Jak rekrutować ludzi do współpracy z technologią, która zmienia się szybciej niż opisy stanowisk pracy? W erze, gdy algorytmy potrafią w sekundy przesiać tysiące aplikacji, a kandydaci masowo „podkręcają” swoje CV za pomocą AI, tradycyjne podejście do pozyskiwania talentów odchodzi w przeszłość. O tym, jak w praktyce budować zwinne, globalnie połączone zespoły przyszłości, rozmawiamy z Joanną Trzaską-Lorenz – Group Talent Acquisition & EB Director w Grupie Comarch. Joanna, zdradza nam, jak dziś bezbłędnie identyfikować „technologiczną empatię”, gdzie leżą granice automatyzacji w HR i jakich kompetencji jutra musimy szukać u kandydatów już teraz.
Joasiu, przed Tobą duże wyzwanie w Comarch – centralizacja procesów TA na skalę globalną. Jak w dobie tej globalnej transformacji i ekspansji narzędzi AI zachować odpowiedni balans między ujednolicaniem procesów a unikalnym podejściem do kandydata (Candidate Experience) w tak zróżnicowanych kulturowo zespołach, by w pogoni za efektywnością nie stracić z oczu kluczowego „ludzkiego oka”?
Mam prostą zasadę: ujednolicamy kręgosłup, nie tylko rozmowę. Globalnie standaryzujemy to, czego kandydat nie widzi — etapy procesu, SLA (Service Level Agreement), dane, narzędzia, kryteria decyzji, interview loop. To daje nam porównywalność, jakość i tempo. Natomiast warstwa kontaktu z człowiekiem — język, styl, kontekst kulturowy, punkty styku z zespołem rekrutacji oraz interview loop — musi oddawać specyficzny charakter - lokalny, roli, wyzwań, otoczenia biznesowego, do którego kandydat wchodzi. Niezależnie od lokalizacji kandydat przechodzi ten sam proces, ale nie zawsze tę samą rozmowę.
Druga zasada: automatyzujemy administrację, nigdy relację. AI może umówić spotkanie, przypomnieć o feedbacku, przygotować rekruterowi brief. Nie może za nas zbudować zaufania ani podjąć decyzji o człowieku. I trzecia rzecz, najważniejsza: efektywność chcemy mierzyć nie tylko time-to-hire, ale też tym, co kandydaci mówią o procesie. Jeśli w pogoni za tempem będzie spadać doświadczenie kandydata, to nie jest efektywność — to dług, który rynek prędzej czy później nam wystawi do zapłaty. Dlatego stawiam w Comarch również na zmianę tych doświadczeń czyli candidate experience. W IT wieści rozchodzą się szybciej niż oferty.
Ta błyskawiczna weryfikacja działa też w drugą stronę. Dziś niemal każdy kandydat wpisuje do CV znajomość AI. Jak podczas rozmowy odróżniasz zwykłego „użytkownika” – traktującego technologię jako bezmyślną protezę do generowania gotowych szablonów – od prawdziwego „partnera AI”, który potrafi wejść z nią w głęboki, krytyczny dialog?
Przede wszystkim nie pytam, czy ktoś używa AI — dziś to jak pytać, czy używa internetu. Pytam, jak myśli, kiedy jej używa. Proszę: „opowiedz mi o ostatnim razie, kiedy AI dała ci złą odpowiedź. Po czym to poznałeś?”. Użytkownik nie ma takiej historii, bo niczego nie weryfikuje. Partner ma ich kilka i opowiada je z detalami.
Lubię też odwrócić ćwiczenie: zamiast poprosić kandydata o wygenerowanie czegoś z AI, daję mu output wygenerowany przez AI i proszę o recenzję. Użytkownik chwali, bo tekst „wygląda profesjonalnie”. Partner rozbiera go na części, pyta o źródła, znajduje miejsce, gdzie model zaczął konfabulować. AI jest jak genialny stażysta: szybki, pracowity, bywa pewny siebie, chce się wykazać i od czasu do czasu bezczelnie zmyśla. Szukam ludzi, którzy o tym wiedzą i mimo to potrafią z takim stażystą zbudować świetny zespół.
Mówisz o budowaniu zespołu i dojrzałości w pracy z technologią, a w tym wszystkim kluczowa jest etyka. Twoje doświadczenie z Komisją Europejską oraz Instytutem Praw Człowieka i Biznesu daje Ci niezwykle cenną perspektywę. Narzędzia automatyzujące potrafią dziś w sekundy przesiewać tysiące aplikacji — gdzie Twoim zdaniem leży bezpieczna, etyczna czerwona linia oddawania decyzji algorytmom, aby sztuczna inteligencja nie wykluczyła z procesów nieszablonowych talentów?
