AI powinno przejąć te części rekrutacji, które są masowe i obiektywne — analizę zgłoszeń, planowanie rozmów, transkrypcję i przeszukiwanie nagrań — ale nie końcową decyzję oceniającą. Badania pokazują, że AI radzi sobie z jasnymi, weryfikowalnymi zadaniami w 76–82% przypadków, ale spada nawet do 33% przy subiektywnej syntezie, a przy tym masowo powiela uprzedzenia rasowe i płciowe. Reguła dla założycieli jest prosta: automatyzuj lejek, nie osąd. Ostatnie słowo o tym, czy to właściwa osoba, zostaw człowiekowi. ## Czy AI powinno rozmawiać z twoimi kandydatami? Krótka odpowiedź W czerwcu 2026 szwedzki startup Fika Jobs zebrał **4 miliony dolarów** na budowę platformy, w której rozmowę prowadzi agent AI, a nie rekruter. To realny produkt z realnym kapitałem za plecami — i realne pytanie dla każdego, kto w tym roku buduje lejek rekrutacyjny: jaką część własnego procesu oddajesz maszynie? Szczera odpowiedź brzmi: „dużo, ale nie osąd”. Rozmowa istnieje po to, żeby odpowiedzieć na jedno pytanie — czy ta konkretna osoba pasuje do tej konkretnej roli. A to jest dokładnie to zadanie, w którym dzisiejsza generacja AI wypada mierzalnie najgorzej. Jednocześnie AI świetnie radzi sobie ze wszystkim, co rozmowę otacza: z analizą, planowaniem, transkrypcją, wyszukiwaniem, streszczaniem. Granica nie przebiega więc między „AI” a „brakiem AI”. Przebiega między etapami. Postaw AI tam, gdzie jest mocne, a człowieka trzymaj tam, gdzie wysoka stawka spotyka się ze słabościami maszyny. To ważne, bo zalew zgłoszeń pisanych przez AI sprawił, że liczby aplikacji nie da się już udźwignąć, a automatyzacja rozmowy wygląda na jedyny sposób, żeby za tym nadążyć. Warto tę pułapkę nazwać po imieniu, bo źle wyznaczona granica kosztuje cię nie tylko jedno zatrudnienie. Może kosztować cię pozew o dyskryminację i reputację pracodawcy. ## Zakład za 4 mln dolarów: co naprawdę buduje Fika Jobs Fika Jobs zebrała **rundę pre-seed o wartości 4 milionów dolarów, prowadzoną przez Luminar Ventures**, z udziałem Alliance VC oraz aniołów biznesu — współzałożycieli King (Candy Crush), Sebastiana Knutssona i Riccarda Zacconiego, według relacji TechCrunch z 23 czerwca 2026. Założyciele, bracia Jakob i Alexander Dubois, wcześniej stworzyli aplikację społecznościową Gaff. Produkt to **platforma rekrutacyjna oparta na wideo**. Kandydat łączy swój profil LinkedIn, agent AI napędzany modelami Gemini od Google generuje spersonalizowane pytania i przeprowadza mniej więcej **10-minutową rozmowę wideo**. Platforma automatycznie zamienia odpowiedzi na krótkie klipy ułożone w żywy profil kandydata, łatwy do przeglądania. Zamiast aplikować osobno na każdą rolę, kandydaci utrzymują stały profil, po którym poruszają się pracodawcy. Dla szukających pracy jest za darmo, a Fika bierze **10% pensji z pierwszego roku** zatrudnionej osoby — co założyciele przedstawiają jako tańsze niż 20–30% pobierane przez tradycyjnych rekruterów. Ponad 100 firm jest na liście oczekujących, ponad 50 przetestowało platformę, a szersze uruchomienie — najpierw w Szwecji — zapowiedziano na jesień 2026. Argument o efektywności jest oczywisty, a wygoda naprawdę przyjazna kandydatom. Ale oto sygnał ostrzegawczy: samo ogłoszenie o finansowaniu w TechCrunch zaznacza, że profile wideo „niosą realne ryzyko uprzedzeń”, bo pracodawcy widzą rasę, wiek, płeć, wygląd i akcent *zanim* ocenią kwalifikacje. Kiedy zastrzeżenie o uprzedzeniach jest wpisane w samą relację z premiery, to cała ta debata w pigułce. ## Gdzie AI naprawdę wygrywa w lejku rekrutacyjnym AI jest mocne w pracy masowej, obiektywnie sprawdzalnej i organizacyjnej. To strefa 76–82% i tu powinieneś automatyzować agresywnie. Te same badania, które obnażają słabość AI w osądzie (więcej o tym niżej), wykazały, że czołowe modele zaliczają **jasne, weryfikowalne zadania w 76–82% przypadków**. Pokrywa się to dokładnie z tymi częściami rekrutacji, których nikt nie lubi robić ręcznie: - **Triaż.