Prompty ChatGPT do CV, które działają: test

Listy promptów do ChatGPT, które mają poprawić CV, łatwo znaleźć, a zebrane w nich prompty są do siebie łudząco podobne. Jeden mówi modelowi, że jest ekspertem od pisania CV. Inny prosi o mocne czasowniki i mierzalne rezultaty. Kandydat wkleja jeden z nich i dostaje coś schludnego: podsumowanie, które mogłoby otwierać czyjekolwiek CV, albo punkty z X w nawiasie kwadratowym tam, gdzie powinny być wyniki.

Listy rzadko pokazują, co odpowiedział model, więc trudno ocenić same prompty. Dlatego w UseResume powstało zwyczajne, niedoskonałe CV zmyślonej koordynatorki marketingu, na którym przetestowano szesnaście promptów, każdy co najmniej trzy razy. Objęły one pięć typowych zadań (punkty, podsumowanie zawodowe, dopasowanie do oferty pracy, ocenę CV i list motywacyjny), a do tego sprawdzenie gotowej wersji. Każda cytowana niżej odpowiedź to dokładnie to, co zwrócił model.

Krótko mówiąc, sformułowanie miało dużo mniejsze znaczenie niż treść. Nazwanie modelu ekspertem nie zmieniło prawie nic. Prośba o liczby dała puste miejsca do uzupełnienia, a prośba o każde słowo kluczowe z ogłoszenia skończyła się ostrzeżeniem. Wynik zmieniły trzy rzeczy: fakty, których zabrakło w CV, kilka zasad mówiących, czego nie wolno zmieniać, i polecenie, by wypisać wszystko, czego nie da się poprzeć faktami. Prompty podano w całości, do skopiowania.

Jedno CV, szesnaście promptów do ChatGPT

Kandydatka nazywa się Tessa Marlow i nie istnieje. Od ponad czterech lat pracuje jako koordynatorka marketingu w Fernhollow Outdoor Supply Co., zmyślonym sklepie internetowym ze sprzętem kempingowym. Wcześniej pracowała w obsłudze klienta w księgarni i jako baristka. Jej CV otwiera cel zawodowy zaczynający się od słów „Pracowita i zmotywowana specjalistka ds. marketingu”, zawiera dwie literówki i trzy formaty dat, a obecną pracę opisuje tak:

Tessa ubiega się o stanowisko menedżerki ds. e-mail marketingu w Tidewick Coffee Roasters, równie zmyślonej firmie sprzedającej kawę w subskrypcji. Wszelkie podobieństwo tych nazw do prawdziwych osób czy firm jest niezamierzone. Ogłoszenie wymaga praktycznego doświadczenia z Klaviyo, platformą do e-mail marketingu, doświadczenia w marketingu SMS oraz kierowania jedną podległą osobą. Tessa nie ma żadnej z tych trzech rzeczy.

Ma za to fakty, które nigdy nie trafiły do CV, zapisane w drugim dokumencie: w jej notatkach. Newsletter trafia do około 48 000 subskrybentów. Jego średni wskaźnik otwarć wzrósł z 21% do 29%. Przepisane przez nią e-maile o porzuconych koszykach odzyskują około 9800 dolarów miesięcznie, a wcześniej odzyskiwały 4100. Notatki wymieniają też to, czego nie robiła, w tym Klaviyo. Notatki dostała tylko część promptów.

Testowano model GPT-6.1 w listopadzie 2026 roku. Uruchamiano go przez narzędzie wiersza poleceń OpenAI, a nie w aplikacji ChatGPT, więc w aplikacji odpowiedzi mogą być inne. Odpowiedzi różnią się też między kolejnymi próbami, dlatego każdy prompt uruchomiono co najmniej trzy razy, a tam, gdzie próby dały różne wyniki, zostało to opisane. W promptach poniżej wklejany materiał zastąpiono opisem w nawiasie kwadratowym.