Moja czerwona linia jest ostra: algorytm może porządkować, człowiek musi decydować. AI może priorytetyzować, grupować, podpowiadać, wyszukiwać — ale automatyczne odrzucenie kandydata bez ludzkiego oka to granica, której nie przekraczamy. Nie tylko dlatego, że unijny AI Act słusznie klasyfikuje rekrutację jako obszar wysokiego ryzyka. Przede wszystkim dlatego, że modele uczą się na naszej historii — a więc także na naszych historycznych błędach i uprzedzeniach.
Ta wrażliwość nie wzięła się u mnie z teorii. Począwszy od 2012 jako ekspertka i doradczyni w dyskusjach okrągłego stołu — w projekcie Komisji Europejskiej „Sector Guidance Project”, wypracowywałam wytyczne dotyczące poszanowania praw człowieka przez biznes w trzech sektorach: agencji zatrudnienia i rekrutacji, ICT oraz naftowo-gazowym. Wytyczne opierają się na Wytycznych ONZ dotyczących biznesu i praw człowieka (UN Guiding Principles on Business and Human Rights), a sam projekt był jednym z priorytetowych działań ogłoszonych przez Komisję w komunikacie o społecznej odpowiedzialności przedsiębiorstw z 2011 roku. Fakt, że sektor rekrutacji znalazł się w tej trójce obok ropy i gazu, mówi wszystko: rekrutacja nie jest naturalnym procesem operacyjnym. To moment, w którym firma realnie rozstrzyga o czyichś szansach, godności i dostępie do pracy. Dlatego na automatyzację patrzę przez pryzmat odpowiedzialności za człowieka, nie tylko efektywności — należyta staranność (due diligence) obowiązuje nas tak samo wtedy, gdy decyzję podpowiada algorytm.
Ta odpowiedzialność i podejście procesowe osadzone są w konkretnych realiach biznesowych. Pracowałaś w organizacjach o bardzo różnorodnych kulturach, takich jak Allegro czy IBM. Jakie najlepsze praktyki w obszarze data-driven recruitment z poprzednich firm da się najszybciej zaadaptować do obecnej transformacji w Comarchu, by budować zwinną organizację przyszłości?
Trzy rzeczy, w tej kolejności. Po pierwsze: traktowanie lejka rekrutacyjnego jak produktu. Mierzymy konwersje między każdym etapem, nie tylko wynik końcowy — bo dopiero wtedy widać, gdzie naprawdę tracimy ludzi i czas. Po drugie: capacity planning. Rekrutacja nie zaczyna się od wakatu, tylko od planu biznesowego — jeśli TA dowiaduje się o potrzebie w dniu jej powstania, to już jesteśmy spóźnieni o kwartał. Po trzecie: quality of hire ponad time-to-hire. Szybko zatrudniony niewłaściwy człowiek jest droższy niż wolno zatrudniony właściwy.
Z IBM wzięłam skalę i dyscyplinę procesu — szacunek do tego, że w globalnej organizacji powtarzalność jest wartością, nie nudą. Z Allegro tempo i odwagę eksperymentowania — kulturę, w której pilotuje się rozwiązanie na jednym zespole, zanim wdroży się je wszędzie. Comarch w transformacji potrzebuje dokładnie tej hybrydy. I jedno zastrzeżenie, które idzie ze mna przez lata: dane są kompasem, nie autopilotem. Dashboard nie zatrudnił jeszcze nikogo.
Właśnie w kontekście tej prawdziwej pracy i pierwszych kroków na rynku stoimy dziś przed rekrutacyjnym „paradoksem juniora”. AI świetnie radzi sobie z prostymi zadaniami programistycznymi, więc tradycyjne testy dla początkujących tracą sens. Czego powinniśmy dziś oczekiwać od osób zaczynających karierę w IT i jak mądrze badać ich potencjał, gdy technologia wykonuje za nich bazową robotę?
Trzeba uczciwie powiedzieć: przestaliśmy zatrudniać juniorów za to, co umieją dziś. Zatrudniamy za tempo, w jakim się uczą i z myślą o ścieżce future leaders. Skoro AI wykonuje bazową robotę, to bazowa robota przestała być testem, bo nigdy nie była szczególnie trafnym predyktorem.
Jak badać potencjał? Dajemy zadanie z jawnie dozwolonym AI i oceniamy nie wynik, tylko proces: jakie pytania kandydat zdał, co zakwestionował, jak zweryfikował output, które decyzje podjął sam i dlaczego. Junior, który potrafi powiedzieć „tu model się mylił, więc zrobiłem inaczej”, pokazuje dokładnie to, czego szukam. Aktualnie wdrożyliśmy w proces rekrutacji takie właśnie assessments w ramach platformy Codility, która umożliwia nam ukierunkowaną ewaluację procesu myślowego (nie tylko dla junior talentu).
