Transkrypcja webinaru: Dlaczego dobre CV nie przechodzi rekrutacji, mimo że kandydat ma odpowiednie kompetencje?

01Obejrzyj nagranie:

https://www.youtube.com/watch?v=0KNVRj3o308

02Kluczowe wnioski:

• AI nie powinno tworzyć kompetencji kandydata, lecz pomagać je odnaleźć, nazwać, uporządkować i przedstawić językiem zrozumiałym dla rekrutera.
• Dobre CV opiera się na dowodach: skali projektu, zakresie odpowiedzialności, wykorzystanych narzędziach, efektach pracy i realnym wpływie na biznes lub użytkownika.
• Ogólne opisy obowiązków, takie jak „tworzenie contentu” czy „prowadzenie social mediów”, nie pokazują poziomu doświadczenia ani wartości kandydata.
• Każdą kompetencję wygenerowaną przez AI trzeba zweryfikować. Brak przykładu lub dowodu oznacza, że jest to hipoteza, a nie informacja gotowa do wpisania do CV.
• Pytania walidacyjne pomagają przypomnieć sobie ważne projekty, doprecyzować zakres roli i odkryć umiejętności, które wcześniej były ukryte w ogólnikowych opisach.
• Dopasowanie CV do oferty nie polega na mechanicznym dodawaniu słów kluczowych. Chodzi o połączenie wymagań pracodawcy z prawdziwymi przykładami z doświadczenia kandydata.
• Portfolio powinno być uporządkowanym materiałem dowodowym przypisanym do konkretnych kompetencji, a nie wyłącznie zbiorem linków bez opisu.
• Narzędzia warto opisywać razem z poziomem znajomości i sposobem wykorzystania. Sama nazwa programu nie mówi rekruterowi, co kandydat naprawdę potrafi.
• Skuteczna praca z AI wymaga stałej kontroli jakości, iteracji i jasno ustalonych zasad. Jeden „idealny prompt” nie zastąpi dobrze zaprojektowanego procesu.
• Ostateczna odpowiedzialność za prawdziwość treści zawsze należy do człowieka. Kandydat musi być w stanie obronić każdą informację podczas rozmowy rekrutacyjnej.
• AI może zmniejszyć koszt poznawczy związany z porządkowaniem rozbudowanej historii zawodowej i pomóc odzyskać poczucie kontroli nad procesem szukania pracy.
• Największą wartością takiego podejścia nie jest ładniejsze CV, lecz lepsze zrozumienie własnych kompetencji, braków i realnego dopasowania do stanowiska.

03Transkrypcja:

0:53 Dobrosława: Cześć wszystkim. Z tej strony Dobrusia. Chciałam opowiedzieć o tym, jak poszukiwanie wsparcia w procesie rekrutacyjnym doprowadziło mnie do ciekawych wniosków, doświadczeń i refleksji nad tym, jak AI może pomagać człowiekowi w porządkowaniu i rozumieniu własnej ścieżki zawodowej. Narzędzie, które stworzyłam, nie jest zwykłym generatorem CV. Pomaga mi lepiej ocenić rzeczywisty zakres mojego doświadczenia, zweryfikować, w czym byłam dobra, a w czym nie, oraz sprawdzić, czy przedstawiałam się z właściwej strony. Okazało się, że moje dotychczasowe CV zawierały potrzebne umiejętności, lecz były one opisane w sposób, który nie pozwalał ich dostrzec. Ginęły w ogólnikach i typowym języku HR. Zrozumiałam, dlaczego nie było ich widać, i właśnie o tym procesie chcę opowiedzieć. Na początku zaznaczę, że nie istnieje magiczny prompt, po którego wpisaniu wszystko automatycznie staje się dobrze dopasowane do konkretnej oferty. To proces ciągłej kontroli jakości, kolejnych iteracji i refleksji nad tym, jak ustrukturyzowano dotychczasowe osiągnięcia oraz czy otrzymywana treść jest zgodna z prawdą. Jako użytkownicy AI odpowiadamy za prawdziwość generowanych materiałów. Jeżeli podpisujemy CV imieniem i nazwiskiem, bierzemy pełną odpowiedzialność za zawarte w nim informacje. Nie ma tu żadnych skrótów. Każdą deklarację trzeba umieć udowodnić.

