{"id":326,"date":"2026-09-18T14:16:20","date_gmt":"2026-09-18T12:16:20","guid":{"rendered":"https:\/\/aipowerrecruiter.com\/pl\/prompt-injection-w-cv\/"},"modified":"2026-10-05T17:53:14","modified_gmt":"2026-10-05T15:53:14","slug":"prompt-injection-w-cv","status":"publish","type":"post","link":"https:\/\/aipowerrecruiter.com\/pl\/prompt-injection-w-cv\/","title":{"rendered":"Prompt injection w CV \u2013 czy mo\u017cna zmanipulowa\u0107 AI w rekrutacji?"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Sztuczna inteligencja mo\u017ce analizowa\u0107 CV, por\u00f3wnywa\u0107 informacje z wymaganiami stanowiska i wspiera\u0107 ranking kandydat\u00f3w. Ryzyko pojawia si\u0119 wtedy, gdy dokument zawiera tre\u015b\u0107 przygotowan\u0105 nie dla rekrutera, lecz po to, aby wp\u0142yn\u0105\u0107 na spos\u00f3b dzia\u0142ania systemu.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Badania opublikowane w 2026 roku pokazuj\u0105, \u017ce takie pr\u00f3by wyst\u0119puj\u0105 r\u00f3wnie\u017c w rzeczywistych CV. Nie chodzi jednak o jeden mechanizm. W analizowanych publikacjach rozr\u00f3\u017cniono bezpo\u015brednie instrukcje kierowane do modelu oraz ukryte dane, kt\u00f3re mog\u0105 zmieni\u0107 spos\u00f3b interpretacji dokumentu.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Czym jest prompt injection w CV?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Prompt injection polega na umieszczeniu w danych wej\u015bciowych tre\u015bci, kt\u00f3ra ma wp\u0142yn\u0105\u0107 na zachowanie modelu j\u0119zykowego. W procesie rekrutacji takim \u017ar\u00f3d\u0142em danych mo\u017ce by\u0107 CV. Je\u017celi jego tre\u015b\u0107 trafia do du\u017cego modelu j\u0119zykowego, zawarta w dokumencie instrukcja mo\u017ce zosta\u0107 przetworzona razem z informacjami o kandydacie.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Gdy polecenie pochodzi z zewn\u0119trznego dokumentu, m\u00f3wimy o po\u015brednim prompt injection, czyli <em>indirect prompt injection<\/em>. Mechanizm ten opisano m.in. w publikacji \u201eMeasuring Real-World Prompt Injection Attacks in LLM-based Resume Screening\u201d. Przyk\u0142adem <em>instruction injection<\/em> by\u0142oby ukryte w CV polecenie nakazuj\u0105ce modelowi zignorowanie wcze\u015bniejszych instrukcji i przyznanie kandydatowi wy\u017cszej oceny. Taka tre\u015b\u0107 pr\u00f3buje bezpo\u015brednio zmieni\u0107 spos\u00f3b wykonania zadania przez model.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Dwa rodzaje manipulacji opisane w badaniu USENIX<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Autorzy badania rozr\u00f3\u017cnili bezpo\u015brednie instrukcje dla modelu oraz dodatkowe dane umieszczone w CV po to, aby wp\u0142yn\u0105\u0107 na jego analiz\u0119. To wa\u017cne, poniewa\u017c nie ka\u017cda ukryta tre\u015b\u0107 w dokumencie jest klasycznym poleceniem skierowanym do LLM.<\/p>\n\n\n\n<figure class=\"wp-block-table is-style-stripes\"><table class=\"has-fixed-layout\"><thead><tr><th>Mechanizm<\/th><th>Na czym polega?<\/th><th>Przyk\u0142ad<\/th><\/tr><\/thead><tbody><tr><td>Instruction injection<\/td><td>tre\u015b\u0107 pr\u00f3buje zmieni\u0107 spos\u00f3b dzia\u0142ania modelu<\/td><td>polecenie nakazuj\u0105ce podniesienie oceny kandydata<\/td><\/tr><tr><td>Data injection<\/td><td>do CV dodawane s\u0105 informacje maj\u0105ce wp\u0142yn\u0105\u0107 na analiz\u0119<\/td><td>ukryte kompetencje, do\u015bwiadczenie lub s\u0142owa kluczowe<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Data injection mo\u017ce przypomina\u0107 starsze techniki stosowane wobec