Czym jest ATS od podstaw oparty na AI? Architektura i funkcje

ATS od podstaw oparty na AI to określenie systemu rekrutacyjnego, w którym funkcje AI uwzględniono już przy projektowaniu. Może obejmować wyszukiwanie semantyczne, agentów wykonujących działania i protokoły integracji takie jak MCP. Sama etykieta nie określa jednak zakresu automatyzacji, użytej bazy danych ani tego, jak system działa podczas awarii modelu.

To rozróżnienie ma znaczenie, bo hasło „AI-powered” zaciera różnice w architekturze systemów. Według Grand View Research globalny rynek AI w HR miał wartość 3,25 miliarda dolarów w 2023 roku i ma osiągnąć 15,24 miliarda do 2030, rosnąc w tempie 24,8% CAGR. Wydatki te obejmują zarówno rozszerzenia istniejącego oprogramowania, jak i systemy projektowane z myślą o AI.

Przy wyborze ATS sprawdź dostępne działania, zależności od modeli, koszty i kontrolę nad decyzjami. Te właściwości można ocenić niezależnie od marketingowej nazwy architektury.

Co odróżnia system od podstaw oparty na AI od rozszerzonego o AI?

Sprawdź, które czynności wymagają AI, a które system wykonuje bez modelu. To pokaże zakres zależności od AI. Sam fakt, że po jego wyłączeniu nadal można przeglądać CV i prowadzić rekrutację, nie rozstrzyga jakości architektury.

Do porównania funkcji przydaje się podział na trzy sposoby wykorzystania AI. Granice między nimi są umowne.

Poziom 1: pojedyncze funkcje AI

W najprostszym wariancie rekruter uruchamia pojedynczą funkcję, np. podsumowanie CV. System wysyła dane do modelu przez API i zapisuje wynik. Kolejne kroki wykonuje człowiek. Taką funkcję można dodać do istniejącego ATS albo uwzględnić w nowym produkcie.

Poziom 2: AI na wybranych etapach

AI może wspierać konkretne etapy: odczyt CV, ocenę materiałów i planowanie rozmów. Warto sprawdzić, czy automatyzacja usprawnia potrzebną czynność, czy utrwala zbędne kroki. Samo użycie modelu nie przesądza o szybkości procesu.

Poziom 3: agenci wykonujący działania

Agent może wykonywać sekwencje działań, dobierając kolejny krok do wcześniejszych wyników. Potrzebuje dostępu do danych i narzędzi oraz jasno określonych uprawnień. Wyszukiwanie semantyczne może być częścią takiego systemu, także gdy dane są przechowywane w relacyjnej bazie z obsługą wektorów.

Josh Bersin opisuje tę trajektorię jako „znikający system HR”, w którym interfejsy konwersacyjne i silniki predykcyjne działają w tle, eliminując potrzebę ręcznego logowania się i manipulowania ustrukturyzowanymi danymi.

Gartner prognozuje, że do końca 2027 roku ponad 40% projektów z agentami AI zostanie anulowanych z powodu rosnących kosztów, niejasnej wartości biznesowej lub niewystarczających mechanizmów kontroli ryzyka. Prognoza nie przypisuje tych niepowodzeń starszej architekturze ATS.

Jak faktycznie wypadają główne platformy ATS?

Dostawcy opisują funkcje AI jako asystentów, moduły oceny lub agentów. Te nazwy pomagają rozpoznać deklarowane zastosowanie, ale nie pozwalają odtworzyć architektury produktu. Poniższe przykłady dotyczą sposobu prezentowania funkcji.

Greenhouse akcentuje przejrzystość i udział człowieka oraz oferuje katalog ponad 400 integracji. Sama liczba integracji nie przesądza o sposobie działania jego funkcji AI.

Lever wdraża „AI Interview Companion” i „AI Screening Companion”, przeznaczone odpowiednio do wsparcia rozmów i oceny wstępnej.

Ashby łączy analitykę z funkcjami AI do planowania i transkrypcji rozmów.

Workable oferuje asystenta AI do pozyskiwania kandydatów przeszukującego ponad 400 milionów profili pasywnych, pozycjonując technologię jako narzędzie wspomagające pozyskiwanie kandydatów.

SmartRecruiters rozwija funkcje wykonywane przez agenta AI „Winston”. Zakres jego samodzielności trzeba sprawdzić na konkretnych zadaniach.

Na podstawie tych opisów nie można przypisać platformom jednej, rozstrzygającej kategorii architektonicznej. Podczas demonstracji warto sprawdzić zarówno automatyzację, jak i możliwość ręcznej pracy oraz dostęp do zapisanych danych.