3:14: Aby ułatwić zrozumienie tego procesu, przygotowałam prezentację, w której krok po kroku rozpisałam kolejne etapy pracy. Zajęło nam to sporo czasu, ale dzięki temu możecie zobaczyć, jak pracować z własnymi narzędziami, weryfikować jakość danych dostarczanych przez asystentów oraz układać i strukturyzować kontekst tak, aby treść odpowiadała temu, kim jesteście i co rzeczywiście potraficie. Proces ten można określić jako wykorzystywanie AI do odzyskiwania sensu, struktury i sprawczości w życiu zawodowym. Temat brzmi poważnie, ponieważ dotyczy miejsca, w którym spędzamy co najmniej czterdzieści godzin tygodniowo. Mówimy więc o przejściu od zwykłego CV do świadomego rozumienia własnej kariery. Nie będzie to generator dokumentów ani próba tworzenia treści z nadzieją, że coś przejdzie. To system wspomagania rozumowania.

4:51: Właśnie w tym obszarze AI jest moim zdaniem szczególnie skuteczne. Widzę dwa sposoby korzystania z tego narzędzia. Pierwszy sprowadza się do polecenia: „Dopasuj mi CV” i prowadzi do produkowania gotowych wersji. Drugi pokazuje proces myślenia. W tym projekcie najważniejsza nie jest sama treść CV, lecz spojrzenie na doświadczenie z innej perspektywy. Informacje o moich kompetencjach, umiejętnościach i efektach działań były ukryte w zalewie banalnych ogólników. Przy szerokim doświadczeniu i wielu obszarach pracy opis staje się tak rozmyty, że trudno znaleźć punkt zaczepienia. Widać osobę, która potrafi wiele rzeczy, lecz nie wiadomo, co dokładnie zrobiła. Pierwszy tryb daje szybki tekst, pozorną trafność, ryzyko dopisywania informacji i brak dowodów. Ja chciałam zrozumieć dane stojące za moim doświadczeniem, dowiedzieć się, dlaczego moje CV wcześniej nie przechodziły selekcji, oraz oprzeć proces na pytaniach, mapowaniu, walidacji i decyzjach człowieka.

6:42: Celem nie jest ładniejsza prezentacja, lecz lepsza i udowodniona struktura kompetencji. Mówimy wyłącznie o realnych umiejętnościach. Moje doświadczenie istniało, ale było słabo widoczne. Jestem contentowcem, mam bogate portfolio i pracowałam w obszarze PR, kreacji, namingu, kampanii reklamowych, prowadzenia profili w social media oraz tworzenia tekstów eksperckich. Materiału było dużo, lecz nie potrafiłam go odpowiednio pokazać. Moje CV, podobnie jak wiele innych, zawierało listę obowiązków, narzędzi i ogólnych formuł. Brakowało tego, co najbardziej wpływa na szanse na rynku pracy: skali, punktu wyjścia, efektu, dowodu oraz przełożenia na język rynku. Sam zapis, że tworzyłam content, niewiele mówił. Nie było widać funkcji tych treści, ich wpływu na sprzedaż, rodzaju klientów, wartości edukacyjnej, uzyskanych zmian ani optymalizacji pod SEO. W każdej branży można określić najważniejsze wymagania projektu i wskazać, które z nich rzeczywiście zostały spełnione.

8:38: Podobny problem dotyczy listy narzędzi. Często mieszamy narzędzia z umiejętnościami i nie określamy poziomu znajomości danego rozwiązania. Sama nazwa bez informacji o biegłości ma niewielką wartość, ponieważ różnica między poziomem początkującym a eksperckim jest zasadnicza. Ktoś może wpisać Excela, a później nie poradzić sobie z tabelą przestawną. Warto więc precyzyjnie określić zakres kompetencji. Kolejnym obszarem jest portfolio. Większość osób realizujących projekty techniczne lub kreatywne posiada przykłady swojej pracy i dołącza do CV link.

