Przykłady zastosowania AI w HR: 11 rzeczywistych przypadków wykorzystania AI przez zespoły ds. kadr

Dla zespołu ds. pracowników oznaczało to zmierzenie się z wieloletnimi wyzwaniami związanymi ze wspieraniem wyników, szczególnie z tym, jak pracownicy wyznaczają i śledzą cele.

Pomimo wcześniejszej automatyzacji praktyki wyznaczania celów w Zapier były niespójne i uciążliwe. Pracownicy mieli trudności z formułowaniem mierzalnych i zgodnych celów, a menedżerom brakowało wglądu w ich jakość w poszczególnych działach.

Tradycyjne modele wyznaczania celów się nie sprawdzały, a pracownicy mający mało czasu często tracili zaangażowanie w ten proces, co groziło lukami w spójności działań i słabszymi wynikami pracowników.

Działanie AI

Emily Mabie, liderka Zapier ds. wspierania menedżerów, stworzyła kompleksowy system oparty na AI, który wspierał wyznaczanie celów — od coachingu indywidualnych pracowników po analizę trendów w całych zespołach. Projekt wykorzystywał technologie AI za pośrednictwem pięciu natywnych narzędzi Zapier, połączonych w jeden system w czasie krótszym niż dwa tygodnie:

1. Chatbot coachingowy AI: Bot umieszczony na stronie internetowej stworzonej przez Zapier prowadził pracowników przez autorski model AMP firmy Zapier dotyczący wyznaczania celów. AI zapewniała wskazówki, przypomnienia i przykłady w czasie rzeczywistym, wszystkie oparte na oczekiwaniach Zapier dotyczących celów o dużym wpływie i elastycznej konstrukcji. Ograniczyło to rutynowe zadania HR, jednocześnie zwiększając zaangażowanie.
2. Automatyczne gromadzenie danych: Rozmowy pozbawiano informacji umożliwiających identyfikację osoby (PII), a następnie za pomocą niestandardowego przepływu pracy Zapier kierowano je do bazy danych Zapier Table, tworząc centralne repozytorium danych pracowników przy zachowaniu prywatności. Zbiory te stały się cennym źródłem do bieżącej analizy.
3. Agent AI zaplecza: Agent Zapier analizował następnie wszystkie zarejestrowane rozmowy przy użyciu uczenia maszynowego, aby wskazać miejsca rezygnacji i zidentyfikować obszary słabych celów (np. niejasność, brak zgodności). Analiza danych ujawniła wzorce niewidoczne podczas ręcznego przeglądu.
4. Warstwa raportowania dla menedżerów: Agent dostarczał bieżących informacji coachingowych, umożliwiając zespołowi L&D optymalizację wsparcia w zakresie wyznaczania celów, przekształcając dane z rozmów w strategię i wspierając ciągłe doskonalenie programów szkoleniowych. Liderzy biznesowi mogli teraz obserwować wyraźne wskaźniki dotyczące trendów jakości celów.
5. Strategia dystrybucji i adopcji: Promocja między pracownikami za pośrednictwem Slacka, wewnętrzni ambasadorzy w każdym dziale oraz jasne komunikaty „co będziesz z tego mieć” doprowadziły do 91% udziału w pierwszym cyklu (ponad 800 unikalnych użyć chatbota), pokazując skuteczne wdrożenie AI.

Rezultaty

• 91% uczestnictwa w wyznaczaniu celów z wykorzystaniem chatbota AI — znacznie więcej niż przy zaangażowaniu pracowników w poprzednie systemy.
• Przeanalizowano ponad 800 rozmów dotyczących wyznaczania celów, co doprowadziło do mierzalnej poprawy szczegółowości i spójności celów.
• Wzrost jakości celów w kolejnych cyklach — cele stały się bardziej mierzalne, strategiczne i wyraźniej powiązane z celami działów oraz całej firmy, bezpośrednio poprawiając wskaźniki efektywności pracowników.
• Pełne wdrożenie od pilotażu do zastosowania na szeroką skalę w czasie krótszym niż dwa tygodnie dzięki kulturze eksperymentowania w firmie Zapier i infrastrukturze niskokodowej.

Wniosek dla kadry kierowniczej

Nie chodziło tylko o zastąpienie formularza przez AI — AI stworzyła pętlę informacji zwrotnej. Zapier osadził AI w całym procesie wyznaczania celów: w coachingu, analizowaniu, doskonaleniu i wzmacnianiu kultury organizacyjnej. Rozwiązanie zadziałało nie dlatego, że AI robiła wszystko, lecz dlatego, że specjaliści HR zaprojektowali to doświadczenie z empatią, uwzględnieniem kontekstu i przejrzystością.

Czerwona flaga

Nawet dobrze zaprojektowane systemy AI zawodzą, jeśli leżące u ich podstaw ramy działania są słabe. Zapier przekonał się o tym osobiście, gdy jego początkowe ramy wyznaczania celów nie przyniosły oczekiwanych rezultatów mimo technicznie sprawnego chatbota. Przejście na prostszy i bardziej intuicyjny model AMP odblokowało lepsze wyniki. Wniosek? Skuteczność AI nadal zależy od przemyślanego projektu.

Szczerze (z radą)

AI nie jest drogą na skróty do lepszych rezultatów — to skalpel, a nie młotek. Jak ujęła to Mabie:

Nie zbudowaliśmy tego rozwiązania dlatego, że AI była efektowną nowinką. Zbudowaliśmy je, ponieważ wyznaczanie celów nie działało. Ludzie byli sfrustrowani procesem, a nie jego celem — AI dała nam sposób, by uczynić go łatwiejszym, szybszym i naprawdę użytecznym.

Jeśli chcesz powtórzyć sukces Zapiera:

• Zacznij od solidnych ram działania. AI nie naprawi wadliwych podstaw. Wybierz prostą i elastyczną strukturę, która sprawdzi się w Twoim zespole.
• Projektuj z myślą o informacji zwrotnej. Wykorzystuj AI do rejestrowania miejsc, w których użytkownicy rezygnują, punktów powodujących dezorientację i sukcesów, a następnie szybko się dostosowuj.
• Wykorzystuj kulturę wewnętrzną. Ambasadorzy wśród współpracowników i promocja prowadzona natywnie w Slacku za każdym razem sprawdzają się lepiej niż odgórne nakazy.
• Zadbaj o własne narzędzia. W pełni natywne, niskokodowe rozwiązanie Zapiera pozwoliło utrzymać niskie koszty i szybko wprowadzać kolejne iteracje.

Przed i po: wyznaczanie celów z Zapierem i AI

Obszar	Przed AI	Po wdrożeniu AI
Jakość wyznaczania celów	Niespójne, nieprecyzyjne i słabo powiązane cele; ramy działania nie sprawdzały się w praktyce	Wyraźny wzrost przejrzystości, szczegółowości i powiązania celów z priorytetami organizacji dzięki coachingowi AI
Uczestnictwo	Zróżnicowany poziom przesyłania celów; trudności ze śledzeniem zaangażowania	91% uczestnictwa, a także zarejestrowanych ponad 800 sesji wyznaczania celów prowadzonych przez chatbota
Wnioski dotyczące wsparcia wdrożenia	Brak scentralizowanych danych pozwalających analizować, co działało i w których miejscach użytkownicy rezygnowali	Agent AI dostarczał pętle informacji zwrotnej dotyczące jakości celów, punktów powodujących trudności i wzorców adopcji
Szybkość wdrożenia	Nowe narzędzia zwykle wymagały wielomiesięcznego zarządzania zmianą	Pełne wdrożenie od projektu do zastosowania na szeroką skalę ukończono w czasie krótszym niż dwa tygodnie, przy silnym wsparciu współpracowników i kadry kierowniczej
Obciążenie administracyjne	Ręczna weryfikacja celów i niejasny wpływ działań wspierających wdrożenie	Agent AI nieustannie analizował wyniki i rekomendował strategiczne modyfikacje działań wspierających wdrożenie w celu poprawy rezultatów

2. Flowable

Jeden z trzech największych globalnych banków zarządzających majątkiem zmagał się z jednym z najbardziej złożonych procesów w bankowości prywatnej: weryfikacją źródła majątku (SOW). Zanim można było wdrożyć nowego klienta o wysokiej wartości majątku, bank musiał — często z najwyższą dokładnością — ustalić, że jego pieniądze są legalne, pochodzą z wiarygodnego źródła i można prześledzić ich pochodzenie. Wymagało to przeglądania setek stron dokumentów, rejestrów publicznych, transakcji biznesowych i historii finansowych.

Przepływ pracy był ręczny, powtarzalny i powolny. Wymagał ciągłej wymiany informacji między doradcą klienta a specjalistą ds. należytej staranności, przez co proces często wydłużał się do 5–6 tygodni. W rezultacie doświadczenie klienta było frustrujące, co prowadziło do rezygnacji na poziomie nawet 25–30% już na tym wczesnym etapie.

Zastosowanie AI

Choć bank rozwiązywał problem dotyczący obsługi klienta, jego źródłem były wewnętrzne przepływy pracy, które również pogarszały doświadczenie pracowników. Bank nawiązał współpracę z firmą Flowable, która wdrożyła zaawansowaną architekturę agentowej AI opartą na algorytmach uczenia maszynowego w celu automatyzacji należytej staranności dotyczącej SOW. Transformacja przebiegała w dwóch fazach:

Faza 1: Wyspecjalizowani agenci AI — Flowable wdrożyła dedykowanych agentów do wyodrębniania danych z plików PDF, porównywania ich z rejestrami publicznymi (np. potwierdzania wyjścia założyciela z firmy na podstawie relacji medialnych), klasyfikowania historii zatrudnienia oraz podsumowywania ścieżek finansowych z wykorzystaniem przetwarzania języka naturalnego.

Faza 2: Orkiestrowany system agentowy — Warstwa orkiestracji oparta na obsłudze spraw koordynowała pracę ponad 28 agentów AI w celu realizacji kompleksowych przepływów pracy. Agenci ci obejmowali wyspecjalizowane moduły do porównywania historycznych wyników finansowych, weryfikowania ścieżek aktywów i oceny zgodności regionalnej — wszystko w ramach ścisłych granic uprawnień do danych.

Co najważniejsze, Flowable zapewniło punkty kontrolne „człowieka w pętli” (HITL) na kluczowych etapach podejmowania decyzji. Żaden agent nie mógł zatwierdzić ani odrzucić sprawy bez ostatecznej weryfikacji przez ludzi — profesjonalistów, co pozwoliło zachować zarówno zaufanie, jak i zgodność.

Rezultaty

Według Michy Kienera, dyrektora technicznego i współzałożyciela Flowable:

• Odpływ klientów spadł z 25–30% do poniżej 1% na etapie SOW, co przełożyło się na znaczne oszczędności dzięki poprawie retencji.
• Czas przetwarzania skrócił się z 40–45 dni do średnio zaledwie 1–2 dni.
• 95% przepływu pracy SOW jest obecnie w pełni autonomiczne, dzięki czemu doradcy klienta i specjaliści ds. należytej staranności mogą skupić się na zadaniach wymagających oceny i ludzkiej wiedzy.
• Brak oporu przed wdrożeniem — wręcz przeciwnie, pracownicy przyjęli je jako długo oczekiwaną poprawę uciążliwej funkcji, co pokazuje płynne wdrożenie AI.

