Jak automatycznie analizować dane kandydatów: brutalna prawda o rekrutacji w erze algorytmów

Niewidzialna rewolucja trwa – i jeśli kiedykolwiek próbowałeś przeforsować swoją kandydaturę przez automatyczne systemy selekcji, wiesz, że to już nie jest science fiction. W 2025 roku rekruterzy nie przekopują się przez sterty papierowych CV i nie polegają wyłącznie na szóstym zmyśle. Dziś algorytmy, sztuczna inteligencja i systemy ATS analizują Twoje dane szybciej, niż jesteś w stanie poprawić literówkę w swoim profilu LinkedIn. „Jak automatycznie analizować dane kandydatów” to nie pytanie z podręcznika HR-u, tylko kluczowy problem każdej firmy, która serio podchodzi do rekrutacji. Jednak ta automatyzacja nie jest neutralna – budzi ekscytację, lęk i mnóstwo kontrowersji. W tym artykule demaskuję brutalne prawdy o analizie danych kandydatów, pokazując nie tylko techniczne mechanizmy, ale też absurdalne pułapki, których nie znajdziesz w oficjalnych broszurach systemów ATS. Jeśli chcesz zrozumieć, dlaczego algorytmy decydują dziś o Twojej karierze (i jak nie zostać ich ofiarą) – czytaj dalej.

Dlaczego automatyczna analiza kandydatów budzi tyle emocji?

Era ludzkiej intuicji kontra algorytmy: jak doszliśmy do tego punktu?

Jeszcze dekadę temu rekrutacja była zdominowana przez osobiste kontakty, polecenia i – nie oszukujmy się – subiektywność ludzkiego oka. Dziś jednak rzeczywistość wygląda inaczej. Szybkość, skala i ilość danych, które przewalają się przez korporacyjne serwery, sprawiły, że rekruterzy stali się bardziej operatorami systemów niż łowcami talentów. Automatyzacja to nie tylko oszczędność czasu – to też odpowiedź na presję rynku, która wymusza wyłanianie najlepszych kandydatów w tempie, które jeszcze niedawno wydawało się nierealne. Według Arena Szkoleń, 2025, dane stały się kluczowym elementem procesu rekrutacyjnego, a analiza danych pozwala na lepsze dopasowanie kandydatów do ofert pracy, zmniejszając ryzyko nietrafionych decyzji kadrowych.

Zdjęcie: Rekruter analizujący dane kandydatów w biurze późnym wieczorem, stres i presja czasowa widoczne w cyfrowym otoczeniu.

"W 2025 roku dane staną się kluczowym elementem w procesach rekrutacyjnych. Analiza danych umożliwi lepsze dopasowanie kandydatów do ofert pracy, co zredukuje ryzyko nieudanych zatrudnień.” — Arena Szkoleń, 2025 (wartoznac.pl)

Co naprawdę motywuje firmy do automatyzacji procesu rekrutacji?

Za kulisami każdej decyzji o wdrożeniu AI w rekrutacji kryje się mieszanka zimnej kalkulacji i walki o przetrwanie. Nie chodzi tylko o modę na „innowacyjność” – gra idzie o twarde liczby: koszty, czas i ryzyko błędów. Z jednej strony stoi potrzeba przyspieszenia preselekcji kandydatów, a z drugiej – obsesja na punkcie efektywności i minimalizacji ryzyka prawnego (np. zgodność z RODO). Firmy oczekują od automatyzacji nie tylko selekcji CV, ale też personalizacji ofert, automatycznego zarządzania zgodami i szybkiego feedbacku.

Tabela 1: Motywacje firm do automatyzacji rekrutacji
Źródło: Opracowanie własne na podstawie Arena Szkoleń, 2025, Bitrix24, 2024

Lęki i oczekiwania rekruterów — czy AI jest lekarstwem czy zagrożeniem?