9:45: Sam link nie zawsze działa jednak na korzyść kandydata. W dalszej części wyjaśnię dlaczego. Cały proces obejmował współpracę, odpowiedzialność, decyzje i briefing. Punktem wyjścia były ogólniki. Kandydat pisze: „Robiłam marketing”. ATS widzi brak odpowiednich słów kluczowych, a rekruter nie znajduje informacji o skali ani specjalizacji. Nie wiadomo, czy chodzi o performance marketing, digital, content marketing, e-commerce czy jeszcze inny obszar. To podobne do stwierdzenia: „Specjalizuję się w programowaniu”. Taki opis nie mówi niemal nic.

10:47: Problemem były również złożone doświadczenia. Realizowałam wiele różnych zadań i byłam w nich dobra, ale przy dużej liczbie równoległych ról trudno ustalić, w których obszarach osiągnęłam konkretny rezultat. Takie opisy szybko odpadają w procesie selekcji. Podobnie wygląda kwestia portfolio umieszczonego obok CV. Kandydat zakłada, że rekruter kliknie wszystkie linki i przejrzy przykłady tekstów. Tymczasem system ATS ich nie interpretuje, a rekruter nie musi otwierać każdego dokumentu, sprawdzać poprawności odnośników ani analizować nieczytelnego materiału. Taki zabieg może być przeciwskuteczny. Mnie również wydawało się, że zebranie dużej liczby linków będzie atutem. Nie było.

11:54: Architektura procesu wyglądała następująco. Model najpierw wydobywał sygnały z załączonego dokumentu i klasyfikował wymagania z oferty. Niektóre wymagania całkowicie blokują szanse kandydata, dlatego warto mieć tego świadomość i nie tracić czasu własnego ani rekrutera. Kolejnym etapem było mapowanie semantyczne, czyli dopasowanie znaczeniowe, oraz określenie poziomu pewności. Skoring pokazywał, czy dana kompetencja kluczowa lub dodatkowa jest spełniona, spełniona częściowo czy niepotwierdzona. Jeżeli brakowało danych, agent zadawał pytania. Następnie pojawiała się rekomendacja oparta na dowodzie: konkretne propozycje zmian w strukturze i treści CV, które można było dodać po samodzielnej weryfikacji albo wykorzystać do wygenerowania gotowego dokumentu. Rolą człowieka pozostawał stały nadzór nad jakością i prawdziwością informacji. Trzeba sprawdzić, czy dane zdarzenie rzeczywiście miało miejsce i czy dana osoba wykonała opisywane zadanie. Przygotowałam również pakiet materiałów pokazujących proces współpracy z perspektywy mojego agenta. Zawiera on realne przykłady komend, które wpisywałam.

14:05: Mój język bywał żartobliwy, ale bardzo często odpowiadałam wprost: „To nie jest prawda”, „Nie jestem pewna, czy mogę się pod tym podpisać”, „To brzmi zbyt ogólnie” albo „Czy na pewno nie przypisujesz mi zbyt wielu kompetencji?”. Człowiek jest strażnikiem prawdziwości i odpowiada za ostateczną decyzję. Najważniejszy jest kontekst znaczeniowy: ile model wie o użytkowniku, ile informacji otrzymał i jak szeroki materiał został wcześniej przekazany. Samo CV nie wystarcza. Na przestrzeni lat można mieć kilka jego wersji, a każda z nich może sugerować inny profil zawodowy. Satysfakcjonujące rezultaty pojawiają się dopiero wtedy, gdy dostarczymy odpowiednio dużo danych i dobrze zaprojektujemy proces. Model nie otrzymywał ode mnie wyłącznie estetycznego briefu. Punktem wyjścia były konkretne źródła, na przykład stare CV zawierające zdanie: „Tworzę różnorodny content”.

15:28: Taki zapis pokazuje, że wykonałam dużo pracy, ale niewiele mówi o rzeczywistym poziomie moich umiejętności. To frustrujące, ponieważ wiele osób zrealizowało trudne i złożone zadania oraz osiągnęło wartościowe rezultaty, których nie potrafi przedstawić w sposób natychmiast widoczny dla odbiorcy. Sama długo nie umiałam tego zrobić. Kolejnym źródłem danych były publikacje, branded content i teksty. Nie zawsze chce nam się dokładnie opisywać projekt, jego cel, efekty i własną rolę, choć właśnie te elementy są najważniejsze. Nie wszystko musi być przeliczalne wyłącznie na twarde wyniki. Jeżeli ktoś moderował pracę zespołu, pomógł dotrzymać terminu albo doprowadził do zamknięcia trudnego etapu projektu, również pokazuje istotną kompetencję. Takich informacji nie należy pomijać.