Prośba o mierzalne rezultaty

Pierwszy prompt był taki, jaki pisze zmęczony kandydat: „Popraw te punkty z mojego CV.”

Pięć punktów liczyło 29 słów, a po poprawkach, zależnie od próby, od 45 do 57, i nie mówiło nic nowego. „Odpowiedzialna za” w jednej próbie zmieniło się w „Koordynowałam”, w innej w „Zarządzałam”, a w trzeciej w „Samodzielnie prowadziłam”. Każda odpowiedź kończyła się prośbą o to, czego brakowało. Pierwsza brzmiała: „dodaj konkrety, takie jak wielkość grupy odbiorców, liczba kampanii, wzrost zaangażowania czy odzyskany przychód”.

Zwykle radzi się, by wprost poprosić o liczby. Typowym przykładem jest lista opublikowana przez eWeek w lutym 2026 roku. Jej prompt do punktów prosi o „mocne czasowniki i mierzalne rezultaty”, a tam, gdzie brakuje dokładnych liczb, o „realistyczne wartości zastępcze”. Prompt z tą samą główną prośbą, „Przepisz te punkty z mojego CV, używając mocnych czasowników i mierzalnych rezultatów”, dał taki wynik:

Trzeba oddać modelowi sprawiedliwość: w trzech próbach nie zmyślił ani jednej liczby. Zostawił 12, 12 i 9 pustych miejsc z poleceniem, by wpisać w nie prawdziwe liczby. Ale puste miejsce nie jest neutralne. Te zakładają, że premiery przyniosły leady, że ktoś mierzył konwersje i że Tessa „zoptymalizowała” sekwencję, przy której, jak sama napisała, tylko pracowała. Kandydatka, która wypełni taki formularz, jest popychana w stronę deklaracji, których sama nigdy nie złożyła.

Lepiej wykorzystać ten sam odruch inaczej: niech model najpierw zapyta, a dopiero potem pisze:

Wszystkie trzy próby zwróciły dokładnie dziesięć pytań. Jedno z nich, w pierwszej próbie, brzmiało: „Jakie decyzje lub zmiany twoje raporty pomogły podjąć dyrektorowi marketingu?” Notatki Tessy są w praktyce odpowiedziami. Po dołączeniu notatek i dodaniu czterech zasad prompt wygląda tak:

We wszystkich trzech próbach każda liczba pochodziła z notatek i żaden punkt nie przekroczył 24 słów. Czwarta zasada zadziałała za każdym razem, zawsze przy tym samym punkcie. W drugiej próbie brzmiało to tak: „Punkt o raportach pozostaje prosty, bo twoje notatki nie opisują, jak raporty wpłynęły na decyzje, zaoszczędziły czas lub poprawiły wyniki.”

Ekspert, który nic nie zmienił

Przy podsumowaniu zawodowym porównano dwa krótkie prompty. Jeden miał jedną linijkę: „Napisz podsumowanie zawodowe do mojego CV.” Drugi zaczynał się tak jak wiele publikowanych promptów: „Wciel się w eksperta od pisania CV z 20-letnim doświadczeniem. Napisz przekonujące podsumowanie zawodowe do mojego CV, które przyciągnie uwagę rekrutera.”

Środkowe zdanie jest niemal identyczne. W sześciu próbach podsumowania liczyły od 45 do 56 słów, pięć z sześciu zawierało zwrot „zorientowane na klienta”, a żadne nie podało ani jednego rezultatu, bo CV nie miało żadnego do zaoferowania. Dwadzieścia lat wyimaginowanego doświadczenia też żadnego nie dostarczyło.

