Dlaczego sztuczna inteligencja nie zastąpi dobrego assessmentu, jeśli firma naprawdę chce odkryć potencjał, a nie tylko posortować kandydatów według danych z przeszłości.
Sztuczna inteligencja błyskawicznie zmienia HR, rekrutację i zarządzanie talentami, ale im większa staje się jej rola, tym wyraźniej widać granice automatycznej oceny człowieka. Dobry assessment nie polega na zebraniu większej liczby danych, lecz na zrozumieniu zachowań, decyzji, motywacji i gotowości rozwojowej w realnym kontekście biznesowym. Przewagę będą miały te organizacje, które połączą analityczną siłę AI z dojrzałą oceną ekspercką, a następnie przełożą wyniki na konkretne szkolenia, ścieżki rozwoju i decyzje talentowe.
Algorytm policzy wszystko. Ale czy zobaczy potencjał, zanim stanie się wynikiem?
Firmy coraz częściej zadają sobie pytanie, czy sztuczna inteligencja może przejąć ocenę kandydatów, menedżerów i pracowników o wysokim potencjale. To pytanie jest zrozumiałe, bo AI obiecuje szybkość, skalę i pozorną neutralność. Według SHRM z narzędzi AI w zadaniach HR korzysta już 43% organizacji, podczas gdy rok wcześniej było to 26% [1]. McKinsey pokazuje natomiast, że 94% pracowników i 99% liderów najwyższego szczebla deklaruje przynajmniej podstawową znajomość narzędzi generatywnej AI [2]. To nie jest moda. To infrastrukturalna zmiana w sposobie pracy.
W HR sztuczna inteligencja rzeczywiście może wykonać ogrom pracy. Potrafi porządkować dane, analizować odpowiedzi, wspierać screening dokumentów, generować pytania do rozmów, wychwytywać niespójności w profilach kompetencyjnych i pomagać w tworzeniu raportów. W organizacjach, które prowadzą wiele procesów rekrutacyjnych lub zarządzają rozbudowanymi programami talentowymi, takie wsparcie może skrócić czas administracji i ograniczyć chaos informacyjny. Problem zaczyna się jednak wtedy, gdy firma myli szybkość przetwarzania danych z jakością decyzji o człowieku.
Ocena potencjału nie jest prostym przewidywaniem tego, kto najlepiej pasuje do historycznego wzorca. Potencjał ujawnia się w napięciu między tym, co ktoś już umie, tym, czego może się nauczyć, tym, jak reaguje na presję, jak przyjmuje informację zwrotną i czy potrafi zmienić swoje zachowanie po konfrontacji z trudniejszym zadaniem. AI może zauważyć korelacje, ale nie zawsze rozumie ich znaczenie. Może wskazać, że dana osoba używa podobnego języka jak najlepsi sprzedawcy w firmie, ale nie odpowie wiarygodnie na pytanie, czy poradzi sobie w rozmowie z trudnym klientem, czy w konflikcie zespołowym zachowa wpływ bez dominacji, albo czy po awansie nie przestanie słuchać ludzi.
Dlatego przyszłość assessmentu nie polega na wyborze między człowiekiem a technologią. Polega na zaprojektowaniu takiego procesu, w którym AI wspiera ekspertów, ale nie odbiera im roli interpretacyjnej. Algorytm może być lupą. Człowiek pozostaje kompasem.
Dobry assessment nie pyta tylko, co masz w CV. Sprawdza, co robisz, kiedy sytuacja przestaje być wygodna
W profesjonalnym rozumieniu assessment nie jest zestawem przypadkowych testów ani elegancko nazwaną rozmową kwalifikacyjną. Międzynarodowe wytyczne dla assessment definiują tę metodę jako standaryzowaną ocenę zachowań opartą na wielu źródłach danych, wielu komponentach, symulacjach behawioralnych oraz pracy przeszkolonych asesorów, którzy obserwują, klasyfikują i oceniają zachowania w odniesieniu do zdefiniowanych konstruktów kompetencyjnych [3]. To bardzo ważne, bo dobry assessment nie deklaruje potencjału. On go obserwuje.