17:04: Kluczowe dane nie znajdowały się wyłącznie w plikach. Pojawiały się również w dialogu pomiędzy człowiekiem a AI oraz w zasadach określających sposób współpracy i weryfikacji doświadczenia. Ważnym ryzykiem jest zgadywanie. Kilka razy otrzymałam dokument zawierający umiejętności, których nigdy u siebie nie rozpoznawałam. Po zadaniu pytań okazywało się, że model wywnioskował jedną kompetencję na podstawie innej. Taki wniosek nie może automatycznie stać się faktem. Kompetencja bez dowodu pozostaje hipotezą. Rekruter nie wybierze hipotetycznie zdolnego kandydata, lecz osobę, która potrafi udowodnić swoje możliwości i obronić deklarowane doświadczenie.

18:28: Transformacja danych była dla mnie szczególnie ciekawa jako dla osoby zajmującej się treściami. Zdanie: „Tworzę różnorodny content dla każdej z linii produktowych” brzmi poprawnie w CV, ale pozostaje mało użyteczne. Nie wyjaśnia, co dokładnie robiłam, nie pokazuje jakości pracy ani różnorodności tematów, którymi potrafię zajmować się na wysokim poziomie. Model rozbijał więc taki opis na funkcje: product copy, PR, social media, blog, mailing, katalogi czy dbałość o spójność marki.

19:31: Strukturyzowanie i kategoryzowanie nie są zadaniami, które przychodzą mi łatwo, ale mają ogromne znaczenie. Traktuję je jak układanie rozsypanych klocków w logiczną konstrukcję. Jednym z obszarów, w których takie doprecyzowanie przyniosło najlepsze efekty, był system walidacji doświadczenia. Na podstawie historii rozmów, zapytań i dotychczasowej współpracy z moim AI poprosiłam o stworzenie ogólnych zasad pozwalających ocenić rzeczywisty poziom doświadczenia niezależnie od stanowiska i branży. Powstała lista pytań, które z pozoru wydają się oczywiste, lecz odpowiedzi na nie rzadko znajdują się w dokumentach. Dotyczyły między innymi linii produktowych, kanałów komunikacji oraz sposobu, w jaki treści wspierały sprzedaż. Takie pytania można dostosować do każdej branży. Ich celem jest pokazanie elementów decydujących o praktycznej wartości doświadczenia. Po tej analizie otrzymywana treść znacząco różniła się od pierwotnej wersji. Kolejnym newralgicznym obszarem były ukryte kompetencje. Wiele osób ma trudność z przełożeniem talentu na konkretne zwroty zgodne z wymaganiami oferty, przyjazne dla algorytmów i jednocześnie wiernie oddające skalę umiejętności. W moim przypadku punktem wyjścia było zdanie: „Przygotowuję kreatywne rozwiązania promujące nowe produkty: naming, hasła reklamowe i scenariusze”. To rozległa dziedzina, za którą firmy często płacą zewnętrznym podmiotom. Nie twierdzę, że jestem w niej najlepsza, ale wcześniej potraktowałam ją marginalnie, mimo że mogłaby stanowić główną treść całego stanowiska.

22:54: Warto takie elementy doprecyzowywać i uszczegóławiać. Właśnie tutaj wsparcie AI okazało się dla mnie szczególnie ważne i bezpieczne, ponieważ naming oraz scenariusze znajdowały się już w danych wyjściowych. Agent niczego nie dopisał, lecz zastosował właściwą semantykę. Podobnie wyglądała kwestia publikacji. Sam komunikat „Zobacz moje publikacje” lub „Zobacz moje projekty” nie wyjaśnia, jakie kompetencje potwierdzają te materiały, a link wymaga dodatkowego kliknięcia. Udało mi się więc podzielić i uporządkować treści według formatów i obszarów. Dzięki temu odbiorca może szybko znaleźć przykłady związane z określoną kompetencją, na przykład z tworzeniem treści technicznych. Portfolio przestaje być luźnym zbiorem materiałów, a staje się czytelnym systemem dowodów.