Poza tym patrzę na trzy rzeczy, których żadna technologia nie podrobi: ciekawość, poczucie odpowiedzialności za wynik i umiejętność powiedzenia „nie wiem, ale sprawdzę”. To ostatnie zdanie to najlepszy sygnał rekrutacyjny, jaki znam.
Idąc o krok dalej za tym tempem uczenia się — w erze technologii rozwijających się z tygodnia na tydzień kluczowy staje się unlearning, czyli zdolność do szybkiego „oduczania się” starych nawyków. Jak podczas rozmowy skutecznie zbadać u kandydata tę elastyczność poznawczą i gotowość na ciągłą zmianę?
Pytam nie o to, czego kandydat się nauczył, tylko z czego zrezygnował. „Co robiłeś rok temu, czego dziś już nie robisz — i co cię przekonało, żeby przestać?”. To pytanie bezbłędnie rozdziela ludzi na dwie grupy. Jedni mają konkretną historię: porzucony framework, zmienione podejście do estymacji, przepisany od zera własny proces. Drudzy mówią ogólnikami o „ciągłym rozwoju” — i to jest odpowiedź, która mówi mi najwięcej, choć nie to, co kandydat chciał powiedzieć.
Drugie pytanie z tej serii: „kiedy ostatnio zmieniłeś zdanie pod wpływem danych albo cudzego argumentu?”. Elastyczność poznawczą widać zresztą w samej rozmowie, wystarczy rzucić kontrprzykład do tezy kandydata i patrzeć, co się dzieje. Jedni się bronią, drudzy się zaciekawiają. Zatrudniajmy tych drugich. W świecie, w którym narzędzia zmieniają się co kwartał, przywiązanie do własnej racji jest droższe niż brak jakiejś technologii w CV.
To prowadzi nas do szerszego pytania o przyszłość rynku. Patrząc z perspektywy kolejnych 5–10 lat, jak zmieni się sama filozofia budowania kariery? Czy w świecie, w którym AI przejmie rutynowe zadania, rekrutacja oprze się wyłącznie na dopasowaniu kulturowym i ludzkich supermocach, czy też technologia stworzy zupełnie nowe specjalizacje?
Dopasowanie kulturowe ma sens — pod warunkiem, że dobrze je zdefiniujemy. Nie rozumiem go jako pytania „czy kandydat jest podobny do nas”, bo to prosta droga do klonowania ludzi, których już mamy, a różnorodność myślenia jest ostatnią rzeczą, z której organizacje powinny rezygnować w erze AI. Culture fit rozumiem jako ewaluację właściwych postaw i zachowań: zdolności adaptacji, otwartości na zmianę, interdyscyplinarności, jakości komunikacji i współpracy. To są rzeczy, które da się badać behawioralnie — na konkretnych sytuacjach, nie na wrażeniu z rozmowy — i które naprawdę przesądzają o tym, czy człowiek odnajdzie się w organizacji przyszłości. Poza tym będzie hybryda: technologia zdejmie z ludzi powtarzalność, a człowiek zostanie tam, gdzie jest ryzyko, odpowiedzialność i relacja — bo za decyzję musi ktoś odpowiadać, a zaufania nie da się zautomatyzować.
Czy powstaną zawody, których dziś nie umiemy nazwać? Na pewno. Nikt dziesięć lat temu nie planował kariery prompt engineera — a ten zawód zdążył już powstać i zacząć się zmieniać. Głębsza zmiana będzie jednak w filozofii kariery: przestanie być drabiną, a stanie się portfelem kompetencji, który przebudowujemy co kilka lat.
Wśród tych nowych kompetencji w portfelu najczęściej wymienia się dziś umiejętność precyzyjnego wydawania poleceń maszynom. Czy Twoim zdaniem promptowanie to umiejętność stricte techniczna, czy raczej nowa kompetencja miękka – powiązana z logiką i empatią komunikacyjną?
Miękka, w technicznym opakowaniu. Dobry prompt to nic innego jak dobre delegowanie: kontekst, cel, ograniczenia, kryteria sukcesu, przykład oczekiwanego rezultatu. Zauważyłam prostą korelację — ludzie, którzy dobrze delegują pracę ludziom, dobrze promptują maszyny. I odwrotnie: ktoś, kto rzuca zespołowi hasło „zróbcie to jakoś sensownie”, dokładnie tak samo rozmawia z modelem, a potem narzeka na wyniki obu.