Różnica między oceną opartą na AI a dobrym assessmentem jest podobna do różnicy między analizą zapisu meczu a obecnością trenera na boisku. Sama statystyka pokaże liczbę podań, skuteczność strzałów i dystans pokonany przez zawodnika. Trener zobaczy jeszcze coś więcej. Zobaczy, kto bierze odpowiedzialność, gdy drużyna przegrywa, kto komunikuje się pod presją, kto unika ryzyka, kto potrzebuje struktury, a kto potrafi stworzyć ją innym. W biznesie dzieje się dokładnie to samo. Wynik testu może powiedzieć, że menedżer ma wysoką analityczność. Symulacja strategiczna pokaże, czy potrafi użyć tej analityczności, gdy czas jest ograniczony, dane są niepełne, a zespół oczekuje jasnej decyzji.
Dlatego profesjonalny assessment ma sens szczególnie tam, gdzie firma ocenia kompetencje złożone. Chodzi o przywództwo, komunikację, wpływ, odporność, uczenie się, gotowość do zmiany, myślenie strategiczne, współpracę międzykulturową i podejmowanie decyzji w warunkach niepewności. To obszary, w których samo deklaratywne „znam”, „umiem” i „robiłem” jest niewystarczające. Potrzebna jest obserwacja zachowania, porównanie go z profilem roli, dyskusja asesorska i precyzyjny feedback rozwojowy.
Badania nad metodami selekcji pokazują też, że struktura procesu ma znaczenie. W klasycznej metaanalizie Schmidt i Hunter wskazali, że ustrukturyzowany wywiad osiągał trafność predykcyjną na poziomie .51, podczas gdy wywiad nieustrukturyzowany osiągał .38 [4]. Połączenie pomiaru ogólnych zdolności poznawczych z ustrukturyzowanym wywiadem osiągało średnią trafność .63 [4]. W tym samym nurcie badań assessment był opisywanY jako metoda dająca wartościowy wgląd w kandydatów i ich możliwości rozwojowe, a dla przewidywania awansu i rozwoju kariery raportowano średnią trafność .36 [4]. Te liczby nie oznaczają, że assessment jest magicznym narzędziem. Oznaczają coś ważniejszego. Jakość metody zależy od jej konstrukcji, standaryzacji, kompetencji asesorów i sposobu interpretacji danych.
AI może pomóc w porządkowaniu elementów procesu. Nie zastąpi jednak kluczowego pytania, które zadaje doświadczony asesor: co konkretne zachowanie oznacza w tej roli, w tej kulturze organizacyjnej i przy tych celach biznesowych?
Największy błąd AI w HR? Mylenie podobieństwa do najlepszych z realnym potencjałem
Sztuczna inteligencja działa najlepiej wtedy, gdy ma dostęp do dużej ilości danych i jasno zdefiniowanego celu. W HR to jednocześnie jej siła i pułapka. Jeśli model uczy się na historii organizacji, może utrwalać jej wcześniejsze założenia, ograniczenia i błędy. Znany przykład opisywany przez Reuters dotyczył eksperymentalnego narzędzia rekrutacyjnego Amazona, które miało oceniać kandydatów w skali od jednej do pięciu gwiazdek, ale okazało się problematyczne, ponieważ uczyło się na danych historycznych i wykazywało stronniczość wobec kobiet w rekrutacji technologicznej [5]. Ten przypadek nie dowodzi, że AI w rekrutacji zawsze dyskryminuje. Dowodzi, że automatyzacja nie usuwa uprzedzeń, jeśli dane, kryteria i proces decyzyjny nie są mądrze zaprojektowane.
