Szefowa ds. pozyskiwania talentów w Thoughtworks zdradza, jak dzięki AI przekształcić rekrutację w proces oparty na danych i predykcyjny

W trakcie swojej kariery zajmowałam stanowiska kierownicze wyższego szczebla w globalnych firmach technologicznych i konsultingowych, takich jak Thoughtworks, Cognizant i Hewlett-Packard, gdzie kierowałam dużymi, wielokrajowymi zespołami ds. pozyskiwania talentów. Wcześniej pełniłam również funkcję strategicznej partnerki biznesowej ds. talentów, doradzając kadrze kierowniczej wyższego szczebla i zarządowi w zakresie planowania zatrudnienia, projektowania organizacji oraz strategii personalnej.

Praca na dużą skalę ukształtowała moją drogę przywódczą — zarządzałam zespołami liczącymi ponad 50 rekruterów, prowadziłam od 600 do 2000 procesów zatrudnienia rocznie i konsekwentnie osiągałam rekordowe wyniki w zakresie efektywności zatrudniania, doświadczenia kandydatów oraz rozwoju organizacji.

Oprócz kierowania podstawowymi działaniami związanymi z pozyskiwaniem talentów tworzyłam i prowadziłam również strategiczne programy związane z marką pracodawcy, różnorodnością i włączaniem oraz rekrutacją na kampusach, w tym inicjatywy, które znacząco zwiększyły zatrudnienie kobiet i osób z niepełnosprawnościami oraz rozszerzyły ścieżki rozwoju zawodowego na wczesnym etapie kariery w wielu krajach.

Poza pełnieniem ról korporacyjnych działam również jako niezależna doradczyni beecrowd — globalnej platformy do programowania konkursowego i oceny umiejętności technicznych, wykorzystywanej przez uniwersytety i firmy technologiczne do oceniania talentów z zakresu inżynierii oprogramowania na dużą skalę. W tej roli doradzam w kwestiach modeli oceny talentów, oceny umiejętności oraz zależności między doskonałością techniczną a strategią zatrudnienia.

W ostatnich latach moja praca coraz bardziej koncentruje się na tym, jak sztuczna inteligencja i rekrutacja oparta na danych przekształcają przywództwo, strategię talentów oraz projektowanie wysokowydajnych organizacji w złożonych, wielokrajowych środowiskach.

Dlaczego sztuczna inteligencja zmienia więcej niż tylko technologię

Wraz z rozwojem sztucznej inteligencji moja rola liderki w obszarze pozyskiwania talentów ewoluowała od skupiania się przede wszystkim na realizacji zadań do projektowania strategicznych systemów talentów, które wykorzystują sztuczną inteligencję do przekształcania sposobu, w jaki organizacje przyciągają, oceniają i angażują talenty. Ta zmiana nie ma charakteru wyłącznie technologicznego — przekształca zakres odpowiedzialności liderów, projektowanie organizacji oraz relację między ludźmi a danymi.

Pozyskiwanie talentów ma tradycyjnie charakter transakcyjny, ale ta transformacja czyni je procesem opartym na danych i predykcyjnym. Zamiast polegać na ręcznej selekcji i średnich historycznych, stosujemy obecnie oparte na sztucznej inteligencji agenty uczące się oraz modele predykcyjne, które analizują duże zbiory danych, aby identyfikować wzorce sukcesu i z większą precyzją rekomendować kandydatów.

Ucząc się na podstawie danych historycznych, systemy te wykonują powtarzalne zadania, dzięki czemu zespoły mogą ponownie skupić się na tym, co robią najlepiej: budowaniu relacji i podejmowaniu strategicznych decyzji.

Ostatecznie przywództwo w erze stawiającej na sztuczną inteligencję polega na projektowaniu architektur decyzyjnych: tworzeniu systemów, w których ludzie, dane i sztuczna inteligencja współpracują, aby osiągać lepsze rezultaty. Oznacza to budowanie etycznego ładu, jasnych mierników oraz zintegrowanych pętli informacji zwrotnych, które pozwalają organizacjom przewidywać potrzeby, ograniczać stronniczość w procesie selekcji i dostosowywać możliwości pracowników do długoterminowych celów strategicznych.

Jak sztuczna inteligencja przekształca procesy HR i podejmowanie decyzji

Za każdym razem, gdy przebudowujemy proces z wykorzystaniem sztucznej inteligencji, kierujemy się jasną zasadą: sztuczna inteligencja eliminuje pracę manualną, porządkuje sygnały ilościowe i wydobywa spostrzeżenia, podczas gdy ludzie pozostają odpowiedzialni za ocenę jakościową i podejmowanie ostatecznych decyzji.

