Oszukiwanie AI na rozmowach to już norma. Jak się przed tym bronić

Oszukiwanie z pomocą AI na rozmowach to używanie asystentów AI działających w czasie rzeczywistym, głosowych modeli językowych albo deepfake’ów, żeby nieuczciwie zaliczyć rozmowę na żywo. W audycie z 2026 roku, obejmującym 19 368 rozmów prowadzonych przez AI, 38,5% kandydatów oznaczono jako oszukujących z pomocą AI, a 61% z nich i tak przekroczyło próg zaliczenia. Sama rozmowa na żywo nie potwierdza już umiejętności, a coraz częściej nie potwierdza nawet tożsamości.

To niewygodny wniosek dla każdego, kto traktuje „zaliczył część techniczną” jako twardy fakt. Sygnał, na którym opiera się cały twój proces rekrutacji, niepostrzeżenie przestał oddzielać prawdziwych kandydatów od fałszywych. W tym przewodniku pokazujemy, jak bardzo problem jest rozpowszechniony, dlaczego wynik zaliczenia stracił znaczenie, na czym polega osobna i groźniejsza fala kandydatów, którzy w ogóle nie są prawdziwymi ludźmi, oraz jakie konkretne zmiany w procesie przywracają zaufanie, bez kupowania choćby jednego narzędzia szpiegującego do nadzoru rozmów.

Jak poważne jest oszukiwanie AI na rozmowach w 2026 roku?

Poważne i szybko się pogarsza, zwłaszcza w inżynierii. Najczytelniejsze dane pochodzą od Fabric, platformy do rozmów prowadzonych przez AI, która przeanalizowała 19 368 rozmów na żywo między lipcem 2025 a styczniem 2026 roku i oznaczyła 38,5% kandydatów jako oszukujących z pomocą AI.

Najbardziej niepokoi trajektoria. Odsetek oznaczeń u Fabric wzrósł z 9% w lipcu 2025 do 45% we wrześniu 2025 roku, a potem utrzymywał się na wysokim poziomie aż do stycznia 2026. To pięciokrotny skok w ciągu jednego kwartału, a nie „potrojenie”, o którym pisały niektóre media. Niezależnie od dokładnego mnożnika, w jakieś dziewięćdziesiąt dni oszukiwanie z rzadkiego wyjątku stało się niemal rzutem monetą.

Inżynieria jest tu epicentrum problemu. W tych samych danych rozmowy z programistami wykazały 48% oszukiwania wobec 12% w sprzedaży. Ta różnica to żadna tajemnica. Pytania programistyczne mają wyraźne, sprawdzalne odpowiedzi — a to dokładnie ten rodzaj wyniku, który asystent AI w czasie rzeczywistym generuje bez trudu. Scenka sprzedażowa jest chaotyczna i międzyludzka; problem ze struktur danych dzieli od poprawnego rozwiązania jeden prompt.

Nie odczytuj też tych 48% jako „problemu wyłącznie z juniorami”. Narzędzia, które napędzają tę liczbę, działają niezależnie od stanowiska i nie wymagają wysiłku: nakładce jest wszystko jedno, czy pytanie to LeetCode medium, czy zadanie z projektowania systemów na poziomie seniora, a ten sam asystent, który rozwiązuje przechodzenie drzewa binarnego, równie chętnie naszkicuje wiarygodnie brzmiącą odpowiedź o architekturze. Im wyższe stanowisko, tym droższa pomyłka i tym bardziej dopracowany wydaje się przed kamerą kandydat, którego prowadzi nakładka.

Jedno uczciwe zastrzeżenie, zanim pójdziemy dalej: Fabric sprzedaje zarówno rozmowy prowadzone przez AI, jak i wykrywanie oszustw, ma więc komercyjny interes w tym, by liczba budziła grozę. Traktuj jej dane jako wskazujące kierunek. Kierunkowi i tak warto zaufać, bo niezależne punkty odniesienia, do których zaraz dojdziemy, opowiadają tę samą historię z zupełnie innych perspektyw.