Automatyzacja rekrutacji nie jest wolna od kontrowersji. Dla wielu rekruterów to nie tylko narzędzie, ale też potencjalne zagrożenie ich zawodowej tożsamości i niezależności. Oto, co naprawdę budzi emocje wśród praktyków HR:

• Lęk przed dehumanizacją procesu: Rekruterzy obawiają się, że AI zmieni ich rolę w operatorów systemów, odbierając im wpływ na decyzje i osobisty kontakt z kandydatami. Według Pracuj.pl, 2024, aż 39% ankietowanych wskazuje na utratę indywidualnego podejścia jako główną obawę.
• Obiektywność kontra algorytmiczne błędy: Chociaż AI ma eliminować stronniczość, w praktyce błędy algorytmiczne mogą prowadzić do dyskryminacji. Przykłady z rynku pokazują, że AI bywa „uczona” na tendencyjnych danych.
• Presja na efektywność: Oczekiwanie, że każda rekrutacja będzie „szybsza i tańsza”, prowadzi czasem do powierzchownych decyzji. Systemy bywają optymalizowane pod kątem metryk, a nie realnych kompetencji kandydatów.
• Nadzieja na wsparcie, nie zastąpienie: Eksperci podkreślają, że AI powinna wspierać rekruterów, nie eliminować ich roli. Etyczne wdrażanie ma być kluczem do sukcesu.

Jak działa automatyczna analiza danych kandydatów?

Pod maską: algorytmy, które zmieniają zasady gry

Automatyczna analiza danych kandydatów to nie czarna magia, ale złożone połączenie algorytmów, machine learningu i twardej matematyki. Systemy rekrutacyjne korzystają z kilku kluczowych technologii, które wyznaczają nowe standardy skuteczności i – niekiedy – rodzą niebezpieczne patologie.

Algorytm scoringowy : System ocenia kandydatów na podstawie porównania ich profilu do „idealnego wzorca”. W praktyce to macierz punktów za kompetencje, doświadczenie czy słowa kluczowe.

Machine learning (uczenie maszynowe) : Modele uczą się na setkach tysięcy decyzji rekrutacyjnych. Im lepsze dane wejściowe, tym trafniejsze rekomendacje – ale błędy w danych prowadzą do poważnych wypaczeń.

Analiza semantyczna : AI analizuje kontekst wypowiedzi w CV czy profilach LinkedIn, potrafi wyłapywać niuanse, które umykają ludziom.

Chatboty i voiceboty : Automatyzują wstępne rozmowy, badają motywację, a nawet rozpoznają emocje w głosie (przykład: Hilton, który skrócił proces z 6 tygodni do 5 dni).

Zdjęcie: Zespół IT pracujący nad algorytmami analizy danych kandydatów, widoczny ekran z matrycą danych.

Źródła danych: co analizuje system i dlaczego to czasem zawodzi?

Automatyzacja w rekrutacji opiera się na multiplikacji źródeł danych. Im więcej system „widzi”, tym – teoretycznie – lepiej. Jednak to właśnie tu zaczynają się schody: nie każde źródło jest równie wartościowe, a nadmiar danych często prowadzi do chaosu.

Tabela 2: Najczęściej analizowane źródła danych kandydatów i ich ograniczenia
Źródło: Opracowanie własne na podstawie Pracuj.pl, 2024

Proces krok po kroku: od CV do rekomendacji

1. Zbieranie danych: System ATS lub platforma AI agreguje dane z CV, LinkedIn, testów i ankiet.
2. Weryfikacja i standaryzacja: AI przetwarza dane, standaryzuje formaty, identyfikuje kluczowe kompetencje.
3. Scoring: Algorytm przyznaje punkty na podstawie wzorców firmy (np. idealnego kandydata na dane stanowisko).
4. Personalizacja oferty: System generuje oferty dopasowane do profilu kandydata, automatycznie wysyła zaproszenia na kolejne etapy.
5. Feedback i metryki: Kandydat i rekruter przekazują feedback, który trafia do bazy danych i wpływa na dalsze uczenie algorytmu.

To, co na papierze brzmi jak perfekcyjny mechanizm, w praktyce potrafi być równie bezlitosne, co bezduszne – system nie pyta o „czucie chemii”, a wyłącznie o zgodność z matrycą kompetencji.