24:28: Na potrzeby spotkania przygotowałam zanonimizowane CV młodego programisty oraz zanonimizowaną ofertę pracy, aby pokazać wstępne mapowanie dopasowania do wymagań. Oferta wymagała Reacta i TypeScriptu. W CV znajdował się React użyty w dwóch projektach, natomiast TypeScript pojawiał się wyłącznie na liście technologii. Status dopasowania był więc częściowy. Rekomendacja brzmiała: dopisać projekt wykorzystujący TypeScript albo oznaczyć lukę kompetencyjną. Przy kolejnym wymaganiu status wskazywał spełnienie, ale należało pokazać endpointy i zakres integracji. Są to bardzo precyzyjne działania w konkretnych obszarach. Zdecydowanie łatwiej pracuje mi się z takimi instrukcjami niż samodzielnie zastanawiać się, co i jak napisać przy każdym punkcie.

25:33: W przypadku SQL status również mógł być częściowy. System powinien wtedy dopytać o szczegóły i pozwolić dopisać informację wyłącznie wtedy, gdy odpowiedź użytkownika ją potwierdza. Tak wygląda mapowanie w praktyce. Zestawiamy umiejętności z wymaganiami, określamy stopień spełnienia, a przy wątpliwościach system prosi o konkretne dowody. Po udzieleniu odpowiedzi może się okazać, że dopasowanie do oferty wzrasta z początkowych 70 do 94 procent, ponieważ kandydat udokumentował pożądane umiejętności. W analizowanym przykładzie brakowało informacji o skali projektu, języku, integracji, API, testach i efekcie dla użytkownika. Nie chodzi o dopisywanie słów kluczowych, lecz o połączenie wymagań z realnymi dowodami.

26:49: To rozróżnienie jest kluczowe. Transformacja treści musi opierać się na konkretnych faktach. Jeżeli brakuje informacji o skali projektu, technologii, integracji, testach czy rezultacie dla użytkownika, należy je uzupełnić na podstawie rzeczywistego doświadczenia, a nie zgadywać. Nie dopisujemy przypadkowych słów kluczowych, tylko łączymy wymagania z dowodami. Kandydat albo wykonywał dane zadanie, albo nie. Wyniki dopasowania były dla mnie szczególnie interesujące. Po serii pytań od modelu okazywało się, że dotychczasowe wersje mojego CV nie odpowiadały kluczowym oczekiwaniom oferty, mimo że miałam potrzebne doświadczenie. Gdy otrzymałam listę obszarów do doprecyzowania, dopasowanie mogło wzrosnąć z 75 do 95 procent. Wiedziałam wtedy, które elementy muszę udowodnić, potwierdzić i szczególnie podkreślić. Wcześniej wydawało mi się, że są już widoczne, lecz ta ocena była błędna. Świadome wykorzystanie AI powinno pokazywać elementy spełnione, częściowo spełnione, brakujące i niepotwierdzone. Nie należy ukrywać niepewności ani upiększać rzeczywistości. Jeżeli kandydat nie ma szans na dane stanowisko, powinien to wiedzieć. W wielu przypadkach szanse jednak istnieją, lecz trzeba je właściwie udokumentować. Jednym z najważniejszych efektów tego procesu były pytania walidacyjne, dzięki którym odzyskałam poczucie kontroli i sprawczości.

29:27: Właśnie wtedy przestałam czuć się przytłoczona całym procesem. Pytania były proste i teoretycznie mogłam zadać je sobie sama, ale ich zadaniem nie było spowalnianie generowania treści. Miały sprawić, aby wynik był prawdziwy i oparty na mierzalnych dowodach. Jeżeli oferta wymaga znajomości Canvy, należy ustalić, czy narzędzie było używane zawodowo i jakie materiały w nim powstawały. Sam wpis „Canva” znaczy mniej niż informacja o przygotowaniu filmu na firmowy profil. Podobnie jest z CMS-ami. To bardzo szeroka kategoria, dlatego trzeba podać konkretne systemy i zakres pracy. Jeżeli oferta wymaga Strapi, a kandydat nigdy go nie używał, ogólna znajomość CMS-ów nie wystarczy. Tak samo zdanie „Prowadziłam social media” wymaga doprecyzowania: jakie kanały, jaki zakres odpowiedzialności i jakie efekty. Różnica między takim ogólnikiem a informacją o liczbie kliknięć, wzroście określonych wskaźników lub pozycjonowaniu firmy jako eksperta jest ogromna. Kolejnym obszarem jest analityka. W marketingu liczą się mierzalne efekty, a liczby często mają większą wartość niż opis. Sama znajomość narzędzia analitycznego nie oznacza jeszcze umiejętności interpretowania danych i wykorzystywania ich do rekomendowania rozwiązań poprawiających wyniki treści. Podobnie należy traktować znajomość języków, na przykład angielski na poziomie C1.