Dlaczego twój wynik zaliczenia nic już nie znaczy

Problem nie polega na tym, że oszuści oblewają rozmowę. Polega na tym, że ją zdają. W audycie Fabric 61% oznaczonych oszustów i tak przekroczyło próg zaliczenia wynoszący 7,0 na 10 i przeszłoby dalej, w ogóle niewykrytych.

Zatrzymaj się przy tym na chwilę. Wynik, który zapisuje twój system ATS (ten, który menedżer rekrutujący odczytuje jako „potwierdzone kompetencje”) przepuścił większość osób, które powinien był wyłapać. Oszukiwanie nie osłabiło sygnału na marginesach. Odwróciło go. Wysoki wynik w teście na szybkie odtwarzanie wiedzy z pamięci koreluje dziś z dobrymi narzędziami co najmniej tak samo, jak z dobrymi umiejętnościami.

Metody tłumaczą, dlaczego wykrywanie na wyczucie zawodzi. Fabric rozbił sposoby oszukiwania tak:

Dwie pierwsze kategorie, blisko cztery na pięć przypadków, nie zostawiają śladu przy standardowym udostępnianiu ekranu. Narzędzia w rodzaju Cluely czy Interview Coder są otwarcie reklamowane jako niewidoczne nakładki, które podpowiadają odpowiedzi w trakcie rozmowy na żywo i nie pojawiają się, gdy kandydat udostępnia ekran. Nie wychwycisz tego, obserwując czyjeś oczy. Sam format jest już nieszczelny.

Dla porządku: Fabric ustalił też, że 83% kandydatów przyznało, że oszukiwaliby, gdyby wiedzieli, że nie zostaną złapani. To deklarowana postawa, a nie zachowanie, więc waż ją ostrożnie. Ale trafnie przestawia problem: to nie garstka nieuczciwych jednostek. To domyślna reakcja na system, który sprawił, że oszukiwanie stało się banalnie proste, a wykrywanie — teatralne.

Drugi problem: czy kandydat to w ogóle prawdziwa osoba?

Oszukiwanie przy odpowiedziach zakłada, że prawdziwy kandydat dostaje niedozwoloną pomoc. Nowsza i groźniejsza fala odrzuca to założenie. W rosnącym odsetku przypadków osoba po drugiej stronie nie jest tym, za kogo się podaje — a czasem nie jest w ogóle jedną prawdziwą osobą.

Demonstracja, która powinna zakończyć argument „nasze rozmowy wideo to wychwycą”, przyszła z Unit 42 w Palo Alto Networks. Badacz bez żadnego doświadczenia w obróbce obrazu, na pięcioletniej konsumenckiej karcie graficznej, zbudował przekonującego syntetycznego kandydata wideo w jakieś 70 minut. Żadne laboratorium na poziomie państwowym. Popołudnie i karta graficzna do gier. Jeśli to jest absolutne minimum, cztery rozmowy wideo na żywo nie są weryfikacją tożsamości.

Skalę potwierdzają źródła, które nie sprzedają oprogramowania do rozmów. Raport GetReal Security z 2026 roku wykazał, że 41% liderów działów IT, cyberbezpieczeństwa, ryzyka i przeciwdziałania oszustwom przyznaje, że ich organizacja zatrudniła i wdrożyła fałszywego kandydata, a 88% zetknęło się przynajmniej sporadycznie z próbami deepfake’a lub podszywania się. Gartner, firma analityczna bez żadnego interesu w wojnie o wykrywanie, prognozuje, że do 2028 roku co czwarty profil kandydata na świecie będzie fałszywy. Opatrz to etykietą prognozy, ale wskazuje ten sam kierunek co wszystko inne.