Oto kilka przykładów przeprowadzonych przez nas zmian:

1. Analiza ankiet i organizacyjne pętle informacji zwrotnej

Jednym z najskuteczniejszych zastosowań sztucznej inteligencji jest analiza dużych ilości danych ankietowych. Korzystając z wielu niestandardowo skonfigurowanych modeli Gemini, przetwarzamy odpowiedzi na pytania otwarte w ankietach, aby identyfikować powtarzające się tematy, wzorce nastrojów i pojawiające się zagrożenia w zespołach i regionach.

Zamiast polegać na ręcznym tagowaniu lub anegdotycznej interpretacji, sztuczna inteligencja pozwala nam parametryzować informacje zwrotne na dużą skalę i przekształcać jakościowe dane wejściowe w ustrukturyzowane sygnały wskazujące, gdzie najbardziej potrzebne są działania naprawcze. Znacząco poprawiło to szybkość, spójność i obiektywność planowania usprawnień organizacyjnych.

2. Wewnętrzne przepływy pracy i eliminacja procesów manualnych

Zastosowaliśmy również sztuczną inteligencję w wewnętrznych przepływach pracy, aby ograniczyć ręczną i powtarzalną pracę. Sztuczna inteligencja dokonuje wstępnej selekcji zgłoszeń, porządkuje nieustrukturyzowane dane wejściowe i wspiera przygotowywanie decyzji w ramach wewnętrznych procesów.

Znacząco ograniczyło to obciążenie operacyjne, pozwalając zespołom skupić się na pracy o większej wartości, takiej jak strategiczne rozwiązywanie problemów, angażowanie interesariuszy i ciągłe doskonalenie, zamiast na wykonywaniu zadań administracyjnych.

3. Procesy oceny wyników i ewaluacji

W wewnętrznych procesach ewaluacji i oceny wyników sztuczna inteligencja odgrywa kluczową rolę w obsłudze ilościowej strony analizy. Sztuczna inteligencja wyszukuje, agreguje i porównuje ustrukturyzowane punkty danych w czasie, zapewniając, że oceny opierają się na dowodach obejmujących dłuższy okres, a nie na aktualności informacji lub pojedynczych zdarzeniach.

Pozwala to liderom skupić się na jakościowych aspektach oceny — osądzie, kontekście, rozmowach rozwojowych i przyszłym potencjale — zamiast na gromadzeniu danych. Rezultatem są bardziej zdyscyplinowane, sprawiedliwe i oparte na dowodach oceny.

4. Dzielenie się wiedzą i ujednolicanie działań

Używamy NotebookLM jako wspólnej warstwy wiedzy do dokumentowania procesów, decyzji i powtarzających się tematów, zapewniając szybki i bezpieczny dostęp do wiedzy instytucjonalnej. W stosownych przypadkach w przejrzysty sposób udostępniamy informacje zarejestrowane w tym systemie, co poprawia spójność działań, ogranicza błędne interpretacje i tworzy wspólną bazę faktów dla wszystkich zespołów.

5. Strategia, podejmowanie decyzji i projektowanie organizacji

Na poziomie strategicznym sztuczna inteligencja wspiera nasze podejście do niepewności, priorytetów i kompromisów. Zamiast narzucać decyzje, sztuczna inteligencja pomaga ujawniać wzorce, określać skalę niejednoznaczności i testować założenia — szczególnie w obszarach takich jak projektowanie ról, efektywność organizacyjna i inicjatywy związane ze zmianą.

Jak analityka predykcyjna poprawia jakość decyzji rekrutacyjnych

W obszarze pozyskiwania talentów nasz czas realizacji procesu był już konsekwentnie bardzo dobry i wynosił od 30 do 35 dni, więc w naszym przypadku nie chodziło o poprawę szybkości. Prawdziwa zmiana nastąpiła, gdy zdecydowaliśmy się przeprojektować jakość lejka rekrutacyjnego, a nie szybkość procesu.

Najpierw przeszkoliliśmy zespół ds. pozyskiwania talentów w zakresie analizy predykcyjnej i segmentacji siły roboczej opartej na umiejętnościach. Zamiast optymalizować liczbę kandydatów, przeprojektowaliśmy modele przyjmowania zgłoszeń i selekcji, aby przewidywać, które profile z największym prawdopodobieństwem odniosą sukces na konkretnych stanowiskach, rynkach i w określonych zespołach. Pozwoliło nam to celowo ograniczyć liczbę kandydatów przechodzących do każdego etapu procesu.

