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.

W tym tygodniu tę różnicę świetnie pokazał konkretny produkt. Projekt HN Match Maker opublikowany jako Show HN zamienił comiesięczne wątki rekrutacyjne Hacker News w przeszukiwalny, uporządkowany rankingiem rynek. To pomysłowy projekt, a zarazem zwięzłe studium decyzji produktowych, które musi dziś podjąć każdy zespół budujący AI dla rekrutacji.

Dwie najprostsze reakcje — „to było publiczne, więc wszystko wolno” oraz „nie było zgody, więc to na pewno nielegalne” — pomijają sedno. Wpisy źródłowe wprost zapraszają do kontaktu w sprawie pracy. Dopasowanie jest zgodne z tym celem. Jednak ekstrakcja, wzbogacanie, trwała ponowna publikacja i ranking tworzą nowy produkt danych o osobach, które napisały jedynie komentarz na cudzym forum.

Właściwe pytanie nie brzmi, czy wolno kiedykolwiek użyć publicznych danych. Brzmi: jak zachować pierwotną intencję osoby, gdy do procesu dokładamy automatyzację?

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 z twardymi konfliktami — praca zdalna kontra stacjonarna, rozłączne widełki lub brak zgodności wizowej — a pozostałe porządkuje.

Opublikowany wzór jest godny pochwały za konkretność:

W naszym zestawieniu z 2 września serwis pokazywał 105 ofert i 130 kandydatów. Daje to maksymalnie 13 650 możliwych par przed zastosowaniem twardych filtrów. Strony profili zawierają zsyntetyzowane informacje, listę ofert ułożoną według wyniku, rozbicie punktacji oraz odnośnik do oryginalnego komentarza na HN.

Już te decyzje stawiają projekt wyżej niż nieprzejrzysta etykieta „AI ocenia dopasowanie na 87%”. Widać źródło i czynniki. 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

Najlepszym uzasadnieniem takiego dopasowywania nie jest stwierdzenie, że „internet jest publiczny”. Jest nim 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.

Artykuł głoszący, że „dopasowanie przez AI zawsze wymaga zgody”, byłby zatem pocieszający, prosty i błędny.

Lepsza reguła brzmi: zachowaj granicę wybraną przez daną osobę. Publiczny wpis o poszukiwaniu pracy wspiera odkrywanie 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 publiczne odkrywanie zmienia się w ciche profilowanie

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 dowody, przez które rekord pojawił się w wynikach. System rekomendacji dokumentuje wagi, sposób obsługi braków, ograniczenia i walidację. System działania przypisuje odpowiedzialność konkretnej osobie.

Złączenie wszystkich pięciu kroków w jedną zgodę na „publiczne dane” sprawia, że użyteczna funkcja wyszukiwania kandydatów stopniowo staje się równoległą bazą.

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 słaba, typowa albo świetna — zależnie od rozkładu i progu. Bez kalibracji to tylko liczba udająca precyzję.

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.

Stałe wagi również kodują decyzję produktową. 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;
• przejście od sugerowanego dopasowania do rozmowy chcianej przez obie strony;
• różnice wyników między rolami, lokalizacjami, poziomami doświadczenia i istotnymi grupami;
• udział nieaktualnych profili oraz nieskutecznych prób kontaktu.

Jeżeli nie potrafisz opisać, co skłoniłoby zespół do ograniczenia wpływu modelu albo jego wyłączenia, nie masz nadzoru. Masz wiarę z panelem kontrolnym.

Siedem zabezpieczeń dopasowania uwzględniającego kontekst

Poniższe mechanizmy odróżniają użyteczne narzędzie od niekontrolowanego indeksu ludzi.

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 z osiągalnymi profilami „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. Uruchom zegar retencji w chwili pozyskania

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 zmuszanie osoby do ustalania tożsamości operatora metodą śledczą jest złym projektem bez względu na minimum prawne.

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 wygląda to w Kit — i co nadal wymaga pracy

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 trafia do konfigurowalnego okresu retencji. 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 zwraca dowody, a nie wynik dopasowania do stanowiska. Nie udaje, że podobieństwo cosinusowe przewiduje, kogo należy zatrudnić.

Gdy rekruter przechodzi od wyszukania do kontaktu, Kit traktuje to jako osobną decyzję. Zatwierdzenie wiadomości jest powiązane z dokładnym odbiorcą, nadawcą, tematem, treścią, wersją, osobą zatwierdzającą i czasem. Zmiana wiadomości unieważnia wcześniejsze zatwierdzenie. To ta sama zasada: wyszukiwanie może sugerować, ale za działanie odpowiada człowiek. Aktualny proces opisują Prywatność i zgoda kandydatów oraz Przeglądanie i wysyłanie wiadomości.

Istnieje też rzeczywista luka. 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.

Warto mówić o tych ograniczeniach wprost. Oświadczenie nie jest zgodą, a zapisanie pochodzenia nie kończy całego cyklu. Następnym krokiem produktu powinno być włączenie importowanych rekordów do procesu powiadomienia, weryfikacji, odnowienia i usunięcia z uwzględnieniem źródła — bez udawania, że każda jurysdykcja i każde źródło mają identyczne zasady.

To uczciwsze niż naklejenie etykiety „odpowiedzialne AI” na ukryty wynik.

Dopasowanie służy odkrywaniu, nie wydawaniu wyroków

HN Match Maker jest interesujący właśnie dlatego, że znajduje się na granicy. Dane źródłowe naprawdę były publiczne. Kandydaci naprawdę zapraszali do kontaktu zawodowego. Projekt rzeczywiście pokazuje wzór i linkuje do pierwotnych dowodów. To istotne zalety.

Nierozstrzygnięte pytania zaczynają się tam, gdzie powstaje nowa warstwa produktu. Czy dana osoba dowiedziała się o zsyntetyzowanym 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?

Odpowiedzią nie jest zakaz dopasowywania ani żądanie okna zgody przy każdym linku. Trzeba zaprojektować system tak, aby kontekst przetrwał automatyzację.

Zachowuj pochodzenie. Ograniczaj kopiowanie. Pokazuj niepewność. Pozwalaj poprawiać rekord. Usuwaj nieaktualne dane. Mierz rezultaty i decyzje sprzeczne z modelem. Wymagaj, by człowiek odpowiadał za krótką listę, odrzucenie i wiadomość.

Publicznie wyrażona intencja może uzasadniać odkrywanie. Nie jest wolną ręką do tworzenia trwałego profilu ani niewidocznej decyzji.

Jeśli potrzebujesz puli talentów, w której zgoda, zweryfikowane wyszukiwanie, retencja i akceptacja wiadomości są osobnymi zabezpieczeniami, rozpocznij bezpłatny okres próbny Kit. Produkt nie rozwiązuje jeszcze każdego przypadku brzegowego — i właśnie dlatego zarówno zabezpieczenia, jak i luki powinny pozostać widoczne.