Zgadza się to z tym, co Generative AI Labs przy Wharton School opisały w grudniu 2025 roku. Przetestowano tam sześć modeli na trudnych pytaniach wielokrotnego wyboru i stwierdzono, że przypisanie modelowi roli eksperta „nie poprawia trafności w sposób niezawodny”. Rada brzmiała: skupić się na „instrukcjach dotyczących konkretnego zadania, a nie na przypisywaniu persony”. Pytania wielokrotnego wyboru to nie CV, a badanie mierzyło trafność odpowiedzi, a nie styl. Przynajmniej w przypadku tego CV wynik wskazywał jednak ten sam kierunek.

Instrukcje dotyczące konkretnego zadania wyglądają tak:

Każda z sześciu wersji, po dwie z każdej próby, liczyła od 46 do 52 słów, a każdą liczbę dało się odnaleźć w notatkach albo w datach w CV. Zakazane słowa okazały się jedynie zabezpieczeniem: ten model nie wstawił żadnego z nich do podsumowania nawet wtedy, gdy nikt mu tego nie zabraniał.

Dopasowanie CV do oferty pracy

Dopasowanie sprawdzono trzema promptami. Pierwszy miał jedną linijkę: „Dopasuj moje CV do tej oferty pracy.” Drugi należy do tych, które obiecują przechytrzyć oprogramowanie do wstępnej selekcji CV: „Wciel się w eksperta od pisania CV i specjalistę od systemów ATS. Przepisz moje CV tak, by jak najdokładniej pasowało do tej oferty pracy i przeszło przez ATS. Uwzględnij wszystkie ważne słowa kluczowe z oferty.”

Żaden z nich nie zrobił z Tessy użytkowniczki Klaviyo. We wszystkich sześciu próbach model zamienił cel zawodowy na podsumowanie, poprawił literówki, ujednolicił daty, przeniósł punkt o Instagramie na koniec i nie przypisał jej żadnego narzędzia, którego nie było w CV. To, co najbardziej przypominało zmyślenie, było drobne. We wszystkich sześciu próbach system zamówień w księgarni stał się „systemem zarządzania zamówieniami”, napoje przygotowywane przez baristkę stały się napojami kawowymi, a każda próba promptu ze słowami kluczowymi dodawała do pracy baristki punkt o obsłudze klienta w kawiarni o „szybkim tempie pracy”. Każda odpowiedź na ten prompt kończyła się ostrzeżeniem, w jednej z nich takim, że „samo dopasowanie słów kluczowych nie gwarantuje przejścia przez ATS”.

CV było więc bezpieczne, ale nie lepsze. W pierwszej próbie promptu ze słowami kluczowymi pierwszy punkt brzmiał: „Koordynuję cotygodniowy newsletter e-mailowy, dbając o stały harmonogram kampanii i regularną komunikację z klientami.” Trzeci prompt zawierał notatki i sześć zasad:

Takie CV menedżer rekrutujący może rzetelnie ocenić. W tej próbie newsletter zamienił się w „cotygodniowe kampanie e-mailowe”, wzorem „cotygodniowych kampanii” z ogłoszenia, a każda liczba pochodzi z notatek. Każda próba dała też listę, o którą prosiła zasada piąta, i za każdym razem liczyła ona 16 pozycji.

Lista pokazuje, jak dosłownie model potraktował zasady. Skoro miał niczego nie łagodzić, wypisał wszystko, aż po miłość do kawy, której nikt nie „zadeklarował”, choć Tessa była baristką i subskrybuje Tidewick. Skoro miał nie zmieniać dat, we wszystkich trzech próbach zostawił „08/2020 - 5/22” dokładnie tak, jak je wpisała, choć przy prompcie jednolinijkowym sam, bez proszenia, uporządkował ten sam wiersz. Poradnik OpenAI o promptach dla GPT-5, wcześniejszego modelu, mówi, że model ten „wykonuje polecenia z promptu z chirurgiczną precyzją”, i GPT-6.1 zachował się tu tak samo. Zasady chronią fakty, ale chronią też błędy, więc wynik i tak trzeba przeczytać. Na kilka z 16 braków warto przygotować odpowiedź: Klaviyo, SMS, podległa osoba, segmentacja i pozostałe automatyczne ścieżki.

