Architektura Reasoning-First

W 2026 r. HR-tech niemal jednomyślnie stawia ten sam zakład: agenci LLM zastąpią dopasowanie w rekrutacji do 2027 r. Josh Bersin opisuje to jako najwyższą warstwę (Layer 4) stosu talent intelligence. Zakład jest oczywisty i niemal powszechny.

Stawiam przeciwko temu.

Nie dlatego, że jestem przeciwko AI — pracuję z AI w każdy dzień roboczy, a w produkcie, który opiszę, każda linijka kodu została napisana przez Claude, ani jedna moją ręką. Lecz dlatego, że 135 000+ ofert i 1,1 mln wiadomości z Telegrama, które przeszły przez mój system od kwietnia 2026 r., pokazały mi coś odwrotnego: deterministyczny rdzeń reasoning-first + LLM jako wsparcie (a nie zastępstwo) wygrywa pod względem precyzji, opóźnień, kosztu i zgodności z EU AI Act. Ten esej jest o tym, dlaczego.

Kim jestem i dlaczego piszę

Zacząłem w SEO w 2006 r. — dwadzieścia lat obserwowania, jak treść + struktura + algorytmy wyszukiwania kształtują wyniki miliardów zapytań dziennie. Dopasowanie w HR-tech jest zbudowane tak samo: treść (opisy, CV) + struktura (role, stack, poziomy) + wyszukiwanie → wynik.

TD-CRM v2 to CRM rekrutacyjny dla rynku IT w WNP: 135 000+ ofert (61 000+ otwartych), 1,1 mln przetworzonych wiadomości z Telegrama, ~1990 monitorowanych kanałów, 14 kierunków, 15 krajów. Publicznie sam sklasyfikowany jako system wysokiego ryzyka według EU AI Act, załącznik III pkt 4. I nie zbudowany przez inżyniera — nie piszę kodu. Ustalam architekturę i produkt; Claude generuje implementację — wzorzec, który Karpathy nazwał w marcu 2026 r. „agentic engineering”. Replit osiągnął wycenę 3 mld $ we wrześniu 2025 r. na tym samym wzorcu. Nie jestem pierwszy, kto tak buduje; po prostu mówię o tym otwarcie.

Oto dlaczego postanowiłem napisać wbrew niemal powszechnej zgodzie. Gdy patrzysz na 135 000 ofert nie z góry, lecz z bliska, wyłania się rzecz prosta: zdecydowana większość dopasowań rozstrzyga się deterministycznie — stack, poziom, forma pracy, geografia, widełki płacowe. LLM jest naprawdę potrzebny do parsowania chaotycznego tekstu, a nie do samej decyzji. A jednak branża wstawia LLM w decyzję. Dwadzieścia lat w SEO nauczyło mnie, jak to się kończy, gdy rozmytą warstwę stawia się tam, gdzie potrzebna jest odtwarzalność i wyjaśnialność. Dla mnie to nie teoretyczny spór o trendy — to coś, co codziennie widzę we własnych danych.

Gdzie zakład branży jest błędny

Dopasowanie LLM-first to błędny zakład w czterech wymiarach: precyzja, koszt, zgodność z regulacjami, identyfikowalność.

Precyzja. Rozmyte dopasowanie LLM ma wbudowaną zmienność między wywołaniami — ta sama para kandydat/oferta dostaje różne oceny w kolejnych uruchomieniach. W chatbocie to w porządku; w dopasowaniu, gdzie decyzja staje się częścią ścieżki audytu, to wada.

Koszt. Wywołanie LLM na każdą próbę × tysiące dopasowań dziennie = tysiące dolarów miesięcznie, których firma bez przychodów nie udźwignie. Deterministyczne dopasowanie pól ma niemal zerowy koszt krańcowy.

Zgodność z regulacjami. EU AI Act, załącznik III pkt 4 zaczyna obowiązywać w sierpniu 2026 r. Systemy wysokiego ryzyka muszą rejestrować decyzje wraz z podstawą każdej z nich. Dziennik LLM-first: „dopasowano, bo tak powiedział model”. Dziennik reasoning-first: „zgodność stacku 8/12, Senior (7 lat), Remote (true), zgodność wynagrodzenia. Ocena 0,84”. Jeden z nich istnieje w ścieżce audytu. Drugi nie.

Identyfikowalność na potrzeby due diligence. Prawnik przejmującego pyta: „jak dokładnie to dopasowano?”. LLM-first jest nieprzejrzysty; reasoning-first jest wyjaśnialny z założenia. Sygnał rynkowy — Eqtble → Paradox (luty 2025 r.): people analytics bez danych klasy transakcyjnej klasyfikuje się jako HR-tech. Ta sama logika: rozmyty LLM bez identyfikowalnych reguł to nie poważny HR-tech.

Zastrzeżenie wobec chochoła: LLM nie jest „zły”. Zły jest LLM w niewłaściwej warstwie.

Jaka jest właściwa architektura

Reasoning-first oznacza, że każda decyzja, której trzeba bronić — dopasowanie, ocena, ranking — przechodzi najpierw przez reguły deterministyczne. LLM jest używany TYLKO tam, gdzie reguła deterministyczna jest niemożliwa (parsowanie dowolnego tekstu), gdzie niepewność jest jawna (wskaźnik pewności + ścieżka awaryjna) i gdzie wynik nie trafia bezpośrednio do ostatecznej decyzji. W TD-CRM ocena dopasowania to jawny wzór (zgodność stacku + poziom + rola + forma pracy + wynagrodzenie), a nie „modelu, oceń dopasowanie”.