** Analiza i usuwanie duplikatów zgłoszeń oraz szeregowanie ich względem obiektywnych wymogów koniecznych, takich jak wymagany certyfikat, prawo do pracy czy lata doświadczenia w konkretnym stacku. - **Planowanie rozmów.** Czysto uciążliwy etap, który pochłania tygodnie wymiany maili. Powolne planowanie samo w sobie jest realnym kosztem, bo [opóźnienia w planowaniu rozmów powodują odpływ kandydatów](/blog/interview-scheduling-delays-candidate-drop-off), zanim w ogóle poznasz najlepszych ludzi. - **Czytanie.** Transkrypcja rozmów, streszczanie historii kandydata oraz przeszukiwanie godzin wideo i wielu kandydatów w kilka sekund. - **Streszczanie.** Zamiana rozwlekłego zgłoszenia i transkrypcji w zwięzły brief, który zapracowany menedżer rekrutujący naprawdę przeczyta. Żadna z tych rzeczy nie jest decyzją. To przygotowanie do decyzji. Dobrze zrobione, zwracają twojemu zespołowi całe godziny i pozwalają skierować ograniczoną ludzką uwagę na tę część procesu, która naprawdę wymaga człowieka.

Chcesz AI w lejku, ale bez oddawania mu werdyktu? Narzędzia AI w Kit streszczają kandydatów i przeszukują transkrypcje rozmów, dzięki czemu twój zespół czyta szybciej, a każde przejście dalej i każde odrzucenie pozostaje zapisaną decyzją człowieka.

Zacznij bezpłatny okres próbny

## Gdzie AI się załamuje: problem 33% syntezy AI jest mierzalnie słabe w dokładnie tym osądzie, którego wymaga rozmowa — czyli w ważeniu niepełnych, subiektywnych sygnałów i sprowadzaniu ich do jednego jasnego wniosku. Laboratorium badawcze PYX Labs (sponsorowane przez firmę Perceptyx zajmującą się doświadczeniem pracowników) przetestowało **siedem czołowych modeli AI** od OpenAI, Google, Anthropic i xAI na **84 zadaniach z zakresu analizy nastrojów i opinii pracowników**, ocenianych według kryteriów opracowanych przez psychologów i specjalistów od zachowań organizacyjnych — jak podaje HR Dive. Przy jasnych, weryfikowalnych zadaniach modele zaliczały 76–82% przypadków. Ale kiedy musiały zinterpretować otwartą, subiektywną informację zwrotną i sprowadzić ją do spójnego wniosku, skuteczność spadała **nawet do 33%**. **Synteza była najniżej ocenianą zdolnością we wszystkich modelach bez wyjątku — w przedziale od 14 do 57%.** Przeczytaj ten opis porażki jeszcze raz: „ważenie niepełnych, emocjonalnych lub zależnych od kontekstu sygnałów i sprowadzanie ich do jednego jasnego wniosku”. To robocza definicja rozmowy z drugim człowiekiem. Istotne nie jest to, że AI jest słabe we wszystkim — bo nie jest. Istotne jest to, że AI jest najsłabsze dokładnie w tej jednej rzeczy, o którą byś je prosił, gdybyś pozwolił mu prowadzić rozmowę. Dla kontekstu, jak szybko to się rozprzestrzenia: 37% respondentów badania WTW z 2025 roku już używa AI w zarządzaniu wynikami pracy, według HR Dive. Rozpowszechnienie wyprzedza pułap możliwości technologii. To właśnie w tej luce mieszka ryzyko. ## Podatek od uprzedzeń: co robi masowe przesiewanie przez AI Kiedy AI podejmuje decyzję oceniającą, nie tylko myli się w osądzie. Systematycznie powiela dyskryminację — w sposób niewidoczny, dopóki ktoś tego nie zmierzy. Badanie z University of Washington autorstwa Kyry Wilson i Aylin Caliskan przetestowało trzy otwartoźródłowe modele LLM na **ponad 550 prawdziwych CV** i **ponad 500 prawdziwych ogłoszeniach o pracę** w dziewięciu zawodach, przeprowadzając ponad **trzy miliony porównań** z użyciem 120 