Co trzeba sprawdzić przy dodawaniu AI do ATS?

Integracja z modelem przez API jest jednym z elementów wdrożenia. Trzeba też ustalić, jakie dane model otrzymuje, jakie działania może wykonać oraz jak zespół sprawdza wyniki. Zakres przebudowy zależy od istniejącego produktu.

Dostęp do danych i jakość dopasowania

Opinie użytkowników mogą pomóc wskazać problemy do sprawdzenia. Przywoływane relacje użytkowników SmartRecruiters na Reddit dotyczą słabej jakości dopasowania, a opinie o JazzHR opisują trudności ze złożonymi zapytaniami boolowskimi. Nie pozwalają one jednak przypisać przyczyny użyciu relacyjnej bazy danych ani ocenić wszystkich wdrożeń tych produktów.

Ocena takich problemów wymaga sprawdzenia konkretnego produktu, modelu i danych. Sama relacyjna baza danych nie wyklucza przechowywania embeddingów ani wyszukiwania semantycznego.

Ryzyko stronniczości

Modele trenowane na historycznych danych rekrutacyjnych mogą powielać wcześniejsze uprzedzenia niezależnie od wieku systemu. Dlatego trzeba sprawdzić dane, kryteria oceny i możliwość odtworzenia decyzji. Pozwy przeciw Workday dotyczą zarzutów dyskryminacji w automatycznej ocenie kandydatów; same zarzuty nie są rozstrzygnięciem odpowiedzialności.

Sprawdź, jakie działania system rejestruje i czy można odtworzyć dane oraz kryteria użyte przy ocenie. Potrzeba takich zapisów dotyczy zarówno nowych, jak i rozwijanych od lat produktów.

Masowe zgłoszenia generowane z pomocą AI

Generatywne AI ułatwia tworzenie wielu zgłoszeń i dopasowywanie treści CV do ogłoszeń, także przez dodawanie słów kluczowych. Jeśli ocena nadmiernie opiera się na tych słowach, dobrze dopasowany tekst może otrzymać wysoki wynik bez potwierdzenia kompetencji. Problem trzeba sprawdzić na rzeczywistych materiałach kandydatów.

Wyszukiwanie semantyczne i ocena wyników pracy pozwalają uwzględnić więcej niż częstotliwość słów kluczowych. Nadal trzeba sprawdzić skuteczność konkretnej metody. Sama deklaracja użycia AI nie potwierdza wykrywania wygenerowanych treści ani trafnej oceny kompetencji.

Problem cenowy: dlaczego rozliczenie za użytkownika wpływa na rozwój AI

Koszty automatyzacji zależą też od sposobu rozliczenia. W modelu z opłatą za użytkownika przychody dostawcy zależą od liczby opłaconych kont.

Przykładowe ceny dla firm średniej wielkości:

• Greenhouse: indywidualne ceny dla dużych firm powiązane z liczbą pracowników, zazwyczaj 6500 do 25 000+ dolarów rocznie
• Lever: indywidualne wyceny, szacunkowo 4000 do 20 000 dolarów rocznie w zależności od modułów CRM
• Ashby: do 800 $/rok za „elevated seat”, wliczając osoby prowadzące rekrutację potrzebujące jedynie dostępu do procesu rekrutacji. Startup potrzebujący dostępu dla 30 użytkowników musi liczyć się z kwotą 24 000 $/rok na start

Automatyzacja może ograniczyć liczbę osób potrzebnych do wykonania części zadań. Jeśli dostawca rozlicza produkt za użytkownika, taka zmiana może wpływać na jego przychody. Zależność ta nie wyklucza jednak oferowania agentów AI w planie rozliczanym za członków zespołu.

Dostawca może zmienić sposób rozliczenia lub oferować AI jako dodatkowo płatną funkcję. Sam model cenowy nie wystarcza do oceny możliwości technicznych produktu.

Dostawcy mogą rozliczać AI ryczałtem, według zużycia lub za użytkownika. Kit nalicza opłatę za użytkowników zespołu. Aktualne stawki i osobno rozliczane dodatki opisuje cennik.

Na co zwracać uwagę w systemie ATS od podstaw opartym na AI?

Sprawdź, jak produkt obsługuje wymagania prawne, rekrutację techniczną i integrację z asystentem AI.