Wniosek dla kadry kierowniczej

Dzięki zaprojektowaniu systemu orkiestracji dostosowanego do konkretnej domeny, zapewniającego przejrzystość, mechanizmy kontroli i jasny podział ról, instytucja odzyskała utracone przychody, zatrzymała najważniejszych klientów i umożliwiła pracownikom wykonywanie zadań o większej wartości, jednocześnie znacząco poprawiając doświadczenia pracowników. Liderzy biznesowi szybko dostrzegli zwrot z inwestycji w technologie AI.

Czerwona flaga

Bez solidnego zarządzania agentowa AI może stać się czarną skrzynką, stwarzając ryzyko braku zgodności, halucynacji i utraty zaufania. Flowable zdobyło poparcie kierownictwa, budując warstwę zarządzania sprawami z rygorystycznym nadawaniem uprawnień do danych, możliwością śledzenia i audytowalnością.

Szczerze mówiąc (z poradą)

Agentowa AI nie działa na zasadzie gotowego rozwiązania — to architektura. Jeśli poważnie myślisz o wykorzystaniu AI w regulowanych procesach pracy o wysokiej stawce:

• Twórz rozwiązania horyzontalne, a nie silosowe, które obejmują cały proces od początku do końca, zamiast skupiać się tylko na jego fragmentach.
• Traktuj zarządzanie priorytetowo: śledź każde wejście i wyjście, określaj granice agentów i zabezpieczaj uprawnienia do danych.
• Człowiek w pętli nie jest opcjonalny — to funkcja bezpieczeństwa i podstawa zaufania. Jak zauważa Kiener:

Ludzie myślą, że automatyzacja oznacza wyeliminowanie człowieka z procesu, ale jest odwrotnie. Kluczowe jest dokładne określenie, gdzie nadal potrzebna jest ocena. Nasza AI zajmuje się żmudną pracą, ale to ludzie podejmują ważne decyzje.

Przed i po: globalny bank prywatny + Flowable

Obszar koncentracji	Przed AI	Po wdrożeniu AI
Czas weryfikacji SOW	5–6 tygodni na klienta; powolna wymiana informacji między doradcami a specjalistami ds. należytej staranności	Średnio 1–2 dni przetwarzania przy 95% autonomicznej obsłudze przez AI
Odpływ klientów	25–30% rezygnacji z powodu opóźnień i wielokrotnych próśb o informacje	<1% odpływu podczas wdrażania klienta; płynny, wydajny proces oparty na wysokim zaufaniu
Obciążenie przepływu pracy	Ręczne wyodrębnianie dokumentów, wielokrotne wyjaśnienia, niewielka możliwość ponownego wykorzystania	Ponad 28 agentów AI koordynowanych w celu wyodrębniania, walidowania i podsumowywania informacji oraz eskalowania wyłącznie wyjątków
Ryzyko związane z zarządzaniem	Początkowe wykorzystanie otwartych narzędzi agentowych nie zapewniało możliwości śledzenia ani kontroli danych	Platforma Flowable oparta na obsłudze spraw egzekwowała uprawnienia do danych, ścieżki audytowe i nadzór człowieka

3. Maya AI do rekrutacji

Wiodący ubezpieczyciel na życie mierzył się z wąskimi gardłami w rekrutacji, typowymi dla środowisk prowadzących nabór na dużą skalę. Specjaliści HR poświęcali zbyt dużo czasu na ręczne przeglądanie życiorysów, kontaktowanie się z kandydatami, obsługę niekwalifikujących się aplikantów i zarządzanie dalszymi kontaktami — często na rozłącznych platformach, takich jak systemy ATS, LinkedIn, poczta e-mail i portale z ofertami pracy.

Proces był powtarzalny, niespójny i podatny na wypadanie kandydatów, a długi czas do rozmowy kwalifikacyjnej i niepojawianie się kandydatów na spotkaniach obciążały zespoły rekrutacyjne i opóźniały terminy zatrudnienia, ostatecznie wpływając zarówno na doświadczenia nowych pracowników, jak i na efektywność kluczowych funkcji HR.

Wykorzystanie AI

Ubezpieczyciel wdrożył Mayę — konwersacyjną platformę AI i automatyzacji przepływów pracy, wykorzystującą przetwarzanie języka naturalnego do zarządzania procesem rekrutacyjnym na jego początkowym etapie. Mayę skonfigurowano tak, aby:

• Automatycznie kontaktuj się z kandydatami za pomocą spersonalizowanych, konwersacyjnych wiadomości wysyłanych SMS-em, e-mailem lub za pośrednictwem niestandardowych formularzy.
• Wstępnie oceniaj i kwalifikuj kandydatów na podstawie wcześniej zdefiniowanych kryteriów, w tym analizuj życiorysy i zadawaj pytania związane z daną rolą, korzystając z algorytmów uczenia maszynowego — automatyzując tym samym analizę życiorysów na dużą skalę.
• Planuj rozmowy kwalifikacyjne za pomocą AI na podstawie dostępności rekruterów i wysyłaj automatyczne przypomnienia, aby ograniczyć liczbę niepojawień się na rozmowach, pomagając zoptymalizować jedno z najbardziej czasochłonnych zadań HR.
• Dostarczaj rekruterom uporządkowane podsumowania kandydatów, dzieląc zakwalifikowanych i niezakwalifikowanych kandydatów oraz podając powody w obu przypadkach, co umożliwia podejmowanie decyzji w większym stopniu opartych na danych i lepszą analizę jakości kandydatów.
• Dostosowuj ton i osobowość wypowiedzi (swobodne lub formalne) do marki firmy i charakteru stanowiska.

Konfiguracja zajęła dwa tygodnie, podczas których Maya została dostosowana do specyfiki procesów rekrutacyjnych firmy i wymogów dotyczących zgodności, pokazując szybkie wdrażanie AI.

Rezultaty

W ciągu zaledwie kilku tygodni od wdrożenia Maya przyniosła znaczący wzrost efektywności i konwersji:

• Wskaźnik zatrudnienia osiągnął 70% wśród kandydatów obsłużonych przez Mayę we wszystkich agencjach organizacji.
• Koszt jednej rozmowy kwalifikacyjnej spadł z 37$ do 13$ — o 65% w ciągu dwóch miesięcy, umożliwiając lepszą alokację zasobów na inne inicjatywy i generując znaczne oszczędności.
• Czas do rozmowy kwalifikacyjnej skrócił się z 5–7 dni do 1 dnia, znacząco zwiększając szybkość zatrudniania i poprawiając doświadczenia kandydatów jako pracowników.
• 92% kandydatów uważało, że rozmawia z prawdziwym człowiekiem, a nie z AI, co pokazuje zaawansowanie przetwarzania języka naturalnego.
• Maya w pełni zarządzała wstępną oceną zarówno zakwalifikowanych, jak i niezakwalifikowanych kandydatów, uwalniając rekruterów od tych zadań, aby mogli skupić się wyłącznie na wartościowych kandydatach i strategicznych funkcjach HR.

Wniosek dla kadry zarządzającej

Konwersacyjna AI opiera się na precyzyjnym zaangażowaniu. Maya przekształciła chaotyczny, ręczny proces na szczycie lejka rekrutacyjnego w uporządkowany przepływ pracy o wysokiej konwersji, pozwalając rekruterom robić to, co potrafią najlepiej: budować relacje z ludźmi i finalizować proces zatrudniania świetnych pracowników, a jednocześnie poprawiać ogólne zaangażowanie pracowników w proces rekrutacyjny.

Sygnał ostrzegawczy

Systemy oparte na ludziach nadal mogą być wąskim gardłem. Maya skutecznie kwalifikowała kandydatów, ale w niektórych przypadkach rekruterzy nie podejmowali dalszych działań, co prowadziło do utraty szans. AI musi iść w parze ze skutecznym wsparciem rekruterów, odpowiedzialnością i aktualizowanymi programami szkoleniowymi.

Szczera rozmowa (z poradą)

Shivam Ramphal, współzałożyciel Maya AI, udziela klientom tej samej porady, niezależnie od tego, co próbują osiągnąć.

Zawsze mówimy klientom: nie uruchamiajcie AI, dopóki nie będziecie wiedzieć, jak wygląda sukces. Jeśli nie macie jasno określonych celów lub przytłacza was skala, AI tylko to spotęguje. Ale jeśli macie wszystko dobrze dopracowane, AI staje się potężnym akceleratorem.

AI, taka jak Maya, może radykalnie poprawić skuteczność zatrudniania, ale tylko wtedy, gdy ludzie właściwie wywiążą się ze swojej części zadania.

• Określ realistyczne cele rekrutacyjne przed uruchomieniem AI w rekrutacji. Nie proś o 10 000 potencjalnych kandydatów, jeśli potrzebujesz 5 pracowników.
• Szkol AI jak pracownika: określ, co powinno mówić, czego nie powinno mówić oraz jak formalny lub osobisty powinien być jego styl.
• Wykorzystuj AI do wspierania, a nie zastępowania ludzi: zadaniem Mayi jest wstępna ocena — rekruterzy nadal muszą się zaangażować i finalizować zatrudnienie.

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Get Free Access

Have an account? Log In

Przed i po: Maya AI + Globe Life

Obszar	Przed wdrożeniem AI	Po wdrożeniu AI
Efektywność rekruterów	Rekruterzy ręcznie oceniali, kontaktowali się i podejmowali dalsze działania wobec każdego kandydata	Maya obsługiwała całą początkową komunikację i wstępną ocenę; rekruterzy widzieli tylko zakwalifikowanych kandydatów
Czas do rozmowy kwalifikacyjnej	5–7 dni od zgłoszenia do zaplanowania rozmowy	1 dzień od pierwszego kontaktu do potwierdzonej rozmowy
Koszt jednej rozmowy kwalifikacyjnej	Średnio 37$	13$ za rozmowę w ciągu 2 miesięcy — redukcja kosztów o 65%
Doświadczenie kandydata	Niespójna komunikacja; duży odpływ kandydatów	92% kandydatów uważało, że Maya jest człowiekiem; wyższy wskaźnik obecności na rozmowach i płynniejsze doświadczenie
Zaangażowanie rekruterów	Duże obciążenie pracą, niewielka dźwignia efektów	Rekruterzy skupiali się wyłącznie na kandydatach wartych zaproszenia na rozmowę, zwiększając skuteczność i morale
Wskaźnik zatrudnienia	Niejasna, opóźniona konwersja	Wskaźnik zatrudnienia na poziomie 70% wśród kandydatów obsłużonych przez Mayę

4. Wdrażanie pracowników z Tonkean

Globalny zespół HR w przedsiębiorstwie miał trudności z zapewnieniem szybkiego, spersonalizowanego wdrożenia, szczególnie w przypadku pracowników tymczasowych, takich jak kontraktorzy. Ręczne procesy HR sprawiały, że pełne wyposażenie nowych pracowników w narzędzia, dostępy i systemy zajmowało często ponad 20 dni (a czasami ponad 30), opóźniając osiągnięcie produktywności i niwecząc sens szybkiego zatrudniania.