imion. Wyniki, przedstawione na konferencji AAAI/ACM Conference on AI, Ethics, and Society w październiku 2024: | Porównanie | AI faworyzowało | wobec | |---|---|---| | Imiona kojarzone z osobami białymi vs. czarnymi | **85%** | 9% | | Imiona kojarzone z mężczyznami vs. kobietami | **52%** | 11% | | Imiona czarnych mężczyzn vs. białych mężczyzn | **nigdy** | — | To ten ostatni wiersz powinien cię zatrzymać. Systemy **ani razu nie faworyzowały imion kojarzonych z czarnymi mężczyznami nad imionami kojarzonymi z białymi mężczyznami** — to szkoda intersekcjonalna, która nie sprowadza się do zwykłego zsumowania uprzedzeń rasowych i płciowych. I to ta sama klasa wniosków co [największe dotychczasowe badanie wdrożonego AI w rekrutacji](/blog/ai-resume-screening-racial-disparities-defensible-hiring), które wykazało wyraźne dysproporcje rasowe na milionach prawdziwych aplikacji. To nie laboratoryjna ciekawostka. To jest to, co te systemy robią, kiedy skierujesz je na prawdziwych kandydatów i pozwolisz im decydować. Nie chodzi o „nigdy nie używaj AI”. Te same modele, które osiągają 33% w syntezie, osiągają 76–82% w zadaniach weryfikowalnych. Chodzi o to, że fotel decydenta to jedyne miejsce, w którym te porażki zamieniają się w dyskryminację — i właśnie tego fotela nie powinno się automatyzować. ## Granica zaufania i granica prawna W momencie, w którym AI podejmuje decyzję, zbiegają się dwa rodzaje ryzyka: kandydaci przestają ci ufać, a regulatorzy zaczynają zwracać uwagę. Jeśli chodzi o zaufanie, bądźmy szczerzy — wygoda jest realna. Asynchroniczne rozmowy z AI eliminują tarcia związane z planowaniem, pozwalają odbyć rozmowę o 23:00 i niektórym aplikującym mogą wydawać się *mniej* stronnicze niż rozproszony człowiek. Ale wielu kandydatów mówi, że czują się odczłowieczeni, rozmawiając z botem, nie wiedzą, jak są oceniani, i nie mają jak odwołać się od odrzucenia przez czarną skrzynkę. Zysk z wygody i ryzyko utraty zaufania mieszkają w tym samym produkcie. Jedynym rozwiązaniem jest przejrzystość co do tego, co AI decyduje, a czego nie — taką obietnicę może złożyć proces z człowiekiem nadzorującym decyzję; proces w pełni autonomiczny nie może. Jeśli chodzi o prawo, ryzyko rośnie i zależy od jurysdykcji. Nowojorska Local Law 144 wymaga niezależnego audytu uprzedzeń i powiadomienia kandydata, zanim użyjesz zautomatyzowanego narzędzia do decyzji zatrudnieniowych. Illinois Artificial Intelligence Video Interview Act wymaga ujawnienia, zgody i wyjaśnienia, kiedy AI analizuje rozmowy wideo. Colorado AI Act dokłada obowiązki wokół AI wysokiego ryzyka w decyzjach zatrudnieniowych i wchodzi w życie etapami, mniej więcej w latach 2026 i 2027. A amerykańska EEOC dała sygnał, że użycie stronniczego algorytmu nie chroni pracodawcy przed odpowiedzialnością na podstawie Title VII. Praktyczny wniosek dla założyciela: „to model dostawcy tak zdecydował” nie jest linią obrony. Jeśli narzędzie AI nieproporcjonalnie często odrzuca kandydatów z grup chronionych, to ty odpowiadasz za skutek. Ślad decyzyjny, który człowiek może prześledzić i ocenić, to nie tylko dobra etyka. To dokładnie ten artefakt audytowy, o który proszą regulatorzy i powodowie w sądzie. ## Jak naprawdę wygląda nadzór człowieka nad decyzją Nadzór człowieka nad decyzją oznacza, że decyzja oceniająca jest wyraźnym, przypisanym działaniem konkretnej, wskazanej z imienia i nazwiska osoby, a rola AI ogranicza się do wsparcia. To powinno być ograniczenie wpisane w twój system, a nie zdanie w tekście na stronie kariery. Dokładnie tak zbudowana jest część rekrutacyjna Kit. Lejek składa się z typowanych etapów: `screening` (przegląd wstępny, który potrafi