Ocena CV z dołączoną ofertą

Ocena CV była jedynym zadaniem, w którym krótki prompt dał sobie radę. „Możesz przejrzeć moje CV?” we wszystkich trzech próbach znalazł wszystkie siedem błędów podłożonych w CV: pusty cel zawodowy, obowiązki bez rezultatów, obie literówki, mieszane formaty dat, przeładowaną listę umiejętności i „Referencje dostępne na życzenie”. Jedna próba zauważyła też, że przy numerze telefonu brakuje numeru kierunkowego. Potem każda odpowiedź, choć nikt o to nie prosił, przepisała część CV albo całe.

Krótki prompt nie mógł natomiast powiedzieć, czy CV przejdzie tę konkretną selekcję, bo model nie widział oferty. Dłuższy prompt ją dołącza:

Każda kompletna odpowiedź zaczynała się od „nie” i na początku stawiała problemy, których redakcja nie naprawi:

Ten prompt spowodował też jedyne prawdziwe porażki całego testu. W pierwotnej wersji kazał modelowi przy każdym problemie „zacytować dokładny wiersz”. W trzech próbach na sześć odpowiedź urywała się w tym samym miejscu, w połowie cytowania wiersza z umiejętnościami:

Nie wiadomo, dlaczego tak się stało. Po zmianie polecenia na brzmienie pokazane wyżej cztery próby na cztery dobiegły końca. Praktyczny wniosek jest prostszy: odpowiedź, która wygląda na błędną, może być po prostu nieudaną próbą, a ponowne zapytanie nic nie kosztuje.

List motywacyjny i drugi model

Poproszony jednym zdaniem: „Napisz list motywacyjny na to stanowisko”, model napisał trzy listy liczące od 242 do 263 słów. Wszystkie trzy były uczciwe, bo przyznawały, że Tessa ma doświadczenie z Mailchimpem, a nie z Klaviyo, i żaden nie zawierał choćby jednej liczby dotyczącej jej pracy. Typowe zdanie: „Praca nad e-mailami o porzuconych koszykach dała mi doświadczenie w ważnej części ścieżki klienta”.

Trzy listy liczyły 196, 198 i 200 słów. Są sztywne, a „Chcę tej pracy, bo” to zwrot, którego nikt by nie zostawił. Ale każde zdanie da się obronić na rozmowie kwalifikacyjnej, i właśnie temu służyły zasady.

Zasady mają jeszcze większe znaczenie przy modelu, który pozwala sobie na więcej. Ten sam jednolinijkowy prompt trafił dwukrotnie do Claude Fable 5.1, który według wcześniejszego porównania obu modeli pisze lepiej i swobodniej obchodzi się z faktami.

CV nic nie mówi o porankach Tessy, a jej notatki mówią, że nigdy nie prowadziła marketingu SMS. Pod listem model dodał, że zdanie o Klaviyo „zakłada, że naprawdę zaczniesz ich darmowe kursy”. Przy sześciu zasadach oba listy Claude’a trzymały się blisko notatek. Najwyraźniejsze odstępstwo polegało na tym, że każdy przypisywał testom tematów wiadomości część wzrostu wskaźnika otwarć, czego notatki nie twierdzą. Jeden list zawierał też zdanie lepsze niż cokolwiek w notatkach: „Chciałabym pisać e-maile, które i tak już czytam.”

Claude pozwalał sobie na to samo przy dopasowaniu. Przy prompcie ze słowami kluczowymi jedno z jego CV nadało Tessie stanowisko „Koordynatorka marketingu (liderka e-mail marketingu)”. Dla wersji, która już istnieje, jest prompt, który porównuje ją z oryginałem:

Dla tego CV GPT-6.1 wypisał w trzech próbach 19, 22 i 24 niepotwierdzone twierdzenia. Wszystkie trzy wychwyciły nową nazwę stanowiska i segmentację listy mailingowej, której w oryginale nie ma nigdzie. Wszystkie trzy zakwestionowały też „Przygotowywałam napoje na bazie espresso”, bo w CV jest tylko „Przygotowywałam napoje”.

