„Biegle posługuję się narzędziami AI”.
To zdanie pojawia się już w co trzecim CV. Problem w tym, że dla jednych oznacza codzienny, głęboki workflow zbudowany wokół modeli językowych, dla innych wpisanie pytania do ChatGPT raz na dwa tygodnie.
Dla rekrutera i menedżera te dwa profile wyglądają identycznie na papierze.
Ten artykuł daje Ci konkretne narzędzia: pytania behawioralne, zadanie live i wskazówki do oceny portfolio. Po lekturze będziesz wiedzieć, jak w ciągu jednej rozmowy odróżnić entuzjastę od osoby, która realnie wbudowała AI w swoją pracę i czerpie z tego wymierne efekty.
Trzy poziomy zaawansowania — co tak naprawdę weryfikujesz
Zanim zaczniesz pytać, ustal, kogo szukasz. Błąd wielu rekrutacji polega na tym, że wymagania w ogłoszeniu brzmią jak „poziom 3″, a na rozmowie zadaje się pytania dla poziomu 1. Efekt: zatrudniasz kogoś zbyt słabego albo odrzucasz kogoś zbyt mocnego, bo mówi językiem, którego nie rozumiesz.
Poziom 1 — użytkownik okazjonalny
Korzysta z gotowych interfejsów (ChatGPT, Copilot, Gemini) do konkretnych, jednorazowych zadań: napisz maila, streść dokument, przetłumacz tekst. Nie buduje promptów świadomie, nie iteruje, nie ocenia krytycznie outputu. Wystarczy do ról, gdzie AI to tylko dodatkowe usprawnienie.
Poziom 2 — zaawansowany użytkownik
Ma wypracowane własne workflow: używa kilku narzędzi, świadomie dobiera model do zadania, potrafi napisać skuteczny prompt i wie, kiedy AI zawodzi. Widzi ograniczenia i je kompensuje. To profil pożądany w większości ról wymagających „umiejętności AI”.
Poziom 3 — integrator / budowniczy
Łączy modele z innymi systemami (API, automatyzacje, agenty, RAG), buduje własne rozwiązania lub zarządza projektami AI dla zespołu. Rozumie architekturę, koszty i ryzyka. Potrzebny w rolach technicznych lub tam, gdzie AI ma stać się częścią produktu.
Zanim przejdziesz do pytań, zdecyduj, który poziom jest dla Ciebie „minimum zaliczeniowym” dla danej roli.
Pytania behawioralne, które ujawniają prawdziwe nawyki
Klasyczne pytania kompetencyjne w stylu STAR działają tu lepiej niż teorytyczne „co wiesz o dużych modelach językowych”. Chodzi o konkretne sytuacje z przeszłości, je trudno sfabrykować bez wiedzy operacyjnej.
Pytania otwierające (każdy kandydat)
„Opisz konkretną sytuację z ostatnich trzech miesięcy, kiedy AI realnie zaoszczędziło Ci czas lub poprawiło jakość pracy. Ile czasu to zajęło? Jakie narzędzie? Co dokładnie zrobiłeś?”
Dobra odpowiedź: zawiera nazwę narzędzia, przybliżony czas oszczędności, opis czynności przed i po. Słaba odpowiedź: ogólnikowa, bez liczb, bez nazw.
„Kiedy ostatnio AI dało Ci błędny lub bezużyteczny wynik? Co zrobiłeś dalej?”
To jedno z najważniejszych pytań. Osoba, która naprawdę pracuje z AI, ma dziesiątki takich historii. Ktoś, kto go nie używa — będzie improwizować albo powie, że „AI zawsze działa dobrze”. Dobra odpowiedź opisuje konkretny błąd modelu i sposób weryfikacji lub korekty.
„Jak weryfikujesz outputy AI przed użyciem w pracy?”
Szukasz konkretnego procesu: sprawdzanie źródeł, krzyżowanie z innym modelem, własna wiedza domenowa jako filtr. Odpowiedź „czytam i poprawiam” to poziom 1. „Korzystam z wyszukiwania w modelu i porównuję z dokumentacją, a przy danych liczbowych zawsze liczę ręcznie” — to poziom 2.
Pytania dla kandydatów na poziom 2–3
„Jak dobierasz model lub narzędzie do konkretnego zadania? Podaj przykład.”
Świadomy użytkownik potrafi powiedzieć, dlaczego wybrał Claude do analizy dokumentów, a Perplexity do researchu z aktualnymi danymi. Albo dlaczego przy kodzie używa GitHub Copilot zamiast ogólnego modelu czatowego.
„Opisz swój najbardziej rozbudowany prompt. Co w nim było? Dlaczego tak, a nie inaczej?”
Osoby na poziomie 2 spontanicznie mówią o kontekście, roli, formacie wyjścia, ograniczeniach. Osoby na poziomie 1 mówią: „po prostu piszę co chcę dostać”.
„Co zmieniłeś w swoim sposobie pracy z AI przez ostatni rok?”
Pytanie ujawniające trajektorię: czy kandydat aktywnie uczy się i eksperymentuje, czy stoi w miejscu. Odpowiedź warta uwagi: „zacząłem używać X, potem odkryłem, że Y robi to lepiej, bo…” Odpowiedź niepokojąca: „właściwie to mniej więcej tak samo”.
Zadanie próbne na żywo — najdokładniejszy test
Pytania ujawniają wiedzę deklaratywną. Zadanie live ujawnia kompetencje operacyjne — to, jak kandydat faktycznie myśli i działa z narzędziem w ręku.
Format: 15–20 minut podczas rozmowy (lub jako zadanie take-home przed spotkaniem). Kandydat pracuje w swoim własnym środowisku — na swoim narzędziu, ze swoim kontem. Nie chodzi o gotowy wynik, ale o obserwację procesu.
Co obserwujesz
- Wybór narzędzia — czy kandydat wie, po co sięga i dlaczego akurat to?
- Pierwszy prompt — czy od razu buduje sensowny kontekst, czy pisze hasłowo i liczy na cud?
- Iteracja — jak reaguje na niewystarczający wynik? Czy potrafi zdiagnozować problem i poprawić prompt?
- Ocena outputu — czy akceptuje wynik bezkrytycznie, czy sprawdza go i kwestionuje?
- Czas — zaawansowany użytkownik jest wyraźnie szybszy, bo ma wypracowane wzorce.
Gotowe scenariusze per rola
Analityk / data: „Masz tę tabelę danych (podajesz plik CSV lub zrzut ekranu). Wyciągnij trzy wnioski dla zarządu i zaproponuj wykres. Możesz użyć dowolnego narzędzia AI.”
Marketer / content: „Mamy nowy produkt — oto brief (jeden akapit). Napisz trzy wersje nagłówka na landing page, każda do innego segmentu. Uzasadnij wybory.”
Developer: „Oto fragment kodu z błędem (realistyczny, nietrywialny). Użyj AI, żeby go zdiagnozować i naprawić. Powiedz głośno, co robisz.”
Product manager: „Masz wyniki ankiety od użytkowników (dziesięć opinii). Wyciągnij główne tematy i zaproponuj jedną funkcję do roadmapy. Uzasadnij decyzję.”
Po wykonaniu zadania zawsze zadaj jedno pytanie uzupełniające: „Co byś zrobił inaczej, gdybyś miał więcej czasu?” Odpowiedź ujawnia poziom samoświadomości i rozumienia ograniczeń własnego outputu.
Pytania techniczne i o narzędzia — dla ról zaawansowanych
Na poziomie 2 i 3 warto sprawdzić, czy kandydat rozumie ekosystem, a nie tylko obsługuje jeden interfejs.
Wiedza o ograniczeniach modeli: Zapytaj o halucynacje — dobra odpowiedź opisuje konkretny mechanizm i strategie mitygacji. Zapytaj o okno kontekstowe — czy kandydat wie, co się dzieje, gdy dokument jest za długi? To wiedza operacyjna, którą zdobywa się przez używanie, nie czytanie.
Orientacja w ekosystemie: Nie musisz pytać o szczegóły techniczne, ale warto sprawdzić, czy kandydat słyszał o i rozumie koncepcje takie jak: modele embeddingowe, RAG (Retrieval-Augmented Generation), agenty, automatyzacje z n8n lub Make. Przy rolach integratorskich — znajomość API OpenAI lub Anthropic, praca z tokenami i kosztami.
Znajomość narzędzi per kontekst zawodowy: Zamiast pytać ogólnie „z jakich AI korzystasz”, zapytaj: „Jakie narzędzie AI wybrałbyś do X i dlaczego?” — gdzie X to konkretny problem z codzienności danej roli. Odpowiedź bez uzasadnienia lub z uzasadnieniem „bo wszyscy go używają” to sygnał ostrzegawczy.
Sygnały z portfolio, kodu i próbek pracy
Weryfikację zacznij jeszcze przed rozmową.
GitHub i projekty publiczne: Szukaj repozytoriów z integracjami AI — promptów systemowych, skryptów wywołujących API, notebooków z modelami. Ważne: sprawdź daty commitów i komentarze w kodzie. Aktywny projekt z historią iteracji jest wiarygodniejszy niż jedno repozytorium wrzucone trzy dni przed aplikacją.
Portfolio i case studies: Dobry kandydat opisuje nie tylko efekt, ale proces — jakie narzędzie, jaki problem, jakie ograniczenia napotkał. Jeśli opis brzmi jak akapit z bloga korporacyjnego bez żadnych konkretów — traktuj to jako żółtą flagę.
Posty i artykuły: Aktywność merytoryczna w mediach (LinkedIn, Substack, blog) pokazuje, że kandydat myśli o AI poza godzinami pracy. Nie jest to konieczne, ale jeśli istnieje — zweryfikuj, czy treści są głębsze niż „top 10 promptów, które musisz znać”.
Pytania weryfikujące na rozmowie: Po przejrzeniu portfolio zapytaj: „W tym projekcie napisałeś, że używałeś AI do X. Jak wyglądał Twój prompt? Co nie zadziałało za pierwszym razem?” Prawdziwy autor odpowie bez wahania. Ktoś, kto opisał cudze doświadczenie — zacznie się plątać.
Czerwone flagi, które kończą rozmowę
Poniższe sygnały nie muszą dyskwalifikować kandydata z miejsca, ale powinny uruchomić pytania pogłębiające.
Odpowiedzi bez konkretów. „Używam AI do różnych rzeczy w pracy” bez przykładu po dopytaniu — to poziom 1 podający się za wyższy.
„AI zawsze działa dobrze.” Każda osoba, która naprawdę intensywnie korzysta z modeli, ma katalog porażek i frustracji. Brak takich historii to sygnał, że używanie jest powierzchowne.
Mylenie produktów konsumenckich z rozwiązaniami enterprise. Kandydat na rolę wymagającą integracji AI, który nie wie, czym różni się ChatGPT od API OpenAI — jest na poziomie 1, niezależnie od tego, co napisał w CV.
Buzzword-dropping bez substancji. „Pracuję z agentami AI i RAG” — a po dopytaniu nie potrafi wyjaśnić, co to oznacza w praktyce. Sygnał, że kandydat czytał o trendach, ale ich nie stosuje.
Brak jakiejkolwiek refleksji o ograniczeniach i ryzykach. Dojrzałe używanie AI obejmuje świadomość, gdzie modele zawodzą. Ktoś, kto mówi wyłącznie w superlatywach, prawdopodobnie nie zderzył się z nimi wystarczająco często.
Gdy trafisz na czerwoną flagę — nie kończ rozmowy od razu. Zadaj jedno konkretne pytanie pogłębiające: „Możesz podać przykład?” lub „Jak to wygląda w praktyce?”. Odpowiedź albo potwierdzi problem, albo wyjaśni nieporozumienie.
Podsumowanie: trzyetapowy protokół weryfikacji
Zamiast polegać na intuicji lub deklaracjach z CV, zastosuj powtarzalny schemat:
Krok 1 — przed rozmową: Przejrzyj portfolio, GitHub i ewentualne treści publiczne. Przygotuj dwa pytania pogłębiające do konkretnych rzeczy, które tam znalazłeś.
Krok 2 — podczas rozmowy: Trzy pytania behawioralne (konkretna sytuacja z ostatnich miesięcy, błąd AI i jak sobie z nim poradzono, proces weryfikacji outputu). Jedno zadanie live lub szczegółowy walkthrough przez projekt z portfolio.
Krok 3 — ocena: Czy odpowiedzi zawierają konkretne narzędzia, daty, liczby, opisy błędów? Czy kandydat mówi o ograniczeniach? Czy zadanie live ujawniło realne nawyki, czy tylko znajomość interfejsu?
Osoba, która naprawdę pracuje z AI, ma jedną cechę wspólną: mówi o tym jak o narzędziu, które czasem zawodzi, wymaga uwagi i ciągłego dopasowywania — nie jak o magicznej różdżce. To dobry kompas podczas każdej rozmowy.