Ponadto jakość wdrożenia była niespójna i ogólnikowa, a osoby odpowiedzialne za zatrudnianie oraz nowi pracownicy byli obciążeni logistyką i nadmiarem informacji, co negatywnie wpływało na doświadczenia pracowników i ich zaangażowanie od pierwszego dnia.

Oczekiwano, że pracownicy będą samodzielnie korzystać z materiałów wdrożeniowych za pośrednictwem intranetów lub portali szkoleniowych, często bez wystarczającego kontekstu lub struktury wspierających efektywne wdrożenie.

Wykorzystanie AI

Firma nawiązała współpracę z Tonkean, platformą, która koordynuje działania HR za pomocą agentów AI i algorytmów uczenia maszynowego. W ramach wdrożenia Tonkean:

• Monitorowała wyzwalacze w narzędziach HRIS (takich jak Workday lub Rippling), aby wykrywać nowych pracowników, zmiany stanowisk lub rocznice.
• Automatyzowała przepływy pracy, aby proaktywnie uruchamiać spersonalizowane sekwencje wdrożeniowe na podstawie roli, lokalizacji i zespołu pracownika.
• Generowała dopasowane treści wdrożeniowe, pobierając informacje z nieustrukturyzowanych zasobów wewnętrznych, takich jak prezentacje, dokumenty HR, podręczniki dotyczące świadczeń i transkrypcje szkoleń, za pomocą przetwarzania języka naturalnego, przekształcając rozproszone zbiory danych w spójne doświadczenia edukacyjne (jest to również kluczowa korzyść platform doświadczania nauki).
• Wykorzystywała agentów AI do interakcji z osobami odpowiedzialnymi za zatrudnianie za pośrednictwem Slacka lub Teams, aby wspólnie tworzyć spersonalizowane plany na 30/60/90 dni w języku naturalnym, umożliwiając podejmowanie bardziej opartych na danych decyzji dotyczących rozwoju pracowników i ścieżek rozwoju zawodowego.
• Umożliwiała interakcje z agentami na żywo za pośrednictwem odpowiedzi e-mail lub osadzonych portali, dzięki czemu nowi pracownicy mogli zadawać pytania takie jak "Gdzie mogę zapisać się do programu świadczeń?" i natychmiast otrzymywać zatwierdzone, dokładne i kontekstowe odpowiedzi na podstawie danych pracownika oraz firmowych narzędzi HR.
• Obsługiwała często zadawane pytania (np. dotyczące urlopu macierzyńskiego i okresów zapisów) anonimowo za pośrednictwem interfejsów konwersacyjnych, aby zmniejszyć tarcia i chronić prywatność pracowników.

AI wykorzystywano zarówno proaktywnie (do uruchamiania planów), jak i reaktywnie (do odpowiadania na pytania), tworząc płynne, spersonalizowane i wysokiej jakości doświadczenia pracowników, a jednocześnie ograniczając powtarzalne zadania HR.

Rezultaty

• Czas wdrożenia kontraktorów skrócił się z 20–30 dni do średnio mniej niż 5 dni.
• Pracownicy informowali, że wdrożenie było wysoce spersonalizowane, tak jakby "pracowały nad nim 3–4 osoby" — mimo że większość pracy wykonywała AI.
• Wyższe wyniki CSAT (satysfakcji klienta) w zakresie wdrożenia dzięki większej przejrzystości, terminowości i integracji kulturowej, co bezpośrednio zwiększyło zaangażowanie pracowników.
• Zmiana postrzegania AI — z narzędzia oszczędzającego czas w mnożnik jakości: największy zwrot z inwestycji nie wynikał z szybkości, lecz z zapewniania lepszych doświadczeń pracowników bez zwiększania zatrudnienia.

Wnioski dla kadry zarządzającej

Koordynacja wspierana przez AI przekształciła wdrożenie z ręcznej listy kontrolnej w strategiczną, skalowalną i skoncentrowaną na człowieku ścieżkę. Łącząc integracje danych, agentów generatywnych i projektowanie z udziałem człowieka, firma ta dostarczała spersonalizowane doświadczenia wdrożeniowe na dużą skalę, poprawiając produktywność, efektywność pracowników i retencję od pierwszego dnia.

Czerwona flaga

Powiedzmy to głośniej tym z tyłu: nie można po prostu nałożyć AI na stare przepływy pracy! Największym ryzykiem jest brak zgodności oczekiwań. AI wymaga ponownego przemyślenia sposobu definiowania "dokładności", odpowiedzialności i sukcesu.

Nie należy też oczekiwać deterministycznych wyników: AI często udziela różnych, ale równie trafnych odpowiedzi. Specjaliści HR muszą zmienić sposób testowania i zatwierdzania rezultatów.

Szczera rozmowa (z poradą)

Sagi Eliyahu, współzałożyciel i dyrektor generalny Tonkean, powiedział:

Kiedy nowi pracownicy przychodzą z ponad 10 krajów, z różnych działów, a połowa z nich to kontraktorzy, ręczne zapewnienie właściwego wdrożenia jest niemal niemożliwe. To, co zobaczyliśmy w tym przypadku, nie było tylko szybsze — było to wdrożenie, które rzeczywiście sprawiało wrażenie, jakby ktoś uwzględnił twoją rolę, lokalizację i zespół. A większość tego wykonała AI.

Spersonalizowane wdrożenie jest strategicznym wyróżnikiem. Jeśli chcesz:

• Skrócić czas wdrożenia kontraktorów z 30 do 5 dni…
• Automatycznie oferować informacje o świadczeniach właściwych dla danego regionu lub roli…
• Tworzyć niestandardowe plany 30/60/90 dni bez przeciążania osób odpowiedzialnych za zatrudnianie…

To:

• Wbuduj orkiestrację w istniejące przepływy pracy (e-mail, Slack, HRIS — nie tylko w nowe narzędzia)
• Skup się na jakości, a nie tylko na efektywności — AI umożliwia osiągnięcie obu tych celów
• Wstępnie załaduj system różnorodnymi formatami treści (prezentacje, transkrypcje, dokumenty)
• Pozwól działowi HR zarządzać „zatwierdzonymi odpowiedziami” i trenuj agentów AI za pomocą kontekstowych ograniczeń
• Uzgodnij między HR, IT i kadrą zarządzającą nowe znaczenie wyrażenia „działać zgodnie z oczekiwaniami”

Przed AI a po wdrożeniu AI: anonimowe przedsiębiorstwo + Tonkean

Obszar	Przed AI	Po wdrożeniu AI
Harmonogram wdrażania	20–30+ dni na pełne przygotowanie wykonawców do pracy	Średni czas ukończenia wdrożenia wykonawców: <5 dni
Jakość wdrażania	Ogólna, niespójna i często wymagająca od nowych pracowników samodzielnego poruszania się po materiałach wdrożeniowych	Plany tworzone przez AI i personalizowane według roli, lokalizacji oraz zespołu; sprawiały wrażenie, „jakby pracowały nad nimi 3–4 osoby”
Obciążenie menedżerów	Menedżerowie ręcznie tworzyli plany wdrożenia, często je pomijając lub przygotowując w pośpiechu	Przypomnienia w Slacku/Teams służyły do wspólnego tworzenia obszarów priorytetowych na pierwsze 30 dni
Dostęp do informacji	Pracownicy musieli przeszukiwać portale intranetowe lub pisać do działu HR	Agenci AI natychmiast dostarczali zatwierdzone, kontekstowe odpowiedzi, anonimowo
Efektywność	Duży nakład pracy ręcznej i znaczne obciążenie szkoleniowe	Czytanie dokumentacji zastąpiono interaktywnymi agentami korzystającymi z rzeczywistych treści organizacji (prezentacji, podręczników itp.)
Skalowalność	Nowi pracownicy mieli niespójne doświadczenia, szczególnie w różnych lokalizacjach geograficznych	Spójne, skalowalne wdrażanie we wszystkich lokalizacjach i na wszystkich stanowiskach

5. Transformacja BPO oparta na CogNet i AI

Jeden z klientów CogNet z sektora BPO — ogólnokrajowa agencja zatrudnienia — utknął w pętli kosztownego, powolnego i wymagającego dużego nakładu pracy ręcznej uzgadniania finansowego.

Co miesiąc klient sprzedawał swoje faktury partnerowi finansującemu. Zanim jednak można było uwolnić środki, firma finansująca wymagała szczegółowego uzgodnienia między kwotą, którą spodziewała się zapłacić (na podstawie wcześniejszych transakcji), a kwotą, którą faktycznie była winna — był to klasyczny problem niezgodności między wewnętrznymi rejestrami faktur a zewnętrznie sformatowanymi zestawieniami.

Problem polegał na tym, że zespół wewnętrzny ręcznie uzgadniał wielomilionowe pliki PDF i arkusze Excela o słabej strukturze, korzystając z pracy księgowego ds. personelu, którego całkowite wynagrodzenie przekraczało $90,000 rocznie. Samo uzgodnienie zajmowało ponad 16 godzin miesięcznie — tylko po to, aby ustalić, gdzie występowały niezgodności. Nie obejmowało to jeszcze wyjaśniania rozbieżności, co opóźniało przepływ środków pieniężnych i ograniczało możliwości zespołu finansowego w zakresie analiz o wyższej wartości.

W przypadku innych klientów i funkcji CogNet zauważył ten sam schemat: wysoko wykwalifikowane osoby były zajęte powtarzalną „żmudną pracą”, która była ważna, ale nie przynosiła przełomowych zmian w kluczowych funkcjach HR ani w innych operacjach biznesowych.

Wykorzystanie AI

CogNet zastosował podejście „teksańskiego two-stepu”, wykorzystując uczenie maszynowe i przetwarzanie języka naturalnego do optymalizacji tego kluczowego procesu:

Krok 1: arbitraż kosztów BPO
Najpierw klient przeniósł pracę związaną z uzgodnieniami „w niezmienionej formie” do Cognet, gdzie analitycy zagraniczni mogli wykonywać to samo ręczne uzgadnianie po znacznie niższej stawce (~$11.50/godz.). Samo to obniżyło koszty z $692.31 do $184 za cykl uzgodnienia — oszczędność na poziomie 276%.

Krok 2: orkiestracja z wykorzystaniem AI
Następnie CogNet zbudował warstwę automatyzacji z udziałem człowieka, wykorzystując algorytmy i duży model językowy (LLM) do porównywania dokumentów w wielu formatach (PDF, Excel, CSV) oraz sprawniejszej analizy danych pracowników.