W ocenie potencjału to szczególnie groźne. Firma może przez lata awansować określony typ lidera, na przykład bardzo ekspansywnego, dyspozycyjnego i komunikującego się w dominujący sposób. Algorytm, ucząc się na danych o awansach, może zacząć wzmacniać właśnie taki profil, nawet jeśli organizacja deklaruje, że potrzebuje liderów bardziej partnerskich, inkluzywnych i odpornych na złożoność. W efekcie AI może wybierać ludzi podobnych do tych, którzy wygrywali w starej kulturze, zamiast pomagać odkrywać osoby potrzebne w nowej strategii.
Dobry asesor nie jest wolny od błędów poznawczych, ale profesjonalny assessment zakłada mechanizmy ich ograniczania. Są nimi standaryzowane zadania, zdefiniowane skale obserwacji, wielu asesorów, kalibracja ocen, dokumentowanie zachowań i integracja danych. Człowiek w takim procesie nie jest „intuicją w garniturze”. Jest przeszkolonym obserwatorem, który musi odróżnić sympatię od kompetencji, charyzmę od wpływu, pewność siebie od jakości decyzji i płynność wypowiedzi od głębokości myślenia.
To jest punkt, w którym assessment wygrywa z automatyczną klasyfikacją. AI może powiedzieć, że kandydat pasuje do wzorca. Człowiek może zapytać, czy ten wzorzec nadal jest dobry dla organizacji.
Największy grzech HR? Udawanie assessmentu za pomocą AI
Jednym z największych błędów, jakie dziś można popełnić w HR, jest przekonanie, że sztuczna inteligencja może szybko zastąpić profesjonalne narzędzie assessmentowe. W praktyce wygląda to często bardzo podobnie. Specjalista HR, dyrektor personalny albo prezes, chcąc pokazać innowacyjność, oszczędności i „nowoczesne podejście”, tworzy z pomocą AI własny pseudotest. Powstaje zestaw powtarzalnych pytań, imitacja kwestionariusza, prosta ankieta albo scenariusz rozmowy, który tylko udaje profesjonalną diagnozę. Następnie sztuczna inteligencja interpretuje odpowiedzi po swojemu, tworzy opis osobowości, wskazuje rzekome mocne strony, ryzyka i rekomendacje rozwojowe. Problem polega na tym, że taki proces może wyglądać wiarygodnie, ale bardzo często nie ma metodologicznego fundamentu.
Po rozmowach z wieloma klientami, którzy zaczynali myśleć o assessmentcie właśnie w taki sposób, wiemy, jak daleko takie rozwiązania potrafią odbiegać od rzeczywistości. Zdarza się, że wynik pseudotestu stworzonego przez AI pokazuje człowieka jako osobę o określonym stylu działania, motywacji i predyspozycjach, a późniejsza diagnoza profesjonalnym narzędziem, takim jak Harrison Assessment, ujawnia zupełnie inny obraz. Różnice bywają diametralne, ponieważ AI nie przeprowadza walidowanego badania, nie korzysta z pełnej metodologii assessmentowej i nie rozumie kontekstu roli tak, jak certyfikowany ekspert. Potrafi natomiast bardzo przekonująco ułożyć interpretację, która brzmi profesjonalnie, choć opiera się na słabych danych.
To szczególnie niebezpieczne, ponieważ raport wygenerowany przez AI może dawać złudzenie obiektywności. Jeśli tekst jest płynny, pewny siebie i uporządkowany, łatwo uznać go za diagnozę. Tymczasem może on powielać błędy, wzmacniać stronniczość, bazować na uproszczeniach, nadinterpretować pojedyncze odpowiedzi albo tworzyć wnioski, których nie da się obronić w profesjonalnym procesie oceny. W HR konsekwencje takiego błędu są poważne, bo dotyczą ludzi: zatrudnienia, awansu, rozwoju, reputacji, relacji z menedżerem i dalszej ścieżki kariery.