32:17: Trzeba wskazać, w jaki sposób poziom języka został potwierdzony. Certyfikat jest konkretnym dowodem, o którym kandydat może po prostu zapomnieć. Kolejnym ważnym obszarem jest zgodność CV z ATS i zjawisko keyword stuffingu, czyli sztucznego upychania słów kluczowych. Istnieją parametry techniczne, których często nie chce nam się dopracowywać, choć mogą istotnie wpływać na wstępną selekcję. Sama miałam do tego typu pracy ambiwalentny stosunek. AI może przejąć część tej technicznej pracy i pomóc doprowadzić dokument do dobrej formy, zarówno pod względem merytorycznym, jak i strukturalnym. Dzięki temu rośnie szansa na przejście do bezpośredniej rozmowy, podczas której można już szerzej udowodnić swoje kompetencje. Ten proces zmienił również sposób, w jaki postrzegam własne doświadczenie. Poprawił moją samoocenę w niektórych obszarach, pozwolił odróżnić wyobrażone braki od rzeczywistych luk i pokazał, jak bardzo nie doszacowywałam części swoich umiejętności. Nie chodzi o autopromocję pozbawioną podstaw ani o deklarowanie, że jest się najlepszym. Mój problem był inny: wiedziałam, że jestem dobra, ale nie potrafiłam tego udowodnić w sposób, który nie brzmiałby jak przechwałka. Brakowało mi rzeczowego, udokumentowanego potwierdzenia. Gubiłam się również w tworzeniu profesjonalnych opisów na LinkedIn i nie potrafiłam samodzielnie przez to przebrnąć.

35:24: Ślady doświadczenia, kompetencje i umiejętności były rozproszone w wielu miejscach, jak przedmioty wrzucone do jednego worka. Pojawiały się w różnych rozmowach z modelem i kolejnych konwersacjach, niekoniecznie w samym CV. Każdy kluczowy obszar, który udało się zmapować, dodawałam jako zasadę dla agenta lub jako element jego pamięci. Uzupełniałam również konkretne, udowodnione umiejętności, do których dochodziłam po przypomnieniu sobie wcześniejszych projektów. Niektóre wydarzyły się kilka lat temu, ale nadal stanowiły ważny dowód doświadczenia. W ten sposób wzbogacałam okno kontekstowe i bazę wiedzy.

36:31: Krok po kroku udało nam się stworzyć realny, przekrojowy obraz tego, co potrafię w różnych obszarach. Decyzja o tym, które dane są prawdziwe, a które stanowią jedynie kreatywną interpretację modelu, zawsze pozostaje po stronie człowieka. Dla mnie było to niezwykle ważne. Narzędzie nie zastąpiło mojej sprawczości, lecz uporządkowało luźne elementy, których samodzielne układanie wiązało się z bardzo wysokim kosztem poznawczym. Wcześniej nie dawałam sobie z tym rady. Teraz mogę działać z zupełnie innego punktu, ponieważ struktura została już przygotowana.

37:36: Kompetencje wolno nazwać wyłącznie na podstawie dowodu. Gdy brakuje danych, należy zadać pytanie. Dokument wyjściowy powinien wynikać z dokumentu wejściowego i odpowiedzi użytkownika. Nie wolno dopisywać technologii wyłącznie dlatego, że pojawia się w ogłoszeniu, podnosić poziomu języka bez potwierdzenia, ukrywać obszarów niepewności ani zamieniać hipotez w fakty. Generator CV może sprawiać wrażenie, że właśnie w ten sposób dopasowuje dokument do oferty, lecz nie o to chodzi. W praktyce kluczowa jest korekta człowieka. Moje polecenia nie zawsze były fachowe, czasem wynikały z prokrastynacji, ale po latach korzystania z narzędzia wypracowaliśmy skuteczny sposób komunikacji. Jedna z zasad brzmiała: „Nie twórz marketingowych podsumowań”.