Jest w tym też coś bezlitosnego: AI obnaża mętne myślenie szybciej niż jakikolwiek współpracownik, bo nie domyśli się i nie przykryje naszej nieprecyzyjności własnym doświadczeniem. Dostajemy dokładnie to, o co poprosiliśmy — co bywa bolesną lekcją tego, o co naprawdę poprosiliśmy. Dlatego traktuję promptowanie jako trening precyzji myślenia i empatii komunikacyjnej jednocześnie: trzeba umieć spojrzeć na własne polecenie oczami odbiorcy, który nie wie nic ponad to, co napisaliśmy. To kompetencja przyszłości nie dlatego, że dotyczy AI — tylko dlatego, że dotyczy myślenia.
Ta bezwzględna precyzja technologii sprawia, że wielu kandydatów próbuje maskować braki i za wszelką cenę udowadniać swoją „gotowość na erę AI”. Co w ich postawie, aplikacjach czy sposobie prezentacji doświadczenia uważasz dziś za największy red flag i antywzorzec?
AI-washing. CV napisane w całości przez model — perfekcyjne językowo i kompletnie puste. Dziesięć buzzwordów o „leveraging generative AI”, a na rozmowie ani jednego przykładu z konkretem: jakiego narzędzia, do czego, co poszło nie tak, co z tym zrobił. Paradoks polega na tym, że ludzie, którzy najgłośniej udowadniają gotowość na erę AI, często pokazują coś przeciwnego — że oddali jej ster.
Najbardziej niepokoi mnie jednak zjawisko, które nazywam outsourcingiem myślenia: kandydat na rozmowie online, który odpowiada świetnie, ale z czterosekundowym opóźnieniem i wzrokiem czytającym drugi ekran. Nie martwi mnie, że użył AI — martwi mnie, że nie ufa własnej głowie na tyle, by rozmawiać bez suflera. Bo w pracy przyjdą momenty, w których suflera nie będzie: eskalacja u klienta, awaria, trudna rozmowa w zespole. Chcę wiedzieć, kogo wtedy zatrudniłam — człowieka czy jego czat.
Mówisz o zaufaniu do własnej głowy, ale nawet przy najlepszych narzędziach na końcu decyduje człowiek, a ten bywa omylny. Czy w swojej karierze zdarzył Ci się błąd w ocenie kandydata – niesłuszne skreślenie lub zaufanie komuś, kto okazał się niewypałem – i czego ta sytuacja Cię nauczyła?
Oczywiście, że popełniałam błędy — każdy rekruter, który twierdzi inaczej, po prostu nie sprawdził, co się stało z ludźmi, których odrzucił. Moja najboleśniejsza lekcja: na początku kariery skreśliłam kandydata, który na rozmowie był spięty, mówił cicho i bez błysku. Mówił jednak merytorycznie. Zabrakło mu — jak to wtedy nazwałam — tego “czegoś”, nie przekonał mnie, zaparkowałam wątpliwość i zaszufladkowałam kandydata. Kilka lat później obserwowałam, jak buduje świetny zespół u konkurencji. Niebywały ekspert, lider, mentor i praktyk. Nauczyło mnie to, że notorycznie mylimy pewność siebie z kompetencją, a płynność wypowiedzi z jakością myślenia. To dwa różne parametry — i słabo skorelowane. Był też błąd w drugą stronę: zaufałam komuś, kto na rozmowie był olśniewający, a w pracy okazał się mistrzem opowiadania o pracy, nie jej wykonywania.
Od tamtej pory trzymam się zasady: rozmowa mierzy umiejętność prowadzenia rozmów — wszystko inne trzeba sprawdzić inaczej. Dlatego dziś mierzę proces, nie deklaracje. Zadania sytuacyjne osadzone w realiach, w których kandydat będzie faktycznie pracował — nie abstrakcyjne łamigłówki. Retrospekcja: co poszło dobrze, co nie i dlaczego. Wyciąganie wniosków: „co zrobiłbyś dziś inaczej — i co cię do tego przekonało?”. To pytanie mówi mi o kandydacie więcej niż całe CV, bo pokazuje, czy człowiek uczy się na własnym doświadczeniu, czy tylko je kolekcjonuje. Ludzka natura? Jesteśmy przewidywalnie omylni. Dobry proces rekrutacyjny nie eliminuje ludzkiej omylności — on ją zna i projektuje wokół niej zabezpieczenia.