To nie hipotetyczne oszustwo, które dopiero może nastąpić. To działający, uprzemysłowiony proceder. Amerykański Departament Sprawiedliwości wytoczył serię spraw przeciwko systematycznemu północnokoreańskiemu schematowi, który wykorzystuje deepfake’i i skradzione tożsamości, by umieszczać swoich ludzi w zdalnych rolach technicznych w USA, a CNBC opisywało prezesów firm technologicznych mówiących o fałszywych kandydatach zalewających ich zdalne lejki rekrutacyjne. Firma Pindrop, zajmująca się analizą głosu, zmierzyła wzrost prób oszustw z użyciem deepfake’ów o 1300% w 2024 roku. Te konkretne mnożniki od dostawców traktuj jako wskazujące kierunek, ale sedno stanowi zbieżność między organami ścigania, analitykami i niezależnymi badaczami.

Kanonicznym przypadkiem jest północnokoreański agent zatrudniony przez KnowBe4. W lipcu 2024 roku firma szkoleniowa z obszaru bezpieczeństwa zatrudniła „inżyniera oprogramowania”, który okazał się północnokoreańskim agentem posługującym się prawdziwą amerykańską tożsamością skradzioną realnej osobie, ze zdjęciem stockowym podrasowanym przez AI, by pasowało. Ta persona przeszła weryfikację przeszłości, sprawdzenie referencji i cztery osobne rozmowy wideo. W chwili, gdy dotarł służbowy Mac, zaczął ładować złośliwe oprogramowanie; narzędzia KnowBe4 wychwyciły anomalię i zablokowały urządzenie w ciągu 25 minut. Do naruszenia nie doszło, ale lekcja jest dobitna: cztery rozmowy wideo na żywo nie są weryfikacją tożsamości, a to już udokumentowana, systematyczna operacja, a nie odosobniony przypadek.

Zwróć uwagę, że większość najbardziej chwytliwych statystyk o tożsamości również pochodzi od dostawców, którzy sprzedają wykrywanie deepfake’ów. Dlatego kluczowe tezy opierają się tu na niezależnych punktach odniesienia: prognozie Gartnera, praktycznej demonstracji Unit 42 i w pełni udokumentowanym incydencie w KnowBe4. Liczby od dostawców są z nimi spójne, ale ich nie zastępują.

Dlaczego rozmowy z programowaniem na żywo stały się najsłabszym ogniwem

Rozmowa z programowaniem na żywo jest wyjątkowo narażona, bo łączy dwie rzeczy, w których AI jest dobra: generowanie wyraźnych, sprawdzalnych odpowiedzi — i robienie tego niewidocznie. To najcenniejszy cel w twoim procesie rekrutacji, a zarazem najłatwiejszy do złamania.

Pomyśl, co właściwie sprawdza runda kodowania na żywo. Nagradza szybkie odtwarzanie z pamięci wzorców algorytmicznych pod obserwacją — czyli dokładnie to, w czym duży model językowy błyszczy, a zdenerwowany człowiek nie. Kandydat z uruchomioną nakładką nie musi rozumieć rozwiązania. Musi je odczytać z ekranu, kiwając głową. Prowadzący widzi udostępniony ekran, który wygląda zupełnie normalnie, bo asystent renderuje się poza udostępnianym obszarem.

To ta sama strukturalna słabość, która już wcześniej pogrzebała tablicę jako samodzielny sygnał. Jak argumentowaliśmy w tekście przeciwko rozmowom przy tablicy, formaty z rozwiązywaniem zagadek pod obserwacją mierzą raczej to, jak ktoś wypada pod czyimś okiem, niż inżynierski osąd, a nakładki AI dokończyły dzieła, sprawiając, że zagadki da się bez trudu rozwiązać po cichu. Odpowiedzią, która działa, nie jest oprogramowanie do nadzoru. Jest nią zmiana formatu w stronę zadań sprawdzających rozumowanie i komunikację, czyli dwie rzeczy, których nakładka wciąż nie potrafi podrobić w żywej wymianie zdań.

