do zera.
Kandydat mający dostęp do dowolnego popularnego narzędzia AI może w ciągu jednej nocy aplikować na setki stanowisk, dostosowując każdą aplikację do konkretnego opisu stanowiska, profilu osoby zarządzającej rekrutacją oraz deklarowanych przez pracodawcę wartości.
Te same narzędzia mogą przygotować kandydatów do dowolnego formatu selekcji, z którym zetkną się po drugiej stronie, w tym do rozmów kwalifikacyjnych z AI. Lejek, który kiedyś odfiltrowywał kandydatów na podstawie włożonego wysiłku, obecnie filtruje niemal wyłącznie według liczby zgłoszeń.
Wang przedstawił to jako eskalację, od której żadna ze stron nie może się wycofać. Opisał bliską przyszłość, w której agenci AI kandydatów będą autonomicznie negocjować warunki i aplikować na stanowiska, napotykając po drugiej stronie systemy AI pracodawców.
„Ta przyszłość jest nie tylko możliwa, ale może być prawdopodobna” — powiedział. To, co taki system faktycznie mierzyłby, pozostaje otwartym pytaniem.
Na razie praktycznym skutkiem jest to, że aplikacja stała się jeszcze mniej wiarygodnym sygnałem. Kandydaci najlepiej dopasowani do stanowiska mogą nie być tymi, którzy najlepiej prezentują się na papierze, szczególnie gdy ten papier został zoptymalizowany tak, aby pokonać ATS.
Odgrywane sygnały
Osłabienie wiarygodnych sygnałów nie ogranicza się do aplikacji. Sabra Sciolaro, dyrektorka ds. personalnych w FirstUp, wskazuje na równoległy rozpad wewnątrz organizacji, który ma bezpośrednie znaczenie dla tego, jak należy rozumieć sygnały rekrutacyjne.
W niedawnym badaniu FirstUp, obejmującym ponad 3000 pracowników ze Stanów Zjednoczonych i Kanady, od 75 do 89% pracowników na różnych stanowiskach zadeklarowało zaangażowanie. Od 40 do 46% tych samych pracowników stwierdziło, że aktywnie rozważa odejście z pracy w tym roku.
Zaangażowanie, podobnie jak entuzjazm podczas rozmowy kwalifikacyjnej, jest sygnałem, który można odegrać. Nie przewiduje ono rezultatów.
Wiele sygnałów, na których polegały firmy, łatwo odegrać, ale nie przewidują one takich rezultatów jak retencja czy efektywność. Sygnały silniej skorelowane z rzeczywistą efektywnością dotyczą tego, jak ludzie poruszają się wśród złożonych informacji i jak szybko dostosowują się do zmian priorytetów — to cechy, które ujawniają się z czasem i w kontekście, a nie podczas pojedynczej interakcji wspomaganej przez AI.
To ujęcie ma zastosowanie również wcześniej, na etapie poprzedzającym zatrudnienie. Cechy, które czynią kogoś dobrym pracownikiem, są w dużej mierze tymi samymi cechami, które mają znaczenie u kandydata, a ani CV, ani ustrukturyzowana selekcja z wykorzystaniem AI nie są dobrze zaprojektowane do ich ujawniania.
More Articles
- Raport sygnałów: Wnioski z Transform 2026
- Szefowa ds. pozyskiwania talentów w Thoughtworks zdradza, jak dzięki AI przekształcić rekrutację w proces oparty na danych i predykcyjny
- Wiceprezes ds. Ludzi i Organizacji w firmie AI o statusie jednorożca mówi, że liderzy HR muszą stać się architektami zespołu ludzi i maszyn
- AI w selekcji CV: poprawa spójności, skali i jakości oceny
- Były dyrektor HR w firmach z grupy FAANG ostrzega przed AI w rekrutacji bez odpowiednich zabezpieczeń skoncentrowanych na człowieku
Co zamiast tego robią praktycy
Ben Lamarche, dyrektor generalny Lock Search Group, zmienił moment procesu, w którym stara się dotrzeć do rzeczywistych sygnałów. Zamiast czekać na zaplanowaną rozmowę, aby rozpocząć autentyczną konwersację, przenosi tę interakcję na pierwszy dzień kontaktu z kandydatem.
Prawdziwa rozmowa zwykle pojawiała się w procesie dopiero po zaplanowaniu rozmowy kwalifikacyjnej. Teraz często odbywa się już pierwszego dnia. Celem jest jak najszybsze wyjście z etapu analizy dokumentów i przejście do rzeczywistej interakcji, w której znacznie trudniej polegać na dopracowanym scenariuszu.
Gdy przegląda aplikacje, jego metodologia przesunęła się w stronę tego, co życiorysy ujawniają w lukach między deklarowanymi osiągnięciami.