Zamiast prosić ludzi o wyszukiwanie niezgodności danych wiersz po wierszu, LLM wskazywał rozbieżności w ciągu kilku sekund, umożliwiając podejmowanie decyzji w większym stopniu opartych na danych i lepszą ich analizę. Obecnie analityk CogNet potrzebował zaledwie 2 godzin na zweryfikowanie i eskalowanie rzeczywistych problemów, zmieniając proces o wartości $692 w proces o wartości $30 i pokazując znaczące oszczędności kosztów.

Co istotne, warstwa orkiestracji CogNet umożliwia wymianę różnych agentów AI (np. ChatGPT, Claude) w zależności od rodzaju zadania, poziomu ryzyka regulacyjnego (np. PHI, dane płacowe) oraz zasad klienta. Ta modułowa konstrukcja ułatwiła klientom zaufanie automatyzacji bez poświęcania zgodności z przepisami, a jednocześnie pozwoliła na zarządzanie różnorodnymi zbiorami danych.

Rezultaty

• Czas procesu uzgodnienia skrócił się z 16 godzin do zaledwie 2 godzin
• Koszt spadł z $692.31 do $30 za cykl — redukcja o 2,208%
• Wzrosło tempo procesu, dzięki czemu problemy można było sygnalizować, a środki odzyskiwać w ciągu 24 godzin
• Księgowy ds. personelu został przekierowany do zadań strategicznych, takich jak analiza rentowności, zamiast zajmować się żmudną pracą w Excelu
• Klienci zaczęli postrzegać BPO na nowo — nie tylko jako arbitraż pracy, lecz także jako transformację procesów dzięki AI dla HR i innych obszarów

Od tego momentu CogNet powielał ten model „oszczędności przez tysiące cięć” w dziesiątkach często wykonywanych procesów roboczych dla wielu klientów, zmieniając sposób, w jaki zespoły HR, płacowe i księgowe podchodziły do zlecanych na zewnątrz operacji.

Najważniejszy wniosek dla kadry zarządzającej

CogNet nie tylko zastosował AI w celu obniżenia kosztów — na nowo zdefiniował propozycję wartości BPO. Łącząc automatyzację niewymagającą dużych nakładów z nastawieniem na obsługę, firma pomogła klientom odzyskać czas, ograniczyć wydatki i zaangażować ludzi w zadania wymagające wyższych kompetencji.

Innowacja nie miała charakteru wyłącznie technicznego — obejmowała również kwestie umowne. Gotowość CogNet do dzielenia się wartością poprzez ustalanie cen zależnych od wyników pomogła klientom przejść od postrzegania firmy jako „dostawcy” do postrzegania jej jako „partnera”, co było szczególnie cenne przy uruchamianiu nowych inicjatyw w ramach procesów HR.

Czerwona flaga

Sama technologia nie buduje zaufania. Jeden z klientów początkowo sprzeciwiał się AI ze względu na obawy dotyczące zgodności z przepisami oraz brak znajomości modeli LLM. Punktem zwrotnym był pilotaż o niskiej wierności, wykorzystujący fikcyjne dane pracowników, który mimo to przewyższył efekty pracy ręcznej, dowodząc wartości rozwiązania, zanim zażądano jego pełnej akceptacji.

Szczera rozmowa (z poradą)

John Sansoucie, dyrektor generalny CogNet, ma kilka prostych porad.

Większość firm uważa, że automatyzacja zaczyna się od wielkiej transformacji, ale w rzeczywistości najszybszym sposobem na udowodnienie wartości jest usprawnienie tego, co już działa. Zaczynamy od tego, co istnieje, szybko osiągamy rezultaty, a następnie wprowadzamy AI, aby działało to jeszcze lepiej.

Jeśli utknąłeś przy uzgadnianiu plików PDF z arkuszami kalkulacyjnymi i płacisz $700 za każdy cykl, nie masz problemu z ludźmi. Masz problem z procesem.

Chcesz skalować AI? Oto, co Cognet zrobił właściwie:

• Zacznij od przeniesienia procesów „w stanie obecnym”, aby uwolnić potencjał pracowników
• Następnie dodaj automatyzację, koncentrując się na ustrukturyzowanych zadaniach, takich jak porównywanie, klasyfikacja i kierowanie
• Twórz przepływy AI, które wspierają, a nie zastępują ludzi. Przekazuj przypadki nietypowe pracownikom
• Ustal oczekiwania: LLM nie zawsze zwracają tę samą odpowiedź, ale często zwracają odpowiedzi prawidłowe
• Mierz zwrot z inwestycji na podstawie zaoszczędzonego czasu pracy ludzi, a nie tylko liczby zlikwidowanych etatów, śledząc istotne wskaźniki

Przed i po: uzgadnianie danych Cognet z klientem z branży rekrutacyjnej

Obszar	Przed AI	Po wdrożeniu AI
Proces uzgadniania	16-godzinny proces ręczny z wykorzystaniem plików PDF i arkuszy Excel	AI wskazuje niezgodności w kilka sekund, a pracownik poświęca na weryfikację tylko 2 godziny
Koszt jednego uzgodnienia	$692.31 za cykl (na podstawie stawki $43/godz. dla księgowego)	~$30 za cykl (proces realizowany za granicą i wspierany przez AI)
Termin przepływu środków pieniężnych	Opóźnione wypłaty z powodu długich cykli uzgadniania	Realizacja w ciągu 24 godzin umożliwia szybsze rozwiązywanie sporów i odzyskiwanie należności
Wykorzystanie talentów	Pracownicy o wysokich kompetencjach spędzali godziny na kopiowaniu i wklejaniu oraz ręcznym dopasowywaniu danych	Księgowy został przesunięty do raportowania rentowności i strategicznej analizy finansowej
Skalowalność BPO	Liniowe skalowanie wraz ze wzrostem zatrudnienia	Nieliniowe skalowanie dzięki AI, umożliwiające Cognet obsługę większej liczby procesów bez zwiększania liczby analityków

6. Customer.io + przepływy pracy w Slacku i GPT wspierane przez AI

Customer.io, firma działająca w pełni zdalnie w ponad 30 krajach, odkryła, że jej asynchroniczny model pracy, choć produktywny, sprawiał, że nowi pracownicy czuli się zagubieni. Proces wdrażania nie miał odpowiedniej struktury, a menedżerowie często spóźniali się z przekazywaniem jasnych oczekiwań i planów wdrożenia, co negatywnie wpływało na doświadczenia pracowników.

Nowi pracownicy często opisywali swoje pierwsze doświadczenia jako „dochodzenie do wszystkiego samodzielnie”, co spowalniało produktywność i osłabiało kulturę organizacyjną — ostatecznie wpływając zarówno na zaangażowanie pracowników, jak i ich wydajność.

Bez centralnego biura ani bezpośrednich kontaktów firma potrzebowała skalowalnego sposobu na to, aby wdrażanie było jednocześnie jasne i sprzyjało budowaniu relacji, bez nadmiernego obciążania już zajętych menedżerów ani zakłócania innych kluczowych funkcji HR.

Zastosowanie AI

Customer.io wdrożyło serię przepływów pracy opartych na AI i wykorzystujących przetwarzanie języka naturalnego, aby zapewnić strukturę i spójność procesu wdrażania, zachowując jednocześnie elastyczność zdalnej kultury pracy.

1. Slack + ChatGPT: plany wdrożenia 30-60-90 dostosowane do stanowiska

Aby rozwiązać problem braku jasności, zespół opracował niestandardowy przepływ pracy wykorzystujący ChatGPT zintegrowany ze Slackiem, który pomagał menedżerom szybko generować plany wdrożenia na 30, 60 i 90 dni, dostosowane do każdego stanowiska.

System ten znacząco skrócił czas tworzenia planów — szacunkowo o 30–50% — jednocześnie poprawiając zgodność między nowymi pracownikami, menedżerami i celami biznesowymi oraz wspierając podejmowanie bardziej opartych na danych decyzji dotyczących rozwoju pracowników.

2. Przygotowanie menedżerów dzięki współprojektowaniu z partnerami biznesowymi

Zamiast po prostu udostępnić ChatGPT, partnerzy biznesowi współpracowali z menedżerami nad udoskonaleniem treści wdrożeniowych generowanych przez AI, dbając o to, aby ton komunikacji, oczekiwania i cele rozwojowe odpowiadały kulturze Customer.io. To połączenie automatyzacji i ludzkiej selekcji pomogło menedżerom wdrożyć ten proces bez utraty zaufania.

3. Budowanie kultury AI dzięki widoczności

Aby wzmocnić wykorzystanie AI w procesach HR, Customer.io utworzyło dedykowany kanał Slacka #AI-wins, na którym pracownicy dzielą się udanymi przypadkami zastosowania AI — pomagając normalizować eksperymentowanie i zwiększać wewnętrzne poparcie. Według wewnętrznego monitoringu doprowadziło to do osiągnięcia ponad 90% wewnętrznego poziomu zaangażowania w AI.

Rezultaty

• Redukcja o 30–50% czasu poświęcanego na tworzenie planów wdrożeniowych
• Większa przejrzystość procesu wdrożenia, odzwierciedlona w ankietach po wdrożeniu dzięki lepszym wskaźnikom doświadczeń pracowników
• Ponad 90% pracowników aktywnie korzystających z AI w swoich procesach pracy, co pokazuje silne zaangażowanie pracowników w nową technologię
• Lepsze dopasowanie już na wczesnym etapie między nowymi pracownikami a celami biznesowymi, skutkujące szybszym osiąganiem produktywności i lepszymi wynikami pracowników

Wniosek dla kadry zarządzającej

Customer.io zwiększyło przejrzystość działań menedżerów na dużą skalę. Dzięki osadzeniu procesów opartych na GPT w Slacku oraz połączeniu ich z przemyślanym nadzorem specjalistów HR firma przyspieszyła osiąganie produktywności przez nowych pracowników, nie tracąc przy tym niuansów zarządzania ludźmi.

Czerwona flaga

Procesy AI, jeśli nie zostaną odpowiednio dopracowane, mogą wydawać się mechaniczne lub ogólnikowe. Customer.io uniknęło tego, zapewniając współprojektowanie promptów przez partnerów biznesowych oraz przeglądanie wyników AI przez menedżerów przed udostępnieniem ich nowym pracownikom, dzięki czemu zachowano ludzki element kluczowy dla zaangażowania pracowników.

Szczera rozmowa (z poradami)

Jen Fong, dyrektorka ds. personalnych w Customer.io, miała jasną wizję tego, jak AI może pomóc.

Nowi pracownicy mówili: „Wciąż próbuję się w tym wszystkim odnaleźć”. Potrzebowaliśmy skalowalnego sposobu, aby przeprowadzić ich od tego stwierdzenia do: „Wiem, jak wygląda sukces.”

AI nie wdroży Twoich pracowników za Ciebie — ale może pomóc Ci zrobić to lepiej.

• Wykorzystaj GPT do stworzenia szkieletu struktury, a następnie pozwól menedżerom dodać mentoring i kontekst.
• Nie wręczaj menedżerom samego narzędzia — zapewnij im wsparcie w zakresie skutecznego formułowania promptów i edytowania treści, w tym programy szkoleniowe, jeśli są potrzebne.
• Zacznij od małych kroków: plany wdrożeniowe to obszar niskiego ryzyka i wysokich korzyści, w którym można rozwijać biegłość w korzystaniu z AI w różnych funkcjach HR.

