Błędy HR-owców podczas korzystania z AI
Trudno dziś znaleźć zespół HR, w którym nikt nie otwiera czatu (Copilot, ChatGPT, Claude, czy Gemini) kilka razy dziennie. Znacznie trudniej znaleźć taki, w którym AI zmieniło cokolwiek poza tempem pisania maili.
I to jest właściwy temat. Nie to, czy HR korzysta z AI, bo korzysta, ale to, że korzysta płytko, a powody są za każdym razem podobne.
Przeszkoliłem z wykorzystania AI setki osób, w HR i poza nim. Poniżej trzy błędy, które wracają najczęściej. Pierwszy dotyczy tego, co wkładamy do narzędzia, drugi tego, co z niego wyjmujemy, trzeci tego, po co w ogóle je otwieramy.
1. Brak pracy z kontekstem
Model nie zna Twojej firmy. Nie wie, kto jest hiring managerem, jakim językiem mówi zarząd, dlaczego odszedł poprzedni pracownik ani jaka jest różnica między tym, co macie wpisane w wartościach, a tym, jak naprawdę pracujecie. Dostaje pięć słów, więc oddaje odpowiedź napisaną dla każdej firmy na świecie. Dokładnie tak brzmi.
Sekwencja jest zwykle ta sama. Prompt: „napisz ogłoszenie o pracę na stanowisko specjalisty ds. sprzedaży”. Odpowiedź: poprawna, gładka, pusta. Wniosek: „AI pisze generycznie”.
AI pisze generycznie wtedy, kiedy dostaje generyczne zadanie. Porównaj to z promptem, który zawiera model kompetencyjny, prawdziwy powód rekrutacji, widełki, informację o tym, komu ta osoba będzie podlegać, i Wasze wcześniejsze ogłoszenia, które faktycznie zadziałały. To nie jest ten sam wynik. To nie jest nawet ta sama klasa wyniku.
Dlaczego tak rzadko to robimy? Widzę trzy powody.
Po pierwsze, HR-owcy mają ogromną wiedzę własną (tzw. tacit knowledge), której nigdy nie musieli zapisywać. Wszystko, co wiesz o zespole, kulturze, historii stanowiska i politycznych uwarunkowaniach decyzji, siedzi w Twojej głowie. Rozmawiając z człowiekiem z firmy, nie musisz tego mówić, ale model nie ma tego skąd wziąć.
Po drugie, napisanie kontekstu wydaje się „droższe” (z perspektywy czasowej) niż zrobienie zadania samodzielnie. Przy zadaniu jednorazowym to często prawda. Przy zadaniu powtarzalnym to kosztowna pomyłka, bo płacisz tę cenę za każdym razem od nowa.
Po trzecie, wiele osób myli kontekst z długością promptu. Dopisanie „napisz to profesjonalnie i angażująco” nie jest kontekstem. Kontekst to materiały, nie przymiotniki.
Praktycznie warto myśleć o trzech warstwach. Kim jestem i w jakiej organizacji: branża, wielkość, etap rozwoju, kto jest odbiorcą komunikatu. Na czym pracujemy: dokumenty, dane, wcześniejsze komunikaty, model kompetencji, wyniki badania zaangażowania, transkrypcja spotkania. Czego oczekuję: format, długość, ton, kryteria dobrej odpowiedzi i to, czego wprost nie chcę.
Jest prosty test. Czy nowa osoba, pierwszego dnia w firmie, wykonałaby to zadanie na podstawie tego, co właśnie napisałeś? Jeśli nie, model też nie wykona. Będzie tylko bardziej pewny siebie w swojej porażce.
Osobna sprawa to kontekst wielokrotnego użytku. Większość osób przepisuje ten sam opis firmy po raz piąty, zamiast zbudować go raz i podpiąć do projektu, instrukcji własnych albo stałej bazy materiałów. Uwaga na odwrotną skrajność: wrzucanie wszystkiego, co jest pod ręką, bez selekcji, działa niewiele lepiej niż brak kontekstu. Model dostaje wtedy szum i sam musi zgadywać, co jest ważne.
Praca z kontekstem to nie technika promptowania. To umiejętność opisania własnej pracy. Akurat HR powinien to umieć.
2. Nieumiejętna ocena odpowiedzi i źródeł
Odpowiedzi modelu są napisane pewnie, płynnie i po prostu brzmią dobrze. Płynność czytamy jako trafność. Przez całe życie zawodowe uczyliśmy się, że tekst dobrze napisany zwykle znaczy tekst dobrze przemyślany. Przy modelu językowym ta zależność się rozpada.