Przez ponad 18 lat pracy w HR widziałaś zapewne niemal wszystko. Masz w pamięci historię, która idealnie obrazuje to projektowanie zabezpieczeń i zderzenie człowieka z technologią — sytuację, w której czynnik ludzki lub niespodziewane użycie AI wywróciło standardowy proces do góry nogami?
Rekrutacja na rolę Senior Managera w obszarze HR. Etap case study, kandydat prezentuje swoją koncepcję. Prezentacja — perfekcyjna. Struktura, estetyka, storytelling, każdy slajd jak z podręcznika. Tylko że im dłużej słuchałam, tym wyraźniej czułam, że czegoś w niej brakuje: choćby jednego zdania osobistego, jednej niewygodnej obserwacji, jednego śladu krytycznego myślenia. Wszystko było gładkie, poprawne i dziwnie bezosobowe. Klasyczny profil pracy wykonanej w całości przez AI — od pierwszego do ostatniego slajdu.
Zrobiłam więc jedną rzecz: zamknęłam prezentację. I zapytałam: „A teraz proszę postaw w kontrze wszystko, co przed chwilą przedstawiłeś. Gdzie ta koncepcja się nie broni? Co byś zaatakował, gdybyś siedział po mojej stronie stołu?”. I wyszło szydło z worka. Człowiek, który minutę wcześniej płynnie „prezentował” strategię, nie potrafił jej obronić ani podważyć — bo nigdy tak naprawdę jej nie przemyślał. Nie znał własnych założeń, więc nie widział ich słabości. To dla mnie modelowa historia ery AI w rekrutacji: technologia potrafi wygenerować idealną odpowiedź, ale nie potrafi wygenerować przekonań.
To świetna puenta do tematu weryfikacji przekonań. Gdybyś miała zdradzić swoje jedno ulubione „pytanie-wytrych”, które bezbłędnie sprawdzają, czy kandydat potrafi krytycznie i bezpiecznie współgrać z nowymi technologiami – jak by ono brzmiało i czego w nim szukasz?
Moje pytanie-wytrych zawsze wychodzi od realnego doświadczenia kandydata, nie od teorii. Brzmi mniej więcej tak: „Wróćmy do konkretnego projektu, w którym pracowałeś z AI. Opowiedz mi go jak retro: co zadziałało i dlaczego, gdzie musiałeś podjąć decyzję wbrew temu, co podpowiadało narzędzie, jaki był Twój moment największego zachwytu — prawdziwy gamechanger — i gdzie zaliczyłeś bolesny upadek?”. To nie jest jedno pytanie, to zaproszenie do opowieści — i właśnie dlatego działa. Teorii nauczyć się można w wieczór; retro z własnej pracy nie da się wygenerować.
Czego szukam i słucham w odpowiedzi? Konkretów z zastosowaniem: jakie narzędzie, do czego, z jakim efektem. Krytycznego myślenia: momentu, w którym kandydat powiedział modelowi „nie” i potrafi uzasadnić dlaczego. Uczciwości wobec porażek: ludzie, którzy mają w repertuarze wyłącznie sukcesy, albo nie eksperymentują, albo nie wyciągają wniosków — nie wiem, co gorsze. I autentycznego zachwytu: bo dojrzała współpraca z technologią to nie chłodny dystans, tylko umiejętność trzymania w jednej głowie dwóch rzeczy naraz — „to jest gamechanger” i „to potrafi mnie boleśnie zawieść”. Kandydat, który potrafi o obu opowiedzieć z detalem — ten naprawdę pracował z AI, a nie tylko o niej czytał.
Na sam koniec odsuńmy na chwilę na bok technologie, strategie i to ciągłe trzymanie w głowie tylu spraw naraz. Zarządzanie globalnymi zespołami i transformacja w Comarch brzmią jak przepis na cyfrowe przebodźcowanie. Jak w tym codziennym szumie informacyjnym oczyszczasz głowę i łapiesz dystans po intensywnym dniu w świecie tech?
Mam swoje „runaway place”, ukryty domek w lesie. Mój azyl - schowany na terenie Jury Krakowsko-Częstochowskiej i to jest część rytuału: miejsce, którego nie ma na żadnej mapie moich kalendarzy, powiadomień i spotkań. To tam odbywam regularny detoks technologiczny — telefon zostaje w szufladzie, a jedyny „feed”, który śledzę, to las za oknem. I on, w przeciwieństwie do wszystkich innych, naprawdę uspokaja.
Im więcej pracuję z technologią, tym bardziej cenię miejsce, które się nie aktualizuje, nie synchronizuje i nie potrzebuje ładowarki. Może właśnie o to chodzi w całej tej erze AI — żeby wiedzieć, co delegować maszynom, a co zostawić wyłącznie sobie. Las zostawiam sobie.