Narzędzie AI oceniające kandydatów może podlegać amerykańskiej ustawie Fair Credit Reporting Act (FCRA), jeśli zbiera zewnętrzne dane o kandydatach w „raport” o przydatności do zatrudnienia i przekazuje ten raport pracodawcom. Taki właśnie nowatorski zarzut pada w sprawie *Kistler v. Eightfold AI* — pozwie zbiorowym złożonym w styczniu 2026 roku, który zadaje pytanie, nad którym większość founderów nigdy się nie zastanawiała: czy Twoje oprogramowanie rekrutacyjne po cichu działa jak biuro informacji kredytowej? Jeśli sąd przyzna rację powodom, obowiązki dotyczące raportowania konsumenckiego, które większość firm kojarzy ze sprawdzaniem przeszłości kandydatów — ujawnienie, zgoda, kopia raportu i formalny termin na odwołanie — objęłyby zwykłe przesiewanie CV przez AI.

To inna teoria prawna niż pozwy o dyskryminację, o których czytałeś, i prawdopodobnie groźniejsza, bo nie wymaga udowodnienia, że algorytm był niesprawiedliwy. Wystarczy udowodnić, że algorytm działał w tajemnicy. Poniżej znajdziesz to, co rzeczywiście zarzuca pozew, jak działa test FCRA i jak wygląda dający się obronić pipeline rekrutacyjny z AI — taki, w którym to człowiek z imienia i nazwiska, a nie ukryty wynik punktowy, odpowiada za każde odrzucenie. (To informacja ogólna, nie porada prawna. Skonsultuj swój konkretny stack z prawnikiem.)

## Sedno sprawy: AI ma rzekomo po cichu sporządzać „raporty kredytowe” o kandydatach

W skrócie: federalny pozew zbiorowy zarzuca, że platforma rekrutacyjna oparta na AI tworzyła tajne raporty o przydatności kandydatów i odrzucała ich, nigdy ich o tym nie informując. Sprawa *Kistler v. Eightfold AI* została złożona 20 stycznia 2026 roku w Superior Court of California, hrabstwo Contra Costa (nr C26-00214), a następnie przeniesiona do sądu federalnego jako *Kistler et al. v. Eightfold AI Inc.*, nr 3:26-cv-01768 (N.D. Cal.). Powódkami wskazanymi z nazwiska są Erin Kistler i Sruti Bhaumik, które pozywają w imieniu domniemanej grupy kandydatów do pracy.

To, co czyni tę sprawę czymś więcej niż kolejnym pozwem przeciwko branży HR-tech, to osoby, które się pod nim podpisały. Pozew wnosi reprezentująca powodów kancelaria Outten & Golden LLP wraz z organizacją non-profit Towards Justice, a wśród pełnomocników figuruje Jenny R. Yang, była przewodnicząca amerykańskiej Komisji ds. Równych Szans w Zatrudnieniu (EEOC). Towards Justice nazwała tę sprawę pierwszą w ramach swojego projektu AI in the Workplace Accountability Project. Była przewodnicząca EEOC, która podpisuje się pod pozwem, to nie przypadek. To celowa, strategiczna sprawa testowa, która ma ustanowić precedens.

Ludzka stawka jest prosta. Jak ujmuje to Kistler w komunikacie kancelarii: „Aplikowałam na setki stanowisk, ale mam wrażenie, że jakaś niewidzialna siła powstrzymuje uczciwe rozpatrzenie mojej kandydatury”. Yang nazywa szkodę prawną wprost: „Wykwalifikowani pracownicy w całym kraju są pozbawiani szans na pracę na podstawie automatycznych ocen, których nigdy nie widzieli i których nie mogą zakwestionować”.

## Co dokładnie zarzuca pozew

Pozew twierdzi, że platforma Eightfold ocenia kandydatów i wielu z nich odrzuca, zanim ktokolwiek na nich spojrzy. Według pisma Eightfold używa autorskiego dużego modelu językowego do generowania „Match Score” — oceny szans każdego kandydata na „sukces” na danym stanowisku. Pozew podaje, że Match Score „mieści się w przedziale od 0 do 5” z dokładnością do jednej dziesiątej (¶74). Co kluczowe, zarzuca, że kandydaci są „często odrzucani, zanim jakikolwiek człowiek w ogóle spojrzy na ich aplikację”.

