През 2018 година Amazon тихо изтегли вътрешен AI инструмент за първоначален скрининг на CV-та, след като екипът установи, че алгоритъмът систематично занижава оценките на жени кандидати в технически роли. Не защото някой го е програмирал умишлено така — а защото моделът беше обучен върху данни от десетилетие, в което преобладаваха мъже, и буквално «се научи», че мъжките кандидати са норма. Тази история днес е учебникарска илюстрация на това какво се случва, когато AI се внедрява без план срещу пристрастия.
Към 2026 разговорът се промени — не «дали» AI да участва в подбора, а «къде» и «с какви предпазни механизми». Тази статия е за HR директори в български компании, мениджъри по подбор в стартъпи и БПО центрове, и собственици на ATS системи, които оценяват AI добавки. Разглеждаме три метода, доказани в практиката, плюс едно скорошно академично проучване, което изяснява къде AI инструментите все още дават неприемливи грешки.
Защо AI в подбора често увеличава пристрастията вместо да ги намалява
Класическата грешка е да се пусне AI скрининг върху «историческите успешни наемания» на компанията. Ако в последните пет години една ИТ компания е назначила 90% мъже на технически роли, моделът ще научи, че мъжките характеристики корелират с успеха — без значение от истинската причина за това историческо разпределение. Резултатът е автоматизирано възпроизвеждане на дисбаланса, при това с уверена «обективност», която утежнява допълнителното оспорване.
Втората типична грешка е разполагане на AI инструментите в неправилната точка от фунията. Когато AI взема финалното решение «да/не покана на интервю», без човешки преглед на отхвърлените, фалшиво-отрицателните случаи се натрупват тихо. Когато AI обработва само езика на обявите за работа или подрежда CV-та по релевантност (но човек ги преглежда), рисковете от системно изключване намаляват значително.
Метод 1: Разположете AI точно там, където пристрастията започват
Изследването на Textio и подобни инструменти показва, че езикът на самата обява за работа е една от най-силните точки на изключване. Думи като «агресивен», «воин», «разрушител», «нинджа» реално намаляват кандидатурите от жени с между 15% и 25%. Atlassian приложи AI, обучен да открие тези думи преди обявата да е публикувана, и за една година увеличи дела на жените в техническите си наемания с 80%. Никой не е променил критериите за подбор; променил се е езикът на поканата.
За българския пазар този ефект работи в двете посоки. Български обяви често съдържат изрази като «млад и динамичен екип», които статистически отблъскват кандидати над 40 години и тези, които предпочитат стабилност пред темп. Същият метод — AI който подсказва алтернативни формулировки преди публикуване — разширява пула без жертви по качество.
Метод 2: Приложете AI там, където намалението на пристрастията е доказано
Unilever замени част от ранния скрининг с поведенчески тестове, оценени от AI — кратки игри, които измерват реакции, толерантност към риск, способност за работа в условия на променяща се информация. Тестовете са еднакви за всеки кандидат, независимо от училище или предишен работодател. Резултатът: +16% разнообразие в новите наемания, без понижение в качеството на представянето в работа.
Защо работи: поведенческите тестове премахват сигналите «кой» (име, училище, предишна компания), които съдържат най-много исторически пристрастия, и заменят със сигнали «какво» (как се справя с конкретна задача). Това не е панацея, но е област, в която AI има предимство пред човешкия преглед, защото елиминира несъзнателните асоциации.
Метод 3: Партнирайте с доставчик, който публикува одити срещу пристрастия
Третият метод не е техника, а критерий за избор на доставчик. Доставчиците на AI решения за HR, които публикуват редовни одити срещу пристрастия (по пол, възраст, етническа принадлежност, географски произход), и които позволяват вашият екип да изтегли agreggated data за собствен анализ, са по-безопасен залог. Тези, които третират алгоритъма като черна кутия и отказват външен преглед, са не само рисково решение, но често нарушават изискванията на GDPR и предстоящата AI регулация на ЕС.
22%-та грешка, която променя картината
Проучване на Университета на Мелбърн от 2025 година установи, че AI системите за анализ на видео интервюта — набиращи популярност както за първични скрининги — имат 22% грешка при оценяване на кандидати, чийто роден език не е английски. Не става дума за това, че кандидатите се справят лошо — става дума за това, че алгоритъмът интерпретира паузите, акцента и интонацията като «несигурност» или «ниска енергия».
За българския контекст това е особено важно: голяма част от наеманията в международни компании, които оперират в София, Пловдив и Варна, включват английски етап. Ако този етап минава през AI видео анализ, чисто статистически една пета от качествените кандидати ще бъдат подценени просто заради акцент. Решението не е да се изостави технологията, а да се ограничи нейната роля до «асистент» на човешки оценител, не «вратар» на покани за следващ кръг.
Контролен списък: какво да попитате доставчик на AI инструмент
| Въпрос | Защо има значение |
|---|---|
| Публикувате ли годишен одит срещу пристрастия? | Липсата е сигнал за непрозрачност |
| Кои демографски групи са били недопредставени в обучителните данни? | Зашитата срещу повторение зависи от честен отговор |
| Мога ли да получа агрегирана статистика на отхвърлените за моя екип? | Само така ще видите системни модели |
| Какъв е процентът на «човешки заобикалянея» при вашите клиенти? | Здравословна стойност: 5-15%; под 2% или над 40% са предупредителни |
| Как се справяте с не-английски акценти и говорни особености? | Ако отговорът е «не сме мерили», имате потенциалната Melbourne-грешка |
FAQ
Изисква ли AI Act на ЕС специфични мерки от българските работодатели?
Да. AI системите, използвани за HR решения, попадат в категория «висок риск». От 2026 година българските работодатели трябва да поддържат документация за това какви AI инструменти използват, какви оценки на риска са направили и какви мерки за човешки контрол съществуват. Глобите за нарушения са значителни и регулаторът ще проверява документацията, а не само резултатите.
За малък екип под 10 души има ли смисъл да се внедрява AI скрининг?
Не като самостоятелна функция. За екип, който наема 1-3 души на тримесечие, разходите за внедряване и поддръжка не се изплащат. По-полезен е AI-помощник за писане на обяви и евентуално за първоначално подреждане на CV-та — разликата от ръчно подреждане за толкова малък обем е минимална.
Какво да правя, ако настоящият ни ATS вече има AI скрининг функция, която не сме одитирали?
Първа стъпка: запитайте доставчика за документацията срещу пристрастия. Втора стъпка: за период от три месеца сравнявайте AI-препоръчаните top-10 кандидати с независим преглед на същите CV-та от двама колеги. Систематичните разлики (например AI постоянно пропуска кандидати над определена възраст) са основание за корекция в настройките или за смяна на инструмента.
Заключение: AI като асистент, не като съдия
Най-устойчивите HR екипи през 2026 година не са тези, които автоматизират най-много, а тези, които автоматизират най-умно. Trите метода — намеса в езика преди публикация, AI поведенчески тестове на ранен етап, и партньорство с прозрачни доставчици — имат измерими резултати при компании от мащаба на Atlassian и Unilever. За българския пазар ключът е да се избегне Melbourne-капана с акцентите и да се поддържа човешки контрол на най-чувствителните решения.
Ако започвате одит на текущата си HR технологична стека, добра стъпка е първо да публикувате нова обява през платформа, която показва ясни сигнали за разнообразие на кандидатите — bg.scrolljob.org предоставя метрики за състава на отговорилите без допълнителна настройка.