system\u00f3w ATS opartych na s\u0142owach kluczowych. W przypadku systemu wykorzystuj\u0105cego LLM dodatkowa tre\u015b\u0107 mo\u017ce jednak zosta\u0107 w\u0142\u0105czona do kontekstu interpretowanego przez model. W rzeczywistych dokumentach badacze znajdowali m.in. tekst zapisany bardzo ma\u0142\u0105 czcionk\u0105 oraz tre\u015bci w kolorze zbli\u017conym do t\u0142a. Dla osoby ogl\u0105daj\u0105cej CV mog\u0142y by\u0107 niewidoczne, ale nadal dost\u0119pne w warstwie tekstowej dokumentu. Co istotne, zdecydowan\u0105 wi\u0119kszo\u015b\u0107 wykrytych przypadk\u00f3w stanowi\u0142o data injection, a nie bezpo\u015brednie instrukcje dla modelu. W zbiorze Applicant Match by\u0142o to 90,5%, a w zbiorze pochodz\u0105cym z system\u00f3w ATS \u2013 95,7%.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Jak cz\u0119sto takie tre\u015bci pojawiaj\u0105 si\u0119 w CV?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">W dw\u00f3ch zbiorach przeanalizowanych w badaniu USENIX podejrzane tre\u015bci wykryto w oko\u0142o 1% dokument\u00f3w.&nbsp; Badanie obj\u0119\u0142o \u0142\u0105cznie 196 682 rzeczywiste CV z dw\u00f3ch niezale\u017cnych \u017ar\u00f3de\u0142. Pierwszym by\u0142 produkcyjny system Applicant Match, drugim zbi\u00f3r dokument\u00f3w pochodz\u0105cych z wielu system\u00f3w ATS.<\/p>\n\n\n\n<figure class=\"wp-block-table is-style-stripes\"><table class=\"has-fixed-layout\"><thead><tr><th>\u0179r\u00f3d\u0142o<\/th><th>Liczba CV<\/th><th>CV wskazane przez HCD<\/th><th>Udzia\u0142<\/th><\/tr><\/thead><tbody><tr><td>Applicant Match<\/td><td>83 277<\/td><td>993<\/td><td>1,19%<\/td><\/tr><tr><td>Systemy ATS<\/td><td>113 405<\/td><td>1 037<\/td><td>0,91%<\/td><\/tr><tr><td>\u0141\u0105cznie<\/td><td>196 682<\/td><td>2 030<\/td><td>ok. 1%<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Wyniku nie nale\u017cy traktowa\u0107 jako odsetka wszystkich CV wyst\u0119puj\u0105cych na rynku pracy. To oszacowanie uzyskane przy u\u017cyciu konkretnego detektora i dw\u00f3ch okre\u015blonych zbior\u00f3w dokument\u00f3w.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Jak wykrywano podejrzane tre\u015bci?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Do analizy wykorzystano <em>Hybrid Cascade Detector<\/em> (HCD). Najpierw sprawdza\u0142 cechy dokumentu, takie jak wielko\u015b\u0107 tekstu i jego widoczno\u015b\u0107 na tle. Nast\u0119pnie model j\u0119zykowy ocenia\u0142 podejrzane fragmenty pod k\u0105tem celowej pr\u00f3by manipulacji. Takie podej\u015bcie pozwala wykrywa\u0107 r\u00f3wnie\u017c przypadki, kt\u00f3re nie zawieraj\u0105 charakterystycznych polece\u0144 skierowanych bezpo\u015brednio do modelu.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Czy ukryta tre\u015b\u0107 mo\u017ce zmieni\u0107 ranking kandydat\u00f3w?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">W kontrolowanych eksperymentach dodatkowa tre\u015b\u0107 mog\u0142a wp\u0142ywa\u0107 na kolejno\u015b\u0107 CV, ale skala efektu zale\u017ca\u0142a od modelu i struktury badanej puli. Publikacja \u201ePrompt Injection in Automated R\u00e9sum\u00e9 Screening with Large Language Models: Single and Multi-Injection Settings\u201d analizowa\u0142a jedno stanowisko \u2013 specjalist\u0119 wsparcia IT \u2013 oraz dziesi\u0119\u0107 kontrolowanych CV. Modele GPT-4o-mini i DeepSeek-V3.2 mia\u0142y uporz\u0105dkowa\u0107 kandydat\u00f3w, a jednym z kontrolowanych wska\u017anik\u00f3w by\u0142a liczba lat do\u015bwiadczenia odpowiedniego dla stanowiska. Eksperyment nie odwzorowywa\u0142 pe\u0142nego procesu rekrutacji. Pozwala\u0142 natomiast sprawdzi\u0107, czy w okre\u015blonych warunkach dodana tre\u015b\u0107 mo\u017ce zmieni\u0107 wzgl\u0119dn\u0105 pozycj\u0119 dokumentu.