Włączyłeś screening CV przez AI. Przyszła pierwsza partia wyników. Kandydat, którego hiring manager uwielbia, dostał 64. Kogoś, kogo nikt nie zna, system postawił na 91. Zespół przestał ufać narzędziu.
Problem rzadko leży w modelu AI. Prawie zawsze w kryteriach i wagach — albo w domyślnych ustawieniach, których nigdy nie zmieniłeś.
Dane z DataForSEO Labs (USA, angielski) pokazują ok. 390 miesięcznych wyszukiwań na „ai resume screening” z intencją komercyjną. Wielu trafi na ten sam mur kalibracji.
Dlaczego domyślne wagi zawodzą
Każde narzędzie do scoringu ma domyślne wagi — rozsądne dla „średniej” roli: więcej wagi na doświadczenie, trochę na dopasowanie umiejętności, odrobina na wykształcenie i certyfikaty. To ma działać przez tysiące typów stanowisk.
Twoja rola nie jest „średnią z tysiąca”. Ma konkretne kompromisy. Może ważniejsze jest doświadczenie branżowe niż biegłość w narzędziu. Może certyfikaty są dla was irrelevant, a AI nadaje im 15% wagi.
Domyślne wagi dają domyślne rankingi — a to kończy się albo ręcznym nadpisywaniem każdego wyniku (po co był AI), albo akceptowaniem wyników, którym nie wolno ufać.
Kalibracja to problem ludzki, nie techniczny
Raport Salesso o rekrutacji (2026): 83% firm używa AI do screeningu CV. Ale badanie Harvard Business School i Accenture wskazuje, że amerykańscy pracodawcy wyeliminowali z automatycznego screeningu ponad 27 mln poszukujących pracy — w tym wielu w pełni zdolnych do pracy.
Problem nie w tym, że AI „nie potrafi”. Tylko że kryteria ustawiono raz (albo wcale) i nigdy nie zweryfikowano. Kalibracja to brakujący krok między „mamy scoring AI” a „scoring AI pomaga nam lepiej zatrudniać”.
Szerszy opis działania i pułapek: wyjaśnienie scoringu kandydatów przez AI.
Krok 1: Zacznij od must-have, nie od wag
Zanim ruszysz jakikolwiek suwak, niech hiring manager podzieli wymagania na dwa koszyki:
Must-have (tak/nie):
- Prawo do pracy w Twojej lokalizacji
- Wymagane certyfikaty lub licencje
- Minimalna liczba lat w domenie (uczciwie: czy to twardy warunek, czy preferencja)
- Wymogi językowe
- Gotowość do pracy stacjonarnej / hybrydy / podróży
Kryteria punktowane (wagi):
- Istotne umiejętności techniczne
- Doświadczenie branżowe / domenowe
- Dowody wyników (nie tylko zakres obowiązków)
- Doświadczenie managerskie
- Sygnały kulturowe / zespołowe z materiałów aplikacyjnych
Must-have powinny być binarnymi filtrami, nie punktowanymi. Jeśli kandydat nie ma właściwego prawa do pracy, wysoki wynik umiejętności nie powinien go przepuszczać. W Canviderze warstwę tę obsługuje CriteriaMatch — twarde kryteria sprawdzane niezależnie od wag scoringu.
Krok 2: Ustalcie, co znaczy „mocny” kandydat
Tu większość kalibracji się wykrzacza. Zespół zgadza się na pięć kryteriów i wagi, ale nikt nie definiuje, co to jest 4 z 5 a co 3.
20-minutowe ćwiczenie z hiring managerem:
- Weźcie 2–3 CV, co do których zespół się już zgodził
- Oceńcie je niezależnie według kryteriów
- Porównajcie wyniki i omówcie rozjazdy
- Zapiszcie po jednym zdaniu definicję każdego poziomu na każdym kryterium
To nie akademia. To różnica między „AI dało 78” a „AI dało 4/5 za doświadczenie systemowe, bo są trzy wdrożenia produkcyjne w skali”.