38:45: Każda teza powinna zawierać działanie i przykład. Przydatne są slajdy „przed i po” oraz tabele mapowania. Istnieje duża różnica między intuicyjnym poczuciem, że coś jest ogólnikiem, a otrzymaniem konkretnego przykładu pokazującego problem. Model nie może zgadywać. Brak dowodu oznacza brak możliwości wpisania danej informacji do CV. Za każdym razem użytkownik powinien wybrać jedną z odpowiedzi: tak, nie albo nie wiem. Proces powinien być widoczny i obejmować kolejno: input, problem, pytanie, output, iterację i walidację. Odpowiedzi muszą być zwięzłe i uporządkowane. Przebijanie się przez rozwlekłe treści generowane przez AI jest męczące, dlatego warto określić oczekiwany format i konsekwentnie pilnować, aby model go przestrzegał.

40:07: Realnym wkładem człowieka nie jest efektowny prompt, który zawsze zadziała, lecz projektowanie kryteriów jakości. To zasadnicza różnica między przypadkowym używaniem AI a świadomym korzystaniem z narzędzia. Często wiemy, że coś robiliśmy, ale nie potrafimy tego nazwać. To właśnie semantyczne niedopasowanie, o którym mówi tytuł spotkania. Nie chciało mi się opisywać umiejętności językiem rekrutacyjnym, ponieważ było to dla mnie nużące. Kiedy jednak otrzymałam kilka trafnych kategorii do wyboru, mogłam zatwierdzić zgodne z prawdą określenie. Proces porządkuje język, obowiązki, formuły, listę narzędzi, odpowiedzialność, funkcje i dowody. Każdy element otrzymuje status: potwierdzony, niepotwierdzony albo niepewny. Portfolio przestaje być zbiorem linków, a staje się materiałem dowodowym przypisanym do konkretnych kompetencji. CV zmienia się z wizualnego dokumentu pełnego ogólników w tekstowy układ z jednoznacznymi nagłówkami i słowami użytymi we właściwym kontekście. Te pozornie drobne elementy mają duże znaczenie.

41:49: Wcześniej zdecydowanie nie doceniałam tego obszaru tworzenia CV. Kluczowe jest również bezpieczeństwo. Informację można dodać tylko wtedy, gdy została udowodniona. Odpowiedzialność pozostaje po stronie użytkownika. Nie ma miejsca na dopisywanie fałszywych kompetencji. Jeżeli czegoś nie jesteśmy pewni, należy zadać pytanie walidacyjne. Ważna jest też sprawczość. Istnieje ogromna różnica między stwierdzeniem „Nie wiem, jak to nazwać” a otrzymaniem listy trafnych sformułowań, które pozwalają udowodnić doświadczenie. AI nie tworzy kompetencji. Pomaga je zobaczyć, nazwać, zweryfikować i przedstawić w języku zrozumiałym dla rynku oraz rekruterów.

42:58: Może się to wydawać proste, ale mam nadzieję, że prezentacja pokazała, jak trudne bywa przejście od teorii do praktyki, czyli od ogólnej deklaracji do udowodnienia konkretnych umiejętności wymaganych w ofercie. Dla mnie ten proces nie był intuicyjny. Rolą człowieka jest takie myślenie z AI, aby nie zgubić prawdy. Dzięki uporządkowaniu procesu mogłam inaczej spojrzeć na własną historię zawodową. Nie ma w tym niczego nieprawdziwego. AI dostarczyło mi komplementarnej umiejętności strukturyzowania informacji, dzięki której mogę później lepiej pokazać swoją kreatywność. Efektem są: jasna struktura, dowody, mniej niejasności i lepsze decyzje. Przez długi czas nie potrafiłam samodzielnie przejść przez ten proces z dobrym rezultatem, dlatego widzę w tym realną wartość.

44:26: Jeżeli macie pytania albo chcecie zobaczyć konkretne obszary tego procesu, przygotowane materiały będą dostępne w linkach do nagrania. Chętnie odpowiem na wszystkie pytania. Życzę wam i sobie powodzenia. Wszystkiego dobrego.