A látható és láthatatlan mesterséges intelligencia a HR-folyamatokban: Attitűdvizsgálat a Technológiaelfogadási Modell (TAM) segítségével

János Hackl; Mónika Hoschek

doi:10.32976/stratfuz.2026.7

Szerzők

Hackl János Soproni Egyetem
Hoschek Mónika Soproni Egyetem

DOI:

https://doi.org/10.32976/stratfuz.2026.7

Kulcsszavak:

mesterséges intelligencia, HR-menedzsment, toborzás, technológiaelfogadás, láthatatlan MI

Absztrakt

A mesterséges intelligencia (MI) integrációja a humánerőforrás-menedzsment területén alapjaiban írja felül a toborzási és kiválasztási stratégiákat. A jelen tanulmány célja a HR-döntéshozók MI-alapú eszközökhöz fűződő attitűdjeinek vizsgálata, különös tekintettel a tanulmányban részletezett „láthatatlan MI” (invisible AI) koncepciójára. Az elméleti keretet a kiterjesztett Technológiaelfogadási Modell (TAM) szolgáltatja, kiegészülve az algoritmikus redukcionizmus és a transzparencia kérdéskörével. Az empirikus kutatás egy kérdőíves felmérésen alapul (n = 202), amelynek adatait leíró statisztikákkal, Khi-négyzet próbákkal és Kruskal-Wallis tesztekkel elemeztük. Az eredmények rávilágítanak, hogy a szakmai tapasztalat, a szervezet mérete és a szektorális hovatartozás szignifikánsan befolyásolja a technológia észlelését. Míg az MI-t elsősorban hatékonyságnövelő eszközként értékelik, komoly aggályok merülnek fel az emberi tényezők elhanyagolása és a folyamatok átláthatatlansága (fekete doboz effektus) kapcsán. A tanulmány gyakorlati javaslatokat fogalmaz meg a transzparencia növelésére és a humán kontroll megőrzésére a jövő HR-stratégiáiban.

Szerző életrajzok

Hackl János, Soproni Egyetem

PhD hallgató, Soproni Egyetem, Lámfalussy Sándor Közgazdaságtudományi Kar, Széchenyi István Doktori Iskola

Hoschek Mónika, Soproni Egyetem

egyetemi docens, Soproni Egyetem, Lámfalussy Sándor Közgazdaságtudományi Kar

Hivatkozások

Bögel, Gy. (2018). Mesterséges intelligencia a humánpolitikai munkában. Opus et Educatio, 5(3), 352–361. https://doi.org/10.3311/ope.272

Cao, G., Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2021). Understanding managers’ attitudes and behavioral intentions towards using artificial intelligence for organizational decision-making. Technovation, 106, 102312. https://doi.org/10.1016/j.technovation.2021.102312

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008

Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114–126. https://doi.org/10.1037/xge0000033

Dióssi, K., & Mikáczó, A. (2023). Mesterséges intelligencia a HR folyamatok, főként a toborzás támogatásában. In Széles ZS., & Szőke T. M. (szerk.), A mesterséges intelligencia szerepe a fenntartható gazdasági döntésekben (pp. 16-29). Sopron: Soproni Egyetemi Kiadó. http://publicatio.uni-sopron.hu/2928/1/SPN-2023-Diossi-Mikaczo-16-29.pdf

Domokos, A., & Sajtos, P. (2024): Mesterséges intelligencia a pénzügyi szektorban – Innováció és kockázatok. Hitelintézeti Szemle, 23(1), 155–166. https://hitelintezetiszemle. mnb.hu/hsz-23-1-szc1-domokos-sajtos

Duggan, J., Sherman, U., Carbery, R., & Mcdonnell, A. (2020). Algorithmic management and app-work in the gig economy: A research agenda for employment relations and HRM. Human Resource Management Journal, 30(1), 114–132. https://doi.org/10.1111/1748-8583.12258

Európai Parlament. (2023). Az EU MI-törvénye és a szabályozás kérdései. https://www.europarl.europa.eu/topics/en/article/20230601STO93804/eu-ai-act-first-regulation-on-artificial-intelligence (Letöltve: 2023.02.25.)

Gray, M. L., & Suri, S. (2019). Ghost work: How to stop Silicon Valley from building a new global underclass. Houghton Mifflin Harcourt.

Gursoy, D., Chi, O. H., Lu, L., & Nunkoo, R. (2019). Consumers acceptance of artificially intelligent (AI) device use in service delivery. International Journal of Information Management, 49, 157–169. https://doi.org/10.1016/j.ijinfomgt.2019.03.008

Hunkenschroer, A. L. & Luetge, C. (2022). Ethics of AI-enabled recruiting and selection: A review and research agenda. Journal of Business Ethics, 178(4), 977–1007. http://doi.org/10.1007/s10551-022-05049-6

Kelly, S., Kaye, S. A., & Ovideo-Trespalacios, O. (2023). What factors contribute to the acceptance of artificial intelligence? A systematic review. Telematics and Informatics, 77, 101925. https://10.1016/j.tele.2022.101925

Jobscan. (2023). More than 98% of Fortune 500 companies use applicant tracking systems (ATS). Jobscan Blog. https://www.jobscan.co/blog/fortune-500-use-applicant-tracking-systems/

Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work: The new contested terrain of control. Academy of Management Annals, 14(1), 0174. https://doi.org/10.5465/annals.2018.0174

Kovács, L. (2024). Nyelvi kommunikáció a marketingben: Marketingnyelvészet. Budapest: Akadémiai Kiadó. https://doi.org/10.1556/9789636640569