Kusi tu pewien skrót i warto go nazwać, żeby dało się go odrzucić. Kiedy zespoły uświadamiają sobie, że runda na żywo jest nieszczelna, pierwszym odruchem jest zwykle kupno narzędzi do nadzoru: rejestrowanie naciśnięć klawiszy, śledzenie wzroku, blokada przeglądarki, wymuszone omiatanie kamerą całego pokoju. Powstrzymaj się. To karze uczciwych kandydatów doświadczeniem rodem z przesłuchania, nic nie daje wobec deepfake’a, który chętnie podda się każdej kontroli, a dostawcy nakładek iterują szybciej niż twórcy detektorów. Z problemu z formatem nie da się wyjść nadzorem. Przeprojektowujesz format.

Warto to wyraźnie rozdzielić: to inny problem niż stronniczość AI przy przeglądaniu CV. Tamten dotyczy tego, że twój algorytm jest niesprawiedliwy wobec prawdziwych kandydatów. Ten dotyczy potwierdzenia, że kandydat jest tym, za kogo i za co się podaje. Oba są ważne, a rozwiązania się nie kłócą, ale nie myl jednego z drugim.

Co naprawdę weryfikuje kandydata: trzy punkty kontrolne

Dowody wspierają trzy strukturalne posunięcia, z których żadne nie wymaga detektora deepfake’ów. Chodzi o to, by wiarygodność stała się cechą twojego procesu rekrutacji, a nie zgadywanką zmęczonego rekrutera w piątkowe popołudnie.

1. Powiąż ocenę ze zweryfikowaną tożsamością

Anonimowe rozmowy wideo to słabe ogniwo, bo nic nie wiąże osoby ze stabilną, możliwą do prześledzenia tożsamością na przestrzeni całego procesu. Zamień doraźny link do rozmowy na logowanie do portalu kandydata, tak żeby każda przesłana praca i każdy etap były przypięte do tej samej uwierzytelnionej sesji. Samo w sobie nie dowodzi to, że ktoś nie jest podstawiony. Tworzy natomiast jedną ciągłą nić tożsamości, o której można rozsądnie wnioskować, i daje naturalne miejsce, by dołożyć twardy punkt kontroli tożsamości (na przykład sprawdzenie dokumentu tożsamości na etapie oferty) tam, gdzie uzasadnia to waga sprawy.

2. Przenieś ciężar z odtwarzania z pamięci na żywo na próbki pracy

Odtwarzanie z pamięci na żywo to format, który AI najlepiej zasila podpowiedziami. Oceniana próbka pracy — związane ze stanowiskiem zadanie, które kandydat wykonuje, a potem broni — jest znacznie trudniejsza do przekonującego podrobienia w głąb. Lepiej też przewiduje przyszłe wyniki niż sprint przy tablicy. Dowody wymagają tu zastrzeżenia: starsze metaanalizy wyceniały trafność próbek pracy na około 0,54, ale ponowna analiza z 2022 roku autorstwa Sacketta i współpracowników obniżyła wiele z tych szacunków, plasując próbki pracy blisko 0,33 (ustrukturyzowane rozmowy około 0,42). Nawet przy tej ostrożnej wartości próbka pracy to mocny i możliwy do obrony prawnie sygnał, bo bezpośrednio próbkuje samą pracę. Połącz ją z obroną na żywo, w której kandydat wyjaśnia i zmienia własne decyzje, a nakładka nie ma czego podpowiadać.

3. Prowadź audit trail na poziomie etapów

Gdy pół roku później ktoś podważy wiarygodność zatrudnionej osoby, „pamiętam, że wypadł na rozmowie dobrze” nie jest odpowiedzią. Potrzebujesz śladu, który da się odtworzyć: kto oceniał kandydata na każdym etapie, kiedy, na jakim artefakcie i jaki wynik wystawił. Sam audit trail nie zapobiega oszustwom, ale zamienia pytanie bez odpowiedzi w udokumentowaną oś czasu, i to właśnie o niego poproszą audytorzy, zespoły bezpieczeństwa oraz ty sam w przyszłości.