Monolit zamiast mikroserwisów, celowo: jeden założyciel + Claude = brak zespołu, który udźwignie narzut systemów rozproszonych; deterministyczny rdzeń potrzebuje jednego źródła prawdy. Zgodnie z ADR-0001 — pojedynczy FastAPI + PostgreSQL + Redis + worker arq + SSR. „Modern Monolith” w duchu DHH / 37signals — spójny z podejściem reasoning-first, a nie przekora dla samej przekory.

Zgodnie z decyzją D10 system publicznie sam klasyfikuje się jako wysokiego ryzyka (załącznik III pkt 4): dziennik decyzji (Loki + ustrukturyzowane logowanie), zarządzanie ryzykiem, nadzór człowieka (rekruter weryfikuje każde dopasowanie, brak automatycznych działań), zarządzanie danymi. Samoklasyfikacja wyprzedza ustalenie z due diligence; uczciwe ujawnienie buduje zaufanie.

Luka w pokryciu: pionowy lejek jako aktywo

LinkedIn jest zablokowany w Rosji od listopada 2016 r. Lightcast, Revelio Labs, People Data Labs czerpią większość danych z LinkedIn; ich pokrycie na wschód od linii Rygi spada o mniej więcej 40% (moja szacunkowa ocena na podstawie ich publicznych wypowiedzi). To zjawisko strukturalne, nie przejściowe.

Zamiast tego — pipeline Telegram-MTProto: ~1990 monitorowanych kanałów IT z WNP, 1,1 mln przetworzonych wiadomości. Dane, do których globalni dostawcy fizycznie nie mają dostępu (sankcje, zablokowane usługi, dostęp techniczny). Marc Casado (a16z, 2019, „The Empty Promise of Data Moats”) pokazał, że sama skala danych nie jest silną fosą; pipeline-IP trudniej odtworzyć. Nasze skupienie na IT w WNP to wyróżniające aktywo, a nie wymuszona słabość.

Inżynieria agentowa: kto to zbudował i jak

Wprost: TD-CRM v2 jest w 100% zbudowany przy pomocy Claude. Nie piszę kodu — kieruję architekturą i produktem, a Claude generuje implementację. Karpathy podzielił ten wzorzec na „vibe coding” (podnosi poziom minimalny dla osób, które nie programują) i „agentic engineering” (utrzymuje poprzeczkę jakości). Różnicę stanowią dowody rygoru: 14 ADR w docs/adr/, obserwowalność (Loki + Grafana + Prometheus), cotygodniowe skanowanie zależności (ADR-0013), publiczna lista zmian z Conventional Commits, przegląd ścieżek bezpieczeństwa/danych osobowych przez wykonawcę przed transakcją.

Replit osiągnął 3 mld $ we wrześniu 2025 r. na tym wzorcu (ARR 2,7 mln $ → 70 mln $ w 12 miesięcy). Zweryfikowane przez rynek. Przejmujący odczytuje to jako „założyciel z rygorem + dźwignia AI”, a nie „coś zrobione na vibe coding” — różnica to gęstość artefaktów: ta seria ADR, lista zmian, runbook, obserwowalność i ten esej.

Perspektywa przejmującego

Jeśli jesteś analitykiem corp-dev w Greenhouse, Workable, iCIMS lub Lightcast — to też dla Ciebie. Wprost: TD-CRM jest przed przychodami, 0 płacących klientów, 0 $ ARR. To nie cel typu „zespół + portfel klientów” — to trzy osobne aktywa.

Po pierwsze — pipeline-IP: 135 000+ ofert, 1,1 mln wiadomości, ~1990 kanałów od kwietnia 2026 r.; dane, których Lightcast/Revelio fizycznie nie mogą zebrać. Zbudowanie odpowiednika = 18–24 miesiące + ryzyko sankcyjne + kompetencje w Telegram API. Po drugie — kod dopasowania/oceny typu reasoning-first, odtwarzalny w infrastrukturze przejmującego. Po trzecie — spółka Estonia OÜ (II kw. 2026), jurysdykcja UE, bez komplikacji co do pochodzenia.

Dlaczego reasoning-first jest ważne dla kupującego: egzekwowanie EU AI Act od sierpnia 2026 r. uderzy w produkty LLM-first bolesnym dostosowywaniem do zgodności. Reasoning-first jest już zgodny i działa — to przyspieszenie, a nie przeróbka. Czego kupujący nie dostaje: bazy klientów (0), marki, zespołu, ARR (0) — to nie jest wliczone w cenę. Suma trzech aktywów jest poniżej 15 mln $.

Zamykanie

To zakład: jeden założyciel + Claude jako inżynier agentowy + kilka tygodni = architektura reasoning-first + pipeline IT z WNP + 14 ADR. Zakład polega na tym, że ta kombinacja przewyższy globalne agregatory LLM-first w dopasowaniu HR-tech do końca 2027 r. Publikuję teraz — żeby utrwalić zakład przed wynikiem, a nie po nim.

Jeśli masz przemyślaną krytykę — napisz. Uczciwy sprzeciw jest wart więcej niż ciche wątpliwości. I żadnego „poproś o demo” na końcu: jeśli esej nie przekonuje sam, demo tego nie naprawi.