Firma obdrží tisíc životopisů a systém vybere padesát „nejvhodnějších“. Personalista otevře první stránku výsledků. Člověk na šedesátém místě se k pohovoru nedostane a možná se ani nedozví, podle čeho pořadí vzniklo. Přitom může splňovat požadavky stejně dobře jako někdo, koho program posunul výš.
Číselné skóre samo nezaručuje spravedlivý výběr. Záleží na tom, co systém hodnotí, z čeho se učil a co s jeho doporučením udělá zaměstnavatel. Kontrola musí zahrnout i lidi, které nikdo osobně neviděl, protože vypadli už při prvním třídění.
Co se skrývá za slovem „vhodný“
Náborový nástroj může vyhledávat zkušenost v životopise, shrnout text nebo seřadit uchazeče podle odhadované vhodnosti. Tyto úkoly mají rozdílné důsledky. Přepsat údaje do přehledu je něco jiného než určit hranici, pod kterou žádost nikdo neposoudí. Proto je užitečnější ptát se, co program skutečně dělá, než zda firma „používá AI“.
Představme si model, který se učí napodobovat dřívější rozhodnutí o přijetí. Pokud firma dlouho vybírala hlavně absolventy několika škol, může jejich název získat velkou váhu. Dobrá shoda s minulým výběrem pak ještě neodpovídá na otázku, zda člověk zvládne současnou práci. Model mohl přesně zopakovat starou zvyklost.
Podobně může zaměstnavatel zaměnit nepřerušenou kariéru za spolehlivost. Přestávka kvůli péči ale sama neukazuje, zda uchazeč umí vést účetnictví nebo opravit stroj. Jak o takovém období mluvit bez obhajování celého života, rozebírá článek Mezera v životopise. Při hodnocení je potřeba vrátit se ke konkrétní dovednosti, kterou člověk pro práci potřebuje.
Vymazat kolonku s věkem nestačí
Systém může používat informace, které s určitou osobní charakteristikou souvisejí, i když ji firma přímo nezadává. Britský dozorový úřad ICO při auditech náborových nástrojů v roce 2024 našel mimo jiné nástroje odvozující pohlaví či etnicitu ze jména a možnosti filtrovat uchazeče podle chráněných charakteristik.
Při kontrole proto nestačí seznam zakázaných kolonek. Firma potřebuje rozumět i tomu, co systém z dostupných údajů odvozuje. U každé používané informace stojí za to položit jednoduchou otázku: co nám říká o požadované práci? Pokud odpověď zní pouze „v minulých datech to vycházelo“, důvod k používání takového kritéria ještě chybí.
Průměrná přesnost nestačí
Představme si dva systémy se stejným celkovým počtem chybných vyřazení. U prvního se chyby rozloží mezi různé uchazeče, u druhého soustředí převážně na lidi s určitým typem životopisu. Jediné souhrnné číslo tento rozdíl neukáže. Zvlášť důležité je vědět, vůči čemu se „správnost“ měří: shoda s názorem minulého personalisty není totéž co ověření pracovní dovednosti.
ICO ve svých otázkách pro pořizování náborových nástrojů doporučuje vyžádat si doklady o omezování zkreslení a průběžně sledovat přesnost i spravedlnost výstupů. Pro zaměstnavatele to znamená zajímat se o způsob zkoušení systému, použité údaje a jeho omezení. Užitečná odpověď dodavatele popíše konkrétní kontrolu. Slogan o „objektivním náboru“ ji nenahradí.
Zkoušet je potřeba také vlastní pracovní postup. Pokud personalista vidí pouze prvních dvacet výsledků, pořadí má jiný dopad, než když pročítá všechny žádosti. A pokud firma změní požadavky na pozici, měla by znovu posoudit, zda dosavadní nastavení ještě slouží svému účelu. Kontrola starého zadání nemusí odpovědět na novou otázku.
Člověk může jen potvrzovat stroj
Personalista dostane seznam, barevné značky a tlačítko „potvrdit“. Pokud nezná podklady a nemá možnost pořadí změnit, jeho přítomnost chybu nenapraví. Smysluplná kontrola může vypadat tak, že otevře původní životopis, porovná závěr s požadavky role a zjistí, proč systém označil zkušenost za chybějící. Třeba ji uchazeč jen pojmenoval jinými slovy.
Taková práce potřebuje čas, znalost omezení nástroje a skutečnou pravomoc zasáhnout. Také Evropský sbor pro ochranu osobních údajů (EDPB) při rozlišování výhradně automatického rozhodování zdůrazňuje významnou lidskou kontrolu včetně možnosti rozhodnutí změnit. Pouhé mechanické potvrzování výstupu tuto kontrolu nevytváří.
Pravidla AI Actu a ochrana podle GDPR
Akt o umělé inteligenci řadí systémy pro nábor, filtrování žádostí a hodnocení uchazečů mezi vysoce riziková použití. Klasifikace ale zohledňuje konkrétní funkci a vliv na rozhodování; existují vymezené výjimky pro méně rizikové úkoly. Při profilování osob se tato výjimka neuplatní. Článek 14 popisuje dohled umožňující porozumět omezením, rozpoznat přehnanou důvěru v automatizaci a výstup odmítnout nebo změnit.
Podle znění ověřeného k 11. říjnu 2026 se hlavní pravidla pro vysoce rizikové systémy z přílohy III použijí od 2. prosince 2027. Posun termínu po změně nařízení potvrzuje také Evropská komise. Tento harmonogram neodkládá ochranu osobních údajů podle GDPR.
Článek 22 GDPR chrání před rozhodnutím založeným výhradně na automatickém zpracování, které má právní nebo obdobně významné účinky. Výjimky zahrnují nezbytnost pro uzavření či plnění smlouvy, zákonné povolení s ochrannými opatřeními a výslovný souhlas. U smluvní výjimky a souhlasu musí ochrana zahrnovat alespoň možnost lidského zásahu, vyjádření vlastního stanoviska a napadení rozhodnutí. Pro citlivé údaje platí další omezení. Samotná úspora času není automatickým potvrzením nezbytnosti.
Na co se může uchazeč zeptat
Při pochybnosti pomůže začít konkrétně: použila firma automatické hodnocení, jakou roli mělo ve vyřazení a kdo výsledek posuzoval? Lze se obrátit na správce osobních údajů uvedeného v informacích k náboru. Podle GDPR je možné žádat přístup k vlastním osobním údajům a opravu nepřesností. EDPB vysvětluje také informace o účelu zpracování, zdroji údajů a automatizovaném rozhodování.
Má smysl uchovat si nabídku práce, odeslanou žádost a odpověď zaměstnavatele. Pokud například systém eviduje nesprávnou délku praxe, lze požádat o její opravu. Označení konkrétní chyby dává podnětu srozumitelný obsah. Obecná odpověď „rozhodl algoritmus“ nevysvětluje, které informace byly použity a kdo je může opravit.
Odpovědnost zůstává u organizace
Zaměstnavatel potřebuje mít s dodavatelem vyjasněné role, práci s údaji i způsob řešení chyb. Ve vlastním náboru rozhoduje, jak nástroj použije a kdo jeho výstup zkontroluje. Praktická otázka proto zní: komu se dostane do ruky upozornění na chybu a co s ním může udělat? Pokud odpověď chybí, chybí důležitá část celého postupu.
Dobrá automatizace může ušetřit rutinu a zpřehlednit výběr. Její přínos se ale nepozná jen podle rychlosti. Záleží také na tom, zda organizace dokáže vysvětlit vlastní kritéria, všimnout si nespravedlivého vyřazení a svůj postup změnit.
