en
hr
sr
Zakaj je kakovost kandidatov nov izziv pri zaposlovanju v regiji CEE
Maja Sušnik, Marketing Specialist
O zaposlovanju v regiji CEE smo doslej govorili predvsem kot o izzivu iskanja kandidatov. Kje bomo našli dovolj kandidatov? Kateri trg ima ustrezen stroškovni profil? Kako hitro lahko zapolnimo prosto delovno mesto?
Leta 2026 je težje vprašanje precej ostrejše: ali zaposlujemo ljudi zaradi njihovih dejanskih sposobnosti ali le zaradi najbolje predstavljene prijave?
Delodajalci po vsej srednji in vzhodni Evropi se soočajo z vse večjim pritiskom na področju redkih digitalnih znanj, izkušenih strokovnjakov, večjezičnih vlog, kadrov, ki dobro obvladajo umetno inteligenco, ter tehničnih funkcij, kot so podatki, kibernetska varnost, oblak, DevOps, razvoj zalednih sistemov in finančna tehnologija. Hkrati kadroviki opažajo vedno bolj dodelane prijave, v veliki meri z umetno inteligenco pripravljene življenjepise in šibkejše signale iz tradicionalnega preverjanja.
Rezultat? Zaposlovanje postaja problem kakovosti in preverjanja. Ne le problem iskanja kandidatov.
Zakaj se zaposlovanje v regiji CEE leta 2026 spreminja?
Zaposlovanje v regiji CEE se spreminja, ker umetna inteligenca, stroškovni pritisk, pomanjkanje znanj in svetovna konkurenca pri delu na daljavo hkrati vplivajo na pridobivanje kadrov. Delodajalci še vedno potrebujejo ključna znanja, kandidati pa imajo več možnosti, več orodij in več načinov, kako se dobro predstaviti, še preden se njihove dejanske sposobnosti sploh preverijo.
Gartner je prepoznal motnje, ki jih povzroča umetna inteligenca, in stroškovni pritisk kot dve glavni sili, ki oblikujeta pridobivanje kadrov v letu 2026. Njihova raziskava prav tako izpostavlja spreminjajoča se znanja kadrovikov, na umetni inteligenci temelječe množično zaposlovanje, prenovljene programe za mlade kadre in nove načine ocenjevanja kandidatov, saj umetna inteligenca spreminja njihovo vedenje.
To je za regijo CEE pomembno, saj ta že dolgo ni več le stroškovno ugodna alternativa za zaposlovanje. Gre za zrel trg kadrov na področju tehnologije, deljenih storitev, inženiringa, finančnega poslovanja in bližnjega zunanjega izvajanja (nearshoringa). Kandidati na Poljskem, v Romuniji, na Češkem, Madžarskem, Slovaškem, v Bolgariji, baltskih državah in na sosednjih trgih ne primerjajo le lokalnih ponudb. Primerjajo tudi mednarodne, oddaljene, hibridne in projektne priložnosti.
Ekipe za zaposlovanje se ne morejo več zanašati na urejenost življenjepisa kot nadomestilo za dejanske sposobnosti. Organizacije, ki bodo zaposlovale uspešno, bodo tiste, ki bodo podporo umetne inteligence združile s človeško presojo, strukturiranimi dokazi in jasno predstavo o znanjih, ki jih dejansko potrebujejo.
V čem je pravzaprav problem kakovosti kandidatov?
Težava ni v tem, da kandidati uporabljajo umetno inteligenco. Pri številnih vlogah je obvladovanje umetne inteligence koristno znanje. Težava je v tem, da lahko umetna inteligenca šibke signale prikaže kot močne. Urejen življenjepis, prilagojeno spremno pismo ali dodelan odgovor na razgovoru danes kadrovikom lahko povedo manj kot prej.
To za kadrovske ekipe pomeni tri praktična tveganja:
- Več šuma: Kadroviki lahko prejmejo več prijav, ki se zdijo relevantne, kandidati pa dejansko niso ustrezno usposobljeni.