Co łączy działające prompty do ChatGPT

Zestawione obok siebie prompty, które zadziałały, mają te same trzy części. Dostarczają fakty: liczby, narzędzia, co ktoś napisał sam, a przy czym tylko pomagał. Mówią, czego nie wolno zmieniać. I dają modelowi miejsce na wszystko, czego nie może poprzeć faktami, listę „Bez pokrycia” albo uwagę, że punkt zostaje prosty, tak by luki nie trzeba było wypełniać czymś, co lepiej brzmi.

Dokumentacja OpenAI porównuje model rozumujący do „doświadczonego współpracownika”, któremu można wyznaczyć cel i zaufać, że „sam dopracuje szczegóły”. Dokumentacja Anthropic prosi użytkowników, by traktowali Claude’a jak „błyskotliwego, ale nowego pracownika, któremu brakuje kontekstu”. W CV szczegóły są właśnie kontekstem i zna je tylko kandydat. Żaden dobór słów nie odtworzy wskaźnika otwarć, którego model nigdy nie poznał.

Do promptów trzeba dodać dwa zastrzeżenia. CV to dane osobowe. Badanie Uniwersytetu Stanforda poświęcone politykom prywatności sześciu amerykańskich firm rozwijających AI, opublikowane w 2025 roku, wykazało, że wszystkie sześć najwyraźniej domyślnie używa danych z czatów do trenowania swoich modeli. Opublikowana wraz z nim rada brzmiała, by wszędzie, gdzie to możliwe, wyłączać tę opcję, a numer telefonu i adres można usunąć przed wklejeniem. Drugie zastrzeżenie: dopasowanie ma swoje granice. Doświadczony rekruter powiedział w 2024 roku SHRM (amerykańskiemu stowarzyszeniu specjalistów HR), że CV dopasowane do ogłoszenia łatwo rozpoznać, bo „w CV tej osoby pojawia się absolutnie każde słowo kluczowe”, i że AI „zawyży jej dotychczasowe doświadczenie w zakresie obowiązków”. Osobny artykuł sprawdza, na ile pewnie rekruterzy odróżniają CV napisane przez AI od napisanego przez człowieka.

Co więc z promptem skopiowanym z listy, z jego ekspertem i mierzalnymi rezultatami? Przy tym modelu nie wyrządził wielkiej szkody: żadna próba nie zmyśliła liczby, narzędzia ani nazwy stanowiska. Model zwracał CV, które dostał, tylko dłuższymi słowami i z pustymi miejscami tam, gdzie powinny być fakty. Dziesięć minut lepiej poświęcić na notatki: ile, jak często, co się zmieniło i czego nigdy się nie robiło. Prompt wokół nich może być krótki.

Jak pomaga UseResume

W oknie czatu notatki, zasady i sprawdzanie spadają na osobę, która pisze. UseResume powstało specjalnie z myślą o CV, więc część tej pracy wykonuje sam produkt. Importuje istniejące CV lub profil LinkedIn albo tworzy CV na podstawie kolejnych pytań, a jego kreator CV z AI pisze podsumowanie i punkty w szablonie zgodnym z ATS, w którym każdą sugestię można edytować.

Wklej ofertę pracy, a narzędzie do dopasowania CV pokaże, które słowa kluczowe z ogłoszenia są w CV, a których brakuje, co jest bliskie liście „Bez pokrycia”, tylko bez promptu. Sprawdzanie CV oceni potem wynik w 37 testach, a kreator listu motywacyjnego pracuje na tym samym CV i tej samej ofercie.

Załóż konto i zacznij od CV, które już masz.