Przed i po: wdrożenie pracowników w Customer.io z AI

Obszar koncentracji	Przed AI	Po wdrożeniu AI
Przejrzystość dla nowego pracownika	Niejasne oczekiwania; niespójne plany wdrożeniowe	Plany 30-60-90 generowane przez GPT powstawały szybciej i były lepiej dopasowane do celów
Obciążenie menedżerów	Ręczne tworzenie planów wdrożeniowych było czasochłonne	Czas skrócony o 30–50% dzięki procesom wspomaganym przez AI
Kultura korzystania z AI	Wczesny etap eksperymentowania	Ponad 90% pracowników regularnie korzysta z AI; monitorowane za pośrednictwem kanału Slacka
Spójność procesu wdrożenia	Plany znacznie różniły się tonem i szczegółowością	Ujednolicona struktura z możliwością dostosowania przez człowieka

7. Landing Point + osadzone procesy AI

Landing Point, firma rekrutacyjna i pośrednictwa pracy, borykała się z typowym problemem ograniczającym produktywność: rekruterzy tracili co tydzień wiele godzin na ręczne zadania administracyjne. Do najważniejszych wąskich gardeł należały:

• Formatowanie CV
• Pisanie biogramów kandydatów
• Dopracowywanie opisów stanowisk

Choć każde z tych zadań z osobna wydawało się niewielkie, łącznie zajmowały one od 3 do 4 godzin tygodniowo na każdego rekrutera. W tym samym czasie niektórzy rekruterzy zaczęli eksperymentować z publicznie dostępnymi narzędziami generatywnej AI, co wzbudziło obawy dotyczące bezpieczeństwa i prywatności danych w związku z wrażliwymi danymi pracowników.

Firma potrzebowała rozwiązania, które zwiększyłoby wydajność i spełniało standardy zgodności klasy korporacyjnej, a jednocześnie optymalizowało kluczowe procesy HR.

Zastosowanie AI

Podejście Landing Point koncentrowało się na bezpiecznych, osadzonych procesach AI opartych na algorytmach uczenia maszynowego, które działały bezpośrednio w środowisku pracy rekruterów:

1. AI bezpośrednio osadzone w ATS

Zamiast prosić rekruterów o naukę obsługi nowych narzędzi, Landing Point zbudował funkcje AI oparte na GPT w swoim systemie śledzenia kandydatów (ATS), wykorzystując przetwarzanie języka naturalnego — skutecznie tworząc zintegrowane narzędzia HR. Pozwoliło to specjalistom HR na:

• Formatowanie CV w ~3 minuty (zamiast 10–20 minut), automatyzując proces selekcji CV
• Tworzenie biogramów kandydatów w ~1 minutę (zamiast 15 minut)
• Automatyczne porządkowanie ogłoszeń o pracę

Rezultat: 3–4 godziny zaoszczędzone przez każdego rekrutera w każdym tygodniu, co pozwoliło im skupić się na zadaniach HR o większej wartości. Oszczędność czasu bezpośrednio przełożyła się na oszczędności kosztów, ponieważ zespół mógł obsługiwać większą liczbę spraw bez zwiększania zatrudnienia.

2. Prywatny chatbot do użytku wewnętrznego

Aby zapewnić rekruterom bardziej wszechstronnego asystenta AI, zespół wdrożył niestandardowego chatbota hostowanego w swoim środowisku AWS, zabezpieczonego przez SSO i chronionego dziennikami audytowymi. Monity i wyniki były bezpiecznie przechowywane, a modele takie jak OpenAI i Gemini działały bez przechowywania danych, aby chronić dane pracowników.

Ten „bezpieczny plac zabaw AI” pozwalał rekruterom tworzyć notatki badawcze lub syntetyzować dane kandydatów bez naruszania prywatności, umożliwiając podejmowanie bardziej opartych na danych decyzji bez ryzyka dla bezpieczeństwa.

3. Wbudowane zabezpieczenia i zarządzanie

Początkowe incydenty związane z halucynacjami skłoniły zespół do wprowadzenia ścisłych zabezpieczeń. Na przykład gdy rekruter pominął etap weryfikacji przez człowieka, klient zgłosił nieprawidłowe umiejętności kandydata. Landing Point zareagował poprzez:

• Udoskonalenie monitów
• Wprowadzenie obowiązkowej weryfikacji przez człowieka
• Testowanie procesów w ramach wewnętrznej „grupy analitycznej AI”

Zespół zrezygnował również z narzędzi o niskim poziomie wykorzystania, takich jak generator szablonów wiadomości e-mail, wybierając zamiast tego narzędzia, które zachowywały personalizację i poprawiały doświadczenia pracowników — co ma kluczowe znaczenie dla utrzymywania relacji w rekrutacji.

Rezultaty

• Czas do przedstawienia pierwszego kandydata skrócił się z 3–6 godzin do mniej niż 30 minut
• Odsetek błędów w CV spadł z 3–4% do mniej niż 1%, poprawiając wskaźniki jakości
• 3–4 godziny na rekrutera tygodniowo uwolnione od ręcznych zadań związanych z formatowaniem
• Skalowanie wdrożenia odbywało się organicznie dzięki wbudowanym narzędziom i dostrajaniu monitów w aplikacji
• Opłacalne wdrożenie, z infrastrukturą AI kosztującą średnio ~$200/miesiąc i udziałem 1 inżyniera AI

Najważniejszy wniosek dla kadry zarządzającej

Landing Point nie dążył do efektownej automatyzacji — skupił się na rzeczywistych problemach w przebiegu pracy. Umieszczając AI tam, gdzie ludzie już pracowali, i wcześnie budując zabezpieczenia, firma osiągnęła mierzalny zwrot z inwestycji bez naruszania zaufania ani prywatności danych dotyczących wrażliwych informacji o pracownikach.

To studium przypadku „niewidocznego AI”: rozwiązania wymagającego niewielkiego nakładu pracy, niedrogiego i przynoszącego duży wpływ — umożliwiającego rekruterom przeniesienie czasu z formatowania na budowanie relacji przy jednoczesnej optymalizacji kluczowych procesów HR.

Czerwona flaga

Jeśli weryfikacja przez człowieka zostanie pominięta, nawet dobrze zaprojektowane AI może wprowadzać błędy (np. zmyślone umiejętności kandydatów). Jedno z początkowych potknięć niemal podważyło zaufanie klienta.

Landing Point rozwiązał ten problem, wymagając nadzoru człowieka, włączając udoskonalanie monitów do pętli zapewniania jakości oraz wzmacniając kulturowe oczekiwania dotyczące korzystania z AI, dzięki czemu specjaliści HR pozostali odpowiedzialni za wszystkie wyniki.

Szczerze mówiąc (z poradą)

AI nie zastąpi rekruterów, ale może oddać im całe godziny. Według Faizela Khana, głównego inżyniera AI w Landing Point, działa ono tylko wtedy, gdy:

• Narzędzia są wbudowane w miejsca, w których ludzie już pracują
• Bezpieczeństwo i zgodność są uwzględnione od pierwszego dnia
• Naprawiasz to, co nie działa — i wycofujesz to, czego nikt nie używa
• Zarządzanie nie jest obciążeniem — to dyscyplina produktowa

Ta historia nie dotyczy automatyzacji rekrutacji od początku do końca. Chodzi o uwolnienie ludzkich rekruterów, aby mogli robić to, w czym są najlepsi: budować relacje i kierować się własnym osądem. Zaczynając odpowiednio wcześnie, koncentrując się na problemach w zapleczu procesów i wyciągając wnioski zarówno z sukcesów, jak i porażek, pokazaliśmy, że AI może przynieść mierzalną różnicę bez uszczerbku dla bezpieczeństwa ani zaufania.

Przed i po: integracja AI w Landing Point

Obszar zainteresowania	Przed AI	Po wdrożeniu AI
Obciążenie pracą administracyjną	Rekruterzy tracili 3–4 godziny tygodniowo na biografie, życiorysy i treści ofert pracy	Zadania skrócono do około 5 minut każde; każdy rekruter zyskał 3–4 godziny tygodniowo
Bezpieczeństwo i zgodność	Rekruterzy korzystali doraźnie z publicznych narzędzi, co budziło obawy dotyczące prywatności danych	W pełni bezpieczny czatbot z SSO, dziennikami audytowymi i modelem bez przechowywania danych
Szybkość przesyłania kandydatów	3–6 godzin do wysłania pierwszego kandydata	Pierwsi kandydaci przesyłani w czasie krótszym niż 30 minut
Dokładność życiorysów	Około 3–4% błędów, głównie związanych z formatowaniem lub niedopasowaniem	<1% błędów, przy większym zadowoleniu kandydatów i klientów
Kultura wdrażania	Wczesne eksperymenty przy niewielkim uporządkowaniu	Szerokie wdrożenie dzięki integracji z ATS, szkoleniom i wewnętrznemu nadzorowi „Grupy doradczej ds. AI”
Koszt działania	Nie określono	Infrastruktura za 200 USD miesięcznie i 1 inżynier AI wspierający pełne wdrożenie

8. Integrity Staffing + ConverzAI „Rekruter Jamie”

W rekrutacji na dużą skalę liczy się przede wszystkim szybkość. Kandydaci aplikujący na stanowiska w sektorze lekkiego przemysłu i magazynowym często ubiegają się jednocześnie o wiele ofert pracy, co oznacza, że rekruterzy mają zaledwie kilka godzin na nawiązanie znaczącego kontaktu, zanim kandydaci stracą zainteresowanie.

Jednak zespoły rekrutacyjne Integrity Staffing utknęły w martwym punkcie:

• Ręczna wstępna selekcja pochłaniała codziennie wiele godzin
• Rekruterzy nie byli w stanie wystarczająco szybko dotrzeć do każdego kandydata
• Wykwalifikowani kandydaci wymykali się
• Budżety gwałtownie rosły, ponieważ zespoły rekompensowały to większą liczbą ogłoszeń na portalach pracy

Prowadziło to do negatywnych doświadczeń kandydatów, wypalenia zawodowego specjalistów HR i niezrównoważonych kosztów. Zespół potrzebował sposobu na skalowanie spersonalizowanego kontaktu z kandydatami bez zatrudniania większej liczby rekruterów i bez polegania na chłodnej, ogólnej automatyzacji, która jeszcze bardziej pogorszyłaby zaangażowanie pracowników.

Wykorzystanie AI

Integrity Staffing wdrożyło ConverzAI — wirtualnego rekrutera opartego na AI, nazywanego „Rekruterem Jamie”, zaprojektowanego do inicjowania kontaktu z kandydatami w czasie rzeczywistym i na dużą skalę przy użyciu przetwarzania języka naturalnego oraz algorytmów uczenia maszynowego.

