Pewność po poradzie AI nie oznacza trafnej decyzji: wnioski dla rekrutacji

Nadmierne zaufanie automatyzacji (automation bias) w rekrutacji polega na przyjmowaniu pewnej siebie rekomendacji AI (ocenie kandydata, uszeregowanej liście finalistów czy podsumowaniu rozmowy) i rezygnowaniu z własnego osądu. W opisanym niżej badaniu płynne, stanowcze odpowiedzi AI skłaniały uczestników do częstszego odpowiadania. Czuli się znacznie pewniej, choć częściej się mylili, nawet gdy porada była zupełnie błędna.

W pięciu eksperymentach z udziałem 3 132 osób sama dostępność AI obniżyła trafność z 27,5% do 9,2%, a pewność siebie wzrosła z 30 do 76 na 100. Ludzie odpowiadali poprawnie mniej więcej trzy razy rzadziej, a czuli się ponad dwukrotnie pewniej. Dla rekrutacji płynie z tego ostrzeżenie: przekonująca ocena AI może zwiększać pewność zespołu bez poprawy jakości decyzji.

Co sprawdzono w badaniu

Chiara Marcoccia (École Normale Supérieure), Walter Quattrociocchi (Uniwersytet Sapienza w Rzymie) i Valerio Capraro (Uniwersytet Milano-Bicocca) przeprowadzili pięć eksperymentów (cztery wstępnie zarejestrowane plus bezpośrednią replikację) z udziałem 3 132 osób. Ich preprint z 2026 roku nosi dosadny tytuł: „Porady AI tłumią gotowość ludzi do powiedzenia »nie wiem«, nawet gdy porada jest błędna, a trafność jest finansowo nagradzana”.

Badacze celowo użyli pytań, na które AI odpowiada źle. Zadania dotyczyły wizualnych detali z filmów, a model, z którym pracowali uczestnicy, konsekwentnie się na nich mylił. Spadku trafności i skoku pewności siebie nie da się więc zbyć wyjaśnieniem, że „ludzie rozsądnie ufali dobremu narzędziu”. Narzędzie było kiepskie, a mimo to mu zaufali.

Zbiorczy wynik, słowami samych autorów, jest taki, że bez nagród pieniężnych „uczestnicy odpowiadali na więcej pytań, ale mieli rację około trzy razy rzadziej niż wtedy, gdy AI było niedostępne (zbiorcza poprawność: 27,5% vs 9,2%)”. Tymczasem „pewność siebie była mniej więcej dwuipółkrotnie wyższa (średnia pewność: 29,6 vs 75,9)”. Uczestnicy odpowiadali więc częściej i pewniej, ale mniej trafnie.

Nadmierne zaufanie automatyzacji: co oznacza dla rekrutacji

Nadmierne zaufanie automatyzacji polega na przyjmowaniu rekomendacji AI kosztem niezależnego osądu. Zawodzi tu ocena granic własnej wiedzy. Badanie Marcoccii zmierzyło ten deficyt wprost, śledząc jedną rzecz: jak często ludzie byli jeszcze gotowi powiedzieć „nie wiem”.

Ta gotowość się załamała. W jednym eksperymencie odsetek odpowiedzi „nie wiem” spadł z 44% do 3%, gdy tylko pojawiło się AI. W innym spadł z 36% do 6%. Abstrakt podsumowuje to wprost: AI „niemal wyeliminowało gotowość uczestników do zawieszenia osądu”. Capraro jasno przedstawił stawkę w rozmowie z The Next Web: „zdolność do powiedzenia »nie wiem« jest bardzo ważna, bo oznacza uznanie granic własnej wiedzy”.

Podobne ryzyko może pojawić się w rekrutacji. Rekruter pod presją czasu otwiera uszeregowaną listę finalistów albo wygenerowane przez AI podsumowanie rozmowy. Werdykt jest pewny, płynny i konkretny. Dyskusja więc się kończy. Nikt nie mówi już „szczerze, nie jestem pewien co do tego kandydata”, bo ocena brzmi pewnie. Zespół przestaje wyrażać wątpliwości, które wcześniej brał pod uwagę.

Czym jest nadmierne zaufanie automatyzacji w rekrutacji? To tendencja do nadmiernego zaufania pewnej siebie rekomendacji AI (ocenie kandydata, uszeregowanej liście finalistów czy podsumowaniu rozmowy) i rezygnacji z niezależnego osądu. Nowe badanie (Marcoccia i in., 2026; N=3 132) pokazuje, że pod wpływem porad AI ludzie odpowiadają częściej, czują się znacznie pewniej i stają się mniej trafni: celność spadła z 27,5% do 9,2%, a pewność siebie wzrosła z 30 do 76 na 100, mimo że AI się myliło. W rekrutacji efektowna ocena AI może pogorszyć decyzje, a zespół i tak czuje się pewniej.