AI może pomóc kandydatowi napisać mocny punkt w życiorysie. Nie jest jednak w stanie łatwo odtworzyć specyfiki konkretnego doświadczenia w sytuacji presji.
„Kiedy zaczynam zadawać konkretne pytania” — mówi Lamarche — „dość szybko wyczuwam, czy to prawdziwe doświadczenie, czy wyuczona odpowiedź”.
Zwraca również uwagę na zniekształcenie, które masowe stosowanie AI w selekcji kandydatów tworzy na dużą skalę: kandydaci wykorzystujący AI do optymalizacji swojej prezentacji mogą przechodzić przez początkowe etapy właśnie dlatego, że wyglądają profesjonalnie, podczas gdy spokojniejsi, bardziej kompetentni kandydaci są odrzucani, zanim ktokolwiek dysponujący odpowiednim osądem ich zobaczy.
Problemem nie jest tylko szum informacyjny, lecz szum, który systematycznie faworyzuje określone style prezentacji kosztem rzeczywistych kompetencji.
Markus przedstawia bardziej uporządkowaną alternatywę, którą opisuje jako przejście od przewidywania wyników pracy do wymagania dowodów ich osiągania.
Sekwencja, którą stosuje z klientami, obejmuje wstępną selekcję pod kątem kwalifikacji i wymogów regulacyjnych, następnie testowanie wiedzy specyficznej dla danego stanowiska, później ustrukturyzowane dowody wcześniejszych zastosowanych kompetencji na podstawie zweryfikowanych przykładów pracy i historii realizacji zadań, dalej ukierunkowane pytania potwierdzające te dowody, a na końcu potwierdzenie kompetencji w ramach wdrożenia i okresu próbnego.
Ten ostatni etap ma większe znaczenie, niż przypisuje mu większość organizacji. Jeśli celem jest potwierdzenie kompetencji w rzeczywistym kontekście, okres próbny jest czymś więcej niż formalnością — to najbardziej wiarygodny dostępny etap oceny, a większość firm przestała wykorzystywać go w tym celu.
Dokąd prowadzi podejście oparte na umiejętnościach
Ruch na rzecz rekrutacji opartej na umiejętnościach w ciągu ostatnich kilku lat zdobył znaczną uwagę organizacji, częściowo dlatego, że odnosi się do rzeczywistego problemu: kwalifikacje i pochodzenie zawodowe są słabymi wskaźnikami tego, co dana osoba faktycznie potrafi. Lamarche i Markus zgadzają się, że kierunek jest właściwy.
Zmusza firmy do bardziej precyzyjnego zastanowienia się nad tym, czego rzeczywiście wymaga dane stanowisko, zamiast automatycznie opierać się na kwalifikacjach czy pochodzeniu zawodowym — mówi Lamarche. — To pozytywna zmiana.
Problem pojawia się na etapie wdrażania.
Wiele wdrożeń nadal opiera się na bardzo ogólnych taksonomiach umiejętności i deklarowaniu umiejętności przez samych kandydatów. Rekrutacja oparta na umiejętnościach nie pomaga, jeśli nie istnieje wyraźne powiązanie między konkretnymi obowiązkami na danym stanowisku, kompetencjami potrzebnymi do ich realizacji a sposobem walidacji tych kompetencji na poziomie rzeczywistych zadań. Większość organizacji nie zbudowała takiego powiązania. Zastąpiły jeden zestaw słabych wskaźników innym i nazwały to postępem.
Problem skali nie ma prostego rozwiązania. Tysięcy kandydatów nie da się realistycznie wyselekcjonować za pomocą symulacji lub prób pracy na danym stanowisku. Najpierw coś musi przefiltrować lejek rekrutacyjny, a obecnie jest to albo zespół rekruterów analizujących niewielki odsetek aplikacji, albo narzędzia AI oceniające wzorce językowe. Żadne z tych rozwiązań nie mierzy tego, co rekrutacja powinna faktycznie mierzyć.
Przeniesienie oceny o wysokiej wartości predykcyjnej na wcześniejszy etap, tworzenie ram oceny dostosowanych do danego stanowiska oraz traktowanie etapu analizy dokumentów jako etapu o niskiej wartości predykcyjnej — nic z tego nie jest technicznie trudne.
Jest po prostu wolniejsze i bardziej przemyślane niż opublikowanie ogłoszenia o pracę i pozwolenie, by ATS uporządkował wyniki. W środowisku, w którym szybkość stała się domyślną miarą efektywności rekrutacji, przemyślane podejście trudno sprzedać. Obecnie jest to także jedyny sposób, by dowiedzieć się, czy osoba, którą zatrudniasz, rzeczywiście potrafi wykonywać tę pracę.