Pozew opisuje też dane zasilające ten wynik. W przypadku każdej z powódek wskazanych z nazwiska twierdzi, że Eightfold zebrał „informacje z raportu konsumenckiego, w tym dane osobowe, informacje o jej wykształceniu i doświadczeniu zawodowym, profile w mediach społecznościowych, dane o lokalizacji”, a do tego wnioskowane cechy oraz „dane porównawcze innych kandydatów zaczerpnięte z milionów CV i profili innych osób” (¶~100, ¶~107). Zasięg platformy, jak twierdzi pozew, jest ogromny: cytuje on własne materiały marketingowe Eightfold, według których model uwzględnia „ponad 1,5 miliarda globalnych punktów danych”, w tym profile „ponad 1 miliarda” osób.

Jedno zastrzeżenie warto powiedzieć wprost: te miliardowe liczby to opisany przez Eightfold korpus treningowy i referencyjny, powtórzony w pozwie, a nie zweryfikowana liczba osób, których dane wykorzystano niezgodnie z prawem. Dokładniej będzie powiedzieć, że model jest trenowany na korpusie, który — według Eightfold — obejmuje profile ponad miliarda osób. Skala to zarzut, nie ustalenie sądu.

A oto, czego pozew znamiennie **nie** zarzuca: że algorytm jest stronniczy. Nie ma tu teorii o dyskryminacji rasowej, wiekowej czy ze względu na niepełnosprawność z Title VII. Pozew zarzuca naruszenie federalnej FCRA, kalifornijskiej Investigative Consumer Reporting Agencies Act (ICRAA) oraz kalifornijskiej Unfair Competition Law (UCL), z żądaniem rozprawy z udziałem ławy przysięgłych. Teoria jest proceduralna, nie dotyczy wyników. Argument brzmi: system oceniający istniał w tajemnicy i został wdrożony bez procedury wymaganej przez prawo. Pozwany mógłby teoretycznie mieć całkowicie sprawiedliwy algorytm i mimo to przegrać tę sprawę.

## Czy ATS to agencja raportowania konsumenckiego w rozumieniu FCRA?

System śledzenia kandydatów (ATS) może podlegać FCRA, jeśli zbiera dane o kandydatach od osób trzecich lub dane wnioskowane w „raport konsumencki” o przydatności do zatrudnienia i udostępnia go pracodawcom. Czyste narzędzie pierwszej strony, które działa wyłącznie na danych z aplikacji zebranych przez samego pracodawcę, zwykle mu nie podlega. Ale narzędzia AI, które wciągają zeskrobane media społecznościowe, dane o lokalizacji i profile porównawcze, zacierają tę granicę — i to właśnie zatarcie granicy jest całą stawką tej sprawy.

Ustawa definiuje „raport konsumencki” szeroko (15 U.S.C. §1681a) jako każde przekazanie przez agencję raportowania konsumenckiego informacji dotyczących charakteru, reputacji, cech osobistych lub trybu życia danej osoby, gdy jest ono wykorzystywane do ustalenia przydatności do zatrudnienia. Pozew argumentuje, że złożenie zewnętrznych i wnioskowanych danych w wynik przydatności do zatrudnienia wpisuje Eightfold wprost w tę definicję i czyni z niego niezarejestrowaną agencję raportowania konsumenckiego (CRA).

Czy ten argument zwycięży, zależy od kilku spornych kwestii:

- **Czy dane pochodzą od pierwszej, czy od trzeciej strony?** FCRA generalnie zwalnia firmę raportującą „wyłącznie o transakcjach lub doświadczeniach między konsumentem a podmiotem sporządzającym raport”. Jeśli narzędzie przetwarza tylko dane z aplikacji zebrane przez samego pracodawcę, prawdopodobnie nie jest CRA. Powodowie twierdzą, że Eightfold przebija to zwolnienie, bo wciąga zeskrobane i wnioskowane dane z zewnątrz.
- **Czy wynik jest „udostępniany osobie trzeciej”?** CRA udostępnia raporty innym. Eightfold może argumentować, że Match Score pozostaje wewnątrz procesu rekrutacyjnego samego pracodawcy i nigdy nie jest nikomu przekazywany.
- **Czy „match score” z modelu LLM to w ogóle raport konsumencki?** Eightfold może argumentować, że analityka predykcyjna nie jest tym rodzajem złożonego raportu, który Kongres uregulował w 1970 roku.