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Kiedy wp\u0142yw by\u0142 najwi\u0119kszy?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Efekt by\u0142 wyra\u017aniejszy wtedy, gdy CV by\u0142y do siebie zbli\u017cone pod wzgl\u0119dem kontrolowanego wska\u017anika jako\u015bci. W cz\u0119\u015bci eksperyment\u00f3w dokument z ni\u017csz\u0105 warto\u015bci\u0105 tego wska\u017anika przesuwa\u0142 si\u0119 przed dokument z warto\u015bci\u0105 wy\u017csz\u0105. Przy wi\u0119kszych r\u00f3\u017cnicach pomi\u0119dzy kandydatami wp\u0142yw manipulacji by\u0142 przeci\u0119tnie s\u0142abszy. To sugeruje, \u017ce podatno\u015b\u0107 systemu mo\u017ce by\u0107 szczeg\u00f3lnie istotna w sytuacjach, w kt\u00f3rych model rozstrzyga pomi\u0119dzy kandydatami o zbli\u017conych parametrach.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Co si\u0119 dzieje, gdy podobn\u0105 metod\u0119 stosuje wi\u0119cej os\u00f3b?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Gdy dodatkow\u0105 tre\u015b\u0107 zawiera\u0142o wi\u0119cej CV, przewaga pojedynczego dokumentu mala\u0142a. Zmodyfikowane aplikacje zaczyna\u0142y konkurowa\u0107 mi\u0119dzy sob\u0105, a efekt rankingowy pojedynczej ingerencji stawa\u0142 si\u0119 s\u0142abszy. Pokazuje to, \u017ce skuteczno\u015b\u0107 manipulacji zale\u017cy nie tylko od konstrukcji jednego CV, ale r\u00f3wnie\u017c od pozosta\u0142ych dokument\u00f3w znajduj\u0105cych si\u0119 w analizowanej puli.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Czy prompt injection mo\u017cna wykrywa\u0107 automatycznie?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Automatyczne wykrywanie pr\u00f3b prompt injection jest mo\u017cliwe, ale jego skuteczno\u015b\u0107 zale\u017cy od zastosowanej metody i rodzaju analizowanych dokument\u00f3w. Jednym z rozwi\u0105za\u0144 opisanych w 2026 roku jest RAPIDS (<em>Resume Attack Prompt Injection Detection at Scale<\/em>). Metoda dzia\u0142a dwuetapowo: najpierw mniejszy model wskazuje podejrzane CV, a nast\u0119pnie wybrane przypadki trafiaj\u0105 do wi\u0119kszego modelu, kt\u00f3ry je dodatkowo weryfikuje.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">W badanych zbiorach RAPIDS osi\u0105ga\u0142 co najmniej 98% czu\u0142o\u015bci wykrywania. W opisanej konfiguracji skraca\u0142 te\u017c czas analizy ponad 20-krotnie i ogranicza\u0142 jej koszt oko\u0142o 28-krotnie w por\u00f3wnaniu z analizowaniem ka\u017cdego CV przez GPT-5-mini. S\u0105 to jednak wyniki konkretnego eksperymentu, a nie uniwersalne parametry wszystkich system\u00f3w rekrutacyjnych. Badanie obejmowa\u0142o CV w j\u0119zyku angielskim, dlatego nie mo\u017cna zak\u0142ada\u0107, \u017ce taki sam poziom skuteczno\u015bci zostanie osi\u0105gni\u0119ty dla dokument\u00f3w po polsku.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Czy problem ma ju\u017c polski kontekst?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Wed\u0142ug przeanalizowanych materia\u0142\u00f3w, do wrze\u015bnia 2026 roku nie znaleziono opublikowanego polskiego badania mierz\u0105cego skal\u0119 prompt injection bezpo\u015brednio w CV. Istnieje jednak przyk\u0142ad podobnego problemu w innym procesie oceny dokument\u00f3w. Narodowe Centrum Nauki przeprowadzi\u0142o w 2025 roku sonda\u017c dotycz\u0105cy wykorzystania generatywnej sztucznej inteligencji przy przygotowywaniu i ocenie wniosk\u00f3w grantowych. Odpowiedzi udzieli\u0142o 2708 z 8863 zaproszonych kierownik\u00f3w projekt\u00f3w naukowych.