Zgodność z przepisami i ścieżki audytowe

Jeśli AI ocenia kandydatów lub wykonuje działania wpływające na decyzję o zatrudnieniu, ustal obowiązki związane z takim zastosowaniem. Zakres automatyzacji ma znaczenie dla oceny prawnej.

Art. 22 RODO dotyczy decyzji opartych wyłącznie na zautomatyzowanym przetwarzaniu, które wywołują skutki prawne lub podobnie istotnie wpływają na osobę. Co do zasady kandydat ma prawo nie podlegać takiej decyzji. Wyjątki obejmują niezbędność do zawarcia lub wykonania umowy, wyraźną zgodę oraz dopuszczenie przez prawo Unii lub państwa członkowskiego z odpowiednimi zabezpieczeniami. W przypadkach dotyczących umowy lub zgody art. 22 ust. 3 wymaga co najmniej możliwości interwencji człowieka po stronie administratora, przedstawienia własnego stanowiska i zakwestionowania decyzji. Przy wyjątku ustawowym zabezpieczenia określa właściwe prawo. Obowiązki informowania o zasadach zautomatyzowanego podejmowania decyzji wynikają także z art. 13–15 RODO. Nadzór nad przestrzeganiem RODO w Polsce sprawuje Prezes UODO.

AI Act klasyfikuje określone zastosowania w rekrutacji, np. analizowanie zgłoszeń i ocenianie kandydatów, jako systemy wysokiego ryzyka. Klasyfikacja zależy od przeznaczenia i warunków użycia systemu; samo wykorzystanie AI w dziale HR nie wystarcza. Dla systemów wysokiego ryzyka przewidziano m.in. zarządzanie ryzykiem, dokumentację, rejestrowanie zdarzeń i nadzór człowieka. Zakres obowiązków dostawcy i pracodawcy jest różny. Komisja Europejska wyjaśnia zasady klasyfikacji. Stan na 7 września 2026 r.: po wejściu w życie AI Omnibus przepisy dotyczące systemów wysokiego ryzyka z załącznika III, obejmującego rekrutację, mają zastosowanie od 2 grudnia 2027 r. (aktualny harmonogram). Obowiązki wynikające z RODO nadal mają zastosowanie.

Kodeks pracy, art. 18³ᵃ–18³ᵉ ustanawia zasadę równego traktowania w zatrudnieniu i zakazuje zarówno dyskryminacji bezpośredniej, jak i pośredniej. Dyskryminacja pośrednia to sytuacja, w której pozornie neutralne kryterium lub działanie stawia w nieproporcjonalnie gorszym położeniu osoby z grupy chronionej (a dokładnie to potrafi wywołać stronniczy algorytm oceny wstępnej), chyba że jest obiektywnie uzasadnione zgodnym z prawem celem, a środki jego osiągnięcia są właściwe i konieczne. Odpowiedzialność spoczywa na pracodawcy, a osoba dyskryminowana ma prawo do odszkodowania nie niższego niż minimalne wynagrodzenie za pracę. Podstawą unijną jest dyrektywa 2000/78/WE w sprawie równego traktowania w zatrudnieniu.

System ATS od podstaw oparty na AI musi traktować ścieżki audytowe jako podstawową funkcję, nie jako raport, o który trzeba prosić dostawcę. Każda zautomatyzowana decyzja, od oceny wstępnej po planowanie, powinna być logowana i możliwa do wyeksportowania.

Procesy rekrutacji programistów

CV opisuje doświadczenie, ale nie pokazuje bezpośrednio sposobu pracy programisty. Sama zgodność słów kluczowych nie wystarcza do oceny jakości kodu ani uzasadnienia decyzji technicznych.

Przykłady wykorzystania zadań praktycznych w rekrutacji technicznej:

• Fly.io stosuje ścisłą politykę „bez rozmów, bez CV” z asynchronicznymi zadaniami do wykonania w domu
• Linear prowadzi płatne dwu- do pięciodniowe próby pracy z dostępem do repozytoriów GitHub, plików Figma i wewnętrznego Slacka
• Vercel stawia na szybkie prototypowanie zamiast wielostronicowych portali aplikacyjnych

W rekrutacji technicznej sprawdź obsługę oceny wyników pracy: zadań programistycznych, repozytoriów, commitów i uzasadnień decyzji. AI może wspierać przegląd materiałów, a zespół powinien ustalić kryteria i zakres weryfikacji.

Kit integruje się bezpośrednio z GitHubem w zakresie zadań programistycznych. Gdy kandydat dociera do etapu oceny technicznej, Kit tworzy prywatne repozytorium z szablonu, zaprasza kandydata jako współpracownika, śledzi jego commity i zarządza terminami automatycznie. Zespół nie musi ręcznie tworzyć repozytorium dla każdej osoby.

