Dyskryminacja algorytmiczna w rekrutacji — jak AI selekcjonuje kandydatów

W czerwcu 2026 federalny sędzia w Kalifornii orzekł, że system rekrutacyjny firmy Workday — stosowany przez praktycznie wszystkie przedsiębiorstwa z listy Fortune 500 — musi stanąć przed sądem w zbiorowej sprawie o dyskryminację. Zarzut: algorytmy selekcjonujące CV faworyzują białych kandydatów, mężczyzn i osoby starsze. To pierwszy tego typu przypadek w USA, ale badania naukowe wskazują, że problem jest znacznie szerszy niż tylko jedna firma.

Z czego składa się bias w rekrutacji AI

Zjawisko nie jest nowe — Amazon w 2018 zbudował system, który dyskryminował kobiety, ucząc się z historycznych CV, gdzie dominowali mężczyźni. Ale obecne modele językowe (LLM) wprowadziły nową formę zaburzenia: preferencja własnej generacji. Badanie Smith School (UMD) z 2025, obejmujące ponad 2200 CV i wiele modeli, wykazało, że LLM stosowane do selekcji dają między 23 a 60 procent wyższą szansę krótkiej listy kandydatów, których CV zostało wygenerowane przez ten sam model — mimo że jakość dokumentów była porównywalna. To oznacza, że osoba korzystająca z tego samego narzędzia co rekruter zyskuje przewagę nie z powodu kompetencji, ale z powodu stylu językowego dopasowanego do kryteriów automatycznych.

Inne badanie, Wilson et al. (2025) i jego analiza z 2026, pokazuje wpływ stronniczych rekomendacji AI na decyzje ludzkie. Kiedy model sugerował preferencje rasowe, ostateczne decyzje rekruterów odwzorowywały te stronniczości — chyba że błąd był skrajnie oczywisty (np. rekomendacja oparta wyłącznie na rasie). W warunkach normalnych ludzie byli tylko marginalnie skuteczni w korekcie błędów algorytmu.

Wyniki audytów wielomodelowych

W audycie z 2026 obejmującym 14 modeli LLM na osi rasowej (24 024 par profili) i 13 na osi płci (48 048 par) stwierdzono, że modele wydane przed 2024 często faworyzowały białych kandydatów i mężczyzn, podczas gdy nowsze wersje wykazywały zróżnicowane zachowania — niektóre odwracały preferencje, inne pozostawały neutralne. Kluczowe spostrzeżenie: stronniczość nie znika sama z siebie; zmienia kierunek w zależności od danych treningowych i architektury. To oznacza, że brak widocznej dyskryminacji w jedym teście nie oznacza braku zagrożenia.

W badaniu PopResume (2026) zidentyfikowano pięć reprezentatywnych wzorców dyskryminacji, których nie da się wykryć przez agregowane wskaźniki. To ważne z punktu widzenia regulacji: samo porównanie procentów zatrudnienia między grupami nie wystarcza, by wykryć mechanizm dyskryminacji. Należy badać ścieżki przyczynowe — jak dane demograficzne (np. imię, adres, doświadczenie z określonej uczelni) wpływają na wynik.

Konsekwencje prawne i regulacyjne

Sprawa Workday jest pierwszą zbiorową klasyfikacją przeciwko systemowi AI w rekrutacji, ale nie ostatnią. EU AI Act wymaga od systemów wysokiego ryzyka (w tym rekrutacji) transparentności, audytu i zabezpieczeń przed dyskryminacją. W Polsce przepisy prawa pracy i RODO nakładają obowiązek niedyskryminacji, ale brak jest szczegółowych wytycznych technicznych dotyczących audytu algorytmów. To oznacza, że przedsiębiorstwa stosujące AI w HR działają w przestrzeni regulacyjnej, która wymaga zgodności, ale nie dostarcza narzędzi do jej weryfikacji.

W praktyce oznacza to, że odpowiedzialność leży po stronie pracodawcy, nawet gdy narzędzie został zakupione od zewnętrznego dostawcy. Jeśli algorytm odrzuca kandydatów z określonych grup, konsekwencje prawne mogą obejmować odszkodowania, kary administracyjne i — w przypadku dużych przedsiębiorstw — utratę reputacji i zdolności do pozyskiwania talentów.

Co można zrobić

Najskuteczniejsze podejście to audyt przyczynowy, nie tylko porównawczy. Należy badać, jak konkretne cechy wejściowe (imiona, szkoły, doświadczenia, format CV) wpływają na wynik. Należy wprowadzić mechanizmy weryfikacji wielokanałowej — nie opierać decyzji wyłącznie na jednym modelu. I wreszcie: utrzymywać człowieka w pętli decyzyjnej nie jako formalność, ale jako kontrolę jakości, która ma realną możliwość korekty błędu.

AI nie zastąpi rekrutera — ale może go zniekształcić. Kluczowe pytanie nie brzmi, czy algorytm jest „lepszy” od człowieka, ale czy jego błędy są równomiernie rozłożone i czy można je wykryć przed podjęciem decyzji. Dane z 2025 i 2026 wskazują, że odpowiedź w wielu przypadkach brzmi: nie.

Źródła: Smith School / UMD (2025) — AI Self-preference in Hiring; Wilson et al. / arXiv (2026) — Resume Screening, Fast and Slow; arXiv:2606.28978 — Can LLMs Hire Fairly? Racial Bias in Resume Screening; PopResume (2026); EU AI Act.