Zalety i ukryte pułapki automatyzacji w rekrutacji

Korzyści, o których głośno mówią sprzedawcy narzędzi

Na pierwszy rzut oka automatyczna analiza danych kandydatów to Ziemia Obiecana dla HR-u. Sprzedawcy systemów ATS i rozwiązań AI przekonują, że to remedium na wszystkie bolączki branży:

• Ekspresowe wyniki: Rekruterzy otrzymują wyniki preselekcji w kilka minut, zamiast godzin czy dni. Według [Hilton, LinkedIn, 2025], czas rekrutacji skrócono z 6 tygodni do 5 dni.
• Redukcja kosztów: Mniej godzin pracy zespołu HR, optymalizacja budżetów rekrutacyjnych.
• Dokładność i eliminacja błędów: AI minimalizuje ryzyko pominięcia wartościowych kandydatów przez ludzką nieuwagę.
• Personalizacja: Kandydaci otrzymują oferty i feedback skrojony pod swoje preferencje, co podnosi ich zaangażowanie.
• Zgodność z przepisami: Automatyczna obsługa zgód i audyty RODO niwelują ryzyko kar.

Pułapki, które przemilczają — najczęstsze błędy i ich konsekwencje

Za blichtrem marketingu kryją się pułapki, o których głośno nikt nie mówi – a które potrafią wywrócić proces rekrutacji do góry nogami.

• Błędy algorytmiczne: Systemy uczą się na danych historycznych, a jeśli te były tendencyjne, AI powiela stare uprzedzenia (np. faworyzowanie określonych uczelni).
• Brak transparentności: Kandydat nie wie, dlaczego został odrzucony – algorytm nie tłumaczy swoich decyzji.
• Dehumanizacja: Rekruterzy stają się operatorami, a proces selekcji bywa odczłowieczony. Zdarza się, że wartościowi kandydaci są eliminowani wyłącznie przez formalne niedopasowanie.
• Ryzyko naruszeń RODO: Automatyczne zarządzanie zgodami nie zawsze jest bezbłędne – wyciek danych może mieć poważne konsekwencje prawne.

Zdjęcie: Kandydat odrzucony przez algorytm, widoczne emocje i rozczarowanie.

Case study: kiedy automatyzacja się nie sprawdziła

Przypadek użycia AI w rekrutacji w jednej z dużych korporacji IT pokazał, że proces, który miał być szybki i bezstronny, wykluczył grupę wybitnych kandydatów z powodu źle ustawionych kryteriów scoringowych. System automatycznie odrzucał osoby bez wykształcenia kierunkowego, mimo że ich doświadczenie praktyczne było imponujące.

"AI powinna wspierać, a nie zastępować rekruterów. Kluczowe jest etyczne wdrażanie tych technologii.” — Konstancja Zyzik, Pracuj.pl (media.pracuj.pl, 2024)

Zdjęcie: Zespół HR analizuje błędy systemu AI podczas burzy mózgów.

Fakty i mity: co naprawdę daje AI w analizie kandydatów?

Mit obiektywności — czy algorytm jest bezstronny?

Bezstronność algorytmów to jeden z najczęściej powtarzanych mitów. W rzeczywistości, AI jest tak „czysta”, jak dane, na których się uczy. Jeśli systemy są trenowane na tendencyjnych próbkach – będą powielać te same błędy, tylko szybciej i na większą skalę. Według iArtificial.blog, 2024, efektywność automatyzacji idzie w parze z ryzykiem utraty kontroli nad rzeczywistym sensem decyzji.

"Obiektywność algorytmów jest złudna – AI powiela uprzedzenia ukryte w danych historycznych." — iArtificial.blog, 2024 (iartificial.blog)

Więcej danych, większy chaos? Ryzyka nadmiernej automatyzacji

• Przekarmienie systemów danymi: AI analizuje ogromne ilości informacji, ale zbyt wiele źródeł może prowadzić do sprzecznych wyników i błędnych rekomendacji.
• Fałszywe profile i manipulacje: Kandydaci coraz częściej optymalizują CV pod algorytmy, a nie realne umiejętności, co prowadzi do inflacji wartości „słów kluczowych”.
• Brak czynników miękkich: AI nie oceni kreatywności, elastyczności czy motywacji – te aspekty wciąż wymagają ludzkiego spojrzenia.
• Ograniczona adaptacja do branż niszowych: Systemy uczą się na popularnych ścieżkach kariery i mogą nie radzić sobie z nietypowymi profilami.

Jak rozpoznać, że Twój system popełnia błędy?

1. Wzrost liczby odrzuceń wartościowych kandydatów: Nagły spadek jakości shortlisty może sygnalizować źle ustawione kryteria scoringowe.
2. Powtarzające się rekomendacje tych samych profili: System faworyzuje określone typy kandydatów, ignorując różnorodność.
3. Niezrozumiałe decyzje algorytmu: Brak transparentności w ocenie i feedbacku dla kandydatów.
4. Problemy z RODO: Pojawiają się zapytania lub skargi dotyczące przetwarzania danych osobowych.