Wymyślone badania i liczby. Model podaje procent, rok i nazwę instytucji. Wszystko wygląda wiarygodnie. Część nie istnieje. Jeśli kojarzysz dużą aferę związaną z pewnym medialnym raportem o Polakach — może Ci się ona tutaj trafnie skojarzyć.
Po drugie tzw. HR-owy folklor. Model uczył się między innymi na treściach branżowych, a te są pełne powtarzanych bez weryfikacji mitów o osobowości, stylach uczenia się czy kosztach rotacji. Dostajesz z powrotem to, co branża i tak sobie opowiada, tylko lepiej sformatowane. Jeśli jesteś fanem MBTI jako narzędzia diagnostycznego… to przepraszam, ale to zły kierunek, który może dość łatwo zostać zasugerowany przez AI.
Po trzecie (polskie) prawo pracy. Odpowiedź poprawna gramatycznie, oparta na nieaktualnym stanie prawnym albo na praktyce z innego systemu prawnego, przeniesionej na polskie realia bez ostrzeżenia.
I w końcu po czwarte — dane rynkowe i benchmarki wynagrodzeń. Zakresy, których nikt nigdy nie zmierzył, podane z dokładnością do setek złotych.
Do tego dochodzi kwestia źródeł — link nie jest dowodem. Sprawdzaj trzy rzeczy: czy link w ogóle istnieje, czy mówi to, co model twierdzi, i czy sam w sobie jest czymś więcej niż blogiem cytującym inny blog. Warto mieć w głowie własną hierarchię: dane instytucji publicznych, raporty płacowe firm badawczych i publikacje naukowe stoją wyżej niż treści marketingowe dostawców i posty na LinkedIn. Także moje.
Najchętniej używamy AI tam, gdzie sami wiemy najmniej… czyli dokładnie tam, gdzie najsłabiej ocenimy jakość odpowiedzi. Tam, gdzie jesteś ekspertem, wyłapiesz błąd w pół sekundy. Tam, gdzie nie jesteś, przyjmiesz go i podasz dalej.
Co z tym robić?
Rozdziel zadania na te, w których AI dostarcza formę, i te, w których dostarcza fakty. Przepisanie Twojej notatki na komunikat to niskie ryzyko. Odpowiedź na pytanie o przepis, liczbę albo badanie to wysokie ryzyko. Inna klasa zadania, inny poziom czujności.
Każdą liczbę, nazwę, przepis i cytat weryfikuj u źródła. Nie „wygląda sensownie”, tylko klik i sprawdzenie, czy źródło mówi to, co model twierdzi.
Pytaj o podstawę: „Na jakiej podstawie tak twierdzisz?” oraz „Co musiałoby być prawdą, żeby ta rekomendacja była błędna?”.
I ostatnia rzecz: nie weryfikuj modelu tym samym modelem w tym samym wątku. Zapytany „czy to na pewno prawda?” zwykle potwierdzi, bo trzyma się kontekstu rozmowy. Nowy czat, odwrócona teza, czasem inne narzędzie.
3. Niewykorzystanie AI jako dźwigni partnerstwa biznesowego
Dwa pierwsze błędy są operacyjne. Ten jest strategiczny i kosztuje najwięcej, bo w ogóle nie boli.
Wygląda tak: AI jako maszynka do produkcji treści. Ogłoszenia, opisy stanowisk, maile, posty, podsumowania spotkań. Efekt jest realny, czas się oszczędza. Tylko że HR robi wtedy szybciej dokładnie to samo, co robił wcześniej, a zaoszczędzony czas nie idzie nigdzie. Wsiąka w kolejne zadania tej samej klasy.
Powiem to wprost.
Jeśli jedyne, co zmieniło się w Twojej pracy po wdrożeniu AI, to szybsze pisanie ogłoszeń, to nie wdrożyłeś AI. Kupiłeś sobie szybszy edytor tekstu.
HR od lat mówi o byciu partnerem biznesowym i od lat potyka się o te same dwie bariery: brak czasu i brak zdolności analitycznej przy danych, które już posiada. AI zdejmuje obie. A mimo tego, my dalej najczęściej używamy go do przepisywania opisów stanowisk.
Dźwignia jest gdzie indziej.
Dane, których nikt nie przeczytał. Kilkaset otwartych odpowiedzi z badania zaangażowania. Exit interviews z całego roku. Notatki z rozmów rozwojowych. Do tej pory albo nikt tego nie analizował, albo zajmowało to tygodnie i kończyło się na policzeniu najczęstszych słów. Dziś to jest praca na godziny, z Twoją interpretacją i Twoją odpowiedzialnością na końcu.