Co robi Rekruter Jamie:

• Kontaktuje się z kandydatami w ciągu 15 minut od pojawienia się ich aplikacji w ATS (Bullhorn)
• Kontaktuje się za pośrednictwem SMS-a, telefonu lub poczty elektronicznej, zgodnie z preferencjami kandydata
• Przeprowadza ustrukturyzowaną wstępną selekcję obejmującą:
  • Doświadczenie zawodowe
  • Lokalizację
  • Dostępność
  • Oczekiwania płacowe
  • Wymagania dotyczące konkretnego stanowiska
• Klasyfikuje kandydatów jako:
  • Zainteresowani
  • Niedopasowani
  • Wymagający dalszego kontaktu
• Przekazuje wykwalifikowanych kandydatów rekruterom, dzięki czemu poświęcają oni czas wyłącznie zaangażowanym kandydatom, mogą podejmować bardziej oparte na danych decyzje dotyczące inwestowania swoich wysiłków, a także automatyzują czasochłonną selekcję życiorysów

Jamie działa w standardowych godzinach pracy (8:00–20:00 czasu lokalnego), ale przez całą dobę, 7 dni w tygodniu, kontynuuje kontakt za pośrednictwem SMS-ów i poczty elektronicznej. Notatki są zapisywane bezpośrednio w ATS, co umożliwia natychmiastowe przekazanie sprawy i tworzy płynny przepływ danych pracowników wspierający funkcje HR.

Liderzy biznesowi w Integrity Staffing informują, że to podejście do wdrażania AI zmieniło ich pozycję konkurencyjną w pozyskiwaniu talentów.

Rezultaty

Od stycznia 2024 r. do lipca 2025 r. Jamie nawiązał kontakt z ponad 66 000 kandydatów, osiągając wymierne, wielowymiarowe rezultaty w kluczowych wskaźnikach:

• Wzrost o 76% całkowitej liczby zatrudnień
• Wzrost o 80% liczby zatrudnionych kandydatów bezpośrednich
• Poprawa efektywności rekruterów o 55% (więcej zatrudnień na jednego rekrutera)
• Czas odpowiedzi kandydata skrócił się z dni lub tygodni do mniej niż 15 minut, znacząco poprawiając doświadczenia kandydatów
• Wydatki na reklamę zmniejszono o ponad 75% na niektórych rynkach
• Odsetek rezygnacji kandydatów wyniósł poniżej 0,5%, co wskazuje na duży komfort korzystania z kontaktu z użyciem AI (tylko 311 z 66 391 kandydatów odmówiło interakcji z AI)

Najważniejszy wniosek dla kadry zarządzającej

AI nie tylko poprawiło efektywność — zmieniło cały rytm rekrutacji. Nawiązując kontakt w ciągu kilku minut, Jamie odwrócił dotychczasowy schemat: zamiast ścigać niezainteresowanych kandydatów, zespół może priorytetowo traktować kandydatów zaangażowanych i zainteresowanych.

Rezultat? Lepsze doświadczenia kandydatów i pracowników, szybsze zatrudnianie, niższe koszty oraz mniej żmudnej pracy dla rekruterów, którzy mogą skupić się na dopasowywaniu kandydatów o wysokiej wartości.

Sygnał ostrzegawczy

Na początku rekruterzy obawiali się, że Jamie będzie sprawiać wrażenie robota i negatywnie wpłynie na zaangażowanie pracowników. Jednak gdy dane z pilotażu pokazały, że 87% kandydatów było zainteresowanych, a mniej niż 0,5% wyraziło sprzeciw, sceptycyzm szybko zniknął.

Przełom nastąpił, gdy pokazano, że AI nie stanowi zagrożenia — jest członkiem zespołu, który pozwala specjalistom HR w pełni wykorzystać swoje możliwości.

Szczera rozmowa (z poradami)

Nie był to sukces osiągnięty dzięki rozwiązaniu gotowemu do natychmiastowego użycia. Sukces wynikał z uporządkowanego zarządzania zmianą i strategicznych inicjatyw:

• Uczyń AI częścią SOP, a nie opcjonalnym dodatkiem
• Wcześnie przeszkol rekruterów w zakresie współpracy z AI w ramach dedykowanych programów szkoleniowych
• Informuj rekruterów na bieżąco, aby ufali przekazywaniu zadań
• Wykorzystaj dane z pilotażu, aby rozwiać sceptycyzm i zbudować wewnętrzne zaufanie
• Twórz pętle informacji zwrotnych, aby stale ulepszać interakcje i integracje

Przed AI a po AI: Integrity Staffing + ConverzAI

Obszar koncentracji	Przed AI	Po wdrożeniu AI
Czas do nawiązania kontaktu	Dni (czasami tygodnie); kontakt wychodzący na zimno	Średnio <15 minut od zgłoszenia do pierwszego kontaktu
Konwersja kandydatów	Wiele potencjalnych kandydatur wygasało; zatrudnianie bezpośrednich kandydatów pozostawało w tyle	O 80% więcej bezpośrednich kandydatów zatrudnionych po wstępnej selekcji AI
Wydajność rekruterów	Czas poświęcany na poszukiwanie, wykonywanie zimnych telefonów i ręczne filtrowanie	Wzrost produktywności rekruterów o 55%
Liczba obsadzonych stanowisk	Rekruterzy przeciążeni liczbą kandydatów; luki w lejku rekrutacyjnym	O 76% więcej obsadzonych stanowisk dzięki szybszemu i przefiltrowanemu lejku
Nastawienie kandydatów	Niespójne zaangażowanie; brak odpowiedzi na kontakt wychodzący	87% wskaźnika zaangażowania, <0,5% odrzuceń interakcji z AI
Wydatki na reklamy	Wysokie wydatki na portale z ofertami pracy w celu uzupełnienia wygasającego lejka	Redukcja kosztów reklamy nawet o 75%
Obciążenie pracą i stres	Rekruterzy stanowili wąskie gardło i mieli trudności z nadążaniem	Rekruterzy kontaktują się wyłącznie z wykwalifikowanymi i zainteresowanymi kandydatami
Zaufanie i zgodność	Ryzyko niespójności w kontakcie wychodzącym i wstępnej selekcji	Ustandaryzowane, zweryfikowane skrypty oraz integracja z ATS zapewniają uczciwość

Warunki sukcesu

• Poparcie kadry kierowniczej od pierwszego dnia
• Szkolenia w ramach wdrożenia nowych pracowników
• Łatwa integracja z ATS (Bullhorn) oraz funkcje zapisu zwrotnego
• Aktualizacje SOP, dzięki którym AI stało się standardem, a nie wyjątkiem
• Regularne cykle informacji zwrotnych służące dostrajaniu rozmów i rozwiązywaniu problemów

Pułapki, których należy unikać

• Nie zakładaj, że kandydaci odrzucą AI — pozwól, aby dane pokazały, co faktycznie preferują
• Nie pomijaj zarządzania zmianą — wdrożenie zależy od zmiany nastawienia kulturowego
• Nie pozwól, aby rekruterzy poczuli się zastąpieni — podkreślaj, że AI pozwala im skupić się na ich mocnych stronach

9. FORE Enterprise + hackaton AI

FORE Enterprise, architekt rozwiązań AI obsługujący klientów z sektorów usług finansowych, franczyz sportowych, oprogramowania, usług danych i luksusowej mody, jest znany z rozwiązywania złożonych wyzwań biznesowych za pomocą inteligentnych i skalowalnych aplikacji AI.

Jednak wewnętrznie zespół chciał poddać próbie własne tempo pracy: czy mógł tworzyć funkcje gotowe dla klientów — oparte na AI — w krótszym czasie, przy mniejszych zasobach i bez uszczerbku dla jakości?

Scenariusz: zbudować działającą funkcję dla produktu do pozyskiwania transakcji, która pomaga klientom znajdować, klasyfikować i analizować przyszłych potencjalnych klientów przy użyciu dużego modelu językowego (LLM). Zwykle opracowanie zajęłoby tydzień (z AI) lub miesiąc (bez AI). Czy mogli zrobić to w 24 godziny?

Odpowiedź przyniósł firmowy hackaton AI, a rezultaty były przełomowe, pokazując potencjał inicjatyw AI w przyspieszaniu rozwoju przy jednoczesnym utrzymaniu wskaźników jakości.

Działanie AI

FORE zorganizowało 24-godzinny hackaton AI, dzieląc cały personel na zespoły międzyfunkcyjne i wyznaczając każdemu z nich jeden cel:

Wykorzystać AI do zbudowania działającej funkcji wspierającej pozyskiwanie transakcji za pomocą LLM i zaprezentować ją na żywo klientowi w ciągu jednego dnia.

Najważniejsze wykorzystane narzędzia i metody AI:

• Cursor: natywne dla AI środowisko programistyczne z sugestiami kodu w tekście i przygotowywaniem commitów
• Claude + ChatGPT: do generowania małych, precyzyjnie określonych bloków kodu, analizowania schematów i obsługi logiki za pomocą przetwarzania języka naturalnego
• „Nastawienie redaktora”: zamiast pozwalać AI działać bez kontroli, zespoły wykorzystywały AI jako drugiego pilota, generując kod małymi krokami, a następnie edytując go i weryfikując na każdym etapie w celu optymalizacji wyników
• Wymagania dotyczące prezentacji na żywo: każda funkcja musiała być możliwa do przetestowania, wizualna i możliwa do wyjaśnienia w kategoriach zrozumiałych dla klienta

Wyniki

• Czas tworzenia skrócił się z jednego tygodnia do jednego dnia w przypadku kluczowych funkcji produktu
• 100% funkcji zbudowanych przez AI zostało zatwierdzonych przez klienta do pełnego wdrożenia
• Tempo prac inżynieryjnych gwałtownie wzrosło z około 5 000 commitów miesięcznie do 30 000, co wskazuje na wyższą produktywność bez rozdętego kodu — to radykalna poprawa kluczowych wskaźników wydajności
• Zespoły nauczyły się ufać AI w zakresie szybkości działania, jednocześnie rozwijając trafną ocenę tego, kiedy nim pokierować lub je zastąpić

Wniosek dla kadry zarządzającej

Same narzędzia AI nie sprawiają, że działasz szybciej — decyduje o tym struktura. Zapewniając zespołom ścisłe ramy czasowe, rozłożone na części cele funkcji oraz pełną zgodę na korzystanie z AI jako kreatywnego partnera, FORE osiągnęło szybkie dostarczanie rozwiązań bez kompromisów w zakresie jakości.

Hackathony to nie tylko sztuczki. Dla małych firm są skondensowanymi mechanizmami uczenia się, które jednocześnie zwiększają umiejętności zespołu i dostarczają wartość, stanowiąc strategiczne inicjatywy przynoszące natychmiastowy zwrot z inwestycji.

Czerwona flaga

Kod wygenerowany przez AI nie jest niezawodny. We wczesnych próbach narzędzia takie jak Claude błędnie interpretowały odwołania do obiektów, powodowały rozbieżności w schemacie lub halucynowały niepotrzebne warstwy złożoności. Pozostawienie modelu bez punktów kontrolnych na zbyt długo prowadziło do rozdęcia commitów i luk w logice.