Praktyka: jak wdrożyć automatyczną analizę kandydatów krok po kroku?

Diagnoza potrzeb: czy Twoja firma jest gotowa na automatyzację?

Przed wdrożeniem jakiegokolwiek systemu AI warto postawić sobie kilka brutalnie szczerych pytań:

• Czy proces rekrutacji generuje na tyle dużą liczbę aplikacji, że manualna selekcja jest nieefektywna?
• Czy zespół HR posiada kompetencje techniczne lub wsparcie IT do wdrożenia nowego narzędzia?
• Czy posiadane dane kandydatów są kompletne, aktualne i zgodne z RODO?
• Czy firma jest gotowa na zmianę kulturową i potencjalne konflikty w zespole?

Lista kontrolna: gotowość do wdrożenia automatyzacji

• Sprawdź liczbę aplikacji vs. dostępne zasoby HR.
• Oceń poziom cyfryzacji procesów kadrowych.
• Przeanalizuj dotychczasowe koszty i efektywność rekrutacji.
• Zweryfikuj poziom wiedzy technicznej zespołu HR.
• Sprawdź procedury ochrony danych osobowych.

Wybór narzędzi: na co zwracać uwagę (i dlaczego wywiad.ai jest na radarze wielu firm)?

Wybór systemu do automatycznej analizy danych kandydatów to decyzja, której nie warto podejmować pochopnie. Oceniaj nie tylko funkcjonalności, ale i kwestie integracji, bezpieczeństwa czy transparentności. Rozwiązania takie jak wywiad.ai zdobywają uznanie za połączenie precyzyjnej analizy z dbałością o zgodność z przepisami i intuicyjny interfejs.

Tabela 3: Najważniejsze kryteria wyboru narzędzi do automatycznej analizy danych kandydatów
Źródło: Opracowanie własne na podstawie Bitrix24, 2024, wywiad.ai

Zdjęcie: Zespół HR podczas wyboru narzędzia do automatycznej analizy danych kandydatów.

Najczęstsze błędy przy wdrażaniu — i jak ich uniknąć

• Brak pilotażu: Wdrożenie systemu na pełną skalę bez testów prowadzi do kosztownych błędów. Zawsze zaczynaj od pilotażu na wybranym dziale.
• Zaniedbanie szkoleń: Nawet najlepsze AI nie zastąpi wiedzy zespołu HR. Inwestuj w szkolenia i warsztaty.
• Ignorowanie feedbacku: Systemy muszą być regularnie kalibrowane na podstawie opinii użytkowników i kandydatów.
• Zbyt szybka rezygnacja z ludzkiej analizy: Najlepsze efekty daje model hybrydowy, łączący AI i doświadczenie rekruterów.

"Największym błędem jest przekonanie, że AI rozwiąże wszystkie problemy rekrutacji bez zaangażowania zespołu." — Opracowanie własne na podstawie Pracuj.pl, 2024

Etyka, prawo i bezpieczeństwo: automatyzacja w polskich realiach

RODO, dyskryminacja i audyt: co musisz wiedzieć?

Automatyczna analiza danych kandydatów to nie tylko technologia, ale i pole minowe pod względem prawnym. Kluczowe pojęcia warto znać nie tylko na egzaminie z compliance:

RODO (Rozporządzenie o Ochronie Danych Osobowych) : Polski i europejski standard ochrony danych – wymusza ścisłą kontrolę przetwarzania informacji o kandydatach oraz obowiązek audytu.

Dyskryminacja algorytmiczna : Zjawisko, w którym AI odtwarza istniejące uprzedzenia, nieświadomie eliminując określone grupy społeczne.

Audyt AI : Niezależna kontrola systemów pod kątem zgodności z prawem i etyki – coraz częściej wymagany przez klientów i regulatorów.

Jak zabezpieczyć dane kandydatów w systemach AI?