automatycznie odrzucać na podstawie obiektywnych wymogów koniecznych), `team_review` (ocena zespołu z konfigurowalnym głosowaniem — w tym progiem punktowym, opcją wymagania wszystkich recenzentów oraz flagą `veto_auto_rejects`, dzięki której człowiek może cofnąć każde automatyczne odrzucenie), `live_interview` (zaplanowana rozmowa z wymaganą liczbą ludzkich rozmówców) oraz `code_assignment` (zadanie programistyczne). Każde przejście dalej lub odrzucenie to rekord `Decision` (decyzja), którego pole `decided_by` **musi wskazywać konto człowieka**. Nie ma ścieżki w kodzie dla „AI odrzuciło tego kandydata”. System dosłownie nie potrafi zapisać werdyktu, który nie jest przypisany do osoby. AI pojawia się jako narzędzia, a nie jako decydent. Narzędzia Kit oparte na MCP — takie jak streszczenia kandydatów i aplikacji oraz semantyczne wyszukiwanie w transkrypcjach rozmów — pomagają twojemu zespołowi szybciej przebrnąć przez wielu kandydatów i godziny wideo. Wydobywają informacje; nie oddają głosu. (O tym, jak zbudowane są te narzędzia, przeczytasz w [MCP w rekrutacji](/blog/mcp-for-hiring).) To różnica między „AI przeprowadziło z tobą rozmowę i cię odrzuciło” a „zdecydował człowiek, a AI pomogło mu czytać szybciej”. A ponieważ portal kandydata pokazuje realny, możliwy do prześledzenia przez człowieka postęp na etapach, a nie nieprzejrzysty wynik punktowy, jest jednocześnie odpowiedzią na kwestię zaufania dla kandydatów i odpowiedzią audytową dla regulatorów. Zwróć uwagę, że to inny problem niż kandydaci, którzy oszukują przesiew AI — pisaliśmy o tym w [oszustwach na rozmowach z AI i przeprojektowaniu ocen](/blog/ai-interview-cheating-undetectable-overlays-redesign-assessments). Ten artykuł jest o tym, kto ma ostatnie słowo, a nie o tym, kto próbuje pokonać test. ## Reguła etap po etapie dla założycieli Czy zatem twoje AI powinno prowadzić rozmowy z kandydatami? Nie. Ale powinno robić niemal wszystko wokół rozmowy. Oto granica, etap po etapie: | Etap | Pozwolić AI to robić? | Dlaczego | |---|---|---| | Analiza i usuwanie duplikatów zgłoszeń | **Tak** | Masowe, obiektywne, weryfikowalne | | Szeregowanie względem wymogów koniecznych | **Tak**, z automatycznym odrzuceniem, które człowiek może zawetować — nigdy po cichu | Obiektywne sprawdzenia to mocna strefa AI; weto wyłapuje uprzedzenia | | Planowanie rozmów | **Tak** | Czyste tarcie, żadnego osądu | | Transkrypcja i przeszukiwanie rozmów | **Tak** | Szybkie czytanie, nie decydowanie | | Streszczanie historii kandydata | **Tak** | Wydobywa kontekst dla człowieka | | Ocena rozmowy | **Nie** | To strefa 33% syntezy | | Każde przejście dalej lub odrzucenie | **Nie** | Osąd plus ryzyko prawne; trzymaj to przy człowieku i zapisuj | Ten podział zachowuje większość efektywności Fiki, nie dziedzicząc ryzyka, jakie niesie autonomiczny rozmówca: 33% w syntezie i 85% uprzedzeń w imionach. Dodaj do tego przejrzystość wobec kandydata — co robi AI, a co człowiek — żeby nikt nie musiał zgadywać, czy decyzję podjął bot. Założyciele sięgający po rozmówców AI nie mylą się co do skali problemu. Liczba aplikacji przytłacza, opłaty rekruterów są wysokie, a planowanie rozmów to mordęga. Po prostu celują automatyzacją w niewłaściwy fotel. Skieruj ją na lejek, zostaw osąd człowiekowi, a dostaniesz szybkość bez utraty zaufania. Kit jest zbudowany dokładnie na tej granicy: efektywność triażu przez AI plus decyzje człowieka — możliwe do obrony i po prostu ludzkie — udowodnione w modelu danych, a nie obiecane w prezentacji. Jeśli chcesz procesu rekrutacji, który działa tak od razu po wyjęciu z pudełka, [zobacz szablony ról](/templates) albo [zacznij za darmo](/users/sign_up).