Nic z tego nie zostało jeszcze rozstrzygnięte. Sprawa jest na etapie pism procesowych w Northern District of California. Teoria o CRA jest nowatorska i niesprawdzona, a rozsądnie jest traktować ją jako realne ryzyko, nie jako przesądzoną regułę.

## Eightfold kontra Workday: dwa różne sposoby, na jakie Twój rekrutacyjny stack z AI może Cię narazić na pozew

Jeśli śledzisz tylko jeden pozew o AI w rekrutacji, jesteś narażony na ten drugi. *Kistler v. Eightfold* i *Mobley v. Workday* są rozpoznawane przez ten sam sąd federalny, ale opierają się na przeciwnych teoriach — a Twój pipeline musi spełnić obie.

| | *Mobley v. Workday* | *Kistler v. Eightfold* |
|---|---|---|
| **Teoria prawna** | Dyskryminacja (Title VII, ADEA, ADA) | Raportowanie konsumenckie (FCRA, ICRAA, UCL) |
| **Główny zarzut** | Algorytm dawał stronnicze wyniki | Algorytm działał w tajemnicy, bez procedury |
| **Co trzeba udowodnić** | Nieproporcjonalny wpływ na grupę chronioną | Brak ujawnienia, zgody i prawa do odwołania |
| **Czy „sprawiedliwy” algorytm może przegrać?** | Nie, stronniczość to cała sprawa | Tak, sprawiedliwość jest dla zarzutu bez znaczenia |
| **Kto odpowiada** | Dostawca jako „agent” + pracodawca | Dostawca jako CRA + pracodawca jako „użytkownik” raportów |

Sprawa Workday dotyczy tego, czy Twoje narzędzie dyskryminuje. Omówiliśmy ją szczegółowo w [tym, co pozew Workday o AI w rekrutacji oznacza dla każdego ATS](/blog/workday-ai-hiring-lawsuit-ats-liability). Sprawa Eightfold dotyczy tego, czy Twoje narzędzie dochowało procedury raportowania konsumenckiego. To dwa odrębne sposoby, na jakie może zawieść ten sam projekt: nieprzejrzysty, automatyczny pipeline bez człowieka w pętli, który ocenia i odrzuca kandydatów, zanim ktokolwiek otworzy plik. Napraw ten projekt, a zmniejszysz ryzyko na obu frontach.

## Co oznaczałoby „działanie niekorzystne” z FCRA, gdyby Twoje narzędzie przesiewające było CRA

Jeśli sąd uzna, że Twój dostawca AI jest CRA, obowiązki dotyczące raportowania konsumenckiego nie spadają wyłącznie na dostawcę. Spadają też na Ciebie — pracodawcę — jako „użytkownika” raportów konsumenckich. To ta część, którą founderzy przeoczają. Według doniesień klienci Eightfold to m.in. Microsoft, Morgan Stanley, Starbucks, BNY, PayPal, Chevron i Bayer (firmy te nie są pozwanymi), ale FCRA nakłada obowiązki na każdego pracodawcę, który korzysta z objętego nią raportu.

Te obowiązki dzielą się na cztery koszyki:

1. **Ujawnienie.** Jasne, wyraźne pisemne powiadomienie, że zostanie pozyskany raport konsumencki — w osobnym dokumencie.
2. **Upoważnienie.** Pisemna zgoda kandydata, zanim jakikolwiek raport powstanie.
3. **Powiadomienie przed działaniem niekorzystnym.** Zanim odrzucisz kandydata, daj mu kopię raportu oraz „Summary of Your Rights Under the FCRA”, a do tego rozsądny czas (zwykle pięć lub więcej dni roboczych) na zakwestionowanie.
4. **Końcowe powiadomienie o działaniu niekorzystnym.** Po odrzuceniu powiadom kandydata, wskaż CRA, zaznacz, że to nie CRA podjął decyzję, i poinformuj o prawie do bezpłatnej kopii raportu w ciągu 60 dni oraz o prawie do zakwestionowania jego poprawności.

