# AI w HR to nie sprawa dla Unilever. To sprawa dla MŚP

> Od Unilever do MŚP: replikacja enterprise'owych workflow w 4 tygodnie za 500 €/miesiąc

Source: https://www.electe.net/pl/post/l-ai-in-hr-non-roba-da-unilever-roba-da-pmi

Site guide: https://www.electe.net/pl/llms.txt

Co tydzień, rozmawiając z firmami w Europie, słyszę to samo zdanie:
**„AI w HR to dla dużych graczy. My nie jesteśmy Unileverem.”**

To kosztowny mit.

Rzeczywistość jest taka: te same schematy, które dziś pozwalają korporacjom oszczędzać miliony, może odtworzyć każda MŚP za **100–500 €/miesiąc**, korzystając z narzędzi freemium, odrobiny automatyzacji i danych, które już posiada.

## **Enterprise vs MŚP: różnica jest znacznie mniejsza, niż się wydaje**

Unilever przetwarza 250 000 aplikacji rocznie z pomocą AI i oszczędza 1 mln €.
50-osobowy startup wdraża wewnętrznie mini-workflow zautomatyzowany i oszczędza 10–15 godzin/tydz., inwestując 100–200 €/miesiąc.

Nie potrzeba technologii klasy enterprise. Potrzebna jest logika: automatyzować, standaryzować, przewidywać.

_(To koszty licencji na oprogramowanie przy wdrożeniu DIY. Setup wymaga 20–100 godzin pracy wewnętrznej jednorazowo, w zależności od złożoności.)_

## Dane to potwierdzają

Mastercard wygenerował 21 mln $ dzięki swojemu talent marketplace opartemu na AI.
Ale nawet MŚP może osiągnąć –75% czasu screeningu dzięki automatyzacjom Zapier za 20 €/miesiąc.
Modele open source (Random Forest, XGBoost) osiągają 85–95% trafności w przewidywaniu rotacji, korzystając wyłącznie z danych HRIS.

## Koszt wejścia: gwałtownie spadł

AI w HR dziś zaczyna się od 0 €:

- Parsowanie CV → za darmo
- Modele predykcyjne → open source
- Automatyzacje → Zapier/Make od 20 €/miesiąc
- ATS → freemium

Przy 20–40 godzinach wewnętrznego setupu MŚP może zbudować system, który:

- eliminuje 15–20 godzin/tydzień pracy manualnej
- identyfikuje pracowników zagrożonych odejściem, zanim faktycznie odejdą
- skraca time-to-hire o 40–60%

_Złożoność maleje. Możliwości rosną._

## 📊 Case study: lombardzka firma produkcyjna MŚP (120 pracowników)

Model predykcyjny DIY zidentyfikował 3 pracowników wysokiego ryzyka, którzy nie byli na radarze działu HR. Dzięki interwencji wobec 2 z nich firma uniknęła 90 tys. € kosztów rotacji. Całkowita inwestycja w 1. roku: 5 000 €. ROI: 1700%.

Konkretny setup (3 tygodnie):

- Eksport danych historycznych HRIS (3 lata): nadgodziny, wynagrodzenie, ostatni awans, ankieta satysfakcji, dane o odejściach
- Trenowanie modelu Random Forest na 180 wcześniejszych odejściach + 300 aktywnych pracownikach
- Najbardziej predykcyjne zmienne: nadgodziny >12h/tydzień, brak awansu >3 lata, wynik satysfakcji <6/10

Wynik: model oznaczył 3 pracowników z 85%+ prawdopodobieństwem odejścia w ciągu 6 miesięcy.
Dwóch z nich nie wykazywało żadnych oczywistych sygnałów ryzyka („stabilni od 8+ lat, brak sygnałów niezadowolenia”).

Analiza manualna po oznaczeniu:

- Pracownik A: stałe nadgodziny (15h/tydzień) + brak awansu od 4 lat → otrzymał ofertę zewnętrzną
- Pracownik B: wynagrodzenie 18% poniżej rynku + satysfakcja 5/10 → aktywnie przeglądał LinkedIn
- Pracownik C: już zdecydował się zmienić pracę, by rozpocząć nową ścieżkę zawodową → decyzja potwierdzona podczas rozmowy exit interview

Interwencja: podwyżka wynagrodzenia +12% (A i B) + pisemny plan kariery + redukcja nadgodzin.
Zatrzymano A i B. **C nie dało się zatrzymać.**

_„Mieliśmy te dane w HRIS od lat. Analitykowi danych zajęło 8 godzin wyciągnięcie CSV i uruchomienie skryptu w Pythonie. Wartość nie tkwiła w wyrafinowanej technologii, lecz w spojrzeniu na dane, które już mieliśmy.” — HR Manager_

Pytanie nie brzmi „czy nas na to stać?”. Pytanie brzmi: masz 20–40 godzin na wdrożenie? Jeśli tak, zwrot jest praktycznie gwarantowany — w każdej skali.

## Jak MŚP mogą powielić AI klasy enterprise (bez budżetu enterprise)

**Workflow Unilever krok po kroku: co dzieje się naprawdę na każdym etapie**

Proces rekrutacji AI Unilever dla Future Leaders Programme to gold standard branży. Uruchomiony w 2016 roku, skrócił time-to-hire z 4-6 miesięcy do 4 tygodni, przetwarzając 1,8 miliona aplikacji rocznie na 30 000 stanowisk.

### Krok 1 → Aplikacja przez LinkedIn (10-15 minut)

Kandydat łączy bezpośrednio profil LinkedIn bez tradycyjnego CV. Ten wybór poszerzył talent pool z 840 do 2600 reprezentowanych uczelni.

### Krok 2 → Pymetrics Games (20-30 minut)

12 gier neuronaukowych mierzy 91 cech poznawczych i emocjonalnych: uwagę, podejmowanie decyzji, tolerancję ryzyka, rozpoznawanie emocji, odporność psychiczną. System porównuje profil z benchmarkiem top performerów. 98% kandydatów kończy ten etap (vs 50% w tradycyjnym procesie).

### Krok 3 → Wideorozmowa HireVue (30 minut)

Wideo asynchroniczne. Od 2021 roku analiza mimiki twarzy jest eliminowana: niska moc predykcyjna (0,25%-4%) i bias.
AI analizuje wyłącznie treść semantyczną i wzorce mowy. Odfiltrowuje do 80%.

### Krok 4 → Discovery Center Day

3500 finalistów spośród 250 000 aplikacji. 800 zatrudnień rocznie.

**Udokumentowane wyniki:**
-75% czasu rekrutera, £1M zaoszczędzone rocznie, +16% różnorodności w zespole, osiągnięta parytet płci, offer acceptance z 64% do 82% ✅

_Sztuczna inteligencja ujawnia powiązania, możliwości i ścieżki, których żaden ręczny proces nie jest w stanie wydobyć na światło dzienne. To, co było ukryte, staje się widoczne._

## 2. Technologia stojąca za wewnętrznymi talent marketplace

Internal Talent Marketplace to najbardziej zaawansowana forma AI dla mobilności wewnętrznej.
Gloat zbiera umiejętności z samodzielnych deklaracji, historii zatrudnienia i sygnałów rynkowych, z dynamiczną ontologią.

**Case study Mastercard "Unlocked"**
Wyniki: 21 mln USD oszczędności, 900 000 odblokowanych godzin, 62% adopcji, +80% satysfakcji, +30% retencji.

**Case study Schneider Electric "Open Talent Market"**
60% adopcji w 2 miesiące, 360 000 odblokowanych godzin, ponad 15 mln USD oszczędności, NPS 60.

## 3. Zmienne, które naprawdę przewidują rotację pracowników

Model IBM Watson wykorzystuje 35 zmiennych.

Najbardziej predykcyjne:

- OverTime
- JobSatisfaction
- YearsSinceLastPromotion
- MonthlyIncome
- JobInvolvement

📊 **Typowa dokładność:**

- Random Forest: 84-87%
- XGBoost/CatBoost: 85-95%
- Logistic Regression: 75-80%

`import pandas as pd`
`from sklearn.model_selection import train_test_split`
`from sklearn.ensemble import RandomForestClassifier`

`# Wczytaj dataset IBM HR Analytics (darmowy na Kaggle)`
`df = pd.read_csv('IBM-HR-Attrition.csv')`
`y = df['Attrition'].map({'Yes': 1, 'No': 0})`
`X = pd.get_dummies(df.drop('Attrition', axis=1))`

`# Train model`
`X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)`
`rf = RandomForestClassifier(n_estimators=40)`
`rf.fit(X_train, y_train)`

`# Top 5 zmiennych predykcyjnych`
`importances = pd.Series(rf.feature_importances_, index=X.columns)`
`print(importances.nlargest(5))`

Ten kod działa za darmo w Google Colab. Typowy wynik: MonthlyIncome, OverTime, Age, TotalWorkingYears, YearsAtCompany jako top predyktory.

## Ekonomia narzędzi: od 0 € do 500 €/miesiąc (DIY)

Krajobraz narzędzi AI dla HR uległ demokratyzacji. Inwestycja na poziomie podstawowym spadła z 50 000 €+ do 0-500 €/miesiąc **dla tych, którzy wdrażają rozwiązania wewnętrznie**. To są koszty narzędzi software do samodzielnej konfiguracji, nie usługi "pod klucz".

**Stack freemium (0 €/miesiąc - samodzielny setup):**

- ATS: Breezy HR (darmowy plan, 1 aktywne stanowisko)
- Wideo-rozmowa: myInterview (podstawowy plan darmowy)
- Assessment: TestGorilla (rozszerzony okres próbny)
- Parsowanie CV: pyresparser (open source)
- Model predykcyjny: Python + scikit-learn (open source)
- Analytics: Google Sheets + szablon

**Stack dla MŚP 10-50 pracowników (100-300 €/miesiąc - wdrożenie wewnętrzne):**

- LinkedIn Recruiter Lite: 170 €/miesiąc
- Zapier/Make: 20 €/miesiąc (wymaga konfiguracji workflow)
- pyresparser: bezpłatny
- Model Python: bezpłatny (wymaga podstawowych umiejętności Python)

**Stack dla MŚP 50-200 pracowników (500-1500 €/miesiąc - zespół wewnętrzny):**

- Kompletny ATS: 200-400 €/miesiąc (konfiguracja + utrzymanie)
- Platforma assessment: 150-300 €/miesiąc
- Dashboard analytics: 100-200 €/miesiąc
- Zaawansowane automatyzacje: 50-100 €/miesiąc

**Kluczowe wyjaśnienie:** te budżety to **koszty licencji software**, nie obejmują czasu wdrożenia. Potrzebne są podstawowe umiejętności (konfigurowanie Zapier, uruchamianie skryptów Python, czytanie dokumentacji API). Dla firm 10-50 pracowników: 20-40 godzin pracy na wstępny setup. Dla 50-200 pracowników: 60-100 godzin rozłożonych na 4-8 tygodni.

Zaleta: po wdrożeniu utrzymanie jest minimalne (2-5 godzin/miesiąc), a ROI jest trwały.

## Quick win #1: automatyczny screening CV w 1 dzień

Automatyczne parsowanie CV można wdrożyć w 6-8 godzin, łącząc narzędzia no-code (Zapier) z minimalnym skryptem Python.

**Opcja A: Tylko Zapier (bez kodowania, 2-3 godziny)**

Kompletny pipeline bez pisania kodu:

1. **Trigger:** Nowy e-mail z załącznikiem otrzymany na _hr@electe.net_
2. **Action:** Zapier Parser automatycznie wyodrębnia dane z CV (imię, e-mail, telefon, umiejętności)
3. **Action:** Tworzy wiersz w Google Sheet z wyodrębnionymi danymi
4. **Action:** Powiadomienie Slack do rekrutera: "Nowe CV otrzymane: \[imię\] - \[umiejętności\]"
5. **Action:** Dodaj kandydata do sekwencji e-mail (np. "Dziękujemy, skontaktujemy się z Tobą")

**Koszt:** Zapier Professional 20 €/miesiąc
**Czas setupu:** 2-3 godziny click-and-configure
**Wymagane umiejętności:** Zero kodowania, tylko znajomość interfejsów webowych

**Opcja B: Zapier + Code by Zapier (Python/JS inline, 4-5 godzin)**

Jeśli Zapier Parser nie wystarcza, dodaj niestandardową logikę bezpośrednio w Zapier:

1. Trigger: Nowy e-mail z załącznikiem
2. **Action: Code by Zapier (Python)** - zaawansowane parsowanie inline:

`# Python uruchamiany bezpośrednio w Zapier`
`import re`
`cv_text = input['cv_text']`
`email = re.findall(r'[\w\.-]+@[\w\.-]+', cv_text)[0]`
`phone = re.findall(r'\+?\d[\d\s\-\(\)]{8,}', cv_text)[0]`
`return {'email': email, 'phone': phone, 'text': cv_text}`

1. Akcja: Utwórz wiersz w Google Sheets
2. Akcja: Powiadomienie Slack
3. Akcja: Sekwencja e-mail

**Koszt:** Zapier Professional 20 €/miesiąc (zawiera Code)
**Czas wdrożenia:** 4-5 godzin (rozwój + testy niestandardowej logiki)
**Wymagane umiejętności:** podstawy Python/JavaScript

**Opcja C: pyresparser na zewnętrznym serwerze (maksymalne parsowanie, 6-8 godzin)**

Dla bardzo złożonych CV lub dużych wolumenów (500+ CV/miesiąc):

`# Skrypt na dedykowanym serwerze`
`pip install pyresparser`
`from pyresparser import ResumeParser`
`data = ResumeParser('/path/to/resume.pdf').get_extracted_data()`
`# Wynik: name, email, mobile, skills, college, degree, experience`

Zapier wywołuje serwer przez webhook, otrzymuje sparsowany JSON, kontynuuje z Sheet/Slack/Email.

**Koszt:** Zapier 20 €/miesiąc + DigitalOcean 5 €/miesiąc
**Czas wdrożenia:** 6-8 godzin (konfiguracja serwera + wdrożenie)
**Wymagane umiejętności:** Python + deployment LUB zewnętrzny developer

⚡ Typowa oszczędność: 15+ godzin/tydzień dla firm przetwarzających 200+ CV.

_Efekt złożony automatyzacji: niskie koszty stałe, rosnące oszczędności._

## Plan działania na 10 tygodni (DIY)

**Wymóg wstępny:** Dostęp do wewnętrznych zasobów technicznych (developer, analityk danych) lub budżet 2000-3000 € na freelancera wspierającego wdrożenie.

**Tydzień 1:** Automatyczne parsowanie CV za pomocą pyresparser + pipeline Zapier. Pierwsza mierzalna oszczędność: 10-15 godzin.

**Tydzień 2:** Audyt danych HR, eksport do Sheets/Airtable, konfiguracja dashboardu kluczowych metryk (time-to-hire, cost-per-hire, headcount).

**Tydzień 3:** Model predykcji rotacji na danych historycznych, trenowanie z dostępnymi zmiennymi, walidacja z HR managerem.

**Tydzień 4:** Automatyzacje Zapier dla powtarzalnych procesów (planowanie rozmów kwalifikacyjnych, checklista onboardingowa, wnioski urlopowe). Ostateczne obliczenie ROI.

**Tygodnie 5-10:** Iteracja i skalowanie. Dodawaj złożoność tylko tam, gdzie ROI jest potwierdzone.

_📥 Chcesz sprawdzić, czy te procesy pasują do Twojego przypadku?_
_Szablony Google Sheet, skrypty Python i automatyzacje Zapier opisane tutaj są już operacyjne. Dostosuj je do swojej rzeczywistości._

## Wnioski

Częstym błędem jest myślenie, że potrzebny jest budżet enterprise lub drodzy konsultanci.
Logika — automatyzacja screeningu, standaryzacja oceny, przewidywanie ryzyk — jest odtwarzalna przy użyciu narzędzi open source i dostępnych SaaS.

Wartość nie tkwi w drogich narzędziach, lecz w metodzie.
ROI z łatwością przekracza 600% w pierwszym roku.

**Uwaga.** Kod Python i przykłady Zapier w tym artykule już działają. Skopiuj, dostosuj do swojej rzeczywistości, wdróż. Nie potrzebujesz dodatkowych szablonów: masz już wszystko, czego potrzeba, aby zacząć.