Połowa puli aplikacji napisała CV przy pomocy AI. Wiesz o tym. Badanie KraftCV z 2026 roku podaje 70%. Instynkt każe znaleźć sposób, by wykryć, które są „z maszyny”, i je odfiltrować.
Ten instynkt jest błędny. Detekcja to plasterek. Ustrukturyzowany screening kryterialny to naprawa — i działa niezależnie od tego, kto pisał CV.
Dlaczego detekcja słabo się sprawdza jako strategia screeningu
Narzędzia do wykrywania AI powstały pod integralność akademicką, nie pod hiring. Analizują styl pisania, by oszacować, czy tekst jest maszynowy. W rekrutacji daje to trzy problemy.
Po pierwsze, dokładność bywa zawodna. Niezależne testy PCWorld: GPTZero osiągnęło tylko 62% trafności na realnych dokumentach, mimo deklaracji 99% w kontrolowanych benchmarkach. Originality.ai pokazuje fałszywe pozytywy między 8% a 12%.
Po drugie, sygnał jest mało użyteczny. Wiedza, że CV było wspierane przez AI, nie mówi, czy kandydat zrobi robotę. Mówi tylko, że użył narzędzia do pisania — tej samej kategorii, z której pewnie korzysta Twój zespół przy ogłoszeniach i mailach outreachowych.
Po trzecie, detekcja karze niewłaściwych ludzi. Kandydat, który lekko edytuje output AI, może „przejść”, podczas gdy ktoś piszący sam w nienatywnym angielskim może zostać oznaczony. Efekt to filtr skorelowany ze stylem pisania, nie z dopasowaniem do roli.
Metoda 1: screening „kryteria najpierw”
Najskuteczniejsza zamiana za detekcję to pierwszy przebieg oparty o kryteria. Zanim przeczytasz pierwsze CV, zdefiniuj bezwzględne wymagania roli:
- Prawo do pracy w lokalizacji
- Wymagane certyfikaty lub licencje
- Progi doświadczenia
- Znajomość języków
- Konkretne umiejętności techniczne
CriteriaMatch pozwala ustawić te kryteria raz i stosować je automatycznie do każdego przychodzącego CV. AI sprawdza każde CV względem zdefiniowanych wymagań w sekundach. Pięknie napisane CV bez wymaganego certyfikatu i tak odpada. Proste CV kwalifikowanego kandydata przechodzi.
Podejście jest odporne na tekst generowany przez AI, bo ocenia fakty, nie jakość prozy. Daje też udokumentowany, audytowalny standard screeningu — czego detekcja nigdy nie dostarczy. Więcej o dlaczego detektory AI tworzą więcej problemów niż rozwiązują i co rozważyć przed integracją API detekcji — osobno.
Szczegółowy opis screeningu kryterialnego w praktyce: jak CriteriaMatch pomaga filtrować kandydatów.
Metoda 2: scoring dopasowania do opisu stanowiska
Po screeningu twardym następuje warstwa trafności: czy profil kandydata odpowiada temu, czego rola naprawdę potrzebuje?
AI Score ocenia CV względem ogłoszenia i zwraca ranking dopasowania z konkretnymi mocnymi i słabymi stronami. Nie interesuje go struktura zdań ani bogactwo słownictwa. Interesuje, czy doświadczenie, umiejętści i tło pokrywają wymagania roli.
Dane DataForSEO Labs (USA, angielski): „ai written resume” około 140 wyszukiwań miesięcznie, „ai resume screening” około 390. Ludzie szukają sposobu na AI w aplikacjach. Odpowiedź to nie wykrywanie AI — to screening pod to, czego naprawdę potrzebujesz.
Wysoki AI Score oznacza dopasowanie do roli. Niski — brak dopasowania. Czy kandydat pisał CV w ChatGPT, nie zmienia tej oceny.
Metoda 3: ustrukturyzowane pytania z analizy luk
Tu zwolennicy detekcji mówią: „ale weryfikacja?”. Słusznie. Odpowiedzią są rozmowy strukturalne.
Badania konsekwentnie pokazują, że rozmowy strukturalne są dwa do trzech razy bardziej predykcyjne wobec wyników w pracy niż swobodne rozmowy. Analiza Sapia.ai z 2026 roku: współczynniki trafności 0,51–0,63 dla strukturalnych vs 0,20–0,38 dla niestrukturalnych (ResReader, 2026). Zgodność rozmówców ~85% przy formatach strukturalnych vs ~40% przy niestrukturalnych. Organizacje ze strukturalnymi rozmowami raportują też 55% poprawę różnorodności kandydatów.
InterviewGen generuje pytania specyficzne dla roli, analizując CV względem JD. Identyfikuje luki — miejsca, gdzie CV jest mgliste, twierdzenia cienkie, albo jest rozjechanie między deklarowanymi umiejętnościami a wymaganiami — i tworzy pytania celujące dokładnie tam.
Jeśli na „wypolerowanym” CV jest „zaprojektowałem migrację mikroserwisów”, InterviewGen wygeneruje pytania sprawdzające, czy kandydat potrafi wyjaśnić decyzje techniczne, kompromisy i efekty. Rozmowa to warstwa weryfikacji. CV to tylko punkt startu.
Metoda 4: połącz metody w pipeline
Najmocniejszy screening warstwuje te elementy:
- CriteriaMatch: filtr twardych wymagań. Pass/fail. Eliminuje kandydatów poniżej minimum niezależnie od jakości CV.
- AI Score: scoring dopasowania. Sortuje pozostałych według trafności do roli. Wypycha najlepsze dopasowania pod przegląd ludzki.
- InterviewGen: test głębi. Generuje ukierunkowane pytania dla finalistów według konkretnych luk i twierdzeń. Z ogólnej rozmowy robi narzędzie weryfikacji.
Każda warstwa łapie to, co poprzednia pominęła. Żadna nie zależy od zgadywania, czy kandydat użył AI do CV.
Przewaga ustrukturyzowanego screeningu
Poza CV z AI podejście rozwiązuje też inne problemy:
- Spójność: każdy kandydat oceniany według tych samych kryteriów i tego samego opisu roli. Koniec z „podobał mi się vibe” vs „nie podobało mi się formatowanie”.
- Szybkość: weryfikacja kryteriów i scoring dzieją się w sekundach, nie godzinach. Zespół przegląda posortowaną listę zamiast surowego stosu.
- Obronność prawnie: każda decyzja screeningu wiąże się ze zdefiniowanymi kryteriami i udokumentowanymi wynikami. Gdy kandydat pyta, dlaczego odmowa, masz konkretną odpowiedź.
- Redukcja stronniczości: metody strukturalne zawężają szacowaną lukę stronniczości ~40% dokumentowaną w niestrukturalnych procesach (Hyring, 2026).
Przestań wykrywać. Zacznij screenować.
„Problem” CV z AI to w praktyce problem screeningu. Jeśli pipeline opiera się na stylu czytania, AI go zepsuje. Jeśli opiera się na weryfikowalnych kryteriach, scoringu dopasowania i rozmowach strukturalnych — nie ma znaczenia, jak napisano CV.
Buduj proces screeningu na substancji, nie stylu. To jedyny wariant, który się skaluje.