Publiczne dane kandydatów nie dają AI wolnej ręki

Publiczne dane kandydatów mogą wspierać dopasowywanie przez AI, jeśli sposób użycia odpowiada kontekstowi, w którym dana osoba je udostępniła. Publiczny dostęp nie oznacza jednak nieograniczonej zgody. Odpowiedzialny system ujawnia utworzony profil, zachowuje źródło i cel, kopiuje tylko niezbędne informacje, pozwala kandydatowi poprawić lub usunąć dane, wyjaśnia ograniczenia wyniku i pozostawia istotne decyzje pod realną kontrolą człowieka.

Przykładem jest produkt opisany w tym tygodniu na Hacker News. Projekt HN Match Maker opublikowany jako Show HN zamienił comiesięczne wątki rekrutacyjne Hacker News w katalog z wyszukiwaniem i rankingiem dopasowań. Jego sposób działania pokazuje kilka decyzji, które trzeba podjąć przy projektowaniu AI do rekrutacji.

Ani publiczna dostępność danych, ani sam brak zgody nie rozstrzygają, czy można ich użyć w dany sposób. Wpisy źródłowe wprost zapraszają do kontaktu w sprawie pracy. Dopasowanie jest zgodne z tym celem. Jednak ekstrakcja, wzbogacanie, trwała ponowna publikacja i ranking tworzą nowe profile osób, które napisały jedynie komentarz na cudzym forum.

Trzeba więc ustalić, czy automatyczne przetwarzanie mieści się w celu, dla którego dana osoba udostępniła informacje.

Co naprawdę robi HN Match Maker

Co miesiąc Hacker News publikuje dwa powiązane wątki: „Who is hiring?” oraz „Who wants to be hired?”. Wątek kandydatów prosi o podanie lokalizacji, preferencji pracy zdalnej, technologii, CV i adresu e-mail. Czytelnikom daje też wąską instrukcję: używać tych adresów wyłącznie do kontaktu w sprawie pracy.

HN Match Maker pobiera komentarze najwyższego poziomu z obu wątków przez publiczne API HN. Zgodnie z opisem na stronie metody model językowy wyodrębnia umiejętności, domenę, poziom doświadczenia, widełki płacowe, lokalizację i preferencje dotyczące pracy zdalnej oraz wymagania wizowe. Następnie system odrzuca pary ze sprzecznymi wymaganiami dotyczącymi pracy zdalnej lub stacjonarnej, widełek albo uprawnień do pracy. Pozostałe pary porządkuje według wyniku.

Opublikowany wzór przypisuje czynnikom następujące wagi:

Podczas przeglądu 2 września serwis pokazywał 105 ofert i 130 kandydatów. Daje to maksymalnie 13 650 możliwych par przed zastosowaniem twardych filtrów. Strony profili zawierają podsumowanie informacji, listę ofert ułożoną według wyniku, rozbicie punktacji oraz odnośnik do oryginalnego komentarza na HN.

Użytkownik widzi źródło i czynniki wpływające na wynik, zamiast samej oceny dopasowania. Twórca jasno określa wynik jako miarę prawdopodobnego dopasowania, a nie decyzję rekrutacyjną, i ostrzega, że automatyczna ekstrakcja może błędnie odczytać lakoniczne wpisy.

Przejrzystość arytmetyki nie jest jednak tym samym co walidacja dopasowania. W jednym publicznym przykładzie wzór dawał około 44 punktów na 100. To dowodzi, że obliczenie da się sprawdzić. Nie mówi, czy 44 to dobry wynik, czy lepszy kandydat nie znalazł się niżej, czy brakujące pola systematycznie pomagają lub szkodzą ani czy ktokolwiek mierzył wyniki zatrudnienia.

Najmocniejszy argument za użyciem tych wpisów

Za takim dopasowywaniem przemawia rekrutacyjny kontekst źródła.

Osoby piszące w „Who wants to be hired?” dobrowolnie podawały informacje zawodowe, aby pracodawcy mogli je znaleźć. Wątek zachęca do kontaktu w sprawie pracy. Narzędzie, które ułatwia znalezienie pasujących możliwości zawodowych, pozostaje więc znacznie bliżej pierwotnego celu niż pośrednik danych budujący z tych samych komentarzy profile kredytowe czy reklamowe.