Krok 3: Po pierwszej partii — przegląd wyników
Pierwsza partia ocenionych kandydatów to test kalibracji, nie ostateczny ranking.
Po scoringu pierwszych 10–15 aplikacji:
- Sprawdźcie górną piątkę. Czy to ludzie, których manager faktycznie chce na rozmowę? Jeśli nie — które kryteria są przeciążone?
- Sprawdźcie dolną piątkę. Czy ktoś jest za nisko, a powinien być wyżej? Czego scoring nie złapał?
- Szukajcie wzorców. Czy krótkie CV są systemowo karane? Czy osoby ze zmiany branży dostają niskie wyniki mimo transferowalnych kompetencji?
Dostosowujcie wagi według tego, co widzicie. To nie „kręcenie AI” — to to samo, co przy szkoleniu juniorskiego rekrutera: przegląd pracy, feedback, korekta.
Krok 4: Powtarzajcie wagi przy każdej nowej roli
Wagi dla senior backend engineer nie zadziałają dla customer success managera. Inne role — inne balanse.
Gdy otwiera się nowa rekrutacja:
- Traktujcie wagi z poprzedniej roli jako szablon, nie dogmat
- Sprawdźcie, czy must-have się zmieniły (zwykle tak)
- Zapytajcie managera: „Gdybyś mógł patrzeć tylko na dwa kryteria, które?”
- Dostosujcie wagi tak, by te dwa stanowiły co najmniej 40% sumy
To zajmuje dziesięć minut i oszczędza godziny źle posortowanych kandydatów i spotkań „dlaczego AI się pomyliło”.
Warstwa kalibracji stronniczości
Stronniczość screeningu AI nie jest abstrakcją. Badanie z 2025 na arXiv wykazało, że ogólne modele językowe do CV mogą mieć wskaźniki demograficznego wpływu nawet 0,809, poniżej progu bliskiej równości 0,957, który osiągają modele domenowe do rekrutacji. Rozbieżności przecięcia tożsamości były jeszcze większe.
Kalibracja nie eliminuje stronniczości, ale zmniejsza pole rażenia:
- Kryteria oparte na dowodach związanych z pracą. „Praca w topowej firmie” to proxy. „Wdrożenie systemu obsługującego 10 tys.+ użytkowników” to dowód.
- Audyt rozkładów wyników. Po rundzie scoringu sprawdźcie, czy któraś grupa demograficzna nie jest systemowo niżej — i które kryteria to napędzają.
- AI jako pierwszy przebieg, nie finał. Manager przegląda shortlistę. AI porządkuje skrzynkę. Decyzję podejmują ludzie.
Nowe regulacje w Nowym Jorku, Illinois, stanie Waszyngton i UE wymagają w różnym zakresie audytów stronniczości narzędzi AI w rekrutacji (Articsledge, 2026). Nawet bez mandatu warto kalibrować pod kątem uczciwości i jakości zatrudnienia.
Jak Canvider wspiera kalibrację
Canvider AI Score pozwala ustawiać i zmieniać wagi per rola. CriteriaMatch trzyma warstwę tak/nie oddzielnie, żeby twarde wymagania nie mieszały się ze scoringiem. Collaborative Candidate Assessment daje wspólny widok porównania ocenionych kandydatów — feedback kalibracyjny w kontekście, nie na e-mailu.
Workflow: ustaw kryteria, oceń pierwszą partię, przejrzyjcie razem, dostosujcie, oceńcie ponownie. Każda runda jest ostrzejsza.
Zacznij kalibrować w tym tygodniu
Weźcie następną otwartą rolę. Zanim wpłyną aplikacje:
- Rozdzielcie must-have od kryteriów punktowanych
- Ustalcie początkowe wagi z hiring managerem
- Zdefiniujcie jednym zdaniem, co znaczy „mocny” wynik na każdym kryterium
- Po pierwszych 10 aplikacjach przejrzyjcie razem górną i dolną piątkę
- Dostosujcie i ponownie oceńcie
Scoring AI to dźwignia. Kalibracja ustawia ją we właściwym kierunku.