• Szyfrowanie na każdym etapie: Dane kandydatów powinny być chronione zarówno w transferze, jak i „w spoczynku” na serwerach.
• Dwustopniowa autoryzacja dostępu: Dostęp do wrażliwych danych musi być limitowany do wybranych pracowników HR.
• Regularne audyty bezpieczeństwa: Niezależne testy podatności systemu na wycieki i ataki powinny być standardem.
• Wdrożenie polityki retencji danych: Dane kandydatów nie mogą być przechowywane dłużej niż to konieczne.

Przykłady naruszeń i ich konsekwencje — lekcje z rynku

Tabela 4: Przykłady naruszeń prawnych w rekrutacji automatycznej w Polsce
Źródło: Opracowanie własne na podstawie raportów UODO i branżowych publikacji

Przyszłość rekrutacji: explainable AI i transparentność procesu

Czym jest explainable AI i dlaczego to przełom w HR?

Explainable AI (XAI) to nie kolejny buzzword – to klucz do przełamania bariery nieufności wobec algorytmów. Systemy XAI umożliwiają zrozumienie, dlaczego algorytm podjął daną decyzję wobec kandydata. Dzięki temu rekruterzy mogą nie tylko wyjaśnić odrzucenie czy akceptację, ale i wychwycić potencjalne błędy czy uprzedzenia.

Explainable AI (XAI) : Grupa narzędzi i technik pozwalających zrozumieć i interpretować decyzje algorytmów AI. W praktyce to możliwość generowania „uzasadnień” do każdego kroku preselekcji, co zwiększa zaufanie i transparentność procesu.

Zdjęcie: Ekran z wizualizacją „explainable AI” – podsumowanie decyzji algorytmu wobec kandydatów.

Transparentność: jak wytłumaczyć decyzje algorytmu kandydatom?

• Proste i zrozumiałe komunikaty: Wyjaśnij kandydatowi, które kryteria wpłynęły na decyzję.
• Feedback oparty na danych: Zamiast ogólników, podziel się konkretnymi obszarami do poprawy (np. brak wymaganej certyfikacji).
• Możliwość odwołania: Daj kandydatom szansę na wyjaśnienie niejasności lub aktualizację danych.
• Transparentność w kryteriach: Udostępniaj listę kompetencji i wymagań uwzględnianych przez algorytm.

Nowe trendy: personalizacja, storytelling danych i feedback loop

1. Personalizacja oferty: AI tworzy oferty pracy dopasowane do unikalnych cech kandydata.
2. Storytelling danych: Systemy prezentują dane w formie zrozumiałych historii, a nie tylko suchych tabelek.
3. Feedback loop: Regularny feedback od kandydatów i rekruterów służy optymalizacji działania systemu i większej satysfakcji obu stron.

Zaawansowane strategie: kiedy automatyzacja to za mało

Połączenie AI i ludzkiego doświadczenia — model hybrydowy

Najlepsze organizacje wiedzą, że algorytm to tylko połowa sukcesu. Model hybrydowy łączy precyzję maszyn z intuicją i empatią człowieka. AI odpowiada za preselekcję i analizę twardych danych, podczas gdy rekruter dopasowuje kandydatów w oparciu o „miękkie kompetencje” i kontekst kulturowy.

Tabela 5: Procentowy udział AI i człowieka w modelu hybrydowym rekrutacji
Źródło: Opracowanie własne na podstawie branżowych praktyk

Zdjęcie: Połączenie AI i rekrutera podczas rozmowy kwalifikacyjnej.

Niestandardowe zastosowania: analiza mikroekspresji, social scoring i beyond CV

• Analiza mikroekspresji: AI wykrywa emocje na podstawie wyrazu twarzy podczas rozmów wideo (np. ocena autentyczności reakcji).
• Social scoring: Systemy analizują aktywność kandydata w social media pod kątem reputacji, ale i ewentualnych kontrowersji.
• Weryfikacja beyond CV: AI sprawdza referencje, historię zawodową i obecność w mediach pod kątem wiarygodności informacji.

Optymalizacja procesu na podstawie danych zwrotnych

1. Regularna analiza feedbacku: System zbiera opinie po każdej rekrutacji – zarówno od kandydatów, jak i HR.
2. Aktualizacja algorytmów: Feedback służy kalibracji kryteriów scoringowych i poprawie procesu oceny.
3. Wdrażanie poprawek: Na podstawie analizy wdrażane są zmiany, które obniżają liczbę błędnych rekomendacji.
4. Monitoring efektów: Stała obserwacja kluczowych metryk (np. czas rekrutacji, jakość zatrudnień).