Szczera rozmowa (z poradą)

AI nie zastępuje programistów — przyspiesza pracę dobrych programistów i ujawnia niedbałe myślenie pozostałych. Tyler Hochman, założyciel i dyrektor generalny FORE Enterprises, podzielił się kilkoma spostrzeżeniami.

Nieustannie wyciągaliśmy wnioski na temat działania tych narzędzi. Narzędzia mają tendencję do nadmiernego komplikowania rzeczy, co może być pułapką. Jeśli przekażesz narzędziu otwarte zadanie, takie jak zaimplementowanie tej funkcji, nie poradzi sobie z nim najlepiej, ale jeśli rozłożysz zadanie na A, B, C i D oraz sprawdzisz każdy krok, wynik będzie znacznie lepszy.

Wyciągnięte wnioski:

• Nie pozwalaj AI zajmować się dużymi, otwartymi zadaniami. Podziel wszystko na jasne, możliwe do przetestowania części.
• Zawsze weryfikuj znajomość schematu. Model może nie rozpoznawać struktur danych bez dodatkowych wskazówek.
• Ludzka redakcja ma kluczowe znaczenie. AI działa najlepiej, gdy jego wynik traktuje się jak wersję roboczą.

Przed AI i po AI: hackathon AI w FORE Enterprise

Obszar	Przed AI	Po AI
Szybkość tworzenia funkcji	Około 1 tygodnia na funkcję (lub 1 miesiąc bez AI)	1 dzień na funkcję dzięki kodowi wspomaganemu przez AI i skoncentrowanej strukturze hackathonu
Wskaźnik akceptacji przez klientów	Zmienny, zależny od iteracji i kontroli jakości	100% akceptacji funkcji zbudowanych podczas hackathonu
Wydajność zespołu inżynieryjnego	Około 5 000 commitów miesięcznie	30 000 commitów miesięcznie po wdrożeniu AI
Koszt eksperymentowania	Wysoki — wymagał pełnych cykli sprintów programistycznych	Niski — 24 godziny ustrukturyzowanego czasu zespołu na funkcję
Wykorzystanie AI przez zespół	Doraźna eksploracja; niskie zaufanie do modeli	Wysoki poziom wykorzystania, zaufania i praktycznych umiejętności dzięki współpracy zespołowej
Zarządzanie ryzykiem AI	AI nadmiernie komplikuje rozwiązania i błędnie interpretuje schemat	Ryzyko ograniczone dzięki instrukcjom krok po kroku i ludzkiej redakcji

10. Smartbridge + agent AI rekrutera

Średniej wielkości firma z branży usług związanych z ropą naftową & gazem (500–1 000 pracowników) miała trudności ze skutecznym prowadzeniem rekrutacji na dużą skalę. Rekruterzy poświęcali zbyt dużo czasu na ręczne wyszukiwanie, ocenianie i kontaktowanie się z kandydatami — często opierając się na niespójnych heurystykach i intuicji, które wprowadzały opóźnienia oraz uprzedzenia do procesu rekrutacyjnego.

Przy wielu rekruterach obsługujących dużą liczbę kandydatów w różnych lokalizacjach firma mierzyła się z trzema pilnymi potrzebami:

• Skrócić czas zatrudnienia, aby uniknąć utraty produktywności i poprawić doświadczenia pracowników
• Ustandaryzować decyzje rekrutacyjne, aby poprawić spójność i zminimalizować uprzedzenia, podejmując bardziej oparte na danych decyzje
• Uwolnić specjalistów HR, aby mogli skupić się na budowaniu relacji z kandydatami, a nie tylko na wstępnej selekcji

Zastosowanie AI

Aby przekształcić ten proces, firma nawiązała współpracę z Smartbridge, firmą konsultingową zajmującą się transformacją cyfrową, w celu wdrożenia niestandardowego współpilota rekrutera opartego na generatywnej AI.

To agentowe narzędzie AI zaprojektowano tak, aby bezpośrednio integrowało się z systemem BambooHR i systemem śledzenia kandydatów (ATS) firmy, zapewniając płynną integrację z procesami pracy i ochronę danych pracowników. Rozwiązanie zapewniło:

• Automatyczną selekcję kandydatów na podstawie danych z ATS w celu optymalizacji jednego z najbardziej czasochłonnych zadań HR, w tym zaawansowanych możliwości analizy CV
• Kontekstowe rekomendacje dotyczące dalszych działań rekrutera, uporządkowane według jakości i pilności, umożliwiające podejmowanie bardziej opartych na danych decyzji
• Ustandaryzowane pytania rekrutacyjne generowane na podstawie opisów stanowisk z wykorzystaniem technologii AI
• Funkcje ograniczające stronniczość poprzez egzekwowanie jednolitych kryteriów oceny kandydatów, poprawiające wskaźniki sprawiedliwości dzięki starannej analizie danych
• Terminowe dostarczanie działań i spostrzeżeń dla rekruterów, zgodnie z wymaganiami i preferencjami dotyczącymi konkretnych ról — AI pomaga zagwarantować, że nic nie zostanie przeoczone

Rezultaty

Rezultaty były znaczące i możliwe do zweryfikowania:

WPI	Przed AI	Po wdrożeniu AI
Czas poświęcany na rekrutację	Ręczna, intensywna praca rozłożona na wiele tygodni	Ponad 70% mniej czasu poświęcanego na rekrutację
Czas obsadzenia stanowiska	Często wydłużony o 1–2 tygodnie	Skrócenie cykli rekrutacyjnych o 1–2 tygodnie
Spójność rekrutacji	Rekruterzy stosowali różne heurystyki	Ujednolicone standardy i spostrzeżenia wśród rekruterów
Stronniczość podczas selekcji	Zależna od subiektywnej oceny	Minimalna stronniczość, ograniczana dzięki ustrukturyzowanej ocenie
Wykorzystanie narzędzia przez rekruterów	Ręczne korzystanie z ATS	100% rekruterów korzysta z narzędzia dzięki wbudowanym procesom pracy

"Każdy rekruter korzysta teraz z tego narzędzia — i robi to z pełnym przekonaniem. System dostarcza dokładnie to, czego potrzebują, dokładnie wtedy, gdy tego potrzebują", powiedział Rajeev Aluru, dyrektor ds. AI i analizy danych w Smartbridge.

Wnioski dla kadry zarządzającej

AI nie zastępuje rekruterów — podnosi ich skuteczność. Dzięki wbudowaniu inteligentnego współpilota bezpośrednio w istniejące narzędzia ATS firma Smartbridge pomogła temu przedsiębiorstwu z branży budowlanej i usługowej ustandaryzować jakość rekrutacji, przyspieszyć obsadzanie stanowisk i znacząco ograniczyć pracę ręczną.

Narzędzie jest obecnie podstawową infrastrukturą, a nie pobocznym eksperymentem, pokazując transformacyjny potencjał AI dla HR, gdy technologia zostanie właściwie zintegrowana z funkcjami HR.

Czerwona flaga

Jeśli system AI nie jest głęboko zintegrowany z istniejącymi procesami pracy, wdrożenie zatrzymuje się. O sukcesie tego rozwiązania zdecydowało płynne dostarczanie spostrzeżeń bezpośrednio w systemie BambooHR i ATS, co pozwoliło zachować tempo pracy rekruterów i ich zaufanie.

Szczera prawda

Technologia działa — ale od pierwszego dnia potrzebujesz poparcia rekruterów.

• Nie zaskakuj swojego zespołu. Zaangażuj rekruterów na wczesnym etapie projektowania.
• Spraw, aby AI było postrzegane jako pomoc, a nie zastępstwo. Wykorzystuj je do rekomendowania, a nie narzucania.
• Pozostaw je w używanych przez nich narzędziach. Jeśli AI działa poza systemem będącym źródłem danych, nie będzie wykorzystywane.
• Śledź wyniki. Pokaż rekruterom, jak narzędzie pomaga im szybciej, skuteczniej i sprawiedliwiej obsadzać stanowiska.

11. Docebo + AI w rekrutacji, zaangażowaniu i zarządzaniu wiedzą

Docebo, globalna firma technologiczna z branży edukacyjnej, zatrudniająca około 1000 pracowników w Ameryce Północnej i Europie, stanęła przed złożonymi wyzwaniami związanymi z rekrutacją i działalnością operacyjną na dużą skalę. Zespoły pozyskiwania talentów miały trudności z konsekwentną oceną kandydatów, robieniem notatek podczas rozmów kwalifikacyjnych oraz opóźnieniami w przekształcaniu rozmów z menedżerami ds. rekrutacji w możliwe do zrealizowania decyzje.

Jednocześnie zespoły ds. pracowników ręcznie analizowały co miesiąc tysiące komentarzy z badań zaangażowania, co znacząco spowalniało ich zdolność do reagowania na opinie i poprawy zaangażowania pracowników. Kolejnym wąskim gardłem było wewnętrzne dzielenie się wiedzą między zespołami, szczególnie podczas projektów takich jak przeprojektowanie struktury organizacyjnej.

Docebo potrzebowało AI nie dla samej nowości, lecz aby uzyskać przejrzystość operacyjną, szybciej podejmować decyzje i podnieść jakość oceny kandydatów w globalnie rozproszonej organizacji — ostatecznie usprawniając jednocześnie wiele funkcji HR.

Wykorzystanie AI

Docebo wdrożyło AI w trzech kluczowych dla HR procesach pracy, wykorzystując uczenie maszynowe i przetwarzanie języka naturalnego:

1. Inteligencja rekrutacyjna i dotycząca rozmów kwalifikacyjnych

• Granola.ai została wprowadzona, aby wspierać rekruterów i osoby prowadzące rozmowy kwalifikacyjne poprzez automatyczne transkrybowanie i podsumowywanie notatek.
• Dzięki temu rekruterzy nie musieli już sporządzać transkrypcji po rozmowach, a osoby prowadzące rozmowy mogły skupić się na aktywnym słuchaniu, co zwiększyło sprawiedliwość i spójność decyzji rekrutacyjnych — AI pomaga eliminować żmudne zadania HR.
• Podsumowania pełnią teraz funkcję archiwum pytań, które prowadziły do zatrudnienia najlepszych kandydatów — umożliwiają doskonalenie strategii prowadzenia rozmów oraz podejmowanie bardziej opartych na danych decyzji dotyczących oceny kandydatów, a także tworzenie wartościowych zbiorów danych na potrzeby ciągłego doskonalenia.

2. Opisy stanowisk zgodne z kulturą organizacyjną + profilowanie kandydatów

• Narzędzia AI wykorzystano do tworzenia opisów stanowisk zgodnych z wartościami Docebo, co przełożyło się na zauważalną poprawę jakości kandydatów i lepsze doświadczenia pracowników już od pierwszego kontaktu.
• Rekruterzy eksperymentowali również z wykorzystaniem technologii AI do analizowania publicznie dostępnych treści tworzonych przez kandydatów (np. postów na LinkedInie) w celu oceny zgodności z wartościami kultury organizacyjnej, takimi jak cechy przywództwa stawiającego ludzi na pierwszym miejscu.
• Chociaż nie wykorzystywano ich do podejmowania ostatecznych decyzji, spostrzeżenia te stanowiły wskazówkę przy zatrudnianiu osób na stanowiska kierownicze i wspierały rozmowy o rozwoju kariery.