Powodowie twierdzą, że nie dostali nic z tego. Przejdź tę listę przez własny lejek rekrutacyjny szczerze. Jeśli narzędzie AI ocenia kandydatów, a Twój pipeline automatycznie odrzuca te niskie wyniki — i nigdy nie wysłałeś kandydatowi kopii jego „raportu” ani terminu na odwołanie — robisz dokładnie to, w co celuje ten pozew, niezależnie od tego, jak ostatecznie rozstrzygnie się kwestia CRA.

To nie jest ryzyko hipotetyczne. W 2023 roku EEOC zawarła ugodę z iTutorGroup na 365 000 dolarów w sprawie oprogramowania, które automatycznie odrzucało starszych kandydatów. To była sprawa o dyskryminację, nie o FCRA, więc teoria jest inna — ale wniosek pozostaje: odpowiedzialność za automatyczne odrzucanie jest realna, a regulatorzy i powodowie aktywnie jej szukają.

## Dający się obronić wzorzec: za każde odrzucenie odpowiada człowiek

Najbardziej ochronną rzeczą, jaką możesz zrobić, jest uczynienie z konkretnego człowieka obowiązkowej bramki przed każdym odrzuceniem — z pisemnym uzasadnieniem i znacznikiem czasu. Teoria z Eightfold celuje w jedną konkretną architekturę: nieprzejrzysty wynik, który automatycznie odrzuca kandydatów, zanim jakakolwiek osoba zobaczy plik. Dający się obronić odwrotny wzorzec jest prosty. AI wspiera ludzkiego recenzenta, recenzent wydaje rekomendację, którą potrafisz wyjaśnić zwykłym językiem, a konkretna osoba odpowiada za ostateczną decyzję wraz z zapisanym uzasadnieniem.

Człowiek w pętli to już nie tylko dobre doświadczenie kandydata. Między teorią o FCRA tutaj, teorią o odpowiedzialności agenta w sprawie Workday a wyraźnym wymogiem ludzkiego nadzoru w [AI Act dla systemów rekrutacyjnych wysokiego ryzyka](/blog/eu-ai-act-high-risk-hiring-compliance) staje się to prawnym ograniczeniem projektowym. Jeśli nie potrafisz wykazać, że decyzję podjął człowiek, a nie wynik z czarnej skrzynki, niesiesz ryzyko w ramach co najmniej trzech odrębnych reżimów.

Dokładnie tak zbudowana jest część rekrutacyjna Kit. AI w Kit wspiera, nie decyduje. Funkcje AI tworzą podsumowania aplikacji i parsują CV, żeby wydobyć informacje dla recenzenta; nie generują automatycznego odrzucenia i żaden „match score od 0 do 5” nie zarządza pipeline'em. Oceny są jakościowe i wyjaśnialne: recenzent zapisuje rekomendację na nazwanej skali (zdecydowane „nie”, „nie”, neutralnie, „tak”, zdecydowane „tak”) powiązanej z konkretną osobą i etapem — a nie nieprzejrzyste „73% dopasowania” bez żadnego uzasadnienia. I każde odrzucenie to przypisane, audytowalne zdarzenie z wymaganym pisemnym uzasadnieniem i nazwiskiem osoby, która je podjęła. Ten ślad decyzyjny — kto recenzował, co zarekomendował, kto zdecydował i dlaczego — to dokładnie ta dokumentacja, której potrzebowałbyś, żeby wykazać, że decyzję podjął człowiek.