Integracja AI na poziomie protokołu (MCP)

Sposób udostępniania danych i działań określa, co asystent AI może zrobić w ATS. MCP jest jedną z metod integracji; sama obsługa tego protokołu nie rozstrzyga, czy system powstał z myślą o AI.

Prosta funkcja może przekazać modelowi wyłącznie tekst CV. Szersza integracja może udostępnić także wymagania stanowiska, etapy i narzędzia do wykonywania działań. Zakres zależy od implementacji i uprawnień.

Model Context Protocol (MCP), opracowany i udostępniony jako open source przez Anthropic, umożliwia takie połączenie. MCP to standaryzowany protokół pozwalający modelom AI łączyć się z zewnętrznymi systemami z dostępem do kontekstu.

Przez MCP asystent AI może:

• Odczytywać stan rekrutacji, pobierając dostępne dane kandydatów i etapów
• Zmieniać statusy, jeśli udostępnione narzędzia i uprawnienia pozwalają wykonać dane przejście
• Wspierać planowanie, korzystając z udostępnionych danych o dostępności i narzędzi komunikacji

W Kit MCP daje asystentowi AI dostęp do danych i działań w procesie rekrutacji. Asystent może więc pracować na aktualnym stanie rekrutacji, zamiast dostawać tylko tekst skopiowany do pojedynczego zapytania.

Co mówią dane rynkowe?

Grand View Research prognozuje wzrost szerszego rynku AI w HR z 3,25 miliarda dolarów (2023) do 15,24 miliarda do 2030 roku. W samej rekrutacji firmy analityczne przewidują przekroczenie 1 miliarda dolarów na początku lat 30., choć szacunki różnią się zakresem i metodologią. Te dane nie pokazują, ile firm zmieniło konkretną architekturę ATS.

Przywoływane wyniki i przykłady wdrożeń:

• Globalne benchmarki rekrutacyjne wskazują, że obsadzenie stanowiska zajmuje średnio około 40–45 dni, a proces jest obciążony sekwencyjnymi ręcznymi krokami od pozyskiwania kandydatów przez ocenę wstępną po planowanie
• Dostawcy RPO udokumentowali 65% redukcję czasu do przedstawienia kandydata dzięki równoległej ocenie, w której ocena wstępna, ocena pogłębiona i wybór finalistów odbywają się jednocześnie
• Koenigsegg Automotive skrócił średni czas zatrudnienia z dwóch miesięcy do 25 dni po odejściu od ograniczeń poprzedniego systemu
• Agencja zatrudnienia Attis odnotowała pozyskanie 35% więcej klientów i wzrost wskaźnika wysyłek CV o 91% po przejściu na systemy projektowane z myślą o AI

Przywoływane zestawienia podają 44 dni wobec 15–30 dni i ceny rzędu 4000–25 000 $ rocznie, ale nie stanowią kontrolowanego porównania dwóch architektur. Na wyniki wpływają także stanowiska, rynek i organizacja pracy.

Jak Kit podchodzi do rekrutacji opartej na AI od podstaw

Kit udostępnia dane i działania przez MCP oraz obsługuje zadania programistyczne. Te konkretne możliwości warto porównać z potrzebami zespołu.

Dostęp przez MCP. Kit udostępnia dane i działania rekrutacyjne asystentom takim jak Claude. Asystent może odczytywać dane kandydatów, przesuwać ich między etapami i korzystać z udostępnionych narzędzi planowania zgodnie z uprawnieniami użytkownika.

Wyniki pracy zamiast CV. Zintegrowane z GitHub zadania programistyczne Kit tworzą repozytoria z szablonów, zapraszają kandydatów, śledzą commity, zarządzają terminami i umożliwiają przegląd kodu z pomocą AI. W rekrutacji technicznej rozmowy według ustalonych kryteriów uzupełniają zadanie praktyczne i ocenę zespołu.

Rozliczenie za użytkowników zespołu. Kit nalicza opłatę za użytkowników zespołu. Kandydaci korzystają z portalu bez takiej opłaty. Zakres planu, dodatki i aktualne stawki znajdziesz w cenniku.

MCP, zadania programistyczne i dostęp dla zespołu pozwalają prowadzić rekrutację na podstawie danych o pracy kandydata, a nie tylko słów kluczowych w CV.

Zacznij za darmo i przekonaj się, jak rekrutacja oparta na AI od podstaw działa w praktyce.