Dlatego różnica między pseudotestem AI a profesjonalnym assessmentem jest fundamentalna. Harrison Assessment nie jest zbiorem przypadkowych pytań ani imitacją psychometrii. To narzędzie oparte na uporządkowanej metodologii, szerokiej bazie profili i dopasowaniu do konkretnych ról, które wymaga interpretacji przez człowieka. Sam wynik, liczba czy zestaw cech nie wystarczą. Potrzebny jest ekspert, który potrafi odczytać dane, zestawić je z wymaganiami stanowiska, kulturą organizacji i celem procesu. Dopiero wtedy assessment przestaje być automatycznym opisem osoby, a staje się realnym wsparciem decyzji biznesowej.
Harrison Assessment pokazuje więcej niż wynik. Pokazuje, co dalej zrobić z potencjałem człowieka
Assessment nie powinien kończyć się na raporcie ani prostym werdykcie, czy ktoś „pasuje” albo „nie pasuje” do roli. Jego wartość zaczyna się wtedy, gdy organizacja otrzymuje pełny obraz człowieka: jego predyspozycji, motywatorów, sposobu działania, dopasowania do stanowiska, obszarów ryzyka, mocnych stron i konkretnych kierunków rozwoju. Harrison Assessment daje właśnie taki kompleksowy ogląd, ponieważ pracuje na bardzo szerokiej bazie profili stanowiskowych i formuł sukcesu, obejmującej tysiące ról, a jednocześnie nie sprowadza człowieka do samego zestawu liczb czy cech. Wynik nie jest tu samodzielną „decyzją systemu”, lecz materiałem do profesjonalnej interpretacji.
To ważne szczególnie dziś, gdy wiele organizacji eksperymentuje z AI w HR. Sztuczna inteligencja może być pomocna, ale bywa podatna na błędy danych, stronniczość, uproszczenia, halucynacje i powielanie schematów z przeszłości. Harrison Assessment opiera się na ustrukturyzowanej metodologii i nie działa jak czarna skrzynka, która sama wydaje wyrok o człowieku. Kluczowy pozostaje ekspert, który potrafi odczytać wyniki, zestawić je z kontekstem roli i przełożyć je na decyzje biznesowe oraz rozwojowe.
Jak podkreśla ekspert TalentExact: „Sam raport nigdy nie zastąpi człowieka, który rozumie biznes, rolę i kontekst organizacyjny. Harrison Assessment daje bardzo szeroki materiał diagnostyczny, ale jego prawdziwa wartość pojawia się wtedy, gdy certyfikowany ekspert potrafi przełożyć wyniki na konkretne rekomendacje: kogo zatrudnić, jak wdrożyć pracownika, jakie ryzyka monitorować i jakie działania rozwojowe zaplanować. To nie jest test dla samego testowania, lecz narzędzie do podejmowania lepszych decyzji o ludziach”.
Przypisy
[1] SHRM, „The Role of AI in HR Continues to Expand”, https://www.shrm.org/topics-tools/research/2025-talent-trends/ai-in-hr
[2] McKinsey & Company, „Superagency in the workplace: Empowering people to unlock AI’s full potential at work”, https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work
[3] International Taskforce on Assessment Center Guidelines, „Guidelines and Ethical Considerations for Assessment Center Operations”, Journal of Management, PDF: https://www.lemasa.co.za/sites/default/files/downloads/InternationalTaskforceJOM2015.pdf
[4] Frank L. Schmidt, John E. Hunter, „The Validity and Utility of Selection Methods in Personnel Psychology: Practical and Theoretical Implications of 85 Years of Research Findings”, Psychological Bulletin, PDF: https://www.researchgate.net/profile/Frank-Schmidt-2/publication/232564809_The_Validity_and_Utility_of_Selection_Methods_in_Personnel_Psychology/links/53e2938f0cf216e8321e0625/The-Validity-and-Utility-of-Selection-Methods-in-Personnel-Psychology.pdf
[5] Reuters, Jeffrey Dastin, „Amazon scraps secret AI recruiting tool that showed bias against women”, https://www.reuters.com/article/world/insight-amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK0AG/
[6] EUR-Lex, Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence, https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32024R1689
[7] World Economic Forum, „The Future of Jobs Report 2025”, Key Findings, https://www.weforum.org/publications/the-future-of-jobs-report-2025/digest/