Jak przeprojektować etapy rozmów wokół weryfikacji

Zmiana w sposobie myślenia wygląda tak: weryfikacja to nie narzędzie, które się dokłada. To cecha procesu rekrutacji, w którym każdy etap i każde zadanie jest pełnoprawnym obiektem powiązanym z jedną uwierzytelnioną tożsamością kandydata. Kiedy twój system ATS tak modeluje proces, trzy powyższe punkty kontrolne przestają być kwestią ręcznej dyscypliny i stają się tym, jak system po prostu działa.

Właśnie dlatego Kit traktuje cykl życia etapów rozmowy jako dane strukturalne, a nie folder z notatkami. Kilka konkretnych prymitywów odpowiada wprost tym punktom kontrolnym:

• Portal kandydata powiązany z tożsamością. Kit korzysta z uwierzytelniania magic link, więc każde działanie kandydata odbywa się w tej samej uwierzytelnionej sesji, a nie na anonimowej rozmowie. Praca jest przypięta do stabilnej nici tożsamości na każdym etapie — a to fundament, którego wymaga każda opowieść o weryfikacji.
• Zadania programistyczne jako asynchroniczne próbki pracy. Zadania programistyczne w Kit są zintegrowane z GitHubem i oceniane asynchronicznie — czyli dokładnie ta zmiana formatu, którą zalecają dowody: z dala od odtwarzania z pamięci na żywo, które nakładka potrafi podpowiedzieć, w stronę bronionej próbki pracy, której już nie podpowie.
• Ocena zespołu i karty oceny. To w ustrukturyzowanym, wspólnym ocenianiu wychodzą na jaw anomalie: odpowiedź na żywo, która przeczy próbce pracy, wynik nijak niepasujący do CV, praca, która „wyglądała zbyt bezbłędnie”. Potraktuj to jako proces, który twój zespół prowadzi na dostępnych w Kit mechanizmach oceny i głosowania, a nie jako automatyczny detektor oszustw.
• Historia na poziomie etapów jako audit trail. Ponieważ etapy i zadania są zamodelowanymi obiektami ze znacznikami czasu i przypisaną własnością, ślad do odtworzenia dostajesz od ręki. Wiarygodność staje się czymś, na co możesz później wskazać, a nie czymś, o czym masz nadzieję, że zapamiętasz.

Dla jasności, czym to nie jest: Kit nie dostarcza wykrywania deepfake’ów, weryfikacji biometrycznej ani nadzoru wideo, a wobec każdego dostawcy obiecującego magiczny wykrywacz kłamstw warto być podejrzliwym. Trwałe rozwiązanie jest strukturalne. Właściwa weryfikacja tożsamości (tam, gdzie naprawdę jej potrzebujesz) to punkt kontrolny dokładany na newralgicznych etapach, nałożony na proces, który już wie, kto co zrobił i kiedy.

Podsumowanie

Rozmowa na żywo przestała być dowodem. Przy 38,5% kandydatów oznaczonych za oszukiwanie, 61% z nich zaliczających mimo to i syntetycznym kandydacie do zbudowania w 70 minut, „zaliczył część techniczną” nie jest już faktem, na którym można polegać. Odruch, by walczyć z tym większym nadzorem, to pułapka; nakładki są niewidoczne, a deepfake’i tanie, więc wykrywanie zawsze będzie w tyle.

Posunięcie, które się broni, jest strukturalne. Powiąż oceny ze zweryfikowaną tożsamością, przechyl cykl rozmów w stronę bronionych próbek pracy zamiast odtwarzania z pamięci na żywo i prowadź audit trail, żeby dało się odtworzyć wiarygodność każdej zatrudnionej osoby. Zrób to, a weryfikacja przestanie być osobnym narzędziem, które kupujesz, a stanie się cechą tego, jak działa twój proces rekrutacji. Jeśli chcesz proces rekrutacji zbudowany tak od pierwszego etapu, zobacz, jak Kit modeluje cykl życia rozmowy rekrutacyjnej.