Podsumowanie: czy automatyczna analiza kandydatów to przyszłość — czy ślepa uliczka?

Co warto zapamiętać z tej rewolucji?

Automatyczna analiza danych kandydatów to nie tylko technologia, ale cała zmiana myślenia o rekrutacji. Oto najważniejsze wnioski, które warto mieć z tyłu głowy:

• AI w rekrutacji to narzędzie, nie panaceum: Sprawdzi się tam, gdzie liczy się skala i powtarzalność.
• Bez transparentności nie ma zaufania: Kandydaci oczekują uczciwości i wyjaśnień.
• Dane to potęga, ale i odpowiedzialność: Analizując dane osobowe, bierzesz na siebie obowiązki prawne i etyczne.
• Model hybrydowy daje najlepsze efekty: Połączenie AI i rekrutera minimalizuje błędy i pozwala wyłowić diamenty poza matrycą scoringową.

Jak podjąć świadomą decyzję i nie żałować?

• Zdefiniuj swoje potrzeby – nie wdrażaj AI tylko dlatego, że robią to inni.
• Przeprowadź pilotaż i zbieraj rzetelny feedback.
• Dbaj o szkolenia dla zespołu HR.
• Regularnie audytuj bezpieczeństwo i zgodność z RODO.
• Stawiaj na narzędzia transparentne i otwarte na integrację (np. wywiad.ai).

Następny krok: gdzie szukać wsparcia, inspiracji i narzędzi?

• Skonsultuj się z firmami specjalizującymi się w AI w HR (np. wywiad.ai).
• Śledź branżowe raporty i badania (np. Pracuj.pl, LinkedIn, Arena Szkoleń).
• Uczestnicz w szkoleniach i webinarach dotyczących automatyzacji.
• Korzystaj z forów i społeczności HRTech.
• Audytuj regularnie swoje procesy i narzędzia.

Najczęściej zadawane pytania i wątpliwości

Czy automatyczna analiza zawsze jest lepsza od ludzkiej?

Automatyczna analiza danych kandydatów ma przewagę tam, gdzie proces jest masowy i wymaga szybkiej preselekcji. Jednak decyzje o zatrudnieniu, które wymagają oceny kompetencji miękkich, motywacji czy dopasowania kulturowego, wciąż należą do człowieka.

"AI powinna wspierać człowieka, nie zastępować go w całym procesie rekrutacji." — Konstancja Zyzik, Pracuj.pl (media.pracuj.pl, 2024)

Jakie są największe wyzwania przy skalowaniu automatyzacji?

• Utrzymanie wysokiej jakości danych wejściowych.
• Kalibracja algorytmów pod kątem różnych branż i stanowisk.
• Zapewnienie transparentności i zgodności z RODO.
• Integracja nowych narzędzi z istniejącymi systemami HR.
• Regularne szkolenia zespołu i aktualizacja wiedzy.

Czy każda firma powinna wdrożyć AI w rekrutacji?

1. Oceń skalę swoich procesów – AI nie opłaca się w mikrofirmach z kilkoma rekrutacjami rocznie.
2. Sprawdź, czy masz zasoby na wdrożenie i utrzymanie systemu.
3. Zbadaj potrzeby zespołu HR i kandydatów – czasem proste usprawnienia wystarczą.
4. Przetestuj rozwiązanie na wybranym projekcie i zbieraj feedback.
5. Analizuj wyniki i podejmuj decyzje na podstawie twardych danych, nie hype’u.

---

Automatyczna analiza danych kandydatów to narzędzie, które – przy mądrym wdrożeniu – potrafi dać przewagę każdej organizacji. Jednak ślepa wiara w algorytmy prowadzi na manowce. W erze AI nie wygrywa ten, kto ma najdroższy system, lecz ten, kto najuczciwiej łączy precyzję danych z człowieczeństwem decyzji. Jeśli chcesz zbudować proces rekrutacyjny odporny na błędy i zgodny z realiami rynku – zacznij od zadania sobie kilku niewygodnych pytań. I pamiętaj: w tej rewolucji nie chodzi o to, żeby AI decydowała za Ciebie, ale żebyś to Ty decydował, jak korzystasz z AI – i wyciągał z niej to, co najlepsze dla ludzi.