3. Analiza nastrojów w badaniach zaangażowania

• Wcześniej przeglądanie tysięcy komentarzy z comiesięcznych badań zaangażowania zajmowało całe tygodnie.
• Dzięki podsumowaniom AI wykorzystującym algorytmy do analizy danych zespoły ds. pracowników mogły teraz w ciągu kilku godzin dostrzegać pojawiające się tematy i zmiany nastrojów, co pozwalało im szybciej uruchamiać adekwatne inicjatywy.
• Co ważne, każdy komentarz nadal jest ręcznie analizowany przez specjalistów HR, ale AI działa jako filtr pierwszego etapu, wskazując pilne kwestie i skracając opóźnienie między zebraniem opinii a podjęciem działań, co znacząco poprawia czas reakcji na zaangażowanie pracowników, a jednocześnie umożliwia analitykę predykcyjną dotyczącą potencjalnych zagrożeń dla utrzymania pracowników.

4. Dostęp do wewnętrznej wiedzy dzięki Glean

• Glean, narzędzie do zarządzania wiedzą oparte na AI, wdrożono w celu eliminacji wewnętrznych silosów i optymalizacji dostępu do informacji — jest to jedno z kluczowych narzędzi HR w stosie technologicznym Docebo.
• Pracownicy mogą korzystać z Glean, aby uzyskiwać podsumowania priorytetów poszczególnych działów, schematów organizacyjnych i aktualizacji dotyczących wewnętrznych projektów, co wspiera rozwój kariery poprzez wyjaśnianie ścieżek rozwoju.
• Na przykład zespół ds. pracowników wykorzystywał to narzędzie do usprawnienia prac nad strukturą organizacyjną, natychmiast uzyskując aktualne informacje o celach i strukturach zespołów na podstawie danych pracowników. Liderzy biznesowi informują, że znacząco poprawiło to szybkość planowania strategicznego.

Wyniki

• Oszczędność ponad 2 godzin na rekrutera/osobę prowadzącą rozmowę przy każdym zatrudnieniu dzięki automatycznemu sporządzaniu notatek
• Analiza tysięcy komentarzy z badań co miesiąc w ciągu kilku godzin zamiast tygodni, co poprawiło szybkość reagowania na zaangażowanie pracowników
• Szybsze i lepszej jakości opisy stanowisk przyczyniły się do poprawy puli kandydatów i lepszych doświadczeń pracowników
• Lepsza kalibracja procesu rekrutacyjnego dzięki retrospektywnej analizie transkrypcji rozmów, umożliwiającej podejmowanie bardziej opartych na danych decyzji
• Szybsze planowanie struktury organizacyjnej dzięki aktualnym wewnętrznym podsumowaniom Glean

"Nie postrzegamy AI jako gry o sumie zerowej. Chodzi o uwolnienie pełnego potencjału naszych ludzi przy jednoczesnym uzyskaniu rzeczywistej efektywności i skali." — Lauren Tropeano, wiceprezes ds. pracowników i kultury organizacyjnej, Docebo.

Wnioski dla kadry kierowniczej

AI nie musi być rewolucyjna, aby przynosić transformacyjne rezultaty. Sukces Docebo wynikał z włączenia praktycznych narzędzi AI do istniejących procesów pracy: usunięcia tarć związanych ze sporządzaniem notatek, odblokowania wglądu w organizację oraz szybszego reagowania na informacje zwrotne dotyczące zaangażowania.

Ich podejście było w równym stopniu pragmatyczne i skoncentrowane na ludziach, a zarządzanie oraz eksperymentowanie napędzały zrównoważone wdrażanie rozwiązań w różnych obszarach HR.

Sygnał ostrzegawczy

Nie wszystkie narzędzia AI dostarczają użyteczne wyniki. Docebo musiało eksperymentować z wieloma platformami do sporządzania notatek, zanim znalazło rozwiązanie, które rejestrowało odpowiedni poziom niuansów i rozróżniało poszczególnych mówców. Jaki płynie z tego wniosek? Testuj przed skalowaniem i oceniaj nie tylko to, co AI potrafi zrobić, ale także to, czy jej działanie jest rzeczywiście użyteczne dla procesów HR.

Bez owijania (z radami)

• Zacznij od małego zakresu, skaluj rozsądnie: Rozpocznij od zespołów pilotażowych, zbierz opinie, a następnie rozszerzaj wdrożenie na podstawie wykazanej wartości i jasnych wskaźników.
• AI ≠ autopilot: Zespoły nadal potrzebują krytycznego myślenia i ludzkiego osądu, aby interpretować spostrzeżenia AI i podejmować na ich podstawie działania.
• Zarządzanie ma kluczowe znaczenie: Zapewnij granice dostępu do danych (np. brak dostępu do wrażliwych systemów HR) oraz jasne zasady odpowiedzialnego wykorzystywania danych pracowników.

Przed i po: droga Docebo z AI

Obszar zainteresowania	Przed AI	Po AI
Sporządzanie notatek podczas rozmów kwalifikacyjnych	Ręczna transkrypcja po każdej rozmowie; niespójny poziom szczegółowości i nakładu pracy	Podsumowania Granola oszczędzają ponad 2 godziny na stanowisko; menedżerowie skupiają się na słuchaniu zamiast na pisaniu
Analiza ankiet zaangażowania	Ręczne kodowanie tysięcy komentarzy zajmowało tygodnie	Tematyczne podsumowania AI umożliwiają uzyskiwanie informacji zwrotnych niemal w czasie rzeczywistym i szybkie podejmowanie działań
Wyszukiwanie kandydatów	Opisy stanowisk często ginęły w morzu ogólnych ogłoszeń branżowych	Ogłoszenia o pracę tworzone przez AI i dopasowane do wartości firmy przyciągają lepiej dopasowanych kandydatów
Badanie struktury organizacyjnej	Godziny lub dni spędzane na przeszukiwaniu wiadomości e-mail i Slacka w celu zrozumienia struktury zespołu	Glean w kilka sekund prezentuje cele zespołów i schematy organizacyjne
Ocena kultury organizacyjnej	Ograniczona widoczność zachowań kandydatów na stanowiska kierownicze ukierunkowanych na ludzi	Wspomagana przez AI analiza publicznie dostępnych treści dostarcza wskazówek dotyczących dopasowania do kultury organizacyjnej

5 kluczowych wniosków z pierwszej linii wdrażania AI w HR

Po przeanalizowaniu dziesiątek wdrożeń realizowanych w praktyce oto najważniejsze wnioski płynące z zespołów, które zajmują się tym dzisiaj — nie w teorii, lecz w praktyce:

1. Integracja jest ważniejsza niż wynajdywanie koła na nowo

Najbardziej znaczące projekty integrowały technologie AI z narzędziami, z których zespoły już korzystały — takimi jak Slack, platformy ATS czy systemy HRIS. Zarządzanie zmianą przebiegało sprawniej, wdrażanie AI było szybsze, a ROI pojawiało się wcześniej. Specjaliści HR mogli wykorzystywać AI w HR bez zakłócania istniejących procesów HR. Zamiast wprowadzać całkowicie nowe narzędzia HR, udane wdrożenia ulepszały to, co zespoły już znały, zmniejszając tarcia i przyspieszając osiąganie wartości.

2. Ludzka ocena nadal ma znaczenie

Nawet najbardziej zaawansowane systemy AI nie podejmowały decyzji samodzielnie. Każdy przykład obejmował projektowanie z udziałem człowieka, co wzmacniało zaufanie, poprawiało wyniki i zapewniało sprawiedliwość w rekrutacji, wdrażaniu pracowników oraz ocenie ich wyników. Uczenie maszynowe i algorytmy wspierają decyzje — nie zastępują osądu wykwalifikowanych specjalistów HR. Liderzy biznesowi, którzy rozumieją tę zasadę, postrzegają AI jako wsparcie, a nie zastępstwo, i w efekcie tworzą silniejsze oraz bardziej godne zaufania systemy.

3. Wdrożenie wymaga zaufania, a nie tylko technologii

Zespoły, które odniosły sukces dzięki AI, inwestowały w programy szkoleniowe, przejrzystość i wewnętrzną komunikację. Wdrażanie AI nie było wyłącznie wyzwaniem technicznym — miało również wymiar kulturowy. Najlepiej działające zespoły sprawiały, że AI było postrzegane jako członek zespołu, a nie przejęcie kontroli, utrzymując wysoki poziom zaangażowania pracowników przez cały proces wdrażania. Udane wdrożenie AI wymagało rozwiania obaw dotyczących bezpieczeństwa zatrudnienia, wykazania wartości poprzez projekty pilotażowe oraz publicznego celebrowania sukcesów w celu budowania dynamiki.

4. Personalizacja zwiększa efektywność

Szybkość ma znaczenie, ale jakość ma większe. AI przynosiło najlepsze rezultaty, gdy tworzyło dopasowane do odbiorcy i kontekstowe doświadczenia — dla kandydatów, menedżerów czy nowo zatrudnionych osób — poprawiając ogólne doświadczenia pracowników. Niezależnie od tego, czy chodziło o przygotowanie planów wdrożenia, czy analizę opinii z wykorzystaniem danych pracowników, szczegółowe dopasowanie przynosiło lepsze rezultaty niż skala. Przetwarzanie języka naturalnego umożliwiało personalizację na dużą skalę w wielu obszarach HR, wspierając spersonalizowane ścieżki nauki, rozmowy dotyczące rozwoju kariery i dostosowaną komunikację. Najskuteczniejsze wdrożenia wykorzystywały analizę danych i analitykę predykcyjną do przewidywania indywidualnych potrzeb, zamiast stosowania rozwiązań jednakowych dla wszystkich.

5. Małe projekty pilotażowe szybko się skalują

Większość historii sukcesu zaczynała się od eksperymentów o niskim ryzyku i dużym potencjale: chatbota do wyznaczania celów, wygenerowanego przez GPT planu 30/60/90 lub automatycznego przeglądu CV. Gdy wpływ został potwierdzony mierzalnymi wskaźnikami pokazującymi oszczędności kosztów i wzrost efektywności, zespoły szybko skalowały rozwiązania — z wiarygodnością i pewnością siebie. Te skoncentrowane inicjatywy potwierdzały wartość AI dla HR, zanim rozpoczęto wdrażanie AI w całym przedsiębiorstwie w celu transformacji procesów HR lub zadań HR. Rozpoczęcie od małych działań pozwalało zespołom testować technologie AI, udoskonalać polecenia, tworzyć odpowiednie zbiory danych i opracowywać ramy zarządzania, zanim rozwiązania zostały szeroko wdrożone — znacznie zwiększając prawdopodobieństwo udanego i trwałego wdrożenia AI.