Efekt wystąpił także wtedy, gdy porada AI pojawiała się automatycznie

W jednym eksperymencie badacze całkowicie usunęli możliwość wyboru. Zamiast pozwolić ludziom prosić o poradę AI, wyświetlali ją automatycznie, nieproszoną, zanim uczestnik w ogóle zdecydował się na odpowiedź. Efekt się utrzymał. Gotowość do zawieszenia osądu spadła z 0,35 do 0,01, mimo braku nagród finansowych.

Podobną sytuację może tworzyć interfejs ATS, który pokazuje ocenę AI, ranking lub podsumowanie przed samodzielną oceną kandydata. Warto sprawdzić, w jakiej kolejności zespół widzi te materiały i czy zapisuje własne obserwacje przed rekomendacją AI.

Badanie dotyczyło pytań o filmy, więc nie mierzyło wpływu konkretnego interfejsu ATS na rekrutację. Uzasadnia jednak sprawdzenie, czy prezentacja rekomendacji AI wpływa na niezależność ocen zespołu.

Czy nagrody za trafność pomogły?

Badacze sprawdzili też wariant, w którym uczestnicy otrzymywali nagrody za trafność i ponosili koszt błędów. Wyniki poprawiły się, ale nie wróciły do poziomu grupy bez AI.

Gdy trafność nagradzano, a błędy karano, ludzie sięgali po AI nieco rzadziej i odpowiadali odrobinę trafniej. Ale nawet w najlepszym wariancie z nagrodami jakość osądu pozostawała daleko poniżej poziomu wyjściowego bez AI. W jednym z badań grupa z AI i stawką wciąż zawieszała osąd tylko w 8% przypadków i uzyskała zaledwie 16% trafności, daleko od 27,5%, które ludzie osiągali, gdy AI było po prostu niedostępne. Jak ujęli to autorzy, nawet gdy za trafność płacono, ludzie wciąż zdawali się na maszynę.

W rekrutacji warto przełożyć oczekiwanie samodzielnej oceny na konkretne kroki: przegląd materiałów kandydata, zapis obserwacji i uzasadnienie decyzji. Samo przypomnienie o krytycznym myśleniu nie pozwala sprawdzić, czy zespół wykonał tę pracę.

Co wiadomo o trafności modeli w tych zadaniach

Możesz podejrzewać, że badacze zmanipulowali wynik kiepskim modelem i że czołowy system zachowałby się inaczej. Przewidzieli to. Celowo wybrali model, który konsekwentnie myli się na tych pytaniach, a potem sprawdzili, że na tych samych pytaniach mylą się też czołowe modele. Źle odpowiedziały wszystkie: GPT-5.5, Claude Sonnet 4.6 i Gemini 3.5 Flash.

Wyniki wskazują na ryzyko nadmiernego zaufania stanowczej odpowiedzi. Nie rozstrzygają, czy model trafniejszy w zadaniach rekrutacyjnych wywołałby taki sam efekt ani jak duży byłby on w rzeczywistym procesie.

Łączy się to z równoległym nurtem badań z 2026 roku. Shaw i Nave opisali zjawisko, które nazwali „kapitulacją poznawczą”: osoby radzące się mylącego się AI stawały się mniej trafne, a zarazem pewniejsze siebie (nawet po zobaczeniu błędów), a ani nagrody, ani presja czasu nie zlikwidowały tego wzorca. Dwie niezależne grupy badawcze dochodzą do tej samej przestrogi. To płynność, a nie trafność, zjednuje sobie twoje zaufanie, choć nie powinna.

Jak to wygląda wewnątrz twojego procesu rekrutacji

W laboratorium użyto filmowych ciekawostek, ale wyniki uzasadniają pytanie o podobne ryzyko w rekrutacji. To scenariusze poglądowe, oparte na wynikach badania, a nie udokumentowane studia przypadków.

• Przybijanie pieczątki na uszeregowanej liście finalistów. Recenzent otwiera listę ocenioną przez AI, pracuje od góry i odrzuca wszystkich poniżej progu, nie otwierając ani jednego pliku. To wzorzec „więcej odpowiedzi, mniej wątpliwości” z warunku automatycznego wyświetlania, zastosowany do karier prawdziwych ludzi.
• Podsumowanie AI jako werdykt. Osoba prowadząca rekrutację, która uczestniczyła tylko w połowie rozmowy, czyta podsumowanie AI („mocny komunikator, słaby w projektowaniu systemów”) i przychodzi na omówienie z gotową opinią, bez samodzielnej oceny.
• Pewność bez samodzielnego sprawdzenia. Zespół przyjmuje ocenę AI bez dyskusji o brakujących informacjach.
• Brak uzasadnień w dokumentacji. Zapis pokazuje zgodność decyzji z oceną AI, ale nie wyjaśnia, co człowiek sprawdził i na jakiej podstawie podjął decyzję.

Podobne ryzyko zastąpienia samodzielnej oceny opisujemy w tekstach o błędnym kole rekrutacji z AI i myśleniu grupowym podczas podsumowania rozmów. W obu przypadkach gotowa ocena może zastąpić samodzielne sprawdzenie danych.

