Sztuczna inteligencja może analizować CV, porównywać informacje z wymaganiami stanowiska i wspierać ranking kandydatów. Ryzyko pojawia się wtedy, gdy dokument zawiera treść przygotowaną nie dla rekrutera, lecz po to, aby wpłynąć na sposób działania systemu.
Spis treści
- Czym jest prompt injection w CV?
- Dwa rodzaje manipulacji opisane w badaniu USENIX
- Jak często takie treści pojawiają się w CV?
- Czy ukryta treść może zmienić ranking kandydatów?
- Czy prompt injection można wykrywać automatycznie?
- Czy problem ma już polski kontekst?
- Jak ograniczać ryzyko prompt injection podczas analizy CV?
- Jak wnioski z badań przekładają się na AI Power Recruiter?
- Co prompt injection zmienia w podejściu do analizy CV?
Badania opublikowane w 2026 roku pokazują, że takie próby występują również w rzeczywistych CV. Nie chodzi jednak o jeden mechanizm. W analizowanych publikacjach rozróżniono bezpośrednie instrukcje kierowane do modelu oraz ukryte dane, które mogą zmienić sposób interpretacji dokumentu.
Czym jest prompt injection w CV?
Prompt injection polega na umieszczeniu w danych wejściowych treści, która ma wpłynąć na zachowanie modelu językowego. W procesie rekrutacji takim źródłem danych może być CV. Jeżeli jego treść trafia do dużego modelu językowego, zawarta w dokumencie instrukcja może zostać przetworzona razem z informacjami o kandydacie.
Gdy polecenie pochodzi z zewnętrznego dokumentu, mówimy o pośrednim prompt injection, czyli indirect prompt injection. Mechanizm ten opisano m.in. w publikacji „Measuring Real-World Prompt Injection Attacks in LLM-based Resume Screening”. Przykładem instruction injection byłoby ukryte w CV polecenie nakazujące modelowi zignorowanie wcześniejszych instrukcji i przyznanie kandydatowi wyższej oceny. Taka treść próbuje bezpośrednio zmienić sposób wykonania zadania przez model.
Dwa rodzaje manipulacji opisane w badaniu USENIX
Autorzy badania rozróżnili bezpośrednie instrukcje dla modelu oraz dodatkowe dane umieszczone w CV po to, aby wpłynąć na jego analizę. To ważne, ponieważ nie każda ukryta treść w dokumencie jest klasycznym poleceniem skierowanym do LLM.
| Mechanizm | Na czym polega? | Przykład |
|---|---|---|
| Instruction injection | treść próbuje zmienić sposób działania modelu | polecenie nakazujące podniesienie oceny kandydata |
| Data injection | do CV dodawane są informacje mające wpłynąć na analizę | ukryte kompetencje, doświadczenie lub słowa kluczowe |
Data injection może przypominać starsze techniki stosowane wobec systemów ATS opartych na słowach kluczowych. W przypadku systemu wykorzystującego LLM dodatkowa treść może jednak zostać włączona do kontekstu interpretowanego przez model. W rzeczywistych dokumentach badacze znajdowali m.in. tekst zapisany bardzo małą czcionką oraz treści w kolorze zbliżonym do tła. Dla osoby oglądającej CV mogły być niewidoczne, ale nadal dostępne w warstwie tekstowej dokumentu. Co istotne, zdecydowaną większość wykrytych przypadków stanowiło data injection, a nie bezpośrednie instrukcje dla modelu. W zbiorze Applicant Match było to 90,5%, a w zbiorze pochodzącym z systemów ATS – 95,7%.
Jak często takie treści pojawiają się w CV?
W dwóch zbiorach przeanalizowanych w badaniu USENIX podejrzane treści wykryto w około 1% dokumentów. Badanie objęło łącznie 196 682 rzeczywiste CV z dwóch niezależnych źródeł. Pierwszym był produkcyjny system Applicant Match, drugim zbiór dokumentów pochodzących z wielu systemów ATS.
| Źródło | Liczba CV | CV wskazane przez HCD | Udział |
|---|---|---|---|
| Applicant Match | 83 277 | 993 | 1,19% |
| Systemy ATS | 113 405 | 1 037 | 0,91% |
| Łącznie | 196 682 | 2 030 | ok. 1% |
Wyniku nie należy traktować jako odsetka wszystkich CV występujących na rynku pracy. To oszacowanie uzyskane przy użyciu konkretnego detektora i dwóch określonych zbiorów dokumentów.
Jak wykrywano podejrzane treści?
Do analizy wykorzystano Hybrid Cascade Detector (HCD). Najpierw sprawdzał cechy dokumentu, takie jak wielkość tekstu i jego widoczność na tle. Następnie model językowy oceniał podejrzane fragmenty pod kątem celowej próby manipulacji. Takie podejście pozwala wykrywać również przypadki, które nie zawierają charakterystycznych poleceń skierowanych bezpośrednio do modelu.
Czy ukryta treść może zmienić ranking kandydatów?
W kontrolowanych eksperymentach dodatkowa treść mogła wpływać na kolejność CV, ale skala efektu zależała od modelu i struktury badanej puli. Publikacja „Prompt Injection in Automated Résumé Screening with Large Language Models: Single and Multi-Injection Settings” analizowała jedno stanowisko – specjalistę wsparcia IT – oraz dziesięć kontrolowanych CV. Modele GPT-4o-mini i DeepSeek-V3.2 miały uporządkować kandydatów, a jednym z kontrolowanych wskaźników była liczba lat doświadczenia odpowiedniego dla stanowiska. Eksperyment nie odwzorowywał pełnego procesu rekrutacji. Pozwalał natomiast sprawdzić, czy w określonych warunkach dodana treść może zmienić względną pozycję dokumentu.
Kiedy wpływ był największy?
Efekt był wyraźniejszy wtedy, gdy CV były do siebie zbliżone pod względem kontrolowanego wskaźnika jakości. W części eksperymentów dokument z niższą wartością tego wskaźnika przesuwał się przed dokument z wartością wyższą. Przy większych różnicach pomiędzy kandydatami wpływ manipulacji był przeciętnie słabszy. To sugeruje, że podatność systemu może być szczególnie istotna w sytuacjach, w których model rozstrzyga pomiędzy kandydatami o zbliżonych parametrach.
Co się dzieje, gdy podobną metodę stosuje więcej osób?
Gdy dodatkową treść zawierało więcej CV, przewaga pojedynczego dokumentu malała. Zmodyfikowane aplikacje zaczynały konkurować między sobą, a efekt rankingowy pojedynczej ingerencji stawał się słabszy. Pokazuje to, że skuteczność manipulacji zależy nie tylko od konstrukcji jednego CV, ale również od pozostałych dokumentów znajdujących się w analizowanej puli.
Czy prompt injection można wykrywać automatycznie?
Automatyczne wykrywanie prób prompt injection jest możliwe, ale jego skuteczność zależy od zastosowanej metody i rodzaju analizowanych dokumentów. Jednym z rozwiązań opisanych w 2026 roku jest RAPIDS (Resume Attack Prompt Injection Detection at Scale). Metoda działa dwuetapowo: najpierw mniejszy model wskazuje podejrzane CV, a następnie wybrane przypadki trafiają do większego modelu, który je dodatkowo weryfikuje.
W badanych zbiorach RAPIDS osiągał co najmniej 98% czułości wykrywania. W opisanej konfiguracji skracał też czas analizy ponad 20-krotnie i ograniczał jej koszt około 28-krotnie w porównaniu z analizowaniem każdego CV przez GPT-5-mini. Są to jednak wyniki konkretnego eksperymentu, a nie uniwersalne parametry wszystkich systemów rekrutacyjnych. Badanie obejmowało CV w języku angielskim, dlatego nie można zakładać, że taki sam poziom skuteczności zostanie osiągnięty dla dokumentów po polsku.
Czy problem ma już polski kontekst?
Według przeanalizowanych materiałów, do września 2026 roku nie znaleziono opublikowanego polskiego badania mierzącego skalę prompt injection bezpośrednio w CV. Istnieje jednak przykład podobnego problemu w innym procesie oceny dokumentów. Narodowe Centrum Nauki przeprowadziło w 2025 roku sondaż dotyczący wykorzystania generatywnej sztucznej inteligencji przy przygotowywaniu i ocenie wniosków grantowych. Odpowiedzi udzieliło 2708 z 8863 zaproszonych kierowników projektów naukowych.
W komentarzach uczestników wskazywano m.in. możliwość manipulowania dokumentami poprzez ukryte instrukcje zapisane białą czcionką oraz nadmierne wykorzystanie słów kluczowych. Nie było to badanie dotyczące rekrutacji ani CV, dlatego nie pozwala określić skali zjawiska wśród kandydatów. Pokazuje natomiast, że problem treści przygotowywanych pod algorytmiczną ocenę pojawia się także w innych procesach.
Jak ograniczać ryzyko prompt injection podczas analizy CV?
Z dostępnych badań nie wynika, aby jedno zabezpieczenie eliminowało całe ryzyko. Potrzebna jest kontrola kilku elementów procesu przetwarzania dokumentu.
| Obszar | Co warto kontrolować? |
|---|---|
| Dokument | treści ukryte lub niewidoczne podczas zwykłego przeglądania |
| Odczyt CV | różnice między wyglądem dokumentu a tekstem wydobytym z pliku |
| Model językowy | oddzielenie danych z CV od instrukcji sterujących analizą |
| Ocena | zgodność wyniku z wcześniej określonymi kryteriami |
| Dalsza weryfikacja | potwierdzanie istotnych informacji na kolejnych etapach |
Badanie USENIX zwraca również uwagę na porównanie tego, co widzi człowiek, z tym, co odczytuje system. Autorzy opracowali Visual Discrepancy Analyzer (VDA), który zestawia wyrenderowaną stronę PDF z tekstem wydobytym z dokumentu. Pozwala to wskazywać treści istniejące w strukturze pliku, ale niewidoczne w jego wizualnej wersji.
Jak wnioski z badań przekładają się na AI Power Recruiter?
Najważniejszym wnioskiem dla procesu rekrutacyjnego jest potrzeba oddzielenia treści CV od kryteriów, według których kandydat jest oceniany. W AI Power Recruiter wymagania stanowiska można określić przed rozpoczęciem rekrutacji i przypisać im odpowiednie wagi. Kandydaci są następnie porównywani według wcześniej zdefiniowanych kryteriów.
Więcej informacji niż dokument aplikacyjny
AI Power Recruiter pozwala uzupełniać dane z CV odpowiedziami z formularzy oraz informacjami z kolejnych etapów procesu. Dzięki temu profil kandydata może być rozwijany wraz z pojawianiem się nowych danych. Nie jest to zabezpieczenie przed samym prompt injection. Ma inne znaczenie: pozwala konfrontować informacje z dokumentu z materiałem pozyskanym później.
Ranking z uzasadnieniem
System porządkuje kandydatów według określonych wcześniej wymagań i ich wag. Rekruter może sprawdzić uzasadnienia ocen oraz zestawić je z informacjami zgromadzonymi w procesie. Explainable AI ma w tym przypadku szczególne znaczenie: pozwala zobaczyć podstawę oceny, zamiast ograniczać się do samego wyniku liczbowego. Nie oznacza jednak, że system potwierdza prawdziwość informacji znajdujących się w CV.
Co prompt injection zmienia w podejściu do analizy CV?
W systemie wykorzystującym LLM CV nie jest już wyłącznie dokumentem opisującym kandydata. Jest także danymi wejściowymi, które mogą wpływać na zachowanie modelu. To zmienia sposób projektowania analizy. Trzeba uwzględniać nie tylko informacje zapisane w dokumencie, ale również sposób wydobywania tekstu, różnice między warstwą wizualną a maszynowym odczytem oraz oddzielenie treści kandydata od instrukcji sterujących systemem.
Dlatego problem prompt injection nie sprowadza się do pytania, czy model „dobrze czyta CV”. Kluczowe jest to, czy cały proces analizy jest odporny na dokument, którego treść może zostać celowo przygotowana z myślą o sposobie działania systemu.