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">W komentarzach uczestnik\u00f3w wskazywano m.in. mo\u017cliwo\u015b\u0107 manipulowania dokumentami poprzez ukryte instrukcje zapisane bia\u0142\u0105 czcionk\u0105 oraz nadmierne wykorzystanie s\u0142\u00f3w kluczowych. Nie by\u0142o to badanie dotycz\u0105ce rekrutacji ani CV, dlatego nie pozwala okre\u015bli\u0107 skali zjawiska w\u015br\u00f3d kandydat\u00f3w. Pokazuje natomiast, \u017ce problem tre\u015bci przygotowywanych pod algorytmiczn\u0105 ocen\u0119 pojawia si\u0119 tak\u017ce w innych procesach.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Jak ogranicza\u0107 ryzyko prompt injection podczas analizy CV?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Z dost\u0119pnych bada\u0144 nie wynika, aby jedno zabezpieczenie eliminowa\u0142o ca\u0142e ryzyko. Potrzebna jest kontrola kilku element\u00f3w procesu przetwarzania dokumentu.<\/p>\n\n\n\n<figure class=\"wp-block-table is-style-stripes\"><table class=\"has-fixed-layout\"><thead><tr><th>Obszar<\/th><th>Co warto kontrolowa\u0107?<\/th><\/tr><\/thead><tbody><tr><td>Dokument<\/td><td>tre\u015bci ukryte lub niewidoczne podczas zwyk\u0142ego przegl\u0105dania<\/td><\/tr><tr><td>Odczyt CV<\/td><td>r\u00f3\u017cnice mi\u0119dzy wygl\u0105dem dokumentu a tekstem wydobytym z pliku<\/td><\/tr><tr><td>Model j\u0119zykowy<\/td><td>oddzielenie danych z CV od instrukcji steruj\u0105cych analiz\u0105<\/td><\/tr><tr><td>Ocena<\/td><td>zgodno\u015b\u0107 wyniku z wcze\u015bniej okre\u015blonymi kryteriami<\/td><\/tr><tr><td>Dalsza weryfikacja<\/td><td>potwierdzanie istotnych informacji na kolejnych etapach<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Badanie USENIX zwraca r\u00f3wnie\u017c uwag\u0119 na por\u00f3wnanie tego, co widzi cz\u0142owiek, z tym, co odczytuje system. Autorzy opracowali <em>Visual Discrepancy Analyzer<\/em> (VDA), kt\u00f3ry zestawia wyrenderowan\u0105 stron\u0119 PDF z tekstem wydobytym z dokumentu. Pozwala to wskazywa\u0107 tre\u015bci istniej\u0105ce w strukturze pliku, ale niewidoczne w jego wizualnej wersji.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Jak wnioski z bada\u0144 przek\u0142adaj\u0105 si\u0119 na AI Power Recruiter?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Najwa\u017cniejszym wnioskiem dla procesu rekrutacyjnego jest potrzeba oddzielenia tre\u015bci CV od kryteri\u00f3w, wed\u0142ug kt\u00f3rych kandydat jest oceniany. W AI Power Recruiter wymagania stanowiska mo\u017cna okre\u015bli\u0107 przed rozpocz\u0119ciem rekrutacji i przypisa\u0107 im odpowiednie wagi. Kandydaci s\u0105 nast\u0119pnie por\u00f3wnywani wed\u0142ug wcze\u015bniej zdefiniowanych kryteri\u00f3w.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Wi\u0119cej informacji ni\u017c dokument aplikacyjny<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">AI Power Recruiter pozwala uzupe\u0142nia\u0107 dane z CV odpowiedziami z formularzy oraz informacjami z kolejnych etap\u00f3w procesu. Dzi\u0119ki temu profil kandydata mo\u017ce by\u0107 rozwijany wraz z pojawianiem si\u0119 nowych danych. Nie jest to zabezpieczenie przed samym prompt injection. Ma inne znaczenie: pozwala konfrontowa\u0107 informacje z dokumentu z materia\u0142em pozyskanym p\u00f3\u017aniej.