Rozumienie biznesu, któremu doradzasz. Raport roczny, wyniki segmentu, struktura kosztów, specyfika branży klienta wewnętrznego. HRBP, który wie, jak jego dział zarabia pieniądze, prowadzi zupełnie inną rozmowę niż ten, który przychodzi z ofertą szkoleń. Ta kompetencja zawsze wymagała czasu, którego HR nie miał. Teraz wymaga głównie decyzji, że to jest ważne.
Przygotowanie do rozmowy zamiast napisania dokumentu. Przećwicz rozmowę z dyrektorem finansowym, który za chwilę utnie budżet. Przetłumacz rekomendację HR na język kosztu, ryzyka i marży. Wygeneruj najmocniejsze kontrargumenty przeciwko własnej propozycji, zanim zrobi to ktoś na zarządzie.
Business case na własnych danych. Koszt rotacji policzony dla konkretnego zespołu, scenariusze, wrażliwość założeń. Nie „badania pokazują”, tylko „u nas wygląda to tak i tak to policzyliśmy”.
To jest przesunięcie z „AI pisze za mnie” na „AI myśli ze mną”.
Co łączy te trzy błędy
Żaden z nich nie jest błędem technicznym. Brak kontekstu to nieumiejętność opisania własnej pracy. Zła ocena odpowiedzi to brak nawyku weryfikacji. Używanie AI wyłącznie do produkcji treści to brak ambicji wobec własnej roli.
Dlatego żaden nie zniknie po generycznym kursie promptowania. Tylko i wyłącznie głębszy program, który może połączyć ekspertyzę HR i AI ma szansę na poprawienie tych i innych błędów, i właśnie tak zaprojektowany jest program AI Ready HR oraz moje szkolenia z Copilot dla HR czy AI dla HR.
Najczęstsze pytania
Czym jest kontekst w pracy z AI i czym się różni od długiego promptu?
Kontekst to materiały i informacje, których model nie ma skąd wziąć: dokumenty, dane, wcześniejsze komunikaty, model kompetencyjny, realia organizacji. Długi prompt pełen przymiotników („profesjonalnie”, „angażująco”) nie jest kontekstem.
Jak sprawdzić, czy dałem modelowi wystarczający kontekst?
Zastosuj test nowej osoby: czy ktoś, kto przychodzi pierwszego dnia do firmy, wykonałby to zadanie na podstawie tego, co właśnie napisałeś? Jeśli nie, model również tego nie zrobi.
Dlaczego AI podaje nieistniejące badania i liczby?
Model generuje tekst, który brzmi wiarygodnie, a nie tekst zweryfikowany. Podaje procent, rok i nazwę instytucji w prawidłowej formie, nawet jeśli źródło nie istnieje. Dlatego każdą liczbę, nazwę, przepis i cytat trzeba sprawdzić u źródła.
Czy mogę poprosić model o sprawdzenie własnej odpowiedzi?
Nie w tym samym wątku. Zapytany „czy to na pewno prawda?” model zwykle potwierdzi, bo trzyma się kontekstu rozmowy. Skuteczniejsze jest otwarcie nowego czatu, odwrócenie tezy albo użycie innego narzędzia.
W jakich zadaniach AI jest najbardziej ryzykowne dla HR?
Tam, gdzie dostarcza fakty, a nie formę: przepisy prawa pracy, benchmarki wynagrodzeń, dane rynkowe, wyniki badań. Przepisanie własnej notatki na komunikat to niskie ryzyko. Odpowiedź na pytanie o przepis to ryzyko wysokie.
Jak wykorzystać AI do czegoś więcej niż pisanie ogłoszeń?
Do analizy danych, których nikt wcześniej nie przeczytał (otwarte odpowiedzi z badań zaangażowania, exit interviews), do rozumienia biznesu klienta wewnętrznego, do przygotowania się do trudnej rozmowy i do policzenia business case’u na własnych danych.
Czy kurs promptowania rozwiąże te problemy?
Nie. Żaden z trzech opisanych błędów nie jest błędem technicznym — to kwestie opisania własnej pracy, nawyku weryfikacji i ambicji wobec własnej roli. Wymagają programu łączącego kompetencje HR-owe z pracą na narzędziach.
Nota o znakach towarowych: Microsoft, Microsoft 365 i Copilot są znakami towarowymi Microsoft Corporation. ChatGPT i OpenAI są znakami towarowymi OpenAI. Claude i Anthropic są znakami towarowymi Anthropic. Gemini i Google są znakami towarowymi Google LLC. MBTI jest zastrzeżonym znakiem towarowym The Myers-Briggs Company. HR espresso nie jest partnerem żadnego z tych podmiotów.