Jedna ocena przy nazwisku kandydata niewiele mówi. Nie widać, co się na nią złożyło, co przeważyło i z którą jej częścią można się nie zgodzić. Jeśli zgłoszenia w Waszej rekrutacji ocenia AI, warto wiedzieć, z czego ta ocena się składa i kto może ją zmienić.
Rekruter, który czyta zgłoszenie, sprawdza kilka rzeczy naraz: gdzie kandydat pracował, co umie, kiedy może zacząć, ile chce zarabiać. Jeśli nie zapisze każdej z nich osobno, zostaje ogólne wrażenie i krótka notatka.
Przy kilku zgłoszeniach to wystarcza. Przy kilkuset trudno potem odpowiedzieć na proste pytania: dlaczego ta osoba przeszła dalej, a tamta nie, i czy obie sprawdzono pod tym samym kątem. Menedżer, który widzi tylko wynik końcowy, może mu zaufać albo nie. Sprawdzić go nie może.
Z AI jest tak samo, tylko na większą skalę. Model, który zwraca jedną liczbę albo jedno słowo „pasuje”, zostawia Was z pytaniem, na jakiej podstawie. Dlatego ocenę warto rozłożyć na części, które da się nazwać, przeczytać i poprawić.
Wirtualny rekruter SmartyTalent ocenia każde zgłoszenie według tych samych szesnastu kryteriów. Lista jest taka sama dla każdego kandydata i dzieli się na trzy grupy.
Pierwsza grupa mówi o tym, co kandydat robił do tej pory. Druga o tym, jakie ma przygotowanie. Trzecia o tym, czy praca na proponowanych warunkach jest dla niego możliwa i czy odpowiada temu, czego szuka. To trzy różne pytania i dobrze, żeby odpowiedzi na nie się nie mieszały.
Przykład: kandydat z dużym doświadczeniem, który może zacząć dopiero za pół roku, to inna sytuacja niż kandydat dostępny od zaraz, ale bez wymaganej licencji. Jedna ocena mogłaby zrównać oba przypadki. Osobne kryteria pokazują różnicę i od razu wiadomo, o czym rozmawiać z menedżerem.
Warto też zauważyć, czego na tej liście nie ma. Na liście kryteriów nie ma imienia, płci ani wieku.
Lista kryteriów jest wspólna, ale stanowiska się różnią. Dlatego w każdym projekcie kryterium ma określoną ważność: jest wymagane, preferowane albo opcjonalne. Znajomość języka może być wymagana w jednym naborze i opcjonalna w drugim.
Najwięcej uwagi wymaga pierwsza kategoria. W każdej rekrutacji wymaganie obowiązkowe ma największy wpływ na los zgłoszenia, więc trzeba wiedzieć, kto je postawił. W naszym produkcie wymaganie obowiązkowe pochodzi wyłącznie z trzech źródeł: ze słów menedżera, z przepisu albo od zespołu ReCops, czyli ludzi, którzy nadzorują pracę wirtualnego rekrutera. Założenia AI są oznaczone.
Słowa menedżera mają swoją drogę. Menedżer pisze maila albo odpowiada na kilka pytań. Z tego powstaje lista wymagań z podziałem na konieczne i mile widziane, którą zatwierdzacie, zanim ruszy nabór.
Po co ta ostrożność? AI, która pomaga spisać wymagania, czasem coś zakłada, na przykład że na dane stanowisko potrzebne są studia kierunkowe. Jeśli takie założenie po cichu stanie się wymaganiem obowiązkowym, o zgłoszeniach zacznie rozstrzygać coś, czego nikt z Was nie powiedział. Oznaczenie pozwala takie założenie zobaczyć i świadomie o nim zdecydować.
Podział na kryteria zmienia też sposób pracy modelu. Model ocenia jedno kryterium naraz i do każdej oceny dodaje uzasadnienie zapisane zwykłym językiem. Ocenę końcową wyznacza stała reguła w kodzie, a nie model.
To rozdzielenie ma praktyczny skutek. Model nie składa szesnastu ocen w jedną. Robi to program według stałych reguł. Dzięki temu człowiek widzi każdą ocenę osobno, może ją zmienić i przywrócić odrzuconą osobę do rekrutacji.
Dla menedżera to inna rozmowa o kandydacie. Zamiast „system dał niską ocenę” słyszy na przykład: doświadczenie branżowe ocenione nisko, bo w zgłoszeniu nie ma tej branży, pozostałe kryteria w porządku. Jeśli wie, że kandydat tę branżę zna, tę jedną ocenę można zmienić. Nie trzeba spierać się z całym wynikiem.
Ocena nie jest jeszcze decyzją. Po każdej ocenie wirtualny rekruter przedstawia rekomendację, a odmowę tylko proponuje. Zatwierdza ją człowiek.
To, że na liście kryteriów nie ma imienia, płci ani wieku, to dopiero początek. Czy takie cechy nie wpływają na wynik inną drogą, trzeba sprawdzić testem. Test jest prosty: to samo CV i to samo stanowisko, zmieniona jedna cecha, czyli imię, płeć, rok urodzenia albo obywatelstwo, i porównanie ocen. Reguły zaliczenia zapisuje się przed pierwszym uruchomieniem modelu.
W naszych testach, na danych syntetycznych, takie porównania wykryły trzy problemy (raport z testów modeli, październik 2026). Do części ocen trafiały imię, adres e-mail i numer telefonu kandydata. Te dane usunięto tego samego dnia. Odpowiedź z formularza o pracy zmianowej nie trafiała do oceny. Naprawiono to przed powtórką testu. Ocena prawa do pracy zależała od nazwy statusu. Teraz liczy się to, czy osoba może legalnie podjąć tę pracę.
Wynik, również w naszych testach, na danych syntetycznych: w trzech zmierzonych parach wariant dostał w każdym przebiegu tę samą ocenę końcową co CV bazowe, w 10 z 10 przebiegów. Para to CV bazowe i jego wariant ze zmienioną jedną cechą.
Ten wynik ma ograniczenie, które trzeba podać razem z nim. Na każdą cechę przypadało jedno CV bazowe. Wynik dotyczy zmierzonych par, a nie wszystkich kandydatów. Miar dla całych grup kandydatów jeszcze nie mamy.
Piszemy o tym, bo to dobry wzór pytania do każdego dostawcy. Nie „czy Wasza AI ocenia sprawiedliwie”, tylko: co testowaliście, co test wykrył i co poprawiliście.
Film: „16 kryteriów: co sprawdza wirtualny rekruter”
Podział na kryteria nie podejmuje decyzji. Porządkuje to, co wiadomo o zgłoszeniu, tak żeby dało się to sprawdzić i poprawić, a o kandydacie decyduje człowiek.