Langer, M., & Landers, R. N. (2021). The future of artificial intelligence at work: A review on effects of decision automation and augmentation on workers targeted by algorithms and third-party observers. Computers in Human Behavior, 123, 106878. https://doi.org/10.1016/j.chb.2021.106878

Lee, M. K., Kusbit, D., Metsky, E., & Dabbish, L. (2015). Working with machines: The impact of algorithmic and data-driven management on human workers. In Proceedings of the 33rd Annual ACM Conference on Human Factors in Computing Systems (pp.1603–1612). New York: Association for Computing Machinery. https://doi.org/10.1145/2702123.2702548

Leicht-Deobald, U., Busch, T., Schank, C., Weibel, A., Schafheitle, S., Wildhaber, I., & Kasper, G. (2019). The challenges of algorithm-based HR decision-making for personal integrity. Journal of Business Ethics, 160(2), 377-392. http://doi.org/10.1007/s10551-019-04204-w

Lülök, G., & Sebestyén, Z. (2025). A mesterséges intelligencia legújabb alkalmazási trendjei a bankszektorban. Hitelintézeti Szemle, 24(2), 47–74. https://doi.org/10.25201/HSZ.24.2.47

Meskó, B. & Görög, M. (2020). Rövid útmutató egészségügyi szakemberek számára a mesterséges intelligencia korában. Magyar Tudomány, 181(10), 1361–1377. https://doi.org/10.1556/2065.181.2020.10.8

Möhlmann, M., & Zalmanson, L. (2017). Hands on the wheel: Navigating algorithmic management and Uber drivers’ autonomy. In Y. J. Kim, R. Agarwal, & J. K. Lee (Eds.), Proceedings of the International Conference on Information Systems – Transforming Society with Digital Innovation (ICIS 2017). Association for Information Systems. https://aisel.aisnet.org/icis2017/DigitalPlatforms/Presentations/3/

Nemeskéri, Zs. (2019). Toborzás és kiválasztás a 21. században. Tudás Menedzsment: A PTE BTK Humán Fejlesztési Intézet periodikája, 20(2), 13–25. https://www.epa.hu/02700/02750/00050/pdf/EPA_02750_tudasmenedzsment_2019_02_013-024.pdf

Newman, D. T., Fast, N. J., & Harmon, D. J. (2020). When eliminating bias isn’t fair: Algorithmic reductionism and procedural justice in human resource decisions. Organizational Behavior and Human Decision Processes, 160, 149–167. https://doi.org/10.1016/j.obhdp.2020.03.008

Otti, Cs., Szabó, Sz., & Fehér, A. (2025). Az MI alkalmazása a jelen és a jövő HR-jében. Új Munkaügyi Szemle, 6(1), 12–25. http://doi.org/10.58269/umsz.2025.2.2

Rosenblat, A., & Stark, L. (2016). Algorithmic labor and information asymmetries: A case study of Uber’s drivers. International Journal of Communication, 10, 3758–3784. https://ijoc.org/index.php/ijoc/article/view/4892

Selejó Joó, B. T., Komóczi, M., & Csukonyi, Cs. (2024). A mesterséges intelligencia felhasználása az emberi erőforrás-menedzsment során. Új Munkaügyi Szemle, 5(2), 15–22. https://real-j.mtak.hu/26892/7/UMSZ_2024_2.pdf (Letöltés dátuma: 2025.02.17.)

Shin, D. (2021). The effects of explainability and causability on perception, trust, and acceptance: Implications for explainable AI. International Journal of Human-Computer Studies, 146, 102551. https://doi.org/10.1016/j.ijhcs.2020.102551

Sohn, K., & Kwon, O. (2020). Technology acceptance theories and factors influencing artificial Intelligence-based intelligent products. Telematics and Informatics, 47, 101324. https://doi.org/10.1016/j.tele.2019.101324

Soldatos, J. (2024). Artificial Intelligence in Manufacturing: Enabling Intelligent, Flexible and Cost-Effective Production Through AI. Cham: Springer Nature. http://doi.org/10.1007/978-3-031-46452-2

Sýkorová, Z., Hague, D., Dvouletý, O., & Procházka, D. A. (2024). Incorporating artificial intelligence (AI) into recruitment processes: ethical considerations. VILAKSHAN - XIMB Journal of Management, 21(1), 100–116. https://doi.org/10.1108/XJM-02-2024-0039

Tambe, P.; Cappelli, P. & Yakubovich, V. (2019). Artificial intelligence in human resources management: Challenges and a path forward. California Management Review, 61(4), 15-42. https://doi.org/10.1177/0008125619867910

Upadhyay, A. K., & Khandelwal, K. (2018). Applying artificial intelligence: implications for recruitment. Strategic HR Review, 17(5), 255–258. https://doi.org/10.1108/SHR-07-2018-0051

Vadie, A. S., & Lipták, K. (2023). Industry 4.0: New challenges for the labor market and working conditions as a result of emergence of robots and automation. Economic and Regional Studies / Studia Ekonomiczne i Regionalne, 16(3), 434–445. https://doi.org/10.2478/ers-2023-0028

Veale, M., & Zuiderveen Borgesius, F. (2021). Demystifying the Draft EU Artificial Intelligence Act — Analysing the good, the bad, and the unclear elements of the proposed approach. Computer Law Review International, 22(4), 2021, 97-112. https://doi.org/10.9785/cri-2021-220402