W praktyce stworzyliśmy predykcyjne pulpity nawigacyjne łączące historyczne wyniki rekrutacji, dane dotyczące wyników pracy i sygnały rynkowe. Rekruterzy wykorzystywali następnie te modele, aby koncentrować się wyłącznie na umiejętnościach o wysokim prawdopodobieństwie powodzenia, przechodząc od jakości osiąganej dzięki skali do jakości osiąganej dzięki precyzji.

Ale raz jeszcze: sztuczna inteligencja nie powinna zastępować ludzkiego osądu, lecz go wyostrzać. Celowo zachowaliśmy bezpośrednią interakcję międzyludzką podczas rozmów kwalifikacyjnych, dyskusji kalibracyjnych i podejmowania ostatecznych decyzji. To połączenie pozwoliło nam zapewnić lepsze doświadczenia kandydatów, bardziej przemyślane oceny oraz sprawiedliwsze i bardziej spójne decyzje.

Jak projektowanie stanowisk wpływa na wyniki rekrutacji opartej na sztucznej inteligencji

Zanim zaczęłam pracować z modelami predykcyjnymi, nie doceniałam tego, jak bardzo niejednoznaczne, niespójne lub zawyżone opisy stanowisk mogą zniekształcać wyniki rekrutacji i wpływać na sposób uczenia się systemów sztucznej inteligencji. W przypadku sztucznej inteligencji projektowanie stanowiska i jakość jego opisu determinują każdą kolejną decyzję.

Przeprowadzenie analiz predykcyjnych na naszych historycznych danych rekrutacyjnych ujawniło wyraźny wzorzec. Zmienność definicji ról prowadziła do gorszych wyników — nawet w większym stopniu niż niska jakość kandydatów. Innymi słowy, role z niedostatecznie określonymi umiejętnościami, nierealistycznymi wymaganiami lub niespójnymi sygnałami dotyczącymi poziomu stanowiska konsekwentnie generowały niższy współczynnik konwersji, większą liczbę odrzuceń na późnym etapie i słabsze wyniki we wczesnym okresie, niezależnie od jakości puli kandydatów.

To zasadniczo zmieniło naszą strategię. Zamiast traktować opisy stanowisk jako statyczne dane wejściowe, przeprojektowaliśmy je jako artefakty predykcyjne. Wykorzystaliśmy historyczne dane o wynikach, aby odróżnić wymagania skorelowane z sukcesem od tych, które jedynie zwiększały poziom szumu i niejednoznaczności. Z czasem pozwoliło nam to upraszczać definicje ról, usuwać wymagania niepredykcyjne i koncentrować rekrutację na mniejszym zestawie umiejętności o wysokiej wartości prognostycznej.

Dlaczego wdrażanie AI powinno być zinstytucjonalizowane, a nie realizowane w ramach pilotażu

Największa rozbieżność, jaką niezmiennie dostrzegam między potencjałem AI a rzeczywistością organizacyjną, nie ma charakteru technologicznego, lecz organizacyjny i ludzki. Większość firm intensywnie inwestuje w narzędzia AI i oczekuje poprawy. Jednocześnie utrzymuje te same systemy motywacyjne, te same struktury hierarchiczne i ten sam niski poziom kompetencji w zakresie danych wśród kadry kierowniczej.

W rezultacie AI jest albo wykorzystywana w niewystarczającym stopniu, albo niewłaściwie: potężne modele generują spostrzeżenia, którym się nie ufa, których się nie rozumie lub na podstawie których nie podejmuje się działań.

Zlikwidowaliśmy tę rozbieżność, instytucjonalizując wdrażanie AI, zamiast traktować je jako serię projektów pilotażowych. Powołaliśmy dedykowaną, międzyfunkcyjną grupę roboczą skoncentrowaną na projektowaniu podejmowania decyzji wspieranego przez AI w obszarze pozyskiwania talentów.

Grupa robocza działa w oparciu o jasno określone cele biznesowe. Jej dwa główne zadania to zwiększenie o 50% współczynników konwersji na kolejnych etapach lejka rekrutacyjnego dzięki segmentacji predykcyjnej i przeprojektowaniu procesu decyzyjnego oraz dodatkowe skrócenie czasu trwania rozmów kwalifikacyjnych o 30% poprzez wcześniejsze eliminowanie kandydatów o niskim prawdopodobieństwie zatrudnienia. Cele te zmuszają organizację do skupienia się nie na eksperymentowaniu, lecz na trwałej poprawie wyników na poziomie całego systemu.