<div class="blog-inline-cta">
  <p><strong>AI powinno pomagać Twojemu zespołowi czytać szybciej, a nie odrzucać w tajemnicy.</strong> Kit utrzymuje konkretnego człowieka przy każdym odrzuceniu — z rekomendacją, uzasadnieniem i opatrzoną znacznikiem czasu historią, żeby to udowodnić.</p>
  <p><a href="/users/sign_up">Zacznij darmowy okres próbny</a></p>
</div>

## Jak ułożyć swój pipeline: checklist dla foundera

Nie musisz czekać na wyrok sądu, żeby wzmocnić swój rekrutacyjny stack. Sześć ruchów pokrywa większość ryzyka:

1. **Nigdy nie odrzucaj automatycznie na podstawie samego wyniku z AI.** Uczyń z człowieka obowiązkową bramkę przed każdym odrzuceniem. Każde „nie” powinna poprzedzać zapisana decyzja z uzasadnieniem albo rekomendacja recenzenta.
2. **Zastąp nieprzejrzyste wyniki wyjaśnialnymi rekomendacjami.** Jeśli nie potrafisz zwykłym językiem powiedzieć, dlaczego kandydat przeszedł dalej albo został odrzucony, nie pozwól, żeby decyzją kierowała liczba.
3. **Prowadź audit trail.** Zapisuj, kto recenzował, co zarekomendował, kto zdecydował, uzasadnienie i znaczniki czasu. Odtwarzalna historia to Twój najlepszy dowód, że decyzję podjął człowiek.
4. **Dodaj ujawnienie i zgodę na etapie aplikacji.** Umieść informację, link do polityki prywatności i okres przechowywania danych, nawet jeśli sądzisz, że jesteś poza zakresem FCRA. To tania polisa i lepsze doświadczenie kandydata. Kit dostarcza to jako pełnoprawną konfigurację zgód.
5. **Wiedz, co wciąga Twój dostawca AI.** Jeśli narzędzie skrobie media społecznościowe, lokalizację lub dane od osób trzecich i ocenia przydatność, zakładaj, że kwestia FCRA jest żywa. Żądaj od dostawcy umownych poświadczeń zgodności z FCRA.
6. **Pamiętaj, że obowiązki spadają na Ciebie.** Jeśli narzędzie kiedykolwiek zostanie uznane za CRA, obowiązki dotyczące działania niekorzystnego przylgną do Ciebie jako użytkownika. Zaprojektuj swój pipeline tak, żebyś nigdy nie był stroną, która automatycznie odrzuca na podstawie wyniku z czarnej skrzynki.

## Jak Kit jest pod to zbudowany

Kit to ATS natywnie oparty na AI, zaprojektowany wokół założenia, że za każdą decyzję rekrutacyjną odpowiada człowiek. AI czyta szybko, żeby Twój zespół mógł czytać mądrzej; nigdy nie decyduje po ciemku. Podsumowania aplikacji i parsowanie CV wydobywają sygnał, jakościowe rekomendacje recenzentów zastępują nieprzejrzyste wyniki, a wymagane uzasadnienie wraz z nazwiskiem osoby decydującej zamyka każde odrzucenie. Śledzenie podglądu CV zapisuje nawet to, że człowiek faktycznie otworzył plik. Efektem jest audit trail, który ten pozew pośrednio ustanawia jako standard należytej staranności.

Jeśli właśnie teraz oceniasz narzędzia AI do rekrutacji, zadaj każdemu dostawcy jedno pytanie: czy potrafi odrzucić kandydata, zanim człowiek przeczyta aplikację? Jeśli odpowiedź brzmi „tak”, patrzysz na architekturę, wokół której zbudowane są dwa federalne pozwy. Jeśli odpowiedź brzmi „nie” i potrafisz to udowodnić zapisem decyzji, budujesz dający się obronić pipeline. To jest zakład, na którym opiera się Kit.

Rozstrzygnięcie sprawy Eightfold może zająć lata, a teoria o CRA może się obronić albo nie. Ale kierunek jest jednoznaczny: tajne ocenianie staje się ryzykiem, a wyjaśnialne decyzje, za które odpowiada człowiek, stają się wymogiem. Możesz [zacząć za darmo](/users/sign_up) i ułożyć swoją rekrutację wokół tej rzeczywistości już dziś.