Kontekst ma znaczenie zarówno dla etyki produktu, jak i analizy ochrony danych. W RODO zgoda nie jest jedyną możliwą podstawą prawną. Administrator może czasem oprzeć się na prawnie uzasadnionym interesie, jeśli udokumentuje interes, niezbędność przetwarzania i to, że prawa osoby nie mają nad nim pierwszeństwa. Publiczny charakter danych i rozsądne oczekiwania są elementami tej oceny.

Nie można więc przyjąć, że każde dopasowanie przez AI zawsze wymaga zgody.

Uwzględniaj cel i zakres udostępnienia danych przez daną osobę. Publiczny wpis o poszukiwaniu pracy służy wyszukiwaniu kandydatów w rekrutacji. Nie daje automatycznie prawa do niezwiązanego wzbogacania, bezterminowego przechowywania, wnioskowania o danych wrażliwych, odsprzedaży ani automatycznego odrzucenia. Nawet w rekrutacji zamiana komentarza w trwały profil z wywnioskowanym poziomem doświadczenia i rankingiem zmienia dostępność oraz znaczenie informacji.

W tym miejscu produkt potrzebuje czegoś więcej niż linku do źródła.

Kiedy wyszukiwanie staje się profilowaniem

W określeniu „dopasowywanie kandydatów przez AI” kryje się pięć oddzielnych operacji:

1. Pozyskanie: import publicznego komentarza lub CV.
2. Wzbogacenie: zamiana tekstu na ustrukturyzowane lub wywnioskowane cechy.
3. Wyszukiwanie: pomoc rekruterowi w odnalezieniu istotnych rekordów.
4. Rekomendacja: uporządkowanie osób według przewidywanego dopasowania.
5. Działanie: kontakt, umieszczenie na krótkiej liście albo odrzucenie.

Każdy kolejny krok silniej wpływa na człowieka i wymaga własnych zabezpieczeń.

System uwzględniający źródło zapisuje, skąd pochodzi profil, kiedy został zebrany i jaki cel obowiązywał w źródle. System wzbogacania odróżnia skopiowane fakty od wniosków modelu. Wyszukiwarka pokazuje informacje, na podstawie których znalazła rekord. System rekomendacji dokumentuje wagi, sposób obsługi braków, ograniczenia i walidację. System działania przypisuje odpowiedzialność konkretnej osobie.

Traktowanie wszystkich pięciu kroków jako jednego zastosowania „publicznych danych” utrudnia zauważenie, że wyszukiwarka zaczęła tworzyć własną bazę profili.

Brytyjski urząd ochrony danych ICO znalazł właśnie taki schemat podczas audytów dostawców AI dla rekrutacji. W podsumowaniu z listopada 2024 r. wskazał, że niektóre narzędzia zbierały znacznie więcej danych niż potrzebowały i przechowywały je bezterminowo, budując duże bazy potencjalnych kandydatów bez ich wiedzy. Urząd wydał prawie 300 zaleceń; wszystkie zostały przyjęte lub częściowo przyjęte.

Praktyczne pytania ICO są użyteczne również poza Wielką Brytanią: jaki jest cel? Jaka jest podstawa prawna? Kto jest administratorem, a kto podmiotem przetwarzającym? Jakie informacje są naprawdę niezbędne? W jaki sposób kandydaci dowiedzą się, co robi narzędzie, poprawią błędy i zakwestionują zautomatyzowany wynik? Jak długo rekord będzie przechowywany?

Nie dowodzi to, że HN Match Maker naruszył prawo. Operator, jurysdykcja, prywatne procedury i pełna architektura techniczna nie są publicznie znane. Pokazuje natomiast, dlaczego widoczna polityka prywatności, zasady retencji oraz możliwość poprawienia lub usunięcia danych powinny znaleźć się w produkcie, a nie na końcu listy zadań prawnych.

Rozbicie wyniku nie jest walidacją

Wyjaśnialność ma co najmniej trzy warstwy, a produkty rekrutacyjne często dostarczają tylko pierwszą.

Obliczenie: czy użytkownik potrafi odtworzyć wynik z pokazanych czynników? HN Match Maker radzi sobie tutaj całkiem dobrze.

Interpretacja: czy użytkownik wie, co wynik oznacza? Wartość 44 może być niska, typowa albo wysoka, zależnie od rozkładu i progu. Bez kalibracji trudno ją zinterpretować.

Trafność: czy wynik poprawia rezultat, który ma wspierać? To wymaga testów względem właściwych ocen lub wyników, obserwacji wzorców błędów oraz sprawdzania, czy jakość różni się między grupami i rodzajami stanowisk.

Dobór wag też wymaga uzasadnienia. Dlaczego zgodność umiejętności ma liczyć się dwa razy bardziej niż poziom doświadczenia? Jak normalizowane są „Ruby”, „Rails” i „Hotwire”? Czy brak widełek płacowych oznacza wartość neutralną, karę czy niepewność? Czy „zgodność domeny” wynika z jawnego doświadczenia, czy z domysłu modelu? Przejrzysty wzór ujawnia te pytania, ale na nie nie odpowiada.

AI Risk Management Framework NIST proponuje użyteczny model operacyjny: zarządzaj, mapuj, mierz i reaguj. To dobrowolne wytyczne, nie prawo pracy. Ich wartością jest podejście do całego cyklu życia. Zespoły dokumentują zamierzone użycie, mierzą jakość i wpływ, zbierają informacje zwrotne od zainteresowanych osób, monitorują działanie produkcyjne i określają, jak człowiek może zmienić decyzję systemu lub go zatrzymać.

W dopasowywaniu kandydatów warto mierzyć między innymi:

• odsetek błędów ekstrakcji według pola i formatu źródła;
• udział dopasowań natychmiast odrzucanych przez rekruterów;
• liczbę korekt, usunięć i skarg kandydatów;
• częstotliwość zmian rekomendacji oraz ich przyczyny;
• odsetek sugerowanych dopasowań zakończonych rozmową za zgodą obu stron;
• różnice wyników między rolami, lokalizacjami, poziomami doświadczenia i istotnymi grupami;
• udział nieaktualnych profili oraz nieskutecznych prób kontaktu.

Ustal również, jakie wyniki skłonią zespół do ograniczenia wpływu modelu albo jego wyłączenia. Bez takich kryteriów trudno sprawować nadzór.

Siedem zabezpieczeń dopasowania uwzględniającego kontekst

Poniższe mechanizmy pomagają ograniczyć zakres przetwarzania i dać kandydatom możliwość korekty.

1. Przechowuj cel razem z pochodzeniem danych

Zachowuj adres źródła, datę pozyskania, rodzaj źródła i jego deklarowany cel. „Publiczny internet” nie jest kategorią wystarczająco precyzyjną do zarządzania późniejszym użyciem. Wpis zapraszający do kontaktu rekrutacyjnego i lista uczestników konferencji mogą być publiczne, a jednocześnie tworzyć zupełnie inne oczekiwania.

2. Powiadom, zanim profil zacznie wpływać na decyzje

Powiedz kandydatowi, że dane zostały zebrane, co skopiowano, co wywnioskowano, dlaczego odbywa się przetwarzanie, kto może zobaczyć profil i jak długo będzie on przechowywany. Tam, gdzie obowiązują przepisy o informowaniu przy pośrednim pozyskaniu, może to być obowiązek. Gdzie indziej nadal pozostaje ważną decyzją budującą zaufanie.

W małym katalogu zawierającym dane kontaktowe „powiadomienie jest niemożliwe” nie powinno być domyślnym założeniem projektowym.

3. Ogranicz ponowną publikację

System dopasowania zwykle nie musi ponownie publikować całego CV, prywatnego adresu e-mail ani pełnego wpisu, aby uzasadnić trafność. Pokaż rekruterowi najmniejszy przydatny zestaw dowodów i w razie potrzeby odeślij do źródła. Nie wnioskuj o cechach chronionych lub danych wrażliwych tylko dlatego, że model potrafi to zrobić.

4. Rozdziel fakty, wnioski i braki

Oznaczaj inaczej „podane przez kandydata”, „wyodrębnione ze źródła” i „wywnioskowane przez model”. Pokaż brak wynagrodzenia, poziomu czy lokalizacji zamiast tworzyć pozorną pewność. Pozwól kandydatowi i rekruterowi poprawić rekord.

5. Licz okres przechowywania od pozyskania danych

Dane kandydatów powinny wygasać. Comiesięczny wątek rekrutacyjny szczególnie łatwo się starzeje: samo źródło jest związane z czasem. Odświeżaj profil dopiero po nowym sygnale lub wyraźnym odnowieniu, a nie za każdym razem, gdy robot ponownie odwiedzi stronę.

6. Ułatw wyłączenie i usunięcie

Na stronie profilu udostępnij jasną ścieżkę korekty, rezygnacji, ukrycia i usunięcia. Prawo do usunięcia nie jest absolutne w każdej jurysdykcji, ale dane kontaktowe operatora powinny być łatwe do znalezienia.

7. Oddziel dopasowanie od decyzji i wiadomości

Wynik powinien pokazywać dowody, a nie automatycznie blokować kandydata. Rekruter wybiera, kogo przejrzeć i dlaczego. Kontakt wymaga osobnego zatwierdzenia przypisanego do konkretnego odbiorcy i treści. Ta granica ogranicza skutki błędnej ekstrakcji lub źle skalibrowanego wyniku.

Jak działa to w Kit i jakie ma ograniczenia

Kit świadomie rozdziela zgodę na pulę talentów, wyszukiwanie, retencję i zatwierdzenie wiadomości.

Kandydat, który sam dołącza do publicznej puli talentów w Kit, akceptuje wyświetloną treść zgody, weryfikuje e-mail i jego dane podlegają ustawionemu okresowi przechowywania. Domyślnie są to 24 miesiące. Przed wygaśnięciem system może wysłać ostrzeżenie i poprosić o odnowienie; rekordy po odmowie lub wygaśnięciu są anonimizowane. Rekruterzy mogą korzystać z ekstrakcji i wyszukiwania CV wśród zweryfikowanych wpisów, ale wyszukiwarka pokazuje znalezione informacje z CV. Nie wylicza oceny dopasowania do stanowiska.

W module Outreach zatwierdzanie i wysyłanie wiadomości odbywa się osobno od wyszukiwania kontaktów. Zatwierdzenie wiadomości jest powiązane z dokładnym odbiorcą, nadawcą, tematem, treścią, wersją, osobą zatwierdzającą i czasem. Zmiana wiadomości unieważnia wcześniejsze zatwierdzenie. Taki zapis pozwala sprawdzić, kto zatwierdził konkretną wersję wiadomości. Aktualny proces opisują Prywatność i zgoda kandydatów oraz Przeglądanie i wysyłanie wiadomości.

Inaczej działa import CV. Masowy import CV zapisuje pochodzenie danych i wymaga od pracodawcy oświadczenia, że ma podstawę prawną i powiadomi kandydatów. Importowane wpisy puli talentów są jednak obecnie niezweryfikowane i nie mają zarejestrowanej zgody, nie trafiają do zwykłego wyszukiwania zweryfikowanych rekordów i nie wydają się automatycznie dołączać do tego samego procesu wygaszania zgody. Kit nie oferuje również ogólnego samoobsługowego konta, z którego kandydat może usunąć wpis z puli talentów.

Oświadczenie pracodawcy nie zastępuje zgody kandydata ani dalszej obsługi danych. Następnym krokiem produktu powinno być włączenie importowanych rekordów do procesu powiadomienia, weryfikacji, odnowienia i usunięcia z uwzględnieniem źródła i właściwych przepisów.

Ranking pomaga znaleźć kandydatów do oceny

HN Match Maker korzysta z publicznych wpisów zapraszających do kontaktu zawodowego. Pokazuje wzór i odnośniki do źródeł, dzięki czemu użytkownik może sprawdzić podstawę wyniku.

Nierozstrzygnięte pytania zaczynają się tam, gdzie powstaje nowa warstwa produktu. Czy dana osoba dowiedziała się o utworzonym profilu? Czy może go poprawić lub usunąć? Co wygasa? Które pola wywnioskował model? Co przewiduje wynik? Jak jest testowany? Kto odpowiada, gdy rekruter potraktuje ranking jak osąd?

Te kwestie trzeba rozstrzygnąć przy projektowaniu systemu, zanim profile zaczną wpływać na decyzje.

Zapisuj źródła i oddzielaj dane kandydata od wniosków modelu. Ustal zasady korekty, retencji i usuwania rekordów oraz odpowiedzialność za wybór osób, odrzucenia i kontakt. Sprawdzaj wyniki dopasowania i przyczyny zmian rekomendacji.

Publiczny wpis o poszukiwaniu pracy może uzasadniać wyszukanie kandydata. Nie daje automatycznego uprawnienia do bezterminowego profilowania ani podejmowania decyzji bez jego wiedzy.

Jeśli potrzebujesz puli talentów, w której zgoda, zweryfikowane wyszukiwanie, retencja i akceptacja wiadomości są osobnymi zabezpieczeniami, rozpocznij bezpłatny okres próbny Kit. Przy imporcie CV uwzględnij opisane wyżej ograniczenia i ustal dalszą obsługę tych danych.