Poza monitorowaniem wskaźników grupa odpowiada za przeprojektowanie przepływów pracy związanych z podejmowaniem decyzji przed wprowadzeniem automatyzacji. Mapujemy miejsca, w których podejmowane są kluczowe decyzje rekrutacyjne, osoby za nie odpowiedzialne, wymagane dane oraz obszary, w których ludzka ocena musi pozostać centralnym elementem. Dopiero gdy architektura decyzji jest jasna, wprowadzamy AI, aby wspierała konkretne etapy, zamiast nakładać narzędzia na wadliwe procesy.

Wbudowujemy również zarządzanie i nadzór już na etapie projektowania. Obejmuje to możliwość ingerencji człowieka, monitorowanie stronniczości i dryfu modelu, jasne zasady odpowiedzialności za wyniki modelu oraz etyczną ocenę zastosowań o dużym wpływie. Bez tego AI ma tendencję do jednoczesnego skalowania zarówno dobrych, jak i złych decyzji.

Co oznacza gotowość na AI w HR i pozyskiwaniu talentów

Traktujemy AI w mniejszym stopniu jako zestaw narzędzi, a w większym jako sposób myślenia o podejmowaniu decyzji. Bycie gotowym na AI w naszej organizacji oznacza konsekwentne zadawanie lepszych pytań: które sygnały mają znaczenie, gdzie występuje niepewność i w jaki sposób dane mogą wspierać ludzką ocenę.

Kompetencje w zakresie AI rozwijają się poprzez codzienną pracę, a nie formalne szkolenia. Zespoły uczą się, wykorzystując AI do ujawniania wzorców, testowania założeń i porządkowania decyzji w ankietach, ocenach oraz operacyjnych przepływach pracy.

W praktyce widać to w sposobie, w jaki podejmujemy decyzje: dyskusje są bardziej oparte na dowodach, założenia są jaśniejsze, dokumentacja lepsza, a język używany do pracy z niepewnością — wspólny. AI nie podejmuje decyzji, lecz kształtuje sposób, w jaki myślimy przed ich podjęciem.

Trójwarstwowy zestaw narzędzi Carli

Do realizacji zadań wspieranej przez AI korzystamy z kilku kategorii narzędzi. Do rozumienia języka, projektowania stanowisk i uporządkowanego wsparcia wiedzy używamy Gemini, wewnętrznego agenta AI oraz NotebookLM, który pełni funkcję bezpiecznej wewnętrznej warstwy wiedzy służącej do dokumentowania procesów i zapewniania szybkiego, nadzorowanego dostępu do wiedzy instytucjonalnej.

Do analizy rozmów kwalifikacyjnych używamy BrightHire, aby rejestrować ustrukturyzowane sygnały z rozmów oraz poprawiać kalibrację i jakość informacji zwrotnych.

Na naszej podstawowej platformie rekrutacyjnej używamy Greenhouse AI przede wszystkim do podsumowywania kart ocen i ustrukturyzowanej syntezy informacji zwrotnych z rozmów kwalifikacyjnych, zawsze zachowując pełną kontrolę człowieka nad decyzjami dotyczącymi wyboru kandydatów.

Dlaczego NotebookLM i ChatGPT są niezbędną infrastrukturą poznawczą

Szczególnie fascynują mnie dziś dwa narzędzia: NotebookLM i ChatGPT. Używam ich w bardzo różnych kontekstach.

ChatGPT wykorzystuję wyłącznie do celów osobistych, poza środowiskiem korporacyjnym. Stał się moim głównym osobistym narzędziem do myślenia i nauki. Używam go do wszystkiego — od uporządkowanej nauki i pisania po zgłębianie pomysłów, planowanie i refleksję.

Sama platforma wskazuje, że należę do grona jej najaktywniejszych użytkowników, co odzwierciedla, jak głęboko stała się częścią mojego osobistego procesu poznawczego. Jej główny wpływ polega na przyspieszeniu mojej nauki, poprawie klarowności myślenia i pomocy w bardziej rygorystycznym rozumowaniu na temat złożonych kwestii.

W kontekście zawodowym najbardziej angażuję się w pracę z NotebookLM. Intensywnie wykorzystuję go do dokumentowania i porządkowania moich spotkań indywidualnych, śledzenia powtarzających się tematów oraz utrzymywania spójnego, opartego na dowodach obrazu rozwoju i wyników poszczególnych osób w czasie.

Udostępniam te notatki i podsumowania w sposób przejrzysty osobom, z którymi się spotykam, co czyni to rozwiązanie szczególnie skutecznym. Tworzy ono jeden, wspólnie uzgodniony zapis oczekiwań, informacji zwrotnych i zobowiązań, a także znacząco poprawiło zaufanie, sprawiedliwość i spójność w ocenie wyników pracowników. Pozwala obu stronom opierać się na tej samej bazie faktów, zamiast na pamięci lub subiektywnej interpretacji.

Zaowocowało to znacznie bardziej zdyscyplinowanym i sprawiedliwym podejściem do zarządzania wynikami: lepszą realizacją działań rozwojowych, mniejszą liczbą nieporozumień oraz większym zgraniem między menedżerami a członkami zespołów.

Najbardziej cenię w tych narzędziach to, że nie są narzędziami do automatyzacji, lecz infrastrukturą poznawczą. Wykorzystywane w ten sposób, nie zastępują osądu — poprawiają jakość, sprawiedliwość i przejrzystość sposobu, w jaki osąd jest stosowany.

Jak pozyskiwanie talentów zmieni się w ciągu najbliższych pięciu lat

Pozyskiwanie talentów przestanie być mierzone przede wszystkim szybkością lub skalą i stanie się funkcją jakości podejmowanych decyzji. W ciągu najbliższych pięciu lat ta rola ewoluuje od realizowania procesów rekrutacyjnych do projektowania i nadzorowania sposobu, w jaki organizacje podejmują decyzje dotyczące talentów w warunkach niepewności.

AI będzie w coraz większym stopniu odpowiadać za skalę, rozpoznawanie wzorców i wydobywanie sygnałów — od projektowania stanowisk po dopasowywanie do rynku — podczas gdy zespoły ds. talentów staną się znacznie bardziej precyzyjne i świadome w projektowaniu oraz realizacji procesów selekcji. Przewaga konkurencyjna będzie wynikać z jaśniejszego definiowania ról, lepszej jakości sygnałów na każdym etapie lejka oraz bardziej spójnych, opartych na dowodach decyzji dotyczących selekcji.

Na poziomie całej branży spodziewam się wyraźnego podziału: organizacje, które potraktują AI jako sposób myślenia wpisany w ich model operacyjny, zasadniczo wyprzedzą te, które będą postrzegać je jako zestaw narzędzi. Przyszłość tej funkcji należy do zespołów, które projektują lepsze decyzje, a nie tylko szybsze procesy.

Jak liderzy mogą świadomie wdrażać AI w HR

Osobom na stanowiskach podobnych do mojego radzę, aby przestały traktować AI jako opcjonalny dodatek i zaczęły postrzegać je jako część sposobu działania, zgodnie z którym wykonywana jest praca. Oznacza to skupienie się na usuwaniu dzięki AI administracyjnych przeszkód jako podstawowym kroku. Na tym etapie opieranie się AI jest sprzecznością: pytanie nie brzmi już, czy z niego korzystać, lecz jak świadomie i odpowiedzialnie włączać je w codzienne decyzje i przepływy pracy.

Jednocześnie musimy jasno określić, co powinno pozostać domeną człowieka. AI jest niezwykle skuteczne w radzeniu sobie ze skalą, porządkowaniu informacji i ograniczaniu szumu. Właściwie wykorzystywane pozwala ludziom skupić się w większym — a nie mniejszym — stopniu na tym, co ma znaczenie: osądzie, relacjach, etyce, kreatywności i wartościowym dialogu.

W szerszym ujęciu radzę liderom postrzegać AI jako siłę, która pomaga wyjaśniać priorytety. Organizacje odnoszące sukcesy wykorzystują AI do eliminowania zadań, które technologia wykonuje lepiej niż ludzie, i świadomie ponownie inwestują zaoszczędzony czas oraz uwagę w interakcje międzyludzkie o wyższej jakości.

Zamiast osłabiać przywództwo, AI tworzy warunki, w których może rozwijać się bardziej refleksyjne, skoncentrowane i humanistyczne przywództwo.

Śledź dalsze informacje

Możesz śledzić pracę Carli nad rewolucjonizowaniem pozyskiwania talentów na LinkedIn.

Na People Managing People pojawi się więcej wywiadów z ekspertami!