Jak system ATS od podstaw oparty na AI powinien być zaprojektowany przeciwko nadmiernemu zaufaniu automatyzacji

Poniższe cztery propozycje kontroli wynikają z opisanego ryzyka. Ich skuteczność w konkretnym procesie rekrutacji trzeba sprawdzić osobno.

1. Pokazuj zakres niepewności

Zawodzi przede wszystkim to, że znika „nie wiem”. Narzędzie powinno więc umieć to powiedzieć. Zamiast wciskać każdego kandydata w pewnie wyglądającą ocenę od 0 do 100, produkt powinien mieć wyraźny stan „za mało dowodów, żeby uszeregować” i pokazywać przedziały oraz poziom pewności zamiast jednej stanowczej liczby. Stan „jeszcze za mało wiemy” wskazuje, że trzeba zebrać więcej informacji.

2. Pokazuj rozumowanie i dowody, a nie samą ocenę

Ludzie zbyt łatwo ulegają płynności, więc przeciwstaw jej dowody. Niech AI pokazuje, na czym się opiera: konkretne linijki CV, odpowiedzi z rozmowy czy sygnały z próbki pracy stojące za każdą sugestią, tak żeby człowiek oceniał dowody, a nie werdykt. To ta sama logika, która stoi za ustrukturyzowanymi kartami oceny rozmów oraz rekrutacją opartą na umiejętnościach i dowodach: decydujesz na podstawie sygnału, a nie podsumowania.

3. Ustal, które decyzje wymagają zatwierdzenia przez człowieka

Sprawdź, które przejścia między etapami odbywają się automatycznie, a które wymagają decyzji człowieka. W Kit ręczne rozstrzygnięcie oceny zespołu wymaga autora i uzasadnienia. Reguły głosowania mogą też automatycznie przenieść kandydaturę dalej lub odrzucić ją po wecie. Jeśli chcesz zatwierdzać każdą decyzję, dostosuj te ustawienia. Więcej o samodzielnej ocenie piszemy w tekście o nadmiernym poleganiu na AI w ocenie.

4. Audytuj tam, gdzie AI i wyniki się rozchodzą

Skoro pewność siebie odrywa się od trafności, nie możesz ufać wrażeniu, że system działa. Musisz to zmierzyć. Śledź, gdzie rekomendacje AI i ostateczne decyzje ludzi się zgadzają, a gdzie rozchodzą, i oznaczaj recenzentów, którzy ani razu nie sprzeciwili się modelowi. Stuprocentowa zgodność wymaga sprawdzenia: sama nie dowodzi, że recenzent zrezygnował z oceny.

Karty oceny i przypisane decyzje pomagają sprawdzić, na czym zespół oparł wybór. Same nie gwarantują jednak niezależności od AI. O sposobach połączenia tych narzędzi piszemy w przewodniku po systemach ATS od podstaw opartych na AI.

Jak udokumentować udział człowieka w decyzji

Udział człowieka ma również znaczenie prawne. Art. 22 RODO dotyczy decyzji opartych wyłącznie na zautomatyzowanym przetwarzaniu, które wywołują skutki prawne lub podobnie istotnie wpływają na osobę, z wyjątkami i zabezpieczeniami przewidzianymi w tym przepisie. Osobne wymagania opisujemy w poradniku o obowiązkach unijnego AI Act dotyczących rekrutacji wysokiego ryzyka. Wyniki eksperymentu nie rozstrzygają, czy konkretny proces spełnia te wymagania.

Dokumentacja powinna pozwalać odtworzyć podstawę decyzji: sprawdzone materiały, kryteria, uzasadnienie i osobę odpowiedzialną. Podobne pytania o odpowiedzialność pojawiają się w pozwie dotyczącym systemu ATS Workday. Sam fakt zgody lub niezgody z AI nie zastępuje takiego zapisu.

O co zapytać dostawcę systemu ATS

Przed wdrożeniem narzędzia rekrutacyjnego z AI zadaj dostawcy cztery pytania:

1. Czy potrafi powiedzieć „nie wiem”? Czy ma wyraźny stan „za mało dowodów”, czy wciska każdego kandydata w pewną siebie ocenę?
2. Pokazuje dowody czy werdykt? Czy widzisz konkretne sygnały stojące za rekomendacją, czy tylko liczbę?
3. Wymusza decyzję człowieka? Czy przejścia między etapami to potwierdzająca decyzja człowieka z uzasadnieniem, czy jednoklikowa akceptacja rankingu?
4. Audytuje rozbieżności? Czy pokaże ci, gdzie ludzie i AI się nie zgadzają, i oznaczy recenzentów, którzy nie robią tego nigdy?

Cztery odpowiedzi „nie” oznaczają, że narzędzie nie zapewnia opisanych wyżej sposobów kontroli rekomendacji AI.

Przy wdrażaniu AI sprawdzaj osobno trafność decyzji i pewność zespołu. W badaniu wzrost pewności nie oznaczał lepszych odpowiedzi, nawet gdy za trafność płacono. Jeśli chcesz sprawdzić karty oceny i zasady głosowania w praktyce, wypróbuj Kit.