- Šibkejši dokazi: Življenjepisi in pripravljeni odgovori lahko razkrijejo manj o tem, kako nekdo dejansko dela.
- Večji pritisk pri preverjanju: Vodje zaposlovanja potrebujejo temeljitejše preverjanje, ne da bi vsak proces spremenili v dramo v petih dejanjih, polno preglednic.
Gartner tudi poroča, da le 31 % kadrovskih funkcij pri oblikovanju poslovne strategije in strategije kadrov uporablja podatke o trgu dela. To je težava v času, ko se povpraševanje po znanjih hitro spreminja, ključne vloge pa je vse težje natančno opredeliti.
Kje naj delodajalci v regiji CEE pri zaposlovanju uporabljajo umetno inteligenco?
Umetna inteligenca deluje najbolje takrat, ko kadrovikom pomaga jasneje videti trg, zmanjšati ročno delo in prepoznati sorodna znanja. Ne bi smela tiho nadomestiti človeške presoje pri odločitvah, ki vplivajo na pravičnost, ustreznost kandidata ali njegovo zaupanje v postopek.
| Naloga pri zaposlovanju | Koristna podpora umetne inteligence | Potrebno človeško preverjanje |
|---|---|---|
| Ožji izbor kandidatov | Prepoznavanje znanj, vzorcev in možnih ujemanj | Preverjanje obveznih kriterijev in preprečevanje pretiranega filtriranja |
| Iskanje kandidatov | Mapiranje sorodnih znanj in personalizacija nagovora | Potrditev strategije nagovora in relevantnosti kandidatov |
| Ocenjevanje | Podpora strukturiranemu ocenjevanju in oblikovanju vprašanj | Preverjanje dejanskega dela s praktičnimi nalogami ali portfelji |
| Načrtovanje trga | Primerjava plač, lokacije, razpoložljivosti in redkosti kadrov | Odločitev, ali zaposliti, razviti interno, premestiti ali na novo opredeliti vlogo |
| Nadzor nad goljufijami | Označevanje neskladij med prijavami | Pravično potrjevanje identitete, dokazov in konteksta |
Meja je preprosta: umetno inteligenco uporabite za izboljšanje priprave in prepoznavanja vzorcev. Ljudje morajo ostati v središču tam, kjer je pomembna presoja, kontekst, pravičnost in odgovornost.
Kako lahko kadroviki preverijo dejanska znanja, ne da bi upočasnili celoten proces?
Kadroviki lahko znanja preverijo hitreje, če od splošnega preverjanja kvalifikacij preidejo na osredotočeno zbiranje dokazov. To pomeni manj nejasnih filtrov, več dokazov, specifičnih za posamezno vlogo, in jasnejša merila odločanja, še preden je delovno mesto objavljeno.
- Uporabite izbor, osredotočen na znanja: Filtre po izobrazbi in nazivu nadomestite z obveznimi signali sposobnosti, praktičnimi izkušnjami in strukturiranimi ocenjevalnimi listi.
- Dodajte preverjanje v živo: Za vloge, izpostavljene prijavam, ustvarjenim z umetno inteligenco, uporabite kratke delovne vzorce, razgovore na podlagi primerov, pregled portfeljev ali tehnično preverjanje v parih.
- Primerjajte dokaze: Preverite skladnost med življenjepisom, razgovorom, delovnim vzorcem in priporočili.
- Ločite obvladovanje umetne inteligence od temeljne usposobljenosti: Pri vlogah, ki v veliki meri temeljijo na umetni inteligenci, ocenite tako sposobnost uporabe umetne inteligence kot razmišljanje, ki stoji za njo, brez njene uporabe.
- Podatke o trgu uporabite še pred odprtjem delovnega mesta: Zgodaj preverite razpoložljivost kandidatov, pričakovanja glede plače, možnosti lokacije, pričakovanja glede dela na daljavo in stopnjo redkosti znanj.
To je še posebej pomembno za delodajalce v regiji CEE, ki tekmujejo za izkušene tehnične strokovnjake. Analiza trendov zaposlovanja v vzhodni Evropi za leto 2026 regijo opisuje kot zrelo in globalno povezano, pri čemer se razpoložljivost kadrov med posameznimi specializacijami močno razlikuje. Splošne vloge lahko pritegnejo veliko zanimanja. Za specialistične vloge pa je konkurenca lahko še vedno zelo huda.
Ali naj se redka znanja pridobivajo z zaposlovanjem ali razvijajo interno?
Pri redkih vlogah odgovor ne bi smel biti vedno „odprimo še eno prosto delovno mesto in upajmo bolj vztrajno“. Praktičen ponovni zagon strategije zaposlovanja pomeni odločitev, kje zaposlovati zunanje kandidate, kje razvijati obstoječe znanje, kje uporabiti notranjo mobilnost in kje graditi bazo mlajših kadrov.
Gartner poroča, da je v četrtem četrtletju leta 2025 le 48 % kandidatov sprejelo svojo zadnjo ponudbo za zaposlitev, v primerjavi z 85 % dve leti prej. Prav tako so opozorili, da so lahko visoko usposobljeni zaposleni v obdobjih gospodarske negotovosti manj pripravljeni zamenjati zaposlitev. Preprosto povedano: popoln zunanji kandidat je lahko drag, počasen ali pa preprosto ni tako zainteresiran.
Za delodajalce v regiji CEE to pomeni, da je načrtovanje po načelu „razviti ali zaposliti“ ključnega pomena. Če je določeno znanje redko, strateško pomembno in ga potrebujemo znova in znova, lahko notranji razvoj dolgoročno prinese večjo vrednost kot neskončno iskanje enega samega popolnega izkušenega kandidata.
Kakšna je donosnost boljše discipline pri zaposlovanju?
Poslovna utemeljitev za zaposlovanje s podporo umetne inteligence ni zgolj „hitrejše zaposlovanje“. Hitrejše zaposlovanje je seveda odlična stvar. Vendar je lahko hitrost brez dokazov draga bližnjica.
Močnejši argument za donosnost je naslednji:
- Manj potrošenega truda: Manj razgovorov z neustreznimi kandidati in manj časa, ki ga kadroviki porabijo za prijave, ki ustvarjajo le šum.
- Boljša kakovost zaposlenih: Temeljitejše preverjanje dejanskih sposobnosti pred ponudbo za zaposlitev.
- Hitrejše zaposlovanje na ključnih delovnih mestih: Boljši podatki o trgu ekipam pomagajo pri odločanju, kdaj ponuditi višjo plačo, spremeniti lokacijo, prilagoditi zahteve ali znanje razviti interno.
- Manjše tveganje pri zaposlovanju: Strožji nadzor nad zavajajočim predstavljanjem, goljufijami kandidatov in pretiranim zanašanjem na avtomatizirano preverjanje.
- Močnejše načrtovanje delovne sile: Zaposlovanje se povezuje s strategijo znanj, ne le z zapolnjevanjem prostih delovnih mest.
Praktičen nasvet za kadrovske ekipe v regiji CEE
Leta 2026 zaposlovanje v regiji CEE ne potrebuje več splošnih orodij umetne inteligence, temveč več discipline, ki temelji na dokazih. Najmočnejše ekipe bodo združile poznavanje trga dela, strukturirano preverjanje znanj, selektivno uporabo umetne inteligence in jasno strategijo „razviti ali zaposliti“ za redke vloge.
Umetna inteligenca lahko kadrovikom pomaga delati hitreje. Prava prednost pa izhaja iz tega, da vemo, kaj preveriti, kdaj zaupati podatkom in kje si človeška presoja še vedno zasluži mesto za mizo.
Morda vam bo tudi všeč
Poglej vse objave