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Ranking z uzasadnieniem<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">System porz\u0105dkuje kandydat\u00f3w wed\u0142ug okre\u015blonych wcze\u015bniej wymaga\u0144 i ich wag. Rekruter mo\u017ce sprawdzi\u0107 uzasadnienia ocen oraz zestawi\u0107 je z informacjami zgromadzonymi w procesie. Explainable AI ma w tym przypadku szczeg\u00f3lne znaczenie: pozwala zobaczy\u0107 podstaw\u0119 oceny, zamiast ogranicza\u0107 si\u0119 do samego wyniku liczbowego. Nie oznacza jednak, \u017ce system potwierdza prawdziwo\u015b\u0107 informacji znajduj\u0105cych si\u0119 w CV.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Co prompt injection zmienia w podej\u015bciu do analizy CV?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">W systemie wykorzystuj\u0105cym LLM CV nie jest ju\u017c wy\u0142\u0105cznie dokumentem opisuj\u0105cym kandydata. Jest tak\u017ce danymi wej\u015bciowymi, kt\u00f3re mog\u0105 wp\u0142ywa\u0107 na zachowanie modelu. To zmienia spos\u00f3b projektowania analizy. Trzeba uwzgl\u0119dnia\u0107 nie tylko informacje zapisane w dokumencie, ale r\u00f3wnie\u017c spos\u00f3b wydobywania tekstu, r\u00f3\u017cnice mi\u0119dzy warstw\u0105 wizualn\u0105 a maszynowym odczytem oraz oddzielenie tre\u015bci kandydata od instrukcji steruj\u0105cych systemem.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dlatego problem prompt injection nie sprowadza si\u0119 do pytania, czy model \u201edobrze czyta CV\u201d. Kluczowe jest to, czy ca\u0142y proces analizy jest odporny na dokument, kt\u00f3rego tre\u015b\u0107 mo\u017ce zosta\u0107 celowo przygotowana z my\u015bl\u0105 o sposobie dzia\u0142ania systemu.<\/p>\n\n","protected":false},"excerpt":{"rendered":"<p>Sztuczna inteligencja mo\u017ce analizowa\u0107 CV, por\u00f3wnywa\u0107 informacje z wymaganiami stanowiska i wspiera\u0107 ranking kandydat\u00f3w. Ryzyko pojawia si\u0119 wtedy, gdy dokument zawiera tre\u015b\u0107 przygotowan\u0105 nie dla rekrutera, lecz po to, aby wp\u0142yn\u0105\u0107 na spos\u00f3b dzia\u0142ania systemu. Badania opublikowane w 2026 roku pokazuj\u0105, \u017ce takie pr\u00f3by wyst\u0119puj\u0105 r\u00f3wnie\u017c w rzeczywistych CV. Nie chodzi jednak o jeden mechanizm. [&hellip;]<\/p>\n","protected":false},"author":11,"featured_media":293,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_aac_template":"aipr","_beeclear_ctt_text":"","_beeclear_ctt_class":"","_beeclear_ctt_element":"","_beeclear_ctt_is_custom_code":false,"footnotes":""},"categories":[19],"tags":[],"class_list":["post-326","post","type-post","status-publish","format-standard","has-post-thumbnail","category-porady-hr"],"_links":{"self":[{"href":"https:\/\/aipowerrecruiter.com\/pl\/wp-json\/wp\/v2\/posts\/326","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aipowerrecruiter.com\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aipowerrecruiter.com\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aipowerrecruiter.com\/pl\/wp-json\/wp\/v2\/users\/11"}],"replies":[{"embeddable":true,"href":"https:\/\/aipowerrecruiter.com\/pl\/wp-json\/wp\/v2\/comments?post=326"}],"version-history":[{"count":1,"href":"https:\/\/aipowerrecruiter.com\/pl\/wp-json\/wp\/v2\/posts\/326\/revisions"}],"predecessor-version":[{"id":358,"href":"https:\/\/aipowerrecruiter.com\/pl\/wp-json\/wp\/v2\/posts\/326\/revisions\/358"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aipowerrecruiter.com\/pl\/wp-json\/wp\/v2\/media\/293"}],"wp:attachment":[{"href":"https:\/\/aipowerrecruiter.com\/pl\/wp-json\/wp\/v2\/media?parent=326"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aipowerrecruiter.com\/pl\/wp-json\/wp\/v2\/categories?post=326"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aipowerrecruiter.com\/pl\/wp